【正文】 用到的方法作一簡單的介紹和比較。從事實(shí)出發(fā)運(yùn)用一系列規(guī)則，推理得到不同結(jié)果， m類就有 m個結(jié)果。 缺點(diǎn)：當(dāng)存在干擾及噪聲時，抽取基元困難，且易失誤。 缺點(diǎn)：模型在不斷豐富與完善中，目前能識別的程式類還不夠多。預(yù)處理的內(nèi)容和要求取決于識別方法，一般包括行字切分，二值化，規(guī)范化等。然而，無論是 LPR 算法還是 LPR 產(chǎn)品幾乎都存在一定的局限性，都需要適應(yīng)新的要求而不斷完善，如現(xiàn)有系統(tǒng)幾乎都無法有效解決復(fù)雜背景下的多車牌圖像分割定位與有效識別的技術(shù)障礙，另外也很難適應(yīng) 全天候復(fù)雜環(huán)境及高速度的要求。 目 前的車牌識別方法主要是針對車輛自動緩?fù)Ｊ召M(fèi)、停車場 管理等場合，所監(jiān)視的區(qū)域一般只有單一車輛，背景也比較簡單。 系統(tǒng)的基本技術(shù)要求 下面是系統(tǒng)具體要達(dá)到的基本技術(shù)要求 ； 90%； （識別時間）不能大于 1S； ； ； ； 系統(tǒng)的軟硬件平臺 (1).系統(tǒng)的軟件平臺 因?yàn)橄到y(tǒng)運(yùn)行的過程當(dāng)中，主要進(jìn)行的都是圖象處理，在這個過程當(dāng)中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高， CUP要求主頻在 600HZ及其以上，內(nèi)存在 128MB及其 以 上。每一幅圖像都有其本身的特征，其中有些是視覺直接感受到的自然特征，如亮度、邊緣的輪廓、紋理或色彩等；有些是需要通過變換或測量才能得到的人為特征，如譜、直方圖等。在樣本數(shù)量 不是很多的情況下，用很多特征進(jìn)行分類器設(shè)計(jì)，從計(jì)算復(fù)雜程度和分類器性能來看都是不適宜的。 3. 特征提取 從一組特征中挑選出一些最有效的特征以達(dá)到降低特征空間維數(shù)的目的，這個過程叫做特征選擇。因?yàn)椋饷嫖淖值念伾梢允歉鞣N色彩，盡管它們都屬于文字圖像。尤為重要的是用來訓(xùn)練分類器和測試結(jié)果的圖像樣本隨特征數(shù)量呈指數(shù)關(guān)系增長。常用的一種技術(shù)是二值化圖像，即將感興趣的部分（區(qū)域或邊界）標(biāo)以最大灰度級，把背景（也包括其他任何不感興趣的部分）標(biāo)以最小灰度級，通常為零。 (4) 面積 區(qū)域的面積定義為區(qū)域中的像素點(diǎn)數(shù)： () 其中 max 為一位圖像的最大灰度級。通常取若干個特定方向上的投影作為以 {f (x,y)}形狀特征度量，特別地，在 x 軸和 y軸上的投影定義為： () () 應(yīng)用投影定理，可以把二維圖像的問題轉(zhuǎn)變?yōu)橐痪S的曲線波形的問題。例如一個包含 50 個像素的對角線比一個 50 個像素的水平直線要長。在粘連字符的切分和文字識別等領(lǐng)域，經(jīng)常利用宇符輪廓的凹凸特性分析其特征， 基于邊界的形狀特征 １．傅立葉描繪子 對于邊界來說，最重要的是組成邊界的點(diǎn)的位置信息。引入曲線本身的內(nèi)稟參量即曲線弧長 l 構(gòu)造曲線方程，它的參數(shù)表達(dá)式為 z(l)=(x(l),y(l)) () 式中 0≤ l≤ L， L 是曲線全長。設(shè)多邊形頂為 v0,v1, ? , vm1, 邊 vi1vi的長度為△ li(I=1,2,? ,m),如圖 所示。相應(yīng)的傅立葉變換為： () () 其中 ， vk是多邊形第 k 個頂點(diǎn)的復(fù)數(shù)坐標(biāo)。再加上一些標(biāo)識碼，即可構(gòu)成鏈碼。 (2) 標(biāo)上起始點(diǎn)的坐標(biāo)。 神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)元 生物神經(jīng)網(wǎng)絡(luò)（ BNN）信息傳遞過程為多輸入單輸出（ MISO）系統(tǒng)，信號為脈沖，當(dāng)脈沖到達(dá)突觸前膜時，前膜釋放化學(xué)物質(zhì)，結(jié)果在突觸后產(chǎn)生突觸后電位，其大小與脈沖密度有關(guān)（時間總合效應(yīng)），并且各通道都對電位產(chǎn)生影響（空間總合效應(yīng)）。 2．幾種常用的作用函數(shù) 包括閥值型（硬限制型）、線性型、 S 型函數(shù) (Sigmoid)、輻射基函數(shù)等。 圖 全線性作用函數(shù) ②．正性型 () 當(dāng)輸入大于 0 時，輸出與輸入成正比關(guān)系；反之，輸出恒為 0；見圖 。 圖 人工神經(jīng)網(wǎng)絡(luò)基本模型 圖中，輸入經(jīng)過神經(jīng)元之間的連接值和作用函數(shù)，得到輸出，再與目標(biāo)值相比較 ，根據(jù)其差值信息，反饋回來進(jìn)行神經(jīng)元之間連接值的調(diào)整。 2． δ 學(xué)習(xí)規(guī)則 也稱為誤差校正 規(guī)則或者剃度方法，著 名的 BP 方法即為其中一種。 評價的準(zhǔn)則是誤差最小，所以網(wǎng)絡(luò)訓(xùn)練的實(shí)質(zhì)轉(zhuǎn)化為一個優(yōu)化問題。增加層數(shù)可以進(jìn)一步的降低誤差，提高精度，但同時 也使網(wǎng)絡(luò)復(fù)雜化。所以隱含層神經(jīng)元數(shù)應(yīng) ≥ 2。 另外，威得羅等人在分析 了兩層網(wǎng)絡(luò)是如何對一個函數(shù)進(jìn)行訓(xùn)練后，提出一種選定初始權(quán)值的策略：選擇權(quán)值的量級為 ，其中 S1 為第一層神經(jīng)元數(shù)，r為輸入個數(shù)。一般情況下，作為對比，可以同時對兩個不同期望誤差值的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，最后通過綜合因素的考慮來確定采用其中一個網(wǎng)絡(luò) 。 (1)．帶動量因子算法 該方法是在反向傳播法的基礎(chǔ)上在每一個權(quán)值的變化上加上一項(xiàng)正比于前次權(quán)之變化的值，并根據(jù)反向傳播法來產(chǎn)生新的權(quán)值變化。 (3)．改變學(xué)習(xí)速率方法 學(xué)習(xí)速率的局部調(diào)整法基于 如下的幾個直觀的推斷： 另一方面，若在兩次連續(xù)的迭代中，目標(biāo)函數(shù)對某個權(quán)的導(dǎo)數(shù)具有相反的符號和很大的值，則對應(yīng)于那個權(quán)學(xué)習(xí)速率的負(fù)調(diào)整也很大。 1．特征提取 圖像經(jīng)過一系列的預(yù)處理之后，原來大小不同、分布不規(guī)則的各個字符變成了一個。 上述問題可以用 δ barδ 方法來克服。每一步迭代中，每個學(xué)習(xí)速率參數(shù)都能改變； 附加動量法的實(shí)質(zhì)是將最后一次權(quán)值變化的影響，通過一個動量團(tuán)于來傳遞?？刹捎米兓膶W(xué)習(xí)速率或自適應(yīng) 的學(xué)習(xí)速率來加以改進(jìn)。大的學(xué)習(xí)速率可能導(dǎo)致系統(tǒng)的不穩(wěn)定；但小的學(xué)習(xí)速率導(dǎo)致較長的訓(xùn)練時間，可能收斂很慢，不過能保證網(wǎng)絡(luò)的誤差值不跳出誤差表面的低谷而最終趨于誤差最小值。選擇誤差目標(biāo)為 err_goal＝ ，并通過對網(wǎng)絡(luò)訓(xùn)本科畢業(yè)設(shè)計(jì) (論文 ) 第 27 頁 練 時所需的循環(huán)次數(shù)和訓(xùn)練時間的情況來觀察網(wǎng)絡(luò)求解效果。因?yàn)槟苡脝螌泳W(wǎng)絡(luò)完美解決的問題，用自適應(yīng)線性網(wǎng)絡(luò)也一定能解決，而且自適應(yīng)線性網(wǎng)絡(luò)的運(yùn)算速度還要快。 定義 誤差函數(shù)為： () 我們利用剃度下降法求權(quán)值的變化及誤差的反向傳播。 BP 神經(jīng)網(wǎng)絡(luò) BP 網(wǎng)絡(luò)是應(yīng)用中經(jīng)常碰到的，這一節(jié)將詳細(xì)介紹一下 BP 網(wǎng)絡(luò)。 本科畢業(yè)設(shè)計(jì) (論文 ) 第 23 頁 圖 前向網(wǎng)絡(luò)結(jié)構(gòu) 其中， x1,x2,? ,xn 是輸入 ,y1,y2,? ,yn 是 輸 出。 ① 對數(shù)正切 y=1/(en+1) () 輸出與輸入成對數(shù)正切關(guān)系，見 圖 。 (1)．閥值型（硬限制型） 有兩種形式，第一種是： () 當(dāng) 輸入大于 0 時，輸出為 1；輸入小于 0時，輸出為 0。 1．神經(jīng)元模型 神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個多輸入 /多輸出的非線性元件。 從鏈碼可以得出邊界的許多形狀特征： (1) 鏈的長度 () 其中。對圖 23(b)所示的一個圖像區(qū)域，若以 S點(diǎn)為出發(fā)點(diǎn)，按逆時針的方向進(jìn)行，所構(gòu)成的邊界鏈碼應(yīng)為 556570700122333。適當(dāng)?shù)厝?{an}的前幾項(xiàng)就可在信息損失較小的前提下描述邊界 r。在每邊 vi1vi上， φ(l)為常數(shù)，設(shè) φi1, 定義 , 則： () () () 其中 n=1,2,?。定義： φ(l)= ?(l)－ ?(0) () 則 φ(l)的變化規(guī)律可以描述封閉曲線的形狀，很明顯它是平移和旋轉(zhuǎn)不變的。因此可以將邊界看成是直角坐標(biāo)下的點(diǎn)集構(gòu)成的曲線 y=f (x,y)，其中 x 是橫坐標(biāo)， y 是縱坐標(biāo)。 區(qū)域的周長二用區(qū)域中相鄰邊緣點(diǎn)間的距離之和來表示，同樣存 在誤差補(bǔ)償?shù)膯栴}。歐拉數(shù)定義為一個圖中或一個區(qū)域中的孔數(shù) H 和連接部分?jǐn)?shù) C的差： E=C－ H。在實(shí)際應(yīng)用中 ，這是不可能實(shí)現(xiàn)的，通常取前 幾階矩即可，但是這會帶來誤差。 區(qū)域內(nèi)部的數(shù)字特征 1. 矩 給定二維連續(xù)函數(shù) f(x,y)，下式定義了其 pq 階矩： () 矩在文字識別中作為有效統(tǒng)計(jì)特征而被廣泛運(yùn)用，它之所以能被用來表征一幅二維圖像是基于下面的帕普利斯（ Papoulis）惟一性定理：如果 f(x,y)是分段連續(xù)的，只在 xy 平面的有限部分中有非零值，則所有各階矩皆存在，并且矩序列{Mpq}此才惟一地被 f(x,y)所確定，反之 {Mpq}也唯一地確正 f(x,y)。 實(shí)際應(yīng)用中特征提取過程往往包括：先測試一組自覺上合理的特征，然后減少成數(shù)目合適的滿意集。所選擇的特征之間彼此不相關(guān)。利用其結(jié)果對表進(jìn)行刪減，從而選出若干最好的特征。 為了進(jìn)行識別，需要把圖像從測量空間變換到維數(shù)大大減少的特征空間，被本科畢業(yè)設(shè)計(jì) (論文 ) 第 9 頁 識別的圖像在這個特征空中就是由一個特征向量來表示。例如，描 述物體表面灰度變化的紋理特征，描述物體外形的形狀特征等。程序調(diào)試時 ， 需要使用 Microsoft Visual C++ （ SP6） 。比如在移動交警稽查、高速公路的監(jiān)視與監(jiān)控、城市交通要道的監(jiān)視與監(jiān)控，所監(jiān)控的區(qū)域一般會同時出現(xiàn)多輛汽車，背景也比較復(fù)雜，有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。車牌字符識別圖 字符識別的原理框圖 預(yù) 處 理 模式表達(dá) 判 別 字 典 學(xué) 習(xí) 識別部分 學(xué)習(xí)部分 教師 字符圖像 本科畢業(yè)設(shè)計(jì) (論文 ) 第 6 頁 技術(shù)是文字識別技術(shù)與車牌圖像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。對該二值化漢字點(diǎn)陣，抽取一定的表達(dá)形式后，與存儲在字典中已知的標(biāo)準(zhǔn)字符表達(dá)形式匹配判別，就可識別出輸入的未知字符。 字符識別原理 近年來，字符識別逐漸成為模式識別領(lǐng)域內(nèi)的一個重要分支。 缺點(diǎn)：準(zhǔn)確合理的隸屬度往往難以建立，故限制了它的應(yīng)用。通過對樣本的學(xué)習(xí)建立起記憶，然后將未知模式判決為其最接近的記憶。用條件概率分布 P(X| wi)表示， m類就有 m個分布，然后判 定未知模式屬于哪一個分布。到一九七八年 ，能閱讀英文字母、數(shù)字、片假名和平假名等 118 種 OCRT0300 上市。提出了表示邊界的鏈碼法，用于結(jié)構(gòu)分析的細(xì)化思想，以及一些離散圖形上的拓?fù)湫匝芯?，形成了不僅能抽取局部特征， 而且能抽取大范圍的凹凸區(qū)域、連通性、孔等特征的算法，完成了作為基礎(chǔ)理論核心的“特征抽取理論”，及所謂的 KL 展開法工作。而當(dāng)今許多實(shí)際應(yīng)用場合，如在繁忙交通路口臨時對欠稅 費(fèi)報(bào)廢掛失等車輛的稽查，則監(jiān)視區(qū)域比較復(fù)雜，現(xiàn)有識別方法無法直接應(yīng)用，一般同時出現(xiàn)多輛汽車，背景有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。高速度、高效率的生活節(jié)奏，使汽車普及成為必然趨勢，交通管理自動化越來越成為亟待解決的問題。 摘 要 為了對車牌字符的識別，本文將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽車車牌的自動識別，在車牌圖像進(jìn)行預(yù)處理后的基礎(chǔ)上，重點(diǎn)討論了用 BP 神經(jīng)網(wǎng)絡(luò)方法對車牌照字符的識別。 show the validity of this method. Key word： The number plate discerning； The character discerning； LPR； The characteristic is drawn； BP neural work； 目 錄 摘要 ...........................................................................................................................Ⅰ ABSTRACT...................................................................................................................Ⅱ 第一章 概述 ..............................................................................................