【正文】 士應(yīng)當(dāng)具備的最重要的能力就是發(fā)現(xiàn)問題關(guān)鍵能力，因?yàn)檫@是通向問題解決的必經(jīng)之路。杜哈提說，不論他出多小兩種能力是：第一，能思想；第二，能按事情的重要程度來做事。如果一個(gè)人沒有重點(diǎn)地思考，就等于無主要目標(biāo)，做事的效率必然會(huì)十分低下。一名高效能人士不會(huì)到處為自己找借口，開脫責(zé)任；相反，無倫出現(xiàn)什 么情況，他都會(huì)自覺主動(dòng)地將自己的任務(wù)執(zhí)行到底?！备惶m克林將自己一生的成就歸功于對(duì)“在一定時(shí)期內(nèi)不遺余力地做一件事”這一信條的實(shí)踐。只要把問題想透徹了，才能找到問題到底是什么，才能找到解決問題最有效的手段。 運(yùn) 假公濟(jì)私 ,那么你要嘗試學(xué)習(xí)如何與不同的人相處 ,提高自己化 。蓋茨所 説 ： “通向最高管理層的最迅捷的途徑，是主動(dòng)承擔(dān)別人都不愿意接手的工作，并在其中展示你出眾的創(chuàng)造力和解決問題的能力?！爆F(xiàn) 實(shí)中那些頂尖的成功人士不是成功了才設(shè)定目標(biāo)，而是設(shè)定了目標(biāo)才成功。只要把問題想透徹了，才能找到問題到底是什么，才能找到解決問題最有效的手段?！备惶m克林將自己一生的成就歸功于對(duì)“在一定時(shí)期內(nèi)不遺余力地做一件事”這一信條的實(shí)踐。一名高效能人士不會(huì)到處為自己找借口，開脫責(zé)任；相反，無倫出現(xiàn)什么情況，他都會(huì)自覺主動(dòng)地將自己的任務(wù)執(zhí)行到底。如果一個(gè)人沒有重點(diǎn)地思考，就等于無主要目標(biāo)，做事的效率必然會(huì)十分低下。 同樣此次 USRP 也 大大提高了我們的 動(dòng)手的能力，使我 們 充分體會(huì)到了在創(chuàng)造過程中探索的艱難和成功時(shí)的喜 悅。 但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距。在此次實(shí)驗(yàn)中，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。mse39。 圖 318 識(shí)別結(jié)果圖形 訓(xùn)練后神經(jīng)網(wǎng)絡(luò)以及權(quán) 重結(jié) 果信息為： = Neural Network object: architecture: numInputs: 1 numLayers: 2 biasConnect: [1。 =train(,p,t) 即創(chuàng)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。traingdx39。反向傳 播其節(jié)點(diǎn)單元特征通常為 Sigmoid型 {f(X)=1／ [1+exp(一 Bx)]，B0}。每個(gè)節(jié)點(diǎn)的激活函數(shù)采用 O． 1函數(shù)，輸出節(jié)點(diǎn)的輸出值為 0， 1二值。④能夠同 時(shí) 處理定量、定性知識(shí)。這種匹配算法只利用了字符的關(guān)鍵點(diǎn)進(jìn)行匹配，因此，提高了識(shí)別速度又具有較高的識(shí)別率。字符識(shí)別的算法很多，因?yàn)檐嚺谱址g間隔較大，不會(huì)出[m， n]=size（ d），逐排檢查有沒有白色像素點(diǎn)，設(shè)置 1=jn1，若圖像兩邊 s（ j） =0，則切割，去除圖像兩邊多余的部分 切割去圖像上下多余的部分 根據(jù)圖像的大小，設(shè)置一閾值，檢測(cè)圖像的 X 軸，若寬度等于這一閾值則切割，分離出七個(gè)字符 歸一化切割出來的字符圖像的大小為 40*20，與模板中字符圖像的大小相匹配 現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。 圖 39 腐蝕后圖像 ， 平滑圖像的輪廓 以及 從對(duì)象中移除小對(duì)象后圖像 對(duì)圖像進(jìn)行腐蝕 去除雜質(zhì) 通過計(jì)算尋找 X 和 Y方向車牌的區(qū)域 完成車牌定位 對(duì)分割出的車牌做進(jìn)一步處理 （ 2）牌照區(qū)域的分割 對(duì)車牌的分割可以 有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進(jìn)行計(jì)算是當(dāng)前研究熱點(diǎn)之一。根據(jù)不同的實(shí)現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為直接法和間接法 兩 類。 圖 36 平滑處理后的圖像 圖像中車輛牌照是具有比較顯著特征的一塊圖 像 區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的； 2 3 i,j 1 4 4 3 2 5 i,j 1 6 7 8 在整體圖 像 中的位置較為固定。 （ 1） 灰度校正 由于牌照?qǐng)D 像 在拍攝時(shí)受到種種條件的限制和干擾，圖 像 的灰度值往往與實(shí)際景物不完全匹配，這將直接影響到圖 像 的后續(xù)處理。 輸入車牌圖像 灰度校正 平滑處理 提取邊緣 圖 31 預(yù)處理及邊緣提取流程圖 圖 像 的采集與轉(zhuǎn)換 考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如，對(duì)藍(lán)底白字這種最常見的牌照，采用藍(lán)色 B通道時(shí)牌照區(qū)域?yàn)橐涣恋木匦?，而牌照字符在區(qū)域中并不呈現(xiàn)。 由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會(huì)不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識(shí)別的準(zhǔn)確性。X3從是英文字母或阿拉伯?dāng)?shù)字 ； X3X4X5X6X7均是阿拉伯?dāng)?shù)字。對(duì)印刷體漢字的識(shí)別率達(dá)到 98％ 以上，即使對(duì)印刷質(zhì)量較差的文字其識(shí)別率也達(dá)到 95％以上。這種模型從神經(jīng)上和記憶探尋的過程上來看，都比模板匹配模型更適宜，而且還能說明對(duì)一些不規(guī)則的，但某些方面與原型相似的圖像的識(shí)別。這個(gè)模型 簡單明了，也容易得到實(shí)際應(yīng)用。汽車牌照自動(dòng)識(shí)別系統(tǒng)就是在這樣的背景與目的下進(jìn)行研究開發(fā)的。并且其還在飛速的發(fā)展著，圖像識(shí)別的應(yīng)用正朝著不同的領(lǐng)域滲透著，像 計(jì)算機(jī)圖像生成 ， 圖像傳輸與圖像通信，高清晰度電視 ， 機(jī)器人視覺及圖像測(cè)量 ， 辦公室自動(dòng)化 ， 像跟蹤及光學(xué)制導(dǎo) ， 醫(yī)用圖像處理與材料分析中的圖像分析系統(tǒng) ， 遙感圖像處理和空間探測(cè) ， 圖像變形技術(shù) 等等。作為智能交通系統(tǒng) (InteUigent Traffic System，簡稱 ITS)中的一個(gè)重要組成部分的車牌識(shí)別技術(shù)，當(dāng)然就是其中的重點(diǎn)研究對(duì)象。如今我們也可以把這些技術(shù)應(yīng)用在交通領(lǐng)域。 （二） 圖像識(shí)別技術(shù)的發(fā)展趨勢(shì) 雖 然圖像識(shí)別技術(shù)還不是非常成熟，但現(xiàn)其已經(jīng)有了很多可喜的成果，比如 圖像模式識(shí)別 ， 圖像文字識(shí)別 。圖像處理技術(shù)發(fā)展相當(dāng)快，而其中對(duì)汽車牌照等相關(guān)信息的自 動(dòng)采集和管理對(duì)于交通車輛管理、園區(qū)車輛管理、停車場管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。例如有一個(gè)字母A,如果在腦中有個(gè) A 模板 ,字母 A 的大小、方位、形狀都與這個(gè) A模板完全一致 ,字母 A 就被識(shí)別了。如果能找到一個(gè)相似的原型，這個(gè)圖像也就被識(shí)別了。識(shí)別 范圍也從原來 指定的印刷體數(shù)字、英文字母和部分符號(hào)，發(fā)展成為可以自動(dòng)進(jìn)行版面分析、表格識(shí)別，實(shí)現(xiàn)混合文字、多字體、多字號(hào)、橫豎混排識(shí)別的強(qiáng)大的計(jì)算機(jī)信息快 速錄入工具。X2是英文字母，表示各省的不同地區(qū) 。 牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖 像 預(yù)處理后的原始灰度圖 像 中確定牌照的具體位置，并將包含牌照 字符的一塊子圖 像 從整個(gè)圖 像 中分割出來，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。圖像預(yù)處理技術(shù)可最大限度提高車牌正確識(shí)別率，這些圖像預(yù)處理包括圖像灰度化、平滑、傾斜校正、灰度修正等。增強(qiáng)圖象對(duì)比度度的方法有：灰度線性變換、圖象平滑處理等。為了克服這種平均化引起的圖 像 模糊現(xiàn)象，我們給中心點(diǎn)象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點(diǎn)才能替換為鄰域平均值，而差值不大于閾值時(shí)，仍保留原來的值，從而減 少由于平均化引起的圖 像 模糊。 2 車牌的定位與分割 車牌定位對(duì)車牌識(shí)別系統(tǒng)來說至關(guān)重要，目前已經(jīng)提出了很多車牌定位的方法，這些方法都具有一個(gè)共同的出發(fā)點(diǎn)，即通過牌照區(qū)域的特征來判斷牌照。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了 bwareaopen來去除對(duì)象中不相干的小對(duì)象。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。此算法先對(duì)識(shí)別字符進(jìn)行關(guān)鍵點(diǎn)提取，然后對(duì)關(guān)鍵點(diǎn)去噪，最后再確定字符的分類。③可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。 BP神經(jīng)網(wǎng)絡(luò)由 1024個(gè)輸入節(jié)點(diǎn)、 20個(gè)隱層節(jié)點(diǎn)、 6個(gè)輸出節(jié)點(diǎn)組成。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。}, 39。 =。其識(shí)別圖形如圖 24。 performF: 39。 四 總結(jié) （一）課題小結(jié) 在車輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)