【正文】 并對其性能進行統(tǒng)計和總結，確定最終的識別誤差。 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） — 撰寫論文，準備答辯。 BP neural work。神經網絡中 BP 網絡是其中應用比較廣泛且技術較為成熟的網絡， BP網絡在如今已經被廣泛地應用到各個行業(yè)領域，它優(yōu)越性主要體現在四個方面：函數逼近、模式識別、分類、數據壓縮。早在上世紀 70 年代，英國就在實驗室中完成了 “實時車牌檢測系統(tǒng) ”的廣域檢測和開發(fā)。此外，各高校部門實驗室也相繼投入科研力量，如清華大學人工智能國家重點實驗室、上海交通大學計算機科學和工程系、浙江大學自動化系等，在車牌識別方面均有研究，并都取得了不錯的成績。預處理完之后就要對圖像進行分割處理，再把車牌中的每個字符給提供出來形成單個字符的圖像。 我國的車牌不僅種類多，而且不夠規(guī)范，分為很多種類型，并且車牌上還有漢字。攝像機抓拍到的車輛圖像均為 24 位真彩色圖像，灰度圖像的每一個像素 R， G， B 分量的值是相等的，所以可以根據下述灰度值和 RGE顏色對應關系轉換成灰度圖： 灰度值＝ ++ 如圖 22 和圖 23 分別所示為 24 位真彩色車輛圖像以及它的灰度圖。對車牌圖像進行邊緣檢測，有若干種方法可以使用，其中大多數是基于導數掩模求卷積的方法。數學形態(tài)學的基本運算包括服飾、膨脹、開啟和關閉。 這些方法各有優(yōu)缺點，要實現快速準確地定位車牌，應該綜合利用車牌的各種特征，僅靠單一特征難以達到目的。如圖 27 所示。所以為了便于對圖像的處理，首先需要將圖像進行二值化操作。在獲取到的車牌二值化圖像中要先消除噪聲干擾。該目標函數是垂直投影函數 ()xV 與 ( 1)xV? 二次差分的比率，即： ( 1 ) ( ) ( 1 )()2x x xxV V VV???? 分割目標函數的最高值看作是可能出現的斷裂點。 圖 217 牌照二值化圖 圖 218 t=3 時圖 217 的點陣水平投影圖的分割圖 從圖 218 中可以看出那些過寬的區(qū)域中又分開了一塊，但是有一塊區(qū)域還是過大，但是區(qū)域數已經達到要求。細化算法有很多，按照迭代方分為兩類，一類是非迭代過程，一類是迭代過程。樹突是樹 狀的神經纖維接受網絡，它將電信號傳遞給細胞體，細胞體對這些輸入信號進行整合并進行閾值處理。這里的 nXXX ,2,1 ? 表示的為它的 n 個輸入； nWWW ,2,1 ? 表示與它相連的 n 個突觸的連接強度，其值成為權值；iXiW? 稱為激活值，表示這個人工神經元的輸入總和，對應于生物神經細胞的膜電位； O表示這個人工神經元的輸出； ? 表示這個人工神經元的閾值。 閾值 ? 一般不是一個常數，它是隨著神經元的興奮程度而變化的。 輸入分為興奮型（正值）和抑制型（負值）兩種。在時刻 t 連接權的變化量為 )()](),(),([ tXtidtXtiWcriW ?? ,其中 c 是一個正數，成為學習常數，決定學習的速率。 BP 網絡其神經元的傳遞函數是 S 型函數，輸入量為 0 到 1 之間的連續(xù)量，它可以實現從輸入到輸出的任意非線性映射。 誤差逆?zhèn)鞑バＵ椒? 誤差逆?zhèn)鞑バＵ?法是利用實際輸出與期望輸出之差對網絡的各層連接權由后向前逐層進行校正的一種計算方法。與 jtV? 類似，連接權 ijW的調節(jié)量為： kikjijkij aeWEW ???????? ?? （ 312） 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 17 其中， 10 ??? ),2,1。 （ 4）網絡趨向收斂，即網絡的全局誤差趨向極小值的 “學習收斂 ”過程。 （ 4）按照式（ 316）和式（ 317）計算中間隱含層各個神經元的凈輸入和輸出 1nkkj ij i jis w x ????? 1,2, pj? … ， （ 316） ()kkjjb f s? 1,2, pj? … ， （ 317） （ 5）按照式（ 318）和式（ 319）計算輸出層各個神經元的凈輸入和實際輸出 1pkkt jt k tjl v b ????? t=1,2， … ， q （ 318） ()kkttc f l? t=1,2， … ， q （ 319） （ 6）根據給定的期望輸出，按照式（ 320）計算輸出層各個神經元的校正誤差 ktd ( ) ( )k k k kt t t td y c f l??? t=1,2， … ， q （ 320） (7) 按照式（ 321）計算隱含層各個神經元的校正誤差 kte 1[ ] ( )qk k kt jt t jte v d f s? ?? ? j=1,2， … ， p （ 321） （ 8）按照式（ 322）和式（ 323）修正隱含層至輸出層的連接權值 V 和輸出層神經元的閾值 ? ，其中 ? 為學習速率， 0? 1 kkjt t jv d b??? 1,2, pj ? … ， ， t=1,2， … ， q （ 322） kttd???? t=1,2， … ， q （ 323） （ 9）按照式（ 324）和式（ 325）修正隱含層至輸出層的連接權值 W 和輸出層神經元的閾值 ? ，其中 ? 為學習速率， 0? 1 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 19 kkjt j iw e x??? 1,2, ni ? … ， , j=1,2， … ， p （ 324） kjje???? j=1,2， … ， p （ 325） （ 10）隨機選取下一個學習模式對提供給網絡，返回（ 3），直至全部 m 個學習模式對訓練完畢。 對于輸入矢量的選取是否全面刻畫字符特征直接影響識別的結 果，所以字符特征的選取是一個權衡各方面特征的結果。 把這些特征綜合起來就形成了字符的矢量 特征。常用的菜單也已經集成到了工具欄上，如新建、打開、保存、打印、重新打開圖像、一次執(zhí)行等。因此在獲得車牌圖像后對車牌傾斜矯正的處理方面，是今后需要改進的地方。 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 27 參考文獻 [1]史忠 職 . 神經網絡 [M]. 高等教育出版社， . [2]孫鑫 .VC++深入詳解 [M]. 電子工業(yè)出版社 ， 20xx. [3]王萬森 . 人工智能原理及其應用 [M]. 電子工業(yè)出版社 ， 20xx. [4]董志鵬，侯艷書 . Visual C++編程從基礎到應用 [M]. 清華大學出版社， [5]沈晶 . Visual C++數字圖像處理典型案例詳解 [M]. 機械工業(yè)出版社 ， 20xx. [6]馬銳 . 人工神經網絡原理 [M]. 第一版 . 機械工業(yè)出版社 , 20xx 年 9 月 . [7]張世輝 ， 孔令富 .漢字識別及現狀分析 [J]. 燕山大學學報 ， 20xx,04(3)8085. [8]趙輝 葉子青 . Visual C++系統(tǒng)開發(fā)實例精粹 [M]. 人民郵電出版社 . [9]王旭 王宏 王文輝 . 人工神經元網絡原理與應用 [M]. 第二版 . 東北大學出版社 , 20xx 年 . [10]曾志軍 ， 孫國強 . 基于改進的 BP 網絡數字字符識別 [J].上 海 理工大學學報 ， 20xx, 32(1)5153. [11]沈晶 . Visual C++數字圖像處理典型案例詳解 [M]， 機械工業(yè)出版社 ， 20xx. [12]歐陽俊，劉平 .基于 BP 神經網絡 的車牌字符識別算法研究 [J].光學與光電技術， 20xx， 10（ 5） 6771. [13]張玲，張鳴明，何偉 .基于 BP 神經網絡算法的車牌字符識別系統(tǒng)設計 [J].視頻應用與工程，20xx,32（ S1） 140142. [14]Application of Image Processing to the Characterization of Nanostructures， Manuel F. M. Costa， Reviews on Advanced Materials Science. [15]Bartlett P L. Ada Boost is Consistent [M]. Department of statics and puter science of California.北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 外文資料 License Plate Recognition Based On Prior Knowledge Abstract In this paper, a new algorithm based on improved BP (back propagation) neural work for Chinese vehicle license plate recognition (LPR) is described. The proposed approach provides a solution for the vehicle license plates (VLP) which were degraded severely. What it remarkably differs from the traditional methods is the application of prior knowledge of license plate to the procedure of location, segmentation and recognition. Color collocation is used to locate the license plate in the image. Dimensions of each character are constant, which is used to segment the character of VLPs. The Layout of the Chinese VLP is an important feature, which is used to construct a classifier for recognizing. The experimental results show that the improved algorithm is effective under the condition that the license plates were degraded severely. Index Terms License plate recognition, prior knowledge, vehicle license plates, neural work. I. INTRODUCTION Vehicle LicensePlate (VLP) recognition is a very interesting but difficult problem. It is important in a number of applications such as weightandspeedlimit, red traffic infringement, road surveys and park security [1]. VLP recognition system consists of the plate location, the characters segmentation, and the characters recognition. These tasks bee more sophisticated when dealing with plate images taken in various inclined angles or under various lighting, weather condition and cleanliness of the plate. Because this problem is usually used in realtime systems, it requires not only accuracy but also fast processing. Most existing VLP recognition methods reduce the plexity and increase the recognition rate by using some specific features of local VLPs and establishing some constrains on the position, distance from the camera to vehicles