【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(jìn)的科學(xué)技術(shù)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(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)用到車牌字符識別中。 六、進(jìn)度安排 — 查找資料，通過書籍和視頻學(xué)習(xí) C++的基本概念和語法 ， 練習(xí)使用 VC++ 軟件。 車牌定位：對預(yù)處理過的汽車牌照圖片進(jìn)行處理，把車牌部分進(jìn)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(luò)的訓(xùn)練以及圖像中 車牌信息 的識別，并對其性能進(jìn)行統(tǒng)計和總結(jié)。 應(yīng)用環(huán)境：基于 BP 神經(jīng)網(wǎng)絡(luò)的圖像文件中的 車牌號碼 識別。 工作目的：熟練掌握 Visual C++應(yīng)用程序的開發(fā)。 指導(dǎo)教師（簽字） 年 月 日 審題小組組長（簽字） 年 月 日 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 天津大學(xué)仁愛學(xué)院本科生畢業(yè)設(shè)計（論文）開題報告 課題名稱 基于 BP 網(wǎng)絡(luò)的車牌識別系統(tǒng)的設(shè)計 系 名 信息工程系 專 業(yè) 自動化 學(xué)生姓名 魏章波 指導(dǎo)教師 扈書亮 一、 課題來源及意義 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，對于研究基于 BP 網(wǎng)絡(luò)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(luò)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(guān)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(shù)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(jìn)行定位識別，其中提到了三種方法： ① 以 Hough 變換為基礎(chǔ)的邊緣檢測定位識別； ② 以灰度值變換為基礎(chǔ)的識別算法； ③ 以 HLS 彩色模式為基礎(chǔ)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(zhǔn)確定位的基礎(chǔ)上，對車牌使得漢字、字母、數(shù)字進(jìn)行有北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 3 BP 神經(jīng)網(wǎng)絡(luò) 歸一化 圖像輸入 灰度轉(zhuǎn)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(jié)果 效確認(rèn)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(luò)進(jìn)行學(xué)習(xí)得到一個具有識別功能的 BP 網(wǎng)絡(luò)。 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(lán)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(jìn)行，通過微分模板與圖像卷積完成。所以我們要對照片進(jìn)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(dāng)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(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來，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，不會破壞原來的連通性。形象的說，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)，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。設(shè) XTW?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 jiW 為第 i 個神經(jīng)元的第 j 個輸入連接權(quán)，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(luò)，一般來講， 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(nèi)的各神經(jīng)元之間無連接。 BP 網(wǎng)絡(luò)的實現(xiàn)分為兩個階段：學(xué)習(xí)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(luò)的學(xué)習(xí)規(guī)則實現(xiàn)的是學(xué)習(xí)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(luò)學(xué)習(xí)次數(shù)，若學(xué)習(xí)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(jié)束字符點的距離。提取單一的特征送入神經(jīng)網(wǎng)絡(luò)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(xué) 20xx 屆本科生畢業(yè)設(shè)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(luò)進(jìn)行識別。 圖 45 車牌識別結(jié)果 更換一張車輛圖片，按照上述步驟執(zhí)行，依次得到的結(jié)果如 圖 46～圖 48所示。 查閱大量資料，了解了 BP 神經(jīng)網(wǎng)絡(luò)的算 法，體會到了神經(jīng)網(wǎng)絡(luò)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(xué)術(shù)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(luò)不能很正確地分辨，所以還要進(jìn)行后續(xù)的拓?fù)浞治觯源_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(xué)習(xí)步驟中（ 3） （ 5）為輸入學(xué)習(xí)模式 的 “ 順傳播過程 ” ， （ 6） （ 9）為網(wǎng)絡(luò)誤差 的 “ 逆?zhèn)鞑ミ^程 ” ， （ 10）完 成 “ 學(xué)習(xí)訓(xùn)練 ” （ 11）～（ 12）為收斂過程。 （ 2）隨機(jī)選取一個學(xué)習(xí)模式對量對（ ,kkXY）提供給網(wǎng)絡(luò)。 BP 網(wǎng)絡(luò)學(xué)習(xí)算法 BP 神經(jīng)網(wǎng)絡(luò)采用 BP 算法進(jìn)行學(xué)習(xí)，其學(xué)習(xí)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(dǎo)數(shù)為 )](1)[()(39。當(dāng)實際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。 BP 網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。對于不同的學(xué)習(xí)規(guī)則，神經(jīng)元的激活函數(shù)是不同的。特的輸入輸出關(guān)系由下圖表示，式（ 32）是它的表達(dá)式。這里為了表達(dá)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(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 13 經(jīng)元的模型與抽象。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 12 圖 221 細(xì)化處理后的牌照 第三章 BP 神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network, ANN）也稱為神經(jīng)網(wǎng)絡(luò)（ Neural Networks， NN），即從生物學(xué)神經(jīng)系統(tǒng)的信號傳遞而抽象發(fā)展成的一門學(xué)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(luò)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(biāo)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(guān)系到最后的字符識別質(zhì)量的好壞。因此，再進(jìn)行汽車牌照的定位及字符識別之前需要先對車輛圖像進(jìn)行邊緣檢測處理提高圖像的質(zhì)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(zhuǎn)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(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 5 連續(xù)變化的黑白照片。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 4 圖 BP 網(wǎng) 絡(luò)車牌字符識別流程圖 第二章 字符識別方法 圖像預(yù)處理 圖像預(yù)處理就是對將要利用的圖片進(jìn)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(jìn)一步研究也同樣具有緊迫性和必要性。由于國內(nèi)車牌和國外車牌差異性的存在，尤其是國內(nèi)車牌漢字的存在，以及其他一系列的問題，所以國外關(guān)于識別率的報道只具有參考價值，其在中國的應(yīng)用效果可能沒有在國外的應(yīng)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(kuò)充就可以衍生出一些其他功能，能使收費的管理更嚴(yán) 密、更科學(xué)。車牌識別系統(tǒng)可以廣泛應(yīng)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(rèn)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(luò)通過對組件的車牌字符庫的學(xué)習(xí)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(luò)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(luò)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(yīng)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(yīng)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(xué) 20xx 屆本科生畢業(yè)設(shè)計（論文） 圖像輸入 灰度轉(zhuǎn)化 邊緣檢測 二值化 幾何調(diào)整 牌照剪切 圖像去噪 字符分割 歸一化處理 輸出結(jié)果 字符識別 神經(jīng)網(wǎng)絡(luò)設(shè)置 圖像預(yù)處理 車牌定位 字符分割 字符識別 合我國國情。它的學(xué)習(xí)規(guī)則是使用最速下降法 ,通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值 ,使網(wǎng)絡(luò)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(chǔ)：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(luò)的基本原理?；?BP 網(wǎng) 絡(luò)的車牌識別系統(tǒng)正是在這種應(yīng)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(guān)、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(jìn)行車牌識別方面的研究，也取得了一些成績。 圖像預(yù)處理：該 單元對拍攝的汽車圖片進(jìn)行灰度化邊緣檢測等處理。依據(jù) BP 神經(jīng)網(wǎng)絡(luò)的基本原理實現(xiàn)算法，完成 Visual C++對于圖像的預(yù)處理及字符的識別和 基于樣本的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練以及圖像中 車牌信息 的識別 ，