【正文】 障礙，同時越來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，于是人們利用各類先進的科學技術相繼研制出各類交通道路、車輛的管理系統(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)絡與圖像處理技術相結合的方法，將 BP 神經(jīng)網(wǎng)絡應用到車牌字符識別中。 六、進度安排 — 查找資料，通過書籍和視頻學習 C++的基本概念和語法 ， 練習使用 VC++ 軟件。 車牌定位：對預處理過的汽車牌照圖片進行處理，把車牌部分進行定位，刪除無用區(qū)域，得到車牌圖片。但對環(huán)境要求 比較高，在全天候的條件下，都存在著識別精度不高的問題，識別時間比較長的缺點。由于圖像獲取時的外界環(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)絡的訓練以及圖像中 車牌信息 的識別，并對其性能進行統(tǒng)計和總結。 應用環(huán)境：基于 BP 神經(jīng)網(wǎng)絡的圖像文件中的 車牌號碼 識別。 工作目的：熟練掌握 Visual C++應用程序的開發(fā)。 指導教師（簽字） 年 月 日 審題小組組長（簽字） 年 月 日 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 天津大學仁愛學院本科生畢業(yè)設計（論文）開題報告 課題名稱 基于 BP 網(wǎng)絡的車牌識別系統(tǒng)的設計 系 名 信息工程系 專 業(yè) 自動化 學生姓名 魏章波 指導教師 扈書亮 一、 課題來源及意義 BP(Back Propagation)神經(jīng)網(wǎng)絡 是 1986 年由 Rumelhart 和 McClelland 為首的科學家小組提出 , 是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡 ,是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。 因此，對于研究基于 BP 網(wǎng)絡的車牌識別系統(tǒng)有重要的意義。因此車牌識別系統(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)識別時間。了解 BP 神經(jīng)網(wǎng)絡的基本原理及人工智能的基本概念。針對車牌圖像的處理的過程包括：車牌圖像去噪、車牌圖像灰度化、車牌圖像二值化、車牌字符圖像分割、車牌字符圖像歸一化、車牌字符圖像特征值提取。而在整個智能交通系統(tǒng)中，車牌識別 （ License Plates Recognition,LPR）更是其中的一項關鍵所在。在此情況下，作為信息來源的自動檢測、圖像識別技術越來越受到人們的重視。 Eun Ryung 等利用圖像中的顏色分量，對車輛進行定位識別，其中提到了三種方法： ① 以 Hough 變換為基礎的邊緣檢測定位識別； ② 以灰度值變換為基礎的識別算法； ③ 以 HLS 彩色模式為基礎的車牌識別系統(tǒng)，識別率分別為 %、 85%、 %。車牌字符識別是在車牌準確定位的基礎上，對車牌使得漢字、字母、數(shù)字進行有北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 3 BP 神經(jīng)網(wǎng)絡 歸一化 圖像輸入 灰度轉化 字符分割 邊緣檢測 牌照剪切 二值化 字符庫 特征提取 輸出結果 效確認的過程。這個庫就是要把車牌字符一般性特征給體現(xiàn)出來，把字符庫的特征值送人到 BP 網(wǎng)絡進行學習得到一個具有識別功能的 BP 網(wǎng)絡。 我國的小型民用車車牌一共是七位（除去分隔符），前面兩位是地區(qū)信息，后面五位是號碼，并采用藍底白字的車牌，輪廓尺寸為 440mm140mm,寬和高近似比例為 3:1。邊緣的檢測常借助空域微分算子進行，通過微分模板與圖像卷積完成。所以我們要對照片進行車牌定位，然后把車牌部分分割出來。 （ 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 對汽車圖像求梯度。當從右向左照時，會左傾且左面比右面更傾斜，如圖 29 所示。在實際的車牌處理系統(tǒng)中，進行圖像二值變換的關鍵是要確定合適的閾值，使得字符與背景能夠分割開來，二值變換的結果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等等。去噪后的圖像如圖 212 所示?！保浵挛恢?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）歸一化。車牌圖像進行預處理后，細化處理是關系到后面能否正確提取字符特征值的關鍵，本文使用 Rosenfeld 骨架細化的方法，細化處理后可以得到圖 像中字符的基本骨架，不會破壞原來的連通性。形象的說，神經(jīng)網(wǎng)絡是由大量處理單元（神經(jīng)元）廣泛連接而成的網(wǎng)絡，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。設 XTW?是權與輸入的矢量積（標量），相當于生物神經(jīng)元由外加刺激引起的膜內電位的變化。本文采用 S 型激活函數(shù)。 令 jiW 為第 i 個神經(jīng)元的第 j 個輸入連接權，這個輸入可以是外來的輸入信號，也可以來自其他神經(jīng)元的輸出。這是一種三層 BP 網(wǎng)絡，一般來講， BP 網(wǎng)絡是一種具有三層或三層以上的多層神經(jīng)元網(wǎng)絡，它的左、右各層之間各個神經(jīng)元實現(xiàn)全 連接，即左層的每一個神經(jīng)元與右層的每個神經(jīng)元都有連接，而同層內的各神經(jīng)元之間無連接。 BP 網(wǎng)絡的實現(xiàn)分為兩個階段：學習階段和識別階段。由于中間層與輸入、輸出端沒有直接的聯(lián)系，所以也常把中間層成為隱含層。 BP 網(wǎng)絡的學習規(guī)則實現(xiàn)的是學習模式集合上平方和誤差 kE （或 E ）的梯度下降，而不是特定某個分量的絕對誤差 kj? 的梯度下降。 BP 算法描述如下： （ 1）初始化。 （ 12）更新網(wǎng)絡學習次數(shù)，若學習次數(shù)小于規(guī)定的次數(shù)，返回（ 2）。 （ 2） 水平寬度 水平平均寬度是掃描每行看其起始字符點和結束字符點的距離。提取單一的特征送入神經(jīng)網(wǎng)絡的識別效果并不十分理想，這里通過提取二值化字符的各北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 22 方面特征，如投影距離、投影直方圖、矩、區(qū)域密度、輪廓線特征系數(shù)，送入神經(jīng)網(wǎng)絡進行識別。 圖 45 車牌識別結果 更換一張車輛圖片，按照上述步驟執(zhí)行，依次得到的結果如 圖 46～圖 48所示。 查閱大量資料，了解了 BP 神經(jīng)網(wǎng)絡的算 法，體會到了神經(jīng)網(wǎng)絡的優(yōu)勢和在未來發(fā)揮的作用。 展望 該課題車牌識別系統(tǒng)是一個實用性和強的智能識別系統(tǒng)，但由于實際的環(huán)境和學術知識的局限，讓整個系統(tǒng)還有很多有待改善的地方。車牌魯 A對一 些形狀類似的字符，如 Q、 O 與 D、 B 與 T 與 7 等，神經(jīng)網(wǎng)絡不能很正確地分辨，所以還要進行后續(xù)的拓撲分析，以確保字符的正確識別。 （ 3） 區(qū)域分布 把 3216 的字符區(qū)域分成 32 小區(qū)域，統(tǒng)計每個區(qū)域中字符點的數(shù)目。 在以 上學習步驟中（ 3） （ 5）為輸入學習模式 的 “ 順傳播過程 ” ， （ 6） （ 9）為網(wǎng)絡誤差 的 “ 逆?zhèn)鞑ミ^程 ” ， （ 10）完 成 “ 學習訓練 ” （ 11）～（ 12）為收斂過程。 （ 2）隨機選取一個學習模式對量對（ ,kkXY）提供給網(wǎng)絡。 BP 網(wǎng)絡學習算法 BP 神經(jīng)網(wǎng)絡采用 BP 算法進行學習，其學習過程分為四個階段： （ 1）輸入模式是由輸入層經(jīng)過隱含層向輸出層逐層傳遞的 “模式順傳播 ”過程。 激活函數(shù) 的導數(shù)為 )](1)[()(39。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。 BP 網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。對于不同的學習規(guī)則，神經(jīng)元的激活函數(shù)是不同的。特的輸入輸出關系由下圖表示，式（ 32）是它的表達式。這里為了表達簡單沒有寫出閾值 θ。人工神經(jīng)元模型是生物神北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 13 經(jīng)元的模型與抽象。 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 12 圖 221 細化處理后的牌照 第三章 BP 神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡 人工神經(jīng)網(wǎng)絡（ Artificial Neural Network, ANN）也稱為神經(jīng)網(wǎng)絡（ Neural Networks， NN），即從生物學神經(jīng)系統(tǒng)的信號傳遞而抽象發(fā)展成的一門學科。歸一化后的牌照圖像如圖 220 所示 。 分割效果如圖 215 和圖 216 所示。由于二值化的原因，可能會產(chǎn)生粘連、斷裂的字符。 圖 211 牌照二值化圖 字符分割 字符分割是將車牌圖像的七個字符分割成一個個獨立的字符圖像，以供下一步神經(jīng)網(wǎng)絡識別用。 圖 28 向右邊傾斜的牌照 圖 29 向左邊傾斜的牌照 矯正的方法是采用 Hough 變換，其原 理如下： 極坐標中直線的方程為： cos si n rs x y???? 式中 s 是直線離原點的法線距離， ? 是該法線對 x 軸的角度，如圖 210 所示。 圖 26 車輛圖像水平梯度圖 通過選定一個閾值，對梯度圖上大于此值的點記為邊緣點，把一段連續(xù)的邊緣點取其第一點，定義這一點為跳變點。 （ 4）基于邊緣檢測的車牌定位方法。車牌定位和分割的精確度直接關系到最后的字符識別質量的好壞。因此，再進行汽車牌照的定位及字符識別之前需要先對車輛圖像進行邊緣檢測處理提高圖像的質量，使其易于后面的分割與識別。 圖 21 我國小型民 用車車牌規(guī)格 灰度轉化 灰度圖（ GrayScale）是指只包含亮度信息，例如平時看到的亮度由暗到明北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 5 連續(xù)變化的黑白照片。 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 4 圖 BP 網(wǎng) 絡車牌字符識別流程圖 第二章 字符識別方法 圖像預處理 圖像預處理就是對將要利用的圖片進行處理使得圖像有更好的利用效果，可以很好的從處理過的圖片中得到想需要的信息。因而對字符識別的進一步研究也同樣具有緊迫性和必要性。由于國內車牌和國外車牌差異性的存在，尤其是國內車牌漢字的存在，以及其他一系列的問題，所以國外關于識別率的報道只具有參考價值，其在中國的應用效果可能沒有在國外的應用效果好。而且汽車牌照自動識別系統(tǒng)本身是一個全數(shù)字化的智能系統(tǒng)，在它上面只要做一定的擴充就可以衍生出一些其他功能，能使收費的管理更嚴 密、更科學。車牌識別系統(tǒng)可以廣泛應用于電子收費、出入控制、公路流量監(jiān)控、失竊車輛查詢和停車場車輛管理等需要車牌認證的場合，尤其在高速公路收費系統(tǒng)中，實現(xiàn)不停車收費提高公路系統(tǒng)的運行效率，車牌識別系統(tǒng)更具有 不可替代的作用。 BP 神經(jīng)網(wǎng)絡通過對組件的車牌字符庫的學習后才會具有識別功能，然后將車牌字符圖像提取到的特征值送入到 BP 神經(jīng)網(wǎng)絡中就能識別出來。 — 掌握 Visual C++ 中的圖片處理的基本方法。然后把字符歸一化為系統(tǒng)可以識別的規(guī)格大小，輸入到系統(tǒng)中以待識別，確保字符的完整性。 了解人工智能的基本概念以及神經(jīng)網(wǎng)絡的基本原理。比如在美國、意大利、德國、 以色列、新加坡等國家，都已經(jīng)有比較成熟的產(chǎn)品投入了應用，如以色列的 HiTech 公司的 See/Car System系列產(chǎn)品，美國的（ AUTOSCOF） [20xx 系統(tǒng) ]，香港 Asia Vision Technology 公司的 VECON 產(chǎn)品，德國西門子公司的 ARTEM7S 系統(tǒng)，新加坡 Optasia 公司的 VLPRS 產(chǎn)品等，其中 VECON 和 VLPRS 產(chǎn)品主要適合于香港和新加坡的車牌， HiTech 公司的 See/Car System 有多種變形產(chǎn)品來分別適應某一個國家的車牌，但因為我國車牌式樣的多樣性和顏色的多樣性以 及包含漢字等特點，這些車牌識別系統(tǒng)并不適 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 圖像輸入 灰度轉化 邊緣檢測 二值化 幾何調整 牌照剪切 圖像去噪 字符分割 歸一化處理 輸出結果 字符識別 神經(jīng)網(wǎng)絡設置 圖像預處理 車牌定位 字符分割 字符識別 合我國國情。它的學習規(guī)則是使用最速下降法 ,通過反向傳播來不斷調整網(wǎng)絡的權值和閾值 ,使網(wǎng)絡的誤差平方和最小。 熟練掌握 Visual C++中的圖片處理的基本方法。） 工作基礎：了解 C++的基本概念和語法，熟練使用 Visual C++軟件。 了解神經(jīng)網(wǎng)絡的基本原理?；?BP 網(wǎng) 絡的車牌識別系統(tǒng)正是在這種應用背景下研制出來的，它能夠自動、實時地識別車輛牌照，從而監(jiān)控車輛的收費、闖關、欠費以及各種舞弊現(xiàn)象。 近幾年，我國也有很多科研單位和公司進行車牌識別方面的研究，也取得了一些成績。 圖像預處理：該 單元對拍攝的汽車圖片進行灰度化邊緣檢測等處理。依據(jù) BP 神經(jīng)網(wǎng)絡的基本原理實現(xiàn)算法，完成 Visual C++對于圖像的預處理及字符的識別和 基于樣本的神經(jīng)網(wǎng)絡的訓練以及圖像中 車牌信息 的識別 ，