神经网络车牌识别系统

1、电气与自动化工程学院课程设计评分表课程名称： 智能控制 设计题目： 基于神经网络的车牌识别技术研究 班级：学号： 姓名： 项目评分比例得分课程设计平时表现30%课程设计报告40%课程设计答辩30%课程设计总成绩100% 指导老师： 施健 常 熟 理 工 学 院电气与自动化工程学院智能控制实践项目设计题目：基于神经网络的车牌识别技术研究 姓 名： 学 号： 班 级： 指导教师： 施健 目 录1.引言12.设计概述12.1车牌识别技术12.2 车牌识别技术的发展22.3 车牌识别技术的研究现状33.设计方案44.车牌识别系统的matlab实现54.1 图像的读取54.2 图像预处理74.2.1灰度

2、变换74.2.2 图像校正84.3 牌照分割94.3.1 图像边缘提取及二值化94.3.2 车牌定位114.3.3 神经网络124.4 车牌提取135.设计结果及分析145.1程序运行结果145.2程序结果分析146.总结体会167.参考文献17附录118附录2301.引言近年来，随着全球经济化形式的不断发展，人们的物质生活需要日益提高，私人拥有机动车辆的数量呈几何增长态势，车辆的普及成为了目前的必然趋势。在此情况下，仅仅依靠大力发展交通设施已不能解决现在已经存在的交通拥挤、环境污染加剧、交通事故频发等问题。汽车数量的增加日益成为制约城市发展的重要因素之一，由于城市空间的严格限制、修建新道路所

3、需的巨额资金以及环境的压力，相比于建设更多的道路基础设施，建立完善的道路网络缓解道路交通增长的需求，大力发展智能交通系统，才有可能真正解决日益严重的交通问题。车牌字符的识别过程实际上是在车牌准确定位的基础上，逐步去除非车牌字符区的干扰实现字符正确匹配的过程。由于车牌中的字符数目有限（汉字约50个，字母A-Z，数字0-9），识别方法有其特殊性，它不需要大量的汉字库，但同时受现场环境的影响，分割出来的单个字符图像中往往存在噪声。本文深入研究了一种基于神经网络的车牌字符识别算法，大规模的并行处理和分布式信息存储，良好的自适应性、自组织性，很强的学习功能、联想功能和容错功能，其识别率高，抗干扰能力强，

4、灵活性大。虽然神经网络具有较高的识别率，但单个神经网络的可信度并不高。本文针对单个神经网络可信度不高的问题，提出了一种基于多个神经网络进行车牌字符识别的方法。2.设计概述2.1车牌识别技术随着模式识别技术的发展，车牌字符识别已成为智能交通系统的重要组成部分，它可以从复杂的背景中准确地提取、识别汽车牌照、车辆类型等信息，在交通控制和监视中占有很重要的地位，具有广泛的应用前景。所以，汽车牌照的识别问题已经成为现代交通工程领域中研究的重点和热点问题之一。由于受环境、待识别车辆的车型复杂和车牌位置不固定等的影响，给车牌定位方法的选择带来一定的困难。车牌本身的污染、缺损也会影响识别率。一些车辆由于天气或

5、是路况不好，使得车牌被灰尘、泥土沾染，另外还有一些车辆行驶时间较长，车牌上的字符已经部分缺损了，严重的时候，人眼也很难辨别车牌上的字符，这些情况都会影响系统的识别工作，导致误识别。可见，要提高车牌定位系统和字符分割系统的正确率将碰到很多困难。无疑，如果车牌字符识别系统有较高的自适应性和鲁棒性，即对有一定噪声或变形的字符图像仍能正确识别，则会极大的减轻车牌定位系统和字符分割系统的压力。因此，设计一个抗干扰性能良好的车牌字符识别系统对整个车牌自动识别系统都是有益的。同时，字符在某种程度上反映了图形的一般特点，是一类特别的图形，其自动识别一直受到人们的极大关注，因为它的解决对于人们的生产和生活具有非

6、常现实的意义。(1) 鲁棒性: 在任何情况下均能可靠正常地工作，且有较高的正确识别率。(2) 实时性:不论在汽车静止还是高速运行情况下，图像的采集识别系统必须在一定时间内识别出车牌全部字符，达到实时识别。本文先提出了一种基于颜色与数学形态学的定位方法对车牌进行定位，后采用基于模板匹配的方法对车牌的字符识别进行研究。2.2 车牌识别技术的发展车牌识别技术产生于上世纪末开始的智能交通革命，智能交通系统经过近十多年的推广、试行和发展，目前已成功地应用于若干经济发达及较为发达国家的都市及城市高速公路系统中。而车牌识别系统正是在这种应用背景下研制出来的，能够自动实时检测车辆经过和识别汽车牌照的智能交通管

7、理系统。在经历了上个世纪末的起步阶段之后，车牌识别技术已日趋走向成熟，并开始在交通、公安、路政、停车场、安防、门禁、智能小区等许多领域得到了广泛的应用。车牌识别系统简单地说是一种以特定目标为对象的专用视觉系统，它能够从一幅图像中提取分割并识别出车辆牌照，运用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理完成车辆牌照的自动识别，识别结果可按需求分别包括车牌的字符、数字、牌照图像，以至牌照颜色、坐标、字体颜色等。目前，车牌识别系统己经最广泛应用到包括智能交通违章监视管理(电子普察)，高速公路不停车收费，车辆检测，停车场监控与管理等应用中，一方面，车牌识别系统本身是一个全数字化的智能

8、系统，在它上面只要做不多的扩充，就可以衍生出一些其他功能。另一方面，即使是世界上很多研究机构和公司专门从事这方面的研发工作， 高可靠性，高性能和高识别率的车牌识别系统还待开发，LPR 系统发展迅速，出现了一些较为实用的产品。2.3 车牌识别技术的研究现状广泛的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。这个阶段的研究并没有形成完整的系统体系，而是就车牌识别中的某一个具体问题进行讨论，并且通常是采用简单的图像处理技术来解决。识别过程是使用工业电视摄像机拍下汽车的正前方图像，然后交给计算机进行简单处理，并且最终仍需要人工干预。进入20 世纪90 年代后， 随着计算机视

9、觉(ComputerVisionTchnology)的发展和计算机性能的提高，开始出现车牌识别的系统化研究。中国、美国、日本、法国等国家相继投入大量的人力、物力进行应用研究。近几年以来，计算机及其相关技术发达的一些国家开始探讨用人工神经网络技术和遗传算法解决车牌的自动识别问题。同时开始研究车牌识别的实时性要求，使得车牌识别系统进入实用化阶段。汽车牌照识别技术(Lieense Plate Recognition，LRP)在国外起步较早，一些实用的LRP 系统也开始应用于车流监控，出入控制，电子收费等场合。ARGUS 英国Alphatech 公司的图像部于80 年代中期开始研制名为RGUS 的车牌

10、自动识别系统。可处理黑白或彩色图像，ARGUS 的车牌识别时约为100 毫秒，通过ARGUS 的车速可达每小时100 英里；新加坡的Optasia 公司研制的VLPRS 系统，适合于新加坡的车牌；香港的亚洲视觉公司的车牌识别产品VECON 适用于香港制式的车牌。另外日本、加拿大、德国、意大利、英国等发达国家也都有适用本国车牌的车牌识别系统。从识别原理上有模板匹配，支持向量机的分类器，基于特征的分类器，人工神经网络分类器，粗糙集分类器，聚类分析等方法。国内不少学者也在进行车牌识别方面的研究，实验室方面，西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点

11、实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。中国科学院自动化所的刘智勇等发表文章，他们在一个3180 的样本集中，车牌定位准确率为99.4%，切分准确率为94.5%。北航的胡爱明等利用模板匹配技术开发了一种应用于收费站的车牌识别系统，其识别正确率能达到97%以上。华南理工大学的骆雪超、刘桂雄等提出了一种基于车牌特征信息的二值化方法，该系统对效果较好的车牌的识别率能够达到96 %。清华大学的冯文毅等利用一种光电混合系统进行车牌识别，系统能够通过硬件来完成车牌识别的全过程。黄志斌等将基于串行分类器的字符识别应用于车牌识别系统中，对车牌识别系统中的分类器进行了详细

12、的研究。3.设计方案本课题主要是就汽车牌照的自动识别进行一系列的研究，通过查阅相关资料，了解课题背景，熟悉MATLAB软件的基本操作，利用MATLAB软件，根据提供的汽车车牌照片，采用图像分析和处理算法，有效识别汽车的车号等相关信息。主要的研究内容有： (1)在MATLAB基础上，实现车牌识别系统中车牌字符的识别及神经网络功能。 (2)对车牌图像预处理、字符切分、字符识别的算法进行研究。 (3)对实验结果进行分析。完整的车牌识别系统应包图像采集、图像预处理、字符分割、神经网络等单元。当检测到图片时，系统采集当前的图像，牌照识别单元对图像进行处理，再将牌照中的字符分割出来进行识别，然后经过圣经网

13、络将车牌照号码输出。（1）载入图片（2）图像预处理 （3）水平垂直校正 （5）二值化（6）神经网络 （7）图片输出车牌识别系统通过引入数字摄像技术和计算机信息管理技术，采用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理，获得更多的信息，从而达到更高的智能化管理程度。在LPR 系统产品的性能指标中，识别率和识别速度难以同时提高其中原因既包括图像处理技术不够成熟，又受到摄像设备计算机等性能的限制。因此，研究高速准确的定位与识别算法，是当前的主要任务。车辆牌照识别系统一般可按顺序分为车辆图像采集、图像预处理、车牌定位、字符分割与识别五大部分。如下图所示。字符识别车牌定位图像预处理图像

14、采集字符分割图3.1 车辆牌照识别系统在第一部分图像采集中，主要通过CCD 摄像头与计算机的视频捕捉卡直接相连来完成图像采集，可以实时在监控图像中抓取到含有车辆的图像。该部分功能可简单调用计算机视频捕捉卡厂商提供的各种软件开发包工具即可实现。车牌识别系统的关键在于后四部分。首先要对采集到的图像进行预处理，而牌照定位又决定其后的车牌字符识别，因此牌照定位是车牌识别系统的关键的关键，牌照定位就是从包含整个车辆的图像中找到牌照区域的位置。目前，已经提出了很多种方法，一个共同的出发点是：通过牌照区域的特征来判断牌照，利用的车牌特征主要包括：车牌区域内的边缘灰度直方图统计“特征”、车牌的几何特征、车牌区

15、域的灰度分布特征、车牌区域水平或垂直投影特征、车牌形状特征和频谱特征。4.车牌识别系统的matlab实现4.1 图像的读取MATLAB中从图像中读取数据函数imread()，这个函数的作用是将图像文件的数据读入矩阵中，此外还可以用imfinfo()函数查看图像文件的信息。函数imread可以从任何MATLAB支持的图像文格式中读取一幅图像。大多数图像文件格式采用8为数据存储像素值，将这些文件读入内存后，MATLAB都将其存储为unit8类型。对支持16为数据的文件格式，如PNG和TIFE，MATLAB则将这些图像存储为unit16类型。和其他MATLAB生成的图像一样，一旦一幅图像被显示了，那

16、么它将成为一个图形对象句柄。在读取图像之前，应该先清除MATLAB所有的工作平台变量，并关闭打开的图形窗口。为此，可使用以下命令：clear; close allFigure对象是MATLAB系统中包括GUI设计编辑窗在内所有显示窗口。在系统运行极限条件下，用户可以创建任意多个Figure窗。所有Figure对象的父对象都是Root对象，而其他所有MATLAB图形对象都是Figure对象的子对象。如果当前没有创建任何Figure对象，MATLAB在调用一个绘图函数（如plot 函数mesh函数）时，都自动创建一个Figure对象，如果在 MATLAB系统中已经包括了好多Figure窗，系统则总

17、是指定一个Figure窗为当前窗口，以后所有的函数默认把它作为输出图行窗。如果当前只有GUI设计编辑窗，MATLAB系统也默认为无可用的Figure窗，及调用绘图函数时将重新创建一个Figure对象。在在这里我们选择原图4.1.1图 图像预处理 4.2.1灰度变换灰度图是指只包含亮度信息，不包含彩色信息的图像，例如平时看到的亮度连续变化的黑白照片就是一幅灰度图。灰度化处理就是将一幅彩色图像转换成为灰度图像的过程。彩色图像分为R、G、B三个分量，分别显示出红、绿、蓝等各种颜色，灰度化就是彩色的R、G、B分量相等的过程。灰度值大的像素点比较亮，反之比较暗。输入的彩色图像包含大量颜色

18、信息，会占用较多的存储空间，且处理时也会降低系统的执行速度，因此对图像进行识别等处理时，常将彩色图像转换为灰度图像，以加快处理速度。图像灰度化的算法主要由以下3种：（1）最大值法：是转化后R、G、B的值等于转化前3个之中最大的一个，即: （）这种方法转换的灰度图亮度高。（2）平均值法：使转化后R、G、B的值为转化前R、G、B的平均值 （）这种方法产生的灰度图像比较柔和。 （3）加权平均值法：按照一定的权值，对R、G、B的值加权平均，即： （）其中，、分别为R、G、B的权值。、取不同的值，将形成不同的灰度图像。由于人眼对绿色最为敏感，红色次之，对蓝色的敏

19、感性最低，因此使将得到较易识别的灰度图像。程序如下：I_gray=rgb2gray(I); I_gray_bw=edge(I_gray,'sobel','horizontal'); figure(2);imshow(I_gray_bw);title('灰度图边缘');效果图如图4.2.1所示：4.2.1 灰度图边缘4.2.2 图像校正 在机器视觉的研究和应用中, 数字图像的质量是相当重要的, 尤其是在精确测量、严格定位的场合。本次设计需要进行车牌校正，因为拍照的时候，我们传送到的图像不一定一定水平，所以我们要进行图像的校正。本次设计采用了以下的方

20、法进行校正，先水平校正，然后水平去边框，在进行垂直校正，最后进行垂直去边框。4.3 牌照分割对车牌的分割可以有很多种方法，本程序是利用车牌的彩色信息的彩色分割方法。根据车牌底色等有关的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色RGB对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。然后，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌。4.3.1 图像边缘提取及二值化（1） 边缘提取 边缘主要存在与目标、目标与背景、区域与区域之间，边缘检测主要是精确定位边缘和抑制噪点，原理是：由于微分算子具

21、有突出灰度变化的作用，对图像进行微分运算，在图像边缘处机器会读变化较大，计算值较高，可将这些为分支作为供应点的边缘强度，通过阈值判别来提取边缘点，即如果为分支大于阈值，则为边缘点。其基本步骤是首先利用边缘增强算子，突出图像中的局部边缘，边缘检测算子有Robert 算子、Soble 算子、Prewitt算子、 Laplace 算子和Canny算子。边缘检测后得到如下图像4.3.1图4.3.1（2）灰度图像二值化和灰度图像一样，二值图像只要一个数据矩阵，每个像素只取两个离散的值。实际上，这两个值就相当于开和关，对应于white和black。一个二值图像时以0和1的逻辑矩阵存储的。灰度图像二值化处理

22、就是将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，而值图像占有非常重要的地位，要进行二值化图像的处理与分析，首先，要把灰度图像二值化，得到二值图像，这样子有利于在对图像作进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除

23、在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，适用阈值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阈值选区技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。运行效果图如图4.3.2所示：图 .2 车牌定位车牌图像往往是在复杂的环境中拍摄得到的，车牌由于与复杂的车身背景融为一体，由于车牌在使用中磨损与灰尘及拍摄仪器的影响以及由于拍摄角度的不同，车牌在图像中往往有很大的形变，如何

24、在复杂背景中准确、快速找出车牌的位置成为车牌识别中的难点2。目前已有不少学者在这方面进行了研究。总结起来主要有如下几类方法：(1) 基于水平灰度变化特征的方法，这种方法主要在车牌定位以前， 需要对图像进行预处理，将彩色图像转换为灰度图像，利用车牌区域水平方向的纹理特征进行车牌定位；(2) 基于边缘检测的定位方法，这种方法是利用车牌区域丰富的边缘特征进行车牌定位3，能够进行检测的方法有多种，如Roberts 边缘算子、Prewitt 算子、Sobel 算子以及拉普拉斯边缘检测；(3) 基于车牌颜色特征的定位方法，这种方法主要是应用车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显

25、的反差特征来排除干扰进行车牌的定位；(4) 基于Hough 变换的车牌定位方法，这种方法是利用车牌边框的几何特征，采取寻找车牌边框直线的方法进行车牌定位；(5) 基于变换域的车牌定位方法，这种方法是将图像从空域变换到频域进行分析，例如采用小波变换等；(6) 基于数学形态学的车牌定位方法，这种方法是利用数学形态学图像处理的基本思想，利用一个结构元素来探测一个图像， 看是否能将这个结构元素很好的填放在图像内部，同时验证填放元素的方法是否有效。腐蚀、膨胀、开启和关闭是数学形态学的基本运算。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，仅靠单一特征很难奏效。本文结合车牌纹

26、颜色与数学形态学两方面的特征对车牌进行定位，对于提高车牌定位准确率提供更有利的保障。该方法包括牌照区域的粗定位和细定位两个步骤。在粗定位阶段中采用了基于数学形态学的定位方法，在得到定位图像后进行细定位，在细定位中采用车牌颜色特征的方法以获得最后定位图像。本方法对在多种光照条件下采集的车辆牌照图像、车牌本身不洁、或者牌照存在倾斜和扭曲等情形，均能取得较好的定位效果。进行车牌定位后的图形为图4.3.3图.3 神经网络人工神经网络（Neural Networks，简写为NN）也简称为神经网络（NN）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，

27、进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络是智能控制技术的主要分支之一。本次设计利用神经网络进行字符提取，利用神经网络代价函数，达到设计要求。前馈网络也称前向网络。网络中各个神经元接受前一级的输入，并输出到下一级，网络中没有反馈。这种网络实现信号从输入空间到输出空间的变换，它的信息处理能力来自于简单非线性函数的多次复合。感知机（perceptron）与BP神经网络就属于前馈网络。神经网络程序详见附录1。其中参数设定为如下程序：T=eye(70,70);%bp神经网络参数设置net=newff(min

28、max(P),800,239,70,'logsig','logsig','logsig','trainrp');%建立一个三层 BP 神经网络net.inputWeights1,1.initFcn ='randnr'% 当前输入层权值和阈值 net.layerWeights2,1.initFcn ='randnr'% 当前网络层权值和阈值 net.trainparam.epochs=1000;%最大训练次数net.trainparam.lr=0.1;%网络学习率net.trainparam.goal

29、=0.001;%网络收敛目标net=init(net);% 训练网络 %训练样本%net=train(net,P,T);运行效果如图4.3.4：图 车牌提取经过神经网络程序运行，车牌号码已经被提取出来，然后进行存储，最后读取出来。运行效果如图4.4.1所示：图 4.4.15.设计结果及分析5.1程序运行结果在得到图4.4.1的图形时，程序会将每一个字符与字库中训练的字做比较并选取相对匹配的字母显示出来，如图5.1.1中车牌上面的一排小字就是最后识别出的结果总程序运行原图后结果如图5.1.1所示：图程序结果分析从上面的结果可以看出，我们已经可以很清楚的识别出这张

30、车牌，但是在实际的运行中我们会发现，并不是所有的车牌我们都能够准确的识别出来，这是为何呢，经过我们的实验与查询，我们得知了几点影响其识别精度的元婴：1、 由于拍摄的相机像素不高，拍摄的照片失真太严重导致无法识别。2、 由于图库建立的太小，导致识别的单一性，没办法识别同一个字符多状态的情况。3、 程序中收敛目标，网络学习率等参数改的并不合适，需要多实验几组数据。在车牌识别的过程中数字库的建立很重要,只有数字库的准确才能保证检测出来的数据正确。切割出来的数据要与数据库的数据作比较，所以数据库的数据尤为重要。同一个字体我们需要在字库中有多种模糊度，多种倾斜度的字来与之匹配，这样才能尽可能的提高匹配的

31、准确率。我们对多张车牌进行了识别，结果放入附录2中，从中可见，图2与图9并未能完全识别出来，其中有一个字符识别出错。但是基本的识别正确率也达到了百分之八十。根据附录2可以统计出下表：原始车牌识别车牌错误字符汉字正确率字母与数字正确率车牌识别正确率桂AE0886桂AE0886无100%96.7%80%豫BMW523豫BEW523M苏EW0240苏EW0240无云AMP526云AMP526无苏EWA902苏EWA902无苏EWE235苏EWE235无鄂AEB506鄂AEB506无桂AF2830桂AF2830无苏EW7561苏BW7561W桂AM9678桂AM9678无6.总结体会经过分组，我们小组

32、做的是基于NN/PSO/ACO/GA算法的图像识别技术研究。车牌字符识别是车牌自动识别系统中的一个关键问题。识别过程中，我们需要解决识别清晰度和识别速度。识别速度决定了一个车牌识别系统是否能够满足实际应用的要求,虽然现在已经有了很多车牌识别算法,但对于识别速度的提高仍有很高要求，最理想的是要能做到事实的，这就需要我们的算法要更加精简与高明。我们小组从中选择了NN算法也就是神经网络的算法来完成本次课程设计。车牌由有限的字母和数字组成，采用固定的印刷字体和排列顺序。在车牌自动识别系统中，因自然因素或采样因素使得原本规则的印刷体字符产生畸变，给字符识别来了很大困难。BP神经网络算法是把一组样本输入输

33、出问题转化为一个非线性优化问题，并通过梯度算法利用迭代运算求解权值的一种学习方法。采用BP网络进行分类，并附加线性感知器来实现单字符的有效识别，算法简便，识别率高，可适用于多种高噪声环境中的字符识别。在车牌识别系统中，如何提高字符识别的速度和准确率是很关键的问题。传统的BP算法可以实现非线性函数的映射，经过有监督式的学习规则可以达到比较好的识别效果。但是BP 算法识别速度慢，而且容易陷入局部最优。通过对本课题的研究，对车牌位置以及车牌识别系统有了更深入的理解和研究，在只能识别的过程中，我们并不只局限于解决以上问题，还有多方因素会影响到车牌识别系统的识别，比如说识别速度就是一个需要解决的问题。7

34、.参考文献1刘滨.基于神经网络的车牌字符识别研究D.武汉大学工程，2004.2李少军.汽车牌照识别研究与应用D.武汉理工大学,2006.3Thanongsak Sirithinaphong Kosin Chamnongthai.The Recognition Of CarLicense Plate For Automatic Parking System J.Organised by the Signal ProcessingResearch Centre,QUT,Brisbane,Australia.22-25 August，2003：455-457.4章毓晋.图像处理和分析M.北京：清华大

35、学出版社，1999.5MD.Tanvir Learning Algorithms for Artificial Neural Networks, Proc. 10tbInformation Engineering Senimar June 2001.6Guyon IApplication of neural networks to character recognitionJInternationalJournal ofPattern Recognition and Artificial Intelligence，1993，7(4)：721755.7杨大力，刘舒.基于神经网络的车牌汉字识别方法

36、J.中国人民大学公安学报,2009,5(3):56-57附录1Main: function d=main(jpg)clearclc%归一化训练样本%I0=pretreatment(imread('卡片0(1).jpg');I1=pretreatment(imread('卡片0(2).jpg');I2=pretreatment(imread('卡片0(3).jpg');I3=pretreatment(imread('卡片0(4).jpg');I4=pretreatment(imread('卡片0(5).jpg');I

37、5=pretreatment(imread('卡片0(6).jpg');I6=pretreatment(imread('卡片1(1).jpg');I7=pretreatment(imread('卡片2(1).jpg');I8=pretreatment(imread('卡片2(2).jpg');I9=pretreatment(imread('卡片2(3).jpg');I10=pretreatment(imread('卡片2(4).jpg');I11=pretreatment(imread('卡

38、片2(5).jpg');I12=pretreatment(imread('卡片2(6).jpg');I13=pretreatment(imread('卡片3(1).jpg');I14=pretreatment(imread('卡片3(2).jpg');I15=pretreatment(imread('卡片3(3).jpg');I16=pretreatment(imread('卡片4(1).jpg');I17=pretreatment(imread('卡片5(1).jpg');I18=pret

39、reatment(imread('卡片5(2).jpg');I19=pretreatment(imread('卡片5(3).jpg');I20=pretreatment(imread('卡片5(4).jpg');I21=pretreatment(imread('卡片5(5).jpg');I22=pretreatment(imread('卡片6(1).jpg');I23=pretreatment(imread('卡片6(2).jpg');I24=pretreatment(imread('卡片6

40、(3).jpg');I25=pretreatment(imread('卡片6(4).jpg');I26=pretreatment(imread('卡片6(5).jpg');I27=pretreatment(imread('卡片7(1).jpg');I28=pretreatment(imread('卡片7(2).jpg');I29=pretreatment(imread('卡片8(1).jpg');I30=pretreatment(imread('卡片8(2).jpg');I31=pretre

41、atment(imread('卡片8(3).jpg');I32=pretreatment(imread('卡片8(4).jpg');I33=pretreatment(imread('卡片9(1).jpg');I34=pretreatment(imread('卡片9(2).jpg');I35=pretreatment(imread('卡片A(1).jpg');I36=pretreatment(imread('卡片A(2).jpg');I37=pretreatment(imread('卡片A(3

42、).jpg');I38=pretreatment(imread('卡片A(4).jpg');I39=pretreatment(imread('卡片A(5).jpg');I40=pretreatment(imread('卡片A(6).jpg');I41=pretreatment(imread('卡片B(1).jpg');I42=pretreatment(imread('卡片B(2).jpg');I43=pretreatment(imread('卡片E(1).jpg');I44=pretreat

43、ment(imread('卡片E(2).jpg');I45=pretreatment(imread('卡片E(3).jpg');I46=pretreatment(imread('卡片E(4).jpg');I47=pretreatment(imread('卡片E(5).jpg');I48=pretreatment(imread('卡片E(6).jpg');I49=pretreatment(imread('卡片E(7).jpg');I50=pretreatment(imread('卡片F(1).

44、jpg');I51=pretreatment(imread('卡片M(1).jpg');I52=pretreatment(imread('卡片M(2).jpg');I53=pretreatment(imread('卡片M(3).jpg');I54=pretreatment(imread('卡片P(1).jpg');I55=pretreatment(imread('卡片W(1).jpg');I56=pretreatment(imread('卡片W(2).jpg');I57=pretreatme

45、nt(imread('卡片W(3).jpg');I58=pretreatment(imread('卡片W(4).jpg');I59=pretreatment(imread('卡片W(5).jpg');I60=pretreatment(imread('卡片鄂.jpg');I61=pretreatment(imread('卡片桂(1).jpg');I62=pretreatment(imread('卡片桂(2).jpg');I63=pretreatment(imread('卡片桂(3).jpg&#

46、39;);I64=pretreatment(imread('卡片苏(1).jpg');I65=pretreatment(imread('卡片苏(2).jpg');I66=pretreatment(imread('卡片苏(3).jpg');I67=pretreatment(imread('卡片苏(4).jpg');I68=pretreatment(imread('卡片豫.jpg');I69=pretreatment(imread('卡片云.jpg');P=I0',I1',I2'

47、,I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I17',I18',I19',I20',I21',I22',I23',I24',I25',I26',I27',I28',I29',I30',I31',I32',I33',I34',I35',I36',

48、I37',I38',I39',I40',I41',I42',I43',I44',I45',I46',I47',I48',I49',I50',I51',I52',I53',I54',I55',I56',I57',I58',I59',I60',I61',I62',I63',I64',I65',I66',I67',I68',I69'%输出样

49、本%T=eye(70,70);%bp神经网络参数设置net=newff(minmax(P),800,239,70,'logsig','logsig','logsig','trainrp');%建立一个三层 BP 神经网络net.inputWeights1,1.initFcn ='randnr'% 当前输入层权值和阈值 net.layerWeights2,1.initFcn ='randnr'% 当前网络层权值和阈值 net.trainparam.epochs=1000;%最大训练次数net.trai

50、nparam.lr=0.1;%网络学习率net.trainparam.goal=0.001;%网络收敛目标net=init(net);% 训练网络 %训练样本%net=train(net,P,T);%测试%fn,pn=uigetfile('*.jpg','选择图片');I=imread(pn fn);dw=location(I);%车牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(dw);%字符分割及处理 %测试字符，得到识别数值%PIN0=pretreatment(PIN0);PIN1=pretreatmen

51、t(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4);PIN5=pretreatment(PIN5);PIN6=pretreatment(PIN6);P0=PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6'for i=1:7 T0= sim(net ,P0(:,i); T1 = compet (T0) ; d =find(T1 = 1) - 1; if (d>=35)&&(d<

52、;=40) str='A' elseif (d>=41)&&(d<=42) str='B' elseif (d>=43)&&(d<=49) str='E' elseif (d=50) str='F' elseif (d>=51)&&(d<=53) str='M' elseif (d=54) str='P' elseif (d>=55)&&(d<=59) str='W' el

53、seif (d=60) str='鄂' elseif (d>=61)&&(d<=63) str='桂' elseif (d>=64)&&(d<=67) str='苏' elseif (d=68) str='豫' elseif (d=69) str='云' elseif (d>=0)&&(d<=5) str='0' elseif (d=6) str='1' elseif (d>=7)&&a

54、mp;(d<=12) str='2' elseif (d>=13)&&(d<=15) str='3' elseif (d=16) str='4' elseif (d>=17)&&(d<=21) str='5' elseif (d>=22)&&(d<=26) str='6' elseif (d>=27)&&(d<=28) str='7' elseif (d>=29)&&a

55、mp;(d<=32) str='8' elseif (d>=33)&&(d<=34) str='9' end switch i case 1 str0=str; case 2 str1=str; case 3 str2=str; case 4 str3=str; case 5 str4=str; case 6 str5=str; otherwise str6=str; endend %识别结果以标题形式显示在图上%s=strcat(str0,str1,str2,str3,str4,str5,str6); figure(13);i

56、mshow(dw),title(s);msgbox(s,'车牌号码');Location:function DW=location(I)figure(1),imshow(I);title('原图');I1=rgb2gray(I);%转化为灰度图像figure(2),imshow(I1),title('灰度图像');I2=edge(I1,'sobel',0.18);figure(3),imshow(I2),title('边缘检测后图像');se=1;1;1; %线型结构元素 I3=imerode(I2,se); %腐

57、蚀图像figure(4),imshow(I3),title('腐蚀后边缘图像');se=strel('rectangle',25,25); I4=imclose(I3,se);%图像聚类、填充图像figure(5),imshow(I4),title('填充后图像');I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分figure(6),imshow(I5),title('形态滤波后图像');%车牌的行起始和终止位置的确定y,x,=size(I5);I6=double(I5); %绘制行曲线图Y1=zeros(y,1);for i=1:y for j=1:x if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end endendfigure();subplot(1,3,1);plot(0:y-1,Y1),title('行像素灰度值累计'),xlabel('行值'),ylabel('像素和'