【導(dǎo)讀】擁堵情況嚴(yán)重等問題。如何高效的進(jìn)行交通管理，已經(jīng)成為世界各國關(guān)注的焦點。車輛牌照識別系統(tǒng)作為智能交通系統(tǒng)的核心，起著非常關(guān)鍵的作用。目前，圖像處理技術(shù)在車牌識別中的應(yīng)用研究已經(jīng)成為科學(xué)界的一個重要研究領(lǐng)域。

　　

【正文】 ，所以開始對灰度圖像進(jìn)行直接處理，但它的分割路徑是非線性的，算法較為復(fù)雜。 考慮到算法適用性，本文選用直接分割法即把垂直投影法作為主要的分割法，同時對噪聲、鉚釘進(jìn)行特殊處理來完成字符分割。 車牌字符識別 字符識別是對車牌上分割出來的漢字、字母和數(shù)字進(jìn)行確認(rèn)的過程， 是整個車牌識別系統(tǒng)的核心，字符識別的準(zhǔn)確率直接影響整個系統(tǒng)的最終識別結(jié)果。 車牌字符識別技術(shù)分析 車牌字符識別實際上就是對車牌上的漢字、字母、數(shù)字進(jìn)行準(zhǔn)確確認(rèn)的過程。能否準(zhǔn)確識別車牌字符，文字識別技術(shù)是一個重要因素。文字識別的基本原理是將輸入文字與各個標(biāo)準(zhǔn)文字進(jìn)行模式匹配，計算相似度（或距離），將具有最大相似度（或最小距離）的標(biāo)準(zhǔn)文字作為識別結(jié)果。車牌字符識別實際上是依附在車牌上的印刷體文字的識別，能否正確識別不僅是文字識別技術(shù)的問題，還要考慮車牌區(qū)域的影響。車牌字符識別技術(shù)是文字識別技術(shù)與車牌圖 像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。車牌中的字符與其他字符相比有其特殊性，主要體現(xiàn)在以下幾點 : 設(shè)定頁眉 24 （ 1）字符點陣分辨率低。由于是在一幅汽車圖像中分割出牌照，受攝像機(jī)分辨率的限制，字符所占的像素就比較少，大約只有 20 20 個像素，這樣的分辨率對于英文字母和數(shù)字字符而言還比較容易處理，但對于漢字來說則導(dǎo)致漢字特征信息丟失太多，并造成筆劃的粘連，給識別帶來困難。 （ 2）環(huán)境影響大。通常的 OCR 系統(tǒng)的工作環(huán)境一般在室內(nèi)，光照條件較好且穩(wěn)定。而車牌識別系統(tǒng)需要在室外全天候工作，光照條件經(jīng)常變化，并且受天氣狀況等的影響，各種 干擾也不可預(yù)測，導(dǎo)致實際取到的牌照的圖像由于光照度、觸發(fā)位置的不同，使得字符的大小、粗細(xì)、位置及傾斜度都不一樣。 （ 3）實時性要求。鑒于牌照自動識別系統(tǒng)的應(yīng)用場合是智能交通管理，它要求能對駛過的車輛進(jìn)行及時地采集圖像、處理圖像、牌照識別和自動數(shù)據(jù)庫登錄等一系列操作，實時性的要求高于其它 OCR 系統(tǒng)。 現(xiàn)有的車牌字符識別算法 近年來，有不少學(xué)者在車牌字符的識別方面做了大量的工作，研究出了一些比較成熟的算法，下面簡單加以介紹一下： （ 1）模板匹配法 它是模式識別中最簡單的方法之一。其工作原理是：每一個 漢字就有一個模板。將待識別字符的二值圖像的尺寸大小縮放為模板大小之后，然后與模板進(jìn)行匹配，距離最小的模板所對應(yīng)的漢字，就判定為輸入的待識別漢字。此種方法最大的缺陷就是容易受到環(huán)境的影響。所以為了提高準(zhǔn)確率，往往需要使用更多的模板進(jìn)行匹配，處理時間也會增加。因此對其進(jìn)行改進(jìn)，即先對待識別字符進(jìn)行拓?fù)浞治龅玫阶址吘壍年P(guān)鍵點，然后對關(guān)鍵點進(jìn)行拓?fù)浞治?，最后確定字符的分類。該算法有效地減少了模板中像素點的個數(shù)，只利用字符的關(guān)鍵點進(jìn)行模板匹配，提高了識別速度和識別率。 （ 2） 特征分析匹配法 這類方法是基于特征層面來 進(jìn)行匹配的，是使用率較高的一類方法，相比較于模板匹配而言，它能更好地獲得字符的特征，有的特征對噪聲是不明顯的。根據(jù)所提取特征的類型，特征分析匹配的方法又可以分為：整體變換分析法、特征提取法、幾何和拓?fù)涞姆椒āτ谡w變換分析法，這些特征的提取是相對容易的，但是通常都需要較大的計算量。找到一個合適的變換來較多地反映字符的主要特征是很關(guān)鍵的；對于由點的統(tǒng)計分布得到的特征抽取法，包括字符的軌跡、交叉點和距離等，可以接受字體的變化，速度較高，復(fù)雜性比較小。但是通常這類特征的模型的生成比較困難 。對于幾何和拓?fù)涞姆椒ǎ?這種方法是利用字符的結(jié)構(gòu)，把字符分解成構(gòu)成它的元素，主要是獲取字符的關(guān)鍵形狀特征，這類特征也是允許存在一定的字體變形，這種方法可以較高速地處理字符，但是通常特征提取的過程是復(fù)雜的，并且這些特征的模板也是不容易生成的。 （ 3）神經(jīng)網(wǎng)絡(luò)識別法 人工神經(jīng)元網(wǎng)絡(luò)是由大量簡單的基本單元相互連接而成的非線性動態(tài)系統(tǒng)，每個神經(jīng)元的結(jié)構(gòu)和功能都比較簡單，但由其組成的系統(tǒng) 卻可能非常復(fù)雜，它具有人腦的某設(shè)定頁眉 25 些特征，能用于聯(lián)想、識別和決策。神經(jīng)元具有非線性映射的能力，它們之間通過權(quán)系數(shù)相連接。這種大規(guī)模并行結(jié)構(gòu)具有很高的計 算速度，完全不同于傳統(tǒng)機(jī)器。模式識別中往往存在噪聲干擾或輸入模式的部分損失，而人工神經(jīng)元網(wǎng)絡(luò)將信息分布存儲于連接的權(quán)系數(shù)中，使網(wǎng)絡(luò)具有很高的容錯性和魯棒性；另外，人工神經(jīng)元網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)功能，大大放松了傳統(tǒng)識別方法所需的約束條件，使其對某些識別問題顯示出了極大的優(yōu)越性。神經(jīng)網(wǎng)絡(luò)的工作方式由兩個階段組成：第一階段 —— 學(xué)習(xí)期：神經(jīng)元之間的連接權(quán)值可由學(xué)習(xí)規(guī)則進(jìn)行修改，以使目標(biāo)函數(shù)達(dá)到最小。第二階段 —— 工作期：連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出。 基于神經(jīng)元網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)模式識別是神經(jīng) 網(wǎng)絡(luò)技術(shù)在模式識別中的應(yīng)用，是仿生學(xué)的產(chǎn)物。它通過網(wǎng)絡(luò)結(jié)點間的連接來存儲信息并完成分類計算，是近幾年興起的模式識別領(lǐng)域的一個重要研究方向。由于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織和并行分布處理等特征符合人類視覺系統(tǒng)的基本工作原則，基于神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)和傳統(tǒng)的識別系統(tǒng)相比較具有以下明顯特點：具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力；具有很強(qiáng)的容錯性、魯棒性；具有執(zhí)行非線性認(rèn)為和去除噪聲的能力；提供了并行處理和并行分布 信息的能力；具有聯(lián)想記憶功能和推理意識功能。 因此，神經(jīng)網(wǎng)絡(luò)模式識別方法能夠?qū)崿F(xiàn)基于計算理論層次上的模式識別理論所無法完 成的模式信息處理工作，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識別，突破了傳統(tǒng)模式識別技術(shù)的局限性，開辟了模式識別的心途徑。 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，它一般是一個多輸入 /多輸出的非線性元件 ，神經(jīng)元輸出除受輸入信號的影響之外，同時也受到神經(jīng)元內(nèi)部其他因素的影響。所以在人工神經(jīng)元的建設(shè)中，常常還加有一個額外輸入信號，稱為偏差，也被稱為閾值。 （ 1） 基本神經(jīng)元模型的數(shù)學(xué)表達(dá)式如下： 1niiiSx?????? (41) ()y f s? 其中 i? 為權(quán)值（ Weights） , ? 為 閾值（ threshold）， ()fs 為作用函數(shù)。 作用函數(shù)的基本作用是：①控制輸入對輸出的激活作用；②對輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換；③將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。 （ 2） 常用的作用函數(shù)有閾值型、線性型、 S 型函數(shù)。 ① 閾值型。 設(shè)定頁眉 26 10()00WXy f W XWX??????? ? ? ???? （ 42） ② 線性型。 ()y f W X W X??? ? ? ? (43) 此時， 輸出 與輸 入 成正比關(guān)系。 ③ S 型函數(shù)。 ()1() 1WXy f W X e ?? ??? ? ? ? （ 44） 此時輸出和輸入成對數(shù)正切關(guān)系，選擇 S型函數(shù)作為輸出函數(shù)具有以下有益特性：非線性 ，單調(diào)性，無限次可微，當(dāng)權(quán)值很大時可近似閾值函數(shù)，當(dāng)權(quán)值很小時可近似線性函數(shù)。 （ 3） 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)法則。 ANN中的核心問題就是如何決定網(wǎng)絡(luò)連接的加權(quán)數(shù)，常用的學(xué)習(xí)規(guī)則主要有： ① Hebb 學(xué)習(xí)規(guī)則。它是一類相關(guān) 學(xué)習(xí)，即如果兩個神經(jīng)元同時興奮，則它們之間的突觸連接加強(qiáng)。用 io 表示神經(jīng)元 i 的激活值， jo 表示神經(jīng)元 j 的激活值， ijw 表示兩個神經(jīng)元之間的連接權(quán)，則有： ij i jw o o??? （ 45） 其中， ? 表示學(xué)習(xí)速率 。 ② ? 學(xué)習(xí)規(guī)則。 它是用已知樣本作為教師信號對網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，即設(shè)任一個神經(jīng)元 i 到 j 的權(quán) ijw ，則其權(quán)的改變量為： ij j qwV???? （ 46） 39。()jjjF y y? ?? 其中 ? 為步長， 39。()j jyy?為誤差 （ 即要求值與真實值之差） , qV 為第 q 個神經(jīng)元的輸出。 ③ 相近學(xué)習(xí)。 設(shè)任一個神經(jīng)元 i到 j的權(quán) ijw ， iV 為 i個神經(jīng)元的輸出，則 ： ()ij i ijw V w?? ? ? （ 47） （ 4） 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成。神經(jīng)網(wǎng)絡(luò)的性質(zhì)主要決定于兩個因素：一個是網(wǎng)絡(luò)的設(shè)定頁眉 27 拓?fù)浣Y(jié)構(gòu)，另一個是網(wǎng)絡(luò)的學(xué)習(xí) 、工作規(guī)則。兩者結(jié)合起來就可以構(gòu)成一個網(wǎng)絡(luò)的主要特征。 BP網(wǎng)絡(luò)的學(xué)習(xí)算法 BP 誤差反向傳播的算法步驟可歸納如下： （ 1） 初始化。選定合理的網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置合理的可調(diào)參數(shù)（權(quán)和閾值）。 （ 2） 對每一個樣本作如下計算： ① 向前計算：設(shè) n次迭代中第 j個單元的輸 出為 ()jyn，輸入為 ()ixn ，單元 j的凈 輸入 js 為： 0( ) ( )pj ij iis w n x n?? ? （ 48） 其中 p 為加到單元 j 上輸入的個數(shù)， ijw 為前一層單元 i 到單元 j 的連接權(quán)，則有輸出： ( ) ( ( ))j j jy n f s n? （ 49） 其中 ()jfs為作用函數(shù)，如單元 j 的作用函數(shù)為 Sigmoid 函數(shù)，則有： 1()1 e x p ( ( ) )j jyn sn? ?? （ 410） 39。 2e x p ( ( ) )( ) ( ) ( 1 ( ) )( 1 e x p ( ( ) ) )jj j jjsny n y n y nsn??? ? ??? （ 411） ② 反向計算。設(shè)期望輸出為 ()jdn , 則誤差信號 ()jen 為( ) ( ) ( )j j je n d n y n?? ， 輸出端總的平方誤差 ()n? 為 ： 211( ) ( )2qjjn e n? ?? ? （ 412） 其中 q 為輸出端的個數(shù)，設(shè)訓(xùn)練集中樣本總數(shù)為 N 個，則平方誤差的均值 ()AV n?為： 11( ) ( )NAV nnnN???? ? （ 413） 設(shè)定頁眉 28 權(quán)值 ijw 的修正量為： () ( ) ( )ij j iijnw n x nw?? ? ??? ? ? ? ?? （ 414） 負(fù)號表示修正量按梯度下降方向，其中 39。( ) ( ( ))j j j jn e f s n? ? 稱為局部梯度， 當(dāng)單元 j 是一個輸出單元，則有： 39。( ) ( ( ) ( ) ) ( ( ) )j j j j jn d n y n f s n? ?? (415) 當(dāng)單元 j是隱單元時，則有： 39。( ) ( ( ) ) ( ) ( )j j j jk kn f s n w n n??? ? （ 416） jkw 為單元 j到后一層單元 k 的連接權(quán)。 ④ 按下式修改權(quán)值： ( 1 ) ( ) ( ) ( )ij ij j iw n w n n x n??? ? ? (417) (3) n=n+1,輸入新的樣本直至 AV? 達(dá)到預(yù)定要求 。 BP 網(wǎng)絡(luò)設(shè)計 在 進(jìn)行 BP 網(wǎng)絡(luò)的設(shè)計時，一般應(yīng)從 網(wǎng)絡(luò)的層數(shù)、每層中神經(jīng)元個數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個方面來進(jìn)行考慮， BP 網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖 41 所示： 設(shè)定頁眉 29 圖 41 BP 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu) （ 1） 網(wǎng)絡(luò)層數(shù)的確定。一般來說 ，具有偏差和至少一個 S 型隱含層加上一個線性輸入層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。增加層數(shù)可以降低誤差、提高精度，但同時也增加了網(wǎng)絡(luò)的復(fù)雜性，延長了網(wǎng)絡(luò)權(quán)值的訓(xùn)練時間，而誤差精確的提高可以通過增加隱含層的神經(jīng)元個數(shù)來確定，其訓(xùn)練也比增加層數(shù)更容易實現(xiàn)。基于以上的考慮， BP網(wǎng)絡(luò)只使用一個 S型的隱含層，即一個三層的 BP 網(wǎng)絡(luò)。 （ 2） 隱含層節(jié)點數(shù)的確 定。隱含層節(jié)點數(shù)的選擇對網(wǎng)絡(luò)性能影響很大，一般是由網(wǎng)絡(luò)的具體用途來確定，不同的網(wǎng)絡(luò)有不同的要求，所以確定隱含層的節(jié)點是復(fù)雜的，常用的方法有： ① Kolmogorow 定理指出：對 N個輸入節(jié)點的單隱含層的神經(jīng)網(wǎng)絡(luò)，隱含層的節(jié)點數(shù)為 2N+1。 ② 提出的隱含層估算式是：如果 T 為模式的訓(xùn)練數(shù)，隱含層的節(jié)點數(shù)是 2logT 。 在實踐過程中，以上的估算式只能作為一個參考，實際的節(jié)點數(shù)是通過一系列比較并經(jīng)過試湊的方法得出的。對同一樣本集用具有不同隱含節(jié)點數(shù)的網(wǎng) 絡(luò)進(jìn)行訓(xùn)練，