汽车车牌识别系统-字符识别子系统的设计与实现-毕业论文

摘要河南科技大学本科毕业设计（论文）PAGEIVPAGE5PAGE1汽车车牌识别系统字符识别子系统的设计与实现摘要车牌识别系统作为智能交通系统的重要组成部分，在交通监视和控制中占有很重要的地位，己成为现代交通工程领域中研究的重点和热点之一。车牌识别技术综合了图形处理、计算机视觉、模式识别的技术以及人工智能等多学科的知识，其目的就是在无需为车辆加装其它特殊装置的情况下实现对车辆的自动监测，从而给交通系统的自动管理提供了极大的方便，因此车辆牌照自动识别系统的实现是推进交通管理计算机化的关键技术之一。而且该项技术应用前景广泛，在自动收费系统、不停车缴费、失窃车辆的查寻、停车场车辆管理、特殊部门车辆的出入控制等领域得到了广泛的应用。一个完整的车牌识别系统包括车牌定位系统和字符识别系统两大模块。在本次毕业设计过程中，是通过现有算法和技术对字符识别系统的解读和实现。本文的主要内容首先分析了车牌识别技术的研究现状，然后分别对车牌识别系统的字符识别系统的两个部分：字符分割，字符识别加以详细介绍，并通过一定的算法对其加以实现。在实现的过程中，字符分割功能主要使用投影法实现，字符识别功能则通过BP神经网络实现。关键词：车牌识别，字符分割，字符识别，投影法，BP神经网络

ENGLISHSUBJECTABSTRACTLicensePlateRecognitionSystemasanimportantpartoftheIntelligentTransportationSystem，itplayanimportantroleinthetrafficmonitoringandcontrol,hasbecomeoneofthehottestandthefocusofthestudyinthefieldofmoderntrafficengineering.Licenseplaterecognitiontechnologyincludegraphics,computervision,patternrecognitiontechnologyandartificialintelligenceandsomulti-disciplinaryknowledge,itspurposeistoachievevehicleautomaticmonitoringinthecasethatotherspecialdevicesdonotneedtovehicleswith,andthustoprovideagreatconvenienceforautomaticmanagementofthetransportationsystem,sovehiclelicenseplaterecognitionsystemisoneofofkeytechnologiesofpromoteofcomputerizationoftrafficmanagement.Andtheprospectsofapplicationofthistechnologyisveryextensive,inofautomatictollcollectionsystem,parkingfee,stolenofvehiclessearch,managementofvehiclesintheparking,andspecialdepartmentvehicleaccesscontrolandotherfieldshasbeenwidelyused.Acompletelicenseplaterecognitionsystemconsistsoftwomodules,thelicenseplatelocationpositioningsystemandthecharacterrecognitionsystem.Inthisgraduationdesignprocess,byexistingalgorithmsandtechniquestointerpretationandimplementationthecharacterrecognitionsystem.Themaincontentofthispaperfirstanalysisofthecurrentthatlicenseplaterecognitiontechnology,andthentodetailIntroductioncharactersegmentationandcharacterrecognitionwhichastwopartsofLicenseplaterecognitionsystemincharacterrecognitionsystem,andthroughacertainalgorithmtoberealizedit.Amongthem,thecharactersegmentationmainlyuseflybackmethodtoachieve,characterrecognitionfunctionbytheBPneuralnetwork.KEYWORDS：LicensePlateRecognition,Charactersegmentation,Characterrecognition,ProjectionMethod,BPneuralnetwork目录河南科技大学本科毕业设计（论文）目录第四章缺少实验结果分析第四章缺少实验结果分析TOC\o"1-3"\h\z22718前言 18342第1章绪论 31081§1.1课题研究背景 329821§1.2研究现状 311287§1.3车牌识别技术应用与的发展 47750§1.3.1应用 49781§1.3.2发展 513984§1.4本文主要内容 5423第2章MATLAB的学习 73310§2.1简介 717013§2.2MATLAB功能 71661§2.3特点 83192第3章字符分割 917537§3.1引言 915850§3.2常用字符分割算法 911986§3.3字符分割的实现 1016291§3.3.1图像的二值化 1112738§3.3.2无关区域的去除 1216415§3.3.3字符分割 1312169§3.3.4字符归一化 1430648第4章字符识别 1627154§4.1引言 1618369§4.2BP神经网络 164144§4.3字符识别的实现 1821344§4.3.1样本特征提取 1912678§4.3.2神经网络自学习 2026718§4.3.3字符识别 2013993结论 2232577参考文献 2310045致谢 25前言河南科技大学本科毕业设计（论文）前言近年来，由于我国汽车数量迅猛增加，随之而来的巨大地交通压力也摆在了人们的面前，于是对高效的交通管理方案的需求便摆在了人们面前。对此，人们提出了利用交通信息系统、通讯网络、定位系统和智能化分析与选线，以缓和道路堵塞和减少交通事故，提高交通利用者的方便、舒适为目的智能交通系统，其中汽车车牌识别系统更是智能交通系统的重要组成部分。汽车车牌识别技术是计算机视觉和模式识别技术在现代智能交通系统中的一项重要研究课题，是实现交通管理智能化的重要环节。车牌识别系统是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统，它利用每一个汽车都有唯一的车牌号码，通过摄像机所拍摄的车辆图像进行车牌号码的识别。在不影响汽车运行状态的情况下，计算机自动完成车牌的识别，可降低交通管理工作的复杂度。车牌识别系统可以广泛应用于高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理、公路稽查、监测黑牌机动车、监控违章车辆的电子警察等需要车牌认证的重要场合，尤其在高速公路收费系统中，实现不停车收费技术可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，因而对车牌识别技术的研究和应用系统开发具有重要的现实意义。目前，国内外都推出了汽车车牌识别系统的实际产品。相较之下，国外的技术较先进，而且国外的一部分产品已经在实际交通管理系统中发挥着良好地作用。但是这些产品在国内却有一定的局限性，主要原因在于国内车牌的特殊结构。而国内虽有自己的产品，但成本与识别率和识别速度方面却也是不尽人意，于是车牌识别系统的开发在国内外都有比较大的空间。汽车车牌识别系统是一个比较复杂的系统,主要分为四个部分：图像处理，车牌定位，字符分割，字符识别，如图0-1：车牌字符识别车牌字符切割车牌字符识别车牌字符切割车牌区域定位车辆图像采集图0-1车牌识别系统其中的字符分割的方法主要有基于车牌字符特征的投影法和基于聚类分析的车牌字符分割方法以及气泡法等，字符识别方法主要有结构法、统计法、人工神经网络法。对于字符分割和识别的各种方法，各有其优势，但也有各自的不足，本文主要就是完成车牌的字符识别系统的研究与实现，利用MATLAB软件进行操作，实现包括对已经被定位的车牌的二值化，中值滤波及求其直方图，并利用投影法将车牌字符进行分割。以及利用BP神经网络的方法规格化分割出来的字符和模板，在先验条件下识别车牌字符。为了简化工作，方便设计，本文只对字母和数字进行识别，汉字的识别工作不再进行。另，对双行车牌也不进行研究。绪论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续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(IntelligentTransportationSystem，ITS)。而在整个智能交通系统中，车牌识别(LicensePlateRecognition，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在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，自动识别汽车牌号，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。因而从事车牌识别技术的研究具有极其重要的现实意义和巨大的经济价值。在现代社会，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，并在人们社会活动和生活的各个领域得到广泛应用，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的重视。作为现代社会的主要交通工具之一的汽车，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管理在交通车辆管理、园区车辆管理、停车场管理等方面有十分重要的意义，成为信息处理技术的一项重要课题。研究现状目前，国内外关于车牌识别的研究已存在很多，并且有一部分产品已经投入使用，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。同时代，还诞生了面向被盗车辆的第一个实时自动车牌监测系统。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：YuntaoCui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。EunRyung等利用图像中的颜色分量，对车辆照进行定位识别，其中提到了三种方法：①以Hough变换为基础的边缘检测定位识别；②以灰度值变换为基础的识别算法；③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%。国外对车牌识别的研究起步早，总体来讲其技术已比较领先，同时由于他们车牌种类单一，规范程度较高，易于定位识别，目前，已经实现了产品化，并在实际的交通系统中得到了广泛的应用。而在国内，从车牌识别系统进入中国以来，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的差异性的存在，尤其是国内车牌上汉字的存在，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其国内的应用效果好，但其识别系统中采用的很多算法具有很好的借鉴意义。关于车牌识别的研究，国内外学者虽然己经作了大量的工作，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，对车牌上的汉字、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。然而无论是国内还是国外学者的研究结果，在良好环境下得到的图像识别率，识别速度等方面都有不错的可靠性，但是外部环境一旦变差，相当一部分产品的识别率就会下降，可靠性随之下降。车牌识别技术应用与的发展应用车辆牌照识别技术作为交通管理自动化的重要手段，其任务是分析、处理汽车监控图像，自动识别汽车牌号，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高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理、公路稽查、监测黑牌机动车、监控违章车辆的电子警察等需要车牌认证的重要场合，尤其在高速公路收费系统中，实现不停车收费技术可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，因而对车牌识别技术的研究和应用系统开发具有重要的现实意义。发展虽然车牌识别技术作为智能交通系统中的关键技术，在各国学者的共同努力下，已经得到了长足的发展，并且已经得到了不同程度的实际应用，但目前还存在着种种不足。对于未来车牌识别产品的技术发展趋势，汉王科技智能交通部总经理乔炬认为，首先，由于市场需求不同，对识别产品的需求也有差异，因此就要求研发针对不同细分市场的车牌识别产品。其次，随着算法的不断改进，基于视频触发技术的车牌识别产品将得到大范围的应用，但是视频触发技术取代外触发装置尚需时日。第三，现在的车牌识别系统设备过多，系统集成难度大，系统稳定性差，系统维护是一个让人头疼的问题。随着技术不断进步，以往多个设备实现的功能可能由一个设备实现。目前，车牌识别技术和产品性能进入实用阶段的时间还不是很长，随着人工智能以及自动识别技术的进步，未来的技术发展空间还会非常大。例如，核心算法继续发展，识别率和识别速度进一步改善，图像处理中对模糊图像预处理能力增强，画质改善技术的提高等等。本文主要内容学习MATLAB的使用，熟悉MATLAB函数的使用；查阅文献，在研究近年来一些典型车牌识别的算法的基础上，确定进行车牌识别的一系列算法。研究字符分割有关的算法，分析各种算法的优缺，并利用投影法实现字符分割。研究字符识别的算法，利用BP神经网络实现字符的识别。第3章REF_Ref168484495\h业务规则引擎及其应用PAGE14河南科技大学本科毕业设计（论文）PAGE14MATLAB的学习简介MATLAB是MATrixLABoratory的缩写，是一款由美国TheMathWorks公司出品的商业数学软件。MATLAB是一种用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境。除了矩阵运算、绘制函数/数据图像等常用功能外，MATLAB还可以用来创建用户界面及与调用其它语言（包括C，C++和FORTRAN）编写的程序。尽管MATLAB主要用于数值运算，但利用为数众多的附加工具箱（Toolbox）它也适合不同领域的应用，例如控制系统设计与分析、图像处理、信号处理与通讯、金融建模和分析等。MATLAB语言是一种交互性的数学脚本语言，其语法与C/C++类似。它支持包括逻辑(boolen)、数值(numeric)、文本(text)、函数柄(functionhandle)和异质数据容器(heterogeneouscontainer)在内的15种数据类型，每一种类型都定义为矩阵或阵列的形式(0维至任意高维)。执行MATLAB代码的最简单方式是在MATLAB程序的命令窗口(CommandWindow)的提示符处(>>)输入代码，MATLAB会即时返回操作结果（如果有的话）。此时,MATLAB可以看作是一个交互式的数学终端，简单来说，一个功能强大的“计算器”。MATLAB代码同样可以保存在一个以.m为后缀名的文本文件中，然后在命令窗口或其它函数中直接调用。MATLAB功能MATLAB的主要提供以下功能：可用于技术计算的高级语言；可对代码、文件和数据进行管理的开发环境；可以按迭代的方式探查、设计及求解问题的交互式工具可用于线性代数、统计、傅立叶分析、筛选、优化以及数值积分等的数学函数；可用于可视化数据的二维和三维图形函数；可用于构建自定义的图形用户界面的各种工具；可将基于MATLAB的算法与外部应用程序和语言（如C、C++、Fortran、Java、COM以及MicrosoftExcel）集成的各种函数特点MATLAB软件有三大特点:功能强大。具有数值计算和符号计算、计算结果和编程可视化、数学和文字统一处理、离线和在线计算等功能；界面友善、语言自然。MATLAB以复数处理作为计算单元，指令表达与标准教科书的数学表达式相近；开放性强。该公司本身就推出了30多个应用工具箱，而世界上超过200家公司开发出与MATLAB兼容的第三方产品，这些产品向用户提供更多的工具箱、模块集、与其他商业产品的接口等。MATLAB的这些特点使它获得了对应用学科（特别是边缘学科和交*学科）的极强适应力，并很快成为应用学科计算机辅助分析、设计、教学，乃至科技文字处理不可缺少的基础软件。字符分割引言在整个车牌处理流程中，字符分割起着至关重要的作用。字符分割的好坏直接关系到其后的字符识别。另外，由于车牌的采取条件和车牌本身的质量有较大的差异，导致车牌识别的各个环节往往存在很多干扰噪声，比较大的噪声包括铆钉和边框，另外各个字符间以及字符内部可能存在诸多细微噪声。去除诸如此类的噪声是准确分割字符并保证高识别率的前提。在字符分割之前，首先要判断字符颜色与背景颜色的组合方式，在二值图像中即黑底白字与白底黑字。对于黑底白字不需要处理，而对白底黑字则需要进行反色处理。本章先介绍和学习一些在车牌识别系统中较常用的一些算法，然后在介绍的这些算法的基础上，利用定位好的车牌，对其二值化，中值滤波后，求出其直方图后由给定的阈值将其划分区域，并分割图片。常用字符分割算法对于字符的分割，主要有投影法、回扫法等。投影法是按照得到的车牌的直方图的峰谷进行操作的一种算法。对于单行车牌，可以对分割出的车牌图像进行纵向投影，检查其投影曲线的波谷。从图3-1和图3-2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的投影往往接近于零或者为零，所以去初始阈值t=1对投影图进行扫描，过程如下："while(project[i]<t)t++",记下位置a；"while(project[i]>=t)i++",记下位置a；得到一个分割区域，区数加1，重复步骤(1)；如果取数小于7，则t=t+Δ(自定)；重复1。按照上述五个步骤，可以粗略的把一个噪声影响较小车牌的按照一定的规则分为7个部分。图3－1图像纵向投影图3－2处理后的车牌回扫法是在投影法基础上的一种改进，其基本原理是设定一个游标，当游标从某个字符的左边界向右移动一定步长后，可以落在下个字符内部，然后将游标逐个像素往回移动，检测下个字符的左边界与当前字符的右边界。首先设定一个大小为w*h（此处h=H，即车牌的高度）的窗口作为游标，估计字符的宽度W1，使得游标自字符左边界向右移动步长W1，可以落在下一个字符内部。游标初始位于车牌图像的左侧，以l为步长向右移动游标，检查窗口内的像素平均值，直到其值大于阈值T，找到第一个字符的左边界。以成为步长向右移动游标一次，然后以1为步长向左回移，检查窗口内的像素平均值。当在某个位置i2，其像素平均值由一个较大的值跳到一个较小的值时，既求得下一个字符的左边界；继续向左回移，得到像素平均值的又一次回跳时的位置，即为该字符的右边界；重复3。字符分割的实现在本次毕业设计的过程中，字符分割所使用的算法为投影法；利用已经处理定位的灰色车牌，经过一系列的处理，得到车牌图像的直方图，利用直方图的波谷对图像进行分割，然后对分割后的图像进行归一化处理，最终得到规格化的分割后的单个字符图像，整个过程如图3-3所示 图3－3字符分割和归一化流程图像的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。故而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阀值，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。 二值化的阀值选取有很多方法，主要分为3类:全局阀值法、局部阀值法和动态阀值法。全局阀值二值化方法是根据图像的直方图或灰度的空间分布确定一个阀值，并根据该阀值实现灰度图像到二值化图像的转化。全局阀值方法的优点在于算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗能力差，应用受到极大限制。局部阀值法则是由象素灰度值和象素周围点局部灰度特性来确定象素的阀值的，Bernsen算法是典型的局部阀值方法，非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，局部阀值法也存在缺点和问题，如实现速度慢、不能保证字符笔划连通性、以及容易出现伪影现象等。动态阀值法的阀值选择不仅取决于该象素灰度值以及它周围象素的灰度值，而且还和该象素的坐标位置有关，由于充分考虑了每个像素邻域的特征，能更好的突出背景和目标的边界，使相距很近的两条线不会产生粘连现象。在本文中采用的就是全局阈值法，先求出灰度图像中的最大灰度值g_max和最小灰度值g_min,然后按照公式3—1求得阈值T:T=g_max-(g_max-g_min)/3 (公式3-1)在求得阈值之后，将大于阈值的灰度值置为1，小于阈值的灰度值置为0，图像就转换为黑底白字的二值图像。无关区域的去除对得到的图像分析可以发现，车牌图像除了有我们识别用的字符外，还有周边的一些无关区域，这些无关区域包括牌照的边缘，固定车牌的铆钉等，这些区域在识别的过程中极有可能会影响到识别的精度，于是去掉这些无关区域的操作便显得必须了。牌照的边框对于牌照字符串的切割是一个很大的障碍。由于牌照边框的存在，使得字符串的垂直投影的值全部大于零，从而不能依据投影确定切割点的位置。值得庆幸的是由于我们采用的是色彩过滤的方法，所以定位的车牌图像一般不会包含太多和牌照区域颜色不同的边框。即使这样，也不可能做到刚好定位在字符的上下边沿上，牌照的上下边沿处仍会有许多其他的干扰。这些干扰的来源各式各样，有的是在拍摄牌照由于光照等干扰留下了阴影，还有可能是牌照上铆钉的干扰。这些干扰信息都会对字符的分割产生不利的影响，主要体现在垂直投影信息己经不能正确体现分割的位置。所以，去除这些干扰信息是很重要的。我们采用行扫描的方法来去除上下边界的干扰，其目的是准确定位出车牌字符串的上下边界，为单个字符的分割做准备。如前所述，标准牌照上有7个字符。这样在字符区域，每条水平线所通过的笔划数目至少为7，而在非字符区域，每条水平线所穿过的笔划数目应该不大于7。我们取一个略大于7的数10为闽值，然后统计每行的非零点数目。如果大于10，则认为可能是字符所在行，否则就认为该行不穿过字符区域。具体的算法如下：(1)统计每条水平线上的非零点数目。若大于等于lO，则认为该行可能位于字符区域：小于10，则认为该行可能位于非字符区域；(2)如果所有被认为可能位于字符区域的行是连续的，则这些行中最上面一行为字符的上沿，最下面一行为字符的下沿；(3)如果所有被认为可能位于字符区域的行不是连续的，而是组成了若干个高度不同的块，则比较这些块的高度，认为高度值最大的块为字符区域，该块最上面一行为字符的上沿，最下面一行为字符的下沿。由此，我们就能够准确地确定字符的上下边沿，然后将字符的上下边沿去除，便得到了可以使用的用于字符分割的图像。得到如图3-6所示的图像：图3－4消去无关区域的图像 字符分割对于可用于字符分割的图像，接下来就可以进行字符的分割了，由于在本文中采用的算法是投影法，先要求得图像的直方图，然后根据直方图的累计像素量对字符进行分割。分割的过程如下：先设置两个标尺PX0，PX1；寻找第一个字符的左边缘，并使用PX0标记，同时把PX1也设为PX0的值；PX1右移，直到找到一个点的像素累计值小于设定的阈值，得到一个字符区域，标记为I；如果I小于7，重复（1）；如果大于7，结束；经上述循环后，便可以得到被分割的7个字符图像。如图3-7所示：图3－5分割后的图像我们可以看出分割出来的这几个图像的大小并没有规则，有大有小，而在识别的过程中，大小不一的图片就给识别的过程带来了一定的麻烦，使得识别的效率和速度大幅度下降，这就需要对图片进行归一化处理。字符归一化相对于大小不一的字符，统一规格的图像识别的标准性更强，准确率自然也更高。标准化图像就是要把原来各不相同的字符统到同一尺寸，在系统实现中是统一到同一高度，然后根据高度来调整字符的宽度。归一化操作主要工作为消除字符由于在大小、位置上对字符特征提取、识别的影响，需要对字符图像进行规范化处理。规范化一般分为位置规范化、大小规范化、笔划粗细规范化。为了消除字符点阵位置上的偏差，需要将整个字符点阵图形移动到固定的位置上，这个过程被称为位置规范化。有两种简单的位置规范化方法。一种是基于质心的位置规范化；另一种是基于字符外边框的位置规范化。基于质心的方法需要首先计算字符的质心，然后再把质心移动到指定的位置上。基于字符外边框的位置规范化需要首先计算字符的外边框，找出其中心，然后再把字符中心移动到指定的位置上。相对而言，质心计算是全局性的，因此抗干扰能力强，各边框搜索是局部性的，易受干扰影响。对不同大小的字符做变换，使之成为同一尺寸的字符，这个过程被称为大小规范化。其目的是为了消除字符大小对识别造成的影响和便于在识别中确定判据和标准，一般在平滑后进行。常用的大小规范化方法也有两种。一种是将字符的外边框按比例线性缩放为规定尺寸的字符，另一种是根据水平和垂直两个方向字符像素的分布进行大小规范化。本次毕业设计过程中使用的算法如下：先得到原来字符的高度，跟系统要求的高度做比较，得出要变换的系数，然后根据得到的系数求得变换后应有得宽度。再得到宽度高度之后，把新图像里面得点按照插值得方法映射到原图像中。本次毕业设计过程中，字符统一规格化为40*20大小的图像，规格化之后的图像如图3-8所示：图3－6归一化后的图像结论PAGE21河南科技大学本科毕业设计（论文）PAGE21字符识别引言字符识别是车牌识别技术的最后一步，也是关键的一步。目前应用于实际系统中的字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法是首先将分割后的字符二值化,并将其尺寸缩放为字符数据库中模板的小，然后与所有模板进行匹配，最后选取最佳匹配作为结果。建立数字库对该方法在车牌识别过程中很重要,数字库准确才能保证检测出的数据正确。基于人工神经元网络的算法有两种，一种是先对特征提取待识别字符，然后用所获得的特征训练神经网络分配器；另一种是直接将待处理图像输入网络由网络自动实现特征提取直至识别结果。在本章首先介绍BP神经网络的有关知识，然后利用BP神经网络解决字符识别的问题。出于简单性考虑，本文只对字母和数字进行识别，汉字的识别暂不考虑。BP神经网络BP（BackPropagation）网络是1986年由Rumelhart和McCelland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(BackPropagation)神经网络，即误差反传误差反向传播算法的学习过程，由信息的正向传播和误差的反向传播两个过程组成，其结构如图4-1所示。BP网络的实现分为两个阶段：学习阶段和识别阶段。在BP神经网络的学习阶段，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或者多隐层结构；最后一个隐层传递到输出层图4-1BP神经网络示意图各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。在BP神经网络的识别阶段就是利用学习阶段所调整好的连接权值，将待识别的输入正向计算后得到的输出即为识别结果。其算法的实现一般如下：设置初值，包括各个神经元之间的连接权值ω以及各个神经元的阈值θ；选取一组训练数据作为输入层；正向计算；计算输出层的每个节点的误差；反向计算：计算前层各个节点误差；加权修正；加权修正；返回2直到E<e0.在BP算法实现的步骤中，如果输出层达不到期望的输出，一般取输出的误差平方和作为目标函数，进而转向反向传播，逐层计算目标函数对各神经元权值的依据，构成目标函数对权值向量的梯度向量，作为权值修改的依据，网络的学习是在上述的七个步骤中完成的。BP神经网络为了保证系统搞识别率也需要大量的样本，而且样本选择要有一定的原则：尽可能选择类似样本；尽可能保证相邻样本变化率小于误差精度要求；均匀选择样本。实验表明，好的样本可以在提高训练速度方面有一定改善作用。通过神经网络的自我学习，经过大量先验知识的使用，使得神经网络的识别率与其他的算法的识别效果相比有着明显的优势。然而，神经网络的自学过程也存在一定的问题：当学习系统所处环境平稳时(统计特性不随时间变化)，神经网络可以学到这些环境统计特性，作为经验记住。如果环境是非平稳时，神经网络很难自适应学习环境特性；同时，从数学上看BP神经网络是一个非线性优化算法，存在局部极小问题；学习算法的收敛速度很慢；对新加入的样本要影响到已经学完的样本，刻画每个输入样本的特征的树木也要求相同在车牌识别系统中，BP神经网络利用前面工作中通过车牌定位，二值化，滤波，消除无关区域之后，利用投影法得到的分割后的单个字符经过归一化处理后的字符作为样本。但是由于光线、环境的干扰以及图像采集位置的变化，不同环境下的车牌图像经过同样的处理后所得到的字符图像有一些差异，在一些情况下，样本的选择影响了整个BP网络的识别率。字符识别的实现在本次毕业设计的过程中，字符识别的过程主要有BP神经网络算法实现，经过对样本的特征提取，神经网络自学习形成学习字典，对样本特征与字典模板特征匹配判别识别字符，完成识别过程。整个识别过程如图4-2所示：图4－2字符识别流程样本特征提取经过图像分割并规格化之后，分布不规律的各个字符变成了一个个大小相同，排列整齐的字符。下面就需要从这些规格统一的字符中，提取最能体现这个字符特点的特征向量。将提取出训练样本中的特征向量代入BP网络之中就可以对网络进行训练，提取出待识别的样本中的特征相量代入到训练好的BP网络中，就可以对字符进行识别。特征向量的提取方法多种多样，有逐象素特征提取发，骨架特征提取法，垂直方向数据统计特征提取法，弧度梯度特征提取法等很多种方法，根据具体情况的不同我们可以来选择不同的方法。1．逐象素特征提取法这是一种最简单的特征提取方法，对图像进行逐行逐列的扫描当遇到黑色象素时取其特征值为1，遇到白色象素时取其特征值为0，这样当扫描结束以后就形成了一个维数与图像中象素点的个数相同的特征向量矩阵。这种特征提取方法的特点是算法简单，运算速度快，可以使BP网络很快的收敛，训练效果好，缺点是适应性不强。但可以通过加大训练样本数目的方法来增强其适应性。2．骨架特征提取法两副图像由于它们的线条的粗细不同，使得两幅图像差别很大，但是将它们的线条进行细化以后，统一到相同的宽度，如一个象素宽时，这时两幅图像的差距就不那么明显。利用图形的骨架作为特征来进行数码识别，就使得识别有了一定的适应性。我们一般使用细化的方法来提取骨架，细化的算法又很多如Hilditch算法，Rosenfeld算法等。骨架特征提取的方法对于线条粗细不同的数码有一定的适应性，但是图像一旦出现偏移就难以识别。3．垂直方向数据统计特征提取法这种特征提取方法的算法就是自左向右对图像进行逐列的扫描，统计每列的黑色的象素的个数，然后自上而下逐行扫描，统计每行的黑色象素的个数，将统计结果作为字符的特征向量，如果字符的宽度为w，长度为h，则特征向量的维数是w＋h以上就是几种基本的特征向量提取方法，还有梯度统计，弧度统计等其他的特征向量提取方法，另外，还有一种效率极高的特征提取方法－角点提取方法。角点提取的方法目前一般分为基于灰度的角点提取和基于弧度的角点提取。基于弧度的角点提取要求首先要做边缘提取。比较成熟的边缘提取算法有Canny算法等。角点提取算法较复杂，而且用到的很多技术也较专业化。本文中利用逐像素提取的方法，对图像进行处理，将源图像存储所用的40*20的矩阵转换为1*800的特征向量，为后续的处理奠定基础。神经网络自学习在神经网络的学习过程中，根据前文提出的算法，利用MATLAB进行实现神经网络的学习阶段。在学习阶段先要初始化网络，然后开始输入要学习的样本，按照网络初始设定的权重、阈值以及传输函数进行计算，得出每一层神经元的输出，这是从底层向上进行的。通过理想输出与输出层之间的误差来决定是否对权重、阈值进行修改，这个修改是从高层向下进行的。两个过程反复进行，直到网络收敛为止，此为学习阶段。权重的学习就是不断的调整各个神经元的连接强度，使其能在最小二乘的意义上逼近所对应的输出。最后得到可以用于识别的学习字典。字符识别在这一步骤中，利用BP神经网络学习阶段得到的学习字典，以及特征提取阶段的字符的特征，两者对比匹配，判别字符内容，具体算法过程如下：设标尺i=2，利用神经网络的学习字典，判断该字符与学习字典的第几个字符相匹配，记下给字符在字典中的位置d；根据d的值，以及字典中字符的排列规律，得到输入样本的值：大于9的时候根据d的值判断字母；小于9的时候，将d的值有字符转换为数字；将d的值储存在数组str中，i+1；如果i>7，在显示的图像中，以title的方式显示str的值，如果i<7重复（1）；经过以上4个步骤的操作，便完成了对车牌字符的识别过程，可以再得到的图片上看到车牌字符的显示，至此，车哦爱？识别系统的字符识别系统便告一段落了。？结论车牌识别系统作为现代智能交通的一部分，在现代交通中的应用越发普遍起来，而且在现代交通管理中发挥的作用也越发的令人瞩目，在多个领域都有着广阔的前景。目前阶段，虽然有众多的研究人员在车牌识别技术上投入大量的研究，但是由于车牌识别过程存在的偶然性，使得车牌识别的自适应性，识别速度，识别率都存在很大的发展空间。本文在前人研究的基础上，利用前人的部分研究成果，实现了车牌识别系统中的字符识别系统。本文完成的主要工作包括以下几个方面：（1）由于整个系统只是一个简单的实现，所以使用MATLAB完成算法的实现，在这个过程中，为了更好的实现系统的功能，学习了有关MATLAB的相关知识；（2）学习了有关字符分割的一些算法，包括投影法，回扫法；并利用投影法实现了字符的分割；（3）学习了有关神经网络的知识，对BP神经网络的学习阶段和识别阶段的有了一定了解，并用BP神经网络完成了字符的识别；（4）在完成系统的过程中，还学习了有关二值化，归一化，特征提取的一些算法。在本次毕业设计的过程中，由于时间和能力的原因，很多功能并没有实现，包括对汉字的识别，结合VC++6.0和MATLAB的联合编程等等，系统所实现的功能也不够完善，这些都需要在以后的工作中加以完善的。参考文献PAGE23河南科技大学本科毕业设计（论文）PAGE23参考文献不规范不规范石伟，孙永荣BP神经网络在车牌识别技术中的应用《工业控制计算机》2010年第23卷第4期P17--P19/*中文期刊*/顾景 赵元兴 刘锤 郑宽 韩树民 胡庆茂 车牌识别算法的关键技术及其研究现状《先进技术研究通报》Vol.4No.12/Dec.2010P17-P21/*中文期刊*/张引，潘云鹤.面向车辆牌照字符识别的预处理算法.计算机应用研究，1999(7)，P85～87./*中文期刊*/刘智勇，刘迎建，车牌识别中的图像提取及分割，中文信息学报，2000，14(4)，p26～p29/*中文期刊*/陈振学，汪国有，刘成云，一种新的车牌图像字符分割与识别算法，微电子学与计算机，2007，24（2），p42～p44/*中文期刊*/胡爱明，周孝宽，车牌图像的快速匹配识别方法，计算机工程与应用，2003，（7），p90～p91/*中文期刊*/MarkosPapageorgiou,ChristinaDiakaki,VayaDinopoulou,ApostolosKotsialos,Yibing wang.Review of Road Traffic ContronlStrategies[J].ProceedingsoftheIEEE,2003,91(12):2043-2067./*外文期刊*/冈萨雷斯．数字图像处理（第二版）．电子工业出版社，2007．8/*译著*/边肇祺张学工模式识别(第二版)北京清华大学出版社2000.1/*中文著作*/蒋宗礼，人工神经网络导论[J]，北京，高等教育出版社，2008/*中文著作*/徐慧VC++数字图像使用工程案例精选北京人民邮电出版社2004.3P214-P255/*中文著作*/胡小峰，赵辉VisualC++MATLAB图像处理与识别实用案例精选北京人民邮电出版社2004.9P385-P420/*中文著作*/陈永超.基于数字图像处理的车牌识别研究[硕士学位论文].武汉理工大学.2006.04.01/*中文学位论文*/贾曌峰.车牌自动识别系统相关技术研究[硕士学位论文].中国科学技术大学.2009.05.01/*中文学位论文*/赵爽基于WEB的车牌识别与管理系统设计与实现[硕士学位论文]南昌大学.20100106/*中文学位论文*/陶军车牌识别技术研究与实现[硕士学位论文]南京理工大学.20040701/*中文学位论文*/吴高峰车牌识别关键技术研究及系统实现[硕士学位论文]中山大学.20100609/*中文学位论文*/杨中付汽车车牌识别系统的设计及实现[本科学位论文]昆明理工大学.2007年6月/*中文学位论文*/陈永超基于数字图像处理的车牌识别研究[硕士学位论文]武汉理工大学.20060401/*中文学位论文*/安勇车牌识别算法研究[硕士学位论文]中国科学技术大学20050301/*中文学位论文*/王璐基于MATLAB的车牌识别系统研究[硕士学位论文]上海交通大学20090107/*中文学位论文*/致谢PAGE40河南科技大学本科毕业设计（论文）16PAGE40致谢首先我要感谢我的导师，在毕业设计的过程中给予的帮助，还有同组同学在毕业设计资料选取，编码过程中的帮助同时，在毕业设计过程中，还得到了同专业同学的许多帮助，在此表示感谢最后，向所有曾给予作者关心和帮助的老师和同学们再次表示最衷心的感谢，向参加论文评审、答辩的专家和老师表示衷心的感谢和崇高的敬意。英文文献原文AcascadediteativeouriertansformalgorithmforopticalsecurityapplicationsAbstract:AcascadediterativeFouriertransform(CIFT)algorithmispresentedforopticalsecurityapplications.Twophase-masksaredesignedandlocatedintheinputandtheFourierdomainsofa4-fcorrelatorrespectively,inordertoimplementtheopticalencryptionorauthenticityverification.Comparedwithpreviousmethods,theproposedalgorithmemploysanimprovedsearchingstrategy:modifyingthephase-distributionsofbothmaskssynchronouslyaswellasenlargingthesearchingspace.Computersimulationsshowthatthealgorithmresultsinmuchfasterconvergenceandbetterimagequalityfortherecoveredimage.Eachofthesemasksisassignedtodifferentperson.Therefore,thedecryptedimagecanbeobtainedonlywhenallthesemasksareunderauthorization.Thiskey-assignmentstrategymayreducetheriskofbeingintruded.eyords:Opticalsecurity–opticalencryption–cascadediterativeouriertransformalgorithm1.IntoductionWangetalandLietalproposedanothermethodforopticalencryptionandauthenticityverification.Unlikethetechniquesmentionedabove,thismethodencryptsinformationcompletelyintoaphasemask,whichislocatedineithertheinputortheFourierdomainofa4-fcorrelator.Forinstance,giventhepredefinitionsofasignificantimagef(x,y)asthedesiredoutputandaphase-distributionexp{jb(u,v)}intheFourierdomain,it’seasytooptimizetheotherphasefunctionexp{jp(x,y)}withamodifiedprojectionontoconstraintsets(POCS)algorithm[10].Thereforetheimagef(x,y)isencodedsuccessfullyintoexp{jp(x,y)}withtheaidofexp{jb(u,v)}.Inotherwords,thefixedphaseexp{jb(u,v)}servesasthelockwhiletheretrievedphaseexp{jp(x,y)}servesasthekeyofthesecuritysystem.Toreconstructtheoriginalinformation,thephasefunctionsexp{jp(x,y)}andexp{jb(u,v)}mustmatchandbelocatedintheinputandtheFourierplanerespectively.Abookasisetalimplementedthisschemewithajointtransformcorrelatorforopticalverification.However,becausethekeyexp{jp(x,y)}containsinformationoftheimagef(x,y)andthelockexp{jb(u,v)},andthe4-fcorrelatorhasacharacteroflinearity,itispossiblefortheintrudertofindoutthephase-distributionofthelockfunctionbystatisticallyanalyzingtherandomcharactersofthekeysifthesystemusesonlyonelockfordifferentimage.Inordertoincreasethesecurelevelofsuchsystem,oneapproachistousedifferentlockfunctionfordifferentimage.Enlargingthekeyspaceisanotherapproachtoincreasethesecurelevel.ItcanbeachievedbyencryptingimagesinthefractionalFourierdomain;asaresult,thescalefactorsandthetransformorderofferadditionalkeys.Ontheotherhand,notethatthephase-maskservesasthekeyofthesystem,enlargingthekeyspacecanbeachievedbyencodingthetargetimageintotwoormorephasemaskswithamodifiedPOCSalgorithm.Changetalhaveproposedamultiple-phasesretrievalalgorithmanddemonstratedthatanopticalsecuritysystembasedonithashigherlevelofsecurityandhigherqualityforthedecryptedimage.However,thisalgorithmretrievesonlyonephase-distributionwithaphaseconstraintineachiteration.Asaresult,themasksarenotsoconsistentandmayaffectthequalityoftherecoveredimage.Inthepresentpaper,weproposeamodifiedPOCSalgorithmthatadjuststhedistributionsofbothphase-maskssynchronouslyineachiteration.Asaresult,theconvergentspeedoftheiterationprocessisexpectedtosignificantlyincrease.Andthetargetimagewithmuchhigherqualityisexpectedtorecoverbecauseoftheco-adjustingofthetwomasksduringtheiterationprocess.Whentheiterationprocessisfinished,thetargetimageisencodedintothephase-maskssuccessfully.Eachofthesemasksseversasthekeyofthesecuritysystemandpartoftheencryptedimageitselfaswell.Moreover,thealgorithmcanbeextendedtogeneratemultiplephase-masksforarbitrarystagescorrelator.Toacquirethemaximumsecurity,eachkeyisassignedtodifferentauthoritysothatthedecryptioncannotbeperformedbutbeingauthorizedbyallofthem.Thiskey-assignmentschemeisespeciallyusefulformilitaryandgovernmentapplications.ThealgorithmdescriptionispresentedinSection2.ComputersimulationofthisalgorithmandthecorrespondingdiscussarepresentedinSection3.2.CascadedIterativeFourierTransform(CIFT)AlgorithmConsidertheoperationoftheencryptionsystemwiththehelpofa4-fcorrelatorasshowninFig.1,thephasemasksplacedintheinputandtheFourierplanesaredenotedasandrespectively,where(x,y)and(u,v)representthespaceandthefrequencycoordinate,respectively.Oncethesystemisilluminatedwithamonochromaticplanewave,atargetimagef(x,y)(animagetobedecryptedorverified)isexpectedtoobtainattheoutputplane.Thephase-masksandcontaintheinformationoff(x,y),thatis,f(x,y)isencodedintothesephase-masks.Theencodingprocessistheoptimizationofthetwophase-distributions.Itissomewhatsimilarwiththeproblemsoftheimagereconstructionandthephaseretrieval,whichcanbesolvedwiththePOCSalgorithm.However,thepresentproblemcomesdowntothephaseretrievalinthree(ormore,ingeneral)planesalongthepropagationdirection.SotheconventionalPOCSalgorithmshouldbemodifiedforthisapplication.ThecascadediterationFouriertransform(CIFT)algorithmbeginswiththeinitializationofthephase-distributionsofthemasks.Supposetheiterationprocessreachesthekthiteration(k=1,2,3,…),andthephase-distributionsintheinputandtheFourierplanearerepresentedasand,respectively.ThenanestimationofthetargetimageisobtainedattheoutputofthecorrelatordefinedbywhereFTandIFTdenotetheFouriertransformandtheinverseFouriertransform,respectively.Iffk(x,y)satisfiestheconvergentcriterion,theiterationprocessstops,andandaretheoptimizeddistributions.Otherwise,thefk(x,y)ismodifiedtosatisfythetargetimageconstraintasfollowsThenthemodifiedfunctionistransformedbackwardtogeneratebothofthephase-distributionsasfollowswhereang{·}denotesthephaseextractionfunction.Thenkisreplacedbyk+1forthenextiteration.ItisshowninEqs.3(a)and3(b)thatbothofthephase-distributionsaremodifiedineveryiteration,accordedtotheestimationofthetargetimageinthepresentiteration.Itensureshealgorithmconvergeswithmuchfasterspeedandmoreconsistentforthephase-masks.Ingeneral,theconvergentcriterioncanbetheMSEorthecorrelationcoefficientbetweentheiteratedandthetargetimage,whicharedefinedbywhereM*Nisthesizeoftheimage,andE[·]denotesthemeanoftheimage.TheconvergentbehaviorofthisalgorithmissimilartothatoftheconventionalPOCS.Thatis,theMSEreducesrapidlyintheforemostfewiterations,thenitkeepsreducingslowlytillitreachestheminimum.Correspondingly,thecorrelationcoefficientisexpectedtoincreaserapidlyatfirstandkeepincreasingslowlytillthestoppingcriterionissatisfied.Indecryption,thedeterminedphase-masksand(thekeysoressentially,theencryptedimages)areplacedintheinputandtheFourierplane,respectively,andthentransformedintotheoutputplanethroughthecorrelationdefinedbyEq.(1).Themodulusoftheoutputisthedecryptedimage.TheCIFTalgorithmretainsthepropertyoftheconventionaliterationalgorithm,thatis,thefinalphase-distributionsofthemasksaredeterminedbytheinitializationsofthem.Thereforedifferentinitializationswillresultindifferentdistributionsofand.Thetargetimagecannotbedecryptedifthekeysmismatch(thatis,thekeysweregeneratedfromthedifferentiterationprocess).Inpracticalsystem,thephasesofthemasksarequantizedtofinitelevels,whichmightreducethesolutionspaceandintroducenoisetotherecoveredimage.Tocompensatethelossofthequality,thetargetimagecanbeencodedintomorephase-maskstoprovideadditionalfreedomforsolutionsse