【正文】 若權(quán)值的變化量記為ijW? ，即 ： jipij WEW ????? （ 44） 令式 （ 44） 中 ： 。訓(xùn)練網(wǎng)絡(luò)的目的是找到一組權(quán)重，使誤差函數(shù)極小化。權(quán)重的學(xué)習(xí)就是不斷的調(diào)整各個(gè)神經(jīng)元的連接強(qiáng)度，使其能在最小二乘的意義上逼近所對應(yīng)的輸出。通過理想輸出與輸出層之間的誤差來決定是否對權(quán)重、閾值進(jìn)行修改，這個(gè)修改是從高層向下進(jìn)行的。 BP 網(wǎng)絡(luò)的實(shí)現(xiàn)分為兩個(gè)階段的，即學(xué)習(xí) (訓(xùn)練 )階段和識別階段。在正向傳輸中，輸入信息從輸入經(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。網(wǎng)絡(luò)的每一個(gè)輸入節(jié)點(diǎn)表示字符圖像提取特征后特征向量的一個(gè)分量數(shù)據(jù)，輸出節(jié)點(diǎn)表示分類序號，分類判決可以采用輸出最大值法。層與層之間采用全互連的方式。并且如果能適當(dāng)改進(jìn) BP網(wǎng)絡(luò)的學(xué)習(xí)算法，則不會需要太長訓(xùn)練時(shí)間。 系統(tǒng)中采用 BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)車牌字符的識別。 神經(jīng)網(wǎng)絡(luò)模式識別的基本方法是： 首先用已知樣本訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使之對不同類 西南科技大學(xué) 本科生 畢業(yè)論文 25 別的已知樣本給出所希望的 不同輸出，然后用該網(wǎng)絡(luò)識別 未知的樣本，根據(jù)各樣本所對應(yīng)的網(wǎng)絡(luò)輸出情況來劃分未知樣本的類別。神經(jīng)網(wǎng)絡(luò)的這種可以根據(jù)輸入樣本學(xué)習(xí)的功能，使得它非常適合于用來解決模式識別問題，這也是神經(jīng)網(wǎng)絡(luò)目前最成功的應(yīng)用領(lǐng)域之一 [15]。這種面向?qū)崟r(shí)應(yīng)用的模式識別問題促使人們開始將并行處理的神經(jīng)網(wǎng)絡(luò)應(yīng)用到模 式識別中。 系統(tǒng)采用的識別方法 目前，隨著計(jì)算機(jī)的迅速發(fā)展，模式識別技術(shù)己經(jīng)從理論探討為主發(fā)展到大量的實(shí)際應(yīng)用，人們將更多的注意力開始轉(zhuǎn)向那些用于語音、圖像、機(jī)器人以及人工智能等的模式識別實(shí)際問題。 兩種特征各有利弊，一般需要結(jié)合使用。不足之處在于細(xì)分能力較弱，區(qū)分相似字符的能力差一些。局部特征是將字符點(diǎn)陣圖像分割成不同區(qū)域或網(wǎng)格，在 西南科技大學(xué) 本科生 畢業(yè)論文 24 各個(gè)小區(qū)域內(nèi)分別抽取統(tǒng)計(jì)特征，在特定位置對特定大小的窗口內(nèi)的圖像進(jìn)行變換，如投影特征、細(xì)胞特征、計(jì)算方向線素特征等。統(tǒng)計(jì)特征又可以分為全局特征和局部特征。這些因素直接影響到結(jié)構(gòu)基元的提取，此外結(jié)構(gòu)方法的描述比較復(fù)雜，匹配過程的復(fù)雜度因而也較高。其主要優(yōu)點(diǎn)在于對字符變化的適應(yīng)性強(qiáng)，區(qū)分相似字符能力強(qiáng)。由這些結(jié)構(gòu)基元及其相互關(guān)系完全可以精確地對字符加以描述。 與兩種識別方法相對應(yīng)，特征也大體上分為統(tǒng)計(jì)特征和結(jié)構(gòu)特征兩類。 字符的識別方法簡介 同模式識別中的其它問題一樣，字符識別方法基本上也分成統(tǒng)計(jì)決策識別和句法結(jié)構(gòu)識別兩大類，而每一類中又包含有許多具體的方法。 系統(tǒng) 采用了第一種方法即逐象素特征提取法做特征提取。可以得到 4個(gè)特征示意圖 ， 最后將字符 圖像 的全部黑色象素的數(shù)目的總和作為一個(gè)特征總共即得到 13個(gè)特征 。然后統(tǒng)計(jì)水平方向中間兩列和豎直方向中間兩列的黑色象素點(diǎn)的個(gè)數(shù)作為 4個(gè)特征，最后統(tǒng)計(jì)所有黑色象素點(diǎn)的個(gè)數(shù)作為第 13 個(gè)特征。 該提取方法的缺點(diǎn) 是適應(yīng)性不強(qiáng)，當(dāng)字符存在傾斜和偏移時(shí)都會對識別產(chǎn)生誤差。 骨架特征提取的方法對于線條粗細(xì)不同的圖像有一定的適應(yīng)性，但圖像一旦出現(xiàn)偏移就難以識別。一般使用細(xì)化的方法來提取骨架，細(xì)化的算法很多如 Hilditch算法、 Rosenfeld算法等。 骨架特征提取法 兩幅圖像由于它們的線 條的粗細(xì)不同，使得兩幅圖像的差別很大，但將它們的線條細(xì)化后，統(tǒng)一到相同的高度，這時(shí)兩幅圖像的差距就不那么明顯。 字符的特征提取 特征提取的方法多種多樣，有逐象素特征提取法，骨架特征提取法，垂直方向數(shù)據(jù)統(tǒng)計(jì)特征提取法 ， 13 點(diǎn)特征點(diǎn)提取法 ，弧度梯度特征提取法等很多種方法，根據(jù)具體情況的不同我們可以選擇不同的方法。下面就要從被分割歸一化處理完畢的字符中提取最能體現(xiàn)這個(gè)字符特點(diǎn)的特征向量。 在實(shí)驗(yàn)時(shí)，圖 中如果含有漢字，則系統(tǒng)就會出現(xiàn)錯(cuò)誤而拒絕作字符分割， 實(shí)現(xiàn)漢字分割 還需要作進(jìn)一步改進(jìn)。圖 313 中為了可以清楚的觀察字符的緊縮排列，歸一化的字符寬度為 12，高度為 24（圖 311中的字符寬度為 8，高度為 16）。從實(shí)驗(yàn)可以得出，該字符分割模塊基本上可以完成大部分的數(shù)字字符分割。 實(shí)驗(yàn)中的字符分割函數(shù)為 CharSegment()； DrawFrame()函數(shù) 用來給分割后的字符周圍畫邊框 ； StdDIBbyRec()函數(shù)用來實(shí)現(xiàn)歸一化處理；緊縮排列 由函數(shù) AutoAlign()完成。此外還可以采用其他方法以達(dá)到更好的效果。建議歸一化的寬度為 8，高度為 16。在得到寬度高度之后，把新圖像里面的點(diǎn)按照插值的方法映射到原圖像中。 因?yàn)閽呙柽M(jìn)來的圖像字符大小存在 差異，而相對來說，統(tǒng)一尺寸的字符識別的標(biāo)準(zhǔn)性更強(qiáng)準(zhǔn)確率自然也更高，標(biāo)準(zhǔn)化圖像就是要把原來各不相同的字符統(tǒng)一到同一尺寸 ，在本系統(tǒng)中是統(tǒng)一到同一高度然后根據(jù)高度來調(diào)整字符的寬度。 經(jīng)過以上 3個(gè)步驟的循環(huán)，就可以實(shí)現(xiàn)字符的 分割。這樣就得到了每個(gè)字符比較精確的寬度范圍。這樣就可以找到圖像的大致高度范圍。記錄下來。 系統(tǒng)采用的分割方法 根據(jù) 以上介紹的算法，本文采用了一種比較實(shí)用的 方法 ， 通過對圖像的掃描，得到分割的字符 。字符切分 分 為 兩步進(jìn)行， 先進(jìn)行字符的垂直切分，定出每個(gè)字符的左右邊界， 然后進(jìn)行字符的水平切分，定出每個(gè) 字 符的上下邊界。 車牌的字符切分是在車牌定位的基礎(chǔ)上，對取出的牌照圖像區(qū)域進(jìn)行下一步處理，定出牌照上每一個(gè)字符的上下左右邊界，從而將牌照上的字符完整準(zhǔn)確地切割下 西南科技大學(xué) 本科生 畢業(yè)論文 19 來，作為下 一步字符識別的數(shù)據(jù)源。由于獲得的文本圖像不但包含了組成文本的一個(gè)個(gè)字符，而且包含了字符行間與 字間的空白，甚至還會帶有各種標(biāo)點(diǎn)符號，這就需要采用一定的處理技術(shù)，將文本中的一個(gè)個(gè)字符切分出來，形成單個(gè)字符的圖像陣列，以進(jìn)行單字識別處理。 在一般的字符識別系統(tǒng)中，字符識別之前要經(jīng)過閾值化過程和行字切分過程，以分割出一個(gè)具體的二值表示的字符圖像點(diǎn)陣，作為單字符識別的輸入數(shù)據(jù)。以上的字符分割算法均是基于二值圖像進(jìn)行的。因?yàn)榉指畈豢赡茏龅酵耆_，現(xiàn)在有的算法已經(jīng)把字符的分割作為不必要的步驟，而是直接把字符組成的單詞當(dāng)作一個(gè)整體來識別。 傳統(tǒng)的字符分割算法可以歸納為 以下三類 ： 直接的分割法，基于識別基礎(chǔ)上的分割法，自適應(yīng)分割線聚類法 [13]。 字符分割的算法很多，通常根據(jù)處理對象的不同有許多相應(yīng)的方法。 西南科技大學(xué) 本科生 畢業(yè)論文 17 圖 33 水平傾斜 圖 34 垂直傾斜 圖 35 水平垂直傾斜 字符分割方法簡介 x x/ y y/ ? ? x y/ y x （ a） 水平垂直傾斜 （ 0?? ） （ b） 水平垂直傾斜 （ 0?? ） i j ? ? i j (a) 垂直傾斜 （ 0?? ） (b) 垂直傾斜 （ 0?? ） x y x/ y/ ? x/ x y/ y ? (a) 水平傾斜 （ 0?? ） （ b） 水平傾斜 （ 0?? ） 西南科技大學(xué) 本科生 畢業(yè)論文 18 圖像分割是一種基本的計(jì)算機(jī)視覺技術(shù) ， 是由圖像處理進(jìn)行到圖像分析的關(guān)鍵步驟，這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測量將原 始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能?？上葯z測水平傾斜角度 ? ，進(jìn)行水平傾斜校正，然后再求取垂直傾斜角度 ? 進(jìn)行垂直傾斜校正。垂直傾斜時(shí)，傾斜實(shí)際上是同一行間像素的錯(cuò)位偏移，只要檢測到垂直傾斜角度 ? 進(jìn)行錯(cuò)位偏移校正即可。 水平傾斜時(shí)，字符基本上無傾斜，車牌的水平 39。然而，傾斜的車牌圖像本身就極不利于車牌字符的切分，因此，將圖像水平校正放在圖像預(yù)處理過程中是切實(shí)可行的 [11]。但是，實(shí)際上 CCD 攝像機(jī)通常安裝在路邊或頂部，這將造成車輛車牌與 CCD 攝像頭成像平面不平行，產(chǎn)生不同程度的車牌圖像的傾斜與變形，影響車牌的檢測和分割。在實(shí)驗(yàn)中 ， 如果圖像中的字符較為細(xì)小，則不使用梯度銳化。 實(shí)驗(yàn)證明梯度銳化具備一定的去噪聲能力，但同時(shí)也會對字符的邊緣有所損 傷。在邊緣灰度值過渡比較尖銳且圖像中噪聲比較小時(shí)，梯度算子的工作效果較好。 在 這三個(gè)算子中，最簡單的算子是 Roberts 算子， Roberts 算子是效果比較好的一種，我們采用的就是這個(gè)算子，效果如圖 32所示。對 xG 和 yG 各用一個(gè)模板，所以需要兩個(gè)模板組合起來構(gòu)成一個(gè)梯度算子。對一個(gè)連續(xù)函數(shù) ),( yxf 它在位置 ),( yx 的梯度可以表示為一個(gè)矢量 ： ? ? TTyx yfxfGGyxf ?????????????? ),( （ 33） 這個(gè)矢量的幅度 (也常直接簡稱為梯度 )和方向角分別為 ： ? ?2122)( yx GGfm ag ??? （ 34） )ar c tan (),( xyGGyx ?? （ 35） 以上三式中的偏導(dǎo)數(shù)需要對每個(gè)象素位置計(jì) 算。 圖像的銳化有很多方法，一種是微分法，一種是高通濾波法，梯度銳化的方法就是微分法的一種。 在考察相連的黑色點(diǎn)的時(shí)候用的是遞歸 的方法。 本系統(tǒng)采用的是去除雜點(diǎn)的方法來進(jìn)行去噪聲處理。 這里不再詳細(xì)論述。 同態(tài)濾波 同態(tài)濾波器的思想就是用一系列方法把乘性信號變換成加性組合信號，經(jīng)過處理后再反變換回乘性信號。中值濾波的突出優(yōu)點(diǎn)是在消除噪聲的同時(shí)，還能防止邊緣模糊。常用于空間域高通濾波的沖激響應(yīng)陣列有以下幾種： ???????????????0101510101H ???????????????????1111911112H ???????????????1212521213H （ 32） 中值濾波 中值濾波是一種非線性濾波，它也是一種鄰域運(yùn)算，類似 于 卷積。采用高通濾波器讓高頻分量順利通過，而對低頻分量則充分限制，使圖像的邊緣變得清晰，實(shí)現(xiàn)圖像的銳化。 高通濾波 在進(jìn)行圖像處理時(shí)，我們經(jīng)常要對圖像進(jìn)行銳化以便突出圖像的邊緣。 這種算法簡單，處理速度快，但它的主要缺點(diǎn)是在降低噪聲的同時(shí)使圖像產(chǎn)生模糊，特別在邊緣和細(xì)節(jié)處。典型的鄰域有兩種 ： 四鄰域和八鄰域，其模板 見 式 （ 31） 。空間域的平滑濾波一般采用簡單平均法進(jìn)行，就是求鄰近像素點(diǎn)的平均亮度值，稱為鄰域平均法。 鄰域平均法 為了消除圖像中的噪聲，可以直接在空間域上對圖像進(jìn)行平滑濾波。采用合適的濾 波方法不但可以濾除噪聲還可以對圖像進(jìn)行銳化，增強(qiáng)圖像的邊緣信息。 去噪聲 處理 圖像在掃描或者傳輸過程中夾帶了噪聲，去噪聲是 圖像 處理中常用的手法。這樣 直方圖中必有連零塊和非連零塊，測試每個(gè)非連零塊的寬度，如果它不在車牌高度的范圍內(nèi)，就置其為零，那么就將邊框?yàn)V除了 (其中 Height， Width為牌照圖像的高度和寬度 )。 車牌預(yù)處理 去邊框處理 一般 藍(lán)底白字的車牌都有白色邊框，與字符的顏色相同，它的存在將對后繼的字符識別造成影響，因此它的濾除十分必要。另外在實(shí)驗(yàn)中還發(fā)現(xiàn)該算法對車牌背景環(huán)境要求比較嚴(yán)格，車牌如果比較傾斜或者車牌顏色與汽車顏色相近或者車牌背景中的噪聲較大，則定位起 來比較困難，不能實(shí)現(xiàn)車牌的精確定位，以后需要進(jìn)一步改進(jìn)。 (a) 水平投影分割得到的圖像 (b) 腐蝕運(yùn)算得到的圖像 (c) 第一次膨脹運(yùn)算得到的圖像 (d) 第二次膨脹運(yùn)算得到的圖像 圖 26 形態(tài)學(xué)變化得到的圖像 圖 27 定位流程圖 西南科技大學(xué) 本科生 畢業(yè)論文 12 實(shí)驗(yàn)結(jié)果分析