【正文】 () )( iii yyF ??? () 上式中，△ Wij 為權值的改變， α 為學習系數， Vi 是當前神經元的興奮度， δ是實際輸出與期望輸出的偏差。 Hebb 學習規(guī)則 1949 年， 基于生理學和心理學的研究，對生物神經細胞如何進行學習的問題，剔除了一個直覺得假說 ：“當兩個神經元都處于興奮狀態(tài)時，連接這兩個神經元的權值將得到加強”，公式表示如下： jiij vv?? ?? () 上式中，△ Wij是連接權值的變化， Vi、 Vj是兩個神經元的活化水平， α 是學 12 習系數。 人工神經網絡的學習規(guī)則 ANN 中的核心問題就是如何決定網絡連接的加權系數（ Weight）。 前向網絡的特點如下： (1) 神經元分層排列，可又多層；。 前向網絡 結構如圖 所示。 基本模型 11 人工神經網絡的基本模型如圖 所示。 ② 雙曲正切 y=tanh(n) () 輸入與輸出成雙曲正切關系 。 (3)． S 型函數（ Sigmoid） 也有兩種可能的函數類型。 (2)．線性型 也有兩種情況，全線性型和正線性型，如下： ① 全線性 A=f (W*P+b)=W*p+b ()此時輸出與輸入成正比關系。 (1)．閥值型（硬限制型） 有兩種形式，第一種是： ()當輸入大于 0 時，輸出為 1；輸入小于 0 時，輸出為 0。 幾種常用的作用函數 包括閥值型（硬限制型）、線性型、 S 型函數 (Sigmoid)、輻射基函數等。 經過抽象，可得到數學表達式如下： ?? ??ni ii xws 1 ? () )(sy ?? () ωi： 數值 (Weigthts)； θ： 閥值 (Threshold) 10 б (s)：作用函數 (Activated Transfer Function)。見圖 。 神經元是人工神經網絡 的基本處理單元，它一般是一個多輸入 /多輸出的非線性元件。 9 第二章 神經網絡 簡 介 生物神經網絡（ BNN）信息傳遞過程為多輸入單輸出（ MISO）系統，信號為脈沖，當脈沖到達突觸前膜時，前膜釋放化學物質，結果在突觸后產生突觸后電位，其大小與脈沖密度有關（時間總合效應），并且各通道都對電位產生影響（空間總合效應）。 當然，車牌識別系統的具體應用發(fā)展也很迅猛，從原來的停車靜止拍攝場景應用，如收費站、停車場等，發(fā)展到移動公路車輛稽查、違章自動報警、超載闖紅燈等實時監(jiān)控場合應用，增加神經網絡自適應識別學習訓練功能，對于系統響應的速度、網絡化、智能化、識別成功 率等實用化要求也越來越高。比如在移動交警稽查、高速公路的監(jiān)視與監(jiān)控、城市交 通要道的監(jiān)視與監(jiān)控，所監(jiān)控的區(qū)域一般會同時出現多輛汽車，背景也比較復雜，有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等。 目前的車牌識別方法主要是針對車輛自動緩停收費、停車場管理等場合，所監(jiān)視的區(qū)域一般只有單一車輛，背景也比較簡單。車牌字符識別的研究在技術上已經取得了一定突破，然而離復雜多變的實際應用要求還有一定差距，許多新方法僅停留在理論和文章上或者限定在比較狹窄的約束范圍內，并不能以產品的形式大范圍投入使用。盡管如此，我國依然有大量的學者從事車牌字符識別研究，文獻給出了基于神經網絡的車牌識別方法，對于解析度較高和圖像比較清晰的車牌，這些方法能有效識別車牌中的字符，但對于較低解析度和較為模糊的車牌無能為力，因為這些方法只有在車牌中的每個字符被獨立分割出來的前提下才能完成識南京郵電大學 2021 屆本科生畢業(yè)設計（論文） 8 別工作。車牌字符識別技術是 文字識別技術與車牌圖像自身因素協調兼顧的綜合性技術。然而，無論是 LPR 算法還是 LPR 產品幾乎都存在一定的局限性，都需要適應新的要求而不斷完善，如現有系統幾乎都無法有效解決復雜背景下的多車牌圖像分割定位與有效識別的技術障礙，另外也很難適應全天候復雜環(huán)境及高速度的要求。對字符 4 提取網格特征的步驟 :對于待識別字符 ,首先歸一化為 32 16 的比例尺寸的字符點陣 ,黑像素為 1,白像素為 0,得出的 0、 1 組成的矩陣即為字符的特征向量。為了保留字符的整體結構特征和細節(jié)特征 ,將歸一化后字符點陣的每個像素點作為一個網格 ,直接輸入到神經網絡分器中。當 ),( ff yx 不是整數時 ,進行像素內插變換。 (2)大小歸一化通過歸一化圖像中的像素對應在原圖像中的點的位置的像素值來決定歸一化圖像中像素點的灰度值。粗網格特征提取方法是先把待識別字符進行大小和位置歸一化 ,再等分為 N N 維個網格 ,然后依次統計各網格內的黑像素 (或白像素 )的數量 ,從而取得一個以數值表示的的網格特征。 粗網格特征是屬于統計特征中的局部特征 ,又稱局部灰度特征。其南京郵電大學 2021 屆本科生畢業(yè)設計（論文） 7 中漢字 51 個 ,除 I 和 O 以外的英文大寫字母 AZ 和數字 09,共 34 個字符。為了降低網絡規(guī)模 ,對輸出層的目標期望輸出進行了編碼 ,隱含層節(jié)點數的確定采用了初定隱節(jié)點數的經驗公式 ,大大減少了隱含層節(jié)點數和迭代次數 ,降低了車牌字符識別系統中BP 神經網絡的規(guī)模 ,從而在保證準確率的同時提高了識別速度?；?BP 神經網絡的車牌字符識別關鍵在于車牌字符特征提取和 BP 網絡規(guī)模的大小。 車牌字符識別是車牌自動識別系統中的一個關鍵問題。 常用的結構特征主要有：筆道密度函數、空洞和缺口、字符的特殊節(jié)點 數等等。 上述三個要求很難同時滿足，應根據所設計的系統有針對性地予以選擇。 （ 2）基于字符特征的字符識別方法 基于字符特征的字符識別算法一般包括以下 3 個步驟： (1)提取字符的特征，建立一個字符特征向量空間，每個字符對應向量空間中的一個向量； (2)定義分類函數； (3)對輸入的字符圖像自動提取相應的特征，根據分類函數進行特征匹配，識別出相應的字符。 模板匹配方法是實現離散輸入模 式分類的有效途徑之一，其實質是度量輸入模式與標準模式之間的某種相似性，取相似性最大者為輸入模式所屬類別。 ： （ 1）模板匹配法 先在圖像中檢測出已知形狀的目標物，然后用這個目標物的形狀模板與圖像匹配，在約定的某種準則下檢測出目標物圖像，通常稱這種方法為模板匹配法。和其他模式識別一樣，字符識別的基本思想也是匹配判別。 南京郵電大學 2021 屆本科生畢業(yè)設計（論文） 6 本系統中主要用到的是基于神經網絡的字符識別方法。允許樣品有較大的缺損和畸變。 缺點：當樣品有缺損，背景不清晰，規(guī)則不明確甚至有歧義 時，效果不好。 優(yōu)點：已建立了關于知識表示及組織，目標搜索及匹配的完整體系。 優(yōu)點：由于用隸屬度函數作為樣品與模板間相似度的度量，故往往能反映它們整體的與主要的特性，從而允許樣品有相當的干擾與畸變。能反映模式的結構特性，能描述模式的性質，對圖像的畸變的抗干擾能力較強。不能反映模式的結構特征，難以描述模式的性質，難以從整體考慮識別問題。 主要方法 幾何分類：線性分類、非線性分類 統計分類： Bayes 決策 無教師的分類：聚類分析 自動機技術 CYK 剖析算法 Early 算法 轉移圖法 隸屬度函數的設計：模糊設計法二元對比排序法 推理法 模糊集運算規(guī)則 模糊矩陣 產生式推理 語義網推理 框架推理 BP 模型 HOP 模型 高階網 主要優(yōu)缺點 優(yōu)點：比較成熟，能考慮干擾、噪聲等影響，識別模式基元能力強。 是一個非線性動態(tài)系統。 是一種布爾演算。 是一種集合運算。 是一種語言。 字符識別 磁識別 光學識別 機械識別 在線識別 脫機識別 單個字符識別 連筆字符識別 印刷體字符識別 手寫體字符識別 圖 字符識別分 類 南京郵電大學 2021 屆本科生畢業(yè)設計（論文） 5 表 幾種識別方法的比較 統計決策 句法結構 模糊判決 邏輯推理 神經網絡 主要理論支柱 概率論 數理統計 形式語言 自動機技術 模糊數學 演繹邏輯 布爾代數 神經生理學 模式描述方法 特征向量 符號串、樹、圖 模糊集合 字符串表示的事實 以不同活躍度表示的輸入結點集 模式類判定 是一個聚合類。 車牌 字符識別系統用到的方法 字符識別系統用到的方法很多。一九七八年，中科院自動化研究所等合作研制出了“倍函自動化分檢機”，可識別 0～ 9 個數字；一九八七年清華大學研制的漢字識別系統通過了技術鑒定，可識別國家二級漢字庫 6000 多字，識別率可達 99%，速度為 1 字 /4 秒；一九八七年十二月，西安交大人 工智能和機器人研究所研制的漢字識別系統也通過了技術鑒定，同樣可識別漢字 6000 多，識別速度可達 1 字 /1 秒，識別率達 98%以上，處于國內領先地位。之后，其研究方向轉向了漢字識別。七五年日本擁有 650 臺光學字符識別機，進入了實用階段。字符識別系統根據輸入設備的不同有如下分類，如圖 所示： 目前開展比較多，并進入實用階段的是光學字符識別系統 (OCR 系統 )。但就多種方法分類來說為二大方法：相關法和構造解析法。第三個階段為發(fā)展階段。第二個階段為基礎理論研究階段。這樣萌芽了一個基本思想 — 抽取特征向量的構造和它的相關函數。實際中有時需要變換直方圖使之成 為某個特定的形狀 ,從而有選擇地增強某個灰度值范圍內的對比度 ,這時可以采用比較靈活的直方圖規(guī)定化方法。圖像增強 :最常用的方法是灰度直方圖變換 ,包括直方圖均衡化和直方圖規(guī)定化。按照空域濾波器的功能又可以分為平滑濾波器和銳化濾波器 ,平滑濾波器常用的方法有鄰域平均法、選擇平均法、中值濾波、自適應濾波等 ,其中 ,去噪處理多采用中值濾波 ,能獲得較好的效果。 由于攝像條件和客觀因素的限制 ,如車輛牌照不整潔、光照條件不好、角度不合適、車速較快等原因 ,采集的圖像可能模糊、歪斜或缺損 ,因此要對圖像進行平滑和增強處理。由于攝像機的性能、車牌的整潔度、光照條件、拍攝時的傾斜角度及車輛運動 等因素的影響使牌照中的字符可能出現比較嚴重的模糊、歪斜、缺損或污跡干擾，這些都給字符識別帶來了難度。 車牌字符識別實際上是依附在車牌上的印刷體文字的識別，能否正確識別不僅是文字識別技術的問題，還是考慮其載體 —— 車牌區(qū)域的影響。 在上述各系統中 , 圖像來源各不相同 , 有手寫紙張、印刷紙張、醫(yī)學圖像、銀行支票等 。因此 ,它在車牌字符識別中的應用 ,開辟了字符識別研究的新領域 ,有廣闊的發(fā)展空間。 傳統的 車牌 字符識別方法很多 ,但運用數學形態(tài)學進行車牌字符識別的研究還比較少。一般情況下 ,利用開啟運算可以消除散點和“毛刺” ,而利用閉運算則可以在選擇適當的結構元素后將兩個鄰近的分離目標進行連接。近年來隨著數學形態(tài)學在數字圖像處理中的廣泛應用 ,人們開始探索用數學形態(tài)學的理論來解決字符識別的問題。 (3)人工神經網絡法 ,人工神經網絡通過對大量樣本的學習獲取知識 ,不斷改進自身性能 ,從而保證系統對字符的高識別率。把輸入字符分解為具有上述筆畫的結構特征集合 ,與字符庫中的特征集合進行匹配 , 結構特征最匹配 的字符就是該輸入字符的識別結果。該方法簡單 ,但只適用于尺寸固定 ,車牌水平放置的情況 。在形態(tài)學中定義了兩 個 基本的變換，即腐蝕（ Erosion）和膨脹（ Dilation）。這個“探針”的集合稱為結構元素。對集合進行分析就是對集合進行變換，以突 出所需要的信息，所采用的方法是使主觀“探針”與客觀物體相互作用。 這 種轉換的目的是要找到原始集合的特 定幾何結構，而轉換后的集合包括了這種結構的信息。這些 基本運算在二值圖像和灰度圖像中各有特點。腐蝕和膨脹是數學形態(tài)學中的基本運算 ,其它運算都是由這兩種基本運算復合而成的。而數字