1.車牌預(yù)處理

車牌預(yù)處理過(guò)程的好壞直接影響到車牌圖像進(jìn)行后期處理過(guò)程，比如車牌字符分割等。車牌預(yù)處理也是盡可能的消除噪聲，減少后期處理帶來(lái)的不必要的麻煩。

輸入的車牌是24Bit的BMP真彩色圖像，車牌照有黃底黑字，藍(lán)底白字等顏色，為了將這些車牌圖像一并處理，就要先將車牌進(jìn)行灰度化處理，然后進(jìn)行二值化（黑白）處理。

4-1 原始圖像

將采集的車牌圖像進(jìn)行預(yù)處理，為了方便起見(jiàn)，這里采用的是BMP格式的圖片，我將采集的車牌圖像進(jìn)行了裁剪處理，裁剪后的圖片如下：

由于中國(guó)大部分的車牌是第一個(gè)是漢字，第二個(gè)到第七個(gè)是字母或數(shù)字，這就可以將車牌圖像識(shí)別過(guò)程分成兩部分處理，第一部分是識(shí)別漢字的過(guò)程，第二部分是識(shí)別字母和數(shù)字的過(guò)程，由于漢字筆畫較多，同字母或數(shù)字的處理過(guò)程有所不同。所以我這里就先處理字母或數(shù)字的過(guò)程。

除漢字外，在第一個(gè)字母和第二個(gè)數(shù)字的中間有個(gè)一點(diǎn)，所以在字符分割的時(shí)候要考慮去掉中間的點(diǎn)。車牌圖像總體來(lái)說(shuō)比較清晰，大型民用車，牌照為黃底黑字，小型民用車，牌照為藍(lán)底白字，由于字符與背景顏色對(duì)比比較明顯，所以將車牌分割開(kāi)來(lái)比較容易。由于有些車牌的上面和下面也有螺絲之類的東西將車牌固定，所以在將車牌分割的時(shí)候，通過(guò)水平掃描跳躍點(diǎn)的方法，可以去除掉，以便最后將車牌進(jìn)行分割，去除這些干擾。

在RGB模型中，如果R=G=B時(shí)，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值），灰度范圍為0-255。一般有四種方法對(duì)彩色圖像進(jìn)行灰度化。

1. 分量法。就是將每個(gè)分量上的顏色值即RGB3種顏色提取出來(lái)。即：將彩色圖像中的三分量的亮度作為三個(gè)灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像。f1(i,j)=R(i,j) f2(i,j)=G(i,j) f3(i,j)=B(i,j)其中fk(i,j)(k=1,2,3)為轉(zhuǎn)換后的灰度圖像在（i,j）處的灰度值。

2.最大值法。選取彩色圖像中的三分量中（RGB）的顏色的最大值作為灰度圖的灰度值。即：f(i,j)=max(R(i,j)，G（i,j）,B(i,j))。

3.平均值法。 將彩色圖像中的三分量亮度求平均得到一個(gè)灰度圖f(i,j)=(R(i,j)+G(i,j)+B(i,j))/3。

4.加權(quán)平均法。根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此，按下式對(duì)RGB三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j))。

以上四種處理過(guò)程，在車牌預(yù)處理的過(guò)程中，我選擇加權(quán)平均值法。效果如下：

圖4-2 原始圖像

圖4-3灰度圖像

如上圖，是將圖中的原始圖像進(jìn)行加權(quán)平均值處理后的灰度圖像。

關(guān)鍵代碼如下：

for(i = 0;i < Height; i++)

{

for(j= 0;j < Width*3; j+=3)

{

ired =(unsigned char*)lpDibBits + LineBytes* i + j + 2;

igreen= (unsigned char*)lpDibBits + LineBytes * i + j + 1;

iblue =(unsigned char*)lpDibBits + LineBytes* i + j ;

lpdest[i*Width+ j/3]= (unsigned char)((*ired)*0.299 + (*igreen)*0.588 + (*iblue)*0.114);//加權(quán)平均值計(jì)算處理

}

}

二值化處理。二值化處理即將BMP圖像進(jìn)行黑白處理，使背景與字符區(qū)分開(kāi)。由于灰度化后的圖像是0-255之間的顏色值。而進(jìn)行二值化處理的過(guò)程就是將此圖像的顏色分成黑色值0和白色值255兩種顏色。為了將背景與車牌字符分開(kāi)，要設(shè)定一個(gè)閾值。設(shè)定閾值是關(guān)鍵。如果選取的二值化的閾值不當(dāng)則就有可能不能將車牌圖像中的背景與文字進(jìn)行明顯分開(kāi)，所以這時(shí)二值化的閾值選取就顯得非常重要。根據(jù)試驗(yàn)，我設(shè)定的閾值為125。二值化后的效果如下：

4-7 二值化后圖像

如上圖是測(cè)試藍(lán)底白字和黃底黑字的車牌圖像的二值化后的效果。通過(guò)將圖像進(jìn)行二值化后，可以明顯將背景與車牌字符進(jìn)行分開(kāi)。

二值化處理的關(guān)鍵代碼如下：

for(i = 0; i < Height; i++)// 每行

{

for(j = 0; j < Width; j++)// 每列

{

// 指向DIB第i行，第j個(gè)象素的指針

lpSrc = (unsigned char*)lpDibBits+LineBytes *(lHeight - 1 - i) + j;

// 判斷是否小于閾值

if ((*lpSrc) < bThre)

{

*lpSrc = 0; // 直接賦值為0，即黑色

}

else

{

*lpSrc = 255; // 直接賦值為255，即白色

}

}

}

2.字符分割

由于車牌圖像做了細(xì)化處理后，可以進(jìn)行水平掃描和垂直掃描將字符分開(kāi)，水平掃描確定圖片的上下限，垂直掃描可以確定圖片中字符的左右坐標(biāo)。根據(jù)車牌的特征，先將車牌圖像進(jìn)行水平掃描跳躍點(diǎn)，即水平相鄰的兩個(gè)像素，如果不相同則認(rèn)為有一個(gè)跳躍點(diǎn)，記錄次數(shù)加1，由于車牌上面有時(shí)候會(huì)有兩個(gè)白點(diǎn)，所以通過(guò)判斷跳躍點(diǎn)的個(gè)數(shù)，可以將上面的兩個(gè)白點(diǎn)去掉[9]。如圖，掃描處理的跳躍點(diǎn)統(tǒng)計(jì)如下：

圖4-10 原始圖像，上面有兩個(gè)白點(diǎn)

圖4-11水平掃描跳躍點(diǎn)的個(gè)數(shù)統(tǒng)計(jì)

統(tǒng)計(jì)結(jié)果：4 4 4 0 0 14 14 16 20 24 24 24 24 22 20 24 26 28 28 30 2626 24 20 20 22 22 22 26 20 20 22 24 20 20 20 20 2 0 4 4 6 4像素。掃描結(jié)果數(shù)量個(gè)數(shù)為的車牌高度的個(gè)數(shù)。

從上往下查找，根據(jù)實(shí)驗(yàn)結(jié)果，設(shè)置當(dāng)水平跳躍點(diǎn)超過(guò)10個(gè)的時(shí)候，作為車牌字符截取的上限。當(dāng)從下往上查找，當(dāng)跳躍點(diǎn)超過(guò)8個(gè)的時(shí)候可以作為車牌字符截取的下限。通過(guò)上面的過(guò)程，基本可以確定車牌的上部和下部。同樣，分割車牌字符左右邊界時(shí)，通過(guò)垂直掃描過(guò)程，由于數(shù)字和字母具有連通性，所以分割數(shù)字和字母比較容易。通過(guò)垂直掃描過(guò)程，統(tǒng)計(jì)黑色像素點(diǎn)的個(gè)數(shù)，由于兩個(gè)字符之間沒(méi)有黑像素，所以可以作為字符分割的界限。垂直掃描過(guò)程如下圖：

陜 A . 5 P 0 7 2

圖4-12 垂直掃描車牌字符黑像素個(gè)數(shù)統(tǒng)計(jì)

通過(guò)上面的統(tǒng)計(jì)可以很容易的把字符作用邊界進(jìn)行分割開(kāi)來(lái)。通過(guò)水平掃描跳躍點(diǎn)和垂直掃描像素點(diǎn)，可以分開(kāi)字符。但是其中還有些問(wèn)題。比如有些漢字不是聯(lián)通性，如“陜”字，左耳旁和右邊的“夾”字，有時(shí)候掃描的時(shí)候會(huì)有空隙，所以我這里在掃描第一個(gè)漢字的時(shí)候，要多加一些處理，當(dāng)“陜”的左耳旁的寬度不為總寬度的1/12時(shí)候，我繼續(xù)向下掃描，直到找到為零的像素。還有就是A與5之間會(huì)有一個(gè)“.”號(hào)，這個(gè)可以通過(guò)掃描的寬度不為寬度的3/8時(shí)，我可以認(rèn)為是中間的“.”號(hào)。所以通過(guò)以上的處理，基本能把大部分的車牌圖像字符進(jìn)行分割。字符分割后的效果如下圖所示：

圖4-13字符分割圖像

字符分割關(guān)鍵代碼如下：

//如果距離少于寬度的1/12，則計(jì)為無(wú)效

intwid = lWidth/13;

intxx=0,pos=0;

intflag = 0;

intsuccess = 0;

for(i=0;i

{

while(VCount[i]==0)i++;

if((i-1)<0)

posi[k++]=i;

else

posi[k++]=i-1;

xx=0;

while(VCount[i]!=0&& i

if(flag==0)

{

pos= i;

while(VCount[i]==0){i++;xx++;}

if(xx < (wid/4))

{

str.Format("xx=%d wid/4=%d i=%dposi[k-1]=%d",xx,wid/4,i,posi[k-1]);

MessageBox("漢字有分割"+str);

xx=0;

while(VCount[i]!=0){i++;xx++;}

if(xx<=8)

{

xx= 0;

while(VCount[i]==0){i++;xx++;}

if(xx<(lWidth/16))

while(VCount[i]!=0 && i<(lWidth/8)) i++;

}

}

else

{

i= pos;

}

}

flag=1;

if(i>= lWidth)

{

posi[k++]=i-1;

}

else

{

posi[k++]=i+1;

}

//如果是字符第二個(gè)和第三個(gè)字符中間的點(diǎn)，去除。如果是1，寬度增加

if(posi[k-1]-posi[k-2]<=wid)

{

if(i<=(lWidth/8*3))

{

intx = posi[k-1]-posi[k-2]; k=k-2;

str.Format("%d%d %d %d",x,wid,i,BottomLine-TopLine);

}

else

{

posi[k-1]= posi[k-1]+wid/3;

posi[k-2]= posi[k-2]-wid/3;

}

}

if(k>=14)

{

success= 1;

break;

}

}

if(success== 0)

{

MessageBox("字符分隔出錯(cuò)，程序結(jié)束識(shí)別過(guò)程!");

}

3.歸一化處理

字符分割的好壞關(guān)系到后面歸一化處理關(guān)鍵。如果字符分割不成立，歸一化處理過(guò)程也就不能成功。剛開(kāi)始實(shí)驗(yàn)的時(shí)候，我先進(jìn)行的細(xì)化處理，然后再進(jìn)行歸一化處理，但是歸一化處理后有，字符基本失去了原來(lái)的骨架結(jié)構(gòu)，所以我這里先進(jìn)行歸一化處理。

所謂歸一化處理，就是為了在分割字符時(shí)，字符大小不相同，所以要將字符歸一化為25×50像素大小的圖像。圖像x軸縮放比率為 ，y軸縮放比率為 ，原圖像寬度和高度為lWidth，lHeight[12]?？s放比率由公式：

在放大或縮小圖像過(guò)程中，產(chǎn)生的像素可能在原圖中不能找到相應(yīng)的像素點(diǎn)。這樣就必須采用插值處理的方法。一般插值處理的方法有兩種，一種是直接賦值為與它最相鄰的像素值，另一種則通過(guò)插值算法來(lái)計(jì)算相應(yīng)像素值。第一種方法計(jì)算過(guò)程較簡(jiǎn)單效率高，但是效果不是很好，比如有時(shí)候會(huì)出現(xiàn)馬賽克現(xiàn)象；所以，這里采用第二種方法，雖然預(yù)算量有點(diǎn)復(fù)雜，但是最后歸一化后的字符不會(huì)失真。對(duì)后面做細(xì)化處理過(guò)程做好了鋪墊。通過(guò)實(shí)驗(yàn)得出，采用雙線性插值法比最近鄰插值法效果好，所以本文中歸一化采用雙線性插值法。

圖4-14 上面為原圖像二值化后的結(jié)果，下面圖像為歸一化后的結(jié)果

歸一化關(guān)鍵代碼如下：

//針對(duì)圖像每行進(jìn)行操作

for(i= 0; i < NewHeight; i++)

{

//針對(duì)圖像每列進(jìn)行操作

for(j= 0; j < NewWidth; j++)

{

//指向新DIB第i行，第j個(gè)象素的指針

//注意此處寬度和高度是新DIB的寬度和高度

lpDst = (char*)lpNewDIBBits + NewLineBytes * (NewHeight - 1 - i) + j;

x= j / fXZoomRatio;

y= i / fYZoomRatio;

if(tag)

{ //tag=1，則執(zhí)行以下的最近鄰插值代碼

i0= (LONG) (y + 0.5);

j0= (LONG) (x + 0.5);

//判斷是否在源圖范圍內(nèi)

if((j0 >= 0) && (j0 < Width) && (i0 >= 0) && (i0< Height))

{

//指向源DIB第i0行，第j0個(gè)象素的指針

lpSrc = (char*)lpTempDIBBits + LineBytes * (Height - 1 - i0) + j0;

*lpDst= *lpSrc;

}

else

{

//對(duì)于源圖中沒(méi)有的象素，直接賦值為255

*((unsigned char*)lpDst) = 255;

}

}

else

{//否則，執(zhí)行下面的雙線性插值代碼

doublem = x - LONG(x);//X方向的小數(shù)部分

doublen = y - LONG(y);//Y方向的小數(shù)部分

unsignedchar rd, ld, lu, ru;//r：右；l：左；d：下；u：上

unsignedchar pix;

ld= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y)) + LONG(x));//左下角點(diǎn)的像素值

rd= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y)) + LONG(x) +1);// 右下角點(diǎn)的像素值

lu= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y) - 1) +LONG(x));// 左上角點(diǎn)的像素值

ru= *((char *)lpTempDIBBits + LineBytes * (Height - 1 - LONG(y) - 1) + LONG(x) +1);// 右上角點(diǎn)的像素值

pix= (1 - m) * (1 - n) * ld + (1 - m) * n * lu + m * n * ru + m * (1 - n) * rd;//雙線性插值，得到變換后的像素

*((unsigned char*)lpDst) = pix;//將像素值賦給目的圖片

}

}

}

4.細(xì)化處理

對(duì)圖像的喜歡過(guò)程實(shí)際是求圖像骨架的過(guò)程。骨架是二維二值目標(biāo)的重要描述，它指圖像中央的骨骼部分，是描述圖像幾何及拓?fù)湫再|(zhì)的重要特征之一。細(xì)化算法有很多。按照迭代方法，分為兩類，一類是非迭代過(guò)程，一類是迭代過(guò)程。非迭代算法有基于距離變換的方法等。迭代方法是通過(guò)重復(fù)刪除像素邊緣，直到得到單獨(dú)像素寬度的圖像為止?，F(xiàn)在用的比較多的細(xì)化算法有Hilditch、Pavlidis、Rosenfeld細(xì)化算法和索引表細(xì)化算法等[13]。下面主要介紹這四種算法。

Hilditch、Pavlidis、Rosenfeld細(xì)化算法：這類算法則是在程序中直接運(yùn)算，根據(jù)運(yùn)算結(jié)果來(lái)判定是否可以刪除點(diǎn)的算法，差別在于不同算法的判定條件不同。

其中Hilditch算法比較適用于二值圖像，是用的比較普遍的細(xì)化算法，在本文中我用了該算法后發(fā)現(xiàn)會(huì)有馬賽克效果，所以本文中沒(méi)有引用該算法； Pavlidis算法用位運(yùn)算進(jìn)行特定模式的匹配，所得的骨架是8連接的，使用于0－1二值圖像 ；Rosenfeld算法是一種并行細(xì)化方法，所得的骨架形態(tài)是8－連接的，使用于0－1二值圖像 。 后兩種算法的效果要更好一些，但是處理某些圖像時(shí)效果一般，第一種算法適用性強(qiáng)一些[13]。

索引表細(xì)化算法：經(jīng)過(guò)預(yù)處理后得到待細(xì)化的圖像是0、1二值圖像。像素值為1的是需要細(xì)化的部分，像素值為0的是背景區(qū)域。基于索引表的算法就是依據(jù)一定的判斷依據(jù)，產(chǎn)生一個(gè)表，然后根據(jù)要細(xì)化的點(diǎn)的八個(gè)鄰域的情況進(jìn)行匹配，若表中元素是1，若表中元素是1，則刪除該點(diǎn)（改為背景），若是0則保留。因?yàn)橐粋€(gè)像素的8個(gè)鄰域共有256種可能情況，因此，索引表的大小一般為256種。

車牌圖像進(jìn)行預(yù)處理后，細(xì)化處理是關(guān)系到后面能否正確提取字符特征值的關(guān)鍵，所以本文中在比較了幾種細(xì)化方法后，使用Rosenfeld骨架細(xì)化的方法，細(xì)化處理后可以得到圖像中字符的基本骨架，不會(huì)破壞原來(lái)的連通性。

Rosenfeld細(xì)化過(guò)程主要是保持原來(lái)圖像的連通性

通過(guò)歸一化 后，再將圖像進(jìn)行細(xì)化，基本保存了字符特征的骨架特征。所以后面就是要進(jìn)行的字符特征提取操作。Rosenfeld效果如下所示：

4-19大小歸一化后再細(xì)化的圖像

5.字符特征提取

字符特征提取的好壞，直接影響字符識(shí)別的結(jié)果。字符特征提取是一個(gè)字符識(shí)別過(guò)程必不可少的過(guò)程。目前，字符特征提取的方法很多，比如：基于網(wǎng)格像素統(tǒng)計(jì)方法[5]，基于筆畫，輪廓，骨架特征等。我之前做了基于網(wǎng)格像素統(tǒng)計(jì)的方法，通過(guò)實(shí)驗(yàn)，發(fā)現(xiàn)識(shí)別能力比較差，不能達(dá)到預(yù)想的結(jié)果。

針對(duì)上面的結(jié)果，我參考何兆成等人的方法，在字符細(xì)化后的基礎(chǔ)上，通過(guò)統(tǒng)計(jì)字符筆畫斜率特征，字符側(cè)面深度等特征作為字符提取的特征，得到22個(gè)特征值。具體統(tǒng)計(jì)方法如下：

（1）基于筆畫斜率的累計(jì)特征提取

字符最具代表性的特征是筆畫，不同的字符有不同的筆畫數(shù)量，形態(tài)，長(zhǎng)度等，所以可將筆畫的斜率累計(jì)值作為特征進(jìn)行特征值提取。筆畫斜率有正斜率，負(fù)斜率，零斜率三部分，分別統(tǒng)計(jì)字符零斜率，正斜率，負(fù)斜率的累加和。斜率的統(tǒng)計(jì)過(guò)程，例如從字符左邊掃描，當(dāng)前的掃描點(diǎn)為 ,下一個(gè)掃描點(diǎn)為為 。斜率K值計(jì)算如下：

通過(guò)上面的過(guò)程，從字符左側(cè)開(kāi)始計(jì)算斜率特征，可以得到3個(gè)特征。我這里從字符左右上下四個(gè)方向統(tǒng)計(jì)斜率特征可以得到12個(gè)特征值。

（2）拐點(diǎn)幅度累計(jì)特征提取

在字符中字符的拐點(diǎn)含有豐富的特征。所以統(tǒng)計(jì)拐點(diǎn)幅度特征累計(jì)和，可以得到4個(gè)特征值。拐點(diǎn)幅度特征 計(jì)算如下：

（3）字符輪廓深度特征提取

不同的字符在輪廓上有著明顯差異。比如“S”和“C”。如下圖中的“S”字符，從右側(cè)掃描深度的時(shí)候有著有很多的凹凸信息。而字符“C”從右側(cè)掃描的過(guò)程中，字符的中間凹陷比較明顯。所以通過(guò)掃描字符四個(gè)方向的輪廓深度，也能得到4個(gè)輪廓特征值。

（4）字符跳躍點(diǎn)統(tǒng)計(jì)

由于字符“1”和“B”從左側(cè)掃描過(guò)程中基本上沒(méi)有區(qū)別。所以，為了更準(zhǔn)確些。我這里通過(guò)統(tǒng)計(jì)字符水平掃描跳躍點(diǎn)和垂直掃描字符跳躍點(diǎn)來(lái)區(qū)分。很明顯，字符“1”和字符“B”水平和垂直方向的跳躍點(diǎn)有明顯的差別。以上過(guò)程可以得到2個(gè)字符特征。

通過(guò)以上分析總共可以得到22個(gè)字符特征值。將這些特征進(jìn)行訓(xùn)練，即可得到所需的結(jié)果。關(guān)鍵代碼如下（計(jì)算左邊的特征值為例）：

if(left[i]==-1)

{

while(left[i] == -1) i++;

}

begin=i;i=Height-1;

if(left[i] == -1)

{

while(left[i] == -1) i--;

}

end = i;

for(i=begin;i<=end;i++)

{

if(left[i] == -1)

left[i] = left[i+1];

}

//掃描深度

for(i=begin;i<=end;i++)

{

feature[4] += left[i];

}

feature[4]=feature[4]/10;

double *leftradio = new double[end-begin];

for(i=0;i

leftradio[i]=0;

int n=0;

for(i=begin;i<=(end-4);i++)

{

//如果斜率為零

if(left[i] == left[i+4])

{

feature[0]++;

leftradio[n]=0;

}

else

{

leftradio[n] =(left[i]-left[i+4])/4.0;

if(leftradio[n] <0) //如果斜率小于0

feature[1]++;

else //斜率大于0

feature[2]++;

}

n++;

}

for(i=1;i

{

feature[3] +=fabs(leftradio[i]-leftradio[i-1]);

}

5.神經(jīng)網(wǎng)絡(luò)訓(xùn)練

通過(guò)提取的特征值，識(shí)別的算法有很多，包括分類器算法，模板匹配算法，基于概率統(tǒng)計(jì)的Bayes分類器算法，聚類分析算法等。我這里采用的是BP神經(jīng)網(wǎng)絡(luò)分類器算法。

將提取的特征值，輸入層為22個(gè)特征，隱含層為80個(gè)特征，輸出層為34個(gè)特征。這里去除字母“I”和“O”。字符0-9，24個(gè)字母一共34個(gè)輸出。說(shuō)明：由于有34個(gè)輸出，所以這里理想情況下輸出結(jié)果為33個(gè)0和一個(gè)1.只是1在第i個(gè)輸出。i對(duì)應(yīng)的數(shù)字編號(hào)如0則對(duì)應(yīng)0，1對(duì)應(yīng)1，9對(duì)應(yīng)9，字符“A”對(duì)應(yīng)10，字符“B”對(duì)應(yīng)11，依次類推,字符“Z”對(duì)應(yīng)33。

Matlab創(chuàng)建網(wǎng)絡(luò)及訓(xùn)練的代碼實(shí)現(xiàn)如下：

%創(chuàng)建BP網(wǎng)絡(luò)

net_1=newff(minmax(p),[80,34],{'tansig','purelin'},'traingdm')

%當(dāng)前輸入層權(quán)值和閾值

inputWeights=net_1.IW{1,1};

inputbias=net_1.b{1};

%當(dāng)前網(wǎng)絡(luò)層權(quán)值和閾值

layerWeights=net_1.LW{2,1};

layerbias=net_1.b{2};

%設(shè)置訓(xùn)練參數(shù)

net_1.trainParam.show = 50;

net_1.trainParam.lr = 0.01; %學(xué)習(xí)率

net_1.trainParam.mc = 0.9;

net_1.trainParam.epochs = 10000;%訓(xùn)練次數(shù)

net_1.trainParam.goal = 1e0; %目標(biāo)誤差

%調(diào)用 TRAINGDM 算法訓(xùn)練 BP 網(wǎng)絡(luò)

[net_1,tr]=train(net_1,p,q);

6.車牌圖像識(shí)別結(jié)果測(cè)試

因?yàn)檐嚺浦械臐h字與字母數(shù)字的結(jié)構(gòu)以及骨架不同，所以漢字的識(shí)別過(guò)程需要另外再做處理，所以本文處理的是車牌除漢字外的車牌圖像識(shí)別過(guò)程。通過(guò)最終的測(cè)試實(shí)驗(yàn)結(jié)果，數(shù)字的識(shí)別結(jié)果正確率比較高，字符的識(shí)別正確率比較低一點(diǎn)（由于訓(xùn)練用的英文字符比較少）。

識(shí)別結(jié)果