【正文】 BP 神經(jīng)網(wǎng)絡(luò)采用 WidrowHoff 學(xué)習(xí)算法和非線性可微轉(zhuǎn)移函數(shù)的多層網(wǎng)絡(luò)。 目前，對于 37 BP 神經(jīng)網(wǎng)絡(luò)隱含層結(jié)構(gòu)的確定，最常用的方法是依靠經(jīng)驗來確定。因此，對于 BP 神經(jīng)網(wǎng)絡(luò)的具體應(yīng)用，網(wǎng)絡(luò)最佳結(jié)構(gòu)的確定非常關(guān)鍵 。首先判斷訓(xùn)練學(xué)習(xí)后的誤差是否達(dá)到預(yù)定要求，如果沒有達(dá)到，則返回第（ 2）步輸入新的樣本輸入集；如果己經(jīng)達(dá)到預(yù)定目標(biāo)或某一給定值，則學(xué)習(xí)過程結(jié)束。各層信號之間的數(shù)學(xué)關(guān)系如下： 對于隱含層，有如下公式： )( jj n etfy ? （ 51） iijnij xvne t 0??? （ 52） 對于輸出層有如下公式： )( kk n e tfo ? （ 53） jjkmjk ywn e t 0??? （ 54） (4)利用誤差反饋調(diào)整權(quán)值，用遞歸的方法從輸出節(jié)點開始返回到中間隱層，按下式進(jìn)行調(diào)整權(quán)值： 35 首先計算網(wǎng)絡(luò)輸出值與期望輸出值之間的誤差 E： 21 )(21)(21kklk odODE ????? ? （ 55） 將該式展開至隱含層，可得： 2012121 )]([21)]([ jjkmjklkkklk ywfdn e tfdE ??? ??????? （ 56） 將該式展開至輸入層，可得： 2iij0ijk0jk1 ) ] }xvf(wf[{d21 nmlkE ??? ???? （ 57） 由上式可看出，通過調(diào)整權(quán)值 wij， vjk，可以改變誤差 E。 (3)通過前饋網(wǎng)絡(luò)，使隱藏層和輸出層的所有神經(jīng)元都采用非線性激活函數(shù) (一般取單極性 :Sigmoid 函數(shù) ): xexf ??? 1 1)(，逐級計算輸出值 。 33 神經(jīng)網(wǎng)絡(luò)算法的描述 圖 53BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) BP 網(wǎng)絡(luò)是一個多層前饋網(wǎng)絡(luò) (FFNForward Feedback Network)，最常用的 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖 53，由 3 層網(wǎng)絡(luò)，即輸入層，隱含層，輸出層共同組建而成，其運(yùn)行機(jī)理如下： （ 1）初始化神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，置所有的權(quán)值為隨機(jī)任意小，以一個隨機(jī)分布隨機(jī)地挑選閉值，該分布選擇為均值等于 0 的均勻分布 [15]，其方差的選擇應(yīng)該使得神經(jīng)元的輸出應(yīng)盡量在激活函數(shù)的線性部分變化； (2)確定輸入的學(xué)習(xí)訓(xùn)練集合： ，期望的輸出集合 : ，輸入層到隱含層之間存在一個權(quán)值矩陣，其中的列向量 為隱含層第 i個神經(jīng)元所 對應(yīng)的權(quán)值向量：隱含層到輸出層之間存在一個權(quán)值矩陣： ，其 34 中的列向量 jw 為輸出層第 j 個神經(jīng)元對應(yīng)的權(quán)值向量。 神經(jīng)網(wǎng)絡(luò)的工作方式，由兩個階段構(gòu)成： （ 1）學(xué)習(xí)期：神經(jīng)元之間的連接權(quán)值可由學(xué)習(xí)規(guī)則進(jìn)行修改，以使目標(biāo)函數(shù)達(dá)到最小； （ 2）工作期：在此期間，保持連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出。它可以在外界環(huán)境的刺激作用下 調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來響應(yīng)外部環(huán)境?？捎脕砻枋稣J(rèn)知決策及控制的智能行為，它具有存儲知識和應(yīng)用經(jīng)驗知識的自然特性，它與人腦相似之處可概括為如下兩個方面 :一是通過學(xué)習(xí)從外部環(huán)境中獲取知識；二是內(nèi)部神經(jīng)元具有存儲知識的能力。它是一個數(shù)學(xué)模型，可以用電子線路來實現(xiàn)或用計算機(jī)來模擬人的自然智能。它源于物理學(xué)、心理學(xué)和神經(jīng)生理學(xué)的跨學(xué)科研究。它首先將歸一化后字符圖像向不同的方向進(jìn)行投影，然后對文字黑像素的個數(shù)做累加運(yùn)算，形成筆畫密度直方圖 [13]。這樣，對于每一 個輸入樣本，輸入節(jié)點個數(shù)為 13 個。如下圖所示： 圖 52 字符分割 然后依此規(guī)律，統(tǒng)計水平方向上的中間兩列和豎直方向上的中間兩列的目標(biāo)像素個數(shù)作為 4 個特征，即畫四條穿過該位置的線，然后，統(tǒng)計線內(nèi)所占的目標(biāo)像素的個數(shù)。對英文和阿拉伯?dāng)?shù)字的特征提取，采用具有統(tǒng)計性質(zhì)的，根 據(jù)局部特征的，適應(yīng)性較好的 13 特征提取法，也就是直接利用每個點的像素值作為特征提取的基礎(chǔ)，從構(gòu)成該字符的像素點中，統(tǒng)計提取出 13 個特征點。 字符的統(tǒng)計特征，是從原始數(shù)據(jù)中提取與分類最相關(guān)的信息，這些信息使得類內(nèi)差距最小，類間差距最大，同時這些信息對同一類字符的形變應(yīng)盡量保持不變。結(jié)構(gòu)特征可以準(zhǔn)確的描述待識別漢字字符的幾何特 31 征，同時受噪聲和字符形變的影響較小，因此基于結(jié)構(gòu)的識別方法是字符識別的一種有力工具。特征的選取直接影響到最終的識別效率，因此好的模式特征應(yīng)具有較好的平移不變性、旋轉(zhuǎn)不變性和尺度不變性。分類后的樣本要實現(xiàn) :類內(nèi)各樣本具有較好的一致性，類間各樣本的區(qū)分度應(yīng)盡量大； （ 2）具有較好的魯棒性，穩(wěn)定性。 圖 51 汽車牌照字符識別的流程 車牌字符特征提取 基于字符特征的字符識別算法一般包括以下 3 個步驟 [11]： （ 1）提取字符的特征，建立一個字符特征向量空間，每個字符對應(yīng)向量空間中的一個向量； （ 2）定義分類函數(shù)； （ 3）對輸入的字符圖像自動提取相應(yīng)的特征，根據(jù)分類函數(shù)進(jìn)行特征匹配，識別出相應(yīng)的字符。算法的流程如下 :歸一化后的字符，分為完全不同的 3 種類型，分別是漢字字符，阿拉伯?dāng)?shù)字，英文大寫字母。 圖 48 歸一化前的單個車 牌字符 圖 49 歸一化后的單個車牌字符 30 第五章 汽車牌照的字符識別 汽車圖像經(jīng)過預(yù)處理、車牌定位、字符分割后，得到單個的歸一化字符，隨后就要進(jìn)入汽車牌照識別中的最重要的環(huán)節(jié)，字符識別?？紤]到算法復(fù)雜性和實時性的處理要求，本文選用了鄰近插值法來進(jìn)行字符歸一化。 鄰近插值法中歸一化的圖像 g(x， y)，其點 (x1， y1)是由 (x0， y0)鄰接的4 個點 (m， n)， (m+1， n)， (m， n+1)， (m+1， n+1)中幾何距離最接近它的點的灰度值來近似。 當(dāng) (x0， y0)不是整數(shù)時，要進(jìn)行插值變換。設(shè) f（ x， y）為原始圖像， g(x,， y)為歸一化后的圖像， (x1， y1)為 g(x， y)中任意一點，對應(yīng) f(x， y)中的點 (x0， y0)。隨后進(jìn) 入合并階段，將 MI NJ 陣列中劃分成陣列大小為劃分成陣列大小為 M N 的 I J 個區(qū)域，對 M N區(qū)域的像素進(jìn)行平均，陣列 M N 縮成一個點像素，這樣 M N 尺寸的原始圖像就歸一化為 I J 大小的圖像。歸一化的過程有兩步，分別是：分裂 (split)和合并 (merge)。根據(jù)此，歸一化方法分為兩種：分裂合并歸一化與插值變換歸一化。 字符的歸一化 目標(biāo)圖像長由于初始拍攝距離和角度的不同，會引起車牌字符的尺寸有不同程度的差別，車牌大小不一會給后期的車牌字符識別帶來一定的困難，因此，為了把在前述提取到的車牌圖像中的字符調(diào)整到與后續(xù)神經(jīng)網(wǎng)絡(luò)中的標(biāo)準(zhǔn)模板中的字符特征一致，在車牌字符識別過程之前，需要先將車牌尺寸歸一化 20x16 的點陣。 車牌字符分割前后對比圖如下： 圖 46 待分割的車牌 27 圖 47 分割后的單個車 牌字符 實踐證明結(jié)合牌照固有特征進(jìn)行車牌字符分割，算法簡單，處理速度快，適合實時處理的環(huán)境，而且分割準(zhǔn)確率也較高。根據(jù)已計算出的 charwidth，從第二個字符右邊界開始，向左檢測出第二個字符的左邊界，并依次類推，結(jié)合 charspace 得到第一個字符的左右邊界；同理，以第三個字符的左邊界為基準(zhǔn)得到后 5 個字符的左右邊界。 charwidth=platewidth x4/409 ； charspace=platewidth x12/409； bigcharspace=platewidth x34/409； X 軸上進(jìn)行投影 。和右邊界 rightline，并得到字符區(qū)域的總長度 platewidth 為 :rightlinleftline； 26 charwidh，字符間距 charspace，第二，第三字符間距 bigcharspace。 ，分析車牌在 Y 軸方向上的投影，確定字符區(qū)域的上邊界 upline 和下邊界 downline； 。 本文采用垂直投影法，對于二值化后的圖像，由于每個字符塊在垂直方向的投影必然在字符間或字符內(nèi)的間隙處取得 局部最小值，依據(jù)此并結(jié)合字符牌照固有的上述特征等先驗知識，采取如下步驟來實現(xiàn)字符的分割。字符“ 1”的寬度約為 毫米 [10]。 這樣，利用垂直投影法對斷裂字符進(jìn)行分割才會有較好的效果。通常，提取后的牌照，其字符塊在豎直方向上的投影會在字符間取得局部最小值，這樣，字符的正確分割位置應(yīng)該是在上述局部最小值附近。這種分割的方法成功率較高，且受圖像的噪聲干擾較小，但是這種方法須進(jìn)行預(yù)定 義，不能夠自適應(yīng)。這種算法是基于二值化后的圖像分割，對圖片的清晰度要求較高，在圖像質(zhì)量高的情況下分割效果比較好，但是如果圖像質(zhì)量不高的話，分割效果較差。目前的字符分割算法，較常用的可以分成兩大類。然后根據(jù)此角度，選擇合適的旋轉(zhuǎn)方法，對車牌進(jìn)行校正。對定位后的牌照圖像進(jìn)行行組掃描，初始化一個數(shù)組。,+15176。校正采取的方法是以圖像的中心或原點為中心，以車牌傾斜角度為基準(zhǔn)，對圖像進(jìn)行旋轉(zhuǎn)。也就是 說，該行組偏離水平方向的掃描角度，即是車牌圖像在水平方向上的傾斜角度。為了從字符行傾斜度恢復(fù)車牌原貌，本文采取從多個角度來對圖像傾斜的方向掃描，然后分別記錄個掃描平行線組中具有車牌字符信息的行數(shù)，對應(yīng)的字符行數(shù)目 最多的掃描角度就是圖像的傾斜角度。 基于字符行特征的車牌傾斜校正算法 車牌圖像的傾斜主要分為水平傾斜和豎直傾斜兩種。 (4)通過求取車牌上各字符連通區(qū)域的中心點，然后擬合為直線來確定車牌的傾斜角 [8]。 (2)通過模板匹配尋找牌照區(qū)域的四個頂點，再通過雙線形空間變換重建矩形車牌區(qū)域 [7]。通過判斷這個局部最大值，可得到與該直線對應(yīng)的一對參數(shù) ? ???， ，從而檢測出該直線。實際應(yīng)用中，將參數(shù)空間離散化成一個累加器陣列，按照上式將圖像空 21 間中的每一點 (x, y)映射到參數(shù)空間對應(yīng)的一系列累加器中，使對應(yīng)的累加器值加 1。反過來，參數(shù)空間相交于一點的所有直線在圖像空間里都有共線的點與之對應(yīng)。 HOUGH 變換最早是 1962 年由 Paul Hough[6]首先提出，用來實現(xiàn)一種直線從圖像空間到參數(shù)空間的映射。為了提高字符識別的正確率，對發(fā)生傾斜角度的牌照進(jìn)行糾正是非常必要的。 本章主要完成如下 工作 ； ，對超出傾斜角度范圍的車牌，進(jìn)行校正； ，進(jìn)行字符分割。但在實際的處理中，我們要識別的車牌字符情況比較復(fù)雜，可能會存在較大的畸變、噪聲干擾、多余邊緣等問題，同時，字符的切分又是在水平和豎直兩個方向上將單個字符區(qū)域給框起來。此外，在第四幅圖像“吉 B29679”中，車牌區(qū)域的光線明顯要強(qiáng)于非車牌區(qū)域，對于這些非理想狀態(tài)下的車牌圖像，如果采用單一的垂直投影法或連通域法進(jìn)行字符的分割往往會失敗或部分字符分割失敗，而由于本文方法結(jié)合了垂直投影和連通域方法的優(yōu)點，通過優(yōu)割字符以及垂直投影圖進(jìn)行評判分 割，使得這些車牌都得到了正確的分割。 a 定位結(jié)果圖像 b 分割結(jié)果圖像 圖 35 部分圖像分割效果圖 從圖 35 可以看出，本文研究的方法對圖像中字符模糊及光照不均勻等 19 有很強(qiáng)的魯棒性能，分割效果良好。剩余的 2 張是由于字符斷裂、粘連及邊框干擾嚴(yán)重而導(dǎo)致分割錯誤。通過實驗可知，一些受光照影響和模糊的車牌，其二值化圖像中斷裂和粘連嚴(yán)重，但在新方法下均能得到正確的分割。本文的優(yōu)割字符方法的實 質(zhì)是將垂直投影與連通域分割算法有機(jī)結(jié)合。圖像分割結(jié)果如表 31 所示。 圖 33 圖像的分割結(jié)果 從上圖的結(jié)果中可以看出，分割的效果較好，消除了 字符粘連、斷裂和車牌邊框影響，對下一步的識別非常有利。本文將所有分割出的字符圖像全部歸一化為 16 32 大小，并采用 POSHE 算法對字符圖像進(jìn)行亮度歸一化。同理，如果該字符的寬度不等于計算出的平均字符寬度，則將該字符寬度設(shè)置為計算出的字符平均寬度。調(diào)整的方法為：首先計算除該字符外的其余六個字符的平均字符寬度及平均字符空隙寬度。 17 評判函數(shù)定義如下： (31) 其中，函數(shù) 表示車牌中除第 3 個字符的間距是最大的，其它字符間距都是均等這一特征： s2 表示的是第 3 個