基于bp網(wǎng)絡的車牌識別系統(tǒng)的設計畢業(yè)設計

1、<p>　　一、原始依據(jù)（包括設計或論文的工作基礎、研究條件、應用環(huán)境、工作目的等。）</p><p>　　工作基礎：了解C++的基本概念和語法，熟練使用Visual C++軟件。</p><p>　　研究條件：依據(jù)BP神經網(wǎng)絡的基本原理完成算法實現(xiàn)。</p><p>　　應用環(huán)境：基于BP神經網(wǎng)絡的圖像文件中的車牌號碼識別。</p><

2、;p>　　工作目的：熟練掌握Visual C++應用程序的開發(fā)。</p><p>　　了解人工智能的基本概念以及神經網(wǎng)絡的基本原理。</p><p>　　熟練掌握Visual C++中的圖片處理的基本方法。</p><p><b>　　二、參考文獻</b></p><p>　　[1]人工智能原理及其應用，王萬森，電

3、子工業(yè)出版社，2007.</p><p>　　[2]VC++深入詳解，孫鑫，電子工業(yè)出版社，2006.</p><p>　　[3]人工神經網(wǎng)絡原理, 馬銳，機械工業(yè)出版社，2010.</p><p>　　[4]Visual C++數(shù)字圖像處理典型案例詳解，沈晶，機械工業(yè)出版社，2012.</p><p>　　[5]Application of

4、 Image Processing to the Characterization of Nanostructures，Manuel F. M. Costa，Reviews on Advanced Materials Science,2004.</p><p>　　三、設計（研究）內容和要求（包括設計或研究內容、主要指標與技術參數(shù)，并根據(jù)課題性質對學生提出具體要求。）</p><p>　　

5、1、掌握C++的基本概念和語法。</p><p>　　2、了解神經網(wǎng)絡的基本原理。</p><p>　　3、完成Visual C++中對于圖像的預處理。</p><p>　　4、完成基于樣本的神經網(wǎng)絡的訓練以及圖像中車牌信息的識別，并對其性能進行統(tǒng)計和總結。</p><p><b>　　指導教師（簽字）</b></

6、p><p><b>　　年 月 日</b></p><p>　　審題小組組長（簽字）</p><p><b>　　年 月 日</b></p><p>　　天津大學仁愛學院本科生畢業(yè)設計（論文）開題報告</p><p><b>　　摘 要</b

7、></p><p>　　基于BP網(wǎng)絡的車牌識別是一門對車牌字符識別的技術，它的產生是為了完善智能交通系統(tǒng)，使得交通系統(tǒng)更具有信息時代的意義。</p><p>　　本文利用BP神經網(wǎng)絡與圖像處理技術相結合的方法，將BP神經網(wǎng)絡應用到車牌字符識別中。針對車牌圖像的處理的過程包括：車牌圖像去噪、車牌圖像灰度化、車牌圖像二值化、車牌字符圖像分割、車牌字符圖像歸一化、車牌字符圖像特征值提取。前

8、面五個過程是為了保證字符信息能更好的體現(xiàn)出來，有利于將特征值提取。BP神經網(wǎng)絡通過對組件的車牌字符庫的學習后才會具有識別功能，然后將車牌字符圖像提取到的特征值送入到BP神經網(wǎng)絡中就能識別出來。</p><p>　　通過實驗證明了通過上述的過程是能夠將車牌字符識別出來，在這個識別過程中對于BP網(wǎng)絡訓練的收斂性是十分重要的，證明了該方法的有效性。</p><p>　　關鍵字：字符識別；BP神經

9、網(wǎng)絡；特征值提取；車牌識別</p><p><b>　　ABSTRACT</b></p><p>　　BP network based license plate character recognition is one pair of license plate character recognition technology, which is produced

10、in order to improve intelligent transportation system, making the transport system more meaningful information age.</p><p>　　In this paper, BP neural network and image processing technology, a combination of

11、 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 binariz

12、ation, license plate character segmentation, license plate character image normallization, license plate character image feature extraction. During the previous five character information in order t</p><p>　

13、　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

14、 that the method is effective.</p><p>　　Key words: character recognition; BP neural network; feature extraction; license plates recognition</p><p><b>　　目　　錄</b></p><p>

15、<b>　　第一章　　緒論1</b></p><p>　　1.1　課題研究背景1</p><p>　　1.2　研究現(xiàn)狀2</p><p>　　1.3　本文研究內容3</p><p>　　第二章　　字符識別方法4</p><p>　　2.1　圖像預處理4</p><p

16、>　　2.2　車牌定位6</p><p>　　2.3　字符分割9</p><p>　　第三章　　BP神經網(wǎng)絡13</p><p>　　3.1　人工神經網(wǎng)絡13</p><p>　　3.2　BP網(wǎng)絡16</p><p>　　第四章　　基于BP網(wǎng)絡的車牌識別系統(tǒng)22</p><p>

17、;　　4.1　字符特征提取22</p><p>　　4.2　系統(tǒng)識別模塊22</p><p>　　4.3　程序運行23</p><p>　　第五章　　總結與展望27</p><p><b>　　5.1　總結27</b></p><p><b>　　5.2　展望27</b

18、></p><p><b>　　參考文獻28</b></p><p><b>　　外文資料</b></p><p><b>　　中文譯文</b></p><p><b>　　致謝</b></p><p><b>　

19、　第一章　　緒論</b></p><p>　　1.1　課題研究背景</p><p>　　近幾年來，隨著車輛在普通民眾生活中的普及，城市交通的壓力越來越成為影響人們方便出行的一大障礙，同時越來越重的城市交通壓力也使得原有的交通管理系統(tǒng)不再滿足需求，于是人們利用各類先進的科學技術相繼研制出各類交通道路、車輛的管理系統(tǒng)，逐步發(fā)展到如今較為全面的，包括交通管理多個方面的智能交通系統(tǒng)（I

20、ntelligent Transportation System，ITS）。而在整個智能交通系統(tǒng)中，車牌識別（License Plates Recognition,LPR）更是其中的一項關鍵所在。</p><p>　　車牌識別技術是融合了圖像處理、計算機視覺、模式識別技術和人工智能等多學科知識在內的交通領域的重要研究課題之一，是實現(xiàn)交通管理能夠智能化的重要環(huán)節(jié)和重要手段，其任務是分析、處理汽車圖像，主動識別汽車牌

21、號，并進行相關智能化數(shù)據(jù)庫管理。車牌識別系統(tǒng)可以廣泛應用于電子收費、出入控制、公路流量監(jiān)控、失竊車輛查詢和停車場車輛管理等需要車牌認證的場合，尤其在高速公路收費系統(tǒng)中，實現(xiàn)不停車收費提高公路系統(tǒng)的運行效率，車牌識別系統(tǒng)更具有不可替代的作用。因而從事車牌識別系統(tǒng)的研究具有極其重要的顯示意義和巨大的經濟價值。</p><p>　　在現(xiàn)代，神經網(wǎng)絡算法得到廣泛應用，這種算法是根據(jù)生物神經網(wǎng)絡而建立起來的模型，能較好的實

22、現(xiàn)人類存儲知識和處理信息的技能，使得系統(tǒng)可以模擬人類思維。神經網(wǎng)絡中BP網(wǎng)絡是其中應用比較廣泛且技術較為成熟的網(wǎng)絡，BP網(wǎng)絡在如今已經被廣泛地應用到各個行業(yè)領域，它優(yōu)越性主要體現(xiàn)在四個方面：函數(shù)逼近、模式識別、分類、數(shù)據(jù)壓縮。由于在各個行業(yè)領域它已經得到了應用，所以BP網(wǎng)絡也相對成熟，而且BP網(wǎng)絡的變化形式也多種多樣，采用BP網(wǎng)絡作為車牌字符識別技術是一個相對合理的選擇。</p><p>　　如今，隨著計算機技術

23、、通信技術和計算機網(wǎng)絡技術的發(fā)展，自動化的信息處理能力和水平不斷提高，人們正在逐步進入信息時代。在此情況下，作為信息來源的自動檢測、圖像識別技術越來越受到人們的重視。汽車作為現(xiàn)代社會的主要交通工具之一，在人們的生產、生活的各個領域得到大量使用，對它的信息自動采集和智能化管理在公路收費站、停車場、十字路口等交通關卡處有十分重要的意義。而且汽車牌照自動識別系統(tǒng)本身是一個全數(shù)字化的智能系統(tǒng)，在它上面只要做一定的擴充就可以衍生出一些其他功能，能

24、使收費的管理更嚴密、更科學。</p><p><b>　　1.2　研究現(xiàn)狀</b></p><p>　　目前，國內外關于車牌識別的研究已存在很多，并且有一部分已經投入使用，并且在實際使用的過程中展現(xiàn)了這些產品的優(yōu)勢。</p><p>　　國外在這方面的研究工作開展較早。早在上世紀70年代，英國就在實驗室中完成了“實時車牌檢測系統(tǒng)”的廣域檢測和開

25、發(fā)。上世紀90年代初，美國、意大利、德國、以色列、新加坡等國家，都已經有比較成熟的產品投入了應用，如以色列的Hi-Tech公司的See/Car System系列產品，美國的（AUTOSCOF）[2003系統(tǒng)]，香港Asia Vision Technology公司的VECON產品，德國西門子公司的ARTEM7S系統(tǒng)，新加坡Optasia公司的VLPRS產品等。直至今日，國外對車牌檢測的研究已經取得了一些令人矚目的成就，如：Yuntao C

26、ui提出了一種車牌識別系統(tǒng)，在車牌定位以后，利用馬爾科夫場對車牌特征進行提取和二值化，對樣本的識別達到了較高的識別率。Eun Ryung等利用圖像中的顏色分量，對車輛進行定位識別，其中提到了三種方法：①以Hough變換為基礎的邊緣檢測定位識別；②以灰度值變換為基礎的識別算法；③以HLS彩色模式為基礎的車牌識別系統(tǒng)，識別率分別為81.25%、85%、91.2%。</p><p>　　而在國內，有大量的學者在從事這方

27、面的研究，提出了很多新穎快速的算法。由于國內車牌和國外車牌差異性的存在，尤其是國內車牌漢字的存在，以及其他一系列的問題，所以國外關于識別率的報道只具有參考價值，其在中國的應用效果可能沒有在國外的應用效果好。我國較成熟的產品有中科院自動化研究所漢王公司的“漢王眼”，深圳市科安信實業(yè)有限公司以及中國信息產業(yè)部下屬的中智交通電子有限公司等。香港的亞洲視覺科技有限公司研發(fā)的慧光車牌號碼自動識別系統(tǒng)，能夠自動偵測、識別并驗證正在行駛或停泊中的車輛

28、的牌照號碼，并能辨認含有中、英及韓文的車牌。此外，各高校部門實驗室也相繼投入科研力量，如清華大學人工智能國家重點實驗室、上海交通大學計算機科學和工程系、浙江大學自動化系等，在車牌識別方面均有研究，并都取得了不錯的成績。中科院自動化研究所的劉智勇等人發(fā)表文章，提出在具有3180個樣本的樣本集中，車牌定位的準確率為99.4%，切分的準確率為94.5%；北京航空航天大學的胡愛明等利用末班匹配技術，開發(fā)了一種可應用于收費站的車牌識別系統(tǒng)，該系統(tǒng)

29、的識別準確率能夠達到97%以上。</p><p>　　關于車牌識別的研究，國內外學者已經做了大量的工作，但仍然存在一些問題，比如車牌圖像的傾斜、車牌自身的磨損、光線的干擾都會影響到定位的精度。車牌字符識別是在車牌準確定位的基礎上，對車牌使得漢字、字母、數(shù)字進行有效確認的過程。目前已有的方法很多，但其效果與實際的要求相差很遠，難以適應現(xiàn)代化交通系統(tǒng)高速度、快節(jié)奏的要求。因而對字符識別的進一步研究也同樣具有緊迫性和必

30、要性。</p><p>　　1.3　本文研究內容</p><p>　　本文主要是針對定位后的車牌字符圖像進行預處理再進行分割并且識別，在這個過程中主要是要實現(xiàn)利用BP網(wǎng)絡進行車牌字符識別。對于車牌圖像首先要進行預處理，預處理的部分就包括車牌圖像去噪，車牌圖像灰度化和車牌圖像二值化。預處理完之后就要對圖像進行分割處理，再把車牌中的每個字符給提供出來形成單個字符的圖像。提取出單個的車牌字符圖像

31、后就要對車牌字符進行特征中提取，把這些特征值送入到BP網(wǎng)絡進行識別。BP網(wǎng)絡是一個需要預先學習的網(wǎng)絡，所以需要建立字符庫。這個庫就是要把車牌字符一般性特征給體現(xiàn)出來，把字符庫的特征值送人到BP網(wǎng)絡進行學習得到一個具有識別功能的BP網(wǎng)絡。</p><p>　　基于上述的思想實現(xiàn)車牌字符識別的程序流程圖如圖1-1所示。</p><p>　　圖1.1　　BP網(wǎng)絡車牌字符識別流程圖</p&g

32、t;<p>　　第二章　　字符識別方法</p><p><b>　　2.1　圖像預處理</b></p><p>　　圖像預處理就是對將要利用的圖片進行處理使得圖像有更好的利用效果，可以很好的從處理過的圖片中得到想需要的信息。這個過程中有車牌圖像去噪、車牌圖像灰度化、車牌圖像二值化等。</p><p>　　2.1.1　車牌規(guī)律<

33、;/p><p>　　要對車牌圖像處理就需要現(xiàn)歸納統(tǒng)計我國的車牌特點和規(guī)律。</p><p>　　我國的車牌不僅種類多，而且不夠規(guī)范，分為很多種類型，并且車牌上還有漢字。按顏色分類，有藍底白字、黃底黑字、白底黑字和黑底白字之分，有些部隊用車車牌字符還分為了兩行。由于車牌的種類多排版不一樣，所以本文主要是針對藍底白字的小型民用車進行識別。</p><p>　　我國的小型民用

34、車車牌一共是七位（除去分隔符），前面兩位是地區(qū)信息，后面五位是號碼，并采用藍底白字的車牌，輪廓尺寸為440mm×140mm,寬和高近似比例為3:1。號牌詳細式樣如圖2-1所示。</p><p>　　圖2-1　　我國小型民用車車牌規(guī)格</p><p><b>　　灰度轉化</b></p><p>　　灰度圖（GrayScale）是指只包

35、含亮度信息，例如平時看到的亮度由暗到明連續(xù)變化的黑白照片。要表示灰度圖，就需要把亮度值量化，通常分成0～255共256個級別，0最暗（全黑），255最亮（全白）。由于256級灰度比較較簡單，若是彩色圖像，其顏色種類較多，不利于圖像處理，因此一般都是將彩色圖像轉化為灰度圖進行處理。攝像機抓拍到的車輛圖像均為24位真彩色圖像，灰度圖像的每一個像素R，G，B分量的值是相等的，所以可以根據(jù)下述灰度值和RGE顏色對應關系轉換成灰度圖：</p

36、><p>　　灰度值＝0.299R+0.587G+0.114B</p><p>　　如圖2-2和圖2-3分別所示為24位真彩色車輛圖像以及它的灰度圖。</p><p>　　圖2-2　　24位真彩色車輛圖像 圖2-3　　灰度圖</p><p><b>　　邊緣檢測</b></p>

37、<p>　　邊緣是指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合，也可定義為圖像局部特征的不連續(xù)性，例如灰度的突變，顏色的突變，紋理結構的突變等等。邊緣通常意味著一個區(qū)域的終結和另一個區(qū)域的開始。邊緣的檢測常借助空域微分算子進行，通過微分模板與圖像卷積完成。用攝像機采集到的機動車圖像由于受到噪聲干擾以及車輛本身的影響，使得獲得的圖像質量不理想。因此，再進行汽車牌照的定位及字符識別之前需要先對車輛圖像進行邊緣檢測

38、處理提高圖像的質量，使其易于后面的分割與識別。通過良好的邊緣檢測可以大幅度的降低噪聲、分離出復雜環(huán)境中的車輛圖像，保留完好的車牌字符信息，方便后面的車牌精確定位與字符識別。</p><p>　　由于車牌識別系統(tǒng)攝像頭安裝位置固定以及機動車車牌的固有屬性，可以發(fā)現(xiàn)機動車車牌圖像都處在水平的矩形區(qū)域，在圖像中位置較為固定，車牌中字符都是按水平方向排列，所以經過適當?shù)膱D形變換便可以清晰地呈現(xiàn)出車牌的邊緣。對車牌圖像進行

39、邊緣檢測，有若干種方法可以使用，其中大多數(shù)是基于導數(shù)掩模求卷積的方法。</p><p>　　本文采用經典的Sobel算子來對圖像進行邊緣檢測，如圖2-4和圖2-5所示。</p><p>　　圖2-4　　輪廓圖 　 圖2-5　　Sobel邊緣檢測后的圖像</p><p><b>　　2.2　車牌定位</b></p

40、><p>　　攝像頭拍攝的圖片不僅僅只有車牌部分的圖片，而且還有車身等區(qū)域的圖片，但只有車牌部分是有用區(qū)域，其他部分都是無用區(qū)域。所以我們要對照片進行車牌定位，然后把車牌部分分割出來。車牌定位和分割是從經過圖像預處理后的灰度圖像中確定牌照位置，并將車牌部分從整個圖像中分割出來，從而進行字符識別。車牌定位和分割的精確度直接關系到最后的字符識別質量的好壞。</p><p>　　2.2.1　牌照區(qū)域

41、剪切</p><p>　　到如今人類已經在車牌定位方面進行了很多的研究，總結起來主要有以下幾種：</p><p>　?。?）基于數(shù)學形態(tài)學的車牌定位方法。這種方法基本上是利用數(shù)學形態(tài)學進行圖像處理，尋找到一個合適結構元素來探測一幅圖像，確定這個元素是否能夠合適的放置在這幅圖像內部，并檢驗這種填方元素的方法是否合理有效。數(shù)學形態(tài)學的基本運算包括服飾、膨脹、開啟和關閉。</p>

42、<p>　?。?）基于車牌顏色的定位方法。這種方法是利用車牌上的特征進行定位，包括形狀、顏色和紋理特征，不如車牌的底色和字符的顏色有明顯的反差來進行識別定位。</p><p>　?。?）基于水平灰度變化的方法。這種方法需要將彩色圖像轉換為灰度圖像，根據(jù)車牌灰度圖像的邊緣特征的水平方向的特征進行定位。</p><p>　?。?）基于邊緣檢測的車牌定位方法。在車牌的邊緣部分蘊含了豐富

43、的信息特征，邊緣檢測就是充分利用這些特征來達到定位的目的?？梢赃M行邊緣檢測的算法有多種，如Roberts邊緣算子、Sobel算子和拉普拉斯邊緣檢測都可以完成邊緣檢測。</p><p>　　這些方法各有優(yōu)缺點，要實現(xiàn)快速準確地定位車牌，應該綜合利用車牌的各種特征，僅靠單一特征難以達到目的。車牌圖像經過灰度化和邊緣檢測的處理后，邊緣得到了加強，牌照區(qū)域已經非常明顯。本文采用的是水平灰度變化和Sobel算子來進行圖像處

44、理。</p><p>　　在本系統(tǒng)中，用水泡方向的差分算子對汽車圖像求梯度。</p><p>　　對二維圖像而言水平梯度為：</p><p>　　對圖2-3求水平梯度，取閾值為81的效果如圖2-6所示。</p><p>　　圖2-6　　車輛圖像水平梯度圖</p><p>　　通過選定一個閾值，對梯度圖上大于此值的點記為

45、邊緣點，把一段連續(xù)的邊緣點取其第一點，定義這一點為跳變點。對水平方向邊緣點的掃描，可以得出此行上跳變點的分布，對整幅圖進行掃描就得到全部的跳變點的分布。通過求牌照區(qū)域的算法可以看出，會找到牌照大致可能在哪行，所以通過定牌照左右邊界算法得到分割后的車牌。如圖2-7所示。</p><p>　　圖2-7　　分割后的車牌</p><p>　　2.2.2　牌照幾何位置的調整</p>&

46、lt;p>　　當攝像機在一定高度而水平方向不與汽車正對是拍照會左右方向的傾斜。當從左向右照時，會右傾且右面比左面更傾斜，如圖2-8所示。當從右向左照時，會左傾且左面比右面更傾斜，如圖2-9所示。任何一種傾斜都會影響牌照字符的切分，所以有必要對其進行矯正。</p><p>　　圖2-8　　向右邊傾斜的牌照 圖2-9　　向左邊傾斜的牌照</p><p&

47、gt;　　矯正的方法是采用Hough變換，其原理如下：</p><p>　　極坐標中直線的方程為：</p><p>　　式中s是直線離原點的法線距離，是該法線對x軸的角度，如圖2-10所示。</p><p>　　圖2-10　　Hough變換原理圖</p><p>　　左右傾斜算法如下：首先對牌照區(qū)域進行擴展，使其包含左右邊框，然后對此區(qū)域作水

48、平Sobel變換，對Sobel變換圖求出其水平方向的跳變圖，然后對其進行Hough變換。</p><p><b>　　2.2.3　二值化</b></p><p>　　由于得到的圖像為灰度圖像，而在車牌識別系統(tǒng)中，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。所以為了便于對圖像的處理，首先需要將圖像進行二值化操作。</p>

49、<p>　　二值化是指把整幅圖像畫面轉換為僅黑、白二值的圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位。在實際的車牌處理系統(tǒng)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，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。 二值化后的牌照圖片如圖2-11所示。</p><p>　　圖2-11　　牌照二值化圖</p>&l

50、t;p><b>　　2.3　字符分割</b></p><p>　　字符分割是將車牌圖像的七個字符分割成一個個獨立的字符圖像，以供下一步神經網(wǎng)絡識別用。字符分割是識別的基礎，分割的好壞直接影響到識別的效果。</p><p>　　2.3.1　圖像去噪</p><p>　　車牌圖像去噪目的是為了改善車牌圖像的質量，減少圖片上的噪聲干擾。在獲取到

51、的車牌二值化圖像中要先消除噪聲干擾。經常影響圖片質量的噪聲源可分為三類，一是在感光片上的圖像會受到感光顆粒噪聲的影響；二是圖像從光學到電子形式的轉換是一個統(tǒng)計過程，這是因為每個圖像像素接收到的光子數(shù)目是有限的；三是處理信號的電子放大器會引入熱噪聲。這三種噪聲都有相應的數(shù)學模型，主要是要對噪聲進行濾波，濾波的方法有許多種，例如中指濾波、變換域濾波、小波去噪等。去噪后的圖像如圖2-12所示。</p><p>　　圖2

52、-12　　去噪后的牌照</p><p>　　2.3.2　牌照字符分割</p><p>　　字符分割算法是以垂直投影、字符間距尺寸測定、字符的長寬比、輪廓分析技術的組合為基礎的。由于二值化的原因，可能會產生粘連、斷裂的字符。此時要根據(jù)牌照的大致寬度，結合各字符的輪廓，利用分割、合并的方法正確地分割字符。采用一個目標函數(shù)搜索合并字符內的各個斷裂點是一種有效的方法。該目標函數(shù)是垂直投影函數(shù)與二次

53、差分的比率，即：</p><p>　　分割目標函數(shù)的最高值看作是可能出現(xiàn)的斷裂點。本文中字符分割的算法如下，如圖2-13和圖2-14所示。</p><p>　　圖2-13　　牌照二值化圖 圖2-14　　圖2-13的點陣水平投影圖</p><p>　　從投影圖2-14可以看出字符與字符的分界處往往是投影比較少的地方，并且字符與字符的分界處投影往

54、往接近零或者為零，所以取初始閾值t=1對投影圖進行掃描，過程如下：</p><p>　　① “while(project[i]<t) i++;”，記下位置a；</p><p>　?、?“while(project[i]>=t) i++;”，記下位置b；</p><p>　　③ 得到一個分割區(qū)，區(qū)數(shù)加1，重復步驟①；</p><p&

55、gt;　?、?如果區(qū)數(shù)小于7，則（自定）；</p><p><b>　　⑤ 重復①。</b></p><p>　　分割效果如圖2-15和圖2-16所示。</p><p>　　圖2-15　　牌照二值化圖 圖2-16　　t=1時圖2-15的點陣水平投影圖的分割圖</p><p>　　從圖2-16可以看出經過一次

56、分割已經把那些明顯分開的區(qū)域分割開了，但是有些區(qū)域過大，并且只有6個區(qū)域（兩條豎線間的區(qū)域）。所以讓t=t+2，結果如圖2-17和圖2-18所示。</p><p>　　圖2-17　　牌照二值化圖 圖2-18　　t=3時圖2-17的點陣水平投影圖的分割圖</p><p>　　從圖2-18中可以看出那些過寬的區(qū)域中又分開了一塊，但是有一塊區(qū)域還是過大，但是區(qū)域數(shù)已經達到要求。分割

57、出的牌照字符圖像如圖2-19所示。</p><p>　　圖2-19　　分割出的字符圖像</p><p>　　2.3.3　字幅圖像歸一化</p><p>　　字符分割處理后得到的單個數(shù)字、字母和漢字圖像，還必須進行歸一化處理，以消除因牌照傾斜帶來的字符在位置和大小上的變化。歸一化處理主要包括位置歸一化和大小歸一化，甚至筆劃（粗細）歸一化。對于漢字識別，漢字點陣的歸一化

58、是十分重要的，因為漢字識別主要基于漢字的圖形結構，如果不能將漢字點陣在位置和大小上歸一化處理一致起來，漢字點陣的相似性比較久無法正確進行。歸一化后的牌照圖像如圖2-20所示。</p><p>　　圖2-20　　歸一化處理后的牌照圖像</p><p>　　2.3.4　細化處理</p><p>　　對圖像的細化過程是求圖像的骨架過程。骨架是二維二值目標的重要描述，它指圖

59、像中央的骨骼部分，是描述圖像幾何及拓撲性質的重要特征之一。細化算法有很多，按照迭代方分為兩類，一類是非迭代過程，一類是迭代過程。非迭代算法有基于距離變換的方法等，迭代方法是通過重復刪除像素邊緣，直到得到單獨像素寬度的圖像為止?，F(xiàn)在用的比較多的細化算法有Hilditch、Pavlidis、Rosenfeld細化算法和索引表細化算法等。車牌圖像進行預處理后，細化處理是關系到后面能否正確提取字符特征值的關鍵，本文使用Rosenfeld骨架細化

60、的方法，細化處理后可以得到圖像中字符的基本骨架，不會破壞原來的連通性。細化后的效果圖像如圖2-21所示。</p><p>　　圖2-21　　細化處理后的牌照</p><p>　　第三章　　BP神經網(wǎng)絡</p><p>　　3.1　人工神經網(wǎng)絡</p><p>　　人工神經網(wǎng)絡（Artificial Neural Network, ANN）也稱

61、為神經網(wǎng)絡（Neural Networks，NN），即從生物學神經系統(tǒng)的信號傳遞而抽象發(fā)展成的一門學科。在神經網(wǎng)絡中，最基本的單元就是神經元。</p><p>　　3.1.1　人工神經元</p><p>　　神經元由三部分組成：樹突、細胞體、軸突。樹突是樹狀的神經纖維接受網(wǎng)絡，它將電信號傳遞給細胞體，細胞體對這些輸入信號進行整合并進行閾值處理。軸突是單根長纖維，它把細胞體的輸入信號導向其他

62、的神經元。神經元的排列拓撲結構和突觸的連接強度確立了神經網(wǎng)絡的功能。形象的說，神經網(wǎng)絡是由大量處理單元（神經元）廣泛連接而成的網(wǎng)絡，是對人腦的抽象、簡化和模擬，反映人腦的基本特性。它能夠通過學習過程從外部環(huán)境中獲取知識，并且它內部的很多神經元可以用來存儲這些已經學到的知識。人工神經元模型是生物神經元的模型與抽象。圖3-1為一種典型的人工神經元模型。</p><p>　　圖3-1　　人工神經元模型</p>

63、;<p>　　人工神經元相當于一個多輸入單輸出的非線性閾值器件。這里的表示的為它的n個輸入；表示與它相連的n個突觸的連接強度，其值成為權值；稱為激活值，表示這個人工神經元的輸入總和，對應于生物神經細胞的膜電位；表示這個人工神經元的輸出；表示這個人工神經元的閾值。如果輸入信號的加權和超過，則人工神經元被激活。這樣，人工神經元的輸出可描述為</p><p><b>　　（3-1）</b&

64、gt;</p><p>　　式中，是表示神經元輸入-輸出關系的函數(shù)，稱為激活函數(shù)或輸出函數(shù)。設是權與輸入的矢量積（標量），相當于生物神經元由外加刺激引起的膜內電位的變化。這樣激活函數(shù)可以寫成。這里為了表達簡單沒有寫出閾值θ。通常我們假設神經元有n-1個突觸連接，實際輸入變量為。那么可設，，這樣就加入了閾值這個量。</p><p>　　閾值一般不是一個常數(shù)，它是隨著神經元的興奮程度而變化的。

65、因細胞在每次放電之后都需要一定的時間恢復，也就是說神經元的興奮存在不應期，即相鄰二次興奮之間需要的時間間隔（大約為0.5-2.0ms）,在此期間閾值會升高，即絕對不應期內的閾值上升為無窮大。</p><p>　　激活函數(shù)有許多類型，其中比較常用的可以歸結為三種形式:閾值型、S型和線性型。本文采用S型激活函數(shù)。</p><p>　　單極型S型（Sigmoid響應特性）激活函數(shù)的輸出特性比較軟

66、，其輸出狀態(tài)的取值范圍為[0,1]，它的硬度可由一系數(shù)λ來調節(jié)。特的輸入輸出關系由下圖表示，式（3-2）是它的表達式。</p><p>　　圖3-2　　單極型的S型激活函數(shù)</p><p><b>　?。?-2）</b></p><p>　　綜上所述，神經元具有以下特點：</p><p>　　神經元是一多輸入、單輸出的元

67、件</p><p>　　它具有非線性的輸入、輸出特征</p><p>　　它具有可塑性，起訴性變化的部分主要是權值的變化，這相當于生物神經元的凸出部分的變化。</p><p>　　神經元的輸出響應是各個輸入值的綜合作用的結果。</p><p>　　輸入分為興奮型（正值）和抑制型（負值）兩種。</p><p>　　3.1

68、.2　神經元網(wǎng)絡的學習規(guī)則</p><p>　　神經元網(wǎng)絡的最大特點就是它有學習的能力，在學習過程中，主要是網(wǎng)絡的連接權的值產生了相應的變化，學習到的內容也是記憶在連接權之中。下面介紹連接權適量W（或者分量）是怎樣在學習過程中被校正的。</p><p>　　令為第i個神經元的第j個輸入連接權，這個輸入可以是外來的輸入信號，也可以來自其他神經元的輸出。</p><p>

69、;　　這里，主要討論單個神經元或單層網(wǎng)絡的有監(jiān)督學習以及簡單的無監(jiān)督學習。對于不同的學習規(guī)則，神經元的激活函數(shù)是不同的。閾值也可以包括在連接權矩陣里。</p><p>　　學習信號是和的函數(shù)，有時也包括教師信號,所以有</p><p><b>　　（3-3）</b></p><p>　　權矢量Wi的變化是由學習步驟按時間t,t+1……一步一步進

70、行計算的。在時刻t連接權的變化量為,其中c是一個正數(shù)，成為學習常數(shù)，決定學習的速率。從t時刻到下一個時刻t+1,連接權可按下式計算：</p><p><b>　?。?-4）</b></p><p><b>　　離散學習步驟可寫成</b></p><p><b>　?。?-5）</b></p>

71、;<p>　　其中c是一個正常數(shù)，成為學習常數(shù)，決定學習的速率。</p><p>　　3.1.3　多層人工神經網(wǎng)絡</p><p>　　由于感知器是單層網(wǎng)絡智能解決現(xiàn)行可分問題，要增強分類能力的唯一途徑就是采用多層網(wǎng)絡，即在輸入和輸出層之間加上隱含構成多層前饋網(wǎng)絡即為BP網(wǎng)絡模型，如圖3-3所示。這是一種三層BP網(wǎng)絡，一般來講，BP網(wǎng)絡是一種具有三層或三層以上的多層神經元網(wǎng)絡

72、，它的左、右各層之間各個神經元實現(xiàn)全連接，即左層的每一個神經元與右層的每個神經元都有連接，而同層內的各神經元之間無連接。</p><p>　　圖3-3　　多層神經網(wǎng)絡</p><p><b>　　3.2　BP網(wǎng)絡</b></p><p>　　BP(Back Propagation)網(wǎng)絡是1986年由Rumelhart和McClelland為首的

73、科學家小組提出, 是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡,是目前應用最廣泛的神經網(wǎng)絡模型之一。</p><p>　　BP網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。BP網(wǎng)絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前解釋描述這種映射關系的數(shù)學方程。它的學習規(guī)則是使用最速下降法，通過反向傳播來不斷調整網(wǎng)絡的權值和閾值，使網(wǎng)絡的誤差平方和最小。BP網(wǎng)絡其神經元的傳遞函數(shù)是S型函數(shù)，輸入量為0到1之間的連續(xù)

74、量，它可以實現(xiàn)從輸入到輸出的任意非線性映射。目前，在人工神經網(wǎng)絡的實際應用中，絕大部分的神經網(wǎng)絡的模型都采用BP網(wǎng)絡及其變化形式。它也是前向網(wǎng)絡的核心部分，體現(xiàn)了人工網(wǎng)絡的精華。</p><p>　　BP網(wǎng)絡的實現(xiàn)分為兩個階段：學習階段和識別階段。在BP神經網(wǎng)絡的學習階段，輸入層各神經元負責接收來自外界的輸入信息，并傳遞給中間層各神經元；中間層是內部信息處理層，負責信息變換，根據(jù)信息變化能力的需求，中間層可以設計

75、為單隱層或者多隱層結構；最后一個隱層傳遞到輸出層各神經元的信息，經過進一步的處理后，完成一次學習的正向傳播處理工程，由輸出層向外界輸出信息處理結果。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權值，向隱層、輸入層逐層反傳。周而復始的信息正向傳播和誤差反向傳播過程，是各層權值不斷調整的過程，也是神經網(wǎng)絡學習訓練的過程，此過程一直進行到網(wǎng)絡輸出的誤差減少到可以接受的程度，或者預先設定的學習

76、次數(shù)為止。</p><p>　　3.2.1　誤差逆?zhèn)鞑バＵ椒?lt;/p><p>　　誤差逆?zhèn)鞑バＵ椒ㄊ抢脤嶋H輸出與期望輸出之差對網(wǎng)絡的各層連接權由后向前逐層進行校正的一種計算方法。下面介紹一個三層網(wǎng)絡模型的誤差逆?zhèn)鞑W習規(guī)則的原理。</p><p>　　這個網(wǎng)絡的輸入層有n個神經元，輸出層有q個神經元，中間層有P個神經元。由于中間層與輸入、輸出端沒有直接的聯(lián)系，

77、所以也常把中間層成為隱含層。首先把網(wǎng)絡的變量設置如下：</p><p>　　輸入層至中間層的連接權</p><p>　　中間層至輸出層的連接權</p><p><b>　　中間層各單元的閾值</b></p><p><b>　　輸出層各單元的閾值</b></p><p>&l

78、t;b>　　其中；；；</b></p><p>　　激活函數(shù)采用S型函數(shù) （3-6）</p><p>　　這里之所以算S型函數(shù)作為BP網(wǎng)絡神經元的激活函數(shù)，是因為它是連續(xù)可微分的，而且更接近生物神經元的信號輸出形式。</p><p>　　激活函數(shù)的導數(shù)為

79、 （3-7）</p><p>　　這里的學習規(guī)則實際上是一種Delta學習規(guī)則， 按梯度下降原則，應使的調整量與的負值成正比例變化，所以中間層至輸出層連接權的調整量應為</p><p><b>　　（3-8）</b></p><p>　　通過推到，可得 （3-9）</p><p&g

80、t;　　為了進一步簡化，設為對輸出層輸入的負偏導，則</p><p><b>　　（3-10）</b></p><p>　　所以 （3-11）</p><p>　　， ， ， 。 </p><p>　　同理，輸入層至中間層連接權

81、的調整仍按梯度下降法的原則進行。與類似，連接權的調節(jié)量為：</p><p><b>　?。?-12）</b></p><p><b>　　其中， </b></p><p>　　同樣也可求出閾值的調整量，利用對于連接權的調整公式，取輸出層的輸入帶入上式，則輸出層閾值的調整量為：</p><p>&

82、lt;b>　?。?-13）</b></p><p>　　同理根據(jù)，取中間層的輸入，則中間層的閾值的調整量為：</p><p><b>　?。?-14）</b></p><p>　　以上的推到僅是針對某一組學習模式進行的，其誤差也是某一組的誤差。對于全部的輸入模式，我們有網(wǎng)絡的全局誤差</p><p>&

83、lt;b>　?。?-15）</b></p><p>　　從以上推倒可以看出，各個連接權的調整量是分別于各個學習模式對的誤差函數(shù)成正比例變化的，這種方法稱為標準誤差逆?zhèn)鞑ニ惴ā?lt;/p><p>　　BP網(wǎng)絡的學習規(guī)則實現(xiàn)的是學習模式集合上平方和誤差（或）的梯度下降，而不是特定某個分量的絕對誤差的梯度下降。因此，每次校正完后，網(wǎng)絡輸出端的誤差對于某些神經元來說也有可能增加，但

84、在進行多次反復計算后，其誤差還是應該變小的。</p><p>　　3.2.2　BP網(wǎng)絡學習算法</p><p>　　BP神經網(wǎng)絡采用BP算法進行學習，其學習過程分為四個階段：</p><p>　　（1）輸入模式是由輸入層經過隱含層向輸出層逐層傳遞的“模式順傳播”過程。</p><p>　?。?）網(wǎng)絡的期望輸入與實際輸出之差，即誤差信號，是由輸

85、出層經隱含層向輸入層逐層修正連接權值的“誤差逆?zhèn)鞑ァ边^程。</p><p>　?。?）由“模式順傳播”過程和“誤差逆?zhèn)鞑ァ边^程反復交替進行的網(wǎng)絡“記憶訓練”過程。</p><p>　?。?）網(wǎng)絡趨向收斂，即網(wǎng)絡的全局誤差趨向極小值的“學習收斂”過程。</p><p>　　下面以三層BP網(wǎng)絡介紹其算法。</p><p>　　設注入模式向量為（k

86、=1,2，…，m），其中m為學習模式對個數(shù)，n為輸入層單元個數(shù)；對應輸入模式的期望輸出向量為，q為輸出層單元個數(shù)；中間隱含層的凈輸入向量為，輸出向量為，p為隱含層單元個數(shù)；輸出層凈輸入向量為，實際輸出向量為；輸入層至隱含層的連接權值為（i=1,2，…，n，j=1,2，…，p），隱含層至輸出層的連接權值為（j=1,2，…，p，t=1,2，…，q）；隱含層各個單元的閾值為（j=1,2，…，p），輸出層各個單元的閾值為（t=1,2，…，q）。

87、</p><p><b>　　BP算法描述如下：</b></p><p>　?。?）初始化。給各連接權值W、V及閾值、賦予之間的隨機值。 </p><p>　　（2）隨機選取一個學習模式對量對（）提供給網(wǎng)絡。</p><p>　?。?）計算輸入層的輸出。輸入層的各個處理單元對輸入模式不進行處理，只是簡單地將接收到的輸入

88、模式作為相應的輸出模式傳遞給隱含層，即輸入層的輸出向量與輸入模式向量相同。</p><p>　?。?）按照式（3-16）和式（3-17）計算中間隱含層各個神經元的凈輸入和輸出</p><p><b>　?。?-16）</b></p><p><b>　?。?-17）</b></p><p>　?。?

89、）按照式（3-18）和式（3-19）計算輸出層各個神經元的凈輸入和實際輸出 t=1,2，…，q （3-18）</p><p>　　t=1,2，…，q （3-19）</p><p>　?。?）根據(jù)給定的期望輸出，按照式（3-20）計算輸出層各個神經元的校正誤差</p><p>　　t=1,2，…

90、，q （3-20）</p><p>　　(7) 按照式（3-21）計算隱含層各個神經元的校正誤差</p><p>　　j=1,2，…，p （3-21）</p><p>　　（8）按照式（3-22）和式（3-23）修正隱含層至輸出層的連接權值V和輸出層神經元的閾值，其中為學習速率，0<<1

91、 </p><p>　　，t=1,2，…，q （3-22）</p><p>　　t=1,2，…，q （3-23）</p><p>　?。?）按照式（3-24）和式（3-25）修正隱含層至輸出層的連接權值W和輸出層神經元的閾值，其中為學習速率，0<<1</p><

92、;p>　　, j=1,2，…，p （3-24）</p><p>　　j=1,2，…，p （3-25）</p><p>　?。?0）隨機選取下一個學習模式對提供給網(wǎng)絡，返回（3），直至全部m個學習模式對訓練完畢。</p><p>　?。?1）判斷網(wǎng)絡全局誤差E是否滿足精度要求，及。若滿足，則轉至（13），否則繼續(xù)

93、。</p><p>　?。?2）更新網(wǎng)絡學習次數(shù)，若學習次數(shù)小于規(guī)定的次數(shù)，返回（2）。</p><p><b>　?。?3）結束。</b></p><p>　　在以上學習步驟中（3）-（5）為輸入學習模式的“順傳播過程”，（6）-（9）為網(wǎng)絡誤差的“逆?zhèn)鞑ミ^程”，（10）完成“學習訓練”（11）～（12）為收斂過程。BP網(wǎng)絡學習算法具體流程如

94、圖3-4所示。</p><p>　　圖3-4 　　BP網(wǎng)絡學習算法流程圖</p><p>　　第四章　　基于BP網(wǎng)絡的車牌識別系統(tǒng)</p><p>　　4.1　字符特征提取</p><p>　　字符特征提取就是在字符圖像中需要提取出字符的特征來表示這個字符，所以需要設計出一組能代表字符特征的數(shù)據(jù)。對于輸入矢量的選取是否全面刻畫字符特征直接影響

95、識別的結果，所以字符特征的選取是一個權衡各方面特征的結果。那么，矢量選取的方法有：</p><p><b>　　基元數(shù)</b></p><p>　　水平基元數(shù)是掃描字符的每行看其有幾個線段。</p><p>　　豎直基元數(shù)是掃描字符的每列看其有幾個線段。</p><p><b>　　水平寬度</b>

96、</p><p>　　水平平均寬度是掃描每行看其起始字符點和結束字符點的距離。</p><p>　　垂直平均寬度是掃描每列看其起始字符點和結束字符點的距離。</p><p><b>　　區(qū)域分布</b></p><p>　　把32×16的字符區(qū)域分成32小區(qū)域，統(tǒng)計每個區(qū)域中字符點的數(shù)目。</p>

97、<p><b>　　投影</b></p><p>　　行投影，對每行記錄其字符點數(shù)目。</p><p>　　列投影，對每列記錄其字符點數(shù)目。</p><p>　　把這些特征綜合起來就形成了字符的矢量特征。</p><p>　　4.2　系統(tǒng)識別模塊 </p><p>　　本系統(tǒng)識別模塊如

98、圖4-1所示。</p><p>　　圖4-1　　本系統(tǒng)識別框圖</p><p>　　字符識別是基于3層BP神經網(wǎng)絡的，字符向量的特征提取是關鍵。提取單一的特征送入神經網(wǎng)絡的識別效果并不十分理想，這里通過提取二值化字符的各方面特征，如投影距離、投影直方圖、矩、區(qū)域密度、輪廓線特征系數(shù)，送入神經網(wǎng)絡進行識別。</p><p>　　為了加快神經網(wǎng)絡的識別速度以及滿足神經網(wǎng)

99、絡輸入向量個數(shù)的要求，需要用BLT(Binarization Linear Transform)減少輸入向量，達到個數(shù)匹配以及加快識別速度的要求。對一些形狀類似的字符，如Q、O與D、B與8、T與7等，神經網(wǎng)絡不能很正確地分辨，所以還要進行后續(xù)的拓撲分析，以確保字符的正確識別。</p><p><b>　　4.3　程序運行</b></p><p>　　程序的主界面如圖4

100、-2所示。</p><p>　　圖4-2　　程序主界面</p><p>　　程序的主要功能都通過這幾個菜單來實現(xiàn)。常用的菜單也已經集成到了工具欄上，如新建、打開、保存、打印、重新打開圖像、一次執(zhí)行等。打開一個灰度化處理后的圖片，如圖4-3所示，點擊車牌提取及預處理依次進行車牌定位、車牌二值化、車牌歸一化、車牌字符細化等步驟，得到如圖4-4所示的車牌圖像，即為處理過后的車牌圖像。</p

101、><p>　　圖4-3　　打開一張車輛圖片</p><p>　　圖4-4　　處理過后的車牌圖像</p><p>　　點擊車牌識別，得到如圖4-5所示的車牌識別結果。</p><p>　　圖4-5　　車牌識別結果</p><p>　　更換一張車輛圖片，按照上述步驟執(zhí)行，依次得到的結果如圖4-6～圖4-8所示。</p&g

102、t;<p>　　圖4-6　　更換車牌圖像</p><p>　　圖4-7　　圖像處理后的效果圖</p><p>　　圖4-8　　第二幅車牌識別結果</p><p>　　根據(jù)圖4-5和圖4-8對比判斷，第二次車牌識別出現(xiàn)錯誤。車牌魯A·T2205被系統(tǒng)誤識別為魯I·T5505，由于獲得的車牌處理后較為傾斜，因此在識別過程中出現(xiàn)了偏差，造

103、成識別不準確。因此在獲得車牌圖像后對車牌傾斜矯正的處理方面，是今后需要改進的地方。</p><p>　　第五章　　總結與展望</p><p><b>　　5.1　總結</b></p><p>　　本文利用C++對車牌圖像進行數(shù)字化處理，最后利用BP神經網(wǎng)絡進行字符識別，再根據(jù)前人研究的基礎上，對該設計的流程和出現(xiàn)的問題進行研究和處理，主要對圖像

104、預處理，車牌圖像的定位，車牌圖像的字符分割，車牌字符識別四個方面做了系統(tǒng)的研究。</p><p>　　主要完成的內容包括：</p><p>　　1、利用Visual C++語言編寫程序，實現(xiàn)了車牌圖像預處理、特征提取、字符識別等功能。</p><p>　　2、查閱大量資料，了解了BP神經網(wǎng)絡的算法，體會到了神經網(wǎng)絡的優(yōu)勢和在未來發(fā)揮的作用。</p>&

105、lt;p>　　3、通過測試表明，本課題能實現(xiàn)對待車牌圖像的識別功能，可以提供智能化的識別系統(tǒng)，提高了識別速度和準確性。</p><p><b>　　5.2　展望</b></p><p>　　該課題車牌識別系統(tǒng)是一個實用性和強的智能識別系統(tǒng)，但由于實際的環(huán)境和學術知識的局限，讓整個系統(tǒng)還有很多有待改善的地方。例如本設計對于車牌的傾斜條件下識別準確度下降的問題，需要

106、后續(xù)的研究工作，進一步優(yōu)化系統(tǒng)。此外，對于外界環(huán)境的變化，如光照和夜間等情況，若能克服，將對交通狀況智能化具有重大意義。</p><p><b>　　參考文獻</b></p><p>　　[1]史忠職. 神經網(wǎng)絡[M]. 高等教育出版社，2009.5.</p><p>　　[2]孫鑫.VC++深入詳解[M]. 電子工業(yè)出版社，2006.<

107、/p><p>　　[3]王萬森. 人工智能原理及其應用[M]. 電子工業(yè)出版社，2007.</p><p>　　[4]董志鵬，侯艷書. Visual C++編程從基礎到應用[M]. 清華大學出版社，2014.3</p><p>　　[5]沈晶. Visual C++數(shù)字圖像處理典型案例詳解[M]. 機械工業(yè)出版社，2012.</p><p>　

108、　[6]馬銳. 人工神經網(wǎng)絡原理[M]. 第一版. 機械工業(yè)出版社, 2010年9月.</p><p>　　[7]張世輝，孔令富.漢字識別及現(xiàn)狀分析[J]. 燕山大學學報，2003,04(3)80-85.</p><p>　　[8]趙輝 葉子青. Visual C++系統(tǒng)開發(fā)實例精粹[M]. 人民郵電出版社.</p><p>　　[9]王旭 王宏 王文輝. 人工神經

109、元網(wǎng)絡原理與應用[M]. 第二版. 東北大學出版社, 2007年.</p><p>　　[10]曾志軍，孫國強. 基于改進的BP 網(wǎng)絡數(shù)字字符識別[J].上海理工大學學報，2008, 32(1)51-53.</p><p>　　[11]沈晶. Visual C++數(shù)字圖像處理典型案例詳解[M]，機械工業(yè)出版社，2012. </p><p>　　[12]歐陽俊，劉平.

110、基于BP神經網(wǎng)絡的車牌字符識別算法研究[J].光學與光電技術，2012，10（5）67-71.</p><p>　　[13]張玲，張鳴明，何偉.基于BP神經網(wǎng)絡算法的車牌字符識別系統(tǒng)設計[J].視頻應用與工程，2008,32（S1）140-142.</p><p>　　[14]Application of Image Processing to the Characterization o

111、f Nanostructures，Manuel F. M. Costa，Reviews on Advanced Materials Science.</p><p>　　[15]Bartlett P L. Ada Boost is Consistent [M]. Department of statics and computer science of California.</p><p&g

112、t;<b>　　外文資料</b></p><p>　　License Plate Recognition Based On Prior Knowledge</p><p>　　Abstract - In this paper, a new algorithm based on improved BP (back propagation) neural network

113、for Chinese vehicle license plate recognition (LPR) is described. The proposed approach provides a solution for the vehicle license plates (VLP) which were degraded severely. What it remarkably differs from the tradition