【正文】 出層神經(jīng)元的輸出為 （式 ） 誤差性能指標函數(shù)為 （式 ） (2)反向傳播：采用占學習方法，調(diào)整各層間的權(quán)值根據(jù)梯度下降法，權(quán)值學習方法如下： 輸出層即隱層的連接權(quán)值 W學習算法為 （式 ） 式中 為學習速率。 BP 網(wǎng)絡(luò)有以下優(yōu)點：只要能保證有足夠的隱層和隱層節(jié)點，就可以逼近任意的非線性映射關(guān)系 。由于其學習方法屬于全局逼近算法，具有較強的泛化能力 。神經(jīng)網(wǎng)絡(luò)有較強的容錯性。 雖然 BP 神經(jīng)網(wǎng)絡(luò)有以上的優(yōu)點，但因為其有收斂的速度比較慢 。當按梯度下降學習法進行學習的時候很容易陷入局部的最小值 。難以確定隱層和隱層節(jié)點的數(shù)目的缺點，所以在用于字符識別的過程中，還需要做大量的修改。 本文采用的識別算法 本文采用的識別算法是基于模板匹配的車牌識別方案，模板匹配法就是將待識別字符與模板字 符進行比對，從而確定字符內(nèi)容。其大體步驟是 :首先， 制作模板并要求模板的大小必須統(tǒng)一 。然后，對待識別字符進行圖像的歸一化操作，最后將字符與模板的每個像素點進行一一的對照，與所有模板比對完成之后，選取其中相似結(jié)果最高的，作為最終的識別結(jié)果。整個過程最重要的一步是模板的設(shè)計，它是后iijj xwx ??jxjj exfx ????? 11)(2)(21 keE ?? ?? j jjn xwky 2)(jjnjjxkewykewEw??????????????)()(222????13 續(xù)工作的基礎(chǔ)。模板的建立要針對字符的特征來進行，通?？梢匀」P畫特征、幾何特征還有圖形的特征。模板匹配方法最大的優(yōu)點是識別率很高，但是因為要逐點操作，所以效率比較低下?？紤]到 LRS 對識別效果準確率要求比較高，此種方法比較合適，但是怎么樣能 提高效率，這還是一個墮待解決的問題。 算法實現(xiàn)總體設(shè)計方案中首先是要采集圖片，而硬件設(shè)備采集到的圖片要考慮其圖像的存儲格式。目前比較常用的圖像格式有 *.BMP、 *.JPG、 *.GIF、 *.PCX等，本課題采集到的圖片是 *.JPG 的格式。至于軟件系統(tǒng)的選擇，因為軟件系統(tǒng)的編寫大多采用 VC 或者 MATLAB 語言，本課題選用了 MATLAB 語言。 整個牌照識別的設(shè)計流程圖如下圖所示： 識別的整個流程就是：首先將采集到的汽車圖像進行灰度化、灰度拉伸和濾波處理，以降低噪點、增加車牌部分的對比度。然后，通過對預(yù)處理后的圖像 進行小波變換分解提取圖像邊緣，并進行形態(tài)學處理，這時，車牌的輪廓已經(jīng)非常清晰，并且可以和非車牌區(qū)域明顯區(qū)分開來了，接著，根據(jù)車牌的特點進行車牌初步定位，對車牌區(qū)域和偽車牌區(qū)域進行篩選后，采用投影法進行車牌二次定位，提取出車牌圖像。將提取出的車牌圖像進行二值化處理，根據(jù)投影圖的特點查找傾斜的角度，采用坐標變換的方法進行車牌傾斜校正，并利用其垂直投影圖中字符顯示出的峰群的特點進行字符切分。最后完成了整個車牌字符的識別。最后搭建了一個測試平臺，將上述三個部分進行了系統(tǒng)化，對系統(tǒng)的性能進行了測試和分析。 14 圖 系統(tǒng)識別流程圖 開始 輸入汽車圖像 提取車牌 邊緣 形態(tài)學處理 一次定位 是否有車牌 進行二值化 根據(jù)投影和坐標變 換進行傾斜矯正 根據(jù)垂直投影 進行字符切分 進行字符識別 結(jié)果輸出 二次定位 結(jié)束 NO YES 15 第 4 章 基于模板匹配的車牌識別詳細設(shè)計 本設(shè)計處理的流程包括：圖像采集 圖像預(yù)處理 車牌定位 傾斜校正 字符分割 字符識別六個部分。 圖像采集 圖像采集部分所采集的圖像一般是采用 CCD 攝像機攝取的車牌前視圖或后視圖，這些通過由光照檢測裝置控制現(xiàn)場的光照，位置檢測裝置控制攝像機的拍攝角度而得到的。 本設(shè)計中所用到圖片是用數(shù)碼相機拍的，模型如下圖： 圖 照片模型 圖像預(yù)處理 圖像預(yù)處理部分需要對采集到的圖像進行圖像加強、平滑濾波等操作，目的是突出車牌的主要特征，以便更好地提取車牌。 圖像預(yù)處理一般包括以下步驟：對圖像的灰度進行處理、圖像平滑、圖像增強、圖像二值化、圖像銳化、邊緣檢測。 16 圖 二值化的圖像 圖 采集的車輛圖像為彩色圖像，應(yīng)將彩色圖像轉(zhuǎn)化為灰度圖像。由于光線不足或者反光等諸多因素，又可能造成車牌對比度較差，對接下來的紋理分析產(chǎn)生影響，17 所以有必要進行圖像 增強。本文對圖像中特亮和特暗的地方進行灰度拉伸，有效增強圖像對比度，提高車牌定位準確率。為了進一步提高定位準確率，我們通過連續(xù)的兩幀圖像定出車大概位置，再在車的位置上搜索車牌，這樣不僅提高了準確率，還提高了整個程序的運行效率。同時為了減少圖像中的孤立干擾點，保留車牌字符邊緣，讓車牌字符的圖像灰度水平投影更有的連續(xù)性。選用 MXl 的模板對灰度拉伸后的圖像進行中值濾波。 車牌定位 從人眼視覺的角度出發(fā)，并根據(jù)車牌的字符目標區(qū)域的特點，在灰度圖像的基礎(chǔ)上提取相應(yīng)的特征。車牌定位是車牌識別系統(tǒng)中的關(guān)鍵和難點， 實際圖像中的噪聲、復(fù)雜背景等干擾都會使定位十分困難。車牌牌照的提取是一個尋找最符合牌照特征區(qū)域的過程。從本質(zhì)上講，就是一個在參量空間尋找最優(yōu)定位參量的問題。 自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。首先對采集到的視頻圖像進行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進一步分析、評判，最后選定一個最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。 流程圖 如下 ： 圖 車牌定位流程圖 本文采用車牌定位 方法是一種基于灰度圖像，求取圖像能量極值區(qū)域的車牌定位方法，刻意避開二值化中閩值的確定問題。該方法充分利用車牌紋理復(fù)雜、對比度鮮明、外型規(guī)則等特征構(gòu)造車輛圖像的對比度能量圖，然后通過選取極值區(qū)域來定位車牌。基于求取卷積能量極值區(qū)域進行車牌定位的實驗步驟基本如下：首先，為了提高定位準確率，我們通過連續(xù)的兩幀圖像定出車輛大概位置，再在車輛的位置上搜索車牌，這樣不僅提高了準確率，還提高了整個程序的運行效率。同時減少圖像中的孤立干擾點，保留車牌字符邊緣，讓車牌字符圖像的灰度水平投影更有連續(xù)性。其次，由于車牌區(qū)域與車 身相比，車牌區(qū)域的對比度特別大，灰度變化具有一定頻度，所以我們先對圖像的每一行相鄰像素做求極值處理，再求相鄰點間的差，從而減少由車身帶來的誤差。求極值處理公式如下： 導(dǎo)入原始圖像 圖像預(yù)處理增強效果圖像 邊緣提取 車牌定位 對圖像 開閉運算 ??? ? ?????? 其他)1( 0))1()((*))1()(()()( nx nxnxnxnxnxnx18 （式 ） 求相鄰點間的差公式如下： （式 ） 最后，由于車牌區(qū)域的變化頻度 較大，在一般情況下，車牌區(qū)域的卷積能量都是最大的，特殊情況下也是第二大。又由實驗可知，對圖像求卷積能量時，卷積長度越接近車牌的寬度，定位就越準確。再由先驗知識可知車牌的寬度與車寬成一定的比例，所以車牌寬度可由車寬求出，因此對每幀圖像求卷積能量時，卷積長度采用自適應(yīng)的方法，進一步提高車牌定位的準確率。 卷積能量公式如下： （式 ） 其中 h(n)為長度為 L 的卷積核。 圖 定位 到的車牌圖片 傾斜校正 由于 CCD 攝像機采集車牌圖像時，有時候會出現(xiàn)采集到的車牌圖像里牌照區(qū)域是傾斜的。傾斜的牌照不利于后續(xù)的字符分割與識別，嚴重的還可能引起牌照內(nèi)容的丟失，直接導(dǎo)致字符識別的失敗。因此，在進行字符分割與識別之前，有必要對牌照進行傾斜校正。 目前，車牌的傾斜校正方法主要有：通過垂直和水平邊緣檢測相結(jié)合的方法 。進行水平邊緣檢測，并進行垂直投影的方法 。Hough 變換法 。求得車牌上字符連通域)()1()( nxnxnx ?????? ????? Li WnihinXnX 1 1)(*)1()(19 的中心點，然后擬成直線的方法 。求取車牌字符區(qū)域的極小特征點和極大特征點的方法 。.通過模板匹配的方法。其 中 Hough 變換的方法比較常用。 Hough 變換運用兩個坐標之間的變換來進行檢測。平面內(nèi)的有規(guī)則曲線和直線，將原始圖像中直線和曲線上的點，都集中到變換空間上，形成峰點。這樣就把原始圖像中的曲線或直線的檢測問題，轉(zhuǎn)化為尋找變換空間的峰值問題。 Hough 變換只能對己知形狀參數(shù)的曲線方程如二次曲線、直線來進行描述，不能對未知曲線來進行檢測，這是此變換的缺點。但是變換的最大優(yōu)點是抗干擾性強。只要檢測出車牌的兩條平行直線即可，符合變換的要求。 圖 校正前的圖片 圖 校正后的圖片 字符分割 字 符分割即是對獲得的牌照分離出單個字符 (包括漢字、字母和數(shù)字等 )，以便于字符識別。 字符分割的算法有很多，通常是根據(jù)處理對象的不同有許多相應(yīng)的方法。為了實現(xiàn)更好的分割，有關(guān)的總體知識和先驗信息是很有用的，根據(jù)包含在圖像中的信息，可以制定相應(yīng)的判決準則和控制策略，使其完成自動分割。 傳統(tǒng)的字符分割算法可以歸納為以下三類：直接分割法、基于識別基礎(chǔ)上的分割法和自適應(yīng)分割線聚類法。直接分割法簡單，但它的局限是分割點的確定需要較高的準確性；基于識別結(jié)果的分割是把識別結(jié)果和分割結(jié)合起來，但是需要高準確的識別結(jié)果。它根據(jù)分 割和識別結(jié)果的耦合程度又有不同的劃分；自適應(yīng)分割線聚類法是一個分類器，用它來判斷圖像的每一列是否是分割線，它是根據(jù)訓練樣本來進行自適應(yīng)的神經(jīng)網(wǎng)絡(luò)，但是對于粘連的字符很難訓練。 20 由于本文處理的對象是相對類型較少，變化較小的車牌，因此采用直接分割法。具體就是采用投影法先將字符粗分割，然后根據(jù)單個字符的寬度進行分類，將粘連字符再分割，斷裂字符合并。 完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進行識別。由于字符在垂直方向上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的附近，并且這個位置應(yīng)滿足牌照的字 符書寫格式、字符、尺寸限制和一些其他條件。利用投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。分割步驟： 圖 車牌分割步驟 圖 分割后的車牌 字符識別 本文的字符識別采用的是基于模板匹配的識別方法。 模板匹配是最為直觀的一種方法，就如字面所理解的，選用一些樣本作為模板，當進行判斷時，首先計算待測數(shù)據(jù)與模板之間的距離，這個距離通常是兩個數(shù)據(jù)向量差的一個范數(shù)，例如它們之間的直線距離等。找出距離最短的那個模板這個模板的輸出值就可以作為該數(shù)據(jù)對應(yīng)的輸出值。 字符識別流程概述 當一幅車牌的原始圖像經(jīng)過車牌定位和字符分割處理后，得到這個車牌的字符圖像，首先對字符圖像做歸一化處理，即把字符圖像歸一化成 20 32的標準大小的圖像，然后對這幅歸一化的圖像調(diào)用設(shè)計好的模板匹配程序進行識別，字符識別流程如下： 識別車牌的第 1個字符（若分割正確的話應(yīng)該是漢字）： （ 1）調(diào)用漢字模板庫進行匹配識別，若識別結(jié)果為漢字，則最終結(jié)果為一漢字，識別結(jié)束；若識別結(jié)果為空字符，即表示不是漢字，則進行第二步。 （ 2）調(diào)用字母模板庫進行識別，若為字母，則最終結(jié)果為一個字母，識別結(jié)束 ；若識別結(jié)果為空字符，則表示不是字母，進行第三步。 按左右寬度切割出字符 計算水平投影進行車牌水平校正 去掉車牌的框架 分析垂直投影找到每個字符中心位置 21 （ 3）調(diào)用數(shù)字模板庫進行識別，若為數(shù)字，則最終結(jié)果為一數(shù)字，識別結(jié)束；若為空字符，則最終結(jié)果為空字符，識別結(jié)束。 識別車牌的第 2個字符（若分割正確的話應(yīng)該是字母）： （ 1）調(diào)用字母模板庫進行識別，若為字母，則最終結(jié)果為一個字母，識別結(jié)束；若識別結(jié)果為空字符，則表示不是字母，進行第二步。 （ 2）調(diào)用數(shù)字模板進行識別，若為數(shù)字，則最終結(jié)果為一數(shù)字，識別結(jié)束；若為空字符，則表示不是數(shù)