【正文】 在這兩種情況下，就難于選擇合適的步長(zhǎng)參數(shù) γ。帶有附 加動(dòng)量因子的權(quán)值調(diào)節(jié)公式為： () () 其中 k為訓(xùn)練次數(shù)， mc 為動(dòng)量因子，一般取 左右。 (4)．學(xué)習(xí)速率 學(xué)習(xí)速率決定每一次循環(huán)訓(xùn)練中所產(chǎn)生的權(quán)值變化量。另外不能用僅具有非線性激活函數(shù)的單層網(wǎng)絡(luò)來解決問題。 本科畢業(yè)設(shè)計(jì) (論文 ) 第 24 頁 () () 上式中， △ Wij為權(quán)值的改變， α 為學(xué)習(xí)系數(shù)， Vi是當(dāng)前神經(jīng)元的興奮度， δ是實(shí)際輸出與期望輸出的偏差。 本科畢業(yè)設(shè)計(jì) (論文 ) 第 21 頁 圖 正線性作用函數(shù) (3)． S型函數(shù)（ Sigmoid） 也有兩種可能的函數(shù)類型。 ANN 等效模擬電壓近似 BNN 脈沖密度，僅有空間累加無時(shí)間累加（可認(rèn)為時(shí)間累加己隱含于等效模擬電壓之中） 。從圖 23(b)可知，偶數(shù)鏈碼段為垂自或水平方向的代碼段，奇數(shù)鏈碼段 為對(duì)角線段。其中△ lm是邊界 vm1 v0之長(zhǎng)。灰度信息完全可 以忽略。 3．歐拉數(shù) 圖像的歐拉數(shù)是圖像的一中拓?fù)湫再|(zhì)度量，它表明了圖的連通性。二值化圖像在形狀和結(jié)構(gòu)分析中占有很重要的地位，本節(jié)討論的算法 如沒有特別說明都是基于二值化圖像的。 (3) 獨(dú)立性好。因此研究如何把高維特征寧間壓縮到低維特征空間以便有效地識(shí)別圖像成為一個(gè)重要的課題，例如手寫體文字識(shí)別的特征選擇的研究已將近半個(gè)世紀(jì)，但依然是一個(gè)研究的難點(diǎn)和熱點(diǎn)。 (2).系統(tǒng)的軟件平臺(tái) 系統(tǒng)可以運(yùn)行于 Windows 98, Windows2021, Windows XP 或者 Windows 2021操作系統(tǒng)下。 車牌字符識(shí)別實(shí)際上是依附在車牌上的印刷體文字的識(shí)別，能否正確識(shí)別不僅是文字識(shí)別技術(shù)的問題，還是考慮其載體 —— 車牌區(qū)域的影響。 本系統(tǒng)中主要用到的是基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法。 是一個(gè)非線性動(dòng)態(tài)系統(tǒng)。七五年日本擁有 650 臺(tái)光學(xué)字符識(shí)別機(jī)，進(jìn)入了實(shí)用階段。傳統(tǒng)車牌識(shí)別一般僅支持單一車輛，背景比較簡(jiǎn)單。 摘 要 為了對(duì)車牌字符的識(shí)別，本文將 BP 神經(jīng)網(wǎng)絡(luò)應(yīng)用于汽車車牌的自動(dòng)識(shí)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(duì)車牌照字符的識(shí)別。而當(dāng)今許多實(shí)際應(yīng)用場(chǎng)合，如在繁忙交通路口臨時(shí)對(duì)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(shí)別方法無法直接應(yīng)用，一般同時(shí)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。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。通過對(duì)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。 字符識(shí)別原理 近年來，字符識(shí)別逐漸成為模式識(shí)別領(lǐng)域內(nèi)的一個(gè)重要分支。車牌字符識(shí)別圖 字符識(shí)別的原理框圖 預(yù) 處 理 模式表達(dá) 判 別 字 典 學(xué) 習(xí) 識(shí)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(shí)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)。程序調(diào)試時(shí) ， 需要使用 Microsoft Visual C++ （ SP6） 。 為了進(jìn)行識(shí)別，需要把圖像從測(cè)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(shí)別的圖像在這個(gè)特征空中就是由一個(gè)特征向量來表示。所選擇的特征之間彼此不相關(guān)。 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(shí)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)。歐拉數(shù)定義為一個(gè)圖中或一個(gè)區(qū)域中的孔數(shù) H 和連接部分?jǐn)?shù) C的差： E=C－ H。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)。在每邊 vi1vi上， φ(l)為常數(shù)，設(shè) φi1, 定義 , 則： () () () 其中 n=1,2,?。對(duì)圖 23(b)所示的一個(gè)圖像區(qū)域，若以 S點(diǎn)為出發(fā)點(diǎn)，按逆時(shí)針的方向進(jìn)行，所構(gòu)成的邊界鏈碼應(yīng)為 556570700122333。 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(gè)多輸入 /多輸出的非線性元件。 ① 對(duì)數(shù)正切 y=1/(en+1) () 輸出與輸入成對(duì)數(shù)正切關(guān)系，見 圖 。 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)。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。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(zhǎng)的訓(xùn)練時(shí)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。 附加動(dòng)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(gè)動(dòng)量團(tuán)于來傳遞。 上述問題可以用 δ barδ 方法來克服。另一方面，若在兩次連續(xù)的迭代中，目標(biāo)函數(shù)對(duì)某個(gè)權(quán)的導(dǎo)數(shù)具有相反的符號(hào)和很大的值，則對(duì)應(yīng)于那個(gè)權(quán)學(xué)習(xí)速率的負(fù)調(diào)整也很大。 (1)．帶動(dòng)量因子算法 該方法是在反向傳播法的基礎(chǔ)上在每一個(gè)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。 另外，威得羅等人在分析 了兩層網(wǎng)絡(luò)是如何對(duì)一個(gè)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(jí)為 ，其中 S1 為第一層神經(jīng)元數(shù)，r為輸入個(gè)數(shù)。增加層數(shù)可以進(jìn)一步的降低誤差，提高精度，但同時(shí) 也使網(wǎng)絡(luò)復(fù)雜化。 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。 圖 全線性作用函數(shù) ②．正性型 () 當(dāng)輸入大于 0 時(shí)，輸出與輸入成正比關(guān)系；反之，輸出恒為 0；見圖 。 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(hào)為脈沖，當(dāng)脈沖到達(dá)突觸前膜時(shí)，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(shí)間總合效應(yīng)），并且各通道都對(duì)電位產(chǎn)生影響（空間總合效應(yīng)）。再加上一些標(biāo)識(shí)碼，即可構(gòu)成鏈碼。設(shè)多邊形頂為 v0,v1, ? , vm1, 邊 vi1vi的長(zhǎng)度為△ li(I=1,2,? ,m),如圖 所示。在粘連字符的切分和文字識(shí)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(duì)于邊界來說，最重要的是組成邊界的點(diǎn)的位置信息。通常取若干個(gè)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。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(jí)，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(jí)，通常為零。因?yàn)?，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。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。 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(shí)別時(shí)間）不能大于 1S； ； ； ； 系統(tǒng)的軟硬件平臺(tái) (1).系統(tǒng)的軟件平臺(tái) 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(gè)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。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(shí)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。 缺點(diǎn)：模型在不斷豐富與完善中，目前能識(shí)別的程式類還不夠多。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(gè)結(jié)果。日本雖說起步不是最早，但因投入了大量的人力和物力，目前處于世界領(lǐng)先地位。 關(guān)于車牌識(shí)別技術(shù)及定位系統(tǒng)研究，國(guó)內(nèi)外學(xué)者已經(jīng)作了大量工作，但實(shí)際效果并不理想，對(duì)輔助光源要求高，很難有效解決復(fù)雜背景下多車牌識(shí)別的技術(shù)難題，如：車牌圖像的傾斜、車牌表面污穢或磨損、光線干擾等都會(huì)影響定位的準(zhǔn)確性。 首先將訓(xùn)練樣本做圖像預(yù)處理，對(duì)車牌上的字符進(jìn)行分割，得到單個(gè)字符。 車牌定位與識(shí)別方法，總體來說是圖像處理技術(shù)與車牌本身特點(diǎn)的有機(jī)結(jié)本科畢業(yè)設(shè)計(jì) (論文 ) 第 2 頁 合，當(dāng)然也包括小波分析、神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)學(xué)、模糊理論等數(shù)學(xué)知識(shí)的有效運(yùn)用。之后，其研究方向轉(zhuǎn)向了漢字識(shí)別。 主要方法 幾何分類：線性分類、非線性分類 統(tǒng)計(jì)分類： Bayes決自動(dòng)機(jī)技術(shù) CYK 剖析算法 隸屬度函數(shù)的設(shè)計(jì)：模糊設(shè)計(jì)法二元對(duì)比排產(chǎn)生式推理 語義網(wǎng)推理 BP模型 HOP模型 表 幾種識(shí)別方法的比 較 本科畢業(yè)設(shè)計(jì) (論文 ) 第 4 頁 策 無教師的分類：聚類分析 Early算法 轉(zhuǎn)移圖法 序法 推理法 模糊集運(yùn)算規(guī)則 模糊矩陣 框架推理 高階網(wǎng) 主要優(yōu)缺點(diǎn) 優(yōu)點(diǎn)：比較成熟，能考慮干擾、噪聲等影響，識(shí)別模式基元能力強(qiáng)。和其他模式識(shí)別的應(yīng)用一樣，字符識(shí)別的基本思想也是匹配判別。由于攝像機(jī)的性能、車牌的整潔度、光照條件、拍攝時(shí)的傾斜角度及車輛運(yùn)動(dòng)等因素的影響使牌照中的字符可能出現(xiàn)比較嚴(yán)重的模糊、歪斜、缺損或污跡干擾，這些都給字符識(shí)別帶來了難度。 本科畢業(yè)設(shè)計(jì) (論文 ) 第 8 頁 第二章 字符識(shí)別系統(tǒng)中的關(guān)鍵技術(shù) 特征提取 圖像處理的高級(jí)階段是數(shù)字圖像分析（也對(duì)以稱為圖像理解），主要使用計(jì)算機(jī)系統(tǒng)，從圖像中提取有用的數(shù)據(jù)或信息，生成非圖像的描述或表示，如數(shù)值、符號(hào)等，即抽取圖像特征，從而識(shí)別視覺圖像。為了方便起見，對(duì)幾個(gè)經(jīng)常用道的有關(guān)名詞作一些說明。例如細(xì)胞的曲徑和細(xì)胞的面積高度相關(guān)，因?yàn)槊娣e大致與直徑的平方成正比。 對(duì)一幅二值圖像 { f(x,y):i,j=0,1,2? N1}來說，上述條件無疑可被滿足。 對(duì)數(shù)字降像而言，如果圖像的背景用 0標(biāo)記，目標(biāo)物體用 1記，則歐拉數(shù)可用下式計(jì)算： () n(1)表明圖像中像素點(diǎn)均數(shù)目， 表示二位圖像中具有垂直相鄰兩個(gè) 1標(biāo)記的狀態(tài)記數(shù)， n(1 1) 表示具有水平相鄰 1 標(biāo)記的狀態(tài)記數(shù)， 表示 4 個(gè)本科畢業(yè)設(shè)計(jì) (論文 ) 第 13 頁 1 標(biāo)記相鄰的狀態(tài)記數(shù)?？衫酶盗⑷~變換描述 y=f (x,y)，這一方法稱為傅立葉描繪本科畢業(yè)設(shè)計(jì) (論文 ) 第 14 頁 子。這樣，區(qū)域邊界 r就可用序列 {a0,a1,b1,a2,b2,? }進(jìn)行描述可刻畫。本科畢業(yè)設(shè)計(jì) (論文 ) 第 17 頁 當(dāng)然，也可以按順時(shí)針方向進(jìn)行，所構(gòu)成的邊界鏈碼完全不同逆時(shí)針方向行進(jìn)的情況。神經(jīng)元輸出除受輸入信號(hào)的影響之外，同時(shí)也受到神經(jīng)元內(nèi)部其他因素的影響，所以在人工神經(jīng)元的建模中，常常還加有一個(gè)額外輸入信號(hào)，稱為偏差（ Bats）， 有時(shí)也稱為閥值或門限值。 圖 S 型函數(shù)（對(duì)數(shù)正 切） ② 雙曲正切 y=tanh(n) () 輸入與輸出成雙曲正切關(guān)系，見圖 。 1． BP網(wǎng)絡(luò)模型 BP 神經(jīng)網(wǎng)絡(luò)模型見圖 圖 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 可以看出， BP 網(wǎng)絡(luò)一般情況下有一個(gè)輸入層，一個(gè)隱藏層（有時(shí)是兩個(gè)或更多），一個(gè)輸出層。而對(duì)于只能用非線性函數(shù)解決的問題，單層精度又不夠高，也只有增加層才能達(dá)到期望的結(jié)果。所以一般情況下傾向于選取較小的學(xué)習(xí)速率以保證系統(tǒng)的穩(wěn)定性。以此方式，當(dāng)增加動(dòng)量項(xiàng)后，促使權(quán)值的調(diào)節(jié)向著誤差曲面底部的平均方向變化，當(dāng)網(wǎng)絡(luò)