【正文】 用到的方法作一簡單的介紹和比較。從事實出發(fā)運用一系列規(guī)則，推理得到不同結果， m類就有 m個結果。 缺點：當存在干擾及噪聲時，抽取基元困難，且易失誤。 缺點：模型在不斷豐富與完善中，目前能識別的程式類還不夠多。預處理的內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 產品幾乎都存在一定的局限性，都需要適應新的要求而不斷完善，如現有系統幾乎都無法有效解決復雜背景下的多車牌圖像分割定位與有效識別的技術障礙，另外也很難適應 全天候復雜環(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停收費、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。 系統的基本技術要求 下面是系統具體要達到的基本技術要求 ； 90%； （識別時間）不能大于 1S； ； ； ； 系統的軟硬件平臺 (1).系統的軟件平臺 因為系統運行的過程當中，主要進行的都是圖象處理，在這個過程當中要進行大量的數據處理，所以處理器和內存要求比較高， CUP要求主頻在 600HZ及其以上，內存在 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。在樣本數量 不是很多的情況下，用很多特征進行分類器設計，從計算復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到降低特征空間維數的目的，這個過程叫做特征選擇。因為，封面文字的顏色可以是各種色彩，盡管它們都屬于文字圖像。尤為重要的是用來訓練分類器和測試結果的圖像樣本隨特征數量呈指數關系增長。常用的一種技術是二值化圖像，即將感興趣的部分（區(qū)域或邊界）標以最大灰度級，把背景（也包括其他任何不感興趣的部分）標以最小灰度級，通常為零。 (4) 面積 區(qū)域的面積定義為區(qū)域中的像素點數： () 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： () () 應用投影定理，可以把二維圖像的問題轉變?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域，經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的位置信息。引入曲線本身的內稟參量即曲線弧長 l 構造曲線方程，它的參數表達式為 z(l)=(x(l),y(l)) () 式中 0≤ l≤ L， L 是曲線全長。設多邊形頂為 v0,v1, ? , vm1, 邊 vi1vi的長度為△ li(I=1,2,? ,m),如圖 所示。相應的傅立葉變換為： () () 其中 ， vk是多邊形第 k 個頂點的復數坐標。再加上一些標識碼，即可構成鏈碼。 (2) 標上起始點的坐標。 神經網絡 人工神經元 生物神經網絡（ BNN）信息傳遞過程為多輸入單輸出（ MISO）系統，信號為脈沖，當脈沖到達突觸前膜時，前膜釋放化學物質，結果在突觸后產生突觸后電位，其大小與脈沖密度有關（時間總合效應），并且各通道都對電位產生影響（空間總合效應）。 2．幾種常用的作用函數 包括閥值型（硬限制型）、線性型、 S 型函數 (Sigmoid)、輻射基函數等。 圖 全線性作用函數 ②．正性型 () 當輸入大于 0 時，輸出與輸入成正比關系；反之，輸出恒為 0；見圖 。 圖 人工神經網絡基本模型 圖中，輸入經過神經元之間的連接值和作用函數，得到輸出，再與目標值相比較 ，根據其差值信息，反饋回來進行神經元之間連接值的調整。 2． δ 學習規(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。 評價的準則是誤差最小，所以網絡訓練的實質轉化為一個優(yōu)化問題。增加層數可以進一步的降低誤差，提高精度，但同時 也使網絡復雜化。所以隱含層神經元數應 ≥ 2。 另外，威得羅等人在分析 了兩層網絡是如何對一個函數進行訓練后，提出一種選定初始權值的策略：選擇權值的量級為 ，其中 S1 為第一層神經元數，r為輸入個數。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絡進行訓練，最后通過綜合因素的考慮來確定采用其中一個網絡 。 (1)．帶動量因子算法 該方法是在反向傳播法的基礎上在每一個權值的變化上加上一項正比于前次權之變化的值，并根據反向傳播法來產生新的權值變化。 (3)．改變學習速率方法 學習速率的局部調整法基于 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，目標函數對某個權的導數具有相反的符號和很大的值，則對應于那個權學習速率的負調整也很大。 1．特征提取 圖像經過一系列的預處理之后，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，每個學習速率參數都能改變； 附加動量法的實質是將最后一次權值變化的影響，通過一個動量團于來傳遞。可采用變化的學習速率或自適應 的學習速率來加以改進。大的學習速率可能導致系統的不穩(wěn)定；但小的學習速率導致較長的訓練時間，可能收斂很慢，不過能保證網絡的誤差值不跳出誤差表面的低谷而最終趨于誤差最小值。選擇誤差目標為 err_goal＝ ，并通過對網絡訓本科畢業(yè)設計 (論文 ) 第 27 頁 練 時所需的循環(huán)次數和訓練時間的情況來觀察網絡求解效果。因為能用單層網絡完美解決的問題，用自適應線性網絡也一定能解決，而且自適應線性網絡的運算速度還要快。 定義 誤差函數為： () 我們利用剃度下降法求權值的變化及誤差的反向傳播。 BP 神經網絡 BP 網絡是應用中經常碰到的，這一節(jié)將詳細介紹一下 BP 網絡。 本科畢業(yè)設計 (論文 ) 第 23 頁 圖 前向網絡結構 其中， x1,x2,? ,xn 是輸入 ,y1,y2,? ,yn 是 輸 出。 ① 對數正切 y=1/(en+1) () 輸出與輸入成對數正切關系，見 圖 。 (1)．閥值型（硬限制型） 有兩種形式，第一種是： () 當 輸入大于 0 時，輸出為 1；輸入小于 0時，輸出為 0。 1．神經元模型 神經元是人工神經網絡的基本處理單元，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點為出發(fā)點，按逆時針的方向進行，所構成的邊界鏈碼應為 556570700122333。適當地取 {an}的前幾項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，設 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不變的。因此可以將邊界看成是直角坐標下的點集構成的曲線 y=f (x,y)，其中 x 是橫坐標， y 是縱坐標。 區(qū)域的周長二用區(qū)域中相鄰邊緣點間的距離之和來表示，同樣存 在誤差補償的問題。歐拉數定義為一個圖中或一個區(qū)域中的孔數 H 和連接部分數 C的差： E=C－ H。在實際應用中 ，這是不可能實現的，通常取前 幾階矩即可，但是這會帶來誤差。 區(qū)域內部的數字特征 1. 矩 給定二維連續(xù)函數 f(x,y)，下式定義了其 pq 階矩： () 矩在文字識別中作為有效統計特征而被廣泛運用，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)。 實際應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，然后減少成數目合適的滿意集。所選擇的特征之間彼此不相關。利用其結果對表進行刪減，從而選出若干最好的特征。 為了進行識別，需要把圖像從測量空間變換到維數大大減少的特征空間，被本科畢業(yè)設計 (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)域一般會同時出現多輛汽車，背景也比較復雜，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 處 理 模式表達 判 別 字 典 學 習 識別部分 學習部分 教師 字符圖像 本科畢業(yè)設計 (論文 ) 第 6 頁 技術是文字識別技術與車牌圖像自身因素協調兼顧的綜合性技術。對該二值化漢字點陣，抽取一定的表達形式后，與存儲在字典中已知的標準字符表達形式匹配判別，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域內的一個重要分支。 缺點：準確合理的隸屬度往往難以建立，故限制了它的應用。通過對樣本的學習建立起記憶，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，用于結構分析的細化思想，以及一些離散圖形上的拓撲性研究，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，完成了作為基礎理論核心的“特征抽取理論”，及所謂的 KL 展開法工作。而當今許多實際應用場合，如在繁忙交通路口臨時對欠稅 費報廢掛失等車輛的稽查，則監(jiān)視區(qū)域比較復雜，現有識別方法無法直接應用，一般同時出現多輛汽車，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 神經網絡應用于汽車車牌的自動識別，在車牌圖像進行預處理后的基礎上，重點討論了用 BP 神經網絡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 ..............................................................................................