【導讀】了解人工智能的基本概念以及神經網絡的基本原理。熟練掌握VisualC++中的圖片處理的基本方法。[2]VC++深入詳解，孫鑫，電子工業(yè)出版社，20xx.[4]VisualC++數字圖像處理典型案例詳解，沈晶，機械工業(yè)出版社，20xx.并根據課題性質對學生提出具體要求。能進行統(tǒng)計和總結。BP神經網絡是1986年由Rumelhart和McClelland為首的。廣泛的神經網絡模型之一。它的學習規(guī)則是使用最速下降。際應用領域提供了契機。費以及各種舞弊現象。輸出識別結果，字符識別是整個車牌識別過程的關鍵所在。結，確定最終的識別誤差。應用程序平臺完全采用VisualC++開發(fā)，整個系統(tǒng)運。術等，要有完備的程序以識別多組車牌。

　　

【正文】 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。 （ 11）判斷網絡全局誤差 E 是否滿足精 度要求，及 E?? 。若滿足，則轉至（ 13），否則繼續(xù)。 （ 12）更新網絡學習次數，若學習次數小于規(guī)定的次數，返回（ 2）。 （ 13）結束。 在以 上學習步驟中（ 3） （ 5）為輸入學習模式 的 “ 順傳播過程 ” ， （ 6） （ 9）為網絡誤差 的 “ 逆?zhèn)鞑ミ^程 ” ， （ 10）完 成 “ 學習訓練 ” （ 11）～（ 12）為收斂過程。 BP 網絡學習算法具體流程如圖 34 所示。 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 20 開 始連 接 權 及 閾 值 初 始 化學 習 模 式 對 提 供 給 網 絡計 算 中 間 層 各 單 元 的 輸 入 、 輸 出計 算 輸 出 層 各 單 元 的 輸 入 、 輸 出計 算 輸 出 層 各 單 元 的 校 正 誤 差計 算 中 間 層 各 單 元 的 校 正 誤 差調 整 中 間 層 至 輸 出 層 之 間 的 連 接 權及 輸 出 層 各 單 元 的 輸 出 閾 值調 整 輸 入 層 至 中 間 層 之 間 的 連 接 權及 輸 出 層 各 單 元 的 輸 出 閾 值更 新 學 習 輸 入 模 式更 新 學 習 次 數全 部 模 式 訓 練 完 ？誤 差 ε 或 學 習 次 數 N ？學 習 結 束NNYY 圖 34 BP 網絡學習算法流程圖 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 21 第四章 基于 BP 網絡的車牌識別系統(tǒng) 字符特征提取 字符特征提取就是在字符圖像中需要提取出字符的特征來表示這個字符，所以需要設計出一組能代表字符特征的數據 。 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。那么，矢量選取的方法有： （ 1） 基元數 水平基元數是掃描字符的每行看其有幾個線段。 豎直基元數是掃描字符的每列看其有幾個線段。 （ 2） 水平寬度 水平平均寬度是掃描每行看其起始字符點和結束字符點的距離。 垂直平均寬度是掃描每列看其起始字符點和結束字符點的距離。 （ 3） 區(qū)域分布 把 3216 的字符區(qū)域分成 32 小區(qū)域，統(tǒng)計每個區(qū)域中字符點的數目。 （ 4） 投影 行投影，對每行記錄其字符點數目。 列投影，對每列記錄其字符點數目。 把這些特征綜合起來就形成了字符的矢量 特征。 系統(tǒng)識別模塊 本系統(tǒng)識別模塊如 圖 41 所 示。 圖 41 本系統(tǒng)識別框圖 字符識別是基于 3 層 BP 神經網絡的，字符向量的特征提取是關鍵。提取單一的特征送入神經網絡的識別效果并不十分理想，這里通過提取二值化字符的各北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 22 方面特征，如投影距離、投影直方圖、矩、區(qū)域密度、輪廓線特征系數，送入神經網絡進行識別。 為了加快神經網絡的識別速度以及滿足神經網絡輸入向量個數的要求，需要用 BLT(Binarization Linear Transform)減少輸入向量，達到個數匹配以及加快識別速度的要求。對一 些形狀類似的字符，如 Q、 O 與 D、 B 與 T 與 7 等，神經網絡不能很正確地分辨，所以還要進行后續(xù)的拓撲分析，以確保字符的正確識別。 程序運行 程序的主界面如圖 42 所示。 圖 42 程序主界面 程序的主要功能都通過這幾個菜單來實現。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。打開一個灰度化處理后的圖片，如 圖 43 所示 ，點擊車牌提取及預處理依次進行車牌定位、車牌二值化、車牌歸一化、車牌字符細化等步驟，得到如 圖 44 所示的 車牌圖像，即為處理過后的車牌圖像。 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 23 圖 43 打開一張車輛圖片 圖 44 處理過后的車牌圖像 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 24 點擊車牌識別，得到如 圖 45 所示 的車牌識別結果。 圖 45 車牌識別結果 更換一張車輛圖片，按照上述步驟執(zhí)行，依次得到的結果如 圖 46～圖 48所示。 圖 46 更換車牌圖像 北京理工大學 20xx 屆本科生畢業(yè)設計（論文） 25 圖 47 圖像處理后的效果圖 圖 48 第二幅車牌識別結果 根據圖 45 和圖 48 對比判斷，第二次車牌識別出現錯誤。車牌魯 AT2205被系統(tǒng)誤識別為魯 IT5505，由于獲得的車牌處理后較為傾斜，因此在識別過程中出現了偏差， 造成識別不準確。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） 26 第五章 總結與展望 總結 本文利用 C++對車牌圖像進行數字化處理，最后利用 BP 神經網絡進行字符識別，再根據前人研究的基礎上，對該設計的流程和出現的問題進行研究和處理，主要對圖像預處理，車牌圖像的定位，車牌圖像的字符分割，車牌字符識別四個方面做了系統(tǒng)的研究。 主要完成的內容包括： 利用 Visual C++語言編寫程序，實現了車牌圖像預處理、特征提取、字符識別等功能。 查閱大量資料，了解了 BP 神經網絡的算 法，體會到了神經網絡的優(yōu)勢和在未來發(fā)揮的作用。 通過測試表明，本課題能實現 對待車牌圖像的識別 功能 ， 可以 提供智能化的識別系統(tǒng)，提高了識別速度和準確性。 展望 該課題車牌識別系統(tǒng)是一個實用性和強的智能識別系統(tǒng)，但由于實際的環(huán)境和學術知識的局限，讓整個系統(tǒng)還有很多有待改善的地方。例如本設計對于車牌的傾斜條件下識別準確度下降的問題，需要后續(xù)的研究工作，進一步優(yōu)化系統(tǒng)。此外，對于外界環(huán)境的變化，如光照和夜間等情況，若能克服，將對交通狀況智能化具有重大意義。 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 vehic