【正文】 pjjOd? （4??221???jpjjpOdE8）隱層節(jié)點(diǎn)數(shù)目及初始權(quán)值的選取的問題網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)及初始權(quán)值的選取對(duì)網(wǎng)絡(luò)的收斂有較大的影響，但它們的確定僅憑經(jīng)驗(yàn)而缺乏足夠的理論指導(dǎo)。某個(gè)神經(jīng)元處于飽和區(qū)時(shí)，如果神經(jīng)元的輸出不是期望的輸出值，而權(quán)值調(diào)節(jié)量又很小，就很難將該神經(jīng)元的狀態(tài)調(diào)整過來，因而影響了網(wǎng)絡(luò)的收斂速度；三是標(biāo)準(zhǔn) BP 算法采用式（48）。學(xué)習(xí)算法的收斂速度慢究其原因有三個(gè)：一是網(wǎng)絡(luò)的學(xué)習(xí)速率太小所造成的；二是網(wǎng)絡(luò)容易陷入“癱瘓”狀態(tài)。即 BP 算法可以使網(wǎng)絡(luò)權(quán)值收斂到一個(gè)解，但它并不能保證所求 西南科技大學(xué)本科生畢業(yè)論文 34的解為誤差超平面的全局最小解，很可能是一個(gè)局部極小解。神經(jīng)元的激勵(lì)函數(shù)是 S 型函數(shù)，所以如果函數(shù)的漸近值是 0、1 的話，期望輸出只能是大于 0 小于 1 的數(shù)，而不能是 1 或者 0，否則可能會(huì)導(dǎo)致算法不收斂，所以在程序中用 來代表 0，用 來代表 1。為了避免權(quán)值的調(diào)整是同向的，應(yīng)該將初始值設(shè)為隨機(jī)數(shù)。在 BP 網(wǎng)絡(luò)學(xué)習(xí)中要注意的問題：權(quán)值的初始化：權(quán)值的初始值應(yīng)該選擇均勻分布的小數(shù)經(jīng)驗(yàn)值。根據(jù)局部梯度修正各個(gè)矩陣得權(quán)值。判斷是否滿足要求，若滿足轉(zhuǎn)第 8 步；不滿足轉(zhuǎn)第 6 步。對(duì)輸入樣本，前向計(jì)算 BP 網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)。初始化，給各個(gè)權(quán)值矩陣一個(gè)較小的隨機(jī)非零向量。若權(quán)值的變化量記為，即：ijW? （4jipijWE????4）令式（44 ）中： （4pjjiu????5）則： （4pjpjjipjjip OuEWE?????? 西南科技大學(xué)本科生畢業(yè)論文 336）得到： （4pjjiOW????7）式（47 ）中 ， 為學(xué)習(xí)速率。訓(xùn)練網(wǎng)絡(luò)的目的pjdj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(duì)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(duì)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(shí)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(hào)，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(huì)需要太長(zhǎng)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(shí)別。 西南科技大學(xué)本科生畢業(yè)論文 31神經(jīng)網(wǎng)絡(luò)模式識(shí)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(duì)不同類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(shí)別未知的樣本，根據(jù)各樣本所對(duì)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(shí)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(shí)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(shí)別中。 系統(tǒng)采用的識(shí)別方法目前，隨著計(jì)算機(jī)的迅速發(fā)展，模式識(shí)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(shí)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 西南科技大學(xué)本科生畢業(yè)論文 30或網(wǎng)格，在各個(gè)小區(qū)域內(nèi)分別抽取統(tǒng)計(jì)特征，在特定位置對(duì)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(duì)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(duì)字符加以描述。與兩種識(shí)別方法相對(duì)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(shí)別方法簡(jiǎn)介同模式識(shí)別中的其它問題一樣，字符識(shí)別方法基本上也分成統(tǒng)計(jì)決策識(shí)別和句法結(jié)構(gòu)識(shí)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?？梢缘玫?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(huì)對(duì)識(shí)別產(chǎn)生誤差。骨架特征提取的方法對(duì)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(shí)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(huì)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(duì)來說，統(tǒng)一尺寸的字符識(shí)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(duì)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(duì)取出的牌照?qǐng)D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)確地切割下來，作為下一步字符識(shí)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(huì)帶有各種標(biāo)點(diǎn)符號(hào)，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(shí)別處理。 西南科技大學(xué)本科生畢業(yè)論文 23在一般的字符識(shí)別系統(tǒng)中，字符識(shí)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(shí)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(shí)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(shí)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(duì)象的不同有許多相應(yīng)的方法。 xy//? x/y/?(a) 水平傾斜（ ） （b） 水平傾斜（0??）0? 圖 33 水平傾斜ij??ij(a) 垂直傾斜（ ） (b) 垂直傾斜（ ）0? 0?? 圖 34 垂直傾斜 西南科技大學(xué)本科生畢業(yè)論文 22x/y/ ??xy/（a） 水平垂直傾斜（ ） （b） 水平垂直傾斜（0??）0?? 圖 35 水平垂直傾斜 字符分割方法簡(jiǎn)介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(cè)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。可先檢測(cè)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(cè)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 軸與圖像坐標(biāo)系的水平 軸有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(cè)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。 西南科技大學(xué)本科生畢業(yè)論文 20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(huì)對(duì)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(jiǎn)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(duì) 和 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xGy算子。對(duì)一個(gè)連續(xù)函數(shù) 它在位),(yxf置 的梯度可以表示為一個(gè)矢量：),(yx （33??TTyxyfGf ??????????),(）這個(gè)矢量的幅度(也常直接簡(jiǎn)稱為梯度)和方向角分別為： （3??21)(yxfmag??4） （3)rctan(),(xyGy?5） 以上三式中的偏導(dǎo)數(shù)需要對(duì)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(hào)變換成加性組合信號(hào)，經(jīng)過處理后再反變換回乘性信號(hào)。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： （3????????0151H????????192H????????1253H2）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(duì)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(duì)圖像進(jìn)行銳化以便突出圖像的邊緣。這種算法簡(jiǎn)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 西南科技大學(xué)本科生畢業(yè)論文 17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(jiǎn)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(duì)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(duì)圖像進(jìn)行銳化，增強(qiáng)圖像的邊緣信息。 去噪聲處理