【正文】 圖 2中， R為輸入量的個數(shù)， a=f(W*P+b), w為權(quán)向量， P為輸入向量， b為網(wǎng)絡偏移量。這種“正向計算輸出一反向傳播誤差”的過程不斷重復進行，直至誤差降至可以接受的范圍， BP神經(jīng)網(wǎng)絡的學習訓練過程也就隨之結(jié)束。 BP神經(jīng)網(wǎng)絡采用有指導的學習方式進行訓練和學習，即當將一對學習模式提供給 BP神經(jīng)網(wǎng)絡后，神經(jīng)元的激活值就從輸入層經(jīng)各個隱含層向輸出層傳播，在輸出層的各個神經(jīng)元獲得網(wǎng)絡的實際輸出響應。 運動模糊尺度識別 根據(jù)幅度和，利用 BP神經(jīng)網(wǎng)絡可以識別出運動模糊尺度。函數(shù)形式如下： ?? (?? ? ?? ) ?? (25) 式中， ?? 為數(shù)據(jù)序列的均值， ?? 為數(shù)據(jù)的方差。函數(shù)形式如下： ?? =(?? ? ?? )/( ?? ?? ??? ) (24) 式中， ?? ??為數(shù)據(jù)序列中的最小數(shù)； ?? 為序列中的最大數(shù)。數(shù)據(jù)歸一化的方法主要有以下 2 種。 數(shù)據(jù)歸一化是神經(jīng)網(wǎng)絡預測前對數(shù)據(jù)常做的一種處理方法。 數(shù)據(jù)歸一化 豎直方向幅度求和后，得到一組圖像特征，但各組特征中的數(shù)據(jù)差別比較大，這就有可能導致識別結(jié)果不準確。 為了提高訓練和辨識精度 ，只需要對頻譜圖中央?yún)^(qū)域計算幅度和。 頻率域特征提取 ： 在勻速直線運動模糊圖像的頻譜圖中平行暗條紋是等間距分布的，它們之間的距離與運動模糊尺度有關(guān)，所以，這個距離可以作為識別運動模糊尺度的特征，但間距不容易精確測定，這個問題可以利用頻譜圖中的幅度和來解決。比如角度在 ～ 變化時，則可通過 Radon變換計算出這個角度范圍內(nèi)沿著每一個角度射線方向的投影值。圖像的 Rodon 表換即圖像 I(x,y)在角度為 θ、與原點的距離為 ρ（ ρ=xcos(θ)+ysin(θ)）的直線上的投影。在頻譜圖中，呈 現(xiàn)出亮暗相間的平行線條紋，這些條紋的方向與運動模糊方向垂直，而間距則與運動模糊尺度有關(guān)系。因此，需要將圖像以某種形式轉(zhuǎn)換到另外一些空間。 清晰化 要處理的圖像是模糊圖像，需要的匹配識別之前將模糊的數(shù)字圖像進行清晰化處理。 匹配識別預處理 在進行匹配識別之前要先對待識別圖像進行預處理，其中包括：灰度化、清晰化、傾斜調(diào)整、二值化、大小調(diào)整（調(diào)整成與模板大小一致） 灰度化 基于所研究的課題主要針對灰度圖像，而攝像機拍攝到的圖像都是彩色，需要將待識別的圖像轉(zhuǎn)化為灰度圖像。 建立模板 本文在在建立 標準的字符模板庫時需要手動將樣本輸入，建立臨時標準的字符模板庫，然后保存，這就需要在之前已經(jīng)有模板樣本，進行必要的樣本訓練。圖像在變換具有的這些內(nèi)在特性可被用于圖像濾波。傅立葉變換是一種常用的變換。 本文是根據(jù)噪聲能量一般集中于高頻而圖像頻譜則分布于一個有限區(qū)間的這一特點，采用低通濾波方式來進行去噪。噪聲種類很多，如：電噪聲、機械噪聲、信道噪聲和其他噪聲。濾波后，經(jīng)傅立葉變換反變換可得平滑圖像 。G(u,v)一為經(jīng)低通濾波后輸出圖像的傅立葉變換。 低通的數(shù)學表達式如下式所示 : ? ? ? ? ? ?vuHvuFvuG , ? （ 22） 式中 F（ u,v） 一含有噪聲的原圖像的傅立葉變換 。 這個函數(shù)可以幫助我們獲得一個合適的閾值， 利用這個閾值通常比人為設定的閾值能更好地把一張灰度圖像轉(zhuǎn)換為二值圖像。 ??′(??,??)是二值化后輸出的圖像，通過閥值（設為 ? ）來二值化圖像的公式為 ? ? ? ?? ?? 時，當 時，當 ?????? yxf yxfyxf ,1 ,0, 公式 21 其效果如圖 ，圖 : 圖 （待識別字符圖片） 圖 （二值化圖片） 但待識別數(shù)字不是很清晰情況下，此方法不在適用，如圖 ： 圖 左圖為待處理圖像，右圖為處理后圖像 方法 2： 利用 MATALAB 自帶的函數(shù)中的最大類間方差法找到適合閥值。 (3)分別求出兩組的平均灰度值 μ1 和 μ2 。 方法 1： 迭代法是基于逼近的思想 ,其步驟如下 : (1)求出圖象的最大 灰度值 和最小灰度值 ,分別記為 Rmax 和 Rmin,令閾值 ? =(Rmax+Rmin)/2。 所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為 255 表示，否則這些像素點被排除在物體區(qū)域以外，灰度值為 0，表示背景或者例外的物體區(qū)域。在 數(shù)字圖像處理 中，二值圖像占有非常重要的地位，首先， 二值化 的 圖像 有利于圖像的進一步處理，使圖像變得簡單，而且數(shù)據(jù)量減小，能凸顯出感興趣的目標的輪廓。 二值化 圖像二值化 （ binary image）， 就是將圖像上的像素點的灰度值設置為 0或 255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。數(shù)字一：其傅里葉頻譜是一個非常清晰的十字圖；數(shù)字 2 除了清晰的十字架外還多了傾斜的一小模糊線和中心點的清晰小橢圓；數(shù)字三有清晰的十字架和中心圓的高清亮點；數(shù)字 4 十字架不是很清晰尤其是 垂直方向，中心高清不成形圓和傾斜的小亮線；數(shù)字 5 清晰十字架，水平方向多了一條平衡亮線；數(shù)字 6 垂直亮線十分清晰，水平亮線則顯得有點模糊；數(shù)字 7 垂直亮線雖然清晰但粗糙，以數(shù)字 6 細小的亮線形成對比；數(shù)字 8 水平亮線十分清晰而垂直亮線 模糊；數(shù)字 9 的唯一特點就是倆條相互垂直的垂直亮線；數(shù)字 0垂直、水平線都是模糊不清的。 效果如圖：如圖 ： 圖 將圖 的圖像 通過對其做傅里葉變換，得到不同數(shù)字圖像頻譜圖 ，如圖 ： 圖 圖 。如下是我收集到的車牌數(shù)字模糊圖像： 圖 為 清晰化的 車牌數(shù)字 ： 圖 通過截圖獲取單個清晰化的數(shù)字模板，如圖 ： 圖 2.. 通過制作清晰化的車牌數(shù)字圖像，為模糊數(shù)字圖像分析提供借鑒，與模糊數(shù)字圖像形成對比。 第二章 基于模板匹配的模糊數(shù)字識別 模糊圖像收集 圖 、 是 收集到的不同程度的模糊數(shù)字圖像 ： 圖 圖 收集的數(shù)字圖像中有由于運動模糊的圖像，如圖 ；有由于遠距離拍攝產(chǎn)生的模糊圖像，如圖 ，收集不同程度的車牌模糊數(shù)字圖像 ， 為后續(xù)模糊數(shù)字圖像的制作，模糊數(shù)字模板庫制作提供素材。 第三章， 節(jié)修改模板庫。 本論文旨在運用模式識別理論，通過對監(jiān)控圖像進行適當處理和建立模糊數(shù)字字符模板，研究基于模板匹配的模糊數(shù)字識別方法，以期提高視頻監(jiān)控效果，更好地維護社會治安和人民生命財產(chǎn)安全 第二 章 ， 節(jié) 主要講述模糊數(shù)字識別 模糊數(shù)字圖像收集， 節(jié)模糊數(shù)字圖像頻譜分析特點分析和灰度直方圖分析，了解不同模糊程度不同數(shù)字的特點 。 本文主要內(nèi)容與安排 在查閱文獻了解有關(guān)視頻監(jiān)控及圖像處理技術(shù)的基礎(chǔ)上，分析不同模糊程度圖像中的數(shù)字特點，建立模糊數(shù)字模板，探索模糊數(shù)字的自動識別方法。去掉該向量，重復此方法可依次得出此優(yōu)向量。 根據(jù)模糊模式識別的基本原則，結(jié)合公共財政管理長期的經(jīng)驗積累和實際情況，可以建立論域 X 上的一系列模糊子集，這一系列的模糊子集分別表示公共財政管理的各種 不同的模糊狀態(tài)。 (1)模型建立 首先，需要確定用來作判斷的 指標體系 ，也就是確定進行模糊識別的論域 X。這兩類問題同時又是相互聯(lián)系的，后者為前者提供了更周密詳盡的判斷依據(jù)。公共財政應著眼于滿足社會成員的 公共需要 ，而不應該超越市場的力量去滿足社會成員的私人需要。 公共財政： 公共財政是國家 (政府 )為主體的 經(jīng)濟活動 (分配活動 )，是一種著眼于滿足 社會公共需要 的經(jīng)濟活動或分配活動。在傳統(tǒng)的模糊 識別基礎(chǔ)上，王穎 (2021)運用正態(tài)隸屬云代替?zhèn)鹘y(tǒng)模糊識別方法中精確的隸屬函數(shù)，構(gòu)建了相關(guān)正態(tài)云模型，對云理論在經(jīng)濟管理領(lǐng)域中的應用做了初步探討，并對企業(yè)市場競爭性定位進行識別，克服了由于隸屬度確定的惟一性所導致的最終失去模糊性的理 論缺陷，從而使獲得的判識結(jié)論更加合理且貼近實際。他還提出了確定多目標指標權(quán)重的模糊決策分析法，通過確定指標對模糊概念 “重要性 ”的相對隸屬度來確定目標權(quán)重，避免了權(quán)重的主觀性。該模型和方法可用于社會經(jīng)濟、生態(tài)環(huán)境、資源、能源等可持續(xù)發(fā)展系統(tǒng)的評價。模糊 識別不再簡單局限于自然科學的應用，同時也被應用到社會科學，特別是經(jīng)濟管理學科方面。 鏡頭模糊 ： 圖像中的一些對象在焦點內(nèi)， 使 一些區(qū)域變模糊。 特殊模糊 ： 產(chǎn)生一種清晰邊界的模糊。 進一步模糊 ： “進一步模糊 ”生成的效果比 “模糊 ”濾鏡強三到四倍。 模糊數(shù)字圖像分類 動感模糊 ： 由于攝像機與拍攝物體存在相對運動所產(chǎn)生的模糊，在監(jiān)控錄像中最為常見的一種模糊圖像。所以這種方法只適合于具有平移和小角度旋轉(zhuǎn)關(guān)系的圖像配準。歸一化互相關(guān)法優(yōu)缺點： 1）該方法較好地解決了對于光照變化敏感的問題。 3 相關(guān)系數(shù)匹配法： 這類方法將模版對其均值的相對值與圖像對其均值的相關(guān)值進行匹配 ,1 表示完美匹配 ,1 表示糟糕的匹配 ,0 表示沒有任何相關(guān)性 。 該方法不直接利用特征點鄰域的灰度值，而是依據(jù)特征點鄰域像素灰度值的互相關(guān)系數(shù)（ Cross Correlation）為匹配原則進行匹配。 基于模板匹配的模糊數(shù)字識別 分類 模板匹配分類 1平方差匹配法：該方法采用平方差來進行匹配；最好的匹配值為 0；匹配越差，匹配值越大。這種方法很好地結(jié)合了成像系統(tǒng)的數(shù)學模型和 SSM 評價評價方法的優(yōu)點。顯然，清晰圖像由于包含大量高頻信息，故經(jīng)過低通濾波 之后損失成分多，得到的結(jié)構(gòu)相似度就小。結(jié)合光學系統(tǒng)成像模型，如今提出了一種評價高頻分量多少的方法 —— NRSS。在當前的大多數(shù)自動調(diào)焦系統(tǒng)中，也都是通過計算圖像高頻分量的多少（列如梯度平方和和能量熵）來進行調(diào)焦判斷。 模糊圖像的評價標準：清晰的圖像比模糊的圖像含有更豐富的細節(jié)信息，即高頻分量。圖像的模糊也都是因為高頻分量的丟失造成或者細節(jié)不清晰。光學成像系統(tǒng)相當于一個低通濾波器，且其截止頻率域系統(tǒng)的離散程度相關(guān)，即系統(tǒng)離焦量越大，則截止頻率越低，圖像越模糊。到目前為止，對于圖像的保真度已有較多的研究，但是對于圖像品質(zhì)的模糊度還缺乏成熟的算法，需要進一步研究。但是由于其中包含了許多人工智能的概念并設計組多領(lǐng)域的只是。 在數(shù)字圖像處理過程中，經(jīng)常需要對數(shù)字的品質(zhì)做出評價，圖像的品質(zhì)包括倆方面：一方面是該圖像與標準圖像相比的偏離情況，即是保真度 。數(shù)字圖像恢復是數(shù)字圖像處理的重要組成部分，在航空航天技術(shù)、 交通 、軍事公安、機器人視覺等許多方面有廣泛應用 。假設我們有一張 100x100 的輸入圖像，有一張 10x10 的模板圖像，查找的過程是這樣的： （ 1）從輸入圖像的左上角 (0,0)開始，切割一塊 (0,0)至 (10,10)的臨時圖像； （ 2）用臨時圖像和模板圖像進行對比，對比結(jié)果記為 c； （ 3）對比結(jié)果 c，就是結(jié)果圖像 (0,0)處的像素值； （ 4）切割輸入圖像從 (0,1)至 (10,11)的臨時圖像，對比，并記錄到結(jié)果圖像； （ 5）重復（ 1）～（ 4）步直到輸入圖像的右下角。 圖像匹配技術(shù)在諸多領(lǐng)域內(nèi)有著廣泛 應用，其中包括：地圖匹配，飛機導航，武器投射系統(tǒng)的末制導，光學和雷達的圖像模板跟蹤，工業(yè)流 水線的自動監(jiān)控 ，氣象預 報，醫(yī)療診斷，文字識別以及景物分析中的變化檢測等等。匹配研究 及到許多相關(guān)的知識領(lǐng)域，如圖像預處理、圖像采樣、特征提取等，并且將計算機視覺、數(shù)值計算等緊密結(jié)合在一起。 早期圖像匹配技術(shù)主要用于幾何校正后 多波段遙感圖像的套準，借助于 求互相關(guān)函數(shù) 極值來實現(xiàn)。模板匹配就是在一幅大圖像中搜尋目標 。 第一章 緒論 基于模板匹配的模糊數(shù)字識別的概念 模板匹配概念 及 現(xiàn)狀 模板匹配 :把不同傳感器或同一傳感器在不同時間、不同成像條件下對同一景物獲取的兩幅或多幅圖像在空間上對準 ,或根據(jù)已知模式到另一幅圖中尋找相應模式的處理方法就叫做模板匹配。數(shù)字化坐標值稱為取樣，數(shù)字化幅度值稱為量化。 該幅圖像的和坐標及幅度可能都是連續(xù)的。而亮度上的數(shù)字化即是將亮度取離散值， 稱為量化。為了得數(shù)字圖像， 從而使其可以通過計算機進行數(shù)字處理，首先要對圖像在空間上和亮度上進行數(shù)字化。當 x ， y 和幅值 f 為有限的、離散的數(shù)值時，稱該圖像為數(shù)字圖像 。但是，模擬圖像處理的缺點是精度較差、 靈活