基于神經網路的車輛牌照字符識別技術

利用給定的車牌影像庫中（在指定的檔案夾之中），任意選擇其中的多副車牌影像，對其中包含的數字（0～9）或英文字符（A～F）進行手工提取，由于提取以后的影像大小可能不一致，為了便于特征提取，可以對各個圖形進行歸一化處理（例如：歸一化為10×20大小），

字符分為訓練（每個字符至少有5個訓練樣本）和測驗（每種字符可以選擇10個加以測驗）兩大類，通過建立一個三層BP神經網路進行訓練，網路的各個引數自己設定，訓練完畢，對樣本進行測驗，并計算測驗的準確率，

四、實驗結果和分析

1、軟體的除錯結果（包括除錯出的內容和實驗的波形、資料、程式出現的現象或界面等）

2、結果分析（程式結果與實驗要求之間的差別和原因分析）

包含車牌號的汽車圖片，

通程序式運行提取的車牌區域

神經網路訓練二次均方差的收斂情況和學習率變化曲線

神經網路訓練時，其學習率和二次方差變化為

TRAINBPX: 0/5000 epochs, lr = 0.1, SSE = 68.1032.

TRAINBPX: 50/5000 epochs, lr = 1.14674, SSE = 10.093.

TRAINBPX: 100/5000 epochs, lr = 0.321983, SSE = 0.821155.

TRAINBPX: 150/5000 epochs, lr = 3.69231, SSE = 0.314939.

TRAINBPX: 200/5000 epochs, lr = 42.3412, SSE = 0.0345176.

TRAINBPX: 225/5000 epochs, lr = 143.382, SSE = 0.00973975.

從最終輸出的a值可以看出，模式識別還是有一定的誤差，但是都比較小，這主要是因為本來在程式設計中就有誤差率，所以最后的結果難免有偏差，

五、源程式清單

1：車牌號提取

% license plate recognition - car plate location based on color model

% modified by KouLiangzhi, Oct 10th,2007

I=imread('Car.jpg');

[y,x,z]=size(I);

myI=double(I);

%%%%%%%%%%% 統計分析 %%%%%%%%%%%%%%%

%%%%%%%% Y 方向 %%%%%%%%%%

Blue_y=zeros(y,1);

for i=1:y

for j=1:x

if((myI(i,j,1)<=121)&&myI(i,j,1)>=110&&((myI(i,j,2)<=155)&&(myI(i,j,2)>=141))&&((myI(i,j,3)<=240)&&(myI(i,j,3)>=210)))

% 藍色RGB的灰度范圍

Blue_y(i,1)= Blue_y(i,1)+1; % 藍色象素點統計

end

end

end

[temp MaxY]=max(Blue_y); % Y方向車牌區域確定

PY1=MaxY;

while ((Blue_y(PY1,1)>=5)&&(PY1>1))

PY1=PY1-1;

end

PY2=MaxY;

while ((Blue_y(PY2,1)>=5)&&(PY2<y))

PY2=PY2+1;

end

IY=I(PY1:PY2,:,:);

%%%%%%%% X 方向 %%%%%%%%%%

Blue_x=zeros(1,x); % 進一步確定X方向的車牌區域

for j=1:x

for i=PY1:PY2

if((myI(i,j,1)<=121)&&myI(i,j,1)>=110&&((myI(i,j,2)<=155)&&(myI(i,j,2)>=141))&&((myI(i,j,3)<=240)&&(myI(i,j,3)>=210)))

Blue_x(1,j)= Blue_x(1,j)+1;

end

end

end

PX1=1;

while ((Blue_x(1,PX1)<3)&&(PX1<x))

PX1=PX1+1;

end

PX2=x;

while ((Blue_x(1,PX2)<3)&&(PX2>PX1))

PX2=PX2-1;

end

PX1=PX1+17;

PX2=PX2-1;

PY1=PY1+5;

PY2=PY2-2; % 對車牌區域的修正

Plate=I(PY1:PY2,PX1:PX2,:);

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

figure,imshow(Plate);

m=PX2-PX1;

n=PY2-PY1;

S=ones(n,m);

for j=1:m

for i=1:n

if((Plate(i,j,1)<=121)&&Plate(i,j,1)>=110&&((Plate(i,j,2)<=155)&&(Plate(i,j,2)>=141))&&((Plate(i,j,3)<=240)&&(Plate(i,j,3)>=210)))

S(i,j)=0;

end

end

end

2：神經網路訓練

%【步驟一、樣本輸入】

nntwarn off;

A=[0 0 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1]';

B=[1 1 1 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0]';

C=[0 1 1 1 0 1 0 0 0 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 1 0]';

D=[1 1 1 1 0 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 0]';

E=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1]';

F=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0]';

zer=[1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1]';

one=[0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0]';

two=[1 1 1 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 1 1 1]';

thr=[1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1]';

fou=[1 0 1 0 0 1 0 1 0 0 1 0 1 0 0 1 1 1 1 1 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0]';

fiv=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1]';

six=[1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1]';

sev=[1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1]';

eig=[1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1]';

nin=[1 1 1 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 1 1 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1]';

% 則對訓練樣本的矩陣初始化如下：

alphabet=[A,B,C,D,E,F,zer,one,two,thr,fou,fiv,six,sev,eig,nin];

p=alphabet;

targets=eye(16,16);

t=targets;

%------------樣本的輸出值，即輸出目標矢量，希望在每一種模式輸入時，在輸出的位置上輸出為1，其他的位置應該為0，若共有模式為16種

%------------每種模式的樣本訓練為1個，則輸出矢量可以簡單表示為： targets＝eye(16,16)

%----------------確定網路的輸入、隱層和輸出層

[r,q]=size(p); %輸入

[s2,q]=size(t); %輸出

s1=13; %隱層神經元的數目，可以根據實際需要選擇，一般其數目不能超過訓練樣本的個數，

%-----------------確定網路訓練的初值

[w1,b1]=nwlog(s1,r);

[w2,b2]=rands(s2,s1);

% 【步驟二、設定網路引數并訓練】

%----------------確定網路訓練的引數

disp_freq=50; %網路訓練的顯示頻率

max_epoch=5000; %最大訓練次數

err_goal=0.01; %訓練的誤差

lr=0.1; %學習率大小

lr_inc=1.05; %增量

lr_dec=0.5; %減量

momentum=0.75; %動量因子

err_ratio=1.05; %誤差率

%-------------訓練開始

tp=[disp_freq max_epoch err_goal lr lr_inc lr_dec momentum err_ratio]';

[w1,b1,w2,b2,epochs,TR]=trainbpx(w1,b1,'logsig',w2,b2,'logsig',p,t,tp);

save digit.mat w1 b1 w2 b2; %--------存盤權值，以方便測驗

%【步驟三、測驗】

%---------------測驗，輸入的測驗樣本為p

load digit_noise.mat

layer1=logsig(w1*p,b1);

a=logsig(w2*layer1,b2);

%-----------------根據a中的最大值可以判斷屬于何種故障模式