【正文】 特征值 如 下 表 。 這里就采用其效果圖如下 所示，它們的大小為 24*42。 } 字符庫(kù) 與 BP網(wǎng) 絡(luò) 的建立 由于 BP 網(wǎng)絡(luò)是需要經(jīng)過(guò)訓(xùn)練才能進(jìn)行工作的，所以 先建立一個(gè)標(biāo)準(zhǔn)的字符特征值得數(shù)據(jù)庫(kù)，而要得到這樣特征值數(shù)據(jù)得做出一些符合實(shí)際情況的字符圖像。 a[j]= ssum 。i++) { if(c1[i*42+j] 0) { ssum ++。 for(i=0。j42。 a[100]=0。 printf()。 write_data(a[j])。 } } printf(%d,ssum)。i42。j=j+6) { ssum = 0。 for(j=0。這里就是采用對(duì)車(chē)牌字符行列的白像素點(diǎn)的計(jì)算來(lái)表示字符特征的。 圖 分割出來(lái)的字符圖像 圖 歸一化圖像 對(duì)圖 中的車(chē)牌字符 5 進(jìn)行投影后得到的數(shù)據(jù)如下表： 表 字符特征表 字符 列投影 行投影 3,13,10,13, 0,11,4,5,5,5,5, 將車(chē)牌字符轉(zhuǎn)化為 24*42 大小的字符圖像后，再對(duì)字符圖像列做投影，這里是隔 6行做一次投影，對(duì)字符圖像行投影也是每隔 6 行做一次投影，這樣是為了減少 BP 網(wǎng)絡(luò)的輸入量。對(duì)獲得的車(chē)牌字湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 26 符還不能直接提取特征值，這是因?yàn)楂@取到的車(chē)牌字符尺寸大小與車(chē)牌字符庫(kù)里面的字符像素大小不一致引起的，也就是要先做歸一化。j++) { word1[j*(widtha) +i] = c1[t++]。i++) { for(j=0。 for(i=0。 //} } } //構(gòu)建一個(gè)字符圖像 t = 0。 } if(data[i] == 0) { //采用列的寬度來(lái)判斷是否要 跳出循環(huán) //if(i10) //{ width = i。j++) { c1[count1] = imageData[j * imgwidth+i]。i++) { for(j=0。 } for(i=a。 } } } //去除沒(méi)有像素的列 a=0。jimgheight。iimgwidth。 邊緣檢測(cè)只是把字符中心部分的像素點(diǎn)去除了，留下字符的輪廓，而對(duì)于字符的特征值提取是在某種程度上是可以減少計(jì)算量的，而在車(chē)牌字符像素點(diǎn)比較少的時(shí)候邊緣檢測(cè)存在很大的問(wèn)題，經(jīng)過(guò)邊緣檢測(cè)后可能字符的輪廓不能提取出來(lái)，甚至使得字符的特征根本顯示不出來(lái) 如圖 所示 ，所以邊緣檢測(cè)只適合在一定范圍而不是所有的范圍都能適合，而且邊緣檢測(cè)的算子比較多計(jì)算比較復(fù)雜，在本文中識(shí)別之中并為采用邊緣檢測(cè)算子，而是直接對(duì)二值化的車(chē)牌字符圖像進(jìn)行特征值提取的 。 將圖片中的字符切出來(lái)的辦法是根據(jù)它的沒(méi)列中只有有字符的時(shí)候才會(huì)有亮點(diǎn)，而沒(méi)有字符的地方就不會(huì)有亮點(diǎn)所以它在該列的累計(jì)值應(yīng)該是 0 所 以根據(jù)這樣的辦法將字符切割下來(lái)。對(duì)于邊緣檢測(cè)算子的運(yùn)用也根據(jù)實(shí)際情況去選用并不是那個(gè)就要好于哪個(gè)，而是要根據(jù)圖像的實(shí)際能容來(lái)選取的。 湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 24 圖 Prewitt邊緣檢測(cè)的圖像 經(jīng)過(guò)比對(duì)，經(jīng)過(guò)三種算子都能得到一幅具有邊緣輪廓的圖像 ，它們所提取的刀的邊緣特征大致是相似的，但是還是可以看出有些小細(xì)節(jié)是不一樣的。 圖 Robert邊緣檢測(cè)的圖像 采用 Sobel 邊緣檢測(cè)算子時(shí)得到了圖 所示。 車(chē)牌 圖像分割 實(shí)現(xiàn) 圖像時(shí)需要清晰的分割開(kāi)來(lái)的，當(dāng)就字符出現(xiàn)粘連就 會(huì)影響到字符圖像的裁剪，所以要對(duì)車(chē)牌圖像進(jìn)行邊緣檢測(cè)，把各個(gè)字符分離開(kāi)來(lái)。 根據(jù)程序運(yùn)行對(duì)兩幅圖像做處理得到圖 所示。 } } t=int(t/(imgwidth*imgheight))。jimgheight。iimgwidth。 基于平均的思想湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 23 其程序編寫(xiě)如下： t=0。 } } } 根據(jù)上段程序知道 定義一個(gè)閾值 value,根據(jù) 其閾值的大小來(lái)進(jìn)行二值化，根據(jù)不同的閾值將得到不同的二值化圖像 。i++) { if(src[i] value) { src[i] = 255。 for(i=0。 其效果如下圖、圖 、圖 、圖 。 } 在經(jīng)過(guò)兩 種方法得到的 灰度 圖 香 的比較得到如下結(jié)論 ： 兩種方法得到灰度圖像在視覺(jué)上沒(méi)有明顯的差別，其主要差別只是在像素的灰度值上，變換的權(quán)值不同使得到的灰度像素的亮度值不一樣。iimgheight*imgwidth。 } 2）根據(jù)人生理感官權(quán)值法 在式子中很容易的 圖 所示。iimgheight*imgwidth。 1）灰度權(quán)值法 根據(jù)原理式子，經(jīng) 過(guò) VC 編程實(shí)現(xiàn)了灰度的轉(zhuǎn)換如圖 所示。首先要將一幅理想的彩色車(chē)牌圖像轉(zhuǎn)換成灰度圖像，這是由于車(chē)牌字符識(shí)別并不需要顏色信息，所以將圖像轉(zhuǎn)化成灰度圖像方便于處理。 根據(jù)原理，對(duì)車(chē)牌圖像做中值濾波，得到相應(yīng)的圖 像如 圖 所示。 湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 20 第 3 章 基于 BP 網(wǎng)絡(luò) 的字符 識(shí)別 車(chē)牌 圖像預(yù)處理 實(shí)現(xiàn) 車(chē)牌圖像濾波實(shí)現(xiàn) 在第 2 章介紹了一種中值濾波的方法，它的原理就是取出就是在一個(gè)數(shù)組中取到一個(gè)中值，利用中值去取代孤立的大值，這樣就使得這個(gè)數(shù)組的數(shù)相對(duì)要變得均勻一些，這也就實(shí)現(xiàn)了圖像平滑。( ) ( ) ( 1 ( ) ) ( 1 )j j j j j jjO f I f I f I O OI ??? ? ? ? ? ?? (220) 所以 1(1 )Lj j j k jkkO O w? ? ???? ? (221) 因此，輸入層到隱含層的連接權(quán)值的修正公式 1(1 )Lij j i i j j k jkkw O O O O w? ? ? ? ??? ? ? ? ? （ 222） 同理，隱含層的任意神經(jīng)元閾值的修正公式為 1(1 )Lj j j k jkkO O w? ? ? ??? ? ? ? ? （ 223） 這樣，無(wú)論輸出層還是隱含層，神經(jīng)元連接權(quán)值的修正公式都可以表示為 ( 1)xy y xw t O??? ? ? （ 224） 當(dāng)考慮多個(gè)樣本時(shí)，修正公式可表示為 1( 1)Pxy py pxpw t O???? ? ? ? （ 225） 學(xué)習(xí)效率 ? 對(duì)學(xué)習(xí)過(guò)程的影響越大， ? 越大，權(quán)值的變化越劇烈，容易產(chǎn)生振蕩。( ) ( ) ( 1 ( ) ) ( 1 )k k k k k kkO f I f I f I O OI ??? ? ? ? ? ?? (213) 所以 (1 ) ( )k k k k kO O d O??? ? ? (214) 因此，隱含層到輸出層的連接權(quán)值的修正公式為： ( 1 ) ( )jk k j j k k k kw O O O O d O?? ??? ? ? ? ? （ 215） 對(duì)于輸出層神經(jīng)元閾值，與輸入為 1 的連接權(quán)系數(shù)相當(dāng)。為減少誤差 E，連接權(quán)值 W的增減應(yīng)按照負(fù)梯度方向改變，即 EW W? ?? ?? ? （ 28） 為簡(jiǎn)單運(yùn)算 ，考慮一個(gè)樣本的情況。 當(dāng)有 P個(gè)樣本模式時(shí)，系統(tǒng)的誤差為 湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 18 21 1 11 ()2 P L Pp k p k pp k pE d O E? ? ?? ? ?? ? ? （ 27） 式中：是第 p 個(gè)樣本第 k個(gè)輸出的期望值；是第 p 個(gè)樣本第 k個(gè)輸出的當(dāng)前值。在這種情況下，激發(fā)函數(shù)的微分可用激發(fā)函數(shù)本身表 示，其關(guān)系是 39。 輸出層第 k個(gè)節(jié)點(diǎn)的凈輸入和輸出分別為： 0()Qk jk jjkkI w OO f I??? ???? ?? （ 26） 其中 0 1O?? , 0kkw ?? 。 感知器是一個(gè)具有單層的神經(jīng)元網(wǎng)絡(luò)，它的激發(fā)函數(shù)通常式閾值型的，主要用于模式分類(lèi)，其網(wǎng)絡(luò)結(jié)構(gòu)如圖 所示 1x 2x nx1y 2y ny11w 21w 22nw nnw1nw12 2n1n1? 2? n? 圖 單層神經(jīng)網(wǎng)絡(luò) （ 2）多層人工神經(jīng)網(wǎng)絡(luò) 由于感知器是單層網(wǎng)絡(luò)只能解決線性可分問(wèn)題，要增強(qiáng)分類(lèi)能力的惟一途徑就是采用多層網(wǎng)絡(luò)，即在輸入和輸出層之間加上隱含層構(gòu)成多層前饋網(wǎng)絡(luò)即為 BP 網(wǎng)絡(luò)模型，湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 17 如圖 所示。常用的的人工神經(jīng)元結(jié)構(gòu)模型如圖 所示。 BP 網(wǎng)絡(luò)的模型結(jié)構(gòu) （ 1）人工神經(jīng)元 人工神經(jīng)元是對(duì)生物神經(jīng)元的一種模擬簡(jiǎn)化。目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中，覺(jué)大部分的神經(jīng)網(wǎng)絡(luò)的模型都采用 BP 網(wǎng)絡(luò)及其變化形式。它的學(xué)習(xí)規(guī)則是使用最速下降法，通過(guò)反向傳播來(lái)不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。 BP 網(wǎng)絡(luò) BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。 Rumelhart、McClelland 和他們同事洞察到神經(jīng)網(wǎng)絡(luò)信息處理的重要性，于 1982 年成立了一個(gè) PDP小組，研究并行分布信息處理方法。后來(lái)，在此基礎(chǔ)上發(fā)展了非線性多層自適應(yīng)網(wǎng)絡(luò)。 60 年代末期，人工神經(jīng)網(wǎng)絡(luò)的研究進(jìn)入了低潮。當(dāng)時(shí)，世界上許多實(shí)驗(yàn)室仿效制作感知機(jī)，分別應(yīng)用于文字識(shí)別、聲音識(shí)別、聲納信號(hào)識(shí)別以及學(xué)習(xí)記憶問(wèn)題的研究。Rosenblatt 設(shè)計(jì)制作了 “ 感知機(jī) ” ，它是一種多層的神經(jīng)網(wǎng)絡(luò)。 諾依曼的名字是與普通計(jì)算機(jī)聯(lián)系在一起的，但他也是人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)之一。但是，由于指令存儲(chǔ)式計(jì)算機(jī)技術(shù)的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡(luò)研究的新途徑，繼續(xù)投身于指令存儲(chǔ)式計(jì)算機(jī)技術(shù)的研究，并在此領(lǐng)域作出了巨大貢獻(xiàn)。 諾依曼領(lǐng)導(dǎo)的設(shè)計(jì)小組試制成功存儲(chǔ)程序式電子計(jì)算機(jī)，標(biāo)志著電子計(jì)算機(jī)時(shí)代的開(kāi)始。因而，他們兩人可稱(chēng)為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。Pitts 在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出神經(jīng)元的數(shù)學(xué)模型。 1943 年，心理學(xué)家 W BP 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)即人工神經(jīng)網(wǎng)絡(luò)它是一種模仿動(dòng)物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處 理的算法數(shù)學(xué)模型。 3）直線提取法：在字符圖像中用米字線來(lái)作為特征取值，計(jì)算每條直線上所占有的像素點(diǎn)來(lái)作為字符的特征值。 1324 圖 區(qū)域 法特征提取法示意圖 如圖所示，將一幅圖像分為 4個(gè)區(qū)域每個(gè)區(qū)域計(jì)算它的像素值，這樣區(qū)域分塊法使得不同的字符能得到不一樣的特征值?；谶@種思路，可以選取合適數(shù)目的的行和列來(lái)進(jìn)行特征提取，這樣可以大大減少計(jì)算量，只需要能有效的提取出特征值就可以識(shí)別出字符。這里有幾種方法： 1）投影法：根據(jù)字符圖像行列投影的像素累計(jì)值來(lái)作為字符的特征，根據(jù)對(duì)實(shí)際字符圖像投影出來(lái)的數(shù)據(jù)經(jīng)過(guò) BP 網(wǎng)絡(luò)進(jìn)行識(shí)別。其擬合方程式如下： ( , )f x y a x b y cxy d? ? ? ? (22) 可以根據(jù) 已知 四個(gè)定點(diǎn)的值來(lái)確定 a、 b、 c、 d的值 。也就是將 變換前圖像的像素點(diǎn)代替轉(zhuǎn)換后圖像離它最近的像素點(diǎn)。 插值方法有許多種，例如最鄰近插值法、雙線性插值法和高階插值法等。)xy 。xxaXyybY? ?????? ???? (21) 其中， XY? 為原圖圖像大小， (, )xy 為原圖圖像中某一點(diǎn)坐標(biāo)，歸一化后該點(diǎn)坐標(biāo)為( 39。 假設(shè)原圖像為 XY? 的大小，要?dú)w化為 ab? 大小的圖像其算法如下式子： 39。歸一化處理實(shí)質(zhì)上就是要統(tǒng)一即將識(shí)別圖像的規(guī)格，這樣可以方便于識(shí)別。這中方法不需要直接分割精確地找到分割點(diǎn)只需要找到一個(gè)大約的分割點(diǎn)就可以了，也較好的解決了投影法的由于漢字不連通帶來(lái)的問(wèn)題。由于投影法存在問(wèn)題主要是由漢字的不連通性造成的，那么可以根據(jù)直接分割原理大約估計(jì)第一個(gè)字符的寬度，在利用投影方法進(jìn)行切割，當(dāng)?shù)谝粋€(gè)最低波谷的列數(shù)比直接分割的列數(shù)要小那么就不說(shuō)明這個(gè)漢字是不連通不能在這個(gè)波谷分割，等到第二個(gè)最低波谷出現(xiàn)時(shí)再分割。 但是由于車(chē)湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 12 牌字符中的漢字有些并不連通，投影法也存在著一些問(wèn)題。這樣就得到投影圖像，而投影圖像就會(huì)出現(xiàn)波峰 和波谷，而 最低的谷底就是要找的分割點(diǎn)。 而大致的分割方法有如