【正文】 ” 把問題想透徹 把問題想透徹，是一種很好的思維品質。 不找借口 美國成功學家格蘭特納說過這樣的話： “如果你有為自己系鞋帶的能力，你就有上天摘星星的機會！”一個人對待生活和工作是否負責是決定他能否成功的關鍵。 要事 第一 創(chuàng)設遍及全美的事務公司的亨瑞。雖然這個 實驗 做的 并非對車牌都合適 ，但是在設計過程中所學到的 學 習方法 是 我 最大收獲和財富， 相信定會 使我受益終身。 根據(jù)車牌特點 ，一般采用的車牌定位算法有： 法； ； 。 1] inputConnect: [1。, 39。訓練以后，節(jié)點權值保存在配置文件中?；谌斯ど窠浘W(wǎng)絡的算法主要有 兩 種：一種是先對待識別字符進行特征提取，然后用所獲得的特征來訓練神經網(wǎng)絡分類器；另一種方法是直接把待處理圖像輸入網(wǎng)絡，由網(wǎng)絡自動實現(xiàn)特征提取直至識別出結果。根據(jù)車牌底色等有關的先驗知識，采用彩色像素點統(tǒng)計的方法分割出合理的車牌區(qū)域，確定車牌底色藍色 RGB對應的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內的像素點數(shù)量，設定合理的閾值，確定車牌在行方向的合理區(qū)域。 1)直接法。如果造成這種影響的原因主要是由于被攝物體的遠近不同，使得圖 像 中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產生圖 像 灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。因此，需要對字符在識別之前再進行一次針對性的處理。 （四）本文的研究內容 本文將以車牌作為研究對象，從數(shù)字、字母、漢字開始逐步提高識別的范圍，針對圖片中的字符提出一套切實可行的識別算法，并且在試驗中不斷改進。但這種模型強調圖像必須與腦中的模板完全符合才能加以識別，而事實上人不僅能識別與腦中的模板完全一致的圖像，也能識別與模板不完全一致的圖像。 從所列舉的圖像技術的多方 面應用及其理論基礎可以看出，它們無一不涉及高科技的前沿課題，充分說明了圖像技術是前沿性與基礎性的有機統(tǒng)一。 同時， 計算機已經作 為一種人們普遍使用的工具為人們的生產生活服務。近年來計算機的飛速發(fā)展和數(shù)字圖像處理技術的日趨成熟，為傳統(tǒng)的交通管理帶來了巨大轉變。從圖像中抽象出來的“相似性”就可作為原型，拿它來檢驗所要識別的圖像。X1是各省，直轄市的簡稱 ： 如“蘇” 、“桂”，或者特種車輛類型如“警” 。 三 具體技術路線 （ 1）圖像預處理及邊緣提取 在車牌自動識別系統(tǒng)中，車輛圖像是通過圖像采集卡將運動的車輛圖像抓拍下來，并以位圖的格式存放到系統(tǒng)內存中，這時的車輛數(shù)字圖像雖然沒有被人為損傷過，但在實際道路上行駛的車輛常會因為各種各樣的原因使得所拍攝的車輛圖像效果不理 想，如外界光線對車牌的不均勻反射、極強陽光形成的車牌處陰影、攝像機快門值設置過大而引起的車輛圖像拖影、攝像頭聚焦或后背焦沒有調整到位而形成的車輛圖像不清晰、由于視頻傳輸線而引起的圖像質量下降、所拍攝圖像中存在的噪聲干擾、所安裝的車牌不規(guī)范或車輛行駛變形等，這些都給車牌的模糊識別增加了難度。然而，鄰域平均值的平滑處理會使得圖 像 灰度急劇變化的地方，尤其是物體邊緣區(qū)域和字符輪廓等部分產生模糊作用。 2)間接法。 圖 311 裁剪出來的車牌的進一步處理過程 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 在汽車牌照自動識別過程中，字符分割有承前啟后的作用。②所有定量或定性的信息都等勢分布于網(wǎng)絡內的各神經元，故有很強的魯棒性和容錯性；采用并行分布的處理方法，使得快速地進行大量運算成為可能。 同層節(jié)點中沒有任何耦合，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。 =10。initlay39。 字符識別的基本方法通常又三類： ； 匹配法； ?！备惶m克林將自己一生的成就歸功于對“在一定時期內不遺余力地做一件事”這一信條的實踐?！爆F(xiàn)實中那些頂尖的成功人士不是成功了才設定目標，而是設定了 目標才成功。 運 假公濟私 ,那么你要嘗試學習如何與不同的人相處 ,提高自己化 能人士的 50 個習慣 在行動前設定目標 有目標未必能夠成功，但沒有目標的肯定不能成功。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。如果一個人沒有重點地思考，就等于無主要目標，做事的效率必然會十分低下。 發(fā)現(xiàn)問題關鍵 在許多領導者看來，高效能人士應當具備的最重要的能力就是發(fā)現(xiàn)問題關鍵能力，因為這是通向問題解決 的必經之路。蓋茨所 説 ： “通向最高管理層的最迅捷的途徑，是主動承擔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。 當然， 理論只有應用到實際中才能學著更有意義。 當然，也經常有識別錯誤的情況發(fā)生。 圖 315 訓練過程中誤差曲線變化 圖 316 訓練結束時誤差曲線 可見，當神經網(wǎng)絡訓練完成后，其樣本得出的輸出結果和期望輸出結果完全 相同，即誤差為零。logsig39。 （ 2） BP神經網(wǎng)絡 BP神經網(wǎng)絡 (Back Propagation Neural Net． work，簡稱 BP神經網(wǎng)絡 )即反向傳輸神經網(wǎng)絡 。 圖 314 歸一化處理后的七個字符圖像 4 字符的識別 目前，字符識別方法主要有基于模板匹配算法和基于人工神經網(wǎng)絡算法。此時可進一步確定牌照在整幅圖 像 中的準確位置。圖 7 中包含的噪聲太多，圖 9未經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。對于將彩色圖 像 轉換成灰度圖 像 時，圖 像 灰度值可由下面的公式計算： 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、紋理特征提取和形狀特征提取等圖像分析的重要基礎。 區(qū)域搜索與分割 字符分割 歸一化 字符特征提取 單字識別 圖像輸入 預處理 2 總體設計方案 車輛牌照識別整個系統(tǒng)主要是由車牌定位和字符識別兩部分組成，其中車牌定位又可以分為圖像預處理及邊緣提取模塊和牌照的定位及 分割模塊；字符識別可以分為字符分割與特征提取和單個字符識別兩個模塊。這一模型的特點在于它的層次的劃分。例如模板匹配模型。在信息社會中，我們每天都接觸大量的數(shù)據(jù) —— 工作數(shù)據(jù)、個人數(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)需要我們人工處理，而有些則可以利用計算機快速準確的完成 —— 字符識別就是其中的一個范疇。 【關鍵詞】 BP 神經網(wǎng)絡；圖像識別； 字符識別； 特征提??；車牌；Matlab 一 課題研究背景 （一） 圖像 識別的提出及應用 隨著信息化時代的不斷發(fā)展，人們越來越多地使用信息化的手段來解決各種問題 —— 辦公自動化、先進制造業(yè)、電子商務 等利用計算機技術而產生的新興行業(yè)正不斷靠近我們的生活。為了編制模擬人類圖像識別活動的計算機程序，人們提出了不同的圖像識別模型。 所謂泛魔，即這個模型把圖像識別過程分為不同的層次，每一層次都有承擔不同職責的特征分析機制稱作一種 小魔鬼 ，由于有 許許多多這樣的機制在起作用，因此叫做“泛魔”識別模型。其基本工作過程如下： （ 1）當行駛的車輛經過時，觸發(fā)埋設在固定位置的傳感器，系統(tǒng)被喚醒處于工作狀態(tài)；一旦連接攝像頭 光快門的光電傳感器被觸發(fā)，設置在車輛前方、后方和側面的 相機 同時拍攝下車輛圖像； （ 2）由攝像機或 CCD攝像頭拍攝的含有車輛牌照的圖像通視頻卡輸入計算機進行預處理，圖像預處理包括圖像轉換、圖像增強、濾波和水平 矯正 等； （ 3）由檢索模塊進行牌照搜索與檢測，定位并分割出包含牌照字符號碼的矩形區(qū)域； （ 4）對牌照字符進行二值化并分割出單個字符，經歸一化后輸入字符識別系統(tǒng)進行識別。原圖、灰度圖及其直方圖見圖 2 與圖 3。 圖 37 未濾波直接