人工智能BP神经网络.doc

人工智能实验报告 学院： 信息工程学院 班级： 计研-14 学号： 2014312120128 姓名： 2014年12月 实验四 计算智能 1．实验目的 实验 编写一个BP神经网络程序，实现简单的分类。 3．实验报告要求简述实验原理及(backpropagation)算法的BP网络，广泛应用于非线性建模、函数逼近、模式分类等方面。可以说，BP网络是人工神经网络中前向网络的核心内容，体现了人工神经网络精华的部分。BP算法过程从输出节点开始，反向地向第一隐含层(即最接近输入层的隐含层)传播由总误差引起的权值修正。 BP网络不仅含有输入节点和输出节点，而且含有一层或多层隐节点。输入信号先向前传递到隐节点，经过作用后，再把隐节点的输出信息传递到输出节点，最后 得出输出结果。 本实验就是利用BP神经网络进行车辆牌照识别Matlab编程实现。车辆牌照识别系统组成（1）图像预处理：对汽车图像进行图像转换、图像增强和边缘检测等。（2）车牌定位：从预处理后的汽车图像中分割出车牌图像。即在一幅车辆图像中找到车牌所在的位置。（3）字符分割：对车牌图像进行几何校正、去噪、二值化以及字符分割以从车牌图像中分离出组成车牌号码的单个字符图像（4）字符识别：对分割出来的字符进行预处理（二值化、归一化），然后分析提取，对分割出的字符图像进行识别给出文本形式的车牌号码。 输入的彩色图像包含大量颜色信息，会占用较多存储空间，且处理时降低系统的执行速度，因此对图像进行识别时，将彩色图像转换为灰度图像，以加快处理速度。对图像进行灰度化处理、边缘提取、再利用形态学方法对车牌进行定位。具体步骤如下：首先对图像进行灰度转换，二值化处理然后采用4X1的结构元素对图像进行腐蚀，去除图像的噪声。采用25X25的结构元素，对图像进行闭合应算使车牌所在的区域形成连通。在进行形态学滤波去除其它区域。 I=imread(DSC01344.jpg);%读取图像 figure(); subplot(3,2,1),imshow(I), title(原始图像); I1=rgb2gray(I);%转化为灰度图像 subplot(3,2,2),imshow(I1),title(灰度图像); I2=edge(I1,robert,0.09,both);%采用robert算子进行边缘检测 subplot(3,2,3),imshow(I2),title(边缘检测后图像); se=[1;1;1]; %线型结构元素 I3=imerode(I2,se); %腐蚀图像 subplot(3,2,4),imshow(I3),title(腐蚀后边缘图像); I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分 subplot(3,2,6),imshow(I5),title(形态滤波后图像); [y,x,z]=size(I5); I6=double(I5); 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 end end [temp MaxY]=max(Y1); figure(); subplot(3,2,1),plot(0:y-1,Y1),title(行方向像素点灰度值累计和),xlabel(行值),ylabel(像素); %%%%%%%求车牌的行起始位置和终止位置%%%%%%%%% PY1=MaxY; while ((Y1(PY1,1)=50)(PY11)) PY1=PY1-1; end PY2=MaxY; while ((Y1(PY2,1)=50)(PY2y)) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zeros(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)==1) X1(1,j)= X1(1,j)+1; end subplot(3,2,2),plot(0:x-1,X1),title(列方向像素点灰度值累计和),xlabel(列值),ylabel(像数); 确定车牌位置后下一步的任务就是进行字符分割分离出车牌