【文章內(nèi)容簡介】 據(jù)庫中模板的小，然后與所有模板進(jìn)行匹配，最后選取最佳匹配作為結(jié)果。建立數(shù)字庫對該方法在車牌識別過程中很重要, 數(shù)字庫準(zhǔn)確才能保證檢測出的數(shù)據(jù)正確?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種，一種是先對特征提取待識別字符，然后用所獲得的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種是直接將待處理圖像輸入網(wǎng)絡(luò)由網(wǎng)絡(luò)自動實(shí)現(xiàn)特征提取直至識別結(jié)果。在本章首先介紹BP神經(jīng)網(wǎng)絡(luò)的有關(guān)知識，然后利用BP神經(jīng)網(wǎng)絡(luò)解決字符識別的問題。出于簡單性考慮，本文只對字母和數(shù)字進(jìn)行識別，漢字的識別暫不考慮。167。 BP神經(jīng)網(wǎng)絡(luò)BP（Back Propagation）網(wǎng)絡(luò)是1986年由Rumelhart和McCelland為首的科學(xué)家小組提出，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP (Back Propagation)神經(jīng)網(wǎng)絡(luò)，即誤差反傳誤差反向傳播算法的學(xué)習(xí)過程，由信息的正向傳播和誤差的反向傳播兩個過程組成，其結(jié)構(gòu)如圖41所示。BP網(wǎng)絡(luò)的實(shí)現(xiàn)分為兩個階段：學(xué)習(xí)階段和識別階段。在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)階段，輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層 圖41 BP神經(jīng)網(wǎng)絡(luò)示意圖各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時， 進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各 層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。在BP神經(jīng)網(wǎng)絡(luò)的識別階段就是利用學(xué)習(xí)階段所調(diào)整好的連接權(quán)值，將待識別的輸入正向計(jì)算后得到的輸出即為識別結(jié)果。其算法的實(shí)現(xiàn)一般如下：1. 設(shè)置初值，包括各個神經(jīng)元之間的連接權(quán)值ω以及各個神經(jīng)元的閾值θ；2. 選取一組訓(xùn)練數(shù)據(jù)作為輸入層；3. 正向計(jì)算；計(jì)算輸出層的每個節(jié)點(diǎn)的誤差；4. 反向計(jì)算：計(jì)算前層各個節(jié)點(diǎn)誤差；5. 加權(quán)修正；6. 加權(quán)修正；7. 返回2直到 Ee0. 在BP算法實(shí)現(xiàn)的步驟中，如果輸出層達(dá)不到期望的輸出， 一般取輸出的誤差平方和作為目標(biāo)函數(shù)，進(jìn)而轉(zhuǎn)向反向傳播，逐層計(jì)算目標(biāo)函數(shù)對各神經(jīng)元權(quán)值的依據(jù)，構(gòu)成目標(biāo)函數(shù)對權(quán)值 向量的梯度向量，作為權(quán)值修改的依據(jù)，網(wǎng)絡(luò)的學(xué)習(xí)是在上述的七個步驟中完成的。 BP神經(jīng)網(wǎng)絡(luò)為了保證系統(tǒng)搞識別率也需要大量的樣本，而且樣本選擇要有一定的原則：盡可能選擇類似樣本；盡可能保證相鄰樣本變化率小于誤差精度要求；均勻選擇樣本。實(shí)驗(yàn)表明，好的樣本可以在提高訓(xùn)練速度方面有一定改善作用。 通過神經(jīng)網(wǎng)絡(luò)的自我學(xué)習(xí)，經(jīng)過大量先驗(yàn)知識的使用，使得神經(jīng)網(wǎng)絡(luò)的識別率與其他的算法的識別效果相比有著明顯的優(yōu)勢。然而，神經(jīng)網(wǎng)絡(luò)的自學(xué)過程也存在一定的問題：（1） 當(dāng)學(xué)習(xí)系統(tǒng)所處環(huán)境平穩(wěn)時(統(tǒng)計(jì)特性不隨時間變化)，神經(jīng)網(wǎng)絡(luò)可以學(xué)到這些環(huán)境統(tǒng)計(jì)特性，作為經(jīng)驗(yàn)記住。如果環(huán)境是非平穩(wěn)時，神經(jīng)網(wǎng)絡(luò)很難自適應(yīng)學(xué)習(xí)環(huán)境特性；（2） 同時，從數(shù)學(xué)上看BP神經(jīng)網(wǎng)絡(luò)是一個非線性優(yōu)化算法，存在局部極小問題；（3） 學(xué)習(xí)算法的收斂速度很慢；（4） 對新加入的樣本要影響到已經(jīng)學(xué)完的樣本，刻畫每個輸入樣本的特征的樹木也要求相同在車牌識別系統(tǒng)中，BP神經(jīng)網(wǎng)絡(luò)利用前面工作中通過車牌定位，二值化，濾波，消除無關(guān)區(qū)域之后，利用投影法得到的分割后的單個字符經(jīng)過歸一化處理后的字符作為樣本。但是由于光線、環(huán)境的干擾以及圖像采集位置的變化，不同環(huán)境下的車牌圖像經(jīng)過同樣的處理后所得到的字符圖像有一些差異，在一些情況下，樣本的選擇影響了整個BP網(wǎng)絡(luò)的識別率。167。 字符識別的實(shí)現(xiàn)在本次畢業(yè)設(shè)計(jì)的過程中，字符識別的過程主要有BP神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)，經(jīng)過對樣本的特征提取，神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)形成學(xué)習(xí)字典，對樣本特征與字典模板特征匹配判別識別字符，完成識別過程。整個識別過程如圖42所示：圖4－2 字符識別流程167。 樣本特征提取經(jīng)過圖像分割并規(guī)格化之后，分布不規(guī)律的各個字符變成了一個個大小相同，排列整齊的字符。下面就需要從這些規(guī)格統(tǒng)一的字符中，提取最能體現(xiàn)這個字符特點(diǎn)的特征向量。將提取出訓(xùn)練樣本中的特征向量代入BP網(wǎng)絡(luò)之中就可以對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，提取出待識別的樣本中的特征相量代入到訓(xùn)練好的BP網(wǎng)絡(luò)中，就可以對字符進(jìn)行識別。特征向量的提取方法多種多樣，有逐象素特征提取發(fā)，骨架特征提取法，垂直方向數(shù)據(jù)統(tǒng)計(jì)特征提取法，弧度梯度特征提取法等很多種方法，根據(jù)具體情況的不同我們可以來選擇不同的方法。1．逐象素特征提取法這是一種最簡單的特征提取方法，對圖像進(jìn)行逐行逐列的掃描當(dāng)遇到黑色象素時取其特征值為1，遇到白色象素時取其特征值為0，這樣當(dāng)掃描結(jié)束以后就形成了一個維數(shù)與圖像中象素點(diǎn)的個數(shù)相同的特征向量矩陣。這種特征提取方法的特點(diǎn)是算法簡單，運(yùn)算速度快，可以使BP網(wǎng)絡(luò)很快的收斂，訓(xùn)練效果好，缺點(diǎn)是適應(yīng)性不強(qiáng)。但可以通過加大訓(xùn)練樣本數(shù)目的方法來增強(qiáng)其適應(yīng)性。2．骨架特征提取法兩副圖像由于它們的線條的粗細(xì)不同，使得兩幅圖像差別很大，但是將它們的線條進(jìn)行細(xì)化以后，統(tǒng)一到相同的寬度，如一個象素寬時，這時兩幅圖像的差距就不那么明顯。利用圖形的骨架作為特征來進(jìn)行數(shù)碼識別，就使得識別有了一定的適應(yīng)性。我們一般使用細(xì)化的方法來提取骨架，細(xì)化的算法又很多如Hilditch算法，Rosenfeld算法等。骨架特征提取的方法對于線條粗細(xì)不同的數(shù)碼有一定的適應(yīng)性，但是圖像一旦出現(xiàn)偏移就難以識別。3．垂直方向數(shù)據(jù)統(tǒng)計(jì)特征提取法這種特征提取方法的算法就是自左向右對圖像進(jìn)行逐列的掃描，統(tǒng)計(jì)每列的黑色的象素的個數(shù)，然后自上而下逐行掃描，統(tǒng)計(jì)每行的黑色象素的個數(shù)，將統(tǒng)計(jì)結(jié)果作為字符的特征向量，如果字符的寬度為w，長度為h，則特征向量的維數(shù)是w＋h以上就是幾種基本的特征向量提取方法，還有梯度統(tǒng)計(jì)，弧度統(tǒng)計(jì)等其他的特征向量提取方法，另外，還有一種效率極高的特征提取方法－角點(diǎn)提取方法。角點(diǎn)提取的方法目前一般分為基于灰度的角點(diǎn)提取和基于弧度的角點(diǎn)提取?；诨《鹊慕屈c(diǎn)提取要求首先要做邊緣提取。比較成熟的邊緣提取算法有Canny算法等。角點(diǎn)提取算法較復(fù)雜，而且用到的很多技術(shù)也較專業(yè)化。本文中利用逐像素提取的方法，對圖像進(jìn)行處理，將源圖像存儲所用的40*20的矩陣轉(zhuǎn)換為1*800的特征向量，為后續(xù)的處理奠定基礎(chǔ)。167。 神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，根據(jù)前文提出的算法，利用MATLAB進(jìn)行實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)階段。在學(xué)習(xí)階段先要初始化網(wǎng)絡(luò)，然后開始輸入要學(xué)習(xí)的樣本，按照網(wǎng)絡(luò)初始設(shè)定的權(quán)重、閾值以及傳輸函數(shù)進(jìn)行計(jì)算，得出每一層神經(jīng)元的輸出，這是從底層向上進(jìn)行的。通過理想輸出與輸出層之間的誤差來決定是否對權(quán)重、閾值進(jìn)行修改，這個修改是從高層向下進(jìn)行的。兩個過程反復(fù)進(jìn)行，直到網(wǎng)絡(luò)收斂為止，此為學(xué)習(xí)階段。權(quán)重的學(xué)習(xí)就是不斷的調(diào)整各個神經(jīng)元的連接強(qiáng)度，使其能在最小二乘的意義上逼近所對應(yīng)的輸出。最后得到可以用于識別的學(xué)習(xí)字典。167。 字符識別在這一步驟中，利用BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)階段得到的學(xué)習(xí)字典，以及特征提取階段的字符的特征，兩者對比匹配，判別字符內(nèi)容，具體算法過程如下：（1） 設(shè)標(biāo)尺i=2，利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)字典，判斷該字符與學(xué)習(xí)字典的第幾個字符相匹配，記下給字符在字典中的位置d；（2） 根據(jù)d的值，以及字典中字符的排列規(guī)律，得到輸入樣本的值：大于9的時候根據(jù)d的值判斷字母；小于9的時候，將d的值有字符轉(zhuǎn)換為數(shù)字；（3） 將d的值儲存在數(shù)組str中，i+1；（4） 如果i7，在顯示的圖像中，以title的方式顯示str的值，如果i7重復(fù)（1）；經(jīng)過以上4個步驟的操作，便完成了對車牌字符的識別過程，可以再得到的圖片上看到車牌字符的顯示，至此，車哦愛？識別系統(tǒng)的字符識別系統(tǒng)便告一段落了。 結(jié)　論車牌識別系統(tǒng)作為現(xiàn)代智能交通的一部分，在現(xiàn)代交通中的應(yīng)用越發(fā)普遍起來，而且在現(xiàn)代交通管理中發(fā)揮的作用也越發(fā)的令人矚目，在多個領(lǐng)域都有著廣闊的前景。目前階段，雖然有眾多的研究人員在車牌識別技術(shù)上投入大量的研究，但是由于車牌識別過程存在的偶然性，使得車牌識別的自適應(yīng)性，識別速度，識別率都存在很大的發(fā)展空間。本文在前人研究的基礎(chǔ)上，利用前人的部分研究成果，實(shí)現(xiàn)了車牌識別系統(tǒng)中的字符識別系統(tǒng)。本文完成的主要工作包括以下幾個方面：（1）由于整個系統(tǒng)只是一個簡單的實(shí)現(xiàn)，所以使用MATLAB完成算法的實(shí)現(xiàn)，在這個過程中，為了更好的實(shí)現(xiàn)系統(tǒng)的功能，學(xué)習(xí)了有關(guān)MATLAB的相關(guān)知識；（2）學(xué)習(xí)了有關(guān)字符分割的一些算法，包括投影法，回掃法；并利用投影法實(shí)現(xiàn)了字符的分割；（3）學(xué)習(xí)了有關(guān)神經(jīng)網(wǎng)絡(luò)的知識，對BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)階段和識別階段的有了一定了解，并用BP神經(jīng)網(wǎng)絡(luò)完成了字符的識別；（4）在完成系統(tǒng)的過程中，還學(xué)習(xí)了有關(guān)二值化，歸一化，特征提取的一些算法。在本次畢業(yè)設(shè)計(jì)的過程中，由于時間和能力的原因，很多功能并沒有實(shí)現(xiàn)，包括對漢字的識別，結(jié)合VC++，系統(tǒng)所實(shí)現(xiàn)的功能也不夠完善，這些都需要在以后的工作中加以完善的。參考文獻(xiàn)不規(guī)范[1] 石偉，孫永榮 BP神經(jīng)網(wǎng)絡(luò)在車牌識別技術(shù)中的應(yīng)用 《工業(yè)控制計(jì)算機(jī)》 2010年第23卷第4期 P17P19 /*中文期刊*/[2] 顧景 趙元興 劉錘 鄭寬 韓樹民 胡慶茂 車牌識別算法的關(guān)鍵技術(shù)及其研究現(xiàn)狀 《先進(jìn)技術(shù)研究通報》 Vol. 4 *中文期刊*/[3] 張 引，潘云鶴. 面向車輛牌照字符識別的預(yù)處理算法. 計(jì)算機(jī)應(yīng)用研究，1999(7)，P85～87./*中文期刊*/[4] 劉智勇，劉迎建，車牌識別中的圖像提取及分割，中文信息學(xué)報，2000 ，14 (4)，p26～p29 /*中文期刊*/[5] 陳振學(xué)，汪國有，劉成云，一種新的車牌圖像字符分割與識別算法，微電子學(xué)與計(jì)算機(jī)，2007 ，24 （2），p42～p44 /*中文期刊*/[6] 胡愛明，周孝寬，車牌圖像的快速匹配識別方法，計(jì)算機(jī)工程與應(yīng)用，2003，（7），p90～p91 /*中文期刊*/[7] Markos Papageorgiou,Christina Diakaki,Vaya Dinopoulou,Apostolos Kotsialos,Yibing of Road Traffic Contronl Strategies[J].Proceedings of the IEEE , 2003,91(12):20432067./*外文期刊*/[8] 岡薩雷斯．?dāng)?shù)字圖像處理（第二版）．電子工業(yè)出版社，2007．8 /*譯著*/[9] 邊肇祺 張學(xué)工 模式識別(第二版) 北京 清華大學(xué)出版社 *中文著作*/[10] 蔣宗禮，人工神經(jīng)網(wǎng)絡(luò)導(dǎo)論[J]，北京，高等教育出版社，2008 /*中文著作*/[11] 徐慧 VC++數(shù)字圖像使用工程案例精選 北京 P214P255/*中文著作*/[12] 胡小峰，趙輝 Visual C++ MATLAB圖像處理與識別實(shí)用案例精選 北京 人民郵電出版社 P385P420/*中文著作*/[13] 陳永超. 基于數(shù)字圖像處理的車牌識別研究[碩士學(xué)位論文]. 武漢理工大學(xué). *中文學(xué)位論文*/[14] 賈曌峰. 車牌自動識別系統(tǒng)相關(guān)技術(shù)研究[碩士學(xué)位論文]. 中國科學(xué)技術(shù)大學(xué). *中文學(xué)位論文*/[15] 趙爽 基于WEB的車牌識別與管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[碩士學(xué)位論文] 南昌大學(xué). 20100106/*中文學(xué)位論文*/[16] 陶軍 車牌識別技術(shù)研究與實(shí)現(xiàn)[碩士學(xué)位論文] *中文學(xué)位論文*/[17] 吳高峰 車牌識別關(guān)鍵技術(shù)研究及系統(tǒng)實(shí)現(xiàn)[碩士學(xué)位論文] *中文學(xué)位論文*/[18] 楊中付 汽車車牌識別系統(tǒng)的設(shè)計(jì)及實(shí)現(xiàn)[本科學(xué)位論文] 昆明理工大學(xué). 2007年6月/*中文學(xué)位論文*/[19] 陳永超 基于數(shù)字圖像處理的車牌識別研究[碩士學(xué)位論文] 武漢理工大學(xué). 20060401/*中文學(xué)位論文*/[20] 安勇 車牌識別算法研究[碩士學(xué)位論文] 中國科學(xué)技術(shù)大學(xué) 20050301/*中文學(xué)位論文*/[21] 王璐 基于MATLAB的車牌識別系統(tǒng)研究[碩士學(xué)位論文] 上海交通大學(xué) 20090107 /*中文學(xué)位論文*/ 致　謝首先我要感謝我的導(dǎo)師，在畢業(yè)設(shè)計(jì)的過程中給予的幫助，還有同組同學(xué)在畢業(yè)設(shè)計(jì)資料選取，編碼過程中的幫助同時，在畢業(yè)設(shè)計(jì)過程中，還得到了同專業(yè)同學(xué)的許多幫助，在此表示感謝最后，向所有曾給予作者關(guān)心和幫助的老師和同學(xué)們再次表示最衷心的感謝，向參加論文評審、答辯的專家和老師表示衷心的感謝和崇高的敬意。英文文獻(xiàn)原文A cascaded iterative Fourier transform algorithmfor optical security applicationsAbstract:A cascaded iterative Fourier transform (CIFT) algorithm is presented for optical security applications. Two phasemasks are designed and located in the input and the Fourier domains of a 4f correlator respectively, in order to implement the optical encryption or authenticity verification. Compared with previous methods, the proposed algorithm