基于BP网络的车牌识别系统课件.ppt

《基于BP网络的车牌识别系统课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于BP网络的车牌识别系统LOREMIPSUMDOLOR现状：随着我国经济的快速发展，汽车拥有量急剧增加，公路交通成为我国重要的交通运输途径，是国家大力发展的基础设施之一。基于公共安全需要和交通管理的现代化、智能化的要求，对车辆进行车牌识别就越来越显得重要和亟迫。车牌识别技术一般分为牌照定位、字符分割和字符识别三个阶段。在识别方面目前已有的识别牌照方法主要是基于模板匹配和神经网络两种。但是识别系统工作的场景多是室外的公共场所，复杂背景及光照条件使得系统比较敏感、容错性差、定位速度较慢。为了提高车牌识别率，我们采用了一种基于BP神经网络的车牌符号识别方法。图像前期处理字符分割字符识

2、别结果展示车牌识别系统车牌图像通常都是彩色图像，图像的尺寸不一，且存在大量的噪声，这些都会影响到系统的识别。因此在对车牌图像进行识别之前，需要进行一系列的处理。包括图像的格式转换及尺寸的归一化，对图像进行，去燥，二值化，几何校正，等方法。图像前期处理图像灰度化用原始图像与背景图像作减法，图像增强对得到二值图像作开闭操作进行滤波提取车牌并进行几何校正字符分割BP(BackPropagationNetwork)神经网络是一种多层前馈神经网络，名字源于网络权值的调整规则，采用的是后向传播学习算法，即BP学习算法。该算法在图像处理和图像识别领域已经取得令人瞩目的成就，其主要思想是利用已知

3、确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像的处理或识别。BP神经网络因为字母数字与汉字的复杂度不同，所以我们分别建立两个BP网络，一个单隐层的网络用来识别字母数字，一个双隐层的网络用于汉字的识别。训练完成后，实验结果发现，所有字符的BP网络分类器对训练样本的的识别准确率几乎可以达到loo％，对来自样本以外的质量好的识别准确率也都在90%以上。结果图像细化增加隐含层算法改进字符笔画的宽度其实并没有提供更多的有利于识别的信息，为此，可以对字符进行细化处理。字符细化处理就是对分割后的字符进行“骨架处理”，使得字符的笔画变细，最终成为线宽为一个像素的笔画中心线。骨架上

4、，细化后的文字骨架既保留了原文字绝大部分特征，又使得汉字间的差别增大，减少识别运算量，提高识别率。图像细化当干扰信号过多时，如果网络的容量不足以存储样本倍息时，就会导致识别率下降。为了扩大网络的容量，提高有效的识别准确率，我们这里尝试增加隐含层．即将原来的一个踌含层变为变为两层。增加隐含层