【正文】 個(gè)人數(shù)據(jù)、無意間獲得的數(shù)據(jù)等 —— 在這些數(shù)據(jù)中，有些數(shù)據(jù)需要我們?nèi)斯ぬ幚?，而有些則可以利用計(jì)算機(jī)快速準(zhǔn)確的完成 —— 字符識(shí)別就是其中的一個(gè)范疇。 “ 圖像技術(shù) ” 這一上世紀(jì)后期誕生的高科技之花，其前途是不可限 量的。例如模板匹配模型。為了解決模板匹配模型存在的問題，格式塔心理學(xué)家又提出了一個(gè)原型匹配模型。這一模型的特點(diǎn)在于它的層次的劃分。牌照在圖像中占有的高度從 20個(gè)像素到 50個(gè)像素不等。 區(qū)域搜索與分割 字符分割 歸一化 字符特征提取 單字識(shí)別 圖像輸入 預(yù)處理 2 總體設(shè)計(jì)方案 車輛牌照識(shí)別整個(gè)系統(tǒng)主要是由車牌定位和字符識(shí)別兩部分組成，其中車牌定位又可以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位及 分割模塊；字符識(shí)別可以分為字符分割與特征提取和單個(gè)字符識(shí)別兩個(gè)模塊。 因?yàn)橄到y(tǒng)運(yùn)行的過程中，主要進(jìn)行的都是圖像 處理，在這個(gè)過程中要進(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， CPU要求主頻在 600HZ及以上，內(nèi)存在 128MB及以上。對(duì)于將彩色圖 像 轉(zhuǎn)換成灰度圖 像 時(shí)，圖 像 灰度值可由下面的公式計(jì)算： RGBG ??? (31) 3 RGBG ??? (32) 圖 32 原圖和它的灰度圖以及灰度直方圖 邊緣提取 邊緣是指圖像局部亮度變化顯著的部分，是圖像風(fēng)、紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。根據(jù)圖象處理系統(tǒng)的條件，最好將灰度范圍展開到 s=(0,255)之間，為此我們對(duì)灰度值作如下的變換： s = T(r) r=[r min,， r max] (33) 使得 S∈ [Smin, Smax],其中， T為線性變換， 灰度線性變換 m i nr m a xr m i nr S m a xm a xr S m i nrm i nr m a xr S m i nS m a x ????S (34) 圖 33 線性圖 （ 3） 若 r(50,200)s(0， 255) 則： 150 50255r150255 ????S (35) （ 4） 圖 34 灰度增強(qiáng)后的圖像 （ 2）平滑處理 對(duì) 于受噪聲干擾嚴(yán)重的圖 像 ，由于噪聲點(diǎn)多在頻域中映射為高頻分量，因此可以在通過低 通濾波器來濾除噪聲，但實(shí)際中為了簡(jiǎn)化算法，也可以直接在空域中用求鄰域平均值的方法來削弱噪聲的影響，這種方法稱為圖象平滑處理。圖 7 中包含的噪聲太多，圖 9未經(jīng)濾波直接提取出的邊緣圖像最清晰，所包含的有用信息最多。利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。此時(shí)可進(jìn)一步確定牌照在整幅圖 像 中的準(zhǔn)確位置。 均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素。 圖 314 歸一化處理后的七個(gè)字符圖像 4 字符的識(shí)別 目前，字符識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。 （ 1）神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) (ANNs)也稱為神經(jīng)網(wǎng)絡(luò)或連接模型，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。 （ 2） BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) (Back Propagation Neural Net． work，簡(jiǎn)稱 BP神經(jīng)網(wǎng)絡(luò) )即反向傳輸神經(jīng)網(wǎng)絡(luò) 。輸 入 層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳給中間各隱層神經(jīng)元；隱層是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層，負(fù)責(zé)信息變換。logsig39。 =3000。 圖 315 訓(xùn)練過程中誤差曲線變化 圖 316 訓(xùn)練結(jié)束時(shí)誤差曲線 可見，當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，其樣本得出的輸出結(jié)果和期望輸出結(jié)果完全 相同，即誤差為零。trains39。 當(dāng)然，也經(jīng)常有識(shí)別錯(cuò)誤的情況發(fā)生。最常用的是投影分割，主要是針對(duì)在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。 當(dāng)然， 理論只有應(yīng)用到實(shí)際中才能學(xué)著更有意義。”現(xiàn)實(shí)中那些頂尖的成功人士不是成功了才設(shè)定目標(biāo)，而是設(shè)定了目標(biāo)才成功。蓋茨所 説 ： “通向最高管理層的最迅捷的途徑，是主動(dòng)承擔(dān)別人都不愿意接手的工作，并在其中展示你出眾的創(chuàng)造力和解決問題的能力。 運(yùn) 假公濟(jì)私 ,那么你要嘗試學(xué)習(xí)如何與不同的人相處 ,提高自己化 能人士的 50 個(gè)習(xí)慣 在行動(dòng)前設(shè)定目標(biāo) 有目標(biāo)未必能夠成功，但沒有目標(biāo)的肯定不能成功。 發(fā)現(xiàn)問題關(guān)鍵 在許多領(lǐng)導(dǎo)者看來，高效能人士應(yīng)當(dāng)具備的最重要的能力就是發(fā)現(xiàn)問題關(guān)鍵能力，因?yàn)檫@是通向問題解決 的必經(jīng)之路。杜哈提說，不論他出多小兩種能力是：第一，能思想；第二，能按事情的重要程度來做事。如果一個(gè)人沒有重點(diǎn)地思考，就等于無主要目標(biāo)，做事的效率必然會(huì)十分低下。一名高效 能人士不會(huì)到處為自己找借口，開脫責(zé)任；相反，無倫出現(xiàn)什么情況，他都會(huì)自覺主動(dòng)地將自己的任務(wù)執(zhí)行到底。杜哈提說，不論他出多小兩種能力是：第一，能思想；第二，能按事情的重要程度來做事。 發(fā)現(xiàn)問題關(guān)鍵 在許多領(lǐng)導(dǎo)者看來，高效能人士應(yīng)當(dāng)具備的 最重要的能力就是發(fā)現(xiàn)問題關(guān)鍵能力，因?yàn)檫@是通向問題解決的必經(jīng)之路。 運(yùn) 假公濟(jì)私 ,那么你要嘗試學(xué)習(xí)如何與不同的人相處 ,提高自己化 能人士的 50 個(gè)習(xí)慣 在行動(dòng)前設(shè)定目標(biāo) 有目標(biāo)未必能夠成功，但沒有目標(biāo)的肯定不能成功。蓋茨所 説 ： “通向最高管理層的最迅捷的途徑，是主動(dòng)承擔(dān)別人都不愿意接手的工作，并在其中展示你出眾的創(chuàng)造力和解決問題的能力?！爆F(xiàn)實(shí)中那些頂尖的成功人士不是成功了才設(shè)定目標(biāo)，而是設(shè)定了 目標(biāo)才成功。只要把問題想透徹了，才能找到問題到底是什么，才能找到解決問題最有效的手段。”富蘭克林將自己一生的成就歸功于對(duì)“在一定時(shí)期內(nèi)不遺余力地做一件事”這一信條的實(shí)踐。此外， 我們 還 總結(jié)出 ：知識(shí)必須通過應(yīng)用才能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會(huì)了，但真正到用的時(shí)候才發(fā)現(xiàn)是 兩回事，所以我 們 認(rèn)為只有到真正會(huì)用的時(shí)候才是真的學(xué)會(huì)了。 字符識(shí)別的基本方法通常又三類： ； 匹配法； 。 總之，盡管目前牌照字符的識(shí)別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試 提取分類識(shí)別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。initlay39。 圖 3 17 測(cè)試樣例 識(shí)別結(jié)果 如下： FileName:D:\test a = 3 答案正確。 =10。purelin39。 同層節(jié)點(diǎn)中沒有任何耦合，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。 BP神經(jīng)網(wǎng)絡(luò)主要是通過一種模擬的方式對(duì)對(duì)象進(jìn)行識(shí)別，它可以像人認(rèn)識(shí)事物過程一樣，逐漸地認(rèn)清事物從而去模擬實(shí)現(xiàn)它。②所有定量或定性的信息都等勢(shì)分布于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強(qiáng)的魯棒性和容錯(cuò)性；采用并行分布的處理方法，使得快速地進(jìn)行大量運(yùn)算成為可能。由于這種匹配算法穩(wěn)定性較差、時(shí)間花費(fèi)也較大，因此，在此基礎(chǔ)上提出了基于關(guān)鍵點(diǎn)的匹配算法。 圖 311 裁剪出來的車牌的進(jìn)一步處理過程 3 字符的分割與歸一化 圖 312 字符分割與歸一化流程圖 （ 1）字符分割 在汽車牌照自動(dòng)識(shí)別過程中，字符分割有承前啟后的作用。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。 2)間接法。本次汽車車牌的識(shí)別