【正文】 為誤差函數(shù)，隨著學(xué)習(xí)次數(shù)的pE增加， 越來(lái)越小，使函數(shù)逼近速度減慢。在解決稍復(fù)雜問(wèn)題時(shí)，誤差函數(shù)可能陷入一個(gè)局部極小區(qū)域，使網(wǎng)絡(luò)訓(xùn)練無(wú)法跳出這一局部極小值，致使學(xué)習(xí)過(guò)程失敗。初始權(quán)值不要太大：否則可能會(huì)處于誤差平面較平坦的區(qū)域，從而導(dǎo)致算法無(wú)法收斂，訓(xùn)練失敗。判斷是否學(xué)習(xí)完所有的樣本，是則結(jié)束，否則轉(zhuǎn)第 3 步。由實(shí)際輸出和期望輸出求得誤差。0?一般地，BP 網(wǎng)絡(luò)學(xué)習(xí)步驟描述如下：設(shè)置變量和參數(shù)，其中包括訓(xùn)練樣本，權(quán)值矩陣，學(xué)習(xí)速率。設(shè)訓(xùn)練集包含 個(gè)樣本，對(duì)第 個(gè)訓(xùn)練樣本( )，單元 的實(shí)際輸MpMp??2,1j出為 ，它的第 個(gè)輸入(也即第 個(gè)神經(jīng)元的輸出)為 ，則：pjOii jO （4piNijpjOWu??01）BP 算法中大多選用 Sigmoid 型函數(shù)作為輸出函數(shù)，即： 西南科技大學(xué)本科生畢業(yè)論文 32 （4)exp(1)(jpjpj uufO???2）定義網(wǎng)絡(luò)誤差函數(shù)為： （4??pE??22?jpjjpOd3）式（43 ）中， 表示對(duì) 個(gè)訓(xùn)練樣本，單元 的期望輸出。在學(xué)習(xí)階段輸入要學(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。BP 算法由兩部分組成：信息的正向傳遞與誤差的反向傳輸。 BP 神經(jīng)網(wǎng)絡(luò)識(shí)別車(chē)牌三層的 BP 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖 41 所示： 為輸入層節(jié)點(diǎn)； 為隱層節(jié)點(diǎn)；ij為輸出層節(jié)點(diǎn)。神經(jīng)網(wǎng)絡(luò)可以處理一些環(huán)境信息十分復(fù)雜，背景知識(shí)不清楚，推理規(guī)則不明確的問(wèn)題，允許樣品有較大的缺損、畸變，其運(yùn)行速度快，自適應(yīng)性能好。 人工神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network)簡(jiǎn)稱(chēng)神經(jīng)網(wǎng)絡(luò)是基于目前人們對(duì)自然神經(jīng)系統(tǒng)的認(rèn)識(shí)而提出的一些神經(jīng)系統(tǒng)的模型，一般是由一系列被稱(chēng)為神經(jīng)元的具有某種簡(jiǎn)單計(jì)算功能的節(jié)點(diǎn)經(jīng)過(guò)廣泛連接構(gòu)成的一定網(wǎng)絡(luò)結(jié)構(gòu)，而其網(wǎng)絡(luò)連接的權(quán)值根據(jù)某種學(xué)習(xí)規(guī)則在外界輸入的作用下不斷調(diào)節(jié)，最后使網(wǎng)絡(luò)具有某種期望的輸出特性。另外，雖然神經(jīng)網(wǎng)絡(luò)方法中主要采用局部特征，其分類(lèi)機(jī)理也與傳統(tǒng)的統(tǒng)計(jì)方法相同，但是由于它具有很大的靈活性，我們下面將它單獨(dú)作為一類(lèi)進(jìn)行詳細(xì)討論。統(tǒng)計(jì)特征的特點(diǎn)是抗干擾性強(qiáng)，匹配與分類(lèi)的算法簡(jiǎn)單，易于實(shí)現(xiàn)。統(tǒng)計(jì)法統(tǒng)計(jì)法依賴于大量的原始樣本和數(shù)值計(jì)算，它是從車(chē)牌字符原始數(shù)據(jù)中提取與分類(lèi)最相關(guān)的信息，使得類(lèi)內(nèi)差距極小化，類(lèi)間差距極大化，特征對(duì)同一個(gè)字符類(lèi)的形變應(yīng)該盡量保持不變。主要的方法有基于輪廓、骨架和字符鏈碼的方法。然而無(wú)論采取何種識(shí)別方法，其中的關(guān)鍵都是特征的選取與提取以及相應(yīng)的分類(lèi)算法。13 特征提取法有著極好的適應(yīng)性，但是由于特征點(diǎn)的數(shù)目太少所以樣本訓(xùn)練的時(shí)候比較難收斂。13 點(diǎn)特征點(diǎn)提取法 西南科技大學(xué)本科生畢業(yè)論文 29首先把字符平均分成 8 份，統(tǒng)計(jì)每一份內(nèi)黑色象素點(diǎn)的個(gè)數(shù)作為 8 個(gè)特征，分別統(tǒng)計(jì)這 8 個(gè)區(qū)域黑色象素的數(shù)目，可以得到 8 個(gè)特征。對(duì)經(jīng)過(guò)細(xì)化的圖像利用 EveryPixel 函數(shù)進(jìn)行處理就可以得到細(xì)化后圖像的特征向量矩陣。逐象素特征提取法這是一種最簡(jiǎn)單的特征提取方法，對(duì)圖像進(jìn)行逐行逐列的掃描，當(dāng)遇到黑色象素時(shí)取其特征值為 1，遇到白色象素時(shí)取其特征值為 0，這樣當(dāng)掃描結(jié)束以后就形成了一個(gè)維數(shù)與圖像中象素點(diǎn)的個(gè)數(shù)相同的特征向量矩陣。圖 37 字符分割的結(jié)果 圖 38 緊縮排列的結(jié)果 圖 39 車(chē)牌的字符分割結(jié)果 圖 310 車(chē)牌的字符緊縮排列結(jié)果 西南科技大學(xué)本科生畢業(yè)論文 27 西南科技大學(xué)本科生畢業(yè)論文 28第 4 章 特征提取與字符識(shí)別經(jīng)過(guò)上面的一系列變換，車(chē)牌中的字符被分割提取出來(lái)。圖 312 中“ 川” 字被分割成了三份，這說(shuō)明分割算法的正確性，但它對(duì)漢字的分割卻是錯(cuò)誤的。 算法的實(shí)現(xiàn)根據(jù)以上算法在 VC++中用 C++語(yǔ)言編程，可以實(shí)現(xiàn)字符分割，并實(shí)現(xiàn)字符的歸一化和緊縮排列。圖像標(biāo)準(zhǔn)歸一化的高度和寬度信息可以通過(guò)一個(gè)對(duì)話框輸入，但為了以后特征提取的時(shí)候處理方便。字符分割以后要做歸一化和緊縮排列，以便做特征提取 [14]。在上面得到的高度范圍內(nèi)對(duì)圖像進(jìn)行自左向右逐列進(jìn)行掃描，遇到第一個(gè)黑色象素時(shí)認(rèn)為是字符分割的起始位置，然后繼續(xù)掃描，直至遇到有一列中沒(méi)有黑色象素，則認(rèn)為是第一個(gè)字符分割結(jié)束，然后繼續(xù)掃描，按照上面的方法一直掃描到圖像的最右端。 算法介紹經(jīng)過(guò)處理后的車(chē)牌可以進(jìn)行字符分割，本文的分割算法如下：先自上而下對(duì)圖像進(jìn)行逐行掃描直至遇到第一個(gè)黑色象素點(diǎn)。牌照切分是在二值圖上進(jìn)行的。其中，識(shí)別字符過(guò)程中的第一步就是要將獲得的數(shù)字灰度圖像轉(zhuǎn)變?yōu)閿?shù)字二值圖像，這個(gè)過(guò)程稱(chēng)為二值化過(guò)程，采用的技術(shù)，通常稱(chēng)為閾值化技術(shù)。利用諸如馬爾可夫數(shù)學(xué)模型等方法進(jìn)行處理，這主要是應(yīng)用于文本識(shí)別。為了實(shí)現(xiàn)更好的分割，有關(guān)景物的總體知識(shí)和先驗(yàn)信息是很有用的，根據(jù)包含在圖像中的信息，可以定制相應(yīng)的判決準(zhǔn)則和控制策略，使其完成自動(dòng)分割，比如對(duì)多行文本的處理，郵政部門(mén)對(duì)郵政編碼和地址的識(shí)別，金融等部門(mén)對(duì)支票簽名手寫(xiě)字跡的分割識(shí)別等等，都是針對(duì)具體的不同研究對(duì)象而采用不同的算法。? ?對(duì)車(chē)輛牌照做預(yù)處理以后就可以進(jìn)行字符分割的步驟。xx一個(gè)傾斜角度 ，只要求取 ，將圖像繞 軸旋轉(zhuǎn) 即可。就圖像的旋轉(zhuǎn)傾斜的問(wèn)題，更多的情況下，圖像的水平校正是放在車(chē)牌的二值化和分割，甚至是在車(chē)牌字符切分之后再進(jìn)行，這樣圖像的運(yùn)算量大大減少。從處理結(jié)果可以看出圖像的邊緣變得清晰而且少了很多細(xì)小的雜點(diǎn)，但梯度銳化有其自身的缺陷，當(dāng)處理的圖像邊緣很細(xì)的時(shí)候可能造成邊緣信息的損失。算子運(yùn)算時(shí)是采用類(lèi)似卷積的方式，將模板在圖像上移動(dòng)并在每個(gè)位置計(jì)算中心象素的梯度值。在實(shí)際中常用小區(qū)域模板卷積來(lái)近似計(jì)算。 西南科技大學(xué)本科生畢業(yè)論文 19 梯度銳化我們所得到的二值化圖像的字體一般是比較模糊的，對(duì)識(shí)別造成了一定的困難，所以有時(shí)要對(duì)圖像進(jìn)行銳化處理使模糊的圖像變得清晰，同時(shí)可以對(duì)噪聲起到一定的抑制和去除作用。 西南科技大學(xué)本科生畢業(yè)論文 18去除噪聲處理要根據(jù)不同的噪聲特點(diǎn)選取合適的方法。如果圖像的噪聲多是孤立的點(diǎn)，這些點(diǎn)對(duì)應(yīng)的像素又很少，而圖像則是由像素較多、面積較大的塊構(gòu)成，中值濾波效果很好。但是，對(duì)圖像進(jìn)行空間域的高通濾波，在增強(qiáng)圖像邊緣的同時(shí)，孤立的噪聲點(diǎn)也得到了增強(qiáng)。而且， （3???????014M???????1081）隨著鄰域的增大，雖然增強(qiáng)了去噪聲的能力，但同時(shí)模糊程度也更嚴(yán)重。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但鄰域過(guò)大，平滑會(huì)使邊緣信息損失的越大，從而使輸出的圖像變得模糊，因此需要合理選擇鄰域的大小。下面介紹幾種常用的濾波方法。濾除左右邊框?yàn)V除左右邊框的方法與濾除上下邊框的方法類(lèi)似，只是閾值有些不同，不再贅述。圖 28 定位前后的圖像 西南科技大學(xué)本科生畢業(yè)論文 16第 3 章 車(chē)輛牌照的字符分割在做字符分割以前，必須對(duì)定位出來(lái)的圖像做進(jìn)一步的處理，要對(duì)車(chē)牌做去邊框處理、去噪聲處理、梯度銳化、傾斜度調(diào)整等預(yù)處理才能進(jìn)行字符分割。圖像定位算法流程圖如圖 27 所示。將得到的圖像再投影到垂直方向，再根據(jù)車(chē)牌的寬度信息，設(shè)定一個(gè)范圍，可以把這個(gè)范圍設(shè)置大些，這是因?yàn)榻?jīng)過(guò)形態(tài)學(xué)變化后，車(chē)牌的長(zhǎng)度會(huì)變大，而且有可能把附近的一些雜點(diǎn)連在一起了，從而增大了車(chē)牌連通區(qū)域的長(zhǎng)度，如果范圍定 西南科技大學(xué)本科生畢業(yè)論文 13的太小，就有可能檢測(cè)不到車(chē)牌區(qū)域 [10]。 （a）原圖 （b）對(duì)原圖開(kāi)啟操作后 （c）對(duì)原圖閉合操作后 圖 25 圖像的開(kāi)啟、閉合操作的顯示效果再進(jìn)行二次膨脹運(yùn)算，由于膨脹的目的是要把車(chē)牌區(qū)域連通，因此使用的結(jié)構(gòu)算子和腐蝕的結(jié)構(gòu)算子不一樣，要略大一些。Ax A腐蝕的操作效果如圖 24 所示，其中白色為目標(biāo)，黑色為背景，結(jié)構(gòu)元素為一33 正方形對(duì)象。也就是說(shuō)，x用 來(lái)膨脹 得到的集合是 的位移與 至少有一個(gè)非零元素相交時(shí) 的原點(diǎn)的位^BAB置的集合。結(jié)構(gòu)元素是一個(gè)用來(lái)定義形態(tài)操作中所用到的鄰域的形狀和大小的矩陣，可以具有任意的大小和維數(shù)。使用形態(tài)學(xué)操作可以實(shí)現(xiàn)增強(qiáng)對(duì)比度、消除噪聲、細(xì)化、填充和分割等常用的圖像處理任務(wù)。但在現(xiàn)實(shí)中得到二值圖像的“峰、谷、峰” 的特點(diǎn)并不十分明顯，采用這種方法對(duì)車(chē)牌的垂直位置進(jìn)行定位效果不是很好，本文考慮使用形態(tài)學(xué)與投影法相結(jié)合的方法來(lái)對(duì)車(chē)牌進(jìn)行垂直定位，下面簡(jiǎn)單介紹圖像形態(tài)學(xué) [9]。但在光照不均勻或背景復(fù)雜的圖像中峰值特性就不是很明顯了。如何判決峰的獨(dú)立性呢？本文采取了 3 個(gè)判決依據(jù)：1. 獨(dú)立峰具有一定峰頂和峰谷的落差，當(dāng)局部最大值和鄰近的局部最小值的差大于閾值，則該局部最小值為谷底，反之則為毛刺。窗口尺寸比較關(guān)鍵，選小了不足以平滑，選大了則會(huì)改變投影圖原有的基本變化特性。因此在車(chē)牌對(duì)應(yīng)的水平位置上會(huì)出現(xiàn)一個(gè)峰值，如圖 22 所示。 系統(tǒng)采用的定位方法在系統(tǒng)中，采用投影法來(lái)實(shí)現(xiàn)車(chē)輛牌照的定位。該方法的缺點(diǎn)是對(duì)噪聲敏感，且牌照?qǐng)D像存在傾斜時(shí)，不能達(dá)到預(yù)期的效果。(2)基于模板匹配的車(chē)牌定位方法：該算法主要是設(shè)立一個(gè)滑動(dòng)窗口，該窗口有若干向量值，利用該窗口在汽車(chē)圖像上滑動(dòng)，并計(jì)算該窗口所覆蓋的那塊車(chē)牌圖像的向量值，找出最佳的向量值，認(rèn)為是車(chē)牌區(qū)域。車(chē)牌定位的算法基本上可以分為兩大類(lèi)：第 1 類(lèi)是通過(guò)一個(gè)步驟將車(chē)牌定位出來(lái)；第 2 類(lèi)是通過(guò)兩個(gè)步驟將車(chē)牌定位出來(lái) [4]。 車(chē)輛牌照的定位方法簡(jiǎn)介經(jīng)過(guò)以上的預(yù)處理，我們就可以對(duì)圖像進(jìn)行車(chē)牌的定位和分割。該閾值對(duì)不同牌照有一定的適應(yīng)性，能夠保maxGin證背景基本被置為 0，以突出牌照區(qū)域。根據(jù)閾值選擇方法的不同，可以分為模態(tài)方法、迭代式閾值選擇等方法。所謂局部閾值分割法是將原始圖像劃分成較小的圖像，并對(duì)每個(gè)子圖像選取相應(yīng)的閾值。圖像的二值化就是把圖像中的象素的灰度值根據(jù)一定的標(biāo)準(zhǔn)分化成兩種顏色。應(yīng)該注意的是最后得到結(jié)果一定要?dú)w一到 0～255之內(nèi)。圖像灰度化有各種不同的算法，比較直接的一種是給象素的 RGB 值各自一個(gè)加權(quán)系數(shù)，然后求和。所謂灰度圖像就是圖像的每一個(gè)象素的RGB 分量的值是相等的。 圖像輸入牌照區(qū)域定位 中值濾波 削弱背景干擾灰度圖像二值化彩色圖像灰度化裁減車(chē)牌子圖像圖 21 車(chē)輛牌照定位原理 車(chē)輛牌照?qǐng)D像的預(yù)處理為了使車(chē)牌能夠被精確定位，在定位搜索以前，要對(duì)車(chē)牌圖像進(jìn)行預(yù)處理。為此人們進(jìn)行了大量的研究，并取得了一定的成果。文章在每一步處理后給出了實(shí)驗(yàn)結(jié)果，并給出了最后的識(shí)別結(jié)果。 本文主要工作及內(nèi)容安排本文主要研究車(chē)輛牌照識(shí)別系統(tǒng)中的數(shù)字識(shí)別技術(shù)，將數(shù)字圖像處理技術(shù)與模式識(shí)別技術(shù)緊密結(jié)合，針對(duì)汽車(chē)牌照字符識(shí)別的特點(diǎn)，分析了車(chē)牌定位與分割、字符分割、特征提取、BP神經(jīng)網(wǎng)絡(luò)等算法。② 國(guó)外許多國(guó)家汽車(chē)牌照的底色和字符顏色通常只有對(duì)比度較強(qiáng)的兩種顏色，而我國(guó)汽車(chē)牌照僅底色就有藍(lán)、黃、黑、白等多種顏色，字符顏色也有黑、紅、白等幾種顏色。然而無(wú)論是 LPR 算法還是 LPR 產(chǎn)品都存在一定的局限性，都需要適應(yīng)新的要求而不斷完善。整套系統(tǒng)實(shí)際是一種硬件和軟件的集成。當(dāng)系統(tǒng)發(fā)現(xiàn)有車(chē)時(shí)，圖像采集系統(tǒng)便開(kāi)始采集車(chē)輛牌照信息，得到的信息是圖像識(shí)別系統(tǒng)的輸入。但隨著計(jì)算機(jī)性能的提高和計(jì)算機(jī)視覺(jué)理論及技術(shù)的發(fā)展，這種技術(shù)必將日趨成熟。通過(guò)車(chē)輛牌照自動(dòng)識(shí)別，就可以對(duì)運(yùn)動(dòng)車(chē)輛查詢相關(guān)的數(shù)據(jù)庫(kù)，根據(jù)提取的車(chē)輛信息，實(shí)現(xiàn)有針對(duì)性的車(chē)輛檢查，極大的提高工作人員的效率，降低工作強(qiáng)度，同時(shí)也減少了國(guó)家財(cái)政收入的流失，減少交通事故的發(fā)生以及加強(qiáng)社會(huì)治安。 On the characters segmentation, the liminal rule was used to divide the characters。對(duì)車(chē)牌定位，本文采用投影法對(duì)車(chē)牌進(jìn)行定位；在字符分割方面，本文使用閾值規(guī)則進(jìn)行字符分割；針對(duì)車(chē)牌圖像中數(shù)