B网络应用与车牌号识别.ppt

Company Logo LOGO BP网络应用于车牌号识别 第八组 主要内容 1、车牌图像预处理 车牌图像预处理流程图 1.1 车牌图像的灰度化及二值化 灰度化 二值化(最大类间方差) 1、车牌图像预处理 1.2 车牌图像的倾斜校正 采用拉东变换(Ｒadon)来实现车牌图像的倾斜校正 其中 θ 表示两个坐标系( x － y 和 x － y )之间的夹角，这两个坐标系的变换关系如下: 1.3 车牌图像的膨胀腐蚀 文中采用开操作与闭操作技术:开操作能平滑物体轮廓、 断开较窄的细缝并消除毛刺等;闭操作能弥合较窄的间断细缝， 补充细小的缺口， 填充轮廓线中的断裂。 拉东变换 2、字符的切割及归一化 采用图像处理技术使图像进行灰度垂直投影，通过图像易区分出车牌的字符区域，且容易区分出字符的左右边界。 3、特征提取 字符特征有点特征、线特征、笔划特征等，它们多是基于字符结构特性而构造的。基本思想是在对字符进行归一化后，把字符图像分割化为若干基元，然后和模板比较来进行判别。由这些结构基元及其相互的关系可以精确地对字符加以描述。 （1）、对字符进行了归一化处理，并描述了笔画复杂指数的字符特征；（2）、接着讨论了改进的粗网格特征提取和结构特征提取方法，并通过 Zernike 矩和 Gabor 变换的特征融合，准确的提取字符的特征向量 （3）、采用 K-L 变换实现了特征降维，从而降低了提取的特征向量的维数（最终获得120维）。 4、字符的识别 BP网络字符识别流程图 利用三层BP网络 4、字符的识别 4、字符的识别 BP 学习算法权值调整公式 4.1 BP网络结构设计 对车牌汉字识别的输入样本为一个1×120 的二维矩阵。同时也可以确定所使用的改进 BP 网络的输入神经元的个数为 120，同理可以确定数字和字母识别网络输入的神经元个数 输出量是指网络训练时的期望输出。一个网络可有多个输出量，对网络 的训练的时间和精度影响不大。对于 BP 网络的输出神经元我们采用了“M中取 1的表示法。“N 中取 1表示法是使输出量分量数等于类别数，输入样本判为哪一类，对应输出分量取 1，其余的 N-1 个分量取 0。 4、字符的识别 4、字符的识别 4、字符的识别 各神经网络的结构 采用汉字神经网络、字母神经网络、字母数字神经网络及数字神经网络 4 个神经网络进行车牌字符的识别时，每个神经网络的结构和参数虽不同，但都采用改进 BP 网络训练算法，它们的训练过程基本一致。 4、字符的识别 Thank you Company Logo LOGO