【導(dǎo)讀】了解人工智能的基本概念以及神經(jīng)網(wǎng)絡(luò)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(shù)字圖像處理典型案例詳解，沈晶，機(jī)械工業(yè)出版社，20xx.并根據(jù)課題性質(zhì)對(duì)學(xué)生提出具體要求。能進(jìn)行統(tǒng)計(jì)和總結(jié)。BP神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McClelland為首的。廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。它的學(xué)習(xí)規(guī)則是使用最速下降。際應(yīng)用領(lǐng)域提供了契機(jī)。費(fèi)以及各種舞弊現(xiàn)象。輸出識(shí)別結(jié)果，字符識(shí)別是整個(gè)車牌識(shí)別過程的關(guān)鍵所在。結(jié)，確定最終的識(shí)別誤差。應(yīng)用程序平臺(tái)完全采用VisualC++開發(fā)，整個(gè)系統(tǒng)運(yùn)。術(shù)等，要有完備的程序以識(shí)別多組車牌。

　　

【正文】 理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（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(jī)選取下一個(gè)學(xué)習(xí)模式對(duì)提供給網(wǎng)絡(luò)，返回（ 3），直至全部 m 個(gè)學(xué)習(xí)模式對(duì)訓(xùn)練完畢。 （ 11）判斷網(wǎng)絡(luò)全局誤差 E 是否滿足精 度要求，及 E?? 。若滿足，則轉(zhuǎn)至（ 13），否則繼續(xù)。 （ 12）更新網(wǎng)絡(luò)學(xué)習(xí)次數(shù)，若學(xué)習(xí)次數(shù)小于規(guī)定的次數(shù)，返回（ 2）。 （ 13）結(jié)束。 在以 上學(xué)習(xí)步驟中（ 3） （ 5）為輸入學(xué)習(xí)模式 的 “ 順傳播過程 ” ， （ 6） （ 9）為網(wǎng)絡(luò)誤差 的 “ 逆?zhèn)鞑ミ^程 ” ， （ 10）完 成 “ 學(xué)習(xí)訓(xùn)練 ” （ 11）～（ 12）為收斂過程。 BP 網(wǎng)絡(luò)學(xué)習(xí)算法具體流程如圖 34 所示。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 20 開 始連 接 權(quán) 及 閾 值 初 始 化學(xué) 習(xí) 模 式 對(duì) 提 供 給 網(wǎng) 絡(luò)計(jì) 算 中 間 層 各 單 元 的 輸 入 、 輸 出計(jì) 算 輸 出 層 各 單 元 的 輸 入 、 輸 出計(jì) 算 輸 出 層 各 單 元 的 校 正 誤 差計(jì) 算 中 間 層 各 單 元 的 校 正 誤 差調(diào) 整 中 間 層 至 輸 出 層 之 間 的 連 接 權(quán)及 輸 出 層 各 單 元 的 輸 出 閾 值調(diào) 整 輸 入 層 至 中 間 層 之 間 的 連 接 權(quán)及 輸 出 層 各 單 元 的 輸 出 閾 值更 新 學(xué) 習(xí) 輸 入 模 式更 新 學(xué) 習(xí) 次 數(shù)全 部 模 式 訓(xùn) 練 完 ？誤 差 ε 或 學(xué) 習(xí) 次 數(shù) N ？學(xué) 習(xí) 結(jié) 束NNYY 圖 34 BP 網(wǎng)絡(luò)學(xué)習(xí)算法流程圖 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 21 第四章 基于 BP 網(wǎng)絡(luò)的車牌識(shí)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(lái)表示這個(gè)字符，所以需要設(shè)計(jì)出一組能代表字符特征的數(shù)據(jù) 。 對(duì)于輸入矢量的選取是否全面刻畫字符特征直接影響識(shí)別的結(jié) 果，所以字符特征的選取是一個(gè)權(quán)衡各方面特征的結(jié)果。那么，矢量選取的方法有： （ 1） 基元數(shù) 水平基元數(shù)是掃描字符的每行看其有幾個(gè)線段。 豎直基元數(shù)是掃描字符的每列看其有幾個(gè)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(diǎn)和結(jié)束字符點(diǎn)的距離。 垂直平均寬度是掃描每列看其起始字符點(diǎn)和結(jié)束字符點(diǎn)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(jì)每個(gè)區(qū)域中字符點(diǎn)的數(shù)目。 （ 4） 投影 行投影，對(duì)每行記錄其字符點(diǎn)數(shù)目。 列投影，對(duì)每列記錄其字符點(diǎn)數(shù)目。 把這些特征綜合起來(lái)就形成了字符的矢量 特征。 系統(tǒng)識(shí)別模塊 本系統(tǒng)識(shí)別模塊如 圖 41 所 示。 圖 41 本系統(tǒng)識(shí)別框圖 字符識(shí)別是基于 3 層 BP 神經(jīng)網(wǎng)絡(luò)的，字符向量的特征提取是關(guān)鍵。提取單一的特征送入神經(jīng)網(wǎng)絡(luò)的識(shí)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(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（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(shù)，送入神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。 為了加快神經(jīng)網(wǎng)絡(luò)的識(shí)別速度以及滿足神經(jīng)網(wǎng)絡(luò)輸入向量個(gè)數(shù)的要求，需要用 BLT(Binarization Linear Transform)減少輸入向量，達(dá)到個(gè)數(shù)匹配以及加快識(shí)別速度的要求。對(duì)一 些形狀類似的字符，如 Q、 O 與 D、 B 與 T 與 7 等，神經(jīng)網(wǎng)絡(luò)不能很正確地分辨，所以還要進(jìn)行后續(xù)的拓?fù)浞治?，以確保字符的正確識(shí)別。 程序運(yùn)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(gè)菜單來(lái)實(shí)現(xiàn)。常用的菜單也已經(jīng)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(gè)灰度化處理后的圖片，如 圖 43 所示 ，點(diǎn)擊車牌提取及預(yù)處理依次進(jìn)行車牌定位、車牌二值化、車牌歸一化、車牌字符細(xì)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(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（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(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 24 點(diǎn)擊車牌識(shí)別，得到如 圖 45 所示 的車牌識(shí)別結(jié)果。 圖 45 車牌識(shí)別結(jié)果 更換一張車輛圖片，按照上述步驟執(zhí)行，依次得到的結(jié)果如 圖 46～圖 48所示。 圖 46 更換車牌圖像 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 25 圖 47 圖像處理后的效果圖 圖 48 第二幅車牌識(shí)別結(jié)果 根據(jù)圖 45 和圖 48 對(duì)比判斷，第二次車牌識(shí)別出現(xiàn)錯(cuò)誤。車牌魯 AT2205被系統(tǒng)誤識(shí)別為魯 IT5505，由于獲得的車牌處理后較為傾斜，因此在識(shí)別過程中出現(xiàn)了偏差， 造成識(shí)別不準(zhǔn)確。因此在獲得車牌圖像后對(duì)車牌傾斜矯正的處理方面，是今后需要改進(jìn)的地方。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 26 第五章 總結(jié)與展望 總結(jié) 本文利用 C++對(duì)車牌圖像進(jìn)行數(shù)字化處理，最后利用 BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別，再根據(jù)前人研究的基礎(chǔ)上，對(duì)該設(shè)計(jì)的流程和出現(xiàn)的問題進(jìn)行研究和處理，主要對(duì)圖像預(yù)處理，車牌圖像的定位，車牌圖像的字符分割，車牌字符識(shí)別四個(gè)方面做了系統(tǒng)的研究。 主要完成的內(nèi)容包括： 利用 Visual C++語(yǔ)言編寫程序，實(shí)現(xiàn)了車牌圖像預(yù)處理、特征提取、字符識(shí)別等功能。 查閱大量資料，了解了 BP 神經(jīng)網(wǎng)絡(luò)的算 法，體會(huì)到了神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)和在未來(lái)發(fā)揮的作用。 通過測(cè)試表明，本課題能實(shí)現(xiàn) 對(duì)待車牌圖像的識(shí)別 功能 ， 可以 提供智能化的識(shí)別系統(tǒng)，提高了識(shí)別速度和準(zhǔn)確性。 展望 該課題車牌識(shí)別系統(tǒng)是一個(gè)實(shí)用性和強(qiáng)的智能識(shí)別系統(tǒng)，但由于實(shí)際的環(huán)境和學(xué)術(shù)知識(shí)的局限，讓整個(gè)系統(tǒng)還有很多有待改善的地方。例如本設(shè)計(jì)對(duì)于車牌的傾斜條件下識(shí)別準(zhǔn)確度下降的問題，需要后續(xù)的研究工作，進(jìn)一步優(yōu)化系統(tǒng)。此外，對(duì)于外界環(huán)境的變化，如光照和夜間等情況，若能克服，將對(duì)交通狀況智能化具有重大意義。 北京理工大學(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（論文） 27 參考文獻(xiàn) [1]史忠 職 . 神經(jīng)網(wǎng)絡(luò) [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(wàn)森 . 人工智能原理及其應(yīng)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(chǔ)到應(yīng)用 [M]. 清華大學(xué)出版社， [5]沈晶 . Visual C++數(shù)字圖像處理典型案例詳解 [M]. 機(jī)械工業(yè)出版社 ， 20xx. [6]馬銳 . 人工神經(jīng)網(wǎng)絡(luò)原理 [M]. 第一版 . 機(jī)械工業(yè)出版社 , 20xx 年 9 月 . [7]張世輝 ， 孔令富 .漢字識(shí)別及現(xiàn)狀分析 [J]. 燕山大學(xué)學(xué)報(bào) ， 20xx,04(3)8085. [8]趙輝 葉子青 . Visual C++系統(tǒng)開發(fā)實(shí)例精粹 [M]. 人民郵電出版社 . [9]王旭 王宏 王文輝 . 人工神經(jīng)元網(wǎng)絡(luò)原理與應(yīng)用 [M]. 第二版 . 東北大學(xué)出版社 , 20xx 年 . [10]曾志軍 ， 孫國(guó)強(qiáng) . 基于改進(jìn)的 BP 網(wǎng)絡(luò)數(shù)字字符識(shí)別 [J].上 海 理工大學(xué)學(xué)報(bào) ， 20xx, 32(1)5153. [11]沈晶 . Visual C++數(shù)字圖像處理典型案例詳解 [M]， 機(jī)械工業(yè)出版社 ， 20xx. [12]歐陽(yáng)俊，劉平 .基于 BP 神經(jīng)網(wǎng)絡(luò) 的車牌字符識(shí)別算法研究 [J].光學(xué)與光電技術(shù)， 20xx， 10（ 5） 6771. [13]張玲，張鳴明，何偉 .基于 BP 神經(jīng)網(wǎng)絡(luò)算法的車牌字符識(shí)別系統(tǒng)設(shè)計(jì) [J].視頻應(yīng)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(xué) 20xx 屆本科生畢業(yè)設(shè)計(jì)（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