基于神经网络的车牌识别系统研究

论文总字数：18499字

摘 要

本文研究了基于神经网络的车牌识别系统。首先介绍了人工神经网络算法和其数学模型,解释了其自学习的特性介绍了误差如何在神经网络中向后传播，神经网络存在的一些缺陷及改进方法。研究了车牌预处理的过程，主要是图像去噪，车牌区域提取。鉴于选用不同的去噪方法对图像处理效果影响很大，对某类图像的去噪处理也会影响到边缘信息的提取，本文采用神经网络来决定图像处理流程，最终完成字符特征值提取。系统的仿真测试环境基于VC环境开发，采用MATLA引擎，文中对C 编写的神经网络和主要算法代码做了说明。仿真测试表明，噪声较小的车牌识别率达到90%以上。

关键词：车牌识别，人工神经网络，自学习

Abstract：This article studies a license plate recognizing system that based on the artificial neural network algorithm. First of all,it introduces the artificial neural network algorithm and its mathematical model,and explains the traits of its elf-learning. It then describes the way how the errors backward propagate and the drawbacks of it ,as well as corresponding improvement.After that,it discusses the preprocessing of the license plate,which focuses on image de-noising and license plate extraction.Given that different image de-noising methods have a significant impact on the effect of processing and a certain class of pictures can’t accept the procedure because of influencing tin the next edge information extraction process.This paper uses neural network to decide the flow of process.After extracting the digital eigenvalues of each character,at the last,it presents how the system call the matlab engine in the vc6.0and the code of neural network along with main function written by the language of C .The success rate has arrived 90 percent in testing.

Keywords: license plate recognition，artificial neural network，self-learning

目 录

1课题背景 4

2人工神经网络算法 5

2.1人工神经网络模型 5

2.2人工神经网络的核心——权值的更新 7

3 图像处理 11

3.1车牌的特征 11

3.2图像预处理 12

3.3边缘检测 15

3.4车牌提取 18

3.5图像二值化技术 19

3.6车牌区域分割与细化 20

3.7车牌特征值提取 21

4 系统构造与实现 22

总 结 29

参考文献 30

致 谢 31

1课题背景

计算机的发明和使用给人类文明带来了前所未有的进步，在其诞生后不到100年内，它们已几乎在各个方面都有了超越人类才能的迹象。但计算机在模拟人的智能上进展缓慢而且笨拙，它们程序化的处理方式虽然给了它们无与伦比的速度与正确率，但也使它们丧失了灵活处理无法预测的，模糊问题的能力。一个好的例子就是基于普通算法的车牌识别系统，它们在处理一些特定条件下的车牌图片时，往往表现的很好，然而一旦改变一些条件，比如车牌光照变化，车牌角度变化，车牌字迹模糊化等，其系统就不能自如应变。为了使计算机能更好的应对复杂多变的外界环境，也为了对人的智能这一终极问题的进一步研究，人工神经网络算法应运而生。本文就是基于这种技术的车牌识别系统的研究。系统结构如图1.1所示。

图1.1 车牌识别系统结构与流程

本系统的实现用到了MATLAB 图像处理引擎和VC6.0。图1.2-1.4是系统处理过程中不同阶段的图像：

图1.2 原始汽车图片 图1.3 分割出的牌照图片

图 1.4 分割并细化后的字符

由于神经网络可以逼近任意复杂度的函数，且不需要确切编程就能通过其自学习的特点自动完成问题到解的映射，使神经网络在模式识别领域应用广泛。然而大部分系统仅在最后的识别模块使用它，这大大限制了它对提高系统性能的作用。本文通过尝试把它引入系统的各个模块来进一步提高系统性能，同时也使整个系统更加具有应对复杂变化的外界环境的能力。本文工作内容如下：

1推导神经网络权值更新的数学公式，包括输出层和隐含层,并用C 代码实现该算法。

2设计算法对车牌图像进行预处理时能够根据图像具体情况而由神经网络的判别结果选择处理流程。

3 车辆牌照位置的确定。首先对车牌图片进行灰度变换。利直方图均衡化算法和中值滤波对图像进行增强处理，为后面的车牌定位做准备。应用边缘检测算法检测出边缘信息，并使用图像腐蚀技术，对非车牌区域进行腐蚀处理，获得车牌位置的疑似位置，并使用神经网络对结果进行判别，然后采用一种基于字符特征和图像区域特征相结合的定位方法，提取出车牌位置。

4 字符的分割。首先对分割出的车牌进行二值化、倾斜校正、去除干扰和边框，然后利用垂直投影信息结合字符排列特征的垂直投影统计方法分割字符。

5 获得字符的特征值。该过程首先对分割后的单个字符尺寸归一化为统一的40*40，然后采用分区域统计笔画特征数的方法提取出待识别字符的24维特征信息，最后把提取出的字符特征值作为输入，对神经网络进行训练。最后识别出字符。

2人工神经网络算法

2.1人工神经网络模型

剩余内容已隐藏，请支付后下载全文，论文总字数：18499字