基于Hopfield神经网络的车牌识别系统的研究

论文摘要

车牌图像识别技术在智能交通和现代化车辆管理等领域中得到广泛的重视。本文围绕着车牌识别技术展开工作,分别在车牌识别中的图像预处理、车牌定位、字符分割和文字识别等几个方面提出快速可行的实现方法,尤其在文字识别上提出了新的理论方法。本文主要工作:理论方面:再将离散型Hopfield网络作为存储记忆器时,对信息模式的记忆性能是网络的重要指标,也是可以作为识别工具的基础。本文在信息模式矢量内积的基础上,得出了网络稳定点的判定条件以及信息模式可记忆的充分条件。同时,提出了通过引入网络虚节点,达到增强网络对所有信息模式的记忆性能的方法。应用方面:（1）通过图像的灰度化、二值化,将一般摄像机摄取图像转化为可操作的黑白图像,再对其进行边缘提取、中值滤波等方法变换,最终结合水平投影法和垂直投影法,完成车牌的定位和提取。（2）对于被提取的二值车牌图像,应用梯度锐化、去噪声、调整倾斜度等操作,规范车牌中的字符图像,然后,用逐差法分别提取字符。（3）将取得的字符进行统一大小的正规化变化,然后,对所有车牌数字进行Hopfield网络训练,将不可以记忆的模式通过增加网络虚节点的方式强化训练,使网络可以对车牌出现的所有文字进行记忆和识别。文章中提到的所有方法全部通过VC++进行编程实现。通过程序试验的结果,也验证了本文提出方法的实用性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 图像处理与识别技术概述
• 1.2 图像处理与识别技术的应用领域
• 1.3 车牌图像识别技术的应用现状
• 2 图像处理与识别的主要方法
• 2.1 数字图像的构成
• 2.1.1 图像的数字化
• 2.1.2 数字图像的存储
• 2.1.3 数字图像的表示
• 2.2 图像处理与识别图像内容
• 2.2.1 图像处理
• 2.2.2 图像识别
• 2.3 图像处理在车牌识别中的应用技术
• 3 图像处理与识别的人工神经网络技术研究
• 3.1 神经网络介绍
• 3.1.1 大脑模型
• 3.1.2 阈值逻辑单元（Threshold Logic Unit）
• 3.1.3 发展历史及现状
• 3.1.4 发展趋向及前沿问题
• 3.2 Hopfield 网络模型
• 3.2.1 连续状态Hopfield 神经网络
• 3.2.2 离散型Hopfield 网络
• 3.2.3 Hopfield 网络的稳定性
• 4 离散型 Hopfield 网络的存储
• 4.1 Hopfield 网络连接权的设计
• 4.1.1 Hopfield 网络权系数矩阵
• 4.1.2 样本可记忆的条件
• 4.1.3 样本可记忆的充分条件
• 4.1.4 可记忆样本的性质
• 4.2 样本记忆的强化训练方法
• 4.3 样本可记忆的增加虚结点方法
• 4.3.1 增加虚结点
• 4.3.2 弱正交向量
• 4.3.3 可实现问题
• 5 车牌定位和识别系统的设计
• 5.1 系统简介
• 5.1.1 系统基本技术要求
• 5.1.2 系统设计中的关键技术
• 5.1.3 系统实现流程
• 5.2 系统中图像的预处理技术
• 5.2.1 图片灰度转化
• 5.2.2 图像二值化
• 5.2.3 图像边缘提取
• 5.2.4 图像的中值滤波
• 5.3 车牌在图像中的定位
• 5.3.1 水平投影法检测车牌水平位置
• 5.3.2 垂直投影法检测车牌垂直位置
• 5.4 车牌字符的分割
• 5.4.1 消除离散噪声
• 5.4.2 倾斜度调整
• 5.4.3 字符的分割
• 5.5 车牌字符的识别
• 5.5.1 字符大小标准化
• 5.5.2 以字符为模板的Hopfield 网络学习
• 5.5.3 以字符为模板的Hopfield 识别
• 5.5.4 引入虚节点对于对于车牌的识别
• 6 总结
• 6.1 成果
• 6.2 展望
• 攻读硕士学位期间发表的学术论文及参加课题
• 致谢
• 参考文献