1、本科畢業設計（論文）( 2010 屆 )題 目：車牌號碼識別仿真 分 院:電子信息分院專 業:電子信息工程班 級:06電子本1姓 名:學 號:指導老師:完成時間:2010年4月摘 要車牌識別系統在交通的智能監視和管理中有著重要的應用，近幾年發展非常迅速?；趫D像和字符識別技術的車牌字符識別系統也是目前國內外模式識別應用研究領域的一個熱點。盡管車牌的先驗知識比較豐富，但是在復雜的背景下，車牌中的字符識別仍然比較困難。目前的車牌識別系統大多是針對簡單場景、單一車牌。車牌字符識別系統的關鍵技術包括數字圖像處理、車牌定位、車牌字符分割和字符識別技術。本文對已定位好的車牌進行圖像位圖讀取、圖像二值化、字

2、符分割、提取字符特征、bp神經網絡設計等模塊進行了初步的研究。在字符分割方面，分析了牌照圖像二值化與標準歸一化以及幾何校正的各種算法。借助牌照字符固定寬度、間距的固定比例關系等先驗知識實現字符的分割。在特征提取方面，將字符歸一化，再采用13特征法進行字符特征提取。在字符識別方面，分析比較了常用的字符識別方法。在此基礎上詳細分析基于bp神經網絡的識別方法。實驗結果證明，所采用的bp神經網絡具有良好的性能滿足在復雜環境下實時識別車牌的要求，具有一定的理論和實際意義。關鍵詞：車牌字符識別；特征提??；bp神經網絡；matlab abstractlicense plate recognition sys

3、tem has important applications in the intelligent traffic monitoring and management developed rapidly in recent years. based on image and character recognition technology license plate recognition system pattern recognition at home and abroad is also a hot field of applied research. although the lic

4、ense plate of the prior knowledge rich, but in a complex background, the license plate of the character recognition is still more difficult. most of the current license plate recognition system is a simple scenario for a single plate. the key technologies of license plate recognition system include

5、digital image processing, license plate location, license plate character segmentation technology. this article has been positioning for a good license plate reads the bitmap image, image binarization, character segmentation, feature extraction of characters, bp neural network design module for a mo

6、re detailed study.in the character segmentation area. analyze of the license plate image binarization with the standard normalization and geometric correction algorithms. with fixed-width character license, a fixed proportion of the relationship between the pitch prior knowledge to achieve segmentat

7、ion of characters.in feature extraction. the character normalization, again using 13 features of character feature extraction method.in character recognition, analyze and compared of the common character recognition. on the basis of this detailed analysis based on bp neural networks recognition. the

8、 results show that bp neural network used good performance in a complex environment to meet real-time identification license plate requirements, with some theoretical and practical significance. keywords:license plate character recognition;feature extraction;bp neural network; matlab.目 錄摘 要iabstract

9、ii1 緒論11.1 課題背景11.2 國內外研究現狀22 圖像的預處理42.1 圖像的二值化42.2 牌照上下邊框和鉚釘的去除52.3 車牌字符細化52.4本章小結63 車牌字符分割74 車牌字符特征提取94.1字符常用的特征提取方法94.2十三點網格特征提取方法105 車牌字符的識別115.1 字符識別簡介115.2 基于bp神經網絡的字符識別125.3bp神經網絡的設計135.3.1 輸入層神經元個數135.3.2 隱含層神經元數目135.3.3 輸出層神經元個數135.3.4 傳遞函數的選擇145.3.5 bp網絡的參數設置145.3.6 bp神經網絡的創建145.4 bp神經網絡的運

10、用186 結論19致謝20參考文獻211 緒論1.1 課題背景近幾年，我國道路交通迅猛發展隨之也帶來了對交通管理自動化的迫切需求。車牌自動識別的研究與開發一直是現代化交通發展中倍受關注的問題，也是制約交通系統智能化、現代化的重要因素。智能交通系統己成為當前交通管理發展的主要方向。而車牌識別技術作為智能交通系統的核心，起著舉足輕重的作用。車牌自動識別系統具有廣泛的應用范圍，主要應用于：高速公路收費、監控管理；小區、停車場管理；城市道路監控、違章管理；車牌登錄、驗證；車流統計、安全管理等。車牌自動識別系統應用于這些系統，可以解決通緝車輛的自動稽查問題，可以解決車流高峰期因出入口車流瓶頸造成的路橋卡

11、口、停車場交通堵塞問題，可以解決因工作人員作弊造成的路橋卡口、高速公路、停車場應收款流失的問題，還可以以最簡單的方式完成交通部門的車輛信息聯網，解決數據統計自動化，模糊查詢的問題。車牌自動識別系統可安裝于公路收費站、停車場、十字路口等交通關卡處，其具體應用可概括為：交通監控利用車牌識別系統的攝像設備，可以直接監視相應路段的交通狀況，獲得車輛密度、隊長、排隊規模等交通信息防范和觀察交通事故。它還可以同雷達測速器或其他的檢測器配合使用，以檢測違犯限速值的車輛。當發現車輛超速時，攝像機獲取該車的圖像，并得到該車的牌照號碼，然后給該車超速的警告信號。交通流控制指標參量的測量為達到交通流控制的目標，一些

12、交通流指標的測量相當重要。該系統能夠測量和統計很多交通流指標參數，如總的服務流率，總行程時間，總的流入量流出量，車型及車流組成，日車流量，小時/分鐘車流量，車流高峰時間段，平均車速，車輛密度等。這也為交通誘導系統提供必要的交通流信息。高速公路上的事故自動測報這是由于該系統能夠監視道路情況和測量交通流量指標，能及時發現超速、堵車、排隊、事故等交通異常現象。對養路費交納、安全檢查、運營管理實行不停車檢查根據識別出的車牌號碼從數據庫中調出該車檔案材料，可發現沒及時交納養路費的車輛。另外，該系統還可發現無車牌的車輛。若同車型檢測器聯用，可迅速發現所掛車牌與車型不符的車輛。車輛定位由于能自動識別車牌號碼

13、，因而極易發現被盜車輛，以及定位出車輛在道路上的行駛位置。這為防范、發現和追蹤涉及車輛的犯罪，保護重要車輛(如運鈔車)的安全有重大作用，從而對城市治安及交通安全有重要的保障作用。車牌自動識別系統擁有廣闊的應用前景，但若在每個街口都裝配一套全新的車輛探測器的硬件系統則投資巨大，所以急需一個純軟件實行的車牌自動識別系統來最大限度的減少費用，而純軟件的設計，不僅投資小而且靈活性高，適合我國的國情。1.2 國內外研究現狀從20世紀90年代初，國外就已經開始了對汽車牌照自動識別的研究，其主要途徑就是對車牌的圖像進行分析，自動提前車牌信息，確定汽車牌號。在各種應用中，有使用模糊數學理論也有用神經元網絡的算

14、法來識別車牌中的字符，但由于外界環境光線變化、光路中有灰塵、季節環境變化及車牌本身比較模糊等條件的影響，給車牌的識別帶來較大的困難。國外的相關研究有：j barroso提出的基于掃描行高頻分析的方法；lancaster it提出的類字符分析方法等。為了解決圖像惡化的問題，目前國內外采用主動紅外照明攝像或使用特殊的傳感器來提高圖像的質量，繼而提高識別率，但系統的投資成本過大，不適合普遍的推廣。車牌識別系統中的兩個關鍵子系統是車牌定位系統11和車牌字符識別系統。關于車牌定位系統的研究，國內外學者已經作了大量的工作，但實際效果并不是很理想，比如車牌圖像的傾斜、車牌表面的污穢和磨損、光線的干擾等都是影

15、響定位準確度的潛在因素。為此，近年來不少學者針對車牌本身的特點，車輛拍攝的不良現象及背景的復雜狀況，先后提出了許多有針對性的定位方法，使車牌定位在技術和方法上都有了很大的改善然而現代化交通系統不斷提高的快節奏，將對車牌定位的準確率和實時性提出更高的要求。因而進一步加深車牌定位的研究是非常必要的。車牌字符識別是在車牌準確定位的基礎上，對車牌上的漢字、字母、數字進行有效確認的過程，其中漢字識別是一個難點，許多國外的lpr系統也往往是因為漢字難識而無法打入中國市場，因而探尋好的方法解決字符的識別也是至關重要的。目前己有的方法很多，但其效果與實際的要求相差得很遠，難以適應現代化交通系統高速度、快節奏的

16、要求。因而對字符識別的進一步研究也同樣具有緊迫性和必要性。從實用產品來看，如以色列的hitech公司研制的多種see/car system，適應于幾個不同國家的車牌識別，就針對中國格式車牌的see/car system而言，它不能識別漢字，且識別率有待提高。新加坡optasia公司的vlprs產品，適合于新加坡的車牌，另外日本、加拿大、德國、意大利、英國等西方發達國家都有適合于本國車牌的識別系統。我國的實際情況有所不同，國外的實際拍攝條件比較理想，車牌比較規范統一，而我國車牌規范不夠不同汽車類型有不同的規格、大小和顏色，所以車牌的顏色多，且位數不統一，對處理造成了一定的困難。在待處理的車牌圖像

17、中就有小功率汽車使用的藍底白字牌照，大功率汽車所用的黃底黑字牌照，軍車和警車的白底黑字，紅字牌照，還有國外駐華機構的黑底白字牌照等。就位數而言，有七位數字的，有武警車九位數字的，有軍車前兩位字符上下排列的等，所以也造成了處理的難度。國內做得較好的產品主要是中科院自動化研究所漢王公司的“漢王眼”，此外國內的亞洲視覺科技有限公司、深圳市吉通電子有限公司、中智交通電子系統有限公司等都有自己的產品，另外西安交通大學的圖像處理與識別研究室、上海交通大學的計算機科學與工程系、清華大學、浙江大學等都做過類似的研究。通常處理時為了提高系統的識別率，都采用了一些硬件的探測器和其他的輔助設備如紅外照明等，其中“漢

18、王眼”就是采用主動紅外照明和光學濾波器來減弱可見光的不可控制影響，減少惡劣氣候和汽車大小燈光的影響，另外還要求在高速公路管理窗口到“漢王眼”識別點埋設兩條線路管道，一條管道鋪設220伏50赫茲1安培的交流供電線路；另一條管道鋪設觸發信號線路和漢王眼與管理計算機的通訊線路，投資巨大，不適合于大面積的推廣。另外，還有兩種專門的技術被用于車牌的識別中，條形碼識別技術和無線射頻技術。條形碼識別要求預先在車身上印刷條形碼，在系統的某一固定位置上安裝掃描設備，通過掃描來讀取條形碼，以達到識別車輛的目的。無線射頻技術要求在車內安裝標示卡，在系統某一位置安裝收發器等裝置，通過收發器來接受標示卡的信號，從而識別

19、出經過的車輛。顯然，這兩種技術更難以推廣。從目前一些產品的性能指標可以看出，車牌識別系統的識別率和識別速度有待提高?，F代交通的飛速發展以及車牌識別系統應用范圍的日益拓寬給車牌識別系統提出了更高的要求。因此，研究高速、準確的定位與識別算法是當前的主要任務，而圖像處理技術的發展與攝像設備、計算機性能的提高都會促進車牌識別技術的發展，提高車牌識別系統的性能。2 圖像的預處理2.1 圖像的二值化二值圖像是指整幅圖像畫面內僅黑、白二值的圖像。在數字圖像處理中，二值圖像占有非常重要的地位。這是因為，一方面，有些需要處理的如文字圖像、指紋圖像、工程圖紙等圖像本身是二值的；另一方面，在某些情況下即使圖像本身是

20、有灰度的，我們也設法使它變成二值圖像再進行處理(即灰度圖像的二值化)。這是考慮到在實用的圖像處理系統中，要求處理的速度高、成本低、信息量大的濃淡圖像處理的花銷太大。此外，二值化后的圖像能夠用幾何學中的概念進行分析和特征描述，比灰度圖像優勢大的多。在實際的車牌處理系統中。進行圖像二值變換的關鍵是要確定合適的閾值，使得字符與背景能夠分割開來，而且二值變換的結果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產生額外的空缺等等。同時，車牌識別系統要求處理的速度高、成本低、信息量大，采用二值圖像進行處理，能大大地提高處理效率。二值化的關鍵是要找到合適的閾值t來區分對象和背景。設原灰度圖像為f(x

21、，y)，二值化后的圖像為g(x，y)，二值化的過程表示如下：g(x，y)= （2-1）閾值t的選擇是關鍵，在這里運用了matlab圖像處理工具箱（image processing toolbox）中的graythresh函數去求閾值，再運用二值圖像函數im2bw將圖像二值化。此時圖像就是一個只含有0和1的矩陣，這對后面的圖片操作方便了很多2。例如：i=imread (2.bmp); level=graythresh (i);bw=im2bw (i, level);figure; imshow (bw);程序運行結果如圖2.1所示。level是閾值，取值在01之間。當輸入圖像的亮度小于level

22、時，對應的輸出圖像的像素值為0，其他地方均為1。圖2.1 二值化后的車牌將車牌圖像進行二值化后，圖像僅黑、自二值。白色像素點(灰度值255)取1，黑色像素點(灰度值0)取0。2.2 牌照上下邊框和鉚釘的去除在實際處理中，我們面對的要識別的牌照字符背景非常復雜，存在較大的干擾、噪聲。當車牌的二值圖像統一為黑底白宇后，會有汽車保險杠與牌照四條邊框的殘缺圖像以及牌照上兩個鉚釘干擾的一個區域。借助一些先驗知識，采取一些圖像處理的方法可以從上述復雜背景中去除干擾。因為國內車牌的規格都是統一的，固定車牌的鉚釘位置也是一樣的，所以我只需在鉚釘的位置上賦值0，原來的鉚釘區域就變成黑色了。例如：bw (1:2,

23、 30:39) =0;bw (1:2,107:114) =0;bw (35:36, 85:146) =0;figure;imshow (bw);程序運行結果如圖2.2所示。圖2.2 去除后2.3 車牌字符細化在被識別的各種文字字符中，由于不同文字和不同字體，筆劃的粗細長短是不同的，使得它們的差別較大，這對后面的車牌字符特征提取有很大的影響，進而影響了車牌字符識別的準確性。如果將它們的線條進行細化以后，可以得到統一的寬度，那么對后面的工作將十分有利，因而對字符進行細化是必須的。對于字符細化，通常要遵守如下幾條原則：要保持原有筆劃的連續性，不能由于細化造成筆劃斷開；要細化為單線，細化后的骨架應盡量

24、是原來筆劃的中心線；要保持字符原有特征，既不增加也不丟失。在字符細化方面，我運用了matlab的image processing toolbox中的bwmorph函數來將目標細化2。例如：bw_skel=bwmorph (bw,skel, 6);figure;imshow (bw_skel);程序運行結果如圖2.3所示。圖2.3 細化后細化后的車牌能很好的解決因拍攝距離等原因造成的字符粗細不一，從而影響特征值之間的誤差。2.4 本章小結本章圖像預處理環節是十分重要的，這對后面的字符分割和字符識別有著重要的影響，而這正借靠著matlab圖像處理工具箱強大的功能，才得以實現。3 車牌字符分割字符分

25、割的任務就是把車牌圖像中的每個字符從整個圖像中分割出來，使其成為單個字符。字符分割是字符識別的基礎，字符分割的質量直接影響到字符識別的效果。字符分割之前，首先要進行圖像的二值化，然后再進行字符分割，從而分割出一個個具體的二值圖表示的字符圖像點陣，作為單字符識別的輸入數掘。而我國車牌包含有7個字符,其中第一位是漢字,第二位是字母、第三、四位有可能是字母,也有可能是數字,第五、六、七位目前都是數字只有從車牌圖像中準確的切割出單個車牌字符出來并進行歸一化，才能為之后的神經網絡或模板匹配識別器進行識別做好準備工作。字符分割常用算法7主要有水平投影法、模板匹配法、聚類分析法，并且各種方法特點如下：水平投

26、影法此方法比較常用，主要是針對在車牌定位、圖像預處理后比較規則的車牌圖像。優點：程序邏輯設計簡單，循環執行功能單一，便于設計和操作；程序執行時間快(小于20 ms)。缺點：對字符的粘連問題，解決得不很理想；在解決一些漢字的不連通問題上也存在不足。模板匹配法這是另一種形式的水平投影方法，只是相比于第1種方法，設計的程序更加周密，邊界劃分得更加精確了。優點：程序執行時聞與水平投影方法相近：較好地解決了漢字不連通問題；較好地解決了車牌字符分割中存在的如復雜背景的干擾、車牌尺寸的變化、車牌磨損造成字符粘連等難題。缺點：程序邏輯設計復雜，循環掃描執行功能較多；對車牌中的左右邊框的分割有待改進；對一些特殊

27、車牌如上下兩行字符的車牌，本算法并不適用。聚類分析法該方法是利用模式識別中聚類分析算法來實現車牌字符分割的，也是當今比較流行的分割算法，其發展空閥比較寬闊。優點：較好地解決了漢字不連通問題；較好地解決了車牌字符分割中存在的噪聲干擾、車牌磨損造成字符粘連等難題；通過改變預設類心的坐標，可以較好地處理一些新式車牌如上下兩行字符的車牌；缺點：程序邏輯設計復雜，循環嵌套較多，執行時聞不如前兩者快；為了提高預設類心的精確度，對車牌盼寬度有一定的限制。在字符分割方面，我并沒有參考以上方法，而是借鑒了老師所提的在給定矩形區域進行剪切。因為上面已說，此次設計是在定位好的車牌上進行剪切，而定位好的車牌尺寸大小是

28、統一的，且根據我國車牌內的字符規律，標準車牌，字符間間距為12mm，第二、三個字符間間距為34mm，其中，中間小圓點寬10mm，小圓點與第二、三個字符的間距分別為12mm。根據這些先驗知識，可以將字符區域劃分好，且統一劃分為2036，這對后面的字符特征提取有很好的幫助。例如：i = imread (2.bmp);level = graythresh (i);bw = im2bw (i, level);figure(7), imshow (bw);a=bw (1:36, 20:39);figure (1), imshow (a);b= bw (1:36, 48:67);figure(2), im

29、show (b);c= bw (1:36, 68:87);figure(3), imshow(c);d= bw (1:36, 88:107);figure (4), imshow (d);e= bw (1:36,108:127);figure (5), imshow (e);f= bw (1:36,127:146);figure (6), imshow (f);各車牌讀入后，程序運行結果如表3.1所示。表3.1 字符分割4 車牌字符特征提取在車牌識別中，對獲得的圖像直接進行分類是不現實的，與其它識別系統一樣，牌照字符識別系統的關鍵也在于字符特征的提取，也就是如何選取既容易提取又能為識別系統提供

30、盡可能高的模式鑒別能力，同時還要盡量少的特征維數的特征向量，它應該是最佳的樣本特征屬性的度量。特征的提取和選擇對識別系統至關重要，它基本上決定了識別系統的性能和識別精確度，甚至還可能影響到整個系統的識別的成功與否。一般來說，用于字符識別的分類特征應滿足以下要求：具有較強的分類能力，即同一類中各樣本間距離應盡量小，而類與類之間的距離則應盡量大，最好沒有交疊部分。具有較高的穩定性和抗干擾性，對字符的平移、旋轉和尺度交換不敏感，受字符筆劃斷裂或粘連的影響盡可能小。特征向量應便于提取，算法要盡量簡便，在保證識別系統的性能的條件下，特征向量的維數不能過高，以減少機器開銷，提高運算速度。4.1 字符常用的

31、特征提取方法字符的識別特征可以分為結構特征和統計特征。結構特征12主要有骨架、輪廓、筆畫等得到的結構特征。骨架特征的提取技術極大地依賴于圖像細化質量，由于現有的細化算法都或多或少的出現一些拓撲結構的改變，如y形分叉、毛刺、斷線等，這就要求后繼的識別有較大的靈活性，目前以骨架系統為主要方法的識別系統已很少。輪廓可以反映字符圖像的結構，輪廓大致有兩種描述方式：其一，同骨架一樣，用結構點和弧，構成圖的方式來描述：其二，則用標準化后的輪廓距邊框的距離來攢述，對骨架引入了更精確的定位，也節省了細化的運算量，但容易受到筆畫寬度和斷線的影響，它較適用于圖像質量較好、書寫較固定的環境。統計特征是從原始數據中提

32、取與分類最相關的信息，使類內差距極小化，類間差距極大化。特征應對同一類字符的形變盡量保持不變，統計特征可以分為全局特征和局部特征。全局特征是對整個字符圖像進行變換，將變換的系數作為圖像的一種特征，主要包括：gabor變換、矩特征、代數特征、小波交換、粗外圍特征等。局部特征是在特定的位置對特定大小的窗內對象進行變換，主要包括局部灰度特征、投影特征、方向線素特征等。4.2 十三點網格特征提取方法當字符存在傾斜和偏移時都會對識別產生誤差，13點特征提取方法可以解決這些問題，它是適應性比較強的特征提取方法，即從每個字符中提取13個特征點。算法如下4：把字符水平分成兩份,垂直分成四份,分別統計這8個區域

33、的白像素的個數,得到8個特征。水平和垂直各劃兩條線把水平和垂直分割成三分, 統計這四條線穿過的白像素個數,得到4個特征。字符圖像全部白像素數目作為1個特征, 總共得到13個特征。本次設計采用兩種方法來提取特征值，因為我在后面的神經網絡環節分別設計了用于識別數字的bp網絡和用于識別英文的bp網絡。數字環節我就統計字符圖像整個白像素值，因為字符細化后，我發現車牌分割下來后整個字符圖片中的白像素值和樣本的很相近，且10個數字各個數統計后特征值不是很相近，所以我才有這個特征作為數字的特征值。而英文字符環節，因為字符比較多，所以采用十三點特征提取法來求英文字符的特征值。在求特征值時，運用到很多關于矩陣方

34、面的知識14， 包括陣列元素求和、矩陣轉置等，例如： i = imread (2.bmp);numval_1=sum (sum (i);該程序運行結果是統計了某幅二值圖像的全部白像素數目。再按以上十三法，運用該程序可求得各部分的值，表4.2是對圖2.3提取的十三特征。表4.2 各字符的十三點網格特征字符12345678910111213a01570716146681265t51853015201111480696579557485 車牌字符的識別5.1 字符識別簡介字符識別屬于模式識別的范疇。針對模式特征的不同選擇及其判別決策方法的不同可將模式識別方法大致分為4大類。這4類識別方法均可實現字符

35、識別，但它們特點不同，必須根據條件進行選擇8。統計模式法：對已知類別的模式樣本進行各種特征的提取和分析，選取對分類有利的特征，并對其統計均值等按已知類別分別進行學習，按貝葉斯最小誤差準則，根據以上統計特征設計出一個分類誤差最小的決策超平面，識別過程就是對未知模式進行相同的特征提取和分類，通過決策平面方程決定該特征相應的模式所屬的類別。此方法比較成熟，能考慮干擾、噪聲等的影響，識別模式基元能力加。但對結構復雜的模式抽取特征困難；不能反映模式的結構特征，難以描述模式的性質，難以從整體角度考慮識別問題，統計特征法它的抗干擾能力不足，對存在較大噪聲的字符的識別比較困難。邏輯特征法：就是其特征的選擇對一

36、類模式識別問題來說是獨一無二的，即在一類問題中只有1個模式具有某1種邏輯特征，此力法建立了關丁知識表示及組織，目標搜索及匹配的完整體系，對需通過眾多規則的推理達到識別目示及組織，目標搜索及匹配的完整體系，對需通過眾多規則的推理達到識別目標的問題有很好的效果，但當樣品有缺損，背景不清晰，規則不明確甚至有歧義時，效果不好，它也不適于對存在較大噪聲的字符的識別。模糊模式方法：就是在模式識別過程中引入了模糊集的概念，由于隸屬度函數作為樣品與模板相似程度的量度，故能反映整體的、主要的特性，模糊模式有相當程度的抗干擾與畸變，從而允許樣品有相當程度的干擾與畸變，適于對存在較大噪聲的字符的識別，但準確合理的隸

37、屬度函數往往難以建立。目前有學者在研究，并將其引入神經網絡方法形成模糊神經網絡識別系統。神經網絡方法：就是使用人工神經網絡方法實現模式識別?？商幚硪恍┉h境信息十分復雜，背景知識不清楚，推理規則不明確的問題允許圖像有較大的缺損、畸變，神經網絡方法的缺點是其模型在不斷豐富完善中，目前能識別的模式類還不夠多，神經網絡方法允許樣品有較大的缺損和畸變，這正是識別存在較大噪聲的印刷體字符的識別所需要的。在車牌識別中要識別的字符并不多，所以用神經網絡方法實現不必考慮其識別類不夠多的問題。5.2 基于bp神經網絡的字符識別前向反饋（back propagation，簡稱bp）網絡通常是指基于誤差反向傳播算法（

38、bp算法）的多層前向神經網絡。目前在人工神經網絡的實際應用中，絕大部分的神經網絡模型是采用網絡和它的變化形式，它也是前向網絡的核心部分，體現了人工神經網絡最精華的部分。據統計有近90的神經網絡應用是基于bp算法的。與感知器和線性神經網絡不同的是，bp網絡的神經元采用的傳遞函數通常是siginoid型可微函數，所以可以實現輸入和輸出間的任意非線性映射。bp網絡由輸入層、隱含層和輸出層構成，相鄰層之問的神經元全互連，同一層內的神經元無連接。下面以圖5.1所示的具有一個中間層(隱層)的三層bp網絡來介紹bp算法的實現。圖5.1中，輸入層、中間層和輸出層的單元數分別是n、l和m，輸入為x0，xl，xn

39、-1；中間層輸出為ho，h1，hl-1；網絡實際輸出為yo，yl，ym-1；do，dl，dm-1表示訓練樣本期望輸出。輸入單元i到中間單元j的權值為vij中間單元j到輸出單元k權值為wjk，用k和j來分別表示輸出單元和中間單元的閥值。y0wjkvijx0 y1x1ym-1xn-1圖5.1 具有一個隱層的三層bp網絡于是，中間層各單元的輸出為： （5-1）輸出層各單元的輸出為： （5-2）5.3 bp神經網絡的設計設計bp網絡的關鍵之處在于大量的有代表性的訓練樣本，以及高效、穩定、快速收斂的學習方法。bp網絡的應用過程如圖5.2 所示。識別結果bp網絡樣本圖片識別訓練待識別數據 圖5.2 bp網

40、絡的應用過程5.3.1 輸入層神經元個數bp網絡的輸入層的節點個數，為圖像預處理后所求的特征的維數。因為本次設計英文網絡使用的是十三特征法，所以英文網絡輸入層神經神經元個數為13。數字網絡為1。5.3.2 隱含層神經元數目在 bp網絡中，隱含層節點數不僅與輸入/輸出層的節點數有關，更與需解決的問題的復雜程度和轉換函數的形式以及樣本數據的特性等因素有關。一般地，隱含層神經元的數目越多，bp網絡越精確，但是訓練時間也就相應越長。如果隱含層神經元選取太多，會造成識別率急劇下降，降低抗噪能力。確定隱含層節點數的基本原則是：在滿足精度要求的前提下取盡可能緊湊的結構，即取盡可能少的隱含層節點數。本次設計隱

41、層神經元個數確定為22。5.3.3 輸出層神經元個數輸出層的節點數的確定，決定于如何設定標準輸出，也就是說如何對目標期望輸出進行編碼。本次設計是對車牌中的數字和英文進行識別，所以我設計了兩組神經網絡，即用于識別數字的數字神經網絡和用于識別英文的英文神經網絡。在數字環節，因為識別的是 0-9十個數字，所以輸出就是十個數以一組的方式輸出，輸出神經元就是1。在英文字符環節，識別的是a-z除i外25個字母共35個字符。所以輸出就是25個數以一組的方式輸出，輸出神經元個數確定為1。在編碼時，0-9還是以0-9十個數字來作為目標向量來輸出，而英文字母將用數字10-34來作為目標向量來輸出。詳見表5.3。雖

42、然輸出35個數，但是它們是以一組數的形式一起輸出的，所以本次設計的兩組網絡輸出神經元個數都為1。表5.3 各字符對應目標輸出字符目標字符目標字符目標字符目標0099j18s2711a10k19t2822b11l20u2933c12m21v3044d13n22w3155e14o23x3266f15p24y3377g16q25z3488h17r265.3.4 傳遞函數的選擇bp網絡中神經元的傳遞函數通常用log-sigmoid型函數logsig()、tansigmoid型函數tansig()以及純線性函數purelin()。每個函數的功能都不一樣，log-sigmoid型函數輸出約束在0和1之間，

43、tansigmoid型函數輸出約束在-1和1之間，而purelin型線性函數輸出可以取任意值。所以可以根據自己的要求選擇不同的函數。本次設計輸出的目標是0-34的任意整數，所以我選擇purelin函數作為輸出函數，輸入層、隱含層函數都選擇tansig函數。5.3.5 bp網絡的參數設置1本次設計的一些參數設置如下：設置訓練步數：net.trainparam.epochs=10000； 設置訓練目標：net.trainparam.goal=0. 000000001； 設置訓練學習速率：net.trainparam.lr=0.3； 設置動量因子：net.trainparam.mc=0.5。5.3.

44、6 bp神經網絡的創建訓練網絡首先得創建一個bp網絡，而創建bp網絡可以用newff()來創建一個bp網絡，其調用格式為：net=newffnet=newff(pr,s1 s2sn,tf1 tf2 tfn,btf,blf pf)其中pr是指由每組輸入（共由r組輸入）元素的最大值和最小值組成的r2維矩陣。si是指第i層的長度，共計n層。btf是指bp網絡的訓練函數，blf是指權值和閾值的bp學習算法，pf是網絡的性能函數，默認為mse。本次用于識別數字的的bp網絡創建如下：p=69 33 50 51 66 62 57 48 106 55;t=0 1 2 3 4 5 6 7 8 9;net=new

45、ff(minmax(p),1,22 ,1,tansig,tansig,purelin,trainscg,learngd);本次用于識別英文的的bp網絡創建如下：p=0 15 7 0 16 14 6 6 8 1 2 65；8 15 16 5 16 5 15 0 3 9 2 2 80；2 5 17 2 2 19 5 4 4 5 1 1;t=10 11 12 13 14 31 32 33 34 35;net=newff(minmax(p),13,22 ,1,tansig,tansig,purelin,trainscg,learngd); 其中p為輸入量，數字網絡p為十個數字的特征值，英文網絡就是25

46、個字符的13個特征。t為目標量，數字網絡就是0-9十個數作為一組輸出，英文網絡就是10-34共25個數字作為一組一起輸出。在英文bp網絡中，13,22 ,1中的13為輸入層神經元個數，因為在特征提取環節是采用十三特征法，輸入13組數；22為隱含層神經元個數；1為輸出層神經元個數。訓練函數我選擇量化連接梯度bp訓練函數trainscg，學習算法函數選擇learngd，這個函數是基于梯度下降法學習函數。再運用函數train就可訓練上面的bp網絡，具體如下：net=train(net,p,t);a=sim(net,p)save ywznet net這其中包括訓練函數、真結果、以及保存訓練好的bp網絡

47、。圖5.3就是數字網絡訓練過程的記錄?？梢钥匆娫谟柧毜降?549步時,神經網絡達到了預先的訓練目標10-9,所以此時網絡停止訓練。在訓練中使用了量化連接梯度bp訓練函數trainscg,收斂效果比較好。且能達到目標值。圖5.4是數字網絡訓練好后仿真的結果，能看出訓練的結果與目標值一樣，說明網絡訓練的已十分精確。圖5.3 數字網絡訓練記錄圖5.4 網絡仿真結果圖5.5 英文網絡訓練記錄圖5.6英文字符訓練結果圖5.5是用于識別英文的bp網絡訓練過程記錄,可以看到在訓練到第3669步時,神經網絡達到了預先的訓練目標10-6,在訓練中同樣使用了量化連接梯度bp訓練函數trainscg,收斂效果比較好

48、。圖5.6是英文網絡訓練后仿真的結果，可以看出結果與目標值有一點點的誤差，但也很精確了。5.4 bp神經網絡的運用在運用過程時，只需使用load函數調用已經訓練好的神經網絡，然后輸入特征量p，運用sim函數，具體程序如下：。p1= a1 b1p2= c1 d1 e1 f1 load ywznet net;a1=sim (net, p1);load shuznet net;b1=sim (net, p2);c1= a1 b1程序中p1為分割后英文字符的特征值，p2為數字字符的特征值。yznet是已訓練好的用于識別英文的bp網絡，shuznet是已訓練好的用于識別數字的bp網絡。表5.5是各車牌識

49、別結果。表5.5 各車牌運行結果待識別車牌識別結果從表5.5可以看出，仿真結果不是很理想。對7幅車牌中的42個字符識別后，正確率只有達到62%。表5.5同時也反映了很多問題，程序只能對車牌外況很好的車牌有效。一旦車牌圖片上的字符出現被放大或縮小，或字符不完整，或字符傾斜，以及圖片的清晰度不夠的話，都對識別結果有很大的影響。6 結論車輛識別系統作為智能交通系統的核心，起著舉足輕重的作用，它在高速公路、城市道路和停車場等項目管理中占有無可取代的重要地位。因此，車牌自動識別系統的研究很有實用價值。但系統的所涉及到的相關算法有一定的理論深度和開發難度。本文對傳統的圖像處理技術進行了初步的研究，包括圖像位圖讀取，圖像二值化，字符分割，提取字符特征，車牌識別等。具體在實現車牌識別算法上主要運了圖像處理技術和bp神經網絡。根據車牌自動識別系統處理環節的順序進行了相關研究工作。具體包括車牌圖像的預處理、車牌字符的分割和車牌字符的識別三大塊內容。在圖像預處理環節，主要是將原圖像二值化，得到一幅只包含0和1的數字圖像，再將車牌上的鉚釘進行去除，得到一幅干凈的圖片，再將圖片細化，減小因外圍