［畢業設計論文］基于matlab的bp神經網絡的數字圖像識別(編輯修改稿)

　

【文章內容簡介】 具有一個共同的出發點，即通過牌照區域的特征來判斷牌照。根據不同的實現方法，大致可以把現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 測算法，該算法利用車牌的邊框角點，檢測車牌的四個角點，并以此來定位車牌。基于直線邊緣識別的圖像區域定位算法，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先利用小波提取圖像的垂直高頻信息，然后利用數學形態學方法對小波分解后的細節圖像進行一系列的形態運算，進一步消除無用的信息和噪聲，以定位車牌。 2)間接法。主要是指利用神經網絡法或者遺傳算法定位車牌的方法。利用神經網絡和遺傳算法等柔性方法進行計算是當前研究熱點之一。利 用遺傳算法對圖像進行優化搜索，結合區域特征矢量構造的適應度函數，最終尋找到車牌的 牌照 區域的最佳定位參量。 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。 圖 38 牌照定位于分割流程圖 （ 1） 牌照區域的定位 牌照圖 像 經過了以上的處理后，牌照區域已經十分明顯，而 且其邊緣得到了勾勒和加強。此時可進一步確定牌照在整幅圖 像 中的準確位置。這里選用的是數學形態學的方法，其基本思想是用具有一定形態的機構元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。數學形態學的應用可以簡化圖像數據，保持它們基本的形態特征，并除去不相干的結構。在本程序中用到了膨脹和閉合這兩個基本運算，最后還用了 bwareaopen來去除對象中不相干的小對象。 圖 39 腐蝕后圖像 ， 平滑圖像的輪廓 以及 從對象中移除小對象后圖像 對圖像進行腐蝕 去除雜質 通過計算尋找 X 和 Y方向車牌的區域 完成車牌定位 對分割出的車牌做進一步處理 （ 2）牌照區域的分割 對車牌的分割可以 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。根據車牌底色等有關的先驗知識，采用彩色像素點統計的方法分割出合理的車牌區域，確定車牌底色藍色 RGB對應的各自灰度范圍，然后行方向統計在此顏色范圍內的像素點數量，設定合理的閾值，確定車牌在行方向的合理區域。然后，在分割出的行區域內，統計列方向藍色像素點的數量，最終確定完整的車牌區域。 圖 310 行方向區域和最終定位出來的車牌 （ 3）車牌進一步處理 經過上述方法分割出來的車牌 圖像 中存在 目標物體、背景還有噪聲，要想從圖像中直接提取出目標物體，最常用的 方法就是設定一個閾值 T，用 T將圖像的數據分成兩部分：大于 T的像素群和小于 T的像素群 ，即對圖像二值化。 均值濾波是典型的線性濾波算法，它是指在圖像上對目標像素給一個模板，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代替原來像素值。 圖 311 裁剪出來的車牌的進一步處理過程 3 字符的分割與歸一化 圖 312 字符分割與歸一化流程圖 （ 1）字符分割 在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎上進行字符的分割，然后再利用分割的結果進行字符識別。字符識別的算法很多，因為車牌字符間間隔較大，不會出[m， n]=size（ d），逐排檢查有沒有白色像素點，設置 1=jn1，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 根據圖像的大小，設置一閾值，檢測圖像的 X 軸，若寬度等于這一閾值則切割，分離出七個字符 歸一化切割出來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 現字符粘連情況，所以此處采用的方法為尋找連續有文字的塊，若長度大于某閾值，則認為該塊有兩個字符組成，需要分割。 圖 313 分割出來的七個字符圖像 （ 2）字符歸一化 一般分割出來的字符要進行進一步的處 理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經可以達到正確識別的目的。在此只進行了歸一化處理，然后進行后期處理。 圖 314 歸一化處理后的七個字符圖像 4 字符的識別 目前，字符識別方法主要有基于模板匹配算法和基于人工神經網絡算法。基于模板匹配算法首先把待識別字符二 值化并將其尺寸大小縮放為字符數據庫中模板的大小，然后與所有的模板進行匹配，最后選最佳匹配作為結果。由于這種匹配算法穩定性較差、時間花費也較大，因此，在此基礎上提出了基于關鍵點的匹配算法。此算法先對識別字符進行關鍵點提取，然后對關鍵點去噪，最后再確定字符的分類。這種匹配算法只利用了字符的關鍵點進行匹配，因此，提高了識別速度又具有較高的識別率。基于人工神經網絡的算法主要有 兩 種：一種是先對待識別字符進行特征提取，然后用所獲得的特征來訓練神經網絡分類器；另一種方法是直接把待處理圖像輸入網絡，由網絡自動實現特征提取直至識別出結果。前一種方法識別結果與特征提取有關，而特征提取比較耗時，因此，特征提取是關鍵。后一種方法無須特征提取和模板匹配，隨著相關技術的進步，這種方法更實用。 （ 1）神經網絡 人工神經網絡 (ANNs)也稱為神經網絡或連接模型，是對人腦或自然神經網絡若干基本特性的抽象和模擬。但是人工神經網絡是近現代才提出來的一種新型技術，所以還有一些缺點，不過它的優點卻是非常明 顯的：①它可以充分逼近任意復雜的非線性關系。②所有定量或定性的信息都等勢分布于網絡內的各神經元，故有很強的魯棒性和容錯性；采用并行分布的處理方法，使得快速地進行大量運算成為可能。③可學習和自適應不知道或不確定的系統。④能夠同 時 處理定量、定性知識。⑤具有聯想和存儲功能。⑥具有高速尋找優化解的能力。它能夠處理一些環境信息十分復雜、背景不清晰、有磨損、殘缺等方面的問題的情況。 （ 2） BP神經網絡 BP神經網絡 (Back Propagation Neural Net． work，簡稱 BP神經網絡 )即反向傳輸神經網絡 。 BP神經網絡可以應付各種數據和能夠模擬一種復雜的決定系統。 BP神經網絡主要是通過一種模擬的方式對對象進行識別，它可以像人認識事物過程一樣，逐漸地認清事物從而去模擬實現它。 BP神經網絡由 1024個輸入節點、 20個隱層節點、 6個輸出節點組成。每個節點的激活函數采用 O． 1函數，輸出節點的輸出值為 0， 1二值。訓練以后，節點權值保存在配置文件中。在 MATLAB工具箱中已經有了BP神經識別的函數，這里使用 newlin函數 adapt函數，使用這些函數需要輸入預期的待學目標的輸入范圍，指定一個延遲輸入信號和一個有延遲輸 入信號以及學習速度的參數，這樣字符就能很好地在 MATLAB中得到識別。 BP網絡結構 ： 基于 BP 算法的多層前饋型網絡 將神經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 層各神經元負責接收來自外界的輸入信息，并傳給中間各隱層神經元；隱層是神經網絡的內部信息處理層，負責信息變換。根據需要可設計為一層或多層；最后一個隱層將信息傳遞給輸出層神經元經進一步處理后向外界輸出信息處理結果 。 同層節點中沒有任何耦合，每一層節點的輸出只影響下一層節點的輸出。網絡的學習過程由正向和反向傳播兩部分組成。反向傳 播其節點單元特征通常為 Sigmoid型 {f(X)=1／ [1+exp(一 Bx)]，B0}。在網絡訓練階段用準備好的樣本數據依次通過輸入層、隱層和輸出層。比較輸出結果和期望值，若沒有達到要求的誤差程度或者訓練次數，即經過輸出層、隱層和輸入層，來調節權值，以便使網絡成為一定適應能力的模型。 用 matlab 神經網絡工具箱，用 BP神經網絡生成網絡函數，部分程序如下： =newff(pr,[25 1],{39。logsig39。 39。purelin39。}, 39。traingdx39。, 39。learngdm39。)。 =3000。 =。 =10。 =。 =train(,p,t) 即創建和訓練神經網絡。其中權值函數為“ logsig” ,