基于图像处理的车牌识别方法研究(BP神经网络)(8)
A.对复杂的不确定性问题具有适应和自学习能力：
B.具有表示任意非线性关系的能力；
C.具有网络的非线性动力学带来的快速优化计算能力；
D.对大量定型或定量信息的分布存储能力，并行处理能力与合成能力；
E.由并行分布处理结构带来的容错能力。
神经网络模式识别的基本方法是，首先用己知样本训练神经网络，使之对不同类别的己知样本给出所希望的不同输出，然后用该网络识别未知的样本，根据各样本所对应的网络输出情况来划分未知样本的类别。神经网络可以处理一些环境信息十分复杂，背景知识不清楚，推理规则不明确的问题，允许样品有较大的缺损、畸变，其运行速度快，自适应性能好。
本文中，决定采用BP(Back—Propagation)神经网络来实现车牌字符的识别。因为BP算法已经比较成熟，其实现相对来讲比较简单。并且如果能适当改进BP网络的学习算法，则不会需要太长训练时间。
(2) BP神经网络学习算法
三层的BP神经网络模型结构如图2.3所示。层与层之间采用全互连的方式。同一层神经元之间不存在相互连接。网络的每一个输入节点表示字符图像提取特征后特征向量的一个分量数据，输出节点表示分类序号，分类判决可以采用输出最大值法。
BP算法由两部分组成：信息的正向传递与误差的反向传输。在正向传输中，输入信息从输入经隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反传回来修改各层神经元的权值直至达到期望目标。
BP网络的实现分为两个阶段的，即学习(训练)阶段和识别阶段。在学习阶段输入要学习的样本，按照网络初始设定的权重、阈值以及传输函数进行计算，得出每一层神经元的输出，这是从底层向上进行的。通过理想输出与输出层之间的误差来决定是否对权重、阈值进行修改，这个修改是从高层向下进行的。两个过程反复进行，直到网络收敛为止，此为学习阶段。权重的学习就是不断的调整各个神经元的连接强度，使其能在最小二乘的意义上逼近所对应的输出。
图2.3：三层BP网络结构
一般地，BP网络学习步骤描述如下：
A.初始化网络，将全部权值与节点阈值设置为一个较小的随机值。
B.提供训练样本，训练网络，直到权值为各类样本均达到稳定。实际应用中，为了保证能正确识别目标，应尽可能使准备的训练样本中包含各类情况。
C.向前传播过程：对给定训练模式输入，计算网络的输出模式，并与期望模式输出比较，若有误差，则执行下一步，否则，返回上一步；
D.向后传播，修正权值 。
2.6.2 神经元网络识别车牌字符技术
在车牌字符识别部分，字符集中包含约50个汉字, 26个大写英文字母及10个阿拉伯数字。总的字符样本并不太多。
构造训练样本如下图所示的数字和字母。