【正文】 素值，這樣區(qū)域分塊法使得不同的字符能得到不一樣的特征值。3）直線提取法：在字符圖像中用米字線來作為特征取值，計算每條直線上所占有的像素點來作為字符的特征值。 BP神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)即人工神經(jīng)網(wǎng)絡(luò)它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進行分布式并行信息處理的算法數(shù)學模型。1943年，心理學家WPitts在分析、總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出神經(jīng)元的數(shù)學模型。因而，他們兩人可稱為人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)。諾依曼領(lǐng)導的設(shè)計小組試制成功存儲程序式電子計算機，標志著電子計算機時代的開始。但是，由于指令存儲式計算機技術(shù)的發(fā)展非常迅速，迫使他放棄了神經(jīng)網(wǎng)絡(luò)研究的新途徑，繼續(xù)投身于指令存儲式計算機技術(shù)的研究，并在此領(lǐng)域作出了巨大貢獻。諾依曼的名字是與普通計算機聯(lián)系在一起的，但他也是人工神經(jīng)網(wǎng)絡(luò)研究的先驅(qū)之一。Rosenblatt設(shè)計制作了“感知機”，它是一種多層的神經(jīng)網(wǎng)絡(luò)。當時，世界上許多實驗室仿效制作感知機，分別應用于文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。60年代末期，人工神經(jīng)網(wǎng)絡(luò)的研究進入了低潮。后來，在此基礎(chǔ)上發(fā)展了非線性多層自適應網(wǎng)絡(luò)。Rumelhart、McClelland和他們同事洞察到神經(jīng)網(wǎng)絡(luò)信息處理的重要性，于1982年成立了一個PDP小組，研究并行分布信息處理方法。 BP網(wǎng)絡(luò)BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡(luò)。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小。目前，在人工神經(jīng)網(wǎng)絡(luò)的實際應用中，覺大部分的神經(jīng)網(wǎng)絡(luò)的模型都采用BP網(wǎng)絡(luò)及其變化形式。 BP網(wǎng)絡(luò)的模型結(jié)構(gòu)（1）人工神經(jīng)元人工神經(jīng)元是對生物神經(jīng)元的一種模擬簡化。 人工神經(jīng)元模型它式一個多輸入、單輸出的非線性元件，其關(guān)系可描述為： (23)式中：是從其他神經(jīng)元傳來的輸入信號；表示從神經(jīng)元到神經(jīng)元的連接權(quán)值；為神經(jīng)元的閾值；為神經(jīng)元的凈輸入，為神經(jīng)元的激發(fā)函數(shù)。 多層神經(jīng)網(wǎng)絡(luò) BP網(wǎng)絡(luò)算法1）BP網(wǎng)絡(luò)前饋計算輸入層第i個節(jié)點的輸出為： (24)隱含層第j個節(jié)點的凈輸入和輸出分別為： (25)其中。2）BP網(wǎng)絡(luò)權(quán)值調(diào)整規(guī)則設(shè)激發(fā)函數(shù)為單極性S型函數(shù)（，）。當有P個樣本模式時，系統(tǒng)的誤差為 （27）式中：是第p個樣本第k個輸出的期望值；是第p個樣本第k個輸出的當前值。為減少誤差E，連接權(quán)值W的增減應按照負梯度方向改變，即 （28）為簡單運算，考慮一個樣本的情況。因此，其修正公式為： （216） 4）隱含層權(quán)系數(shù)的調(diào)整根據(jù)式（28），輸出層到隱含層的連接權(quán)值增量可表示為 (217)其中 (218)因為 (219) (220)所以 (221)因此，輸入層到隱含層的連接權(quán)值的修正公式 （222）同理，隱含層的任意神經(jīng)元閾值的修正公式為 （223）這樣，無論輸出層還是隱含層，神經(jīng)元連接權(quán)值的修正公式都可以表示為 （224）當考慮多個樣本時，修正公式可表示為 （225）學習效率對學習過程的影響越大，越大，權(quán)值的變化越劇烈，容易產(chǎn)生振蕩。第3章 基于BP網(wǎng)絡(luò)的字符識別 車牌圖像預處理實現(xiàn) 車牌圖像濾波實現(xiàn)在第2章介紹了一種中值濾波的方法，它的原理就是取出就是在一個數(shù)組中取到一個中值，利用中值去取代孤立的大值，這樣就使得這個數(shù)組的數(shù)相對要變得均勻一些，這也就實現(xiàn)了圖像平滑。根據(jù)原理，對車牌圖像做中值濾波。首先要將一幅理想的彩色車牌圖像轉(zhuǎn)換成灰度圖像，這是由于車牌字符識別并不需要顏色信息，所以將圖像轉(zhuǎn)化成灰度圖像方便于處理。1）灰度權(quán)值法根據(jù)原理式子。iimgheight*imgwidth。 }2）根據(jù)人生理感官權(quán)值法。iimgheight*imgwidth。 }在經(jīng)過兩種方法得到的灰度圖香的比較得到如下結(jié)論：兩種方法得到灰度圖像在視覺上沒有明顯的差別，其主要差別只是在像素的灰度值上，變換的權(quán)值不同使得到的灰度像素的亮度值不一樣。、。for(i=0。i++) { if(src[i] value) { src[i] = 255。 } }}根據(jù)上段程序知道定義一個閾值value,根據(jù)其閾值的大小來進行二值化，根據(jù)不同的閾值將得到不同的二值化圖像。基于平均的思想其程序編寫如下：t=0。iimgwidth。jimgheight。 }}t=int(t/(imgwidth*imgheight))。 車牌圖像分割實現(xiàn)圖像時需要清晰的分割開來的，當就字符出現(xiàn)粘連就會影響到字符圖像的裁剪，所以要對車牌圖像進行邊緣檢測，把各個字符分離開來。 Robert邊緣檢測的圖像。 Prewitt邊緣檢測的圖像經(jīng)過比對，經(jīng)過三種算子都能得到一幅具有邊緣輪廓的圖像，它們所提取的刀的邊緣特征大致是相似的，但是還是可以看出有些小細節(jié)是不一樣的。對于邊緣檢測算子的運用也根據(jù)實際情況去選用并不是那個就要好于哪個，而是要根據(jù)圖像的實際能容來選取的。將圖片中的字符切出來的辦法是根據(jù)它的沒列中只有有字符的時候才會有亮點，而沒有字符的地方就不會有亮點所以它在該列的累計值應該是0所以根據(jù)這樣的辦法將字符切割下來。 邊緣檢測圖像字符分割的程序代碼如下：//計算每列的的像素點，當有像素點時記錄下來for(i=0。i++) { for(j=0。j++) { if(imageData[j*imgwidth+i] 0) { data[i] += 1。 while(data[a]==0) { a++。iimgwidth。jimgheight。 count1 ++。 break。 word1 = cvCreateMat(imgheight, widtha, CV_8U)。iwidtha。jimgheight。 } } 歸一化和字符特征提取實現(xiàn)字符特征提取有許多中方法，在這里采用比較簡單直觀的投影法。這里的歸一化也是圖像的空間變換，采用的插值法是雙線性插值法也稱為一階插值。例如它的第零列只有三個白像素點，它的第6列與第18列有一樣多的白像素點。其實現(xiàn)的的源代碼如下所示： //列投影 int ssum = 0。j24。 for(i=0。i++) { if(c1[j*42+i] 0) { ssum ++。 a[j]= ssum 。 } write_data(b)。 ssum = 0。 //行投影 for(j=0。j=j+6) { ssum = 0。i24。 } } printf(%d,ssum)。 write_data(a[j])。把這些標準的字符圖像用特征提取技術(shù)將特征值提取出來作為樣本輸入到BP網(wǎng)絡(luò)中進行訓練。 字符庫圖對字符庫里面的字符做特征提取值,為保證BP網(wǎng)絡(luò)輸入數(shù)據(jù)量少比較好收斂，在這里對字符的特征值提取是提取了4列7行的數(shù)據(jù)作為字符的特征。在MATLAB里面可以建立一個BP網(wǎng)絡(luò)程序，用來是實現(xiàn)車牌字符識別用的，在MATLAB里面建立BP網(wǎng)絡(luò)后經(jīng)過訓練，直接調(diào)用訓練過得BP網(wǎng)絡(luò)就可以去對車牌字符識別做驗證，其程序代碼如下：P=[]。T=[]。pauseclcnet=newff(minmax(P),[40,1],{39。,39。},39。)%設(shè)置BP網(wǎng)絡(luò)inputWeights={1,1}%輸入層的權(quán)值設(shè)置inputbias={1}%輸入層的閾值設(shè)置layerWeights={2,1}%隱含層的權(quán)值設(shè)置layerbias={2}%隱含層的閾值設(shè)置pauseclc=50。%學習速率設(shè)置=。%最大訓練次數(shù)設(shè)置=1e5。 BP網(wǎng)絡(luò)字符識別經(jīng)過對車牌字符庫里面的字符進行學習后的BP網(wǎng)絡(luò)具有了固定的權(quán)值和閾值，這是BP網(wǎng)絡(luò)就已經(jīng)具有識別的功能。這是由于在BP網(wǎng)絡(luò)建模過程中誤差傳遞函數(shù)式子（28）造成的，由式子（28）可以得知權(quán)值修改是一個多元函數(shù)。從分析上可以知道式子（28）不僅僅是一個多元函數(shù)還是一個有著一定的遞推關(guān)系,所以當BP網(wǎng)絡(luò)參數(shù)設(shè)置得不合理時會產(chǎn)生振蕩，使得誤差不會收斂，這樣使得BP網(wǎng)絡(luò)不能實現(xiàn)特殊功能?？梢韵葘﹄[含層的數(shù)目進行調(diào)節(jié)再對學習速率進行調(diào)節(jié)，讓誤差收斂起來。將字符庫的數(shù)字字符特征值送入到建立好的BP網(wǎng)絡(luò)中進行識別，得到如下數(shù)據(jù)結(jié)果。 車牌字符識別結(jié)果字符特征值識別結(jié)果對應字符42,41,6,7,7,7,7,7,7,7,24,2,22,19,22,4,7,9,10,11,20,10,7,18,18,41,6,9,12,12,13,24,7,7,34,21,36,9,20,15,18,19,7,17,42,21,21,21,24,23,6,22,6,6,24,，對于較為理想的車牌字符識別基本能全部識別出來，這只是對于處理得當?shù)能嚺谱址M行識別結(jié)果，若車牌字符不是理想的識別結(jié)果會造成比較大的誤差以至于不能識別出來，所以對于車牌字符圖像的處理需要一種比較合理的處理方法，使得后期要識別的車牌字符圖像達到可識別的程度。這是這種定行定列提取特征值得優(yōu)點。第4章 結(jié) 論基于BP網(wǎng)絡(luò)識別車牌字符，首先需要要建立一個比較完善的車牌字符庫，對字符庫的字符做特征值提取，在BP網(wǎng)絡(luò)訓練過程不可避免的需要調(diào)節(jié)BP網(wǎng)絡(luò)的參數(shù)，使得BP網(wǎng)絡(luò)的誤差能在一定的范圍內(nèi)可以收斂。根據(jù)式子（28）的負梯度模型，可以根據(jù)誤差的變化方向來確定學習速率，首先一點要確定隱含層的個數(shù)，然后根據(jù)誤差變化的方向來確定學習速率的變化，當誤差變化處于振蕩時就要減小學習速率，使得誤差不會振蕩直至收斂為止。關(guān)于BP網(wǎng)絡(luò)算法的優(yōu)化現(xiàn)在也一直再研究從沒有停止過。讓后就是要改變激發(fā)函數(shù)和訓練函數(shù)。其誤差與訓練次數(shù)的如圖。 采用tansig激發(fā)函數(shù)和traindm訓練函數(shù)時誤差下降圖由圖和圖顯而易見在改變激發(fā)函數(shù)和訓練函數(shù)后誤差下降要快得多，能很好的達到誤差標準。識別車牌必須做圖像處理過程，圖像的處理方法有許多，對實際情況還是需要實際分析并沒有一個通用的辦法，但是基本思路是一致的，只是對圖像的特別的地方需要特別處理。而特征值得提取方法有許多種，而每種都有這各自的優(yōu)點，在本文中提出的幾種方法中投影法是最容易實現(xiàn)的比較直觀；而區(qū)域法實現(xiàn)要比投影法復雜并且要先規(guī)劃出區(qū)域才能使得特征值提取得有效但這種方法可以區(qū)分出變化微小的區(qū)域，當區(qū)域劃分得越細特征值就越明顯；直線法實現(xiàn)相對比前面兩種要復雜一些，在一個不定的大小的圖像中要畫出這四條直線比較困難，使得與模板庫的字符特征值不太符合，但是這種方法能提取到較少的特征數(shù)據(jù)量使得計算機處理起來比較方便。特征值是表征字符特點的，對于漢字識別時非常重要的，漢字寫法也有很多種，基本上都是變化的，對于它的特征很難找到，所以在這個方面做研究也是非常具有意義的。根據(jù)車牌尺寸來分割的辦法很容易把字符分割開，得不到想要的字符圖像，容易丟失信息。圖像分割的質(zhì)量好壞會影響著特征值得提取，所以采用合適合理的分割方法是必須的?；贐P神經(jīng)網(wǎng)絡(luò)的車牌字符識別算法研究[J]。 2012年 05期.[2] 李會民, 張仁津。 計算機工程與設(shè)計, 2010年 03期.[3] 黃英偉。 2012.[4] 丁姍。 山東師范大學, 2011.基于BP網(wǎng)絡(luò)的車牌字符識別系統(tǒng)[J], 中國新通信, 2012年 21期.多字體字符識別的模糊神經(jīng)網(wǎng)絡(luò)模型[J], 紅外與毫米波學報, 1999年 05期.車牌字符識別技術(shù)的研究[D]。武漢理工大學，2009.[12]郭榮艷，胡雪惠；BP神經(jīng)網(wǎng)絡(luò)在車牌字符識別中的應用研究[J],計算機仿真，2010年9期.[13]梁曉龍；基于BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別算法研究[D]。北京：北京航空航天大學出版社，2011:2937[15]曹蕊；車牌字符識別系統(tǒng)的研究和實現(xiàn)[