[神经网络,车牌,算法]一种基于BP神经网络的车牌字符识别算法
Report(车牌定位识别几种方法比较)
几种车牌定位识别方法的比较车牌识别系统是智能交通系统的一个重要组成部分，一个典型的车牌识别系统一般包括图像预处理、车牌定位与提取、字符分割和字符识别等几大模块。
其中车牌定位是车牌识别中的关键，车牌定位的成功与否直接影响是否能够进入车牌识别以及车牌识别的准确率。
目前，车牌定位的主要方法有：①基于灰度图像的车牌定位方法；②基于小波变换的车牌定位方法；③基于形态学的车牌定位方法；④基于神经网络的车牌定位方法；⑤基于支持向量机的车牌定位方法等。
这些算法，在某些特定条件下，识别效果较好。
但在恶劣条件下，综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，还不能完全满足实际应用的要求，有待进一步研究。
各种车牌定位方法的思路、方法和优缺点比较：①基于灰度图像的车牌定位方法：灰度数字图像是每个像素只有一个采样颜色的图像。
这类图像通常显示为从黑色到白色的灰度。
为了便于车牌定位，将该图像转换成二值图像，即只有黑色和白色两种颜色的图像。
此方法是应用车牌的如下特点：车牌牌照的字符和背景的对比度比较大，对应于车牌区域的水平灰度变化比较频繁；再者车牌一般挂在汽车的缓冲器上或附近，并靠近图像的下部，干扰一般比较少。
根据以上特点，使用靠近水平方向的一阶差分运算，以突出灰度变化频繁的区域. 其一阶差分运算的算式为：g(i,g)=f(i,i)-f(i,j+1)，式中，i=，2，3... m：m为图像的宽度；j=1，2 ，3…，n ：n为图像的宽度。
再对图像的水平差分图像g(x ，y) 的灰度值沿水平方向累加后做投影，可得投影图：水平方向累加后投影的算式为：T(i) = ∑n j=1 g(i,j)。
从车牌照是一个矩形这一特点, 我们可以判断它所对应的水平投影图与车牌的形状相仿，是一块较为独立的矩形区域，从水平投影图中可以看车牌位置基本对应子图中从下到上的第一个较大的波蜂，车牌投影值区域大致对应干上述波峰值上、下邻域的波谷之间所包含的投影值区域，且这两个波谷大致对称于波峰，波峰和波谷的变化率较大. 在这个过程中最重要的是确定选择哪个波峰，如果这个波峰的两个波谷之间的值的高度都大于某一个设定的值，并且两个波谷之间的宽度大致等于车牌照的高度，就认定它所确定的区域就是车牌的水平位置. 对于车牌垂直方向的定位算法：一般情况下，车牌的底色和字符的颜色的对比度很大, 而且在一个相对范围较小的范围内变化比较频繁，通过这个特征确定车牌垂直方向. 该方法对质量较高的图像有很好的定位，不过对于图像中车前和车牌附近的车辆背景过多，容易导致错误的车牌定位。
基于BP神经网络的车牌字符识别
字 符识 别方 法对 噪 声 不 敏感 ， 较 好 的稳 定 性． 有 但 当字符 出现 断裂 、 分缺 失 时 ， 部 识别效 果 不理 想 ．
＊ 收稿 日期 ： ０ ０ １ － ６ ２ １ — １０ 基金 项 目 ：０ ８年 宿 迁 学 院 科 研 基 金 项 目 ２０ 作者简介 ： 沈 洋 （ ９ ９） 男 ， 苏 宿迁 人 ， 教 ． １７一， 江 助
定 位 ， 符 分割 与字 符 识别 。 字
所谓 字 符识 别 即是 使 用 模 式 识 别 的技 术 在 前 面 定位 的 车 牌 图 像 中 准 确 的 识 别 出 车 牌 号 码 ， 当 前 ， 究 者对 字符 识 别 主要 采用 模 板 匹 配法 ［ 、 研 １ 统 ］
间 ， 训练 好 的神 经 网 络 可 以 很 有 效 的用 于识 别 但 字 符． 目前 ， 出并 应用 于 模 式识 别 领 域 的神 经 网 提 络模 型 己 有 近 百 种 ， 中应 用 广 泛 且 识 别 效 率 较 其 好 的有 ： Ｐ网 络 ， ｐｉｌ Ｂ Ｈｏ ｆ ｄ网络 ， ｅ ＡＲＴ 网络 等． 而 在这 些 网络 之 中 Ｂ Ｐ神 经 网络 因为 具 有 较 好 的 自 学 习能力 、 大 的分类 能 力 和 容错 能力 ， 使 用 最 强 故
为广 泛．
计模 式识 别 法［ 等 几 种识 别 方法 ． ２ ］
１ １ 符 特 征 与 图 像 库 中 的 字 符特 征相 匹配 ， 符 相 似 度 最 高 的 即 为识 别 结 果 ． 字
这 种识 别 方法 简单 、 速 ， 规 整 字 符 的识 别 率 比 快 对 较 高 ， 在 字符 变形 等 情况 下 ， 别能 力有 限． ． 但 识
智能交通系统中的车牌识别算法及其实现
智能交通系统中的车牌识别算法及其实现智能交通系统已经成为现代城市交通管理的重要组成部分，为了实现交通的智能化和高效化，车牌识别技术作为其中的重要一环发挥着关键作用。
本文将介绍智能交通系统中常用的车牌识别算法及其实现方式，以帮助读者了解车牌识别技术的原理和应用。
一、车牌识别算法的原理车牌识别算法主要是将车牌图像进行处理、分割和字符识别等步骤，以得到正确的车牌信息。
以下是车牌识别算法中常用的一些原理：1. 图像预处理：对车牌图像进行去噪、增强和灰度化等处理，以提高图像的质量和模糊度，为后续的处理步骤提供更好的输入。
2. 车牌定位：通过图像处理技术和特征提取，将含有车牌的区域从整个图像中定位出来。
常用的方法包括边缘检测、颜色分割和形态学处理等。
3. 字符分割：将定位到的车牌进行字符分割，将每个字符分离出来，以便后续的字符识别。
字符分割是车牌识别算法中最关键的一步，通常需要通过统计特征、边缘检测和投影法来实现。
4. 字符识别：对分割出来的每个字符进行特征提取和模式识别，以识别出每个字符的内容。
常用的方法包括模板匹配、神经网络和支持向量机等。
二、基于深度学习的车牌识别算法实现近年来，基于深度学习的车牌识别算法在智能交通系统中得到了广泛应用。
以下是基于深度学习的车牌识别算法实现的一般步骤：1. 数据集准备：收集大量标注的车牌图像，并进行数据清洗和预处理，以确保训练模型的数据质量和多样性。
2. 模型选择：选择合适的深度学习模型，如卷积神经网络（CNN）或循环神经网络（RNN），用于车牌识别任务。
3. 模型训练：使用准备好的数据集对深度学习模型进行训练，通过反向传播算法不断优化模型参数，以提高识别准确率。
4. 模型评估：使用另外一组独立的测试数据对训练好的模型进行评估，统计准确率、召回率和F1-score等指标，以评估模型的性能。
5. 模型部署：将训练好的模型部署到智能交通系统中，对实时图像进行车牌识别。
可以使用GPU等硬件加速技术，以提高实时性能。
一种基于特征的BP神经网络车牌字符识别
二 值化 的关键在 于 阈值 的确 定 ． 文采用 自适 本 应 阈值 法－ ， ４ 基本思 想是 ： Ｊ 计算 图像 的各灰 度分 布 ， 分为 目标 和背 景两部 分进 行多 次迭代求 出 阈值 ． Ｔ＝ １ ｛ ｎｆ ， ） ／ ｍｉＥ（ ｙ ］＋ｍ ｘｆ ， ） ｝ ２ ａＣ（ Ｙ ］
．
其 中
， ２
∑ ∑ Ｇ（＋ｋ ＋ ） ：ｉ ， ｚ ｊ
①
收 稿 日期 ＂０ ９ ９ ３ － ０ —０ —２ ２ 基金项 目： 校级 自然科学类 重点资助科研项 目（懈 ｘ ２ ） ２ Ｓ８ ． 作者简 介： 马晓娟 （９ ３ ， ， １８ 一）女 甘肃 白银人， 贵州 民族学院 。 硕士．
１ 水平 或 竖直方 向的投影 ）
ｗ２ ｆ
＝
∑ ∑ （ ｋ ＋ ） （＋ ， ｚ （＋ ， ｚ× ｋ ＋ ） ｊ ｊ ）
其 中 ， 为 自适应 阈值 ， （ ，） ｉ＿ 和 （ ，） 个像 『 ｉ 每 Ｊ 素点 （ ，）的梯度 ， ｉＪ 符号 Ｕ 为取 整 ． 如 果 ＋ 小 于等 于 ， 梯度值 接近 Ｏ 则说 ， 明这个 块没 有边缘 ， 方 向不 用倾斜 校正 ． 该 Ｊ 图 Ｋ３ 为采用方 向场方 法校正车牌后的图像 ． ）
需要我 们开展进 一 步深入 的研究 工作 ． 于易受 光 对
字符分 割之前 要对 车牌 图像 进行倾 斜校 正 ． 车 牌 水平倾 斜角 度一般 不会超 过 ［ ０，０］可根据 一２￣２￣ ，
方 向场 ［ 找到倾 斜方 向进行 图像校 正 ． ６ 定 义一个 大小 为 Ｋ ＸＬ的方 向场 图像 Ｄ（ ，） ｉ＿ ， 『
『 （ 【 Ｌ ×
一
＋）ｉ， Ｔ 专Ｊ ＋ Ｇ ｆ ，
ｌ ｉＧ．＋ ｆ． ≤ Ｔ
车牌识别算法原理
车牌识别算法原理
车牌识别算法的原理大致可以分为以下几个步骤：
1. 图像预处理：将原始图像进行灰度化、二值化、去噪等操作，得到能够进行后续处理的图像。
2. 车牌定位：利用图像处理技术将车牌从图像中定位出来。
常用的技术包括边缘检测、色彩定位、形状分析等。
3. 车牌字符分割：将定位到的车牌图像分割成独立的字符图像，常用的技术包括投影法、边缘分割法、基于颜色的分割法等。
4. 字符识别：利用机器学习算法或人工神经网络等技术，对车牌上的字符进行识别。
常用的算法包括支持向量机（SVM）、卷积神经网络（CNN）等。
5. 最终校验：将识别出来的车牌号码与数据库中的车牌号码进行匹配校验，确保识别结果的准确性。
以上就是车牌识别算法的基本原理，不同的算法可能会注重不同的环节和技术手段，但总体上都会按照这个基本流程进行处理。
模板匹配和神经网络法用于车牌识别的比较研究
０ 引 言
乍牌 识 别 Ｌ Ｐ Ｒ （ Ｌ ｉ ｃ ｅ ｎ ｓ ｅ Ｐ ｌ ａ ｔ ｅ Ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ） 是 智 能 交 通 管 理 系 统 的核 心 组 成 部 分 ，通 过 车 牌 自动 识 别系 统 ，可 以 实 现 对 车 辆 的 自动 监 控 ， 流 量 监控 ，验 证 ， 登记 以及 报 警 等 功 能 ， 从而 给 交通 管 理 系 统 带 来 了极 大 方 便 Ⅲ。因 此 ， 牌 识别 系 统 的实 现 是 推 进 交 通 管 理 智 能化 的重 要 课 题 之
微 型 电脑 应 用
２ ０ １ ３年 第 ２ ９卷第 ９期
模板 匹配和神经 网络法用于车牌识别 的 符 识 别 是 智 能 交 通 系 统 的核 心 内 容。 对 车 牌 字 符 识 别 的 两种 重要 方 法 ， 即模 板 匹 配 法和 神 经 网络 法 进行 研 究
Ｍｉ ｃ ｒ ０ ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ Ｖ ｏ ｉ ． ２ ９ ， Ｎ ｏ ． ９ ， ２ ０ １ ３
文 章 编号 ： １ ０ ０ ７ — ７ ５ ７ Ｘ（ ２ ０ １ ３ ） ９ — ０ ０ ０ ６ — ０ ３
研 究与 设计
ｆ ｏ ｒ ｍｅ ｄ ｔ ｈ ｅ ｍ ｉ ｎ Ｍａ ｔ ｌ ａ ｂ ｐ ｌ ａ ｔ ｆ ｏ ｍ ． ｒ Ｔ ｈ ｅ ｓ ｉ ｍｕ ｌ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗｅ ｄ ｔ ｈ ｅ ｅ ｉｃ ｆ ｉ ｅ ｎ ｃ ｙ ｏ ｆ Ｔ ＭＭ ａ ｎ ｄ Ｎ ＮＭ． Ｆ ｉ ｎ ａ ｌ ｌ ｙ ， ｓ ｏ ｍｅ ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ — ｃ ｌ ｕ ｓ ｉ ｏ ｎ ｓ ａ ｒ ｅ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ｂ ｙ ｃ ｏ ｍｐ ａ ｒ ｉ ｎ ｇ ｔ ｈ ｅ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｓ ａ ｎ ｄ ｄ ｉ ｓ ａ ｄ ｖ ａ ｎ ｔ ａ ｇ ｅ ｓ ｏ ｆ Ｔ ＭＭ ａ ｎ ｄ Ｎ ＮＭ．
基于神经网络的车牌识别算法研究的开题报告
基于神经网络的车牌识别算法研究的开题报告一、研究背景车辆是现代社会生活的常见交通工具，车牌是车辆的重要标识符，其内容包括车牌前缀、省份简称、数字和字母等信息。
车牌识别技术是智能交通系统中的一项关键技术，其应用范围广泛，如：交通安全管理、道路缉查、停车场管理等。
因此，车牌识别技术的研究和应用对于提高交通安全、减少交通拥堵、改善城市交通管理等方面有着重要的意义。
目前，车牌识别技术的发展非常迅速，主要有基于图像处理、机器学习、深度学习等方法。
传统的车牌识别方法主要基于图像处理，包括图像预处理、特征提取和分类识别等步骤。
其主要难点在于在复杂场景下的车牌定位和车牌字符分割。
近年来，随着深度学习技术的发展，基于深度学习的车牌识别方法逐渐成为新的研究热点。
基于深度学习的车牌识别方法主要包括卷积神经网络（CNN）和循环神经网络（RNN）等。
相对于传统的车牌识别方法，基于深度学习的车牌识别方法有着更高的准确度和鲁棒性。
因此，本研究将主要基于神经网络算法，研究车牌的定位、字符分割和识别等关键技术，以期提高车牌识别的准确率和鲁棒性，实现在复杂路况下的车牌识别，为交通安全管理和城市交通管理等领域提供技术支持和保障。
二、研究内容本研究的主要内容包括：1.研究车牌定位方法。
针对复杂的车牌定位场景，采用基于卷积神经网络的车牌定位算法，对车牌进行准确定位。
2.研究车牌字符分割方法。
以车牌定位结果为基础，对车牌图像进行分割，分离单个字符。
3.研究车牌识别方法。
采用基于卷积神经网络的字符识别算法，对字符进行准确识别，并最终实现对整个车牌的识别。
4.实现算法的优化。
通过实验分析，对算法进行优化和改进，提高算法的鲁棒性和精度。
同时，还将探索算法的实时性，以满足实际应用中的实时性要求。
三、研究方法1.基础算法：深度学习（卷积神经网络、循环神经网络等）2.编程语言：Python3.数据集：采用公开数据集，包括车牌定位数据集、字符分割数据集和字符识别数据集。
车牌字符识别的三种算法的比对
摘要摘要车牌识别技术是智能交通系统中的重要组成部分，它在违章抓拍，不停车收费，停车场管理以及重要场所过往车辆的实时登记等方面都有重要的作用。
论文从车牌字符识别的理论出发，基于MATLAB语言对现有的模板匹配，神经网络，基于向量机（SVM）等方法在字符识别过程中的优缺点以及识别率进行系统的研究。
论文的主要工作如下：1.针对车牌图片的预处理包括去噪，增强，分割，提取字符等等；2.构建模板匹配，神经网络，基于向量机（SVM）字符识别的相关测试数据；3.分别实现模板匹配字符识别算法，神经网络字符识别算法，基于向量机（SVM）字符识别算法，并做相应识别率的实验，将三者的实验结果进行比对；4.基于MATLAB GUI做三种算法系统的界面。
关键词：车牌识别模板匹配神经网络向量机识别率ABSTRACTABSTRACTLicense plate recognition technology is the intelligent transportation system an important part of it illegal to capture, no parking, parking management, and an important place in the past, real-time vehicle registration and other aspects important role. Papers from the license plate character recognition theory, MATLAB language based on the existing template matching, neural network, based on vector machines (SVM) and other methods in the process of character recognition and the recognition rate of the advantages and disadvantages of the system. The main work is as follows:1.Pre-treatment, including the license plate image denoising, enhancement,segmentation, extraction of character, etc.2.Construction of template matching, neural network, based on the vectormachine (SVM) test data related to character recognition;3.Respectively, to achieve template matching algorithm for character recognition,neural network character recognition algorithm based on vector machines (SVM) algorithm for character recognition, and recognition rate accordingly experiment, the three sides to compare the experimental results;4.Do three algorithms based on MATLAB GUI interface of the system.Keywords: License Plate Recognition Template matching Neural network Vector Recognition rate目录 i目录第一章序言 (1)1.1课题研究背景以及意义 (1)1.2本文主要的研究内容 (1)第二章车牌图像的预处理 (5)2.1图像的平滑处理 (5)2.1.1 平滑处理的理论 (5)2.1.2 平滑处理的实现 (6)2.2图像的二值化处理 (7)2.2.1 二值化处理的理论 (7)2.2.2 二值化处理的实现 (7)2.3二值图像的形态学运算 (8)2.3.1形态学运算的理论 (8)2.4对字符进行分割 (10)2.4.1 字符分割的理论 (10)2.4.2 字符分割的实现 (11)第三章基于模板匹配算法的车牌字符识别算法 (13)3.1模板匹配算法的理论背景 (13)3.2模板匹配算法的实现及识别率的研究 (16)3.3本章小结 (19)第四章基于神经网络算法的车牌字符识别算法 (21)4.1神经网络算法的理论背景 (21)4.2神经网络算法的实现及识别率的研究 (27)4．3本章小结 (33)第五章基于向量机（SVM）算法的车牌字符识别算法 (35)5.1向量机（SVM）算法的理论背景 (35)ii 目录5.1.1 SVM的基本原理 (35)5.1.2 SVM中核函数的选择 (35)5.1.3 SVM的多类决策问题 (36)5.1.4 SVM算法描述 (38)5.2向量机（SVM）算法的实现以及识别率的研究 (39)5.2.1 车牌字符图像的预处理 (39)5.2.2 车牌字符特征的选取 (39)5.2.3 车牌字符SVM的构造 (39)5.2.3 实验过程中相关函数及参数的选定 (40)5.2.4 实验过程中的相关结果 (41)5.3本章小结 (43)第六章总结与展望 (45)致谢 (47)参考文献 (49)第一章序言 1第一章序言1.1课题研究背景以及意义目前，我国的经济正在飞速的发展，综合实力也在与日俱增，城市化进程也在加快，国内各大城市交通管理能力将面临重大考验。
基于BP神经网络算法的车牌字符识别系统设计（精品）
[：j型蜒曰墅霹麓………。
文章编号：1002—8692(2008)S1-0140—03基于B P神经网络算法的车牌字符识别系统设计张玲，张呜明，何伟(重庆大学通信工程学院，重庆400030)·实用设计·【摘要】构建车牌字符识别系统，并对系统中B P网络反传学习速率进行改进，提高了识别率并降低学习时间；在特征提取上针对汉字综合采用非均匀网格特征和外围特征提取法，字母与数字采用均匀粗网格特征加笔划密度特征提取法。
优化了系统的识别精度并提高了识别速度。
采用B P算法增强了车牌识别的容错性、鲁棒性。
【关键词】车牌识别；B P算法；特征提取；神经网络；字符识别【中图分类号】TP391．41【文献标识码】AD es i gn of L i cens e Pl at e C ha r act er R ecogn i t i on Syst e m B a se d o n B P N e ur a l N et w or kZ H A N G L i n g,Z H A N G M i ng-m i ng,H E W e i(Co l l ege of C om m uni c at i on E ng i neer i ng,C ho ngqi ng U ni ve rs饥C hongqi ng400030,C hi na)【A bs t ra ct】A l i cens e pl at e cha r act er r ecogni t i on sys t em i s con st r uc t ed，a nd t he r ecogni t i on r a te i s i m pr o ved。
Lear ni n g t i m e i s als o de cr ea sed by i m pr ov i ng t he B ack Propagat i on(B P)net w ork．O n t he f eat ur e ext r act i on，C h i nese char act er s non—uni f orm鲥d 。
基于BP神经网络的车牌识别系统
辽 宁 科 技 大 学 学 报
第３ ３卷
（ ）二 值化 处理 将 灰度 图像 转化 为二值 化 图像 ， 用全 局 动 态二 值 化方 法 中 的经 典算 法 Ｏｔｕ ２ 采 ｓ 算法吲 。基本 思想 是 ： 取一 个 阈值 Ｔ， 图像 像 素按灰 度 大小分 为 大于等 于 Ｔ 和小 于 Ｔ 两类 ， 出两类 将 求 像素 的类 间方差 和 两个 类各 自的类 内方 差 ， 出使 两个 方差 比值 最 大 的阈值 ｔ该 阈值 即为 二值 化 图像 找 ， 的最佳 阈值 。 二值 化 图像 见图 ２。
图 ２ 车牌 图 像 的 二 值 化
Ｆｉ ２ Ｉ ａ ｅ ｂｉ ｒｚ ｔｏ ｆｌｃ ｎｓ ａ ｅ ｇ． ｍ ｇ ｎａ ｉａ ｉｎ ｏ ｉｅ ｅ ｐｌｔ
图 ３ Ｓ ｂｌ 子 边 缘 检 测 结 果 ｏｅ 算
Ｆｉ．３ Ｅｄｇ ｔ ｃ ｉ ｅ ｕ ｔｏ ｂｅ ｅｒ ｔ ｒ ｇ ｅ ｄｅ ｅ ｔｎｇ ｒ ｓ ｌ ｆＳｏ ｌｏｐ ａ ｏ
１ ２ 车牌 定 位 ．
车牌 部分 主要 是字符 ， 牌边 缘 由一组 连接 的像 素构成 ， 于灰 度变 化 的区域 。有 很多 方法 可 以检 车 处 测边 缘 ， 中边 缘检 测方 法最 为 常用 ］ 其 。本 文 用 Ｓ ｂ ｌ ｏ ｅ 算子 来 处 理 图像 ， 能起 到 很 好 的 降低 噪 声 的 作 用 。Ｓ ｂ ｌ 缘算 子 的模板 是 两个 ３ ｏ ｅ边 ×３的卷 积核 。图像 中每个 点 都 用这 两 个核 作 卷积 运 算 ， 中一个 其 核对垂 直边 缘 响应最 大 ， 另一个 核 对水平 边缘 响应 最大 。以两个 卷积 的最 大值作 为 该 的输 出值 。 经 过 Ｓ ｂｌ ｏ ｅ 算子 处 理过 的边缘 图像 见 图 ３ 。 由图 ３可见 ， 车牌 区域 内字符 按 一定 间 隔排 列 ， 字符 有 确定 的宽 度 和高 度 ， 以利用 这 个 特征 扫描 可
基于PCA和BP神经网络算法的车牌字符识别
分分析法对原始样本数据进行分类， 然后 由Ｂ Ｐ神经 网络法对拒识样本进行识别。研 究结果 表明， 与传统的单一识别方法相 比， 提高 了识别正确率， 减少 了训练 时间。
关键 词 ： 主成分 分析 （ Ｃ ；Ｐ神 经 网络 ； Ｐ Ａ） Ｂ 字符识 别
中图分类 号 ： Ｐ ５ Ｔ７１ 文献标 识码 ： Ａ
Ｋｅ ｏ ｄ ：ｒ ｃ ａ ｃｍ ｏｅｔ ａ ｓ Ｐ Ａ） Ｂ ｅ ａ ｎｔｏｋ ｃａａｔ ｃｇｉｏ ｙｗ ｒｓ ｐ ｎ ｉ ｏ ｐｎｎ ｌ ｉ Ｃ ； Ｐ ｎｕｌ ｅ ｒ ；ｈｒｃ ｒ ｅｏｎ ｉ ｉ ｐ ｌ ｎ ａ ｙ ｓ（ ｒ ｗ ｅｒ ｔｎ
Ｂ Ｐ神 经 网络是 目前 应 用 较 多 的一 种 目标 分 类 器 。利 用其 对 目标 进行 分类 ， 前 端输 人 太 多 的样 若
基 于 Ｐ Ａ和 Ｂ Ｃ Ｐ神 经 网络 算 法 的车 牌字 符 识 别
闫雪梅， 王晓华， 夏兴高
（ 北京理工大学信息科学技术学院电子工程 系， 北京 １０ ８ ） ００ １
摘 要 ： 文章采 用 了双重 Ｐ Ａ算 法链接 Ｂ Ｃ Ｐ神 经 网络 的方 法对 车 牌 字 符进 行 识别 。先 由主 成
其中， 是特征向量矩阵； 是样本均值； ｃ 目标 Ⅳ是 类别的数 目； 表示 ｋ 目 类 标的训练图像数。
基 金项 目： 国家 自然科学基 金资助项 目（０ ７ １０ 。 ６ ４ ２ １ ） 作者简介 ： 闷雪梅 （９ ６一） 女， １６ ， 讲师 ， 究方 向为图像 处理与 研 模式识别 。Ｅ ｍ ｉ ｘ ｙ ｍ ｙｎ ｉ ．ｏ — ａ ： ｍ ｍ ａ＠ｓ ａｃｒ ｌｍ ｎ ｎ 收 稿 日期 ：０ ７０ － 修 订 日期 ：０ ７０ －９ ２ ０ －４０ ４； ２０ －４０
基于卷积神经网络的中国车牌自动识别方法设计与实现-毕业论文
---文档均为word文档，下载后可直接编辑使用亦可打印--- Abstract (2)第一章绪论 (3)1.1研究意义 (3)1.2 国内外研究现状 (3)1.2.1 卷积神经网络研究现状 (3)1.2.2 定位算法研究现状 (4)1.2.3 识别算法研究现状 (4)1.3 研究内容和结构安排 (4)1.4 人工神经网络 (5)1.5卷积神经网络 (6)1.5.1 卷积神经网络简介 (6)1.5.1 卷积神经网络的优点 (7)1.6车牌识别系统 (7)第二章定位算法 (9)2.1 车牌的采集和预处理 (9)2.2 车牌特征以及位置选定 (11)2.2.1 Roberts算子边缘检测 (11)2.2.2 定位车牌大致位置 (12)2.2.3 精确定位车牌 (16)第三章分割算法 (18)3.1 预处理 (18)3.2 固定分割 (18)3.3 字符归一化 (19)第四章基于卷积神经网络的车牌识别算法 (20)4.1 卷积神经网络 (20)4.1.1卷积神经网络的前向传播 (20)4.1.2卷积神经网络的反向传播 (21)4.2 网络训练与测试 (21)4.2.1 网络结构 (21)4.2.2 网络参数调整 (22)4.3 车牌识别 (26)第五章总结与期望 (28)参考文献 (29)致谢 (30)摘要本论文主要是基于卷积神经网络的中国车牌自动识别算法的设计与实现。
构建卷积神经网络来进行识别是一种稳定可靠的方法，能够有很高的识别精准度，因此得到了较为广泛的应用。
本论文用边缘检测的定位方法大致定位出车辆车牌的位置，再用蓝点扫描截取图像的方式定位出车牌，然后将车牌的固定位置分割，截取出车牌中的七个字符，最后将七个字符输入到训练好的卷积神经网络当中进行识别。
本论文按照这样的方法，用了三个章节分别表达了定位、分割以及识别。
在测试过程中，定位算法测试的100张车牌均能准确定位，识别算法在50张车牌测试中，350个字符能够准确识别302个字符。
基于BP神经网络的车牌字符识别
试验结果进行分析 、验证 ，才能得到～个较好的确定值。以下是
车牌字符 的识别
车牌 字符经 过 一系 列的处 理后 ，终 于到 了车牌 字符 识 别系统 的最 后一 步了 ，即车牌 字符 的识 别 。这一 步也 是本 论 文 中计算 量
造 更可靠 的分类 规则 。
个神经网络一汉字网络 、字母 网络以及数字网络来实现对字符的
分 类 ，如 图６ 所示 。
本论文采用了Ｋ — Ｌ 算法对字符进行特征的提取 。Ｋ — Ｌ 算法是
一
种相 对 容 易 实 现 和 理 解 的分 析 手 段 ，它 的 目的 是 将字 符 的 高
图６ 字符分 类器 的流 程 图
４ 、根 据 Ａ的公 式 一定 可 以 找到 Ａ的Ⅳ 一 １ 个 特 征 向量 以 及 它
５ 、根 据得 到的 特征 值从 大 到小将 该 组特 征 向量 排 序 ，将 前Ｔ １ 个特 征 向量单 位化 ，以便 组成一 个变 换矩 阵 ｙ 。
的网络复杂度也大大增加了。鉴于本论文是对小类别的车牌字符 的识别，所以选取了三层的Ｂ Ｐ 网络对字符进行训练 ，即仅合一个
技术 ＜ Ｔ Ｅ Ｃ Ｈ Ｎ Ｏ Ｌ Ｏ Ｇ Ｙ
已经 有 了很多 字符 识别 ｆ ； 勺 方 法 ，本章 主要是 基于 Ｂ Ｐ 神 经 网络 算法
潮 圜 圈 图 圜 圜 窟 团
图５ 归一 化后整 齐 的车牌 字符 图像
对 车牌字 符的 识别 。
基于Ｂ Ｐ 神经网络的车牌字符识别算法则是目前比较流行的算
法 。首先 进 行分 类 器 的设 计 ，由于标 准 车牌 共 有７ 位 字符 ，分别 是 汉 字 、字母 和 数 字 ，因 此在 车牌 字 符识 别 系统 中 ，分 别 设计 ３
BP神经网络方法对车牌照字符的识别 精品
第一章概述1.1 基本概念随着21世纪经济全球化和信息时代的到来，计算机技术、通信技术和计算机网络技术迅猛发展，自动化的信息处理能力和水平不断提高，并在人们社会活动和生活的各个领域得到广泛应用。
高速度、高效率的生活节奏，使汽车普及成为必然趋势，交通管理自动化越来越成为亟待解决的问题。
在这种情况下，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。
目前指纹识别、视网膜识别技术已经到了实用阶段；声音识别技术发展也相当快，而对汽车牌照等相关信息的自动采集和管理对于交通车辆管理、园区车辆管理、停车场管理、交警稽查等方面有着十分重要的意义，成为信息处理技术的一项重要研究课题。
车辆牌照识别（License Plate Recognition, LPR）技术作为交通管理自动化的重要手段，其任务是分析、处理汽车监控图像，自动识别汽车牌号，并进行相关智能化数据库管理。
LPR系统可以广泛应用于高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理、公路稽查、监测黑牌机动车、监控违章车辆的电子警察等需要车牌认证的重要场合，尤其在高速公路收费系统中，实现不停车收费技术可提高公路系统的运行效率，LPR系统更具有不可替代的作用，因而对LPR车牌识别技术的研究和应用系统开发具有重要的现实意义。
LPR系统中的两个关键子系统是车牌定位系统和车牌字符分割识别系统。
关于车牌识别技术及定位系统研究，国内外学者已经作了大量工作，但实际效果并不理想，对辅助光源要求高，很难有效解决复杂背景下多车牌识别的技术难题，如：车牌图像的倾斜、车牌表面污秽或磨损、光线干扰等都会影响定位的准确性。
传统车牌识别一般仅支持单一车辆，背景比较简单。
而当今许多实际应用场合，如在繁忙交通路口临时对欠税费报废挂失等车辆的稽查，则监视区域比较复杂，现有识别方法无法直接应用，一般同时出现多辆汽车，背景有广告牌、树木、建筑物、斑马线以及各种背景文字等。
基于神经网络的车牌字符识别算法研究
交 通 监 控 领 域 中 占 有 重 要 的 地 位 。 一 个 典 型 的 车 牌 自 动 识 别
（ Ｃｅｎｓ Ｐ ａ ｅ Ｒｅｃｏｇｎｉｔｉ Ｌｉ ｅ ｌｔ ０ｎ，
２ ２ 图象 预 处 理 ．
在 以 各 种 手 段 和 光 波 段 取 得 的 图 像 （ 为 原 始 图 像 ）由 于 受 称 到种 种 条 件 的 限 制 和 随 机 干 扰 ，
…
。
往 往 要 用 图 像 处 理 技 术 对 取 得 的
图 像 作 预 处 理 。 其 主 要 目 的 是 消 除 图 像 中 的 无 关 信 息 ， 恢 复 有 用 的 真 实 信 息 ， 增 强 有 关 信 息 的 可 检 测 性 和 最 大 限 度 地 简 化 数 据 ，
从 而 改 进 检 测 和 识 别 的可 靠 性 ，
●
● ●
●
●
中 图 分 类 号 ：Ｐ ９ Ｔ３ １
文 献 标 识 码 ： Ａ
文 章 编 号 ：０ ３ ０ ０ （０ ７ ０ － ０ ４ ０ １ ０－１ ７２ ０）６ ００— ２
Ａ ｂｓｔｒ ａｃｔ： ｍ ｅｔ Ａ ｈｏｄ ｏｆ Ｌｉ ｅｎｓｅ Ｐｌ ｔ ｃ ａ ｅ Ｒｅｃｏｇｎｉｉ ｕｓｉ ｎ ｔｏｎ ｎｇ ｅｕｒ ａｌｎｅｔ ｏｒ ｓ ｐｒ ｗ ｋ ｉ ｅｓｅｎｔ ｅｄ．Ｔｈｅ ｍ ｅｔ ｈｏｄ ａｒｉ ｃ ｒｅｓ ｏｎ ｔ ｘｐｅｒｍ ｅｎｔｔ ｔ ｌｃ ｈｅ ｅ ｉ ｏ ｈｅ ｉ ｅｎｓｅ ｐｌ ｅ ｍ ａｇｅ．Ｓｅｌ ｉ ｇ ａｒ ｔ ｅａｔ ｅｓ．ｔａｉ ｈｅ ｅｆｅｃ ｉ ｅ ｌ ｓｉ ｅｒｗ ｉ ａｔ ｉ ｅｃｔｎ ｃｈ ａｃ ｅｒｆ ｕｒ ｒ ｎｓ ｔ ｆ ｔｖ ｃ ａｓ ｆ ｔ ｉ ｈ ｆ ｔ ｅｓ，ｓｉ ｕｌ ｅｓ ｔ ｅ ｅａ ｕｒ ｍ ａｔ ｈｅ ｒ ｃｏｇｎｉｉ ｉ ｕｓ ｏ ＡＴＬ Ｂ，ｔ ｅｓｕ ｔｏｆ ｓｉ ｕｌ ｉ ｎｄｉａｔ ｈａｔｔ ｔｏｎ ｎ ｅ ｆ Ｍ Ａ ｈｅ ｒ ｌ ｍ ａｔ ｏｎ ｉ ｃ ｅｄ ｔ ｈｅ ｅｔ ｍ ｈｏｄ ｏｆ ｔ ｓ ｐａｐ ｏｐｏｓ ｈｉ ｅｒｐｒ ｅｄ ｈａｓ ｔ ｏｄ ｅ ｅｃｔ ｈｅ ｇｏ ｆ Ｋｅｙ ｏｒ ｗ ｄｓ： ｃ Ｌｉ ｅｎｓ Ｐｌ ｅ ｃｏｇｎｉｉ Ｃｈａｒ ｔ ｅｃ ｅ ａｔ Ｒｅ ｔ ｏｎ； ａｃ ｅｒ ｒ ｏｇｎｉｉ Ｃ ｈ ａｃ ｅｒｓ ｉ ｈ ｔｏｎ； ａｒ ｔ ｉ ｔｃ Ｃ ｏｏｓ ｎ Ｎｅｕｒ ｉ ｇ； ａｌｎｅｔ ｗｏｒ ｋ
基于图像识别的车牌自动识别技术研究与实现
基于图像识别的车牌自动识别技术研究与实现摘要：随着交通工具的快速发展和普及，车辆数量的增加导致了交通管理的挑战。
车牌自动识别技术作为一种有效的交通管理手段，受到越来越多的关注。
本文旨在研究和实现基于图像识别的车牌自动识别技术，通过分析和概述相关研究成果，设计和实现一个完整的车牌自动识别系统。
1.引言随着车辆数量的快速增加，交通事故和交通堵塞问题日益严重。
车牌自动识别技术被广泛应用于交通管理、车辆监控、停车场管理等领域，实现对车辆行为和流量的监测与管理。
该技术通过图像识别算法和机器学习方法，能够自动识别和提取车辆的车牌信息。
2.车牌自动识别技术的研究进展车牌自动识别技术的发展经历了几个阶段。
早期的车牌识别技术主要基于传统图像处理算法，如颜色分割、字符分割和字符识别等。
然而，这些方法在复杂背景、光照变化和字符模糊等情况下容易出现误识别。
近年来，随着深度学习算法的兴起，基于卷积神经网络（CNN）的车牌自动识别技术取得了显著的进展。
通过使用深度学习算法，可以有效地提高车牌识别的准确度和鲁棒性。
3.基于图像识别的车牌自动识别技术原理基于图像识别的车牌自动识别技术主要包括以下几个步骤：车牌定位、车牌字符分割和字符识别。
首先，通过图像处理技术，对输入图像进行预处理，包括去除噪声、调整对比度和亮度等。
然后，使用特征提取算法和机器学习方法，对车牌进行定位，将车牌从图像中分割出来。
接下来，对分割得到的车牌进行字符分割，将每个字符分离出来。
最后，通过字符识别算法，对每个字符进行识别，得到完整的车牌号码。
4.基于图像识别的车牌自动识别技术实现为了实现基于图像识别的车牌自动识别技术，需要搭建一个完整的车牌自动识别系统。
系统的核心是图像识别算法模块，包括车牌定位、字符分割和字符识别。
在车牌定位模块中，可以使用基于颜色特征或形状特征的方法来实现车牌的定位。
在字符分割模块中，可以使用基于连通域或基于卷积神经网络的方法来实现字符的分割。
基于两级BP神经网络的机动车车标识别
基于两级BP神经网络的机动车车标识别摘要:本文描述一种基于两级BP神经网络的机动车车标识别算法,该算法对车标识别中的多分类问题提出一种解决方案。
根据车牌和车标在位置和尺寸之间的关联,文中利用车牌信息,确定车标的候选区域,然后利用形态学和连通域分析(CCA)定位车标。
最后使用两级BP神经网络:预测网络和验证网络完成车标识别的目的。
文中以两类车标为例,通过实验表明该算法具有较高的识别率和较低的错误率。
关键词:机动车标识识别1 车标定位目前车牌定位的方法已经比较成熟,而车标的位置、尺寸都和车牌有很大关联,所以可以借助车牌提高车标定位的效率。
假设车牌的宽度为W,则从车牌上边缘向上取一个边长为W的正方形区域,作为车标搜索区域。
已知车标候选区域,参考[3],利用形态学和联通区域分析(CCA),排除干扰,提取候选车标目标,具体操作如下:(1)在水平方向做形态学闭运算,结果图记为Fc,原图记为Fr;(2)应用top-hat,增强车标目标,结果图记为Ft=Fc-Fr;(3)应用OTSU分割,获得车标候选区域掩图;(4)利用形态学优化目标形状,排除噪声干扰;(5)做连通区域分析(CCA),利用车标-车牌位置尺寸的先验知识排除错误:①车标宽度和高度小于1.5倍车牌高度,大于0.5倍的车牌高度。
②车标中心位置应该在车牌竖直中心线附近。
2 基于BP神经网络的车标识别车标识别包括识别和判定两个过程,单个BP神经网络虽然也可以一次性完成两个过程,但是这样网络的复杂度将会很高,可能会出现发散的问题。
为了降低网络复杂度,提高识别准确度,本文采用两级BP 神经网络来完成车标的识别过程:类型预测网络和类型校验网络。
2.1 车标类型预测网络车标类型预测网络的目的是对车标类型进行预测,把输入的目标分发给置信度最高的类型对应的校验网络。
预测网络包括输入层、隐层和输出层三个层次,每层节数目依次是1024,128和2。
考虑到噪声和光照的影响,定位到的车标候选目标在输入网络前需要经过高斯平滑、直方图均衡化处理,然后后缩放到32X32,再按行展开形成1024维的输入向量。
车牌识别毕业论文
摘要车牌自动识别技术是实现智能交通系统的关键技术，对我国交通事业的发展起着十分重要的作用，进而影响我国的经济发展速度及人们的生活质量。
车牌识别系统运用模式识别、人工智能技术，能够实时准确地自动识别出车牌的数字、字母及汉字字符，进而实现电脑化监控和管理车辆。
一个车牌识别系统的基本硬件配置有照明装置、摄像机、主控机、采集卡等。
而软件则是由具有车牌识别功能的图像分析和处理软件，以及能够具体满足应用需求的后台管理软件组成。
车牌自动识别系统主要分为图像预处理、车牌定位、字符分割和字符识别等主要模块,也包括后续应用程序的开发。
针对不同的模块,本文研究分析了现有的理论算法,并提出了具有实际应用意义的解决方案。
1.在图像预处理模块,因为人眼对于不同颜色分量的敏感度不同,图像灰度化采用加权平均值法；二值化过程中阈值的选取至关重要,本文采用动态自适应阈值法,效果理想；边缘提取利用了拉普拉斯算子;去噪过程采用的是中值滤波方法；2.车牌定位模块包括粗定位和细定位,本文通过分析车牌的尺寸、类型、颜色,得到不同的特征向量,即车牌的几何特征、灰度分布特征、投影特征和字符排列特征等,利用这些特征进行车牌定位；3.在车牌字符分割模块,提出了双向对比垂直投影分割法,该方法基于车牌的垂直投影,能够将字符准确的分割开,利于车牌字符识别: 4.本文对车牌数字和车牌字母及汉字提出了不同的处理方法,数字识别采用投影技术,汉字和字母识别应用BP神经网络技术,兼顾了识别准确率和识别速度;根据上述方法原理,基于MATLAB软件进行程序设计,编制了车牌自动识别软件。
关键字：车牌图像；图像处理；字符分割；BP神经网络AbstractLicense plate recognition technology is to realize the key technology of intelligent transportation system of our country, the development of the cause of traffic plays a very important role, then affects the economic development of our country and speed and people's quality of life. License plate recognition system with pattern recognition, artificial intelligence technology, to real-time accurately recognize the license plate number of automatic, letters and Chinese characters, and achieve computerized monitoring and management vehicles. A license plate recognition system of basic hardware configuration have lighting devices, video camera, master control machine, acquisition card, etc. And software is with license plate identification function by the image analysis and processing software, and can meet the demand of the specific application background management software component. License plate recognition system mainly divided into the image preprocessing, license plate location, character segment and character recognition and other major modules, including the follow-up application development.In view of the different module, this paper analyzed the existing algorithm theory, and puts forward the practical significance of the solution. 1. In the image preprocessing module, for the human eye to different color the sensitivity of the component is different, the image intensity by weighted average method; In the process of binary of the threshold is very important to select is adopted in this paper, dynamic adaptive threshold value method, the effect ideal; Using the Laplace operator edge extraction; Denoising the process is the median filtering method; 2. The license plate localization module contains coarse position and fine positioning, the paper analyzes the license plate size, type, color, get different characteristic vector, namely the geometrical characteristics of the license plate, gray distribution, projection characteristics and characters arrangement characteristics, use these characteristics of the license plate location; 3. In the license plate character segmentation module, and put forward the two-way contrast vertical projection segmentation method, this method is based on the license plate vertical projection, can make the character of accurate separated, beneficial to the license plate character recognition: 4. This article on license plate Numbers and letters and characters put forward different processing methods, number recognition by projection technology, Chinese characters and letters recognition application BP neural network technology, and taking account of the identification accuracy and recognition rate; According to the above method, based on the MATLAB software program design, compiled the license plate recognition software.Keywords License plate image, image processing, character segment, the BP neural network目录摘要............................................. 错误!未定义书签。
车牌识别系统算法综述
128计算机与多媒体技术Computer And Multimedia Technology电子技术与软件工程Electronic Technology & Software Engineering随着工业化进程的深入和人民生活水平的提高，人们对汽车等交通工具的需求日益增加。
汽车已经成为人们日常出行的主要交通工具，随着车辆数量的增加，车辆的流动也不断增大，城市面临着交通拥挤及交通环境日趋恶化等交通问题[1]，为了实现城市的可持续发展，城市交通管理现代化和高速公路智能化程度的提高势在必行，迫切地需要高科技技术来提高交通管理的力度和水平，因此智慧城市[2]的发展成为当今城市发展的潮流。
智慧城市利用先进的信息技术实现智慧化地管理城市，为人们创造和谐美好而便捷的生活。
而车牌识别系统是智能城市的组成部分之一，采用数字图像处理、模式识别和计算机视觉技术，在不影响车辆行驶的条件下，准确而迅速地获得车辆的数字化信息，最终实现车辆的智能化管理。
车牌识别系统是一个由监控设备或摄像头采集汽车图像，经模式识别后判别出车牌上的字符为目的的计算机视觉系统。
完整过程为：首先从采集到的车辆图像中自动定位到车牌图像，再由定位到的车牌图像完成车牌上各个字符的分割，最后运用模式识别技术准确地识别出车牌中的汉字、字母和数字字符，实现车辆的智能化监控和管理。
因而车牌的识别过程[3-4]为：先将采集到的原始图像经预处理去除干扰后，再从整车图像中定位出车牌的图像，然后把定位出的车牌图像分割出单个字符，最后将分割出的各字符识别出来再合成一个完整的车牌号，其流程图如图1所示。
1 车牌图像预处理车牌图像一般通过摄像机来采集，由于受外界环境和拍摄角度等影响，获取的图像会有光照、倾斜、阴影等多种干扰因素，这给车牌识别造成干扰，因而需要进行预处理，包括对图像灰度化、灰度拉伸，增强对比度、图像二值化、图像倾斜及滤波平滑处理以去除更多的干扰信息[4]。
基于MATLAB的BP神经网络的数字图像识别
基于MATLAB的BP神经网络的数字图像识别基于MATLAB BP神经网络的数字图像识别基于MATLAB BP神经网络的数字图像识别【摘要】随着现代社会的发展，信息的形式和数量正在迅猛增长。
其中很大一部分是图像，图像可以把事物生动的呈现在我们面前，让我们更直观地接受信息。
同时，计算机已经作为一种人们普遍使用的工具为人们的生产生活服务。
如今我们也可以把这些技术应用在交通领域。
作为智能交通系统(InteUigent Traffic System，简称ITS)中的一个重要组成部分的车牌识别技术，当然就是其中的重点研究对象。
车辆牌照识别(License P1ate Recognition，简称LPR)，是一种关于计算机的包括图像处理、数学技术、数据库、信息技术以及智能技术于一体的综合技术。
用MATLAB 做车牌识别比用其他工具有许多优势，因为MATLAB在图像的灰度化、二值化、滤波等方面都有很大优势，所以,本次实验我们利用MATLAB的这些优点来对车牌进行识别。
【关键词】BP神经网络；图像识别；字符识别；特征提取；车牌；Matlab一课题研究背景（一）图像识别的提出及应用随着信息化时代的不断发展，人们越来越多地使用信息化的手段来解决各种问题——办公自动化、先进制造业、电子商务等利用计算机技术而产生的新兴行业正不断靠近我们的生活。
在信息社会中，我们每天都接触大量的数据——工作数据、个人数据、无意间获得的数据等——在这些数据中，有些数据需要我们人工处理，而有些则可以利用计算机快速准确的完成——字符识别就是其中的一个范畴。
字符识别是一种图像识别技术，他的输入是一张带有某种字符的图片，而输出则是计算机中对于图片中字符的反应结果。
所以，可以广泛的应用于各种领域：如，车牌检测、手写识别、自动阅读器、机器视觉……在生活生产的各个方面都起到了非常重要的作用。
（二）图像识别技术的发展趋势虽然图像识别技术还不是非常成熟，但现其已经有了很多可喜的成果，比如图像模式识别，图像文字识别。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种基于BP神经网络的车牌字符识别算法
摘要：车牌识别系统是智能交通中的一个重要分支，本文针对传统的模板匹配算法存在识别准确率低的问题，提出了一种基于神经网络的车牌字符识别算法。
该方法对分割、归一化后的字符进行特征提取获取其特征向量，把这个特征向量送到BP网络中进行训练，可以得到训练好的权值，以此权值对车牌字符进行识别。
实验表明，本算法对车牌图像的识别率达90%以上。
关键词：字符识别；BP神经网络；车牌识别
中图分类号：TP391.41 文献标识码：A
1 引言（Introduction）
汽车牌照的识别是计算机视觉与模式识别应用于的重要研究课题，车牌识别的准确率和高效性是识别的关键。
由于车牌图像难免会受到光照、天气等因素影响，车牌图像质量会有所下降，为了对车牌字符的进行有效地识别，首先要对其进行去噪、增强等预处理，之后应用识别算法对其进行识别[1]。
本文研究了用BP神经网络方法对汽车牌照字符的识别算法。
首先对分割、归一化后的字符特征进行提取，所提取的特征向量记录的就是字符的特征。
把这个特征向量送到BP网络中进行训练，就可以得到训练好的权值，用这个权值对车牌字符进行识别。
对于车牌图像的识别率达90%以上，表明该方法是有效的。
2 字符识别的原理（The principle of character
recognition）
字符识别的基本原理即对字符进行匹配识别。
提取代表未知字符基本特征、结构的样本库和提前在计算机中保存的标准字符的字典（字符基本特征和结构的集合），在一定的规则下逐个匹配比较。
在计算机中保存的标准字符的字典中，寻找与输入字符样本最相似的表达项，然后找出对应的字符就是识别的结果[2]。
字符识别的原理框图如图1所示。
3 BP神经网络字符识别算法（The BP neural network
character recognition algorithm）
BP算法基本原理是利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计[3]。
对BP网络的设计要点是高效率的特征提取方法、具有代表性的大量训练样本和稳定高效的学习方法。
3.1 BP神经网络学习算法
算法的基本流程就是：
（1）设置变量和参量，包括输入向量（训练样本和样本个数）、每次迭代中输入层和隐含层之间、隐含层与隐含层之间、隐含层与输出层之间的权值向量矩阵、迭代次数、每次迭代的实际输出、期望输出和学习效率。
（2）随机初始化权值矩阵。
给三类权值矩阵赋一个相对较小的随机非零值。
（3）进行样本输入。
采用随机输入的方法。
（4）前向传播。
按照公式一层一层的前向计算隐藏神经元和输出神经元的输入和输出。
（5）误差计算，判断。
根据每次迭代的期望值和实际输出结果算出误差，判断误差值满足要求与否，如果满足进行第8步，否则进行下一步。
（6）迭代次数判断。
如果已经达到最大的迭代次数，则进行第8步，否则进行反响传播，即反向按照公式一层层迭代计算每层神经元的局部梯度。
（7）权值更新。
依据反向传播过程计算出的局部梯度值，计算出各矩阵的权值修正值，并进行修正。
（8）终止判断。
终止条件为：所有的样本都学习完成。
否则进行第3步。
3.2 实际使用BP神经网络过程中的一些问题
①样本的处理。
可适当放宽输出条件，例如当输出大于0.9时就当作是1，输出小于0.1时当作0。
对于输入样本，也应该进行归一化处理。
②初始化权值的选择。
权值的不同对学习结果会产生影响，因此选择一个相对比较合理的权值是非常重要的。
实际使用时，应该用较小的随机数来对权值进行初始化，随机数的大小的分布也应该是均匀的。
③学习率的选择。
神经网络中有一个学习率的概念，为了保证系统的稳定性，通常应该取较小的学习率，一般选取范围在0.01―0.8。
如果学习率过大，可能会导致系统不稳定。
如果学习率过小，会使得学习时间变长，收敛也会变慢。
3.3 BP神经网络应用过程
BP神经网络应用过程如图2所示。
3.4 BP网络三个层的神经元数目的确定
目前还没有什么成熟的定理能确定各层神经元的神经元个数和含有几层网络，大量经验表明，三层的网络可以逼近任意一个非线性网络。
首先，使用已知的样本对BP网络进行训练。
对于输入层的结点，其数目是之前车牌图像
预处理后输出特征的维数。
对于隐含层的结点数目，一般情况下，隐含层神经元数目和BP网络精确度成正比，数目越多，神经网络的训练时间也会越长。
但是，当隐含层神经元数目过大时，识别的准确率就会受到影响，同时也会使得网络的抗噪声能力下降[4]。
综合考虑上述情况，根据以往经验，使用10个隐含层的神经元。
对于输出层结点数目，受输入层结点数的约束。
本文中，我们采用8421码对数字0―9，字母A―Z，省名简称“京津沪冀鲁豫鄂苏皖晋湘桂闽川浙甘宁陕吉辽台”依次进行编码。
例如，对于输出“1”，表示为（0，0，0，0，0，1），对于输出“A”，表示为（0，0，1，0，1，0），对于输出“京”，表示为（1，0，0，1，0，0）。
因此，采用6个输出层神经元。
然而，实验中发现，当使用上述结构的标准输出向量时，会出现BP神经网络无法收敛的问题。
原因在于BP网络学习中采用的激活函数的输出只可能无限接近1或0，但不会是1或0。
针对这个问题，对标准输出向量的编码方式进行如下调整：用0.1代替0，用0.9代替1。
即对于输出“0”，表示为（0.1，0.1，0.1，0.1，0.1，0.1），对于输出“1”，表示为（0.1，0.1，0.1，0.1，0.1，0.9），对于输出“A”，表示为（0.1，0.1，0.9，0.1，0.9，0.1），对于输出“京”，表示为（0.9，0.1，0.1，0.9，0.1，0.1），以此类推。
3.5 BP神经网络识别字符的流程
使用BP神经网络进行字符识别，实际上可看作是训练和识别两个过程。
其中，训练就是提取训练样本的特征向量。
第一步，将挑选好的图像形式的已知数据作为训练样本，这些已知数据能够很好的反应样本的可分性。
第二步，在训练样本图像经过进行特征提取操作后送入BP网络中进行训练。
训练之前，要提前输入一系列训练参数。
经过BP网络的训练后，就可以用其对待识别数据进行识别。
待识别数据在经过灰度化、二值化、归一化、分割等预处理操作后，再经过特征向量提取，最后在BP网络中进行识别，得出识别结果。
3.6 实验结果
4 结论（Conclusion）
基于BP神经网络的车牌字符识别方法，对于比较清晰的车牌图像，本方法能有效识别其中的字符，但对于较低解析度和较为模糊的车牌还需要进行很多预处理的工作，因为必须将车牌中的字符独立地被分割后，才能用该方法进行识别。
而事实上，在那些图像不够清晰的车牌上分割出独立的字符也是特别困难的。
虽然，BP神经网络在识别效果上提高的余地较大，具有较强的容错能力，还可进一步训练学习，识别率较高，但其识别速度较慢，不能满足实时性的要求。