【摘要】 隨著現(xiàn)代社會(huì)的發(fā)展，信息的形式和數(shù)量正在迅猛增長(zhǎng)。其中很大一部分是圖像，圖像可以把事物生動(dòng)的呈現(xiàn)在我們面前，讓我們更直觀地接受信息。同時(shí)，計(jì)算機(jī)已經(jīng)作為一種人們普遍使用的工具為人們的生產(chǎn)生活服務(wù)。如今我們也可以把這些技術(shù)應(yīng)用在交通領(lǐng)域。作為智能交通系統(tǒng)(InteUigent Traffic System，簡(jiǎn)稱ITS)中的一個(gè)重要組成部分的車牌識(shí)別技術(shù)，當(dāng)然就是其中的重點(diǎn)研究對(duì)象。車輛牌照識(shí)別(License P1ate Recognition，簡(jiǎn)稱LPR)，是一種關(guān)于計(jì)算機(jī)的包括圖像處理、數(shù)學(xué)技術(shù)、數(shù)據(jù)庫(kù)、信息技術(shù)以及智能技術(shù)于一體的綜合技術(shù)。用MATLAB做車牌識(shí)別比用其他工具有許多優(yōu)勢(shì)，因?yàn)镸ATLAB在圖像的灰度化、二值化、濾波等方面都有很大優(yōu)勢(shì)，所以,本次實(shí)驗(yàn)我們利用MATLAB的這些優(yōu)點(diǎn)來(lái)對(duì)車牌進(jìn)行識(shí)別。

【關(guān)鍵詞】BP神經(jīng)網(wǎng)絡(luò)；圖像識(shí)別；字符識(shí)別；特征提取；車牌；Matlab

一 課題研究背景

（一） 圖像識(shí)別的提出及應(yīng)用

隨著信息化時(shí)代的不斷發(fā)展，人們?cè)絹?lái)越多地使用信息化的手段來(lái)解決各種問(wèn)題——辦公自動(dòng)化、先進(jìn)制造業(yè)、電子商務(wù)等利用計(jì)算機(jī)技術(shù)而產(chǎn)生的新興行業(yè)正不斷靠近我們的生活。在信息社會(huì)中，我們每天都接觸大量的數(shù)據(jù)——工作數(shù)據(jù)、個(gè)人數(shù)據(jù)、無(wú)意間獲得的數(shù)據(jù)等——在這些數(shù)據(jù)中，有些數(shù)據(jù)需要我們?nèi)斯ぬ幚?#xff0c;而有些則可以利用計(jì)算機(jī)快速準(zhǔn)確的完成——字符識(shí)別就是其中的一個(gè)范疇。

字符識(shí)別是一種圖像識(shí)別技術(shù)，他的輸入是一張帶有某種字符的圖片，而輸出則是計(jì)算機(jī)中對(duì)于圖片中字符的反應(yīng)結(jié)果。所以，可以廣泛的應(yīng)用于各種領(lǐng)域：如，車牌檢測(cè)、手寫(xiě)識(shí)別、自動(dòng)閱讀器、機(jī)器視覺(jué)……在生活生產(chǎn)的各個(gè)方面都起到了非常重要的作用。

（二）圖像識(shí)別技術(shù)的發(fā)展趨勢(shì)

雖然圖像識(shí)別技術(shù)還不是非常成熟，但現(xiàn)其已經(jīng)有了很多可喜的成果，比如圖像模式識(shí)別，圖像文字識(shí)別。并且其還在飛速的發(fā)展著，圖像識(shí)別的應(yīng)用正朝著不同的領(lǐng)域滲透著，像計(jì)算機(jī)圖像生成，圖像傳輸與圖像通信，高清晰度電視，機(jī)器人視覺(jué)及圖像測(cè)量，辦公室自動(dòng)化，像跟蹤及光學(xué)制導(dǎo) ，醫(yī)用圖像處理與材料分析中的圖像分析系統(tǒng)，遙感圖像處理和空間探測(cè)，圖像變形技術(shù)等等。從所列舉的圖像技術(shù)的多方面應(yīng)用及其理論基礎(chǔ)可以看出，它們無(wú)一不涉及高科技的前沿課題，充分說(shuō)明了圖像技術(shù)是前沿性與基礎(chǔ)性的有機(jī)統(tǒng)一。

可以預(yù)計(jì)21世紀(jì)，圖像技術(shù)將經(jīng)歷一個(gè)飛躍發(fā)展的成熟階段，為深入人民生活創(chuàng)造新的文化環(huán)境，成為提高生產(chǎn)的自動(dòng)化、智能化水平的基礎(chǔ)科學(xué)之一。圖像技術(shù)的基礎(chǔ)性研究，特別是結(jié)合人工智能與視覺(jué)處理的新算法，從更高水平提取圖像信息的豐富內(nèi)涵，成為人類運(yùn)算量最大、直觀性最強(qiáng)，與現(xiàn)實(shí)世界直接聯(lián)系的視覺(jué)和“形象思維”這一智能的模擬和復(fù)現(xiàn)，是一個(gè)很難而重要的任務(wù)。“圖像技術(shù)”這一上世紀(jì)后期誕生的高科技之花，其前途是不可限量的。

隨著21世紀(jì)經(jīng)濟(jì)全球化和信息時(shí)代的發(fā)展，作為信息來(lái)源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來(lái)越受到人們的重視。近年來(lái)計(jì)算機(jī)的飛速發(fā)展和數(shù)字圖像處理技術(shù)的日趨成熟，為傳統(tǒng)的交通管理帶來(lái)了巨大轉(zhuǎn)變。圖像處理技術(shù)發(fā)展相當(dāng)快，而其中對(duì)汽車牌照等相關(guān)信息的自動(dòng)采集和管理對(duì)于交通車輛管理、園區(qū)車輛管理、停車場(chǎng)管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。汽車牌照自動(dòng)識(shí)別系統(tǒng)就是在這樣的背景與目的下進(jìn)行研究開(kāi)發(fā)的。車輛牌照識(shí)別(License Plate Recognition，LPR)技術(shù)作為交通管理自動(dòng)化的重要手段之一，其任務(wù)是分析、處理汽車監(jiān)控圖像，自動(dòng)識(shí)別汽車牌照號(hào)碼，并進(jìn)行相關(guān)智能化數(shù)據(jù)庫(kù)管理。

（三）圖像識(shí)別的機(jī)理

圖像識(shí)別是人工智能的一個(gè)重要領(lǐng)域。為了編制模擬人類圖像識(shí)別活動(dòng)的計(jì)算機(jī)程序，人們提出了不同的圖像識(shí)別模型。例如模板匹配模型。這種模型認(rèn)為，識(shí)別某個(gè)圖像，必須在過(guò)去的經(jīng)驗(yàn)中有這個(gè)圖像的記憶模式，又叫模板。當(dāng)前的刺激如果能與大腦中的模板相匹配，這個(gè)圖像也就被識(shí)別了。例如有一個(gè)字母A,如果在腦中有個(gè)A模板,字母A的大小、方位、形狀都與這個(gè)A模板完全一致,字母A就被識(shí)別了。這個(gè)模型簡(jiǎn)單明了，也容易得到實(shí)際應(yīng)用。但這種模型強(qiáng)調(diào)圖像必須與腦中的模板完全符合才能加以識(shí)別，而事實(shí)上人不僅能識(shí)別與腦中的模板完全一致的圖像，也能識(shí)別與模板不完全一致的圖像。例如,人們不僅能識(shí)別某一個(gè)具體的字母A,也能識(shí)別印刷體的、手寫(xiě)體的、方向不正、大小不同的各種字母A。同時(shí),人能識(shí)別的圖像是大量的，如果所識(shí)別的每一個(gè)圖像在腦中都有一個(gè)相應(yīng)的模板，也是不可能的。為了解決模板匹配模型存在的問(wèn)題，格式塔心理學(xué)家又提出了一個(gè)原型匹配模型。這種模型認(rèn)為，在長(zhǎng)時(shí)記憶中存儲(chǔ)的并不是所要識(shí)別的無(wú)數(shù)個(gè)模板，而是圖像的某些“相似性”。從圖像中抽象出來(lái)的“相似性”就可作為原型，拿它來(lái)檢驗(yàn)所要識(shí)別的圖像。如果能找到一個(gè)相似的原型，這個(gè)圖像也就被識(shí)別了。這種模型從神經(jīng)上和記憶探尋的過(guò)程上來(lái)看，都比模板匹配模型更適宜，而且還能說(shuō)明對(duì)一些不規(guī)則的，但某些方面與原型相似的圖像的識(shí)別。但是，這種模型沒(méi)有說(shuō)明人是怎樣對(duì)相似的“刺激”進(jìn)行辨別和加工的，它也難以在計(jì)算機(jī)程序中得到實(shí)現(xiàn)。因此又有人提出了一個(gè)更復(fù)雜的模型，即“泛魔”識(shí)別模型。

所謂泛魔，即這個(gè)模型把圖像識(shí)別過(guò)程分為不同的層次，每一層次都有承擔(dān)不同職責(zé)的特征分析機(jī)制稱作一種"小魔鬼"，由于有許許多多這樣的機(jī)制在起作用，因此叫做“泛魔”識(shí)別模型。這一模型的特點(diǎn)在于它的層次的劃分。

自20世紀(jì)60年代初期出現(xiàn)第一代產(chǎn)品開(kāi)始，經(jīng)過(guò)30多年的不斷發(fā)展改進(jìn)，字符識(shí)別技術(shù)的研究已經(jīng)取得了令人矚目的成果。目前印刷體的識(shí)別技術(shù)已經(jīng)達(dá)到較高水平。識(shí)別范圍也從原來(lái)指定的印刷體數(shù)字、英文字母和部分符號(hào)，發(fā)展成為可以自動(dòng)進(jìn)行版面分析、表格識(shí)別，實(shí)現(xiàn)混合文字、多字體、多字號(hào)、橫豎混排識(shí)別的強(qiáng)大的計(jì)算機(jī)信息快速錄入工具。對(duì)印刷體漢字的識(shí)別率達(dá)到98％以上，即使對(duì)印刷質(zhì)量較差的文字其識(shí)別率也達(dá)到95％以上。

（四）本文的研究?jī)?nèi)容

本文將以車牌作為研究對(duì)象，從數(shù)字、字母、漢字開(kāi)始逐步提高識(shí)別的范圍，針對(duì)圖片中的字符提出一套切實(shí)可行的識(shí)別算法，并且在試驗(yàn)中不斷改進(jìn)。在開(kāi)發(fā)期間，以功能強(qiáng)大的Matlab作為編程平臺(tái)，利用一些行之有效的技術(shù)提高識(shí)別算法的性能，從而完成相應(yīng)的識(shí)別軟件。

二 算法分析與設(shè)計(jì)

（一）特征分析

中國(guó)汽車牌照中使用的字符集包括59個(gè)漢字、25個(gè)大寫(xiě)英文字母(字母不包含I)和10個(gè)阿拉伯?dāng)?shù)(0-9)，三種類型共94個(gè)，且都是印刷體，結(jié)構(gòu)固定、筆畫(huà)規(guī)范。牌照在圖像中占有的高度從20個(gè)像素到50個(gè)像素不等。對(duì)于國(guó)內(nèi)牌照來(lái)說(shuō)，一般的車輛正面牌照中水平排列著7個(gè)字符，其標(biāo)準(zhǔn)車牌樣式：XlX2·X3X4X5X6X7;X1是各省，直轄市的簡(jiǎn)稱：如“蘇” 、“桂”，或者特種車輛類型如“警”;X2是英文字母，表示各省的不同地區(qū);X3從是英文字母或阿拉伯?dāng)?shù)字； X3X4X5X6X7均是阿拉伯?dāng)?shù)字。

（二）技術(shù)路線

1 原理分析

由于車輛牌照是機(jī)動(dòng)車唯一的管理標(biāo)識(shí)符號(hào)，在交通管理中具有不可替代的作用，因此車輛牌照識(shí)別系統(tǒng)應(yīng)具有很高的識(shí)別正確率，對(duì)環(huán)境光照條件、拍攝位置和車輛行駛速度等因素的影響應(yīng)有較大的容閾，并且要求滿足實(shí)時(shí)性要求。

區(qū)域搜索與分割

字符分割

歸一化

字符特征提取

單字識(shí)別

圖像輸入

預(yù)處理

圖2-1 牌照識(shí)別系統(tǒng)原理圖

該系統(tǒng)是計(jì)算機(jī)圖像處理與字符識(shí)別技術(shù)在智能化交通管理系統(tǒng)中的應(yīng)用，它主要由牌照?qǐng)D像的采集和預(yù)處理、牌照區(qū)域的定位和提取、牌照字符的分割和識(shí)別等幾個(gè)部分組成，如圖1所示。其基本工作過(guò)程如下：

（1）當(dāng)行駛的車輛經(jīng)過(guò)時(shí)，觸發(fā)埋設(shè)在固定位置的傳感器，系統(tǒng)被喚醒處于工作狀態(tài)；一旦連接攝像頭光快門的光電傳感器被觸發(fā)，設(shè)置在車輛前方、后方和側(cè)面的相機(jī)同時(shí)拍攝下車輛圖像；

（2）由攝像機(jī)或CCD攝像頭拍攝的含有車輛牌照的圖像通視頻卡輸入計(jì)算機(jī)進(jìn)行預(yù)處理，圖像預(yù)處理包括圖像轉(zhuǎn)換、圖像增強(qiáng)、濾波和水平矯正等；

（3）由檢索模塊進(jìn)行牌照搜索與檢測(cè)，定位并分割出包含牌照字符號(hào)碼的矩形區(qū)域；

（4）對(duì)牌照字符進(jìn)行二值化并分割出單個(gè)字符，經(jīng)歸一化后輸入字符識(shí)別系統(tǒng)進(jìn)行識(shí)別。

2 總體設(shè)計(jì)方案

車輛牌照識(shí)別整個(gè)系統(tǒng)主要是由車牌定位和字符識(shí)別兩部分組成，其中車牌定位又可以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位及分割模塊；字符識(shí)別可以分為字符分割與特征提取和單個(gè)字符識(shí)別兩個(gè)模塊。

為了用于牌照的分割和牌照字符的識(shí)別，原始圖像應(yīng)具有適當(dāng)?shù)牧炼?#xff0c;較大的對(duì)比度和清晰可辯的牌照?qǐng)D像。但由于該系統(tǒng)的攝像部分工作于開(kāi)放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時(shí)攝像機(jī)與牌照的距離和角度以及車輛行駛速度等因素的影響，牌照?qǐng)D像可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對(duì)原始圖像進(jìn)行識(shí)別前的預(yù)處理。

牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖像預(yù)處理后的原始灰度圖像中確定牌照的具體位置，并將包含牌照字符的一塊子圖像從整個(gè)圖像中分割出來(lái)，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。

由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會(huì)不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開(kāi)或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識(shí)別的準(zhǔn)確性。因此，需要對(duì)字符在識(shí)別之前再進(jìn)行一次針對(duì)性的處理。

車牌識(shí)別的最終目的就是對(duì)車牌上的文字進(jìn)行識(shí)別。主要應(yīng)用的為模板匹配方法。

因?yàn)橄到y(tǒng)運(yùn)行的過(guò)程中，主要進(jìn)行的都是圖像處理，在這個(gè)過(guò)程中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高，CPU要求主頻在600HZ及以上，內(nèi)存在128MB及以上。系統(tǒng)可以運(yùn)行于Windows98、Windows2000或者Windows XP操作系統(tǒng)下，程序調(diào)試時(shí)使用matlab。

三 具體技術(shù)路線

（1）圖像預(yù)處理及邊緣提取

在車牌自動(dòng)識(shí)別系統(tǒng)中，車輛圖像是通過(guò)圖像采集卡將運(yùn)動(dòng)的車輛圖像抓拍下來(lái)，并以位圖的格式存放到系統(tǒng)內(nèi)存中，這時(shí)的車輛數(shù)字圖像雖然沒(méi)有被人為損傷過(guò)，但在實(shí)際道路上行駛的車輛常會(huì)因?yàn)楦鞣N各樣的原因使得所拍攝的車輛圖像效果不理想，如外界光線對(duì)車牌的不均勻反射、極強(qiáng)陽(yáng)光形成的車牌處陰影、攝像機(jī)快門值設(shè)置過(guò)大而引起的車輛圖像拖影、攝像頭聚焦或后背焦沒(méi)有調(diào)整到位而形成的車輛圖像不清晰、由于視頻傳輸線而引起的圖像質(zhì)量下降、所拍攝圖像中存在的噪聲干擾、所安裝的車牌不規(guī)范或車輛行駛變形等，這些都給車牌的模糊識(shí)別增加了難度。圖像預(yù)處理技術(shù)可最大限度提高車牌正確識(shí)別率，這些圖像預(yù)處理包括圖像灰度化、平滑、傾斜校正、灰度修正等。

流程：

輸入車牌圖像

灰度校正

平滑處理

提取邊緣

1、圖像的采集與轉(zhuǎn)換

考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來(lái)，例如，對(duì)藍(lán)底白字這種最常見(jiàn)的牌照，采用藍(lán)色B通道時(shí)牌照區(qū)域?yàn)橐涣恋木匦?#xff0c;而牌照字符在區(qū)域中并不呈現(xiàn)。因?yàn)樗{(lán)色（255，0，0）與白色（255，255，255）在通道中并無(wú)區(qū)分，而在G、R 通道或是灰度圖像中并無(wú)此便利。同理對(duì)白底黑字的牌照可用R 通道，綠底白字的牌照可以用G 通道就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。原圖、灰度圖及其直方圖見(jiàn)圖2與圖3。對(duì)于將彩色圖像轉(zhuǎn)換成灰度圖像時(shí)，圖像灰度值可由下面的公式計(jì)算：

(3-1)

圖 3-2 原圖和它的灰度圖以及灰度直方圖

2、邊緣提取

邊緣是指圖像局部亮度變化顯著的部分，是圖像風(fēng)、紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。所以在此我們要對(duì)圖像進(jìn)行邊緣檢測(cè)。圖象增強(qiáng)處理對(duì)圖象牌照的可辨認(rèn)度的改善和簡(jiǎn)化后續(xù)的牌照字符定位和分割的難度都是很有必要的。增強(qiáng)圖象對(duì)比度度的方法有：灰度線性變換、圖象平滑處理等。

（1）灰度校正

由于牌照?qǐng)D像在拍攝時(shí)受到種種條件的限制和干擾，圖像的灰度值往往與實(shí)際景物不完全匹配，這將直接影響到圖像的后續(xù)處理。如果造成這種影響的原因主要是由于被攝物體的遠(yuǎn)近不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時(shí)各點(diǎn)的靈敏度有較大的差異而產(chǎn)生圖像灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。這時(shí)就可以采用灰度校正的方法來(lái)處理，增強(qiáng)灰度的變化范圍、豐富灰度層次，以達(dá)到增強(qiáng)圖像的對(duì)比度和分辨率。我們發(fā)現(xiàn)車輛牌照?qǐng)D像的灰度取值范圍大多局限在r=(50,200)之間，而且總體上灰度偏低，圖象較暗。根據(jù)圖象處理系統(tǒng)的條件，最好將灰度范圍展開(kāi)到s=(0,255)之間，為此我們對(duì)灰度值作如下的變換：

s = T(r) r=[r min,，r max] (3-3)

使得S∈[Smin, Smax],其中，T為線性變換，

灰度線性變換

(3-4)

圖3-3 線性圖

（3）若 r(50,200)s(0，255) 則：

(3-5) （4）

圖3-4 灰度增強(qiáng)后的圖像

（2）平滑處理

對(duì)于受噪聲干擾嚴(yán)重的圖像，由于噪聲點(diǎn)多在頻域中映射為高頻分量，因此可以在通過(guò)低

通濾波器來(lái)濾除噪聲，但實(shí)際中為了簡(jiǎn)化算法，也可以直接在空域中用求鄰域平均值的方法來(lái)削弱噪聲的影響，這種方法稱為圖象平滑處理。例如，某一象素點(diǎn)的鄰域S有兩種表示方法：8鄰域和4鄰域分別對(duì)應(yīng)的鄰域平均值為

圖 3-5 鄰域及其鄰域模板 （5）

其中，M 為鄰域中除中心象素點(diǎn)f(i,j) 之外包括的其它象素總數(shù)，對(duì)于4鄰域M=4，8 鄰域M=8。然而，鄰域平均值的平滑處理會(huì)使得圖像灰度急劇變化的地方，尤其是物體邊緣區(qū)域和字符輪廓等部分產(chǎn)生模糊作用。為了克服這種平均化引起的圖像模糊現(xiàn)象，我們給中心點(diǎn)象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點(diǎn)才能替換為鄰域平均值，而差值不大于閾值時(shí)，仍保留原來(lái)的值，從而減少由于平均化引起的圖像模糊。

圖3-6 平滑處理后的圖像

圖像中車輛牌照是具有比較顯著特征的一塊圖像區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖像中的位置較為固定。正是由于牌照?qǐng)D像的這些特點(diǎn)，再經(jīng)過(guò)適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。邊緣提取是較經(jīng)典的算法，此處邊緣的提取采用的是Roberts算子。

圖3-7未濾波直接提取出的邊緣，經(jīng)灰度校正后提取的邊緣以及經(jīng)平滑處理后提取的邊緣

對(duì)比以上幾幅圖片，圖8的邊緣已經(jīng)模糊掉了。圖7中包含的噪聲太多，圖9未經(jīng)濾波直接提取出的邊緣圖像最清晰，所包含的有用信息最多。分析這種情況產(chǎn)生的原因，歸納起來(lái)主要有以下方面:

1、原始圖像清晰度比較高，從而簡(jiǎn)化了預(yù)處理

2、圖像的平滑處理會(huì)使圖像的邊緣信息受到損失，圖像變得模糊

3、圖像的銳化可以增強(qiáng)圖像中物體的邊緣輪廓，但同時(shí)也使一些噪聲得到了增強(qiáng)

綜上所述，結(jié)合MATLAB實(shí)驗(yàn)過(guò)程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。本次汽車車牌的識(shí)別，為了保存更多的有用信息，經(jīng)過(guò)多次比較，選擇圖9作為后期處理的依據(jù)。

2 車牌的定位與分割

車牌定位對(duì)車牌識(shí)別系統(tǒng)來(lái)說(shuō)至關(guān)重要，目前已經(jīng)提出了很多車牌定位的方法，這些方法都具有一個(gè)共同的出發(fā)點(diǎn)，即通過(guò)牌照區(qū)域的特征來(lái)判斷牌照。根據(jù)不同的實(shí)現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為直接法和間接法兩類。

1)直接法。直接分析圖像的特征，如基于線模板的二值化圖像中的角檢測(cè)算法，該算法利用車牌的邊框角點(diǎn)，檢測(cè)車牌的四個(gè)角點(diǎn)，并以此來(lái)定位車牌。基于直線邊緣識(shí)別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。利用車牌部分垂直高頻豐富的特點(diǎn)先利用小波提取圖像的垂直高頻信息，然后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算，進(jìn)一步消除無(wú)用的信息和噪聲，以定位車牌。

2)間接法。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進(jìn)行計(jì)算是當(dāng)前研究熱點(diǎn)之一。利用遺傳算法對(duì)圖像進(jìn)行優(yōu)化搜索，結(jié)合區(qū)域特征矢量構(gòu)造的適應(yīng)度函數(shù)，最終尋找到車牌的牌照區(qū)域的最佳定位參量。

目前較為常用的方法是先提取車輛圖像的邊緣，然后結(jié)合車輛牌照的幾何特征，分析二值化邊緣圖像像素在水平和垂直方向的投影，判斷出車輛牌照的位置。

對(duì)圖像進(jìn)行腐蝕

去除雜質(zhì)

通過(guò)計(jì)算尋找X和Y方向車牌的區(qū)域

完成車牌定位

對(duì)分割出的車牌做進(jìn)一步處理

圖3-8 牌照定位于分割流程圖

（1）牌照區(qū)域的定位

牌照?qǐng)D像經(jīng)過(guò)了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。此時(shí)可進(jìn)一步確定牌照在整幅圖像中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了bwareaopen來(lái)去除對(duì)象中不相干的小對(duì)象。

圖 3-9 腐蝕后圖像，平滑圖像的輪廓以及從對(duì)象中移除小對(duì)象后圖像

（2）牌照區(qū)域的分割

對(duì)車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色RGB對(duì)應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車牌區(qū)域。

圖 3-10 行方向區(qū)域和最終定位出來(lái)的車牌

（3）車牌進(jìn)一步處理

經(jīng)過(guò)上述方法分割出來(lái)的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對(duì)圖像二值化。均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。

圖 3-11 裁剪出來(lái)的車牌的進(jìn)一步處理過(guò)程

3 字符的分割與歸一化

[m，n]=size（d），逐排檢查有沒(méi)有白色像素點(diǎn)，設(shè)置1<=j<n-1，若圖像兩邊s（j）=0，則切割，去除圖像兩邊多余的部分

切割去圖像上下多余的部分

根據(jù)圖像的大小，設(shè)置一閾值，檢測(cè)圖像的X軸，若寬度等于這一閾值則切割，分離出七個(gè)字符

歸一化切割出來(lái)的字符圖像的大小為40*20，與模板中字符圖像的大小相匹配

圖 3-12 字符分割與歸一化流程圖

（1）字符分割

在汽車牌照自動(dòng)識(shí)別過(guò)程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。字符識(shí)別的算法很多，因?yàn)檐嚺谱址g間隔較大，不會(huì)出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。

圖 3-13 分割出來(lái)的七個(gè)字符圖像

（2）字符歸一化

一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識(shí)別的需要。但是對(duì)于車牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。

圖 3-14 歸一化處理后的七個(gè)字符圖像

4 字符的識(shí)別

目前，字符識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。基于模板匹配算法首先把待識(shí)別字符二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。由于這種匹配算法穩(wěn)定性較差、時(shí)間花費(fèi)也較大，因此，在此基礎(chǔ)上提出了基于關(guān)鍵點(diǎn)的匹配算法。此算法先對(duì)識(shí)別字符進(jìn)行關(guān)鍵點(diǎn)提取，然后對(duì)關(guān)鍵點(diǎn)去噪，最后再確定字符的分類。這種匹配算法只利用了字符的關(guān)鍵點(diǎn)進(jìn)行匹配，因此，提高了識(shí)別速度又具有較高的識(shí)別率。基于人工神經(jīng)網(wǎng)絡(luò)的算法主要有兩種：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。前一種方法識(shí)別結(jié)果與特征提取有關(guān)，而特征提取比較耗時(shí)，因此，特征提取是關(guān)鍵。后一種方法無(wú)須特征提取和模板匹配，隨著相關(guān)技術(shù)的進(jìn)步，這種方法更實(shí)用。

（1）神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(ANNs)也稱為神經(jīng)網(wǎng)絡(luò)或連接模型，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。但是人工神經(jīng)網(wǎng)絡(luò)是近現(xiàn)代才提出來(lái)的一種新型技術(shù)，所以還有一些缺點(diǎn)，不過(guò)它的優(yōu)點(diǎn)卻是非常明顯的：①它可以充分逼近任意復(fù)雜的非線性關(guān)系。②所有定量或定性的信息都等勢(shì)分布于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強(qiáng)的魯棒性和容錯(cuò)性；采用并行分布的處理方法，使得快速地進(jìn)行大量運(yùn)算成為可能。③可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。④能夠同時(shí)處理定量、定性知識(shí)。⑤具有聯(lián)想和存儲(chǔ)功能。⑥具有高速尋找優(yōu)化解的能力。它能夠處理一些環(huán)境信息十分復(fù)雜、背景不清晰、有磨損、殘缺等方面的問(wèn)題的情況。

（2） BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Net．work，簡(jiǎn)稱BP神經(jīng)網(wǎng)絡(luò))即反向傳輸神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)付各種數(shù)據(jù)和能夠模擬一種復(fù)雜的決定系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)主要是通過(guò)一種模擬的方式對(duì)對(duì)象進(jìn)行識(shí)別，它可以像人認(rèn)識(shí)事物過(guò)程一樣，逐漸地認(rèn)清事物從而去模擬實(shí)現(xiàn)它。

BP神經(jīng)網(wǎng)絡(luò)由1024個(gè)輸入節(jié)點(diǎn)、20個(gè)隱層節(jié)點(diǎn)、6個(gè)輸出節(jié)點(diǎn)組成。每個(gè)節(jié)點(diǎn)的激活函數(shù)采用O．1函數(shù)，輸出節(jié)點(diǎn)的輸出值為0，1二值。訓(xùn)練以后，節(jié)點(diǎn)權(quán)值保存在配置文件中。在MATLAB工具箱中已經(jīng)有了BP神經(jīng)識(shí)別的函數(shù)，這里使用newlin函數(shù)adapt函數(shù)，使用這些函數(shù)需要輸入預(yù)期的待學(xué)目標(biāo)的輸入范圍，指定一個(gè)延遲輸入信號(hào)和一個(gè)有延遲輸入信號(hào)以及學(xué)習(xí)速度的參數(shù)，這樣字符就能很好地在MATLAB中得到識(shí)別。

BP網(wǎng)絡(luò)結(jié)構(gòu)：

基于BP算法的多層前饋型網(wǎng)絡(luò)將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸入層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳給中間各隱層神經(jīng)元；隱層是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層，負(fù)責(zé)信息變換。根據(jù)需要可設(shè)計(jì)為一層或多層；最后一個(gè)隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進(jìn)一步處理后向外界輸出信息處理結(jié)果。同層節(jié)點(diǎn)中沒(méi)有任何耦合，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向和反向傳播兩部分組成。反向傳播其節(jié)點(diǎn)單元特征通常為Sigmoid型{f(X)=1／[1+exp(一Bx)]，B>0}。在網(wǎng)絡(luò)訓(xùn)練階段用準(zhǔn)備好的樣本數(shù)據(jù)依次通過(guò)輸入層、隱層和輸出層。比較輸出結(jié)果和期望值，若沒(méi)有達(dá)到要求的誤差程度或者訓(xùn)練次數(shù)，即經(jīng)過(guò)輸出層、隱層和輸入層，來(lái)調(diào)節(jié)權(quán)值，以便使網(wǎng)絡(luò)成為一定適應(yīng)能力的模型。

用matlab 神經(jīng)網(wǎng)絡(luò)工具箱，用BP神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)函數(shù)，部分程序如下：

net=newff(pr,[25 1],{'logsig' 'purelin'}, 'traingdx', 'learngdm'); net.trainParam.epochs=3000; net.trainParam.goal=0.001; net.trainParam.show=10; net.trainParam.lr=0.05; net=train(net,p,t) 即創(chuàng)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。其中權(quán)值函數(shù)為“l(fā)ogsig”,學(xué)習(xí)函數(shù)為：“purelin”.運(yùn)行后，可在matlab上得到： LOADING...... ans =LOAD OK.TRAINGDX, Epoch 0/3000, MSE 18.0267/0.001, Gradient 19.9528/1e-006 TRAINGDX, Epoch 10/3000, MSE 6.55309/0.001, Gradient 1.92177/1e-006 TRAINGDX, Epoch 20/3000, MSE 5.08303/0.001, Gradient 1.59205/1e-006 TRAINGDX, Epoch 30/3000, MSE 3.32551/0.001, Gradient 1.35881/1e-006 TRAINGDX, Epoch 40/3000, MSE 1.70977/0.001, Gradient 0.830963/1e-006 TRAINGDX, Epoch 50/3000, MSE 0.808399/0.001, Gradient 0.588341/1e-006 TRAINGDX, Epoch 60/3000, MSE 0.255181/0.001, Gradient 0.301763/1e-006 TRAINGDX, Epoch 70/3000, MSE 0.0629529/0.001, Gradient 0.146848/1e-006 TRAINGDX, Epoch 80/3000, MSE 0.0175261/0.001, Gradient 0.0906425/1e-006 TRAINGDX, Epoch 90/3000, MSE 0.0146519/0.001, Gradient 0.364925/1e-006 TRAINGDX, Epoch 100/3000, MSE 0.0122441/0.001, Gradient 0.238192/1e-006 TRAINGDX, Epoch 110/3000, MSE 0.010538/0.001, Gradient 0.158065/1e-006 TRAINGDX, Epoch 120/3000, MSE 0.00900871/0.001, Gradient 0.0498804/1e-006 TRAINGDX, Epoch 130/3000, MSE 0.00778895/0.001, Gradient 0.0471643/1e-006 TRAINGDX, Epoch 140/3000, MSE 0.00642256/0.001, Gradient 0.0267898/1e-006 TRAINGDX, Epoch 150/3000, MSE 0.00506427/0.001, Gradient 0.0207391/1e-006 TRAINGDX, Epoch 160/3000, MSE 0.00378743/0.001, Gradient 0.0155848/1e-006 TRAINGDX, Epoch 170/3000, MSE 0.00259925/0.001, Gradient 0.012315/1e-006 TRAINGDX, Epoch 180/3000, MSE 0.00149217/0.001, Gradient 0.0137463/1e-006 TRAINGDX, Epoch 190/3000, MSE 0.00134022/0.001, Gradient 0.0518653/1e-006 TRAINGDX, Epoch 200/3000, MSE 0.00132563/0.001, Gradient 0.0549096/1e-006 TRAINGDX, Epoch 210/3000, MSE 0.00125472/0.001, Gradient 0.0293791/1e-006 TRAINGDX, Epoch 220/3000, MSE 0.00120414/0.001, Gradient 0.0082813/1e-006 TRAINGDX, Epoch 230/3000, MSE 0.00115466/0.001, Gradient 0.00760885/1e-006 TRAINGDX, Epoch 240/3000, MSE 0.00108049/0.001, Gradient 0.00798138/1e-006 TRAINGDX, Epoch 248/3000, MSE 0.000995008/0.001, Gradient 0.00708329/1e-006 TRAINGDX, Performance goal met.

即神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程。誤差曲線即測(cè)試樣例經(jīng)訓(xùn)練后的實(shí)際輸出結(jié)果和期望輸出的差值情況。其變化如圖21，圖22。

圖 3-15 訓(xùn)練過(guò)程中誤差曲線變化

圖 3-16 訓(xùn)練結(jié)束時(shí)誤差曲線

可見(jiàn)，當(dāng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練完成后，其樣本得出的輸出結(jié)果和期望輸出結(jié)果完全相同，即誤差為零。下面就圖23所示測(cè)試樣例進(jìn)行測(cè)試。

圖 3 -17 測(cè)試樣例

識(shí)別結(jié)果如下：

FileName:D:\test

a = 3

答案正確。其識(shí)別圖形如圖24。

圖 3-18 識(shí)別結(jié)果圖形

訓(xùn)練后神經(jīng)網(wǎng)絡(luò)以及權(quán)重結(jié)果信息為：

net =Neural Network object:architecture:numInputs: 1numLayers: 2biasConnect: [1; 1]inputConnect: [1; 0]layerConnect: [0 0; 1 0]outputConnect: [0 1]targetConnect: [0 1]numOutputs: 1 (read-only)numTargets: 1 (read-only)numInputDelays: 0 (read-only)numLayerDelays: 0 (read-only)subobject structures:inputs: {1x1 cell} of inputslayers: {2x1 cell} of layersoutputs: {1x2 cell} containing 1 outputtargets: {1x2 cell} containing 1 targetbiases: {2x1 cell} containing 2 biasesinputWeights: {2x1 cell} containing 1 input weightlayerWeights: {2x2 cell} containing 1 layer weightfunctions:adaptFcn: 'trains'initFcn: 'initlay'performFcn: 'mse'trainFcn: 'traingdx'parameters:adaptParam: .passesinitParam: (none)performParam: (none)trainParam: .epochs, .goal, .lr, .lr_dec, .lr_inc, .max_fail, .max_perf_inc, .mc, .min_grad, .show, .timeweight and bias values:IW: {2x1 cell} containing 1 input weight matrixLW: {2x2 cell} containing 1 layer weight matrixb: {2x1 cell} containing 2 bias vectorsother:userdata: (user stuff)

由此可見(jiàn)，程序可滿足期望要求。當(dāng)然，也經(jīng)常有識(shí)別錯(cuò)誤的情況發(fā)生。對(duì)于識(shí)別錯(cuò)誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖像的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致的識(shí)別錯(cuò)誤；再就是部分字符的形狀相似性，比如，B 和8；A 和4 等字符識(shí)別結(jié)果可能發(fā)生混淆的情況。

總之，盡管目前牌照字符的識(shí)別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識(shí)別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。

四 總結(jié)

（一）課題小結(jié)

在車輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的預(yù)處理和識(shí)別技術(shù)都無(wú)法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。在此次實(shí)驗(yàn)中，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。

根據(jù)車牌特點(diǎn)，一般采用的車牌定位算法有：1.邊緣檢測(cè)定位算法；2.利用哈夫變換進(jìn)行車牌定位；3.色彩分割提取車牌等。這里我采用的是邊緣檢測(cè)的方法實(shí)現(xiàn)定位的。

字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是針對(duì)在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡(jiǎn)單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。

字符識(shí)別的基本方法通常又三類：1.結(jié)構(gòu)特征分析方法；2.模板匹配法；3.神經(jīng)網(wǎng)絡(luò)法。此處采用的是模板匹配的方法，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來(lái)確定最終的識(shí)別結(jié)果。

但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距。

（二）體會(huì)

本次實(shí)驗(yàn)不僅是對(duì)前面所學(xué)知識(shí)的一種檢驗(yàn)，而且也是對(duì)自己能力的一種提高。這次USRP讓我學(xué)到了很多東西，在這整個(gè)過(guò)程中我們查閱了大量的資料，涉及到方方面面的知識(shí)。同時(shí)在這期間我們遇到了很多困難，但我們知道做什么開(kāi)始都不容易，只要定下心來(lái)，一步一個(gè)腳印的踏踏實(shí)實(shí)的去做，一定會(huì)成功。當(dāng)然，理論只有應(yīng)用到實(shí)際中才能學(xué)著更有意義。學(xué)習(xí)是一個(gè)長(zhǎng)期積累的過(guò)程，在今后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己的綜合素質(zhì)。此外，我們還總結(jié)出：知識(shí)必須通過(guò)應(yīng)用才能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會(huì)了，但真正到用的時(shí)候才發(fā)現(xiàn)是兩回事，所以我們認(rèn)為只有到真正會(huì)用的時(shí)候才是真的學(xué)會(huì)了。在整個(gè)實(shí)驗(yàn)中我們懂得了許多東西，也培養(yǎng)了合作的能力，樹(shù)立了信心，發(fā)揚(yáng)了吃苦耐勞的精神，相信會(huì)對(duì)今后的學(xué)習(xí)工作生活有非常重要的影響。同樣此次USRP也大大提高了我們的動(dòng)手的能力，使我們充分體會(huì)到了在創(chuàng)造過(guò)程中探索的艱難和成功時(shí)的喜悅。雖然這個(gè)實(shí)驗(yàn)做的并非對(duì)車牌都合適，但是在設(shè)計(jì)過(guò)程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái)富，相信定會(huì)使我受益終身。

參考文獻(xiàn)

[1] 夏慶觀，盛黨紅，溫秀蘭，基于MATLAB GUI的零件圖像識(shí)別2008年12月 中國(guó)制造業(yè)信息化 第37卷 第23期

[2] 尹芳， 王衛(wèi)兵， 陳德運(yùn)，印刷體英文文檔識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)哈爾濱理工大學(xué)學(xué)報(bào)第13卷第6期 2008年12月

[3] 汪益民，梅林，張義超，基于OCR技術(shù)的書(shū)寫(xiě)文字識(shí)別系統(tǒng)設(shè)計(jì) 甘肅科技第23卷第8期2007年8月

[4] 葉晨洲，廖金周，一種基于紋理的牌照?qǐng)D象二值化方法，微型電腦應(yīng)用，1999(6)

[5] 朱學(xué)芳等，一種自適應(yīng)細(xì)化方法，模式識(shí)別與人工智能，Vol.10，No.2，1997(6)

[6] 楊萬(wàn)山等，基于BP 神經(jīng)網(wǎng)絡(luò)的工程圖紙圖形符號(hào)的識(shí)別，微型電腦應(yīng)用，Vol.16，No.2，2000

[7] 袁志偉，潘曉露.車輛牌照定位的算法研究[J].昆明理工大學(xué)學(xué)報(bào)，2001，26(2)

[8] 劉陽(yáng)，伊鐵源等.數(shù)字圖象處理應(yīng)用于車輛牌照的識(shí)別.遼寧大學(xué)學(xué)報(bào).2004

[9] 許志影、李晉平.MATLAB極其在圖像處理中的應(yīng)用.計(jì)算機(jī)與現(xiàn)代化，2004(4)

[10] 崔江、王友仁.車牌自動(dòng)識(shí)別方法中的關(guān)鍵技術(shù)研究.計(jì)算機(jī)測(cè)量與控制，2003.11(4)

[11] 梁瑋、羅劍鋒、賈云得.一種復(fù)雜背景下的多車牌圖像分割與識(shí)別方法[D]. 2003.

[12] 張 引，潘云鶴，面向車輛牌照字符識(shí)別的預(yù)處理算法，計(jì)算機(jī)應(yīng)用研究，1999(7)

總結(jié)

以上是生活随笔為你收集整理的基于MATLAB BP神经网络的数字图像识别的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。