本科毕业论文---基于bp网络的车牌识别系统的设计论文正文.doc

北京理工大学2014届本科生毕业设计（论文）一、原始依据（包括设计或论文的工作基础、研究条件、应用环境、工作目的等。）工作基础：了解C+的基本概念和语法，熟练使用Visual C+软件。研究条件：依据BP神经网络的基本原理完成算法实现。应用环境：基于BP神经网络的图像文件中的车牌号码识别。工作目的：熟练掌握Visual C+应用程序的开发。 了解人工智能的基本概念以及神经网络的基本原理。 熟练掌握Visual C+中的图片处理的基本方法。二、参考文献1人工智能原理及其应用，王万森，电子工业出版社，2007.2VC+深入详解，孙鑫，电子工业出版社，2006.3人工神经网络原理, 马锐，机械工业出版社，2010.4Visual C+数字图像处理典型案例详解，沈晶，机械工业出版社，2012.5Application of Image Processing to the Characterization of Nanostructures，Manuel F. M. Costa，Reviews on Advanced Materials Science,2004.三、设计（研究）内容和要求（包括设计或研究内容、主要指标与技术参数，并根据课题性质对学生提出具体要求。）1、掌握C+的基本概念和语法。2、了解神经网络的基本原理。3、完成Visual C+中对于图像的预处理。4、完成基于样本的神经网络的训练以及图像中车牌信息的识别，并对其性能进行统计和总结。指导教师（签字）年 月 日审题小组组长（签字）年 月 日天津大学仁爱学院本科生毕业设计（论文）开题报告课题名称基于BP网络的车牌识别系统的设计系 名信息工程系专 业自动化学生姓名魏章波指导教师扈书亮一、 课题来源及意义BP(Back Propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家小组提出, 是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。智能交通管理系统是21世纪道路交通管理的发展趋势。高速公路的不断发展和车辆管理体制的不断完善，为以图像识别为基础的智能交通管理系统进入实际应用领域提供了契机。基于BP网络的车牌识别系统正是在这种应用背景下研制出来的，它能够自动、实时地识别车辆牌照，从而监控车辆的收费、闯关、欠费以及各种舞弊现象。车牌识别的实质是对车牌上的数字、字母和汉字进行快识别并以字符的形式输出识别结果，字符识别是整个车牌识别过程的关键所在。由于图像获取时的外界环境不同的影响，系统必须保证能够在任何天气情况下全天不间断的正常工作。因此，对于研究基于BP网络的车牌识别系统有重要的意义。二、 国内外发展现状从上世纪90年代初，基于图像处理的车牌识别技术的研究在欧美发达国家已经兴起。比如在美国、意大利、德国、以色列、新加坡等国家，都已经有比较成熟的产品投入了应用，如以色列的Hi-Tech公司的See/Car System系列产品，美国的（AUTOSCOF）2003系统，香港Asia Vision Technology公司的VECON产品，德国西门子公司的ARTEM7S系统，新加坡Optasia公司的VLPRS产品等，其中VECON和VLPRS产品主要适合于香港和新加坡的车牌，Hi-Tech公司的See/Car System有多种变形产品来分别适应某一个国家的车牌，但因为我国车牌式样的多样性和颜色的多样性以及包含汉字等特点，这些车牌识别系统并不适合我国国情。我国的条件与国外不同，不仅车牌的种类多，而且车牌不够规范，分为很多种类型，并且车牌上还有汉字。按颜色分类，有蓝底白字、黄底黑字、白底黑字和黑底白字之分，有些部队用车车牌字符还分为了两行，这些都决定了我国的车牌识别相对于国外较为困难。近几年，我国也有很多科研单位和公司进行车牌识别方面的研究，也取得了一些成绩。我国做的较好的产品有中科院自动化研究所汗土公司的“汗土眼”，天勤科技公司的车牌识别系统，背景龙人计算机系统有限公司的停车场收费系统。但对环境要求比较高，在全天候的条件下，都存在着识别精度不高的问题，识别时间比较长的缺点。因此车牌识别系统有很大的发展空间。三、研究目标1、熟练掌握Visual C+应用程序的开发。2、了解人工智能的基本概念以及神经网络的基本原理。3、熟练掌握Visual C+中的图片处理的基本方法。四、研究内容图像输入灰度转化边缘检测二值化几何调整牌照剪切图像去噪字符分割归一化处理输出结果字符识别神经网络设置图像预处理车牌定位字符分割字符识别 图1 车牌识别系统流程图车牌识别系统主要包括图像预处理、车牌定位、字符分割、字符识别四个步骤，总体流程图如上图所示。1、图像预处理：该单元对拍摄的汽车图片进行灰度化边缘检测等处理。在外界光照不均匀，光照强度不稳定的情况下，通过摄像机采集到的车牌原始图像会模糊不清，因此需要对其进行图像增强的处理。2、车牌定位：对预处理过的汽车牌照图片进行处理，把车牌部分进行定位，删除无用区域，得到车牌图片。从原图像中提取出需要的部分舍弃不需要的部分，以便节省系统识别时间。3、字符分割：把车牌图像中的每个字符从整个图像中分割出来，使其成为单个字符。然后把字符归一化为系统可以识别的规格大小，输入到系统中以待识别，确保字符的完整性。4、字符识别：将需要识别的样本输入系统，选择合适的模式识别的方法，输入正确的字符。五、研究方法与手段掌握C+的基本概念和语法，熟练使用 Visual C+6.0软件。依据BP神经网络的基本原理实现算法，完成Visual C+对于图像的预处理及字符的识别和基于样本的神经网络的训练以及图像中车牌信息的识别，并对其性能进行统计和总结，确定最终的识别误差。应用程序平台完全采用 Visual C+开发，整个系统运用了大量的 Visual C+编程技术，如图像处理技术、动态链接库技术、数据库技术等，要有完备的程序以识别多组车牌。六、进度安排1、2014.12.102015.03.05 查找资料，通过书籍和视频学习C+的基本概念和语法，练习使用 VC+6.0软件。了解BP神经网络的基本原理及人工智能的基本概念。完成开题报告。2、2015.03.062015.03.29 掌握Visual C+6.0中的图片处理的基本方法。3、2015.03.302015.05.20 编写程序，完成Visual C+中对于车牌图像的预处理。4、2015.04.212015.05.25 完成车牌图像中字符的识别，并对其性 能进行测试和总结，确定最终识别误差。5、2015.05.262015.06.05 撰写论文，准备答辩。七、主要参考文献1史忠职. 神经网络M. 高等教育出版社，2009.5.2孙鑫.VC+深入详解M. 电子工业出版社，2006.3王万森. 人工智能原理及其应用M. 电子工业出版社，2007.4董志鹏，侯艳书. Visual C+编程从基础到应用M. 清华大学出版社，2014.35沈晶. Visual C+数字图像处理典型案例详解M. 机械工业出版社，2012.6张世辉，孔令富.汉字识别及现状分析J. 燕山大学学报，2003,04(3)80-85.7曾志军，孙国强. 基于改进的BP 网络数字字符识别J.上海理工大学学报，2008, 32(1)51-53.8王旭,王宏,王文辉. 人工神经元网络原理与应用M. 第二版. 东北大学出版社, 2007年. 9欧阳俊，刘平.基于BP神经网络的车牌字符识别算法研究J.光学与光电技术，2012，10（5）67-71.10张玲，张鸣明，何伟.基于BP神经网络算法的车牌字符识别系统设计J.视频应用与工程，2008,32（S1）140-142.11Application of Image Processing to the Characterization of Nanostructures，Manuel F. M. Costa，Reviews on Advanced Materials Science.12Bartlett P L. Ada Boost is Consistent M. Department of statics and computer science of California.选题是否合适： 是 否课题能否实现： 能 不能指导教师（签字）年 月 日选题是否合适： 是 否课题能否实现： 能 不能审题小组组长（签字）年 月 日摘 要基于BP网络的车牌识别是一门对车牌字符识别的技术，它的产生是为了完善智能交通系统，使得交通系统更具有信息时代的意义。本文利用BP神经网络与图像处理技术相结合的方法，将BP神经网络应用到车牌字符识别中。针对车牌图像的处理的过程包括：车牌图像去噪、车牌图像灰度化、车牌图像二值化、车牌字符图像分割、车牌字符图像归一化、车牌字符图像特征值提取。前面五个过程是为了保证字符信息能更好的体现出来，有利于将特征值提取。BP神经网络通过对组件的车牌字符库的学习后才会具有识别功能，然后将车牌字符图像提取到的特征值送入到BP神经网络中就能识别出来。通过实验证明了通过上述的过程是能够将车牌字符识别出来，在这个识别过程中对于BP网络训练的收敛性是十分重要的，证明了该方法的有效性。关键字：字符识别；BP神经网络；特征值提取；车牌识别ABSTRACTBP network based license plate character recognition is one pair of license plate character recognition technology, which is produced in order to improve intelligent transportation system, making the transport system more meaningful information age.In this paper, BP neural network and image processing technology, a combination of methods will be applied to the license plate BP neural network character recognition. For the license plate image processing process includes: license plate image denoising, gray plate image, license plate image binarization, license plate character segmentation, license plate character image normallization, license plate character image feature extraction. During the previous five character information in order to ensure better reflected the benefit is worth the feature extraction,. Through the formation of BP neural network library for license plate character recognition function after learning will have, and then extract the license plate character image characteristic value fed to BP neural network can be identified.The experimental results show the process by the above license plate character can be identified, in this process of identifying convergence BP network training is very important and effectively identifythe plate proved that the method is effective.Key words: character recognition; BP neural network; feature extraction; license plates recognition目录第一章绪论11.1课题研究背景11.2研究现状21.3本文研究内容3第二章字符识别方法42.1图像预处理42.2车牌定位62.3字符分割9第三章BP神经网络133.1人工神经网络133.2BP网络16第四章基于BP网络的车牌识别系统224.1字符特征提取224.2系统识别模块224.3程序运行23第五章总结与展望275.1总结275.2展望27参考文献28外文资料中文译文致谢1北京理工大学2014届本科生毕业设计（论文）第一章绪论1.1课题研究背景 近几年来，随着车辆在普通民众生活中的普及，城市交通的压力越来越成为影响人们方便出行的一大障碍，同时越来越重的城市交通压力也使得原有的交通管理系统不再满足需求，于是人们利用各类先进的科学技术相继研制出各类交通道路、车辆的管理系统，逐步发展到如今较为全面的，包括交通管理多个方面的智能交通系统（Intelligent Transportation System，ITS）。而在整个智能交通系统中，车牌识别（License Plates Recognition,LPR）更是其中的一项关键所在。车牌识别技术是融合了图像处理、计算机视觉、模式识别技术和人工智能等多学科知识在内的交通领域的重要研究课题之一，是实现交通管理能够智能化的重要环节和重要手段，其任务是分析、处理汽车图像，主动识别汽车牌号，并进行相关智能化数据库管理。车牌识别系统可以广泛应用于电子收费、出入控制、公路流量监控、失窃车辆查询和停车场车辆管理等需要车牌认证的场合，尤其在高速公路收费系统中，实现不停车收费提高公路系统的运行效率，车牌识别系统更具有不可替代的作用。因而从事车牌识别系统的研究具有极其重要的显示意义和巨大的经济价值。在现代，神经网络算法得到广泛应用，这种算法是根据生物神经网络而建立起来的模型，能较好的实现人类存储知识和处理信息的技能，使得系统可以模拟人类思维。神经网络中BP网络是其中应用比较广泛且技术较为成熟的网络，BP网络在如今已经被广泛地应用到各个行业领域，它优越性主要体现在四个方面：函数逼近、模式识别、分类、数据压缩。由于在各个行业领域它已经得到了应用，所以BP网络也相对成熟，而且BP网络的变化形式也多种多样，采用BP网络作为车牌字符识别技术是一个相对合理的选择。如今，随着计算机技术、通信技术和计算机网络技术的发展，自动化的信息处理能力和水平不断提高，人们正在逐步进入信息时代。在此情况下，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。汽车作为现代社会的主要交通工具之一，在人们的生产、生活的各个领域得到大量使用，对它的信息自动采集和智能化管理在公路收费站、停车场、十字路口等交通关卡处有十分重要的意义。而且汽车牌照自动识别系统本身是一个全数字化的智能系统，在它上面只要做一定的扩充就可以衍生出一些其他功能，能使收费的管理更严密、更科学。1.2研究现状目前，国内外关于车牌识别的研究已存在很多，并且有一部分已经投入使用，并且在实际使用的过程中展现了这些产品的优势。国外在这方面的研究工作开展较早。早在上世纪70年代，英国就在实验室中完成了“实时车牌检测系统”的广域检测和开发。上世纪90年代初，美国、意大利、德国、以色列、新加坡等国家，都已经有比较成熟的产品投入了应用，如以色列的Hi-Tech公司的See/Car System系列产品，美国的（AUTOSCOF）2003系统，香港Asia Vision Technology公司的VECON产品，德国西门子公司的ARTEM7S系统，新加坡Optasia公司的VLPRS产品等。直至今日，国外对车牌检测的研究已经取得了一些令人瞩目的成就，如：Yuntao Cui提出了一种车牌识别系统，在车牌定位以后，利用马尔科夫场对车牌特征进行提取和二值化，对样本的识别达到了较高的识别率。Eun Ryung等利用图像中的颜色分量，对车辆进行定位识别，其中提到了三种方法：以Hough变换为基础的边缘检测定位识别；以灰度值变换为基础的识别算法；以HLS彩色模式为基础的车牌识别系统，识别率分别为81.25%、85%、91.2%。 而在国内，有大量的学者在从事这方面的研究，提出了很多新颖快速的算法。由于国内车牌和国外车牌差异性的存在，尤其是国内车牌汉字的存在，以及其他一系列的问题，所以国外关于识别率的报道只具有参考价值，其在中国的应用效果可能没有在国外的应用效果好。我国较成熟的产品有中科院自动化研究所汉王公司的“汉王眼”，深圳市科安信实业有限公司以及中国信息产业部下属的中智交通电子有限公司等。香港的亚洲视觉科技有限公司研发的慧光车牌号码自动识别系统，能够自动侦测、识别并验证正在行驶或停泊中的车辆的牌照号码，并能辨认含有中、英及韩文的车牌。此外，各高校部门实验室也相继投入科研力量，如清华大学人工智能国家重点实验室、上海交通大学计算机科学和工程系、浙江大学自动化系等，在车牌识别方面均有研究，并都取得了不错的成绩。中科院自动化研究所的刘智勇等人发表文章，提出在具有3180个样本的样本集中，车牌定位的准确率为99.4%，切分的准确率为94.5%；北京航空航天大学的胡爱明等利用末班匹配技术，开发了一种可应用于收费站的车牌识别系统，该系统的识别准确率能够达到97%以上。关于车牌识别的研究，国内外学者已经做了大量的工作，但仍然存在一些问题，比如车牌图像的倾斜、车牌自身的磨损、光线的干扰都会影响到定位的精度。车牌字符识别是在车牌准确定位的基础上，对车牌使得汉字、字母、数字进行有效确认的过程。目前已有的方法很多，但其效果与实际的要求相差很远，难以适应现代化交通系统高速度、快节奏的要求。因而对字符识别的进一步研究也同样具有紧迫性和必要性。1.3本文研究内容本文主要是针对定位后的车牌字符图像进行预处理再进行分割并且识别，在这个过程中主要是要实现利用BP网络进行车牌字符识别。对于车牌图像首先要进行预处理，预处理的部分就包括车牌图像去噪，车牌图像灰度化和车牌图像二值化。预处理完之后就要对图像进行分割处理，再把车牌中的每个字符给提供出来形成单个字符的图像。提取出单个的车牌字符图像后就要对车牌字符进行特征中提取，把这些特征值送入到BP网络进行识别。BP网络是一个需要预先学习的网络，所以需要建立字符库。这个库就是要把车牌字符一般性特征给体现出来，把字符库的特征值送人到BP网络进行学习得到一个具有识别功能的BP网络。基于上述的思想实现车牌字符识别的程序流程图如图1-1所示。BP神经网络归一化图像输入灰度转化字符分割边缘检测牌照剪切二值化字符库特征提取输出结果图1.1BP网络车牌字符识别流程图第二章字符识别方法2.1图像预处理图像预处理就是对将要利用的图片进行处理使得图像有更好的利用效果，可以很好的从处理过的图片中得到想需要的信息。这个过程中有车牌图像去噪、车牌图像灰度化、车牌图像二值化等。2.1.1车牌规律要对车牌图像处理就需要现归纳统计我国的车牌特点和规律。我国的车牌不仅种类多，而且不够规范，分为很多种类型，并且车牌上还有汉字。按颜色分类，有蓝底白字、黄底黑字、白底黑字和黑底白字之分，有些部队用车车牌字符还分为了两行。由于车牌的种类多排版不一样，所以本文主要是针对蓝底白字的小型民用车进行识别。我国的小型民用车车牌一共是七位（除去分隔符），前面两位是地区信息，后面五位是号码，并采用蓝底白字的车牌，轮廓尺寸为440mm140mm,宽和高近似比例为3:1。号牌详细式样如图2-1所示。图2-1我国小型民用车车牌规格2.1.2 灰度转化灰度图（GrayScale）是指只包含亮度信息，例如平时看到的亮度由暗到明连续变化的黑白照片。要表示灰度图，就需要把亮度值量化，通常分成0255共256个级别，0最暗（全黑），255最亮（全白）。由于256级灰度比较较简单，若是彩色图像，其颜色种类较多，不利于图像处理，因此一般都是将彩色图像转化为灰度图进行处理。摄像机抓拍到的车辆图像均为24位真彩色图像，灰度图像的每一个像素R，G，B分量的值是相等的，所以可以根据下述灰度值和RGE颜色对应关系转换成灰度图：灰度值0.299R+0.587G+0.114B如图2-2和图2-3分别所示为24位真彩色车辆图像以及它的灰度图。 图2-224位真彩色车辆图像 图2-3灰度图2.1.3 边缘检测边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合，也可定义为图像局部特征的不连续性，例如灰度的突变，颜色的突变，纹理结构的突变等等。边缘通常意味着一个区域的终结和另一个区域的开始。边缘的检测常借助空域微分算子进行，通过微分模板与图像卷积完成。用摄像机采集到的机动车图像由于受到噪声干扰以及车辆本身的影响，使得获得的图像质量不理想。因此，再进行汽车牌照的定位及字符识别之前需要先对车辆图像进行边缘检测处理提高图像的质量，使其易于后面的分割与识别。通过良好的边缘检测可以大幅度的降低噪声、分离出复杂环境中的车辆图像，保留完好的车牌字符信息，方便后面的车牌精确定位与字符识别。 由于车牌识别系统摄像头安装位置固定以及机动车车牌的固有属性，可以发现机动车车牌图像都处在水平的矩形区域，在图像中位置较为固定，车牌中字符都是按水平方向排列，所以经过适当的图形变换便可以清晰地呈现出车牌的边缘。对车牌图像进行边缘检测，有若干种方法可以使用，其中大多数是基于导数掩模求卷积的方法。本文采用经典的Sobel算子来对图像进行边缘检测，如图2-4和图2-5所示。 图2-4轮廓图 图2-5Sobel边缘检测后的图像2.2车牌定位摄像头拍摄的图片不仅仅只有车牌部分的图片，而且还有车身等区域的图片，但只有车牌部分是有用区域，其他部分都是无用区域。所以我们要对照片进行车牌定位，然后把车牌部分分割出来。车牌定位和分割是从经过图像预处理后的灰度图像中确定牌照位置，并将车牌部分从整个图像中分割出来，从而进行字符识别。车牌定位和分割的精确度直接关系到最后的字符识别质量的好坏。2.2.1牌照区域剪切到如今人类已经在车牌定位方面进行了很多的研究，总结起来主要有以下几种：（1）基于数学形态学的车牌定位方法。这种方法基本上是利用数学形态学进行图像处理，寻找到一个合适结构元素来探测一幅图像，确定这个元素是否能够合适的放置在这幅图像内部，并检验这种填方元素的方法是否合理有效。数学形态学的基本运算包括服饰、膨胀、开启和关闭。（2）基于车牌颜色的定位方法。这种方法是利用车牌上的特征进行定位，包括形状、颜色和纹理特征，不如车牌的底色和字符的颜色有明显的反差来进行识别定位。（3）基于水平灰度变化的方法。这种方法需要将彩色图像转换为灰度图像，根据车牌灰度图像的边缘特征的水平方向的特征进行定位。（4）基于边缘检测的车牌定位方法。在车牌的边缘部分蕴含了丰富的信息特征，边缘检测就是充分利用这些特征来达到定位的目的。可以进行边缘检测的算法有多种，如Roberts边缘算子、Sobel算子和拉普拉斯边缘检测都可以完成边缘检测。 这些方法各有优缺点，要实现快速准确地定位车牌，应该综合利用车牌的各种特征，仅靠单一特征难以达到目的。车牌图像经过灰度化和边缘检测的处理后，边缘得到了加强，牌照区域已经非常明显。本文采用的是水平灰度变化和Sobel算子来进行图像处理。在本系统中，用水泡方向的差分算子对汽车图像求梯度。对二维图像而言水平梯度为：对图2-3求水平梯度，取阈值为81的效果如图2-6所示。图2-6车辆图像水平梯度图通过选定一个阈值，对梯度图上大于此值的点记为边缘点，把一段连续的边缘点取其第一点，定义这一点为跳变点。对水平方向边缘点的扫描，可以得出此行上跳变点的分布，对整幅图进行扫描就得到全部的跳变点的分布。通过求牌照区域的算法可以看出，会找到牌照大致可能在哪行，所以通过定牌照左右边界算法得到分割后的车牌。如图2-7所示。图2-7分割后的车牌2.2.2牌照几何位置的调整当摄像机在一定高度而水平方向不与汽车正对是拍照会左右方向的倾斜。当从左向右照时，会右倾且右面比左面更倾斜，如图2-8所示。当从右向左照时，会左倾且左面比右面更倾斜，如图2-9所示。任何一种倾斜都会影响牌照字符的切分，所以有必要对其进行矫正。 图2-8向右边倾斜的牌照 图2-9向左边倾斜的牌照矫正的方法是采用Hough变换，其原理如下：极坐标中直线的方程为：式中s是直线离原点的法线距离，是该法线对x轴的角度，如图2-10所示。 图2-10Hough变换原理图左右倾斜算法如下：首先对牌照区域进行扩展，使其包含左右边框，然后对此区域作水平Sobel变换，对Sobel变换图求出其水平方向的跳变图，然后对其进行Hough变换。2.2.3二值化由于得到的图像为灰度图像，而在车牌识别系统中，要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。所以为了便于对图像的处理，首先需要将图像进行二值化操作。二值化是指把整幅图像画面转换为仅黑、白二值的图像。在数字图像处理中，二值图像占有非常重要的地位。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阈值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。 二值化后的牌照图片如图2-11所示。图2-11牌照二值化图 2.3字符分割字符分割是将车牌图像的七个字符分割成一个个独立的字符图像，以供下一步神经网络识别用。字符分割是识别的基础，分割的好坏直接影响到识别的效果。2.3.1图像去噪车牌图像去噪目的是为了改善车牌图像的质量，减少图片上的噪声干扰。在获取到的车牌二值化图像中要先消除噪声干扰。经常影响图片质量的噪声源可分为三类，一是在感光片上的图像会受到感光颗粒噪声的影响；二是图像从光学到电子形式的转换是一个统计过程，这是因为每个图像像素接收到的光子数目是有限的；三是处理信号的电子放大器会引入热噪声。这三种噪声都有相应的数学模型，主要是要对噪声进行滤波，滤波的方法有许多种，例如中指滤波、变换域滤波、小波去噪等。去噪后的图像如图2-12所示。图2-12去噪后的牌照2.3.2牌照字符分割字符分割算法是以垂直投影、字符间距尺寸测定、字符的长宽比、轮廓分析技术的组合为基础的。由于二值化的原因，可能会产生粘连、断裂的字符。此时要根据牌照的大致宽度，结合各字符的轮廓，利用分割、合并的方法正确地分割字符。采用一个目标函数搜索合并字符内的各个断裂点是一种有效的方法。该目标函数是垂直投影函数与二次差分的比率，即：分割目标函数的最高值看作是可能出现的断裂点。本文中字符分割的算法如下，如图2-13和图2-14所示。 图2-13牌照二值化图 图2-14图2-13的点阵水平投影图从投影图2-14可以看出字符与字符的分界处往往是投影比较少的地方，并且字符与字符的分界处投影往往接近零或者为零，所以取初始阈值t=1对投影图进行扫描，过程如下： “while(projecti=t) i+;”，记下位置b； 得到一个分割区，区数加1，重复步骤； 如果区数小于7，则（自定）； 重复。分割效果如图2-15和图2-16所示。 图2-15牌照二值化图 图2-16t=1时图2-15的点阵水平投影图的分割图从图2-16可以看出经过一次分割已经把那些明显分开的区域分割开了，但是有些区域过大，并且只有6个区域（两条竖线间的区域）。所以让t=t+2，结果如图2-17和图2-18所示。 图2-17牌照二值化图 图2-18t=3时图2-17的点阵水平投影图的分割图从图2-18中可以看出那些过宽的区域中又分开了一块，但是有一块区域还是过大，但是区域数已经达到要求。分割出的牌照字符图像如图2-19所示。图2-19分割出的字符图像2.3.3字幅图像归一化字符分割处理后得到的单个数字、字母和汉字图像，还必须进行归一化处理，以消除因牌照倾斜带来的字符在位置和大小上的变化。归一化处理主要包括位置归一化和大小归一化，甚至笔划（粗细）归一化。对于汉字识别，汉字点阵的归一化是十分重要的，因为汉字识别主要基于汉字的图形结构，如果不能将汉字点阵在位置和大小上归一化处理一致起来，汉字点阵的相似性比较久无法正确进行。归一化后的牌照图像如图2-20所示。 图2-20归一化处理后的牌照图像2.3.4细化处理对图像的细化过程是求图像的骨架过程。骨架是二维二值目标的重要描述，它指图像中央的骨骼部分，是描述图像几何及拓扑性质的重要特征之一。细化算法有很多，按照迭代方分为两类，一类是非迭代过程，一类是迭代过程。非迭代算法有基于距离变换的方法等，迭代方法是通过重复删除像素边缘，直到得到单独像素宽度的图像为止。现在用的比较多的细化算法有Hilditch、Pavlidis、Rosenfeld细化算法和索引表细化算法等。车牌图像进行预处理后，细化处理是关系到后面能否正确提取字符特征值的关键，本文使用Rosenfeld骨架细化的方法，细化处理后可以得到图像中字符的基本骨架，不会破坏原来的连通性。细化后的效果图像如图2-21所示。图2-21细化处理后的牌照第三章BP神经网络3.1人工神经网络人工神经网络（Artificial Neural Network, ANN）也称为神经网络（Neural Networks，NN），即从生物学神经系统的信号传递而抽象发展成的一门学科。在神经网络中，最基本的单元就是神经元。3.1.1人工神经元神经元由三部分组成：树突、细胞体、轴突。树突是树状的神经纤维接受网络，它将电信号传递给细胞体，细胞体对这些输入信号进行整合并进行阈值处理。轴突是单根长纤维，它把细胞体的输入信号导向其他的神经元。神经元的排列拓扑结构和突触的连接强度确立了神经网络的功能。形象的说，神经网络是由大量处理单元（神经元）广泛连接而成的网络，是对人脑的抽象、简化和模拟，反映人脑的基本特性。它能够通过学习过程从外部环境中获取知识，并且它内部的很多神经元可以用来存储这些已经学到的知识。人工神经元模型是生物神经元的模型与抽象。图3-1为一种典型的人工神经元模型。图3-1人工神经元模型人工神经元相当于一个多输入单输出的非线性阈值器件。这里的表示的为它的n个输入；表示与它相连的n个突触的连接强度，其值成为权值；称为激活值，表示这个人工神经元的输入总和，对应于生物神经细胞的膜电位；表示这个人工神经元的输出；表示这个人工神经元的阈值。如果输入信号的加权和超过，则人工神经元被激活。这样，人工神经元的输出可描述为 （3-1）式中，是表示神经元输入-输出关系的函数，称为激活函数或输出函数。设是权与输入的矢量积（标量），相当于生物神经元由外加刺激引起的膜内电位的变化。这样激活函数可以写成。这里为了表达简单没有写出阈值。通常我们假设神经元有n-1个突触连接，实际输入变量为。那么可设，这样就加入了阈值这个量。阈值一般不是一个常数，它是随着神经元的兴奋程度而变化的。因细胞在每次放电之后都需要一定的时间恢复，也就是说神经元的兴奋存在不应期，即相邻二次兴奋之间需要的时间间隔（大约为0.5-2.0ms）,在此期间阈值会升高，即绝对不应期内的阈值上升为无穷大。激活函数有许多类型，其中比较常用的可以归结为三种形式:阈值型、S型和线性型。本文采用S型激活函数。单极型S型（Sigmoid响应特性）激活函数的输出特性比较软，其输出状态的取值范围为0,1，它的硬度可由一系数来调节。特的输入输出关系由下图表示，式（3-2）是它的表达式。图3-2单极型的S型激活函数 （3-2）综上所述，神经元具有以下特点：神经元是一多输入、单输出的元件它具有非线性的输入、输出特征它具有可塑性，起诉性变化的部分主要是权值的变化，这相当于生物神经元的凸出部分的变化。神经元的输出响应是各个输入值的综合作用的结果。输入分为兴奋型（正值）和抑制型（负值）两种。3.1.2神经元网络的学习规则神经元网络的最大特点就是它有学习的能力，在学习过程中，主要是网络的连接权的值产生了相应的变