【正文】 因此，在工作中，如果我們不能選擇正確的事情去做，那么唯一正確的事情就是停止手頭上的事情，直到發(fā)現(xiàn)正確的事情為止。 不找借口 美國成功學(xué)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(jī)會(huì)！”一個(gè)人對(duì)待生活和工作是否負(fù)責(zé)是決定他能否成功的關(guān)鍵。正如微軟總裁兼首席軟件設(shè)計(jì)師比爾。 培養(yǎng)重點(diǎn)思維 從重點(diǎn)問題突破，是高效能人士思考的一項(xiàng)重要習(xí)慣。：“成功就是目標(biāo)的達(dá)成，其他都是這句話的注釋。 要事第一 創(chuàng)設(shè)遍及全美的事務(wù)公司的亨瑞?！? 把問題想透徹 把問題想透徹，是一種很好的思維品質(zhì)。相反，如果他抓住了主要矛盾，解決問題就變得容易多了。 一次做好一件事 ：“一次做好一件事的人比同時(shí)涉獵多個(gè)領(lǐng)域的人要好得多。因此，在工作中，如果我們不能選擇正確的事情去做，那么唯一正確的事情就是停止手頭上的事情，直到發(fā)現(xiàn)正確的事情為止。 不找借口 美國成功學(xué)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(jī)會(huì)！”一個(gè)人對(duì)待生活和工作是否負(fù)責(zé)是決定他能否成功的關(guān)鍵。正如微軟總裁兼首席軟件設(shè)計(jì)師比爾。 培養(yǎng)重點(diǎn)思維 從重點(diǎn)問題突破，是高效能人士思考的一項(xiàng)重要習(xí)慣。：“成功就是目標(biāo)的達(dá)成，其他都是這句話的注釋。在整個(gè)實(shí)驗(yàn)中我們懂得了許多東西，也培養(yǎng)了合作的能力，樹立了信心，發(fā)揚(yáng)了吃苦耐勞的精神，相信會(huì)對(duì)今后的學(xué)習(xí)工作生活有非常重要的影響。同時(shí)在這期間我們遇到了很多困難，但我們知道做什么開始都不容易，只要定下心來，一步一個(gè)腳印的踏踏實(shí)實(shí)的去做，一定會(huì)成功。此處采用的是模板匹配的方法，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來確定最終的識(shí)別結(jié)果。字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；。四 總結(jié)（一）課題小結(jié) 在車輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的預(yù)處理和識(shí)別技術(shù)都無法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。 parameters: adaptParam: .passes initParam: (none) performParam: (none) trainParam: .epochs, .goal, .lr, .lr_dec, .lr_inc, .max_fail, .max_perf_inc, .mc, .min_grad, .show, .time weight and bias values: IW: {2x1 cell} containing 1 input weight matrix LW: {2x2 cell} containing 1 layer weight matrix b: {2x1 cell} containing 2 bias vectors other: userdata: (user stuff) 由此可見，程序可滿足期望要求。 performF: 39。 1 0] outputConnect: [0 1] targetConnect: [0 1] numOutputs: 1 (readonly) numTargets: 1 (readonly) numInputDelays: 0 (readonly) numLayerDelays: 0 (readonly) subobject structures: inputs: {1x1 cell} of inputs layers: {2x1 cell} of layers outputs: {1x2 cell} containing 1 output targets: {1x2 cell} containing 1 target biases: {2x1 cell} containing 2 biases inputWeights: {2x1 cell} containing 1 input weight layerWeights: {2x2 cell} containing 1 layer weight functions: adaptF: 39。其識(shí)別圖形如圖24。其變化如圖21，圖22。=。)。}, 39。 用matlab 神經(jīng)網(wǎng)絡(luò)工具箱，用BP神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)函數(shù)，部分程序如下：net=newff(pr,[25 1],{39。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。BP網(wǎng)絡(luò)結(jié)構(gòu)： 基于BP算法的多層前饋型網(wǎng)絡(luò)將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。BP神經(jīng)網(wǎng)絡(luò)由1024個(gè)輸入節(jié)點(diǎn)、20個(gè)隱層節(jié)點(diǎn)、6個(gè)輸出節(jié)點(diǎn)組成。它能夠處理一些環(huán)境信息十分復(fù)雜、背景不清晰、有磨損、殘缺等方面的問題的情況。③可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。后一種方法無須特征提取和模板匹配，隨著相關(guān)技術(shù)的進(jìn)步，這種方法更實(shí)用。此算法先對(duì)識(shí)別字符進(jìn)行關(guān)鍵點(diǎn)提取，然后對(duì)關(guān)鍵點(diǎn)去噪，最后再確定字符的分類。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。圖 310 行方向區(qū)域和最終定位出來的車牌（3）車牌進(jìn)一步處理經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對(duì)圖像二值化。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了bwareaopen來去除對(duì)象中不相干的小對(duì)象。 對(duì)圖像進(jìn)行腐蝕去除雜質(zhì)通過計(jì)算尋找X和Y方向車牌的區(qū)域完成車牌定位對(duì)分割出的車牌做進(jìn)一步處理 圖38 牌照定位于分割流程圖（1）牌照區(qū)域的定位牌照?qǐng)D像經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法?；谥本€邊緣識(shí)別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。 2 車牌的定位與分割 車牌定位對(duì)車牌識(shí)別系統(tǒng)來說至關(guān)重要，目前已經(jīng)提出了很多車牌定位的方法，這些方法都具有一個(gè)共同的出發(fā)點(diǎn)，即通過牌照區(qū)域的特征來判斷牌照。 圖37未濾波直接提取出的邊緣，經(jīng)灰度校正后提取的邊緣以及經(jīng)平滑處理后提取的邊緣 對(duì)比以上幾幅圖片，圖8的邊緣已經(jīng)模糊掉了。為了克服這種平均化引起的圖像模糊現(xiàn)象，我們給中心點(diǎn)象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點(diǎn)才能替換為鄰域平均值，而差值不大于閾值時(shí)，仍保留原來的值，從而減少由于平均化引起的圖像模糊。我們發(fā)現(xiàn)車輛牌照?qǐng)D像的灰度取值范圍大多局限在r=(50,200)之間，而且總體上灰度偏低，圖象較暗。增強(qiáng)圖象對(duì)比度度的方法有：灰度線性變換、圖象平滑處理等。原圖、灰度圖及其直方圖見圖2與圖3。 輸入車牌圖像灰度校正平滑處理提取邊緣 圖31 預(yù)處理及邊緣提取流程圖 圖像的采集與轉(zhuǎn)換考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如，對(duì)藍(lán)底白字這種最常見的牌照，采用藍(lán)色B有多余的空格。因?yàn)橄到y(tǒng)運(yùn)行的過程中，主要進(jìn)行