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

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PAGEIV頁(yè)畢業(yè)設(shè)計(jì)任務(wù)書(shū)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(kāi)發(fā)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(lái)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(guò)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(pán)、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(shuō)明書(shū)，演示視頻，盤(pán)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(wú)特殊要求指導(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(shuō)明書(shū)3.部分英文文獻(xiàn)資料和MedialabLPR圖像數(shù)據(jù)庫(kù)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(xiě)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(jiàn)：審批人：年月日注：設(shè)計(jì)任務(wù)書(shū)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(lái)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(wèn)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(wèn)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(shū)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(lái)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(méi)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：字符識(shí)別；圖像處理；特征提??；神經(jīng)網(wǎng)絡(luò)AbstractThecharacterrecognitionoflicenseplateisanimportantsubjectofintelligenttransportationsystem,andisusedwidelyinthevehiclemanagementsystemandelectronictollcollectionsystem.Atpresent,thecharacterrecognitiontechnologybasedonneuralnetworkhasbeenusedwidelyinthefieldoflicenseplaterecognition,butduetotherelativecomplexityofplatecharacterrecognitionalgorithm,weneedtodesignanimprovedalgorithmtoimprovetherobustnessandreal-timeabilityofthelicenseplaterecognitionsystem.Characterrecognitionisatraditionalsubjectinthefieldofpatternrecognition,thisisbecausecharacterrecognitionisnotasingleproblem,butabasiconewhichwillbeencounteredinmostsubjectsinthefieldofpatternidentification.Characterrecognitionisalsoaneffectivemeanstoacceleratetheprocessofman-computercommunication.currently,atpresent，therearelotsofmaterialinthebooks，andiftheyareinputtedmanually,itwouldbenotonlyinefficient,butalsoerror-prone.So,thereisaneedfortheappearanceofcharacterrecognitioninthiscase.Inthispaper,neuralnetworkcontrolismainlyusedtoachievethepurposeofcharacterimageprocessing,thusthefunctionofcharacterrecognitionhasbeenrealized.Themethodofneuralnetworkpatternrecognitionisanewmethodbroughtupinrecentyears,andhasprovidedanewmeansforcharacterresearch.Ithassomeadvantageswhichtraditionaltechnologydidn’thave,suchasgoodfault-tolerantcapability,strongcapabilityofclassification,parallelprocessingandself-learning.Therefore,it’sagoodchoicetoadoptthemethodofneuralnetworkrecognition.Inthispaper,firstly,characterimagewaspre-processedandtheimagefeatureofcharacterwasextracted;then,byusingthemethodofneuralnetworkrecognition,numbersandEnglishcharacterswererecognizedandtheresultwasobtainedandrecognitiontimewasdisplayed.Lastly,someimprovedalgorithmswereintroducedtoimprovetheaccuracyandrapidityofthecharacterrecognition.Keywords:Characterrecognition;Imageprocessing;Featureextraction;Neuralnetwork西南交通大學(xué)本科畢業(yè)設(shè)計(jì)(論文)第PAGEVII頁(yè)目錄摘要 IIIAbstract IV第1章緒論 11.1國(guó)內(nèi)外研究現(xiàn)狀及研究意義 11.1.1國(guó)內(nèi)外研究現(xiàn)狀 11.1.2研究意義 31.2研究?jī)?nèi)容及方法 51.2.1研究?jī)?nèi)容 51.2.2研究方法 51.3字符圖像識(shí)別的總體方案設(shè)計(jì) 51.4本文結(jié)構(gòu)安排 6第2章圖像預(yù)處理 82.1引言 82.2圖像灰度化 82.3圖像二值化 102.4圖像歸一化 112.5圖像的反色處理 122.6本章小結(jié) 13第3章基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別 143.1神經(jīng)網(wǎng)絡(luò)字符識(shí)別的過(guò)程 143.2BP神經(jīng)網(wǎng)絡(luò)模型和算法 183.2.1BP神經(jīng)網(wǎng)絡(luò)模型 183.2.2BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法 183.3神經(jīng)網(wǎng)絡(luò)算法改進(jìn) 223.4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 244.1字符識(shí)別的時(shí)間分析性 244.2字符識(shí)別的精確分析 26第5章軟件設(shè)計(jì) 275.1系統(tǒng)流程 275.2系統(tǒng)界面 27結(jié)論 33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36頁(yè)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(lái)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(xiě)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(kāi)發(fā)就越來(lái)越成為社會(huì)現(xiàn)實(shí)中需要迫切解決的問(wèn)題。在這個(gè)大背景下，基于計(jì)算機(jī)視覺(jué)的圖像處理及模式識(shí)別技術(shù)就越來(lái)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(jué)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(xiě)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(jué)，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(wèn)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(guò)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(lái)了極大的困難。盡管近幾年來(lái)研究者們也對(duì)這些問(wèn)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(lái)，隨著人們生活水平的提高，私家車的擁有量越來(lái)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(lái)越復(fù)雜，交通系統(tǒng)的壓力也越來(lái)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(kāi)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(méi)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(guò)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(shū)寫(xiě)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(lái)，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(wèn)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(guò)“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(guò)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(guò)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(guò)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。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(lái)了難度。40年代以來(lái)，人們?cè)谘芯咳四X機(jī)理的基礎(chǔ)上，廣泛開(kāi)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(lái)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(wèn)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(lái)，是模式識(shí)別領(lǐng)域中的一類重要問(wèn)題[6]。近年來(lái)，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(lái)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(lái)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(lái)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]。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(xiě)數(shù)字輸入系統(tǒng)，以畫(huà)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(wú)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(lái)越多的家庭開(kāi)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。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(lái)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(guò)程如下。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；通過(guò)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；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(wèn)題是現(xiàn)代交通工程領(lǐng)域中研究的重點(diǎn)和熱點(diǎn)問(wèn)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(guò)程中的一些關(guān)鍵技術(shù)進(jìn)行了概述。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??；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(lái)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(jué)形象的如圖像、相片、圖案、文字等等;另一類是沒(méi)有直覺(jué)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(lái)說(shuō)，無(wú)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。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(lái)說(shuō)，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(méi)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(guò)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(lái)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(guò)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(guò)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、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(guò)程；在第三章則主要介紹了神經(jīng)算法以及字符識(shí)別過(guò)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。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(guò)對(duì)圖像灰度的拉伸使物體間的區(qū)別加大，通過(guò)灰度化的開(kāi)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(guò)各向異性擴(kuò)散處理得到區(qū)域均勻而邊界無(wú)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(kāi)運(yùn)算、二值化閉運(yùn)算、灰度化開(kāi)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。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(guò)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(wàn)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(lái)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(lái)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(lái)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)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(guò)利用MATLAB中rgb2gray函數(shù)將字符圖像轉(zhuǎn)換成灰度圖像，通過(guò)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(guò)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(guò)調(diào)用MATLAB中的函數(shù)中的im2bw函數(shù)來(lái)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(guò)手動(dòng)調(diào)試來(lái)確定的。原字符圖像經(jīng)過(guò)處理后得到的二值圖像如圖2-3所示。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5×9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，5×9像素圖像太小了。在經(jīng)過(guò)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(guò)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16×16像素的二值圖像。歸一化處理并沒(méi)有改變圖像的對(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(shuō)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(guò)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(lái)表示，所以我們對(duì)經(jīng)過(guò)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。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(guò)程中字符圖像間變化的過(guò)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(guò)程作了詳細(xì)的介紹。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(guò)程本文在神經(jīng)網(wǎng)絡(luò)字符圖像識(shí)別實(shí)現(xiàn)的過(guò)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(guò)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(guò)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(lái)。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(lái)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(lái)，這里就得到了每幅圖像就有歸一化后的16×16的256個(gè)特征值。流程圖如圖3-1所示。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(lái)說(shuō)，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。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b)圖像二值化c)圖像歸一化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(méi)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(méi)有達(dá)到這個(gè)標(biāo)準(zhǔn)表示網(wǎng)絡(luò)的設(shè)置有問(wèn)題。圖3-4神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果顯示3.2BP神經(jīng)網(wǎng)絡(luò)模型和算法3.2.1BP神經(jīng)網(wǎng)絡(luò)模型通常我們說(shuō)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(méi)有達(dá)到這個(gè)標(biāo)準(zhǔn)表示網(wǎng)絡(luò)的設(shè)置有問(wèn)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(méi)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。3.2.2BP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(méi)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。輸入層隱含層輸出層圖3-5BP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(wú)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(guò)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(guò)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(guò)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)所示。(3-1)(3-2)其中輸入與輸出函數(shù)f選用S型函數(shù)如(3-3)所示。(3-3)這個(gè)算法的學(xué)習(xí)過(guò)程，由正向傳播和反向傳播組成。正向傳播過(guò)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(lái)的連接通路返回，通過(guò)修正各神經(jīng)元的權(quán)值，是的誤差信號(hào)最小。圖3-6神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖首先定義誤差函數(shù)E為期望輸出與實(shí)際輸出之間的平方和如公式(3-4)所示。(3-4)式中是輸出單元的期望輸出，在這里作為有師信號(hào)，因此BP算法是一種有師算法。是實(shí)際輸出，它是輸入模式P和權(quán)值W的函數(shù)。BP學(xué)習(xí)算法實(shí)際上是求誤差函數(shù)的極小值。可利用非線性規(guī)劃中的最快下降法，是權(quán)值沿著誤差函數(shù)的負(fù)梯度方向改變，其中的更新量可由公式(3-5)表示。(3-5)式中是學(xué)習(xí)步長(zhǎng)，去正參數(shù)。由于(3-6)得(3-7)設(shè)為誤差信號(hào)，即可得學(xué)習(xí)公式如(3-8)所示。(3-8)下面討論求的計(jì)算公式如公式(3-9)所示。(3-9)由式(3-1)可知式(3-8)等號(hào)右邊第二項(xiàng)為(3-10)所示。(3-10)為了便于求導(dǎo)數(shù)，取連續(xù)函數(shù)，如取為非線性S型函數(shù)如公式(3-12)所示。(3-11)則(3-12)再求式(3-8)等號(hào)右邊第一項(xiàng)，對(duì)于式（3-9）可以有兩種情況：(1)如果j是輸出層（第m層）的神經(jīng)元，k=m，則是整個(gè)網(wǎng)絡(luò)的期望輸出為定值。由公式(3-4)可得則(3-13)(2)如果j不是在輸出層，而是在中間的隱含層k則有公式(3-14)所示。則(3-14)從上式可以看出，k層的誤差信號(hào)正比于上一層的誤差信號(hào)。綜上所述，BP神經(jīng)網(wǎng)絡(luò)算法可描述為：1.選定初始權(quán)值W；2.重復(fù)下述過(guò)程知道收斂；(1)對(duì)k=1到m計(jì)算，和（正向過(guò)程）；對(duì)各層從m到2反向計(jì)算（反向過(guò)程）。(2)對(duì)同一層節(jié)點(diǎn)，由式(3-13)、(3-14)計(jì)算。3.修正權(quán)值如公式(3-15)所示。（3-15）由于實(shí)際的輸出模式與期望的輸出模式總會(huì)存在一定誤差，因此，需要將誤差值沿連接通路逐層傳送并修正調(diào)整各層節(jié)點(diǎn)間的連接權(quán)值。對(duì)于給定的一組模式對(duì)不斷用一個(gè)個(gè)的輸入-輸出模式進(jìn)行學(xué)習(xí)，重復(fù)上述的學(xué)習(xí)過(guò)程直到對(duì)所有模式對(duì)，網(wǎng)絡(luò)均能產(chǎn)生期望的輸出。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)層中要不斷的對(duì)連接權(quán)值進(jìn)行調(diào)整。3.3神經(jīng)網(wǎng)絡(luò)算法改進(jìn)我們?cè)趯?shí)用過(guò)程中發(fā)現(xiàn)BP算法存在以下的局限性。BP算法本質(zhì)上可以看作是LMS(最小均方誤差準(zhǔn)則)算法在多層前饋神經(jīng)網(wǎng)絡(luò)中的應(yīng)用，它是一個(gè)非線性優(yōu)化問(wèn)題，這就不可避免地存在局部極小。在用它解決一些稍微復(fù)雜的問(wèn)題時(shí)，往往不能保證達(dá)到全局最小，致使學(xué)習(xí)過(guò)程失效；當(dāng)誤差變小時(shí)，特別是快接近最小點(diǎn)時(shí)，學(xué)習(xí)收斂緩慢，效率低；隱含層個(gè)數(shù)的確定尚無(wú)理論指導(dǎo)，不恰當(dāng)?shù)膫€(gè)數(shù)會(huì)使整個(gè)應(yīng)用失敗。所以有必要對(duì)BP算法進(jìn)行一些改進(jìn)。已提出的改進(jìn)方法有。1.加動(dòng)量項(xiàng)法該算法給原有的負(fù)梯度加上慣性量(前一次權(quán)值的變化量)，以此來(lái)濾除代價(jià)函數(shù)曲面上的高頻分量，避免學(xué)習(xí)過(guò)程中的振蕩。調(diào)整公式如(3-15)所示。，(3-15)為動(dòng)量系數(shù)，;k和為上次訓(xùn)練時(shí)計(jì)算出的調(diào)整量。該方法雖然可以平滑學(xué)習(xí)過(guò)程，但有可能滑入局部最小而使訓(xùn)練癱瘓。閾值調(diào)整有同上類似結(jié)果。2.自適應(yīng)學(xué)習(xí)因子法學(xué)習(xí)因子通常稱為學(xué)習(xí)步長(zhǎng)，在標(biāo)準(zhǔn)BP算法中，一般取為間的一個(gè)定值。取值過(guò)大可加快學(xué)習(xí)速度，但有可能導(dǎo)致學(xué)習(xí)過(guò)程不收斂;若取值太小，則迭代次數(shù)明顯增加導(dǎo)致學(xué)習(xí)速度十分緩慢。使用“自適應(yīng)變學(xué)習(xí)因子”來(lái)改善網(wǎng)絡(luò)的收斂特性如公式(3-16)所示。(3-16)其中a為控制常數(shù)，n為迭代步數(shù)。學(xué)習(xí)因子在某種特定的應(yīng)用下可能會(huì)比定學(xué)習(xí)因子具有更好的學(xué)習(xí)收斂特性，但怎樣改變學(xué)習(xí)因子還需視具體情況而定。因此本文提出了下面的4種新型改進(jìn)BP算法。3.重新初始化不同的初始值會(huì)對(duì)學(xué)習(xí)收斂過(guò)程產(chǎn)生很大的影響。一般閾值和權(quán)值開(kāi)始取較小的隨機(jī)值，然后向全局最小點(diǎn)迭代靠近，當(dāng)出現(xiàn)學(xué)習(xí)不收斂或誤差達(dá)不到要求時(shí)，不必急于調(diào)整學(xué)習(xí)因子或動(dòng)量系數(shù)，可重新對(duì)權(quán)值和閾值進(jìn)行初始化，從一個(gè)新的起點(diǎn)出發(fā)向最小值點(diǎn)選代。多經(jīng)過(guò)幾次試探，有可能在其中某次學(xué)習(xí)獲得成功。即使不成功，從中看出一些規(guī)律再調(diào)整學(xué)習(xí)因子η和動(dòng)量系數(shù)μ，也比盲目調(diào)整要好。4.權(quán)值隨機(jī)擾動(dòng)若網(wǎng)絡(luò)在學(xué)習(xí)調(diào)整中誤差收斂很慢或出現(xiàn)振蕩，這表明梯度算法可能陷入局部極小陷阱。此時(shí)可對(duì)網(wǎng)絡(luò)權(quán)值作10%以內(nèi)的隨機(jī)調(diào)整，人工干預(yù)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程，幫助其跳出局部極小陷阱。5.分級(jí)學(xué)習(xí)學(xué)習(xí)樣本常常存在相當(dāng)大的冗余，先對(duì)最具代表性的樣本子集進(jìn)行學(xué)習(xí)，達(dá)到一定分類性能后再擴(kuò)大這個(gè)子集，直至包括所有的學(xué)習(xí)樣本，可提高學(xué)習(xí)速度。關(guān)鍵在于代表性樣本子集的選取是否得當(dāng)。在實(shí)際工作中，以上的方法都被采用了，特別是方法3、4、5明顯地加快了BP網(wǎng)絡(luò)的學(xué)習(xí)進(jìn)程及收斂性。3.4本章小結(jié)本章首先介紹神經(jīng)網(wǎng)絡(luò)的內(nèi)容，簡(jiǎn)單介紹了下前向網(wǎng)絡(luò)（網(wǎng)絡(luò)中各個(gè)神經(jīng)元接受前一級(jí)的輸入，并輸出到下一級(jí)，網(wǎng)絡(luò)中沒(méi)有反饋）和反饋網(wǎng)絡(luò)，然后介紹了神經(jīng)網(wǎng)絡(luò)的識(shí)別過(guò)程，在神經(jīng)網(wǎng)絡(luò)字符圖像識(shí)別實(shí)現(xiàn)的過(guò)程當(dāng)中，先分解成兩個(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。最后講述了神經(jīng)網(wǎng)絡(luò)的是算法，將給定的一組模式對(duì)不斷用一個(gè)個(gè)的輸入-輸出模式進(jìn)行學(xué)習(xí)，重復(fù)神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程直到對(duì)所有模式對(duì)，網(wǎng)絡(luò)均能產(chǎn)生期望的輸出。并且針對(duì)BP算法存在以下的局限性:提出了幾種改進(jìn)算法。主要是重新初始化、權(quán)值隨機(jī)擾動(dòng)、分級(jí)學(xué)習(xí)以及跳讀等改進(jìn)措施。改進(jìn)后的算法大大提高了字符圖像的識(shí)別率，而誤識(shí)率也明顯降低。第4章字符識(shí)別的時(shí)間分析性和精確度分析4.1字符識(shí)別的時(shí)間分析性對(duì)于車牌識(shí)別系統(tǒng)識(shí)別的快速性的要求，字符識(shí)別無(wú)疑是車牌識(shí)別系統(tǒng)極為關(guān)鍵的一步?？焖傩允擒嚺谱R(shí)別系統(tǒng)重要的性能指標(biāo)之一，本文選擇神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練樣本的方法來(lái)實(shí)現(xiàn)的。在此，本文利用MATLAB，通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練，來(lái)提取特征，并通過(guò)對(duì)輸入的圖像進(jìn)行適當(dāng)處理（主要是預(yù)處理），將帶有噪音的輸入圖像進(jìn)行成功識(shí)別，其中的處理時(shí)間主要集中在預(yù)處理這塊，使得處理速度較快。本文主要是將輸入的帶有噪音的圖像進(jìn)行灰度化，目的是降低處理過(guò)程中某些彩色噪音的干擾，然后將灰度圖像進(jìn)行二值化處理，時(shí)間的快慢關(guān)鍵就在二值化這塊，對(duì)二值化的圖像進(jìn)行處理，可以大大提高處理速度，主要因?yàn)閳D像的處理僅限制在0和1兩種情況的判斷上，再根據(jù)訓(xùn)練樣本的特征，可以較快識(shí)別出字符來(lái)，使處理時(shí)間較快。時(shí)間分析的方法有很多，本文采用的方法是利用MATLAB函數(shù)中tic和toc來(lái)實(shí)現(xiàn)的。該方法的實(shí)現(xiàn)非常簡(jiǎn)單，首先在需要進(jìn)行分析的程序段的啟始處添加時(shí)間計(jì)時(shí)開(kāi)始函數(shù)tic，然后在程序段的尾部添加表示時(shí)間停止函數(shù)toc，最后只需計(jì)算兩者之差，也就是時(shí)間差，便可以得到該程序段的運(yùn)行時(shí)間。由于采用的是時(shí)間函數(shù)tic和toc來(lái)實(shí)現(xiàn)的，所以是以秒為時(shí)間單位的，并精確到小數(shù)點(diǎn)后6位。處理時(shí)間顯示如圖4-1所示。a)處理時(shí)間實(shí)例1b)處理時(shí)間實(shí)例2圖4-1處理時(shí)間圖我隨機(jī)抽取16個(gè)樣本對(duì)系統(tǒng)進(jìn)行時(shí)間性能測(cè)試。將每個(gè)樣品識(shí)別所用時(shí)間記錄下來(lái)并且繪成坐標(biāo)圖，如圖4-2。由坐標(biāo)圖可以看出，使用該識(shí)別方法，對(duì)每個(gè)字符識(shí)別用時(shí)都遠(yuǎn)遠(yuǎn)小于1s。圖4-2識(shí)別時(shí)間統(tǒng)計(jì)從實(shí)驗(yàn)結(jié)果表明，本方法對(duì)于時(shí)間的處理是基本滿足任務(wù)書(shū)要求的，把處理時(shí)間控制在1s內(nèi)。4.2字符識(shí)別的精確分析除了前面提到的時(shí)間分析外，在準(zhǔn)確度上，本系統(tǒng)還有識(shí)別率可達(dá)到90%多，在40個(gè)字符圖像的測(cè)試庫(kù)中就只有一個(gè)字符圖像不能識(shí)別，如圖所示。圖4-4中彩色數(shù)字4并未被正確的識(shí)別出來(lái)，這也是本系統(tǒng)在精度方面的不足之處，分析原因，主要是對(duì)于圖像預(yù)處理過(guò)程中還不夠精準(zhǔn)，使得該字符圖像部分信息丟失而致使最終識(shí)別出現(xiàn)問(wèn)題。圖4-4識(shí)別不成功的圖像通過(guò)前面時(shí)間和精確度的分析，總的來(lái)說(shuō)本系統(tǒng)的功能還是已經(jīng)可以實(shí)現(xiàn)的。第5章軟件設(shè)計(jì)5.1系統(tǒng)流程本文提供了一種基于神經(jīng)網(wǎng)絡(luò)車牌照字符(數(shù)字和字母)圖像的識(shí)別系統(tǒng)，該系統(tǒng)使用MATLAB設(shè)計(jì)人機(jī)接口的界面，調(diào)用MATLAB的工具箱函數(shù)實(shí)現(xiàn)字符圖像的預(yù)處理，如圖像灰度化函數(shù)I=rgb2gray(X)、圖像二值化bw=im2bw(I，0.64)等，使用MATLAB語(yǔ)言編程從而實(shí)現(xiàn)車牌照字符是識(shí)別。軟件實(shí)現(xiàn)的流程圖如圖5-1所示。圖5-1系統(tǒng)流程圖5.2系統(tǒng)界面系統(tǒng)總界面如圖5-2所示。具體設(shè)計(jì)過(guò)程如下：首先添加一個(gè)圖形窗口顯示出用戶界面。然后添加訓(xùn)練、讀入圖像、灰度化、二值化、歸一化、反色處理、識(shí)別、時(shí)間按鈕，而其在設(shè)置按鈕的同時(shí)導(dǎo)入各個(gè)按鈕所對(duì)應(yīng)的源程序，在點(diǎn)擊按鈕的同時(shí)實(shí)現(xiàn)該程序的功能，這些功能實(shí)現(xiàn)分別顯示在設(shè)置的對(duì)應(yīng)的坐標(biāo)軸或者文本框中。圖5-2系統(tǒng)界面圖具體操作如下：在點(diǎn)擊運(yùn)行程序后，會(huì)彈出如圖5-2的系統(tǒng)界面，然后點(diǎn)擊訓(xùn)練按鈕，會(huì)彈出一個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練窗口，網(wǎng)絡(luò)開(kāi)始對(duì)樣本進(jìn)行訓(xùn)練，如圖5-3所示。圖5-3神經(jīng)網(wǎng)路的訓(xùn)練在訓(xùn)練結(jié)束后，點(diǎn)擊讀入圖像，會(huì)彈出一個(gè)對(duì)話框，在對(duì)話框內(nèi)你可讀入需要識(shí)別的字符圖像，讀入后會(huì)將讀入的字符圖像顯示在對(duì)應(yīng)的坐標(biāo)軸中。如圖5-4所示。圖5-4讀入圖像然后分別點(diǎn)擊灰度化、二值化、歸一化、反色處理按鈕，各個(gè)步驟，都會(huì)將相應(yīng)的處理結(jié)果顯示在對(duì)應(yīng)的坐標(biāo)軸中，如圖5-5所示。a)灰度化圖像b)二值圖像c)歸一化圖像d)反色處理圖像圖5-5預(yù)處理圖像最后點(diǎn)擊結(jié)果和時(shí)間按鈕，就會(huì)在識(shí)別結(jié)果和時(shí)間顯示文本框中分別顯示出識(shí)別結(jié)果和識(shí)別所需要的時(shí)間結(jié)果。如圖5-6所示。a)識(shí)別結(jié)果b)時(shí)間顯示圖5-6顯示結(jié)果圖像在輸出結(jié)果和時(shí)間顯示后，程序運(yùn)行完畢，可以通過(guò)繼續(xù)點(diǎn)擊讀取圖像按鈕繼續(xù)識(shí)別其它字符圖像。結(jié)論通過(guò)本文字符圖像經(jīng)過(guò)前期的圖像的預(yù)處理，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。圖像的預(yù)處理主要包括圖像的歸一化、灰度化、二值化以及圖像的反白處理等技術(shù)，進(jìn)行過(guò)預(yù)處理過(guò)后的字符圖像就更加的簡(jiǎn)練、清晰，以便在特征提取是能更容易提取出圖像的特征圖像。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別，識(shí)別速度也很快，算法實(shí)現(xiàn)過(guò)程流暢。采用BP神經(jīng)網(wǎng)絡(luò)的算法，具有良好的容錯(cuò)能力，分類能力強(qiáng)，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已經(jīng)在模式識(shí)別中被廣泛應(yīng)用。對(duì)于BP網(wǎng)絡(luò)的訓(xùn)練方法本文采取的是神經(jīng)網(wǎng)絡(luò)的批量化處理的方法，樣本采用的是樣本庫(kù)里面所有的字符圖像方式，然后將訓(xùn)練樣本送入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后再輸入測(cè)試庫(kù)里的字符圖像讓其識(shí)別，得出識(shí)別結(jié)果。對(duì)于車牌識(shí)別系統(tǒng)識(shí)別的快速性的要求，本文選擇神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練樣本的方法來(lái)實(shí)現(xiàn)的。主要是將字符圖像進(jìn)行灰度化，然后將灰度圖像進(jìn)行二值化處理，時(shí)間的快慢關(guān)鍵就在二值化這塊，對(duì)二值化的圖像進(jìn)行處理，可以大大提高處理速度，主要因?yàn)閳D像的處理僅限制在0和1兩種情況的判斷上，再根據(jù)訓(xùn)練樣本的特征，可以較快識(shí)別出字符來(lái)，使處理時(shí)間較快。在準(zhǔn)確度上，本系統(tǒng)還有自身的一些局限性分析原因，主要是對(duì)于圖像的預(yù)處理在復(fù)雜性上還不夠精準(zhǔn)，沒(méi)能得到正確的識(shí)別信息，致使最終識(shí)別出現(xiàn)問(wèn)題。針對(duì)這一問(wèn)題，提出了重新初始化、權(quán)值隨機(jī)擾動(dòng)、分級(jí)學(xué)習(xí)以及跳讀等改進(jìn)措施，這些措施可以提高BP算法的性能?？梢赃_(dá)到很高的誤差精度，具有收斂速度快、識(shí)別時(shí)間短、識(shí)別率非常高的優(yōu)點(diǎn)。致謝首先，我衷心地感謝我的導(dǎo)師侯進(jìn)副教授對(duì)我的關(guān)懷和悉心指導(dǎo)，本科畢業(yè)論文期間，侯老師在百忙之中抽出時(shí)間給以指導(dǎo)，讓我以嚴(yán)謹(jǐn)求實(shí)的態(tài)度順利完成了自己的工作。其