【正文】 對(duì)同一樣本集用具有不同隱含節(jié)點(diǎn)數(shù)的網(wǎng) 絡(luò)進(jìn)行訓(xùn)練，直到
。 ② 提出的隱含層估算式是：如果 T 為模式的訓(xùn)練數(shù)，隱含層的節(jié)點(diǎn)數(shù)是 2logT 。 （ 2） 隱含層節(jié)點(diǎn)數(shù)的確 定。增加層數(shù)可以降低誤差、提高精度，但同時(shí)也增加了網(wǎng)絡(luò)的復(fù)雜性，延長(zhǎng)了網(wǎng)絡(luò)權(quán)值的訓(xùn)練時(shí)間，而誤差精確的提高可以通過(guò)增加隱含層的神經(jīng)元個(gè)數(shù)來(lái)確定，其訓(xùn)練也比增加層數(shù)更容易實(shí)現(xiàn)。 BP 網(wǎng)絡(luò)設(shè)計(jì) 在 進(jìn)行 BP 網(wǎng)絡(luò)的設(shè)計(jì)時(shí)，一般應(yīng)從 網(wǎng)絡(luò)的層數(shù)、每層中神經(jīng)元個(gè)數(shù)和激活函數(shù)、初始值以及學(xué)習(xí)速率等幾個(gè)方面來(lái)進(jìn)行考慮， BP 網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖 41 所示： 設(shè)定頁(yè)眉 29 圖 41 BP 神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu) （ 1） 網(wǎng)絡(luò)層數(shù)的確定。( ) ( ( ) ) ( ) ( )j j j jk kn f s n w n n??? ? （ 416） jkw 為單元 j到后一層單元 k 的連接權(quán)。( ) ( ( ))j j j jn e f s n? ? 稱為局部梯度， 當(dāng)單元 j 是一個(gè)輸出單元，則有： 39。 2e x p ( ( ) )( ) ( ) ( 1 ( ) )( 1 e x p ( ( ) ) )jj j jjsny n y n y nsn??? ? ??? （ 411） ② 反向計(jì)算。選定合理的網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)置合理的可調(diào)參數(shù)（權(quán)和閾值）。兩者結(jié)合起來(lái)就可以構(gòu)成一個(gè)網(wǎng)絡(luò)的主要特征。 設(shè)任一個(gè)神經(jīng)元 i到 j的權(quán) ijw ， iV 為 i個(gè)神經(jīng)元的輸出，則 ： ()ij i ijw V w?? ? ? （ 47） （ 4） 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成。()j jyy?為誤差 （ 即要求值與真實(shí)值之差） , qV 為第 q 個(gè)神經(jīng)元的輸出。 它是用已知樣本作為教師信號(hào)對(duì)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，即設(shè)任一個(gè)神經(jīng)元 i 到 j 的權(quán) ijw ，則其權(quán)的改變量為： ij j qwV???? （ 46） 39。用 io 表示神經(jīng)元 i 的激活值， jo 表示神經(jīng)元 j 的激活值， ijw 表示兩個(gè)神經(jīng)元之間的連接權(quán)，則有： ij i jw o o??? （ 45） 其中， ? 表示學(xué)習(xí)速率 。 ANN中的核心問(wèn)題就是如何決定網(wǎng)絡(luò)連接的加權(quán)數(shù)，常用的學(xué)習(xí)規(guī)則主要有： ① Hebb 學(xué)習(xí)規(guī)則。 ()1() 1WXy f W X e ?? ??? ? ? ? （ 44） 此時(shí)輸出和輸入成對(duì)數(shù)正切關(guān)系，選擇 S型函數(shù)作為輸出函數(shù)具有以下有益特性：非線性 ，單調(diào)性，無(wú)限次可微，當(dāng)權(quán)值很大時(shí)可近似閾值函數(shù)，當(dāng)權(quán)值很小時(shí)可近似線性函數(shù)。 ()y f W X W X??? ? ? ? (43) 此時(shí)， 輸出 與輸 入 成正比關(guān)系。 ① 閾值型。 作用函數(shù)的基本作用是：①控制輸入對(duì)輸出的激活作用；②對(duì)輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換；③將可能無(wú)限域的輸入變換成指定的有限范圍內(nèi)的輸出。所以在人工神經(jīng)元的建設(shè)中，常常還加有一個(gè)額外輸入信號(hào)，稱為偏差，也被稱為閾值。 因此，神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法能夠?qū)崿F(xiàn)基于計(jì)算理論層次上的模式識(shí)別理論所無(wú)法完 成的模式信息處理工作，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別，突破了傳統(tǒng)模式識(shí)別技術(shù)的局限性，開辟了模式識(shí)別的心途徑。它通過(guò)網(wǎng)絡(luò)結(jié)點(diǎn)間的連接來(lái)存儲(chǔ)信息并完成分類計(jì)算，是近幾年興起的模式識(shí)別領(lǐng)域的一個(gè)重要研究方向。第二階段 —— 工作期：連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出。模式識(shí)別中往往存在噪聲干擾或輸入模式的部分損失，而人工神經(jīng)元網(wǎng)絡(luò)將信息分布存儲(chǔ)于連接的權(quán)系數(shù)中，使網(wǎng)絡(luò)具有很高的容錯(cuò)性和魯棒性；另外，人工神經(jīng)元網(wǎng)絡(luò)的自組織、自適應(yīng)學(xué)習(xí)功能，大大放松了傳統(tǒng)識(shí)別方法所需的約束條件，使其對(duì)某些識(shí)別問(wèn)題顯示出了極大的優(yōu)越性。神經(jīng)元具有非線性映射的能力，它們之間通過(guò)權(quán)系數(shù)相連接。對(duì)于幾何和拓?fù)涞姆椒ǎ?這種方法是利用字符的結(jié)構(gòu)，把字符分解成構(gòu)成它的元素，主要是獲取字符的關(guān)鍵形狀特征，這類特征也是允許存在一定的字體變形，這種方法可以較高速地處理字符，但是通常特征提取的過(guò)程是復(fù)雜的，并且這些特征的模板也是不容易生成的。找到一個(gè)合適的變換來(lái)較多地反映字符的主要特征是很關(guān)鍵的；對(duì)于由點(diǎn)的統(tǒng)計(jì)分布得到的特征抽取法，包括字符的軌跡、交叉點(diǎn)和距離等，可以接受字體的變化，速度較高，復(fù)雜性比較小。根據(jù)所提取特征的類型，特征分析匹配的方法又可以分為：整體變換分析法、特征提取法、幾何和拓?fù)涞姆椒?。該算法有效地減少了模板中像素點(diǎn)的個(gè)數(shù)，只利用字符的關(guān)鍵點(diǎn)進(jìn)行模板匹配，提高了識(shí)別速度和識(shí)別率。所以為了提高準(zhǔn)確率，往往需要使用更多的模板進(jìn)行匹配，處理時(shí)間也會(huì)增加。將待識(shí)別字符的二值圖像的尺寸大小縮放為模板大小之后，然后與模板進(jìn)行匹配，距離最小的模板所對(duì)應(yīng)的漢字，就判定為輸入的待識(shí)別漢字。 現(xiàn)有的車牌字符識(shí)別算法 近年來(lái)，有不少學(xué)者在車牌字符的識(shí)別方面做了大量的工作，研究出了一些比較成熟的算法，下面簡(jiǎn)單加以介紹一下： （ 1）模板匹配法 它是模式識(shí)別中最簡(jiǎn)單的方法之一。 （ 3）實(shí)時(shí)性要求。通常的 OCR 系統(tǒng)的工作環(huán)境一般在室內(nèi)，光照條件較好且穩(wěn)定。由于是在一幅汽車圖像中分割出牌照，受攝像機(jī)分辨率的限制，字符所占的像素就比較少，大約只有 20 20 個(gè)像素，這樣的分辨率對(duì)于英文字母和數(shù)字字符而言還比較容易處理，但對(duì)于漢字來(lái)說(shuō)則導(dǎo)致漢字特征信息丟失太多，并造成筆劃的粘連，給識(shí)別帶來(lái)困難。車牌字符識(shí)別技術(shù)是文字識(shí)別技術(shù)與車牌圖 像自身因素協(xié)調(diào)兼顧的綜合性技術(shù)。文字識(shí)別的基本原理是將輸入文字與各個(gè)標(biāo)準(zhǔn)文字進(jìn)行模式匹配，計(jì)算相似度（或距離），將具有最大相似度（或最小距離）的標(biāo)準(zhǔn)文字作為識(shí)別結(jié)果。 車牌字符識(shí)別技術(shù)分析 車牌字符識(shí)別實(shí)際上就是對(duì)車牌上的漢字、字母、數(shù)字進(jìn)行準(zhǔn)確確認(rèn)的過(guò)程。 考慮到算法適用性，本文選用直接分割法即把垂直投影法作為主要的分割法，同時(shí)對(duì)噪聲、鉚釘進(jìn)行特殊處理來(lái)完成字符分割。 自適應(yīng)分割線聚類法 自適應(yīng)分割線聚 類法要建立一個(gè)分類器，由它來(lái)判斷圖像中的每一列是否是分割線，它是根據(jù)訓(xùn)練樣本來(lái)進(jìn)行自適應(yīng)的神經(jīng)網(wǎng)絡(luò)，但是對(duì)于粘連的字符是很難訓(xùn)練的，因?yàn)榉指畈豢赡茏龅酵耆_。 基于識(shí)別基礎(chǔ)的分割法 基于識(shí)別基礎(chǔ)的分割是把識(shí)別和分割結(jié)合起來(lái)，但是需要識(shí)別的高準(zhǔn)確性，它根據(jù)分割和識(shí)別的耦合程度又有不同的劃分。另外，當(dāng)截取的車牌圖像存在鉚釘時(shí)，也會(huì)影響谷底的判斷。通過(guò)尋找兩個(gè)波峰之間的谷點(diǎn)，將其作為字符分割的位置，從而完成字符的分割。在車牌識(shí)別中，投影分割方法的原理是首先將車牌圖像轉(zhuǎn)換為二值圖像，即白色為 1，黑色為 0，然后將車牌像素灰度值在列方向上垂直累加，即所謂的垂直投影。但這種方法對(duì)截取的車牌圖像尺寸精度要求比較高，否則在切割字符時(shí)會(huì)造成字符不完整，以致影響后續(xù)的字符識(shí)別。 固定邊界法是一種直接分割法。 常用字符分割方法 常用的字符切分算法可以歸納為以下三類：直接分割法，基于識(shí)別基礎(chǔ)的分割法，自適應(yīng)分割線聚類法。但是要從各種各樣的車牌圖像中把字符一個(gè)個(gè)準(zhǔn)確的分割出來(lái)也并非易事。所以，正確的字符分割是字符識(shí)別的關(guān)鍵。 )獨(dú)立的字符子圖像，即把車牌中 的每個(gè)字符從整個(gè)車牌圖像中切割出來(lái)成為單字符圖像。 第四章 車牌字符分割 及識(shí)別 車牌字符分割的目的是在正確提取出車牌區(qū)域的基礎(chǔ)上，將車牌區(qū)域圖像分為七 個(gè)(我國(guó)的車牌上有 7 個(gè)字符，首位為省名縮寫 (漢字 )，次位為英文字母，第三位為英文字母或阿拉伯?dāng)?shù)字，后四位均為數(shù)字。 經(jīng)過(guò)車牌檢驗(yàn)，干擾區(qū)域基本上被過(guò)濾掉，剩下的車牌區(qū)域因式（ 34）帶來(lái)的方塊效應(yīng)可能存在左右和上下邊的錯(cuò)位 。 3）計(jì)算跳變次數(shù)均值 Mean和各行跳變次數(shù)方差 Dev，即 2111 ()21 miM ea n ch im ??? ? ? （ 37） 設(shè)定頁(yè)眉 22 ? ? 22111 ()21 miD e v c h i M e a nm ????? ? （ 38） 4） 由 Mean和 Dev判斷，若 m a x18 30 ,M e an D e v D? ? ? （ 39） 式中 maxD 一般取 40，則 該候選區(qū)域是車牌區(qū)域；否則為非車牌區(qū)域。因此選取候選區(qū)域在水平方向的跳變次數(shù)均值和各行跳變次數(shù)方差作為校驗(yàn)車牌的特 征，具體算法為： 1）二值化候選區(qū)域，提取中間行上下各 m行（包括中間行）共 2m+1行（ 2m+1小于候選區(qū)域的垂直高度）作為檢驗(yàn)行。根據(jù)我國(guó)車牌的特點(diǎn)，一般有 7至 10個(gè)字符。能量濾波主要利用了車牌較為粗略的 紋理特征 快速地分割出車牌的候選區(qū)域。39。39。 算法中，上限 maxTh 的設(shè)置 是為了防止初始的 Th過(guò)大 而過(guò)多地重復(fù)執(zhí)行第二步；下限 minTh 的設(shè)置是為了避免初始的 Th過(guò)小而引入過(guò)多的干擾區(qū)域 。 4) 檢驗(yàn) R(k)是否為真車牌區(qū)域。若有 ,執(zhí)行 4 ）；若無(wú) ,執(zhí)行 3） 。因此 , 采取的自適應(yīng)選取 Th 的算法為 : 1) 選取初始的 Th ,且 minTh ≤ Th ≤ maxTh 。若 Th 過(guò)大 ,真正的車牌區(qū)域有可能部分和全部被濾除掉 ,從而出現(xiàn)漏定位 。剩余的候選區(qū)域留作下一步進(jìn)行檢驗(yàn)。式 (35) 中 , Width 表示水平寬度 。然后根據(jù)車牌區(qū)域在水平方向上能量集中的特點(diǎn)和車牌形狀的先驗(yàn)知識(shí) ,在能量數(shù)組 E ( i , j) 中找取 K 個(gè)滿足 B ( i , j) = 1 的連通體 C( k) ( k = 1 , ?, K) , 并得到包圍 C ( k) 的最小矩形框 R ( k) 。 B ( i , j) = 1 表示 ( i , j) 在原圖中對(duì)應(yīng) n n 的區(qū)域 ,為車牌候選區(qū)域 。 圖 31 二維能量數(shù)組直方圖 由圖可以看出 ,絕大部分區(qū)域 (平滑區(qū)域 ) 分布在能量低的區(qū)間少部分區(qū)域 (車牌候選區(qū) 域 ) 分布在能量高的區(qū)間 。 設(shè)定頁(yè)眉 20 在進(jìn)行能量濾波之前 ,可先將原圖像 ()MN? 平均劃分為 ()nn? (n一般取 8)的小方塊 , 分別計(jì)算各個(gè)小方塊內(nèi)的能量 ,即 11 2( , ) ( , )j n ni n nx i n y j nE i j P x y? ? ?? ? ?? ? ? ?? ?? 0 ≤ i ≤ M′ ,0 ≤ j ≤ N′ （ 33） M′ = M/ n , N′ = N/ n 這樣做的優(yōu)點(diǎn)是 ： 1） 將 M N 的圖像處理轉(zhuǎn)化為縮小了 n n 倍且為 M′ N′ 的二維數(shù)組的處理 , 極大地加快了車牌分割的速度 ； 2） 可去除掉水平方向上亮度值跳變劇烈但分布稀疏的區(qū)域 ， 從而最大限度地減少干擾源的影響 。則車牌區(qū)域在圖像中表現(xiàn)為水平方向上能量高而集中的區(qū)域?？紤]到在實(shí)際捕獲的汽車圖片中 ,車牌往往是水平方向上亮度值跳變劇烈且集中的區(qū)域。碼字和需要編碼的塊屬于同樣的數(shù)據(jù)空間，在塊的編碼的過(guò)程中，找出其最相似的碼字，實(shí)際上就完成了對(duì)塊內(nèi)容的一種分類，因此它可以判別某個(gè)塊是否可能位于牌照區(qū)域。量化編碼過(guò)程就是為每一個(gè)塊 1x 在碼字中找一個(gè)與之最相似的碼字 1()wx ，然后 用這個(gè)碼字的索引表示這個(gè)塊，通常用 Eucclidean 距離 衡量某個(gè)塊與碼字之間的相似程度。 基于矢量量化的車牌定位方法 矢量量化主要應(yīng) 用在圖像 壓縮、編碼領(lǐng)域，其基本原理就是將圖像分割成基本的塊12( , , )nx x x ，將所有可能出現(xiàn)的塊組成一個(gè)數(shù)據(jù)空間 。 還有一種彩色分割及多級(jí)混合集成分類器的車牌自動(dòng)識(shí)別技術(shù)，該方法采用多層感知器網(wǎng)絡(luò)對(duì)輸入彩色圖像進(jìn)行彩色分割，通過(guò)投影法 分割出潛在的車牌區(qū)域并進(jìn)一步瘋出字符，由多級(jí)混合集成分類器給出字符識(shí)別的初步識(shí)別結(jié)果及置信度，經(jīng)過(guò)處理后得到最終的結(jié)果。 采用小波分析提取邊緣的算法，能夠彌補(bǔ)傳統(tǒng)的邊緣檢測(cè)算法的不足，在有效地抑制噪聲影響的同時(shí)，提供了較高的邊緣定位精度。但邊緣與噪聲的顯著區(qū)別是兩者能量不同，邊緣有較大的能量和范圍，隱藏在平滑濾波作用下，它不會(huì)像噪聲那樣消失，而是表現(xiàn)為模糊化 。用小波變換可以進(jìn)行圖像增強(qiáng)、特征提取、邊緣檢測(cè)、圖像分割、紋理分析、圖像壓縮、模式識(shí)別等方面的處理。 基于小波分析和變化車牌定位技術(shù) 小波變換是分析和處理非平穩(wěn)信號(hào)的一種有力工具，它是以局部化函數(shù)所形成的小波基作為基底而展開，是一種窗口大小固定不定但形狀可改變的時(shí)頻局部化分析方法，小波變換的基本思想是將原始信號(hào)通過(guò)伸縮及平移后，分解為一系列具有不同空間分辨率、 不同頻率 特性和方向特性的子帶信號(hào)，這些子帶信號(hào)有良好的時(shí)域、頻率等局部特性。在這些方法中，神經(jīng)元網(wǎng)絡(luò)相當(dāng)于濾波器，這些濾波器通過(guò)分析牌照的顏色、紋理等對(duì)圖像進(jìn)行分類，確定此像素屬于牌照區(qū)域還是