本文關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識(shí)別系統(tǒng)，由筆耕文化傳播整理發(fā)布。

清華大學(xué)學(xué)報(bào)（自然科學(xué)版）２０１３年第５３卷第９期�。保保玻玻玻常巍。剩裕螅椋睿瑁酰幔眨睿椋觯ǎ樱悖椋Γ裕澹悖瑁睿铮欤玻埃保�，Ｖｏｌ．５３，Ｎｏ．９ＣＮ�。　　。纾保玻�

１２２１２２１－６

ＢＰ神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識(shí)別系統(tǒng)

咼潤(rùn)華，　蘇婷婷，　馬曉偉

（）清華大學(xué)土木工程系，北京１０００８４

摘　要：車牌識(shí)別是智能交通系統(tǒng)的重要部分，對(duì)實(shí)時(shí)自動(dòng)監(jiān)控具有重要的意義。用科學(xué)的方法識(shí)別字符，同時(shí)提高識(shí)別準(zhǔn)確率是改善車牌識(shí)別系統(tǒng)的核心問(wèn)題。由于采集的車牌圖像會(huì)存在噪音和干擾，現(xiàn)有方法存在識(shí)別效率低下的問(wèn)題。本文基于Ｍ聯(lián)合應(yīng)用Ｂａｔｌａｂ平臺(tái)，Ｐ（ｂａｃｋ）神經(jīng)網(wǎng)絡(luò)和模板匹配方法優(yōu)化車牌字符識(shí)別ｒｏａａｔｉｏｎｐｐｇ方法，在神經(jīng)網(wǎng)絡(luò)收斂的情況下嵌入模板匹配方法精確識(shí)別。針對(duì)車牌的特點(diǎn)提出一種高效的神經(jīng)網(wǎng)絡(luò)字符特征提取方法，從單字符的８００個(gè)像素特征中僅提�。玻保眰�(gè)特征、識(shí)別時(shí)間短（單字符０．向量。該方法識(shí)別率高（９７．２％））、抗干擾和容錯(cuò)性強(qiáng)。在理論創(chuàng)新的０２ｓ和全車牌０．３９ｓ基礎(chǔ)上設(shè)計(jì)了Ｌ可應(yīng)用于實(shí)際交ＰＲ２０１１車牌識(shí)別系統(tǒng)，　通管制。

關(guān)鍵詞：交通管制；車牌識(shí)別；字符識(shí)別；ＢＰ（ｂａｃｋｒｏａ�。穑�

）神經(jīng)網(wǎng)絡(luò)；模板匹配；特征提�。幔簦椋铮睿�

中圖分類號(hào)：Ｕ４９１．４　

（）文章編號(hào)：１０００００５４２０１３０９１２２１０６－－－

文獻(xiàn)標(biāo)志碼：Ａ

；Ｂ）ｎ；ｒｅｃｏｎｉｔｉｏｎＰ（ｂａｃｋｒｏａａｔｉｏｎｅｕｒａｌｎｅｔｗｏｒｋ　　ｇｐｐｇ

；ｔｅｍｌａｔｅｍａｔｃｈｉｎｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎ　　ｐｇ

車牌識(shí)別是計(jì)算機(jī)視覺(jué)與模式識(shí)別在智能交通是智能化道路監(jiān)管系統(tǒng)的重要組領(lǐng)域的重要應(yīng)用，

成部分。超速、占道等不規(guī)范行駛行為的自動(dòng)監(jiān)控信息需要通過(guò)車牌識(shí)別系統(tǒng)處理和辨識(shí)。車牌識(shí)別

１］

。系統(tǒng)的關(guān)鍵是字符識(shí)別子系統(tǒng)［

中國(guó)大陸車牌字符中含一位漢字且漢字結(jié)構(gòu)復(fù)識(shí)別困難，出錯(cuò)率高，雜，２００２年張忻中基于模板

２］

。２匹配理論提出相應(yīng)的漢字識(shí)別方法［００３年曾

憲貴等根據(jù)車牌的組成字符是有限的這一特點(diǎn)，提取字符特征作為模板進(jìn)行匹配，有效減少了像素點(diǎn)提高了識(shí)別效率，但是模板匹配法對(duì)于相似的個(gè)數(shù)，

字符區(qū)分能力差，同時(shí)受制于光線和天氣等復(fù)雜情

３］

。２況，在特征數(shù)據(jù)維數(shù)過(guò)大時(shí)效率較低［００３年

Ｌｉｃｅｎｓｅｒｅｃｏｎｉｔｉｏｎｓｓｔｅｍｕｓｉｎａｌａｔｅ　　　�。穑纾纭�

ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｅｍｌａｔｅｍａｔｃｈｉｎ　　　　�。穑�

，，ＭＧＵＯＲｕｎｈｕａＳＵＴｉｎｔｉｎＡＸｉａｏｗｅｉ　　�。纾�

（，，ＤｅａｒｔｍｅｎｔｏｆＣｉｖｉｌＥｎｉｎｅｅｒｉｎＴｓｉｎｈｕａＵｎｉｖｅｒｓｉｔ　　　�。穑纾纾纾�

）Ｂｅｉｉｎ１０００８４，Ｃｈｉｎａｊｇ　

：ＡｂｓｔｒａｃｔＬｉｃｅｎｓｅｒｅｃｏｎｉｔｉｏｎｉｓａｎｉｍｏｒｔａｎｔｏｆｉｎｔｅｌｌｉｅｎｔｌａｔｅａｒｔ　　　　　　　�。纾穑纾穑穑簦颍幔睿螅铮颍簦幔簦椋铮睿螅螅簦澹恚螅鳎椋簦瑁颍澹幔簦螅椋睿椋妫椋悖幔睿悖澹妫铮颍颍澹幔欤簦椋恚澹幔酰簦铮恚幔簦椋恪　　　　　。。穑纾纾颍铮幔洌恚铮睿椋簦铮颍椋睿裕瑁澹颍澹悖铮睿椋簦椋铮睿幔悖悖酰颍幔悖颍幔簦澹椋螅簦瑁澹悖铮颍澹椋螅螅酰澹铮妗　　　　　　　。纾纾。簦瑁澹螅螅簦澹恚牛椋螅簦椋睿恚澹簦瑁铮洌螅幔颍澹睿铮簦澹妫妫澹悖簦椋觯澹洌酰澹簦铮睿铮椋螅澹幔睿洹　　　　　　　。纭。椋睿簦澹颍妫澹颍澹睿悖澹裕瑁椋螅澹螅澹幔颍悖瑁澹螅悖颍椋猓澹螅椋悖澹睿螅澹欤幔簦澹澹悖铮睿椋簦椋铮睢。颉。洹。臁。稹。颍纾恚澹簦瑁铮洌簦瑁幔簦悖铮恚猓椋睿澹螅幔拢校ǎ猓幔悖耄睿澹酰颍幔欤睿澹簦鳎铮颍耄幔睿洌颍铮幔幔簦椋铮睢　　　　　　。穑穑纾簦澹恚欤幔簦澹恚幔簦悖瑁椋睿裕瑁澹恚澹簦瑁铮洌澹恚猓澹洌螅簦澹恚欤幔簦澹恚幔簦悖瑁椋睿椋睿簦瑁濉　　　　　。穑纾穑纭。悖铮睿觯澹颍澹睿簦睿澹酰颍幔欤睿澹簦鳎铮颍耄妫铮颍妫酰颍簦瑁澹颍椋洌澹睿簦椋妫椋悖幔簦椋铮睿裕瑁澹幔欤铮颍椋簦瑁怼　　　　　。纾纾酰螅澹螅幔睿澹妫妫椋悖椋澹睿簦妫澹幔簦酰颍澹澹簦颍幔悖簦椋铮睿恚澹簦瑁铮洌妫铮颍簦瑁澹睿澹酰颍幔欤睿澹簦鳎铮颍搿　　　　　　　　。鳎瑁椋悖瑁澹簦颍幔悖簦螅铮睿欤玻保保妫澹幔簦酰颍澹螅铮酰簦铮妫福埃埃穑椋澹欤螅裕瑁澹恚澹簦瑁铮洹　　　　　。。幔悖瑁椋澹觯澹螅幔瑁椋瑁颍澹悖铮睿椋簦椋铮睿颍幔簦澹铮妫梗罚玻ィ鳎椋簦瑁颍幔椋洌颍铮悖澹螅螅椋睢　　　　　　　。纾纾穑穑�

（），０．０２ｓｆｏｒｓｉｎｌｅｃｈａｒａｃｔｅｒａｎｄ０．３９ｓｆｏｒａｎｅｎｔｉｒｅｌｉｃｅｎｓｅｌａｔｅ　　　　　　　�。纾穑颍澹螅椋螅簦螅椋睿簦澹颍妫澹颍澹睿悖澹幔睿洌幔螅簦铮欤澹颍幔睿簦簦铮觯幔颍椋铮酰螅妫幔酰欤簦螅裕瑁澹螅螅簦澹恚悖幔睢　　　　　　　　。猓澹幔欤椋澹洌簦铮幔悖簦酰幔欤簦颍幔妫妫椋悖悖铮睿簦颍铮欤　　　　。穑�

：；ｌ；ｃＫｅｗｏｒｄｓｔｒａｆｆｉｃｏｎｔｒｏｌｉｃｅｎｓｅｌａｔｅｅｃｏｎｉｔｉｏｎｈａｒａｃｔｅｒ�。恪。稹。颍纾�

具有良Ｋｏｖａｌ等根據(jù)神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)不利因素、

將神經(jīng)網(wǎng)絡(luò)法應(yīng)好的自學(xué)習(xí)性和存儲(chǔ)知識(shí)的能力，

用于識(shí)別字符，但網(wǎng)絡(luò)復(fù)雜，需要大量樣本，在訓(xùn)練學(xué)習(xí)后期算法的收斂速度慢，可能出現(xiàn)假飽和現(xiàn)象，即在一定的時(shí)間范圍內(nèi)，誤差并不隨著學(xué)習(xí)次數(shù)的

４］

。２增多而下降［００５年ＰａｎＸｉａｎ�。缤ㄟ^(guò)設(shè)計(jì)４種分

類器，使結(jié)構(gòu)識(shí)別的過(guò)程通過(guò)二值化分類，提高了識(shí)

５］

。別效率［

６］

，本研究基于一定前處理技術(shù)［先通過(guò)神經(jīng)網(wǎng)

絡(luò)篩選出字符范圍，再根據(jù)模板匹配精確確定，，整合這２種方法的優(yōu)勢(shì)。并提出一種新的適合神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的特征提取方式，以降低提取特征維度，滿足車牌識(shí)別準(zhǔn)確性、魯棒性和實(shí)時(shí)性要求。

收稿日期：２０１２０４２３－－

）基金項(xiàng)目：國(guó)家自然科學(xué)基金資助項(xiàng)目（５１００８１６９，男（，北京，副教授。作者簡(jiǎn)介：?jiǎn)J潤(rùn)華（漢）１９７５—）

：Ｅ－ｍａｉｌｕｏｒｈ＠ｍａｉｌ．ｔｓｉｎｈｕａ．ｅｄｕ．ｃｎｇｇ

１　神經(jīng)網(wǎng)絡(luò)與模板匹配聯(lián)合識(shí)別設(shè)計(jì)

聯(lián)合識(shí)別過(guò)程主要包括３個(gè)方面：識(shí)別前處理、神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)和后續(xù)模板匹配設(shè)計(jì)。１．１　識(shí)別前處理

識(shí)別前處理的過(guò)程即為車牌單字符的識(shí)別提供前期準(zhǔn)備，分為定位前處理、車牌定位、字符切割、歸

６］

，目的是對(duì)實(shí)際拍一化和標(biāo)準(zhǔn)化處理這４個(gè)過(guò)程［

ＢＰ神經(jīng)網(wǎng)絡(luò)在理論上能夠以任意精度逼近連續(xù)非

４］

，線性函數(shù)［但前提是網(wǎng)絡(luò)要足夠復(fù)雜，同時(shí)也需要大量樣本，由此不可避免地增大了計(jì)算量。因此，合理進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)和各項(xiàng)參數(shù)的選取顯得尤為重要

。

攝的車牌圖像處理為可以導(dǎo)入程序后形成輸入矢量和目標(biāo)矢量的圖像。每個(gè)過(guò)程的具體內(nèi)容如表１所示。

表１　車牌識(shí)別前處理流程

識(shí)別過(guò)程定位前處理車牌定位字符切割歸一化和標(biāo)

準(zhǔn)化處理

流程操作

灰度處理、二值化、均值濾波處理、膨脹腐蝕處理，去噪聲邊緣檢測(cè)定位法，提取顏色灰度信息，避免周圍圖像干擾

搜尋單個(gè)字符邊緣，切割外矩形輪廓，排除無(wú)效信息

導(dǎo)入程序圖像增強(qiáng)處理，

圖１　前饋型網(wǎng)絡(luò)模型原理示意圖

１．２．１　分類器設(shè)計(jì)

］，對(duì)于普通標(biāo)準(zhǔn)車牌，根據(jù)文［待識(shí)別的字符８可分為以下３類：漢字、英文字母和阿拉伯?dāng)?shù)字。本系統(tǒng)設(shè)計(jì)４類神經(jīng)網(wǎng)絡(luò)分類器：漢字網(wǎng)絡(luò)識(shí)別第一個(gè)字符，英文字符網(wǎng)絡(luò)識(shí)別第二個(gè)字符，英文、數(shù)四、五、六個(gè)字符，數(shù)字網(wǎng)絡(luò)識(shí)字結(jié)合網(wǎng)絡(luò)識(shí)別第三、

可以簡(jiǎn)化神別第七個(gè)字符。通過(guò)分類識(shí)別的方法，經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，提高處理速度。１．２．２　庫(kù)單元尺寸設(shè)計(jì)

——訓(xùn)練在Ｂ需要產(chǎn)生２類庫(kù)—Ｐ神經(jīng)網(wǎng)絡(luò)中，庫(kù)和識(shí)別庫(kù)，前者用于對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以獲得網(wǎng)絡(luò)中用到的各項(xiàng)參數(shù)值，后者用于容納識(shí)別對(duì)象。對(duì)于每個(gè)庫(kù)需要明確的庫(kù)單元尺寸。庫(kù)單元太大，計(jì)算工作量太大，浪費(fèi)內(nèi)存和時(shí)間；庫(kù)單元太小，不能有效反映出不同字符的特征。

］，字符高度為９根據(jù)文［８０ｍｍ，車牌每個(gè)字符的寬度為４５ｍｍ，字符的高寬比為２∶１。對(duì)于訓(xùn)練（庫(kù)，選擇４高×寬）像素的圖像；而對(duì)于識(shí)別０×２０庫(kù)，選擇高寬比２并不嚴(yán)格要求為４∶１的圖片，０像素×２而在程序中歸一化為４０像素，０×２０大小。１．２．３　神經(jīng)網(wǎng)絡(luò)特征提取設(shè)計(jì)

字符統(tǒng)計(jì)特征是從原始數(shù)據(jù)中提取最相關(guān)的信

９］

。一般的使類內(nèi)差距極小化，類間差距極大化［息，

１０］

。本文在進(jìn)網(wǎng)絡(luò)特征提取選擇向特定方向投影［

１．２　神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)

神經(jīng)網(wǎng)絡(luò)是由大量神經(jīng)元（處理單元）廣泛連接而成的網(wǎng)絡(luò)，不僅可以通過(guò)從外部環(huán)境中學(xué)習(xí)并獲而且其內(nèi)部神經(jīng)元具有存儲(chǔ)知識(shí)的能力。取知識(shí)，

神經(jīng)網(wǎng)絡(luò)可以在外界環(huán)境的刺激作用下調(diào)整網(wǎng)絡(luò)自由參數(shù)，并以新的方式來(lái)響應(yīng)外部環(huán)境。能夠從環(huán)境中學(xué)習(xí)并在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)。常見(jiàn)的復(fù)雜環(huán)境干擾有拍攝角度造成的幾何變形、陰影及光照影響，車速過(guò)快或夜間造成的噪聲及模糊的抗干擾能力強(qiáng)。

前饋型ＢＰ網(wǎng)絡(luò)的神經(jīng)元可以實(shí)現(xiàn)輸入和輸出之間的任意非線性映射。如圖１所示的原理示意圖，隱含層和輸出層組成單向傳ＢＰ網(wǎng)絡(luò)由輸入層、播前向網(wǎng)絡(luò)，相鄰層之間的神經(jīng)元以映射的關(guān)系完同一層內(nèi)的神經(jīng)元之間無(wú)連接。誤差反向全相連，

傳播（模型是的學(xué)習(xí)的過(guò)程分為正向傳播和反ＢＰ）

７］

，向傳播［正向傳播過(guò)程信息從輸入層經(jīng)隱含層傳

向輸出層。如果沒(méi)有得到期望輸出，則計(jì)算輸出層將誤差信號(hào)原路反傳，誤差變化值并轉(zhuǎn)向反向傳播，

以修改各層神經(jīng)元的權(quán)值使之滿足要求。網(wǎng)絡(luò)映射的能力是通過(guò)隱節(jié)點(diǎn)的權(quán)值調(diào)整實(shí)現(xiàn)，隱層節(jié)點(diǎn)可以從樣本中提取特征，并存儲(chǔ)和學(xué)習(xí)其內(nèi)在的規(guī)律。

行識(shí)別的過(guò)程中，針對(duì)車牌特點(diǎn)，高效地提出了如圖２所示的神經(jīng)網(wǎng)絡(luò)字符特征：

總體密度　將車牌字符預(yù)處理為４０×２０大小

分段線性特征　對(duì)字符的每一行（列）計(jì)算分段（）數(shù)，得到６維的分段線性特征。０２０＋４０＝６０

（）共得到２個(gè)特征１１１＋６０＋５０＋４０＋６０＝２１１向量。該特征向量提取方法能準(zhǔn)確地表達(dá)不同字符的差別，相對(duì)于單純以像素向量（共４０×２０＝８００個(gè)特征向量）為特征的網(wǎng)絡(luò)訓(xùn)練，大大簡(jiǎn)化了網(wǎng)絡(luò)的數(shù)據(jù)處理量，縮短了識(shí)別時(shí)間，提高了識(shí)別效率。１．２．４　神經(jīng)網(wǎng)絡(luò)構(gòu)建設(shè)計(jì)

通過(guò)預(yù)處理，將提取的字符特征輸入神經(jīng)網(wǎng)絡(luò)利用測(cè)試集測(cè)試訓(xùn)練結(jié)果。在本神經(jīng)的訓(xùn)練網(wǎng)絡(luò)，

網(wǎng)絡(luò)程序中設(shè)計(jì)輸入神經(jīng)元１隱層神經(jīng)元２９２個(gè)、５個(gè)，輸出神經(jīng)元１個(gè)。由于具有多隱層的網(wǎng)絡(luò)容易

１１］

，使網(wǎng)絡(luò)運(yùn)行陷入局部極小值［故采用單隱層網(wǎng)

絡(luò)。隱節(jié)點(diǎn)數(shù)量少會(huì)導(dǎo)致網(wǎng)絡(luò)學(xué)習(xí)信息能力差，隱節(jié)點(diǎn)數(shù)量多會(huì)導(dǎo)致缺乏記憶主要信息的能力，混入大量非規(guī)律性的次要信息。隱層節(jié)點(diǎn)的個(gè)數(shù)與訓(xùn)練

１２］

。一的樣本數(shù)和噪聲等多方面的信息綜合確定［

般取經(jīng)驗(yàn)公式：

＋ｍ＋ａ．ｐ＝（）１

其中：ｎ為輸入層神經(jīng)元個(gè)數(shù)，ｍ為輸出層神經(jīng)元個(gè)數(shù)，一般取ａ為修正常數(shù)，ｐ為隱層神經(jīng)元個(gè)數(shù)，１～１００之間的整數(shù)。本研究選擇隱層神經(jīng)元

２５個(gè)。

取學(xué)習(xí)率為０．０１，目標(biāo)誤差小于０．０００１，訓(xùn)　練樣本�。矞y(cè)試樣本�。狈希脖龋保埃埃皞�(gè)，０００個(gè)，　　的有效比例。利用Ｍ程序主要參數(shù)ａｔｌａｂ進(jìn)行模擬，

設(shè)定如圖３。

圖２　神經(jīng)網(wǎng)絡(luò)特征提取設(shè)計(jì)

的圖片，提取白像素占總像素的百分比作為字符的第一個(gè)特征；

像素統(tǒng)計(jì)　分為水平方向和豎直方向，輸入圖）…，像水平方向投影Ｈ＝｛和豎直ｘ（ｉｉ＝１，２，４０｝｜…，，）方向投影Ｖ＝｛和ｙ（２，２０｝ｘ（ｉ｜ｙ（ｊ）ｊ＝１，ｊ）分別是第ｉ行和第ｊ列黑色像素點(diǎn)的個(gè)數(shù)，得到６０（）個(gè)相互獨(dú)立的投影特征（程序中預(yù)處４０＋２０＝６０；理為百分比）

分塊密度　將輸入圖像分成邊長(zhǎng)為４像素的小方塊，單個(gè)字符塊包含１通過(guò)０行５列這樣的小塊，計(jì)算每一小塊的密度（黑色像素點(diǎn)的個(gè)數(shù)）得到５０個(gè)相互獨(dú)立的分塊特征；

左輪廓特征　自左向右掃描字符圖像，共掃描計(jì)算第一個(gè)黑色像素點(diǎn)與左邊界的距離，得４０行，到４０維左輪廓特征；

圖３　模擬參數(shù)設(shè)置

網(wǎng)絡(luò)學(xué)習(xí)率的一般有效范圍為０．０１～０．８，這

里選擇較小值０．０１。雖然小的學(xué)習(xí)率的訓(xùn)練時(shí)間收斂慢，但是能保證誤差最終趨于最小值，對(duì)維長(zhǎng)，

持系統(tǒng)的穩(wěn)定性具有重要作用。系統(tǒng)隨著循環(huán)過(guò)程達(dá)到自適應(yīng)的學(xué)習(xí)率，在８０４次循環(huán)時(shí)當(dāng)前學(xué)習(xí)率為０．５６７８８。學(xué)習(xí)率變化如圖４�！�

圖４　ＬＰＲ系統(tǒng)學(xué)習(xí)率變化圖

系統(tǒng)梯度下降反向傳播的過(guò)程如圖５。在８０４次循環(huán)時(shí)梯度下降為０．００２

。

圖７　循環(huán)過(guò)程的有效性檢驗(yàn)

１３］

�，F(xiàn)存的模程序?qū)崿F(xiàn)，同時(shí)存在效率低下的問(wèn)題［

板匹配識(shí)別方法通常會(huì)采用一些特殊手段處理該問(wèn)題，如特征區(qū)域模板匹配法，將相似字符劃分為多個(gè)

１４］

，區(qū)域進(jìn)一步提取特征識(shí)別［但這一方法會(huì)導(dǎo)致程

降低工作效率。本研究的處理過(guò)程可以很序復(fù)雜，

好的解決這一問(wèn)題，由于Ｂ在系統(tǒng)進(jìn)程中處理為２６，而８處理為８，較遠(yuǎn)的處理結(jié)果可以避免錯(cuò)誤

識(shí)別。

１．３　神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配設(shè)計(jì)

在神經(jīng)網(wǎng)絡(luò)處理的基礎(chǔ)上，進(jìn)行模板匹配的

圖５　循環(huán)過(guò)程中梯度下降反向傳播圖

識(shí)別處理。模板匹配技術(shù)是一種用相關(guān)匹配原理確定的匹配函數(shù)進(jìn)行決策的技術(shù)。每個(gè)字符有一與待識(shí)別字符的點(diǎn)陣距離最小的模板所個(gè)模板，

對(duì)應(yīng)的字符即為所求。特征向量的確定同于ＢＰ神經(jīng)網(wǎng)絡(luò)的字符特征提取方法，即每個(gè)字符向量為２１１維。

模板匹配過(guò)程采用形函數(shù)：

Ｍ

Ｎ

ｉｊ

神經(jīng)網(wǎng)絡(luò)處理后期算法收斂，圖６為在學(xué)習(xí)率設(shè)定為０．經(jīng)過(guò)８算法收斂０１的情況下，０４次循環(huán)，時(shí)目標(biāo)誤差趨于０．０００１

�！�

，Ｅ（ｉｊ）＝

ｍ＝１ｎ＝１

｜Ｓ

（）ｍ，ｎ）ｍ，ｎ）２－Ｔ（｜．（

ｉｊ（，）其中：Ｓｍｎ為模板字符圖像的特征向量，ｉｊ（，）Ｔｍｎ為待識(shí)別字符圖像的特征向量。其中

、橫方向值，ｍ、ｎ分別為模板Ｔ的縱、ｉｊ分別為

模板Ｔ在被搜索圖Ｓ中距離原點(diǎn)的縱坐標(biāo)值和橫坐標(biāo)值。

圖６　ＬＰＲ系統(tǒng)程序網(wǎng)絡(luò)收斂圖

設(shè)定容許誤差為±１．５，由于待識(shí)別字符和其相鄰字符的差別非常明顯，如６和７（間距為＋１，，在第二階段嵌入模板匹配在容許值＋１．５之內(nèi)）

１５］，的過(guò)程不存在干擾問(wèn)題。規(guī)定Ｅ（閾值［為ｉｊ）

系統(tǒng)處理進(jìn)程中的有效性檢驗(yàn)如圖７。在８０４次循環(huán)過(guò)程中無(wú)效數(shù)一直為０，系統(tǒng)有效性良好。

本方法的一大優(yōu)勢(shì)在于可以區(qū)分相似的字符，如Ｂ和８，

這在模板匹配識(shí)別方法需要非常復(fù)雜的

，大于３，則拒絕識(shí)別。原理如３，即如果Ｅ（ｉｊ）

圖８。

五星文庫(kù)wxphp.com包含總結(jié)匯報(bào)、考試資料、旅游景點(diǎn)、出國(guó)留學(xué)、黨團(tuán)工作、教學(xué)教材、外語(yǔ)學(xué)習(xí)、專業(yè)文獻(xiàn)、工作范文、辦公文檔以及BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識(shí)別系統(tǒng)_咼潤(rùn)華 (1)_圖文等內(nèi)容。

本文共2頁(yè)12

  本文關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)聯(lián)合模板匹配的車牌識(shí)別系統(tǒng)，由筆耕文化傳播整理發(fā)布。

本文編號(hào)：103655