【正文】 ese color features can be used to eliminate the disturbance of the fake plate’s regions. The flowchart of the plate location is shown in Fig. 3.Characters edge detectionBinary image segmentingCandidate image detectionVehicle plate extraction The flowchart of the plate location algorithmThe regions which structure and texture similar to the vehicle plate are extracted. The process is described as followed: (1) (2)Here, the Gaussian variance is set to be less than W/3 (W is the character stroke width), so gets its maximum value M at the center of the stroke. After convolution, binarization is performed according to a threshold which equals T * M (T). Median filter is used to preserve the edge gradient and eliminate isolated noise of the binary image. An N * N rectangle median filter is set, and N represents the odd integer mostly close to W.Morphology closing operation can be used to extract the candidate region. The confidence degree of candidate region for being a license plate is verified according to the aspect ratio and areas. Here, the aspect ratio is set between and 4 for the reason of inclination. The prior knowledge of color collocation is used to locate plate region exactly. The locating process of the license plate is shown in Fig. 4.Fig. 4 The whole process of locating license plate2) Character segmentationThis part presents an algorithm for character segmentation based on prior knowledge, using character width, fixed number of characters, the ratio of height to width of a character, and so on. The flowchart of the character segmentation is shown in Fig. 5. License plate imagepreprocessingObtain binary imageVertical projectionEliminate space markFig. 5 The flowchart of the character segmentationFirstly, preprocess the license the plate image, such as uneven illumination correction, contrast enhancement, incline correction and edge enhancement operations。通過(guò)測(cè)試表明，本課題能實(shí)現(xiàn)對(duì)待車(chē)牌圖像的識(shí)別功能，可以提供智能化的識(shí)別系統(tǒng)，提高了識(shí)別速度和準(zhǔn)確性。圖46　　更換車(chē)牌圖像圖47　　圖像處理后的效果圖圖48　　第二幅車(chē)牌識(shí)別結(jié)果根據(jù)圖45和圖48對(duì)比判斷，第二次車(chē)牌識(shí)別出現(xiàn)錯(cuò)誤。為了加快神經(jīng)網(wǎng)絡(luò)的識(shí)別速度以及滿足神經(jīng)網(wǎng)絡(luò)輸入向量個(gè)數(shù)的要求，需要用BLT(Binarization Linear Transform)減少輸入向量，達(dá)到個(gè)數(shù)匹配以及加快識(shí)別速度的要求。垂直平均寬度是掃描每列看其起始字符點(diǎn)和結(jié)束字符點(diǎn)的距離。（13）結(jié)束。給各連接權(quán)值W、V及閾值、賦予之間的隨機(jī)值。因此，每次校正完后，網(wǎng)絡(luò)輸出端的誤差對(duì)于某些神經(jīng)元來(lái)說(shuō)也有可能增加，但在進(jìn)行多次反復(fù)計(jì)算后，其誤差還是應(yīng)該變小的。這個(gè)網(wǎng)絡(luò)的輸入層有n個(gè)神經(jīng)元，輸出層有q個(gè)神經(jīng)元，中間層有P個(gè)神經(jīng)元。它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工網(wǎng)絡(luò)的精華?！《鄬尤斯ど窠?jīng)網(wǎng)絡(luò)由于感知器是單層網(wǎng)絡(luò)智能解決現(xiàn)行可分問(wèn)題，要增強(qiáng)分類(lèi)能力的唯一途徑就是采用多層網(wǎng)絡(luò)，即在輸入和輸出層之間加上隱含構(gòu)成多層前饋網(wǎng)絡(luò)即為BP網(wǎng)絡(luò)模型，如圖33所示。下面介紹連接權(quán)適量W（或者分量）是怎樣在學(xué)習(xí)過(guò)程中被校正的。激活函數(shù)有許多類(lèi)型，其中比較常用的可以歸結(jié)為三種形式:閾值型、S型和線性型。這樣，人工神經(jīng)元的輸出可描述為　　　 　　　　　 （31）式中，是表示神經(jīng)元輸入輸出關(guān)系的函數(shù)，稱(chēng)為激活函數(shù)或輸出函數(shù)。神經(jīng)元的排列拓?fù)浣Y(jié)構(gòu)和突觸的連接強(qiáng)度確立了神經(jīng)網(wǎng)絡(luò)的功能?，F(xiàn)在用的比較多的細(xì)化算法有Hilditch、Pavlidis、Rosenfeld細(xì)化算法和索引表細(xì)化算法等。圖219　　分割出的字符圖像　字幅圖像歸一化字符分割處理后得到的單個(gè)數(shù)字、字母和漢字圖像，還必須進(jìn)行歸一化處理，以消除因牌照傾斜帶來(lái)的字符在位置和大小上的變化。 圖213　　牌照二值化圖 圖214　　圖213的點(diǎn)陣水平投影圖從投影圖214可以看出字符與字符的分界處往往是投影比較少的地方，并且字符與字符的分界處投影往往接近零或者為零，所以取初始閾值t=1對(duì)投影圖進(jìn)行掃描，過(guò)程如下：① “while(project[i]t) i++。這三種噪聲都有相應(yīng)的數(shù)學(xué)模型，主要是要對(duì)噪聲進(jìn)行濾波，濾波的方法有許多種，例如中指濾波、變換域?yàn)V波、小波去噪等。在數(shù)字圖像處理中，二值圖像占有非常重要的地位。當(dāng)從左向右照時(shí)，會(huì)右傾且右面比左面更傾斜，如圖28所示。本文采用的是水平灰度變化和Sobel算子來(lái)進(jìn)行圖像處理。這種方法是利用車(chē)牌上的特征進(jìn)行定位，包括形狀、顏色和紋理特征，不如車(chē)牌的底色和字符的顏色有明顯的反差來(lái)進(jìn)行識(shí)別定位。 圖24　　輪廓圖 　 圖25　　Sobel邊緣檢測(cè)后的圖像　車(chē)牌定位攝像頭拍攝的圖片不僅僅只有車(chē)牌部分的圖片，而且還有車(chē)身等區(qū)域的圖片，但只有車(chē)牌部分是有用區(qū)域，其他部分都是無(wú)用區(qū)域。邊緣通常意味著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開(kāi)始。由于車(chē)牌的種類(lèi)多排版不一樣，所以本文主要是針對(duì)藍(lán)底白字的小型民用車(chē)進(jìn)行識(shí)別。BP網(wǎng)絡(luò)是一個(gè)需要預(yù)先學(xué)習(xí)的網(wǎng)絡(luò)，所以需要建立字符庫(kù)。關(guān)于車(chē)牌識(shí)別的研究，國(guó)內(nèi)外學(xué)者已經(jīng)做了大量的工作，但仍然存在一些問(wèn)題，比如車(chē)牌圖像的傾斜、車(chē)牌自身的磨損、光線的干擾都會(huì)影響到定位的精度。直至今日，國(guó)外對(duì)車(chē)牌檢測(cè)的研究已經(jīng)取得了一些令人矚目的成就，如：Yuntao Cui提出了一種車(chē)牌識(shí)別系統(tǒng)，在車(chē)牌定位以后，利用馬爾科夫場(chǎng)對(duì)車(chē)牌特征進(jìn)行提取和二值化，對(duì)樣本的識(shí)別達(dá)到了較高的識(shí)別率。如今，隨著計(jì)算機(jī)技術(shù)、通信技術(shù)和計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的發(fā)展，自動(dòng)化的信息處理能力和水平不斷提高，人們正在逐步進(jìn)入信息時(shí)代。 license plates recognition目　　錄第一章　　緒論 1　課題研究背景 1　研究現(xiàn)狀 2　本文研究?jī)?nèi)容 3第二章　　字符識(shí)別方法 4　圖像預(yù)處理 4　車(chē)牌定位 6　字符分割 9第三章　　BP神經(jīng)網(wǎng)絡(luò) 13　人工神經(jīng)網(wǎng)絡(luò) 13　BP網(wǎng)絡(luò) 16第四章　　基于BP網(wǎng)絡(luò)的車(chē)牌識(shí)別系統(tǒng) 22　字符特征提取 22　系統(tǒng)識(shí)別模塊 22　程序運(yùn)行 23第五章　　總結(jié)與展望 27　總結(jié) 27　展望 27參考文獻(xiàn) 28外文資料中文譯文致謝1北京理工大學(xué)2014屆本科生畢業(yè)設(shè)計(jì)（論文）第一章　　緒論　課題研究背景 近幾年來(lái)，隨著車(chē)輛在普通民眾生活中的普及，城市交通的壓力越來(lái)越成為影響人們方便出行的一大障礙，同時(shí)越來(lái)越重的城市交通壓力也使得原有的交通管理系統(tǒng)不再滿足需求，于是人們利用各類(lèi)先進(jìn)的科學(xué)技術(shù)相繼研制出各類(lèi)交通道路、車(chē)輛的管理系統(tǒng)，逐步發(fā)展到如今較為全面的，包括交通管理多個(gè)方面的智能交通系統(tǒng)（Intelligent Transportation System，ITS）。本文利用BP神經(jīng)網(wǎng)絡(luò)與圖像處理技術(shù)相結(jié)合的方法，將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用到車(chē)牌字符識(shí)別中。六、進(jìn)度安排— 查找資料，通過(guò)書(shū)籍和視頻學(xué)習(xí)C++的基本概念和語(yǔ)法，練習(xí)使用 VC++。車(chē)牌定位：對(duì)預(yù)處理過(guò)的汽車(chē)牌照?qǐng)D片進(jìn)行處理，把車(chē)牌部分進(jìn)行定位，刪除無(wú)用區(qū)域，得到車(chē)牌圖片。但對(duì)環(huán)境要求比較高，在全天候的條件下，都存在著識(shí)別精度不高的問(wèn)題，識(shí)別時(shí)間比較長(zhǎng)的缺點(diǎn)。由于圖像獲取時(shí)的外界環(huán)境不同的影響，系統(tǒng)必須保證能夠在任何天氣情況下全天不間斷的正常工作。完成基于樣本的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及圖像中車(chē)牌信息的識(shí)別，并對(duì)其性能進(jìn)行統(tǒng)計(jì)和總結(jié)。應(yīng)用環(huán)境：基于BP神經(jīng)網(wǎng)絡(luò)的圖像文件中的車(chē)牌號(hào)碼識(shí)別。工作目的：熟練掌握Visual C++應(yīng)用程序的開(kāi)發(fā)。指導(dǎo)教師（簽字）年 月 日審題小組組長(zhǎng)（簽字）年 月 日天津大學(xué)仁愛(ài)學(xué)院本科生畢業(yè)設(shè)計(jì)（論文）開(kāi)題報(bào)告課題名稱(chēng)基于BP網(wǎng)絡(luò)的車(chē)牌識(shí)別系統(tǒng)的設(shè)計(jì)系 名信息工程系專(zhuān) 業(yè)自動(dòng)化學(xué)生姓名魏章波指導(dǎo)教師扈書(shū)亮一、 課題來(lái)源及意義BP(Back Propagation)神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的科學(xué)家小組提出, 是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。因此，對(duì)于研究基于BP網(wǎng)絡(luò)的車(chē)牌識(shí)別系統(tǒng)有重要的意義。因此車(chē)牌識(shí)別系統(tǒng)有很大的發(fā)展空間。從原圖像中提取出需要的部分舍棄不需要的部分，以便節(jié)省系統(tǒng)識(shí)別時(shí)間。了解BP神經(jīng)網(wǎng)絡(luò)的基本原理及人工智能的基本概念。針對(duì)車(chē)牌圖像的處理的過(guò)程包括：車(chē)牌圖像去噪、車(chē)牌圖像灰度化、車(chē)牌圖像二值化、車(chē)牌字符圖像分割、車(chē)牌字符圖像歸一化、車(chē)牌字符圖像特征值提取。而在整個(gè)智能交通系統(tǒng)中，車(chē)牌識(shí)別（License Plates Recognition,LPR）更是其中的一項(xiàng)關(guān)鍵所在。在此情況下，作為信息來(lái)源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來(lái)越受到人們的重視。Eun Ryung等利用圖像中的顏色分量，對(duì)車(chē)輛進(jìn)行定位識(shí)別，其中提到了三種方法：①以Hough變換為基礎(chǔ)的邊緣檢測(cè)定位識(shí)別；②以灰度值變換為基礎(chǔ)的識(shí)別算法；③以HLS彩色模式為基礎(chǔ)的車(chē)牌識(shí)別系統(tǒng)，%、85%、%。車(chē)牌字符識(shí)別是在車(chē)牌準(zhǔn)確定位的基礎(chǔ)上，對(duì)車(chē)牌使得漢字、字母、數(shù)字進(jìn)行有效確認(rèn)的過(guò)程。這個(gè)庫(kù)就是要把車(chē)牌字符一般性特征給體現(xiàn)出來(lái)，把字符庫(kù)的特征值送人到BP網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)得到一個(gè)具有識(shí)別功能的BP網(wǎng)絡(luò)。我國(guó)的小型民用車(chē)車(chē)牌一共是七位（除去分隔符），前面兩位是地區(qū)信息，后面五位是號(hào)碼，并采用藍(lán)底白字的車(chē)牌，輪廓尺寸為440mm140mm,寬和高近似比例為3:1。邊緣的檢測(cè)常借助空域微分算子進(jìn)行，通過(guò)微分模板與圖像卷積完成。所以我們要對(duì)照片進(jìn)行車(chē)牌定位，然后把車(chē)牌部分分割出來(lái)。（3）基于水平灰度變化的方法。在本系統(tǒng)中，用水泡方向的差分算子對(duì)汽車(chē)圖像求梯度。當(dāng)從右向左照時(shí)，會(huì)左傾且左面比右面更傾斜，如圖29所示。在實(shí)際的車(chē)牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閾值，使得字符與背景能夠分割開(kāi)來(lái)，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會(huì)產(chǎn)生額外的空缺等等。去噪后的圖像如圖212所示。”，記下位置a；② “while(project[i]=t) i++。歸一化處理主要包括位置歸一化和大小歸一化，甚至筆劃（粗細(xì)）歸一化。車(chē)牌圖像進(jìn)行預(yù)處理后，細(xì)化處理是關(guān)系到后面能否正確提取字符特征值的關(guān)鍵，本文使用Rosenfeld骨架細(xì)化的方法，細(xì)化處理后可以得到圖像中字符的基本骨架，不會(huì)破壞原來(lái)的連通性。形象的說(shuō)，神經(jīng)網(wǎng)絡(luò)是由大量處理單元（神經(jīng)元）廣泛連接而成的網(wǎng)絡(luò)，是對(duì)人腦的抽象、簡(jiǎn)化和模擬，反映人腦的基本特性。設(shè)是權(quán)與輸入的矢量積（標(biāo)量），相當(dāng)于生物神經(jīng)元由外加刺激引起的膜內(nèi)電位的變化。本文采用S型激活函數(shù)。令為第i個(gè)神經(jīng)元的第j個(gè)輸入連接權(quán)，這個(gè)輸入可以是外來(lái)的輸入信號(hào)，也可以來(lái)自其他神經(jīng)元的輸出。這是一種三層BP網(wǎng)絡(luò)，一般來(lái)講，BP網(wǎng)絡(luò)是一種具有三層或三層以上的多層神經(jīng)元網(wǎng)絡(luò)，它的左、右各層之間各個(gè)神經(jīng)