基于神經(jīng)網(wǎng)絡(luò)的車牌照字符識(shí)別改進(jìn)方法研究.doc

- 西 南 交 通 大 學(xué) 畢業(yè)設(shè)計(jì)（論文） 基于神經(jīng)網(wǎng)絡(luò)的車牌照字符識(shí)別改進(jìn)方法 研究 年 級(jí): 學(xué) 號(hào): 20052295 姓 名: 專 業(yè): 自動(dòng)化（交通信息工程及控制方向） 指導(dǎo)老師: 二零零九年六月 院 系 信息科學(xué)與技術(shù)學(xué)院 專 業(yè) 自動(dòng)化（交通信息工程及控制） 年 級(jí) 2005 級(jí) 姓 名 題 目 基于神經(jīng)網(wǎng)絡(luò)的車牌照字符識(shí)別改進(jìn)方法研究 指導(dǎo)教師 評(píng) 語(yǔ) 指導(dǎo)教師 (簽章) 評(píng) 閱 人 評(píng) 語(yǔ) 評(píng) 閱 人 (簽章) 成 績(jī) 答辯委員會(huì)主任 (簽章) 年 月 日 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 i 頁(yè) 畢畢 業(yè)業(yè) 設(shè)設(shè) 計(jì)計(jì) 任任 務(wù)務(wù) 書書 班 級(jí) 交控 1 級(jí) 學(xué)生姓名 周波 學(xué) 號(hào) 20052295 專 業(yè) 自動(dòng)化（交通信息工程及控制） 發(fā)題日期：2009 年 1 月 1 日 完成日期：2009 年 6 月 15 日 題題 目目 基于神經(jīng)網(wǎng)絡(luò)的車牌照字符識(shí)別改進(jìn)方法研究 題目類型： 工程設(shè)計(jì) 技術(shù)專題研究 理論研究 軟硬件產(chǎn)品開發(fā) 一、一、設(shè)計(jì)任務(wù)及要求設(shè)計(jì)任務(wù)及要求 車牌照識(shí)別是智能交通系統(tǒng)的一個(gè)重要課題，在車輛管理、不停車收費(fèi)等系統(tǒng)中有廣泛應(yīng) 用。目前，基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別技術(shù)在車牌照識(shí)別領(lǐng)域中已經(jīng)得到比較普遍的應(yīng)用，但是 由于車牌字符識(shí)別算法的相對(duì)復(fù)雜性，因此我們需要設(shè)計(jì)一種改進(jìn)算法來提高車牌照識(shí)別系統(tǒng) 的魯棒性和實(shí)時(shí)性。具體要求如下： 1. 對(duì)輸入的字符圖像（包括數(shù)字和英文字母）進(jìn)行字符特征提取 2. 通過神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練樣本和自學(xué)習(xí)，識(shí)別字符并給出結(jié)果 3. 設(shè)計(jì)一種改進(jìn)算法以提高字符識(shí)別的精確度和快速性 4. 輸入圖像中可以含有多個(gè)數(shù)字和字母 5. 每張圖片的處理時(shí)間不能大于 1s 二、二、應(yīng)完成的硬件或軟件實(shí)驗(yàn)應(yīng)完成的硬件或軟件實(shí)驗(yàn) 1. 利用 matlab 或 vc+編程實(shí)現(xiàn)車牌照字符的識(shí)別技術(shù) 2. 設(shè)計(jì)一個(gè)人機(jī)交互界面能輸入車牌照字符圖像并顯示字符識(shí)別的結(jié)果 三、三、應(yīng)交出的設(shè)計(jì)文件及實(shí)物（包括設(shè)計(jì)論文、程序清單或磁盤、實(shí)驗(yàn)裝置或產(chǎn)品等）應(yīng)交出的設(shè)計(jì)文件及實(shí)物（包括設(shè)計(jì)論文、程序清單或磁盤、實(shí)驗(yàn)裝置或產(chǎn)品等） 1. 畢業(yè)設(shè)計(jì)論文（必須完全符合學(xué)校規(guī)范，內(nèi)容嚴(yán)禁有絲毫的抄襲剽竊） 2. cd-r（含論文，程序，程序使用說明書，演示視頻，盤面標(biāo)注班級(jí)，姓名，專業(yè)，日期） 3.英文翻譯按學(xué)校規(guī)定，導(dǎo)師無特殊要求 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 ii 頁(yè) 四、四、指導(dǎo)教師提供的設(shè)計(jì)資料指導(dǎo)教師提供的設(shè)計(jì)資料 1. 研究報(bào)告介紹（包括課題背景、動(dòng)機(jī)、內(nèi)容、意義） 2. 計(jì)劃說明書 3. 部分英文文獻(xiàn)資料和 medialab lpr 圖像數(shù)據(jù)庫(kù) 五、五、要求學(xué)生搜集的技術(shù)資料（指出搜集資料的技術(shù)領(lǐng)域）要求學(xué)生搜集的技術(shù)資料（指出搜集資料的技術(shù)領(lǐng)域） 1. 本課題相關(guān)領(lǐng)域國(guó)內(nèi)外重要論文及資料 2. matlab、c+編程指南 六、六、設(shè)計(jì)進(jìn)度安排設(shè)計(jì)進(jìn)度安排 第一部分 查閱相關(guān)資料，學(xué)習(xí)相關(guān)編程語(yǔ)言 （2 周） 第二部分 編制程序并進(jìn)行軟件調(diào)試 （8 周） 第三部分 撰寫畢業(yè)論文 （5 周） 評(píng)閱及答辯 畢業(yè)論文修改和參加答辯 （1 周） 指導(dǎo)教師： 年 月 日 系主任審查意見： 審 批 人： 年 月 日 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 iii 頁(yè) 注：設(shè)計(jì)任務(wù)書審查合格后，發(fā)到學(xué)生手上。 西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院 2008 年制 摘 要 車牌字符識(shí)別是智能交通系統(tǒng)的一個(gè)重要課題，在車輛管理、不停車收費(fèi)等系 統(tǒng)中有廣泛應(yīng)用。目前，基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別技術(shù)在車牌照識(shí)別領(lǐng)域中已經(jīng)得 到比較普遍的應(yīng)用，但是由于車牌字符識(shí)別算法的相對(duì)復(fù)雜性，因此我們需要設(shè)計(jì) 一種改進(jìn)算法來提高車牌照識(shí)別系統(tǒng)的魯棒性和實(shí)時(shí)性。 字符識(shí)別是模式識(shí)別領(lǐng)域的一項(xiàng)傳統(tǒng)的課題，這是因?yàn)樽址R(shí)別不是一個(gè)孤立 的問題，而是模式識(shí)別領(lǐng)域中大多數(shù)課題都會(huì)遇到的基本問題。字符識(shí)別也是加快 人機(jī)信息交流的有效手段。目前有許多資料以圖書形式存在，如果用手工的方式進(jìn) 行錄入的話，不僅效率地下，而且容易出錯(cuò)。在這種要求下，字符識(shí)別有了出現(xiàn)的 必要。在這篇文章中主要是利用神經(jīng)元網(wǎng)絡(luò)控制來實(shí)現(xiàn)對(duì)字符圖像的處理，從而實(shí) 現(xiàn)字符識(shí)別的功能。 神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法是近些年提出的新方法，為字符研究提供了一種新手段， 它具有一些傳統(tǒng)技術(shù)沒有的優(yōu)點(diǎn)：良好的容錯(cuò)能力，較強(qiáng)的分類能力，有并行處理 能力和自學(xué)習(xí)能力。因而，采用神經(jīng)網(wǎng)絡(luò)識(shí)別方式是一種很好的選擇。本文首先對(duì) 字符圖像進(jìn)行預(yù)處理并提取出字符的圖像特征；然后用神經(jīng)網(wǎng)絡(luò)方法對(duì)數(shù)字和英文 字符進(jìn)行識(shí)別，得出結(jié)果和顯示出識(shí)別時(shí)間；最后提出一些改進(jìn)算法以提高字符識(shí) 別的精確度和快速性。 關(guān)鍵詞：關(guān)鍵詞：字符識(shí)別； 圖像處理；特征提??； 神經(jīng)網(wǎng)絡(luò) 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 iv 頁(yè) abstract the character recognition of license plate is an important subject of intelligent transportation system, and is used widely in the vehicle management system and electronic toll collection system. at present, the character recognition technology based on neural network has been used widely in the field of license plate recognition, but due to the relative complexity of plate character recognition algorithm, we need to design an improved algorithm to improve the robustness and real-time ability of the license plate recognition system. character recognition is a traditional subject in the field of pattern recognition, this is because character recognition is not a single problem, but a basic one which will be encountered in most subjects in the field of pattern identification. character recognition is also an effective means to accelerate the process of man-computer communication. currently, at present ，there are lots of material in the books， and if they are inputted manually, it would be not only inefficient, but also error-prone. so, there is a need for the appearance of character recognition in this case. in this paper, neural network control is mainly used to achieve the purpose of character image processing, thus the function of character recognition has been realized. the method of neural network pattern recognition is a new method brought up in recent years, and has provided a new means for character research. it has some advantages which traditional technology didnt have, such as good fault-tolerant capability, strong capability of classification, parallel processing and self-learning. therefore, its a good choice to adopt the method of neural network recognition. in this paper, firstly, character image was pre-processed and the image feature of character was extracted; then, by using the method of neural network recognition, numbers and english characters were recognized and the result was obtained and recognition time was displayed. lastly, some 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 v 頁(yè) improved algorithms were introduced to improve the accuracy and rapidity of the character recognition. keywords: character recognition; image processing; feature extraction; neural network 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 vi 頁(yè) 目 錄 摘 要iii abstractiv 第 1 章 緒 論1 1.1 國(guó)內(nèi)外研究現(xiàn)狀及研究意義.1 1.1.1 國(guó)內(nèi)外研究現(xiàn)狀1 1.1.2 研究意義3 1.2 研究?jī)?nèi)容及方法.5 1.2.1 研究?jī)?nèi)容5 1.2.2 研究方法5 1.3 字符圖像識(shí)別的總體方案設(shè)計(jì).5 1.4 本文結(jié)構(gòu)安排.6 第 2 章 圖像預(yù)處理8 2.1 引言.8 2.2 圖像灰度化.8 2.3 圖像二值化.10 2.4 圖像歸一化.11 2.5 圖像的反色處理.12 2.6 本章小結(jié).13 第 3 章 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別14 3.1 神經(jīng)網(wǎng)絡(luò)字符識(shí)別的過程.14 3.2 bp 神經(jīng)網(wǎng)絡(luò)模型和算法18 3.2.1 bp 神經(jīng)網(wǎng)絡(luò)模型.18 3.2.2 bp 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法.18 3.3 神經(jīng)網(wǎng)絡(luò)算法改進(jìn).22 3.4 本章小結(jié).23 第 4 章 字符識(shí)別的時(shí)間分析性和精確度分析24 4.1 字符識(shí)別的時(shí)間分析性.24 4.2 字符識(shí)別的精確分析.26 第 5 章 軟件設(shè)計(jì)27 5.1 系統(tǒng)流程.27 5.2 系統(tǒng)界面.27 結(jié) 論33 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文) 第 vii 頁(yè) 致 謝34 參考文獻(xiàn)35 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 1 頁(yè) 第 1 章 緒 論 1.1 國(guó)內(nèi)外研究現(xiàn)狀及研究意義 1.1.1 國(guó)內(nèi)外研究現(xiàn)狀 字符作為信息溝通與交流的重要載體，在人們的日常工作和生活中起著重要作 用，因此字符識(shí)別技術(shù)成為人機(jī)交互界面研究的主要內(nèi)容之一。字符識(shí)別是模式識(shí) 別領(lǐng)域的一項(xiàng)傳統(tǒng)的課題，它在現(xiàn)代日常生活的應(yīng)用越來越廣泛，比如汽車車牌牌 照的自動(dòng)識(shí)別系統(tǒng)、聯(lián)機(jī)手寫識(shí)別系統(tǒng).字符識(shí)別由于應(yīng)用條件不同，解決的方法也 各異。 隨著全世界的經(jīng)濟(jì)飛速發(fā)展，信息技術(shù)日新月異。人工智能等計(jì)一算機(jī)技術(shù)的 迅猛發(fā)展使得信息的自動(dòng)處理能力不斷提高，并且廣泛地應(yīng)用于人們的生產(chǎn)和生活 實(shí)際當(dāng)中，極大地推動(dòng)了人類的進(jìn)步和社會(huì)的發(fā)展。隨著人們生活節(jié)奏的不斷加快， 汽車的普及已經(jīng)成為必然趨勢(shì)，交通系統(tǒng)的管理能力也相應(yīng)的需要極大的提高，所 以車輛的自動(dòng)管理即智能交通系統(tǒng)的開發(fā)就越來越成為社會(huì)現(xiàn)實(shí)中需要迫切解決的 問題。在這個(gè)大背景下，基于計(jì)算機(jī)視覺的圖像處理及模式識(shí)別技術(shù)就越來越得到 人們的關(guān)注，這也為智能交通管理系統(tǒng)的深入研究并且早日進(jìn)入實(shí)際應(yīng)用領(lǐng)域提供 了非常好的契機(jī)。車輛牌照自動(dòng)識(shí)別系統(tǒng)已成為計(jì)算機(jī)視覺與模式識(shí)別應(yīng)用的重要 研究課題之一。 在模式識(shí)別領(lǐng)域中，有的技術(shù)已經(jīng)初步進(jìn)入了實(shí)用階段，比如指紋識(shí)別，虹膜 識(shí)別等；語(yǔ)音識(shí)別，手寫漢字識(shí)別等也取得了飛速的進(jìn)展。而車牌識(shí)別系統(tǒng) 是一個(gè)涉及到圖像處理，模式識(shí)別，計(jì)算機(jī)視覺，軟件工程等多個(gè)方面的技術(shù)的系 統(tǒng)。由于整個(gè)系統(tǒng)需要解決的問題相當(dāng)復(fù)雜，車牌識(shí)別在實(shí)際上只得到了初步的應(yīng) 用。例如在識(shí)別過程中不同的天氣，亮度，環(huán)境光都會(huì)對(duì)車牌的定位造成一定的困 難，車牌本身的缺陷或傾斜對(duì)字符切分會(huì)造成很大的影響，復(fù)雜而且難以預(yù)計(jì)的非 車牌區(qū)域更是給車牌的準(zhǔn)確識(shí)別帶來了極大的困難。盡管近幾年來研究者們也對(duì)這 些問題提出了很多相應(yīng)的解決方法，但是在識(shí)別的速度，正確率上還是有著很大的 不足。尤其是近些年來，隨著人們生活水平的提高，私家車的擁有量越來越高，各 類公路街道也不斷拓寬，同時(shí)駕駛員素質(zhì)卻是參差不齊，眾多因素使得需要識(shí)別的 圖像背景越來越復(fù)雜，交通系統(tǒng)的壓力也越來越大，從而智能交通系統(tǒng)也成為了圖 像處理人工智能領(lǐng)域的一個(gè)熱點(diǎn)項(xiàng)目。車牌號(hào)碼的識(shí)別是智能交通系統(tǒng)的重要組成 部分，其主要功能是從視頻監(jiān)控視頻（實(shí)時(shí)處理或錄像）中分析并且處理采集到的 圖像，捕獲到含有汽車牌照的關(guān)鍵幀，對(duì)這類幀進(jìn)行識(shí)別處理，依次對(duì)圖像中車牌 的位置進(jìn)行定位，對(duì)定位好的車牌進(jìn)行旋轉(zhuǎn)，切分等操作，最后對(duì)切分好的單個(gè)字 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 2 頁(yè) 符進(jìn)行識(shí)別，從而提取出汽車牌照的完整信息。這套系統(tǒng)在出入控制路口，高速公 路收費(fèi)站，公路流量監(jiān)控，違章車輛監(jiān)控等方面都可以使用。只要是可以放置攝像 頭或照相機(jī)的地方都可以方便的應(yīng)用。 綜上所述，對(duì)車牌識(shí)別技術(shù)的研究以及相關(guān)應(yīng)用系統(tǒng)的開發(fā)都具有重大的現(xiàn)實(shí) 意義以及實(shí)用價(jià)值，同時(shí)也擁有廣大的商業(yè)應(yīng)用前景。 本文采用的基于 bp(back-propagation)神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別是一種新的識(shí)別方 法，它具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點(diǎn)，如識(shí)別速度較快，分類能力強(qiáng)，且具有較 好的容錯(cuò)性能和自學(xué)習(xí)能力。與其它方法相比， bp 神經(jīng)網(wǎng)絡(luò)不需要了解網(wǎng)絡(luò)的內(nèi) 部細(xì)節(jié)和過程，實(shí)現(xiàn)相對(duì)簡(jiǎn)單，還有自我改進(jìn)和學(xué)習(xí)的優(yōu)點(diǎn)，很容易為識(shí)別系統(tǒng)增 加學(xué)習(xí)特性，易適應(yīng)各種書寫風(fēng)格發(fā)生的變化。 20 世紀(jì) 80 年代中期，美國(guó)很多學(xué)者就完整地提出了反向傳播學(xué)習(xí)算法，簡(jiǎn)稱 為 bp 算法，bp 算法因其良好的非線性映射能力和柔軟的網(wǎng)絡(luò)結(jié)構(gòu)，目前已被廣泛 應(yīng)用于模式識(shí)別、數(shù)據(jù)預(yù)測(cè)、圖像處理等各個(gè)領(lǐng)域，它的理論發(fā)展也日趨成熟。近 年來，人們圍繞如何加速傳統(tǒng) bp 網(wǎng)絡(luò)的收斂速度及盡量陷入局部最優(yōu)解等問題做 了大量的研究工作，并提出了許多改進(jìn)的方案1-3。本文在詳細(xì)研究 bp 算法及改進(jìn) 算法基礎(chǔ)上，通過“車牌識(shí)別”4對(duì)標(biāo)準(zhǔn) bp 算法和改進(jìn) bp 算法進(jìn)行了比較研究。 字符圖像模式是人們對(duì)要識(shí)別的字符圖像的定義和描述，圖像模式類是具有某 些集合、紋理和數(shù)字描述體的共同特性樣本客體的集合。圖像模式識(shí)別是對(duì)表征事 物或物理現(xiàn)象的各種形式的物理數(shù)據(jù)、圖像信息進(jìn)行處理和分析，以對(duì)圖像進(jìn)行描 述、辨認(rèn)、分析和解釋的過程。圖像模式識(shí)別的研究是將圖像處理、特征定義與變 換、分類方法、數(shù)字計(jì)算等各種技術(shù)綜合應(yīng)用，自動(dòng)的識(shí)別和分類物體圖像中的幾 何目標(biāo)、區(qū)域紋理和數(shù)學(xué)描述體的目標(biāo)過程。 一般的圖像模式識(shí)別系統(tǒng)由 5 個(gè)基本模塊組成，包括圖像數(shù)據(jù)采集圖像數(shù)據(jù)和 預(yù)處理、特征建立及分析、分類器設(shè)計(jì)、模板匹配。任何一種模式識(shí)別方法的實(shí)現(xiàn) 都需要由客體，首先要通過各種數(shù)據(jù)采集設(shè)備、數(shù)字圖像攝像頭、模擬圖像 a/d 轉(zhuǎn) 換卡或者將各種物理變量轉(zhuǎn)換為計(jì)算機(jī)能表達(dá)的二維或三維數(shù)字圖像。這種由數(shù)字 圖像組成的空間為模式空間，計(jì)算機(jī)必須從這些眾多的圖像數(shù)字信息中抽取和提煉 重要和簡(jiǎn)約有效的特征信息，這在系統(tǒng)處理的前期需要包括消除噪聲、分離背景、 圖像分割等級(jí)是處理，去掉一些非重要的信息，然后對(duì)識(shí)別樣板的物體或者區(qū)域的 特征進(jìn)行分析計(jì)算和交換，采用合理的方法和技術(shù)對(duì)特征進(jìn)行選擇。提取和訓(xùn)練以 建立和形成模式的特征庫(kù)，對(duì)待識(shí)別的樣本模式分類和模型匹配在已經(jīng)建立的特征 空間和特征樣本庫(kù)的基礎(chǔ)上依據(jù)合理的分類器方法而得到的結(jié)果。 一般的圖像模式識(shí)別系統(tǒng)主要下例部分組成：圖像信息獲取、圖像預(yù)處理、圖 像特征提取、識(shí)別結(jié)果輸出。通常的圖像識(shí)別系統(tǒng)具體的模塊構(gòu)成如圖 1-1 所示。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 3 頁(yè) 圖像輸入圖像信息獲取圖像預(yù)處理圖像特征提取識(shí)別結(jié)果輸出 圖 1-1 圖像識(shí)別系統(tǒng)模塊構(gòu)成 車牌字符識(shí)別涉及模式分類，圖像處理，神經(jīng)網(wǎng)絡(luò)等多方面的技術(shù)。與一般的 印刷體字符識(shí)別相比，有其自身的特點(diǎn)，它實(shí)際上是對(duì)依附在車牌上的印刷體文字 進(jìn)行識(shí)別。車牌字符識(shí)別技術(shù)，是文字識(shí)別技術(shù)與車牌圖像自身特點(diǎn)協(xié)調(diào)兼顧的綜 合性技術(shù)。由于環(huán)境光照的強(qiáng)弱程度以及色彩、車牌的整潔度、攝像機(jī)的 j 性能、 拍攝時(shí)的車輛牌照的傾斜角度、鏡頭軸線與車牌法線的夾角以及車輛運(yùn)動(dòng)等因素的 影響使牌照中的字符可能出現(xiàn)比較嚴(yán)重的模糊、歪斜、缺損或污跡干擾，這些都給 字符識(shí)別帶來了難度。 40 年代以來，人們?cè)谘芯咳四X機(jī)理的基礎(chǔ)上，廣泛開展模仿腦模型的人工神經(jīng) 網(wǎng)絡(luò)理論的研究。由于人工神經(jīng)網(wǎng)絡(luò)具有與人腦相似的高度并行性、良好的容錯(cuò)性 和聯(lián)想記憶功能、自適應(yīng)和自學(xué)習(xí)能力等特點(diǎn)，特別是以改進(jìn)型 bp 網(wǎng)絡(luò)為代表的 神經(jīng)網(wǎng)絡(luò)具有良好的自學(xué)習(xí)能力、強(qiáng)大的分類能力、容錯(cuò)能力和魯棒性，可以實(shí)現(xiàn) 輸入到輸出的非線性映射，因此神經(jīng)網(wǎng)絡(luò)在字符識(shí)別領(lǐng)域得到越來越多的應(yīng)用5。 在日常生活中，大量的數(shù)字化信息需要進(jìn)行手工錄入，耗時(shí)且由于長(zhǎng)時(shí)間工作 引起疲勞不可避免地產(chǎn)生差錯(cuò)，日益成為阻礙信息化發(fā)展的瓶頸問題。如何將人們 從這種煩瑣的簡(jiǎn)單重復(fù)勞動(dòng)中解放出來，是模式識(shí)別領(lǐng)域中的一類重要問題6。 近年來，隨著國(guó)民經(jīng)濟(jì)的蓬勃發(fā)展，高速公路、高等級(jí)公路及大型停車場(chǎng)越來 越多，汽車的數(shù)量也在猛增，這就給交通管理提出了更高的要求。因此，汽車牌照 的自動(dòng)識(shí)別技術(shù)在公共安全及交通管理中具有特別重要的實(shí)際應(yīng)用意義。 目前，國(guó)內(nèi)外汽車牌照的識(shí)別技術(shù)有 ic 卡識(shí)別技術(shù)、條形碼識(shí)別技術(shù)、圖像處 理技術(shù)、人工神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)7。前面三種方法存在著使用成本高、識(shí)別速度慢等 缺點(diǎn)。由于人工神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)有良好的自適應(yīng)性、自組織性，很強(qiáng)的學(xué)習(xí)功能、 聯(lián)想功能、容錯(cuò)功能、識(shí)別率高、抗干擾能力強(qiáng)等優(yōu)點(diǎn)，因此越來越多地受到人們 的廣泛關(guān)注與應(yīng)用。目前廣泛采用的是基于 bp 算法的多層前饋神經(jīng)網(wǎng)絡(luò)。 1.1.2 研究意義 隨著圖像處理和識(shí)別的技術(shù)和計(jì)算機(jī)、多媒體、智能機(jī)器人、專家系統(tǒng)的不斷 發(fā)展，越來越多的系統(tǒng)應(yīng)用了圖像模式識(shí)別技術(shù)，如圖像模式識(shí)別在氣象分析，工 業(yè)生產(chǎn)應(yīng)用，交通信息管理，農(nóng)業(yè)生產(chǎn)應(yīng)用，醫(yī)學(xué)分析，生物信息檢測(cè)，文字信息 處理等方面得到了廣泛的應(yīng)用8。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 4 頁(yè) 1. 圖像模式識(shí)別應(yīng)用一 該模式識(shí)別已經(jīng)在天氣氣象預(yù)報(bào)分析，衛(wèi)星遙感圖片 分析，自然災(zāi)害預(yù)測(cè)等方面得到了廣泛的應(yīng)用。 2. 圖像模式識(shí)別應(yīng)用二 該模式識(shí)別在工業(yè)生產(chǎn)和質(zhì)量檢驗(yàn)等方面得到了實(shí)際 應(yīng)用9。圖紙掃描識(shí)別系統(tǒng)可將手繪圖紙和藍(lán)圖轉(zhuǎn)換為矢量圖形輸入到諸如 autocad 繪圖系統(tǒng)中，加工工作面表面質(zhì)量的圖形化檢測(cè)使工作效率大大提高， 基于圖像分析的流水線上的啤酒質(zhì)量檢測(cè)系統(tǒng)極大地提高了工作效率。 3. 圖像模式識(shí)別應(yīng)用三 該模式識(shí)別在交通信息管理方面得到了積極的應(yīng)用， 車輛智能化，信息化的管理在很大程度上都得益于模式識(shí)別技術(shù)的進(jìn)步，車牌自動(dòng) 定位和識(shí)別系統(tǒng)，車輛流量分析系統(tǒng)，駕駛員面部狀態(tài)分析系統(tǒng)，交通標(biāo)記自動(dòng)識(shí) 別和分析系統(tǒng)，車輪軸承紅外圖像分析系統(tǒng)都為交通信息智能化，交通安全運(yùn)行提 供了技術(shù)支持。 4. 圖像模式識(shí)別應(yīng)用四 該模式識(shí)別在農(nóng)業(yè)生產(chǎn)中得到了廣泛的應(yīng)用，基于衛(wèi) 星圖像的土壤分析，水利資源利用，農(nóng)業(yè)災(zāi)害預(yù)測(cè)得到廣泛應(yīng)用，基于圖像的流水 線上的葡萄干的分線擇選系統(tǒng)大大提高了產(chǎn)品質(zhì)量和生產(chǎn)效率。 5. 圖像模式識(shí)別應(yīng)用五 該模式識(shí)別在醫(yī)學(xué)圖像分析統(tǒng)計(jì)方面得到了成功應(yīng)用， 紅血球，白血球識(shí)別和計(jì)數(shù)系統(tǒng)大大減輕了醫(yī)療檢測(cè)人員的工作負(fù)擔(dān)，b 超圖像病 理組織自動(dòng)分析系統(tǒng)提高了診斷效率，紅外乳腺檢測(cè)系統(tǒng)為預(yù)防婦科疾病發(fā)揮了巨 大作用。 6. 圖像模式識(shí)別應(yīng)用六 該模式識(shí)別在生物信息處理方面有了非常大的進(jìn)展， 語(yǔ)音識(shí)別，指紋識(shí)別，字跡鑒定，虹紋分析，掌紋識(shí)別系統(tǒng)為特種金融行業(yè)和安全 系統(tǒng)提供了非常重要的辨別工具。 7. 圖像模式識(shí)別應(yīng)用七 該模式識(shí)別在信息處理方面取得了實(shí)際意義的應(yīng)用， 印刷體識(shí)別錄入系統(tǒng)，手寫數(shù)字輸入系統(tǒng)，以畫草圖方式的工程圖紙輸入系統(tǒng)使信 息交流跨越了媒體間的距離10。 車牌字符識(shí)別技術(shù)的根本性在于自動(dòng)識(shí)讀出車輛的唯一身份證，車牌號(hào)碼，是 車輛管理的直觀依據(jù)，對(duì)車輛車牌的直接識(shí)別，符合車輛管理的需要，同時(shí)，由于 不需要被識(shí)別車輛主動(dòng)參與，管理全面、與法律無沖突，擺脫了人工查看圖片識(shí)讀 車牌號(hào)碼的工作，由于這一智能化的技術(shù)，頓時(shí)使車輛管理的技術(shù)水平跨上了一個(gè) 新臺(tái)階，雖然任何車輛管理系統(tǒng)最終都不可能完全擺脫人的參與，但畢竟在降低人 工勞動(dòng)強(qiáng)度、提高管理效率、增加管理的客觀性方面起到了巨大的推動(dòng)作用。 隨著越來越多的家庭開始擁有車輛，車牌識(shí)別系統(tǒng)為自動(dòng)化的智能交通管理、 智能物業(yè)管理提供了高效、實(shí)用的手段。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 5 頁(yè) 1.2 研究?jī)?nèi)容及方法 1.2.1 研究?jī)?nèi)容 車牌照識(shí)別是智能交通系統(tǒng)的一個(gè)重要課題，在車輛管理、不停車收費(fèi)等系統(tǒng) 中有廣泛應(yīng)用。目前，基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別技術(shù)在車牌照識(shí)別領(lǐng)域中已經(jīng)得到 比較普遍的應(yīng)用，但是由于車牌字符識(shí)別算法的相對(duì)復(fù)雜性，因此我們需要設(shè)計(jì)一 種改進(jìn)算法來提高車牌照識(shí)別系統(tǒng)的魯棒性和實(shí)時(shí)性。具體方法過程如下。 1.對(duì)輸入的字符圖像（包括數(shù)字和英文字母）進(jìn)行字符特征提??； 2.通過神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練樣本和自學(xué)習(xí)，識(shí)別字符并給出結(jié)果； 3.設(shè)計(jì)一種改進(jìn)算法以提高字符識(shí)別的精確度和快速性。 1.2.2 研究方法 車牌的識(shí)別問題是現(xiàn)代交通工程領(lǐng)域中研究的重點(diǎn)和熱點(diǎn)問題之一。本文主要 對(duì)車牌字符的識(shí)別作了詳細(xì)介紹，對(duì)識(shí)別過程中的一些關(guān)鍵技術(shù)進(jìn)行了概述。 1.首先對(duì)車牌字符的預(yù)處理(包括圖像灰度化、圖像二值化、圖像反白處理)作 了簡(jiǎn)單的介紹，然后對(duì)其進(jìn)行特征提取提??； 2.最后就是對(duì)處理好的字符進(jìn)行識(shí)別。本文采用了兩層層 bp 神經(jīng)網(wǎng)絡(luò)識(shí)別方 法，對(duì)神經(jīng)網(wǎng)絡(luò)的構(gòu)成、學(xué)習(xí)規(guī)則、bp 算法及網(wǎng)絡(luò)的設(shè)計(jì)與訓(xùn)練作了詳細(xì)的介紹。 神經(jīng)網(wǎng)絡(luò)模式識(shí)別方法是字符識(shí)別的一個(gè)重要研究方向，本文選取的網(wǎng)絡(luò)模式 是兩層層 bp 網(wǎng)絡(luò)，除此之外，徑向基網(wǎng)絡(luò)、hopfield 網(wǎng)絡(luò)、art 網(wǎng)絡(luò)在模式識(shí)別 中的應(yīng)用也非常廣泛，可考慮將 bp 網(wǎng)絡(luò)與其它不同網(wǎng)絡(luò)結(jié)合起來進(jìn)行識(shí)別，以期 得到更高的網(wǎng)絡(luò)識(shí)別性能。 訓(xùn)練樣本的選擇對(duì)神經(jīng)元網(wǎng)絡(luò)的識(shí)別結(jié)果有著重大的影響，因此，合理地選擇 訓(xùn)練樣本，并采用更加合理的最優(yōu)化算法使神經(jīng)網(wǎng)絡(luò)的收斂速度進(jìn)一步的提高。 1.3 字符圖像識(shí)別的總體方案設(shè)計(jì) 字符圖像識(shí)別，可以認(rèn)為是字符圖像的模式識(shí)別，它是模式識(shí)別技術(shù)在圖像領(lǐng) 域中的具體運(yùn)用。模式識(shí)別的研究對(duì)像基本上可概括為兩大類：一類是有直覺形象 的如圖像、相片、圖案、文字等等;另一類是沒有直覺形象而只有數(shù)據(jù)或信息波形的 如語(yǔ)聲、心電脈沖、地震波等等。但是，對(duì)模式識(shí)別來說，無論是數(shù)據(jù)、信號(hào)還是 平面圖形或立體景物都是除掉它們的物理內(nèi)容而找出它們的共性，把具有同一共性 的歸為一類，而具有另一種共性的歸為另一類。模式識(shí)別研究的目的是研制能夠自 動(dòng)處理某些信息的機(jī)器系統(tǒng)，以便代替人完成分類和辨別的任務(wù)。 本文的字符識(shí)別系統(tǒng)可分為 5 個(gè)主要部分，如圖 1-2 所示。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 6 頁(yè) 字符圖像讀取 圖像預(yù)處理 字符圖像識(shí)別 識(shí)別結(jié)果輸出 時(shí)間輸出 圖 1-2 字符圖像識(shí)別的簡(jiǎn)單框圖 第一部分是字符圖像的讀取，就是在測(cè)試庫(kù)里面讀入字符圖像，相當(dāng)于對(duì)被識(shí) 別字符圖像信息的獲取，對(duì)字符圖像識(shí)別來說，就是把字符圖像等信息系統(tǒng)輸入設(shè) 備數(shù)字化后以備后續(xù)處理。 第二部分是圖像的預(yù)處理。預(yù)處理的目的是去除干擾、噪聲、及差異，將原始 圖像變?yōu)檫m合于計(jì)算機(jī)進(jìn)行特征提取的形式。它包括圖像的灰度化、二值化、歸一 化、圖像反色處理等。 第三部分是字符圖像的識(shí)別，本文采用的基于 bp 神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別的方 法，它具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點(diǎn)，如識(shí)別速度較快，分類能力強(qiáng)，且具有較 好的容錯(cuò)性能和自學(xué)習(xí)能力。與其它方法相比， bp 神經(jīng)網(wǎng)絡(luò)不需要了解網(wǎng)絡(luò)的內(nèi) 部細(xì)節(jié)和過程，實(shí)現(xiàn)相對(duì)簡(jiǎn)單， 而其人工神經(jīng)網(wǎng)絡(luò)識(shí)別技術(shù)有良好的自適應(yīng)性、自 組織性，很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功能、容錯(cuò)功能、識(shí)別率高、抗干擾能力強(qiáng)等優(yōu)點(diǎn)， 因此越來越多地受到人們的廣泛關(guān)注與應(yīng)用。目前廣泛采用的是基于 bp 算法的多 層前饋神經(jīng)網(wǎng)絡(luò)。 第四部分是識(shí)別結(jié)果的輸出，即通過神經(jīng)網(wǎng)絡(luò)對(duì)字符進(jìn)行識(shí)別后輸出字符識(shí)別 的結(jié)果。 第五部分就是時(shí)間輸出，即字符圖像在經(jīng)過處理到識(shí)別出結(jié)果的時(shí)間。 1.4 本文結(jié)構(gòu)安排 在基于神經(jīng)網(wǎng)絡(luò)車牌照字符識(shí)別方法中，最主要的核心就是字符圖像的預(yù)處理、 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 7 頁(yè) 神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練樣本和自學(xué)習(xí)及識(shí)別字符并輸出結(jié)果，因此第二章給出字符圖像 預(yù)處理基本理論和過程；在第三章則主要介紹了神經(jīng)算法以及字符識(shí)別過程，第四 章主要是對(duì)系統(tǒng)參數(shù)進(jìn)行分析；第五章則是對(duì)本系統(tǒng)界面作了簡(jiǎn)單的介紹。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 8 頁(yè) 第 2 章 圖像預(yù)處理 2.1 引言 圖像預(yù)處理是圖像間的變化處理，是圖像前期的分析準(zhǔn)備，目的是使圖像中的 字符圖像更加簡(jiǎn)練、獨(dú)特性更強(qiáng)、信息量最少而其唯一。圖像預(yù)處理著眼于圖像之 間的變換，圖像預(yù)處理的當(dāng)前處理步驟對(duì)后面處理步驟有較大的影響，圖像的前后 處理結(jié)果有些的不可逆的。例如，通過對(duì)圖像灰度的拉伸使物體間的區(qū)別加大，通 過灰度化的開運(yùn)算或閉運(yùn)算使圖像中白色或黑色小區(qū)域得到加強(qiáng)，通過各向異性擴(kuò) 散處理得到區(qū)域均勻而邊界無損的圖像。圖像預(yù)處理屬于基礎(chǔ)層次的操作，一般情 況下，只涉及圖像本身的性質(zhì)，而不涉及關(guān)于圖像內(nèi)容的知識(shí)，基本操作必須盡量 減少對(duì)后繼目標(biāo)對(duì)像分析的特征量的損失。 圖像預(yù)處理重要包括圖像平滑、變換、增強(qiáng)、恢復(fù)、濾波等功能，具體算法和 技術(shù)包括灰度化、二值化、二值化開運(yùn)算、二值化閉運(yùn)算、灰度化開運(yùn)算、灰度化 閉運(yùn)算、中值濾波、均值濾波、高斯濾波、各向異性擴(kuò)散、gabor 濾波、小波分析 等，這些技術(shù)對(duì)圖像的與處理結(jié)果各不相同，而圖像預(yù)處理在模式識(shí)別系統(tǒng)中目的 只有一個(gè)，就是為特征量的獲取提供充足、完整和緊湊的圖像信息。 本文對(duì)圖像的預(yù)處理主要是首先對(duì)字符圖像進(jìn)行灰度化，將字符圖像轉(zhuǎn)化為灰 度圖像即將字符圖像轉(zhuǎn)變?yōu)榛叶葓D像；然后再將灰度圖像轉(zhuǎn)換為二值圖像，二值處 理是將字符圖像上的點(diǎn)的灰度值置成 0 或 255，也就是整個(gè)圖像呈現(xiàn)出明顯的黑白 效果，隨后再將二值化圖像歸一化，最后就是圖像的反色處理。流程圖如圖 2-1 所 示。 原始圖像圖像灰度化圖像二值化圖像歸一化圖像反色處理 圖 2-1 圖像預(yù)處理流程圖 2.2 圖像灰度化 將字符圖像轉(zhuǎn)化成灰度圖像的過程就稱為圖像的灰度化處理。彩色圖像中每個(gè) 像素的顏色由紅 r、綠 g、藍(lán) b 三部分決定，每個(gè)分量有 255 種取值，這樣一個(gè)像 素點(diǎn)就可以有 1600 多萬種顏色的變化范圍。而灰度圖像是紅 r、綠 g、藍(lán) b 三個(gè)分 量相同的一種特殊的彩色圖像，其中一個(gè)像素點(diǎn)的變化范圍為 255 種，所以在數(shù)字 圖像處理中一般是先將各種圖像轉(zhuǎn)變?yōu)榛叶葓D像以便后繼圖像處理的計(jì)算量變得少 一些灰度圖像的描述與彩色圖像的描述一樣仍然反映了整幅字符圖像的整體和局部 的色彩和亮度等級(jí)的分布和特征。圖像的灰度處理用下面的方法來實(shí)現(xiàn)：在 yuv 的顏色空間中，y 分量的圖像物理意義是字符圖像中各個(gè)點(diǎn)的亮度，又該值反映亮 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 9 頁(yè) 度等級(jí)，根據(jù) rgb 和 yuv 顏色變化的關(guān)系可以建立 y 與 r、g、b 三個(gè)顏色分量 的對(duì)應(yīng)關(guān)系：y=0.3r+0.5g+0.11b，以這個(gè)亮度值來表達(dá)圖像的灰度值。 彩色圖像中像素點(diǎn)的 r、g、b 分量是不等的，如紅色用 rgb 結(jié)構(gòu)來表示為 rgb (255, 0, 0)、藍(lán)色為 rgb (0, 0, 255)。而灰度像素點(diǎn)的 r、g、b 的分量是相等 的，既顏色中的含量 r = g= b，用 rgb 表示為(0,0,0)、(1, 1, 1)(255,255,255)，其 中 rgb (0, 0, 0) 為黑色，rgb (255, 255, 255) 為白色，界于兩者之間的為灰度顏色。 彩色位圖與灰度位圖的像素點(diǎn)的 r、g、b 分量之間有如公式(2-1)對(duì)應(yīng)關(guān)系。 (2-1) 0.2990.5870.114 0.2990.5870.114 0.2990.5870.114 rr gg bb g 灰度彩色 = 有了這個(gè)公式， 就能將一副彩色圖像轉(zhuǎn)化為灰度圖。 而本論文中通過利用 matlab 中 rgb2gray 函數(shù)將字符圖像轉(zhuǎn)換成灰度圖像， 通過調(diào)用函數(shù) i=rgb2gray(x)后圖像效果如圖 2-2 所示。 其中 i處理后的圖像； x原字符圖像； a)原圖像 b)灰度圖像 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 10 頁(yè) c)原圖像 d)灰度圖像 圖 2-2 字符圖像轉(zhuǎn)換為灰度圖像 2.3 圖像二值化 圖像的二值化處理是將字符圖像上的點(diǎn)的灰度值置成 0 或 255，也就是整個(gè)圖 像呈現(xiàn)出明顯的黑白效果。即將 256 個(gè)亮度等級(jí)的灰度圖像通過適當(dāng)?shù)拈撝颠x取而 獲得仍然可以反映圖像整體和局部特征的二值圖像，本文所選取的二值化閾值是 0.5。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，特別是在實(shí)用的字符圖像 處理系統(tǒng)中。要進(jìn)行二值圖像的處理與分析，首先需要把灰度圖像二值化，得到二 值圖像，這樣再對(duì)圖像做進(jìn)一步的處理時(shí)，圖像的集合性質(zhì)只與像素值為 0 和 255 的點(diǎn)的位置有關(guān)，不再涉及像素的多級(jí)值，使處理變得簡(jiǎn)單，而其數(shù)據(jù)的處理和壓 縮量較小。 在本文中所有的灰度大于或等于閾值 0.5 的像素點(diǎn)判定為屬于字符圖像的特征， 其灰度用 255 表示，否則這些像素點(diǎn)都被排除在字符區(qū)域以外，灰度值為 0，表示 字符背景或例外的物體區(qū)域。通過調(diào)用 matlab 中的函數(shù)中的 im2bw 函數(shù)來實(shí)現(xiàn) 將灰度圖像轉(zhuǎn)化為二值圖像，其中的亮度閾值是通過手動(dòng)調(diào)試來確定的。原字符圖 像經(jīng)過處理后得到的二值圖像如圖 2-3 所示。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 11 頁(yè) a)灰度圖像 b)二值圖像 c)灰度圖像 d)二值圖像 圖 2-3 灰度圖像轉(zhuǎn)化為二值圖像 2.4 圖像歸一化 不少人認(rèn)為將圖像歸一化為 59 像素二值圖像是最理想的，但圖像的尺寸越小， 識(shí)別的速度就越高，網(wǎng)絡(luò)訓(xùn)練也越快。而實(shí)際上，相對(duì)于要識(shí)別的字符圖像，59 像素圖像太小了。在經(jīng)過圖像的歸一化后，圖像信息會(huì)丟失很多，這是進(jìn)行圖像識(shí) 別，準(zhǔn)確率不高。圖像的特征是圖像識(shí)別的唯一依據(jù)，它對(duì)字符圖像的識(shí)別過程起 著非常重要的作用。圖像的各種特征含義不同、單位不同，如對(duì)于基于神經(jīng)的字符 識(shí)別可能包含字符整體特征、幾何特征、紋理特征等多個(gè)特征，有的特征變化了 0.5 就是變化了各個(gè)特征的 50%，而有的特征變化 0.5，知識(shí)改變了這個(gè)特征的 0.2%， 如果比進(jìn)行圖像歸一化，這樣就很難得到識(shí)別的結(jié)果。 本文是將字符圖像都?xì)w一化為 1616 像素的二值圖像。歸一化處理并沒有改變 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 12 頁(yè) 圖像的對(duì)比度，歸一化處理很簡(jiǎn)單，首先讀入的像素矩陣最大值為 256，最小值為 1，就是說歸一化之后所有的像素值都在0，1區(qū)間內(nèi)。二值圖像經(jīng)過歸一化處理 后的圖像如圖 2-4 所示。 a)二值圖像 b)歸一化后的圖像 c)二值圖像 d)歸一化后的圖像 圖 2-4 二值圖像的歸一化 2.5 圖像的反色處理 對(duì)彩色圖像的 r、g、b 各彩色分量取反的技術(shù)就是圖像的反色處理，這在處理 二值化圖像的連通域選取時(shí)非常重要。如在本文中字符圖像的連通域用黑色來表示， 所以我們對(duì)經(jīng)過二值化后的圖像進(jìn)行取反，將原字符圖像的二值化圖像轉(zhuǎn)化為黑底 白字的字符圖像。圖像的反色處理圖例如圖 2-5 所示。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 13 頁(yè) a)原字符圖像 b)反色處理后的字符圖像 c)原字符圖像 d)反色處理后的字符圖像 圖 2-5 圖像的反色處理 2.6 本章小結(jié) 圖像預(yù)處理是圖像間的變化處理，是圖像前期的分析準(zhǔn)備，目的是使圖像中的 字符圖像更加簡(jiǎn)練、獨(dú)特性更強(qiáng)、信息量最少而其唯一。本章主要介紹了圖像預(yù)處 理過程中字符圖像間變化的過程由圖像的灰度化、二值化、圖像的歸一化、及其圖 像的反色處理部分組成，而且就其各個(gè)部分的實(shí)現(xiàn)過程作了詳細(xì)的介紹。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 14 頁(yè) 第 3 章 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別 3.1 神經(jīng)網(wǎng)絡(luò)字符識(shí)別的過程 本文在神經(jīng)網(wǎng)絡(luò)字符圖像識(shí)別實(shí)現(xiàn)的過程當(dāng)中，分解成兩個(gè)大塊，就是圖像預(yù) 處理模塊和識(shí)別模塊。其中圖像預(yù)處理模塊在對(duì)圖像進(jìn)行了一系列變換后把最后提 取到的字符提交給識(shí)別模塊，然后進(jìn)行識(shí)別并給處結(jié)果。 本系統(tǒng)總的流程為圖像預(yù)處理，特征提取，經(jīng)過神經(jīng)網(wǎng)絡(luò)樣本訓(xùn)練最后是神經(jīng) 網(wǎng)絡(luò)的識(shí)別并顯示結(jié)果。 在圖像預(yù)處理中，針對(duì)本系統(tǒng)的神經(jīng)網(wǎng)絡(luò)識(shí)別，對(duì)每一幅圖像都必須有特征提 取，把提取的特征在神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練和識(shí)別。 整個(gè)系統(tǒng)的程序?qū)崿F(xiàn)分為圖像預(yù)處理和神經(jīng)網(wǎng)絡(luò)識(shí)別兩大模塊。在圖像預(yù)處理 的過程當(dāng)中，采用了如同前面圖像預(yù)處理處理的技術(shù)，最后把每個(gè)字符的特征提取 出來。特征提取采用最簡(jiǎn)單的逐象素特征提取方法，對(duì)圖像進(jìn)行逐行逐列的掃描當(dāng) 遇到黑色象素時(shí)取其特征值為 0，遇到白色象素時(shí)取其特征值為 1，這樣當(dāng)掃描結(jié) 束以后就形成了一個(gè)維數(shù)與圖像中象素點(diǎn)的個(gè)數(shù)相同的特征向量矩陣。簡(jiǎn)單來講， 其功能就是把歸一化樣本的每個(gè)象素都作為特征提取出來，這里就得到了每幅圖像 就有歸一化后的 1616 的 256 個(gè)特征值。流程圖如圖 3-1 所示。 開始 讀入圖像 圖像預(yù)處理 特征提取 神經(jīng)網(wǎng)絡(luò)識(shí)別 結(jié)束 圖 3-1 神經(jīng)網(wǎng)絡(luò)識(shí)別流程圖 第一部分是字符圖像的讀取，就是在測(cè)試庫(kù)里面讀取字符圖像，相當(dāng)于對(duì)被識(shí) 別字符圖像信息的獲取，對(duì)字符圖像識(shí)別來說，就是把字符圖像等信息系統(tǒng)輸入設(shè) 備數(shù)字化后以備后續(xù)處理。如圖 3-2 所示。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 15 頁(yè) 圖 3-2 字符圖像的輸入 第二部分進(jìn)行圖像的預(yù)處理后對(duì)字符圖像進(jìn)行特征提取。對(duì)字符圖像進(jìn)行預(yù)處 理主要是首先對(duì)字符圖像進(jìn)行灰度化，將字符圖像轉(zhuǎn)化為灰度圖像即將字符圖像轉(zhuǎn) 變?yōu)榛叶葓D像；然后再將灰度圖像二值化圖像，二值化處理是將字符圖像上的點(diǎn)的 灰度值置成 0 或 255，也就是整個(gè)圖像呈現(xiàn)出明顯的黑白效果，隨后再將二值化圖 像歸一化，最后就是圖像的反色處理等技術(shù)對(duì)字符圖像進(jìn)行特征提取。如圖 3-3 所 示。 a) 圖像灰度化 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 16 頁(yè) b) 圖像二值化 c) 圖像歸一化 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 17 頁(yè) d) 圖像反色 圖 3-3 字符圖像預(yù)處理 第三部分是字符圖像的識(shí)別，采用的基于 bp 神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別的方法， 它具有一些傳統(tǒng)技術(shù)所沒有的優(yōu)點(diǎn)，如識(shí)別速度較快，分類能力強(qiáng)，且具有較好的 容錯(cuò)性能和自學(xué)習(xí)能力，有良好的自適應(yīng)性、自組織性，很強(qiáng)的學(xué)習(xí)功能、聯(lián)想功 能、容錯(cuò)功能、識(shí)別率高、抗干擾能力強(qiáng)等優(yōu)點(diǎn)即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其思想 是不斷的訓(xùn)練權(quán)值，并設(shè)有一個(gè)標(biāo)準(zhǔn)的輸出，每次訓(xùn)練以后得到的實(shí)際輸出與標(biāo)準(zhǔn) 的輸出比較，設(shè)置一個(gè)最小誤差，達(dá)到一個(gè)誤差是就表示網(wǎng)絡(luò)訓(xùn)練好了， 對(duì)字符進(jìn) 行識(shí)別后輸出字符識(shí)別的結(jié)果，如圖 3-4 所示。否則繼續(xù)訓(xùn)練，達(dá)到一定的訓(xùn)練次 數(shù)，還沒有達(dá)到這個(gè)標(biāo)準(zhǔn)表示網(wǎng)絡(luò)的設(shè)置有問題。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 18 頁(yè) 圖 3-4 神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果顯示 3.2 bp 神經(jīng)網(wǎng)絡(luò)模型和算法 3.2.1 bp 神經(jīng)網(wǎng)絡(luò)模型 通常我們說的 bp 神經(jīng)網(wǎng)絡(luò)的模型，即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，本文思想是不 斷的訓(xùn)練權(quán)值，并設(shè)有一個(gè)標(biāo)準(zhǔn)的輸出，每次訓(xùn)練以后得到的實(shí)際輸出與標(biāo)準(zhǔn)的輸 出比較，設(shè)置一個(gè)最小誤差，達(dá)到一個(gè)誤差是就表示網(wǎng)絡(luò)訓(xùn)練好了，否則繼續(xù)訓(xùn)練， 達(dá)到一定的訓(xùn)練次數(shù)，還沒有達(dá)到這個(gè)標(biāo)準(zhǔn)表示網(wǎng)絡(luò)的設(shè)置有問題。本文采用的 bp 神經(jīng)網(wǎng)絡(luò)模型有網(wǎng)絡(luò)有輸入層節(jié)點(diǎn)，輸出層節(jié)點(diǎn)、隱含層節(jié)點(diǎn)，隱含層節(jié)點(diǎn)與外界 沒有直接聯(lián)系，但是隱含層狀態(tài)改變，會(huì)影響輸入與輸出的關(guān)系。層與層之間采用 全互連方式。網(wǎng)絡(luò)的每個(gè)輸入節(jié)點(diǎn)表示圖像特征向量的一個(gè)分量數(shù)據(jù)。 bp 網(wǎng)絡(luò)模型實(shí)現(xiàn)了多層網(wǎng)絡(luò)學(xué)習(xí)的設(shè)想。當(dāng)給定網(wǎng)絡(luò)的輸入模式時(shí)，它由輸入 層單元送到隱含層單元，經(jīng)隱含層單元逐層處理后再送到輸出層單元，由輸出層單 元處理后產(chǎn)生一個(gè)輸出模式，故稱為前向傳播。如果輸出響應(yīng)與期望輸出模式有誤 差，且不滿足要求，那就轉(zhuǎn)入誤差后向傳播，即將誤差值沿連接通路逐層向后傳送， 并修正各層的連接權(quán)值達(dá)到網(wǎng)絡(luò)要求。 3.2.2 bp 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 bp 神經(jīng)網(wǎng)絡(luò)如圖 3-5 所示。網(wǎng)絡(luò)有輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)，而且具有隱含層 節(jié)點(diǎn)，它們有外界沒有聯(lián)系，但其轉(zhuǎn)臺(tái)改變會(huì)影響輸入有輸出的關(guān)系。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 19 頁(yè) . . . . . . . . . . . . 輸入層 隱含層 輸出層 圖 3-5 bp 神經(jīng)網(wǎng)絡(luò) bp 網(wǎng)絡(luò)是一種神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。其由輸入層、中間層、輸出層組成的階層型 神經(jīng)網(wǎng)絡(luò)，中間層可擴(kuò)展為多層。相鄰層之間各神經(jīng)元進(jìn)行全連接，而每層各神經(jīng) 元之間無連接，當(dāng)一對(duì)學(xué)習(xí)模式提供給網(wǎng)絡(luò)后，各神經(jīng)元獲得網(wǎng)絡(luò)的輸入響應(yīng)產(chǎn)生 連接權(quán)值。然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層 修正各連接權(quán)，回到輸入層。此過程反復(fù)交替進(jìn)行，直至網(wǎng)絡(luò)的全局誤差趨向給定 的極小值，即完成學(xué)習(xí)的過程。bp 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)如圖 3-6 所示。 bp 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法具體過程： 設(shè)有 m 層神經(jīng)網(wǎng)絡(luò)，如果在輸入層加上輸入模式 p，并設(shè)第 k 層 i 單位輸入的 總和為，輸出為，由 k-1 層的第 j 個(gè)神經(jīng)元到 k 層的第 i 個(gè)神經(jīng)元的集合權(quán)值 k i u k i v 為，各個(gè)神經(jīng)云的輸入與輸出關(guān)系函數(shù)是 f，則各變量之間的關(guān)系如公式(3-1)(3-2)所 ij w 示。 (3-1)() kk ii vf u (3-2) 1kk iijj j uw v 其中輸入與輸出函數(shù) f 選用 s 型函數(shù)如(3-3)所示。 1 ( ) 1 x f x e (3-3) 這個(gè)算法的學(xué)習(xí)過程，由正向傳播和反向傳播組成。正向傳播過程中，輸入模 式從輸入層經(jīng)隱含層逐層處理，并傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層 神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則輸入反向傳播，將誤差信號(hào) 沿原來的連接通路返回，通過修正各神經(jīng)元的權(quán)值，是的誤差信號(hào)最小。 西南交通大學(xué)本科畢業(yè)設(shè)計(jì)（論文） 第 20 頁(yè) 初始化 給定輸入向量和目標(biāo)期望輸出 求隱含層、輸出層各單元輸出 求目標(biāo)期