基于BP神经网络的车牌识别技术算法分析
摘要：车牌识别是计算机视觉技术的一种典型应用，以机器视觉、图形图像、模式识别等为理论基础，采用神经网络、形态学、投影等技术实现车辆拍照、视频分解、预处理、字符定位、文本识别等一体化车牌识别。
关键词：车牌识别；机器视觉；图形图像；模式识别；神经网络一、车牌识别的核心技术
车牌识别系统主要可分为原始图的采集、图像预处理、车牌定位、字符分割以及字符识别几大部分。
（一）预处理概述
一般刚采集的图像是彩色图像，加上国内车牌颜色的多样性（如白底黑字、黑底白字、黄底黑字及蓝底白字等），
为了能够更好的对车牌进行图像处理，首先要对抓
（二）车牌定位方法
车牌定位是基于图像处理中的分割技术对整个车牌图
像进行车牌区域分割提取。由于我国车牌种类繁多且背景色复杂，实现一种可以通用的车牌定位提取方法是十分复杂的。典型的车牌定位方法流程如图2所示：图2
边缘检测的基本思想是基于图像边缘进行分析处理，该过程不仅可以降低不相关数据的运算，同时可以忽略一些干
扰信息，将图像原本最重要的特征信息保留下来。一般边缘检测采用的算子为Roberts和Sobel。而针对于车牌识别中车牌定位的提取，基于原有技术的基础上，可采用一种结合与改进的Roberts算子边缘检测与形态学的车牌定位算法：一
是增加两个方向的检测模版；二是Roberts算子阀值的自动选取。
形态学处理是基于数学形态学的技术，数学形态学具有解析和叙述几何形态学的功能。其基本运算有四种：开运算、闭运算、膨胀以及腐蚀，在车牌识别中可先对边缘检测好的图像进行腐蚀，再根据车牌的一些先验知识对图像做填充及滤波处理最终得到车牌位置。
在完成车牌定位之后，在车牌字符分割之前需要对已定位好的车牌进行倾斜校正处理。一般可采用Hough变换调整水平方向，Rodon变换调整垂直方向。
（三）基于垂直投影并结合连通域及模板匹配的分割方法
基于传统算法的优缺点，采用一种基于垂直投影法并结合连通域及模板匹配法进行字符分割，首先是根据连通域找出字符之间的宽度，然后再结合投影法确定单个字符的位置，最后再参考字符之间宽度建立一个分割模板。
为了能够对分割出来后的单个字符进行统一的尺寸管理，提高字符识别率，可以将分割后的单个字符统一归一化，
设置其高度和宽度的像素大小分别为40和20。
（四）基于神经网络的字符识别方法
设定两个识别模板包括汉字识别模块以及数字和字母
识别模块。先依据标准车牌的字符分布位置来制定相应的模块，首字为汉字，其余均为数字和字母（车牌上的圆点分割符号不做识别处理）；其次是提取相应字符的模块特征并送入分类器进行分类处理；最后将识别出来的字符按照相应的顺序进行排列并最终得到字符识别结果。其具体流程如下：1、输入分割后的字符；2、字符归一化；3、根据字符进入相应字符识别模块；4、提取字符特征；5、识别字符；6、组合识别效果；7、输出分割后的字符。
通过对分割出来后的字符进行网络像素特点维数大小
的提取以用来确定输入层神经元的数目。对于归一化之后的点阵字符像素大小尺寸为40*20，将每一个像素点设定为一个网格，则输出层神经元的数目设定为800。
二、车牌识别系统的应用范围
车牌识别是现代智能交通系统中的重要组成部分之一，应用广泛。这项技术可应用于公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等各种场合，对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有积极意义。社会使用价值很高。具有深远的研究价值和潜在而巨大的经济效益。
参考文献：
[1]冈萨雷斯.数字图像处理（第二版）[M].电子工业出版社，2007.8
[2]霍洪涛.数字图像处理[M].北京：机器工业出版社，2003
[3]刘锐宁，梁水，宋坤. Visual C++程序开发范例宝典（第二版）[M].人民邮电出版社，2007.7
[4]赵春江. C#数字图像处理算法典型实例[M].人民邮电出版社，2009.3
[5]吴李汉. 车牌自动识别系统的实际与实现.机器视觉[J]，2006.9
[6]袁曾任. 人工神经元网络及其应用[M].北京：清华大学出版社，1990.10
[8]鲍虎，张海丹，孙巍.基于改进Sobel算子的边缘检测车牌定位方法[J].
BP神经网络预测的matlab代码附录5: BP神经网络预测的matlab代码: P=[ 0 0.1386 0.2197 0.2773 0.3219 0.3584 0.3892 0.4159 0.4394 0.4605 0.4796 0.4970 0.5278 0.5545 0.5991 0.6089 0.6182 0.6271 0.6356 0.6438 0.6516
0.6592 0.6664 0.6735 0.7222 0.7275 0.7327 0.7378 0.7427 0.7475 0.7522 0.7568 0.7613 0.7657 0.7700] T=[0.4455 0.323 0.4116 0.3255 0.4486 0.2999 0.4926 0.2249 0.4893 0.2357 0.4866 0.2249 0.4819 0.2217 0.4997 0.2269 0.5027 0.217 0.5155 0.1918 0.5058 0.2395 0.4541 0.2408 0.4054 0.2701 0.3942 0.3316 0.2197 0.2963 0.5576 0.1061 0.4956 0.267 0.5126 0.2238 0.5314 0.2083 0.5191 0.208 0.5133 0.1848 0.5089 0.242 0.4812 0.2129 0.4927 0.287 0.4832 0.2742 0.5969 0.2403 0.5056 0.2173 0.5364 0.1994 0.5278 0.2015 0.5164 0.2239 0.4489 0.2404 0.4869 0.2963 0.4898 0.1987 0.5075 0.2917 0.4943 0.2902 ] threshold=[0 1] net=newff(threshold,[11,2],{'tansig','logsig'},'trainlm');
车牌识别系统验收标准 3.3.9.7车牌识别系统验收标准： 3.3.9.7.1基本要求：摄像机、道闸、控制器及其配件的数量、型号规格符合合同要求，设备安装位置正确，符合设计要求，电源、通信线路按规范要求连接到位，设备处于正常工作状态，隐蔽工程验收记录、系统自检和设备调试记录、有效的设备检验合格报告或证书等资料齐全。 3.3.9.7.2外观功能鉴定： 3.3.9.7.2.1车牌识别系统补光单元： 3.3.9.7.2.1.1补光单元外观：表面清洁，无划伤、污垢、器件脱落。 3.3.9.7.2.1.2补光单元连接设置：供电正常，控制连接正常。 3.3.9.7.2.1.3补光单元的安装：安装位置符合设计要求、固定牢固，配线正确、标识清楚。 3.3.9.7.2.1.4补光单元的调试：与抓拍单元兼容性良好，工作稳定。 3.3.9.7.2.2抓拍单元 3.3.9.7.2.2.1抓拍单元外观：外壳喷涂均匀，无掉漆、破损，外观文字标识清晰，无零件缺损，密封性良好， 3.3.9.7.2.2.2抓拍单元连接设置：各部件固定牢固，无滑动现象，底部可正常安装万向头及螺丝，接地正确。 3.3.9.7.2.3抓拍单元功能：输出图像清晰、色彩逼真、无扭曲抖动，测试程序可以控制抓拍单元摄像机，试程序抓拍图像清晰、识别正常。 3.3.9.7.2.4抓拍单元的调试：与车牌识别系统兼容性良好，工作稳
定。 3.3.9.7.3立柱单元： 3.3.9.7.3.1立柱单元外观：喷涂均匀，无毛刺，表面光滑，无缺损，无污垢。3.3.9.7.3.2立柱单元安装：立柱安装牢固无晃动，立柱安装垂直、美观。 3.3.9.7.4道闸单元 3.3.9.7. 4.1道闸单元外观；喷涂均匀，无毛刺，表面光滑，无缺损，无污垢，外观文字标识清晰，无零件缺损，密封性良好。 3.3.9.7. 4.2道闸单元安装：安装位置符合设计要求、固定牢固，无晃动，配线正确、标识清楚。 3.3.9.7. 4.3道闸单元功能：道闸关闭时挡车杆要与地面保持平行，道闸开启时挡车杆要与地面保持垂直，车辆通过道闸后挡车杆应自动落下，车辆在道闸杆下方时，挡车杆不能落下。 3.3.9.7.5控制器单元 3.3.9.7.5.1控制器外观：外壳完好，无破损、污损，外观文字标识清晰，无零件缺损，密封性良好。 3.3.9.7.5.2控制器单元安装：安装位置符合设计要求、固定牢固，无晃动，配线正确、标识清楚，配件安装正确、牢靠。 3.3.9.7.5.3控制器单元功能：无通信中断现象，控制道闸开启、关闭指令正确，报播语音正确、清晰,声压≥55dB（A），显示屏显示正确、清晰。 3.3.9.7.6软件管理单元
基于ＢＰ神经网络的国际黄金价格预测模型 公文易文秘资源网顾孟钧张志和陈友2009-1-2 13:35:26我要投稿添加到百度搜藏 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型 [摘要] 为了寻找国际黄金价格与道琼斯工业指数、美国消费者指数，国际黄金储备等因素之间的内在关系，本文对1972年～2006年间的各项数据首先进行归一化处理，利用MATLAB神经网络工具箱进行模拟训练，建立了基于BP神经网络的国际黄金价格预测模型。 [关键词] MATLAB BP神经网络预测模型数据归一化 一、引言 自20世纪70年代初以来的30多年里,世界黄金价格出现了令人瞠目的剧烈变动。20 世纪70年代初,每盎司黄金价格仅为30多美元。80年代初,黄金暴涨到每盎司近700美元。本世纪初,黄金价格处于每盎司270美元左右,此后逐年攀升,到2006年5月12日达到了26年高点,每盎司730美元,此后又暴跌,仅一个月时间内就下跌了约160美元,跌幅高达21.9%。最近两年，黄金价格一度冲高到每盎司900多美元。黄金价格起伏如此之大,本文根据国际黄金价格的影响因素，通过BP神经网络预测模型来预测长期黄金价格。 二、影响因素 刘曙光和胡再勇证实将观察期延长为1972年～2006年时,则影响黄金价格的主要因素扩展至包含道琼斯指数、美国消费者价格指数、美元名义有效汇率、美国联邦基金利率和世界黄金储备5个因素。本文利用此观点，根据1972年～2006年各因素的值来建立神经网络预测模型。 三、模型构建
停车场管理系统自动车牌识别计费系统技术方案
目录 1 企业概况 (4) 1.1 公司简介 (4) 1.2 资质证书 (4) 2 概述 (10) 2.1 系统方案总体设计 (10) 2.2 项目背景 (11) 2.3 方案概述 (12) 3 系统介绍 (14) 3.1 车牌识别系统简介 (14) 3.2 系统优势 (15) 3.3 系统组成 (16) 4 主要设备参数性能介绍 (19) 4.1 CA-AB900道闸 (19) 4.2 INEX- TI200 200万高清识别一体机 (20) 4.3 CA-600读卡控制器 (22) 技术参数： (22) 4.4 软件监控界面 (23) 4.5 其他辅件 (23)
5 售后服务 (24) 5.1 保修时间及范围 (24) 5.2 维修及维护服务 (24) 5.3 更新改进服务 (24) 5.4 客户档案，完善产品质量 (25) 6 部分工程案例 (26)
1企业概况 1.1公司简介 北京市仟安科技有限责任公司是设计、研发、生产、销售、服务为一体的高新技术企业。公司凝聚了大批实力雄厚的研发团队和技术团队，凭着对智能化应用领域多年来的积淀和对未来智能化领域发展的导向，为用户提供有价值的产品和服务。 公司经过多年的开发研究，引进国外最先进的高新技术，不断完善自我。主要研发停车场主板软件、生产智能道闸、停车场收费系统、车位引导系统、派车系统、门禁系统、自动检售票系统等安防权限认证、消费认证产品。仟安的智能系统解决方案也已得到客户的全面认可和好评。经国家技术监督部门检验、产品的技术含量及外光造型已达到世界先进水平。现“仟安”产品已遍布全国各大城市及地区，并已成功销往海外。 公司以“冲破束缚，发展无限”为企业宗旨，积极引领核心技术创新，不断为全球用户创造完美产品。逐渐形成了“开拓、创新、共赢、务实”的企业文化，建立了朝气蓬勃的精英团队。 公司自创建以来，一直保持了高速发展态势，现已成为国内停车场系统服务领域的领跑者，致力于成为中国领先的安防服务品牌。 1.2资质证书
计算智能实验报告 实验名称：BP神经网络算法实验 班级名称： 2010级软工三班 专业：软件工程 姓名：李XX 学号： XXXXXX2010090
一、实验目的 1）编程实现BP神经网络算法； 2）探究BP算法中学习因子算法收敛趋势、收敛速度之间的关系； 3）修改训练后BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果，理解神经网络分布存储等特点。 二、实验要求 按照下面的要求操作，然后分析不同操作后网络输出结果。 1）可修改学习因子 2）可任意指定隐单元层数 3）可任意指定输入层、隐含层、输出层的单元数 4）可指定最大允许误差ε 5）可输入学习样本（增加样本） 6）可存储训练后的网络各神经元之间的连接权值矩阵； 7）修改训练后的BP神经网络部分连接权值，分析连接权值修改前和修改后对相同测试样本测试结果。 三、实验原理 1 明确BP神经网络算法的基本思想如下： 在BPNN中，后向传播是一种学习算法，体现为BPNN的训练过程，该过程是需要教师指导的；前馈型网络是一种结构，体现为BPNN的网络构架 反向传播算法通过迭代处理的方式，不断地调整连接神经元的网络权重，使得最终输出结果和预期结果的误差最小 BPNN是一种典型的神经网络，广泛应用于各种分类系统，它也包括了训练和使用两个阶段。由于训练阶段是BPNN能够投入使用的基础和前提，而使用阶段本身是一个非常简单的过程，也就是给出输入，BPNN会根据已经训练好的参数进行运算，得到输出结果 2 明确BP神经网络算法步骤和流程如下： 1初始化网络权值 2由给定的输入输出模式对计算隐层、输出层各单元输出 3计算新的连接权及阀值， 4选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
停车场收费管理系统 说 明 书
目录 第1章产品介绍 (3) 1.1 一用户需求分析 (4) 1.2 对不同光照的适应能力 (5) 1.3 对闯关车辆和超低速行驶车辆的适应能力 (5) 1.4 系统工作流程 (5) 1.5 车牌识别系统安装图示 (6) 1.6 识别系统技术参数 (7) 1.7相关设备 (7) 1.8.1 道闸 (7) 1.8.2 车辆检测器 (15) 1.8.3 高清车牌识别一体摄像机 (17) 1.8.4 自动光圈镜头（INEX-NZ01） (19) 1.8.5 控制模块（PLC) (21) 1.8.6 语音模块 (23) 1.8.7 LED显示屏 (24) 第2章产品使用（收费人员） (24) 2.1岗亭收费员操作指南 (24) 2.2 交接班报表 (29) 第3章操作手册（财务人员） (30) 3.1 财务管理人员报表操作指南 (30) 3.2 财务管理人员进行车辆（月费人员）登记和续期 (32) 3.3数据维护 (34) 第4章应急处理措施 (35) 4.1 常见问题及解决方法 (35) 4.1.1 、通讯不通 (35) 4.1.2 、通讯不稳定（时断时续） (36) 4.1.3 、数据库连接失败不能登陆软件 (36) 4.1.4 、软件运行时出现[Microsoft][ODBC SQL Server Driver][SQL Server]对象名 '******' 无效 (37) 4.1.5 、无监控图像（监控窗口是黑屏或蓝屏） (37) 4.1.6 、出入口不能图像对比或查询记录时图像调不出来 (37) 4.1.7 、查看报表时提示“打印机错误” (38) 4.1.8 、打印报表时提示“报表宽度大于纸的宽度” (38) 4.1.9 、将数据导出到EXCEL时，提示“导出失败” (38) 4.1.10 、无语音提示 (38) 4.1.11 保养与维护 (38) 4.1.12电脑和网络设备 (39) 4.1.13停电后的处理 (39) 4.1.14摄像机故障 (39)
求用matlab编BP神经网络预测程序 求一用matlab编的程序 P=[。。。];输入T=[。。。];输出 % 创建一个新的前向神经网络 net_1=newff(minmax(P),[10,1],{'tansig','purelin'},'traingdm') % 当前输入层权值和阈值 inputWeights=net_1.IW{1,1} inputbias=net_1.b{1} % 当前网络层权值和阈值 layerWeights=net_1.LW{2,1} layerbias=net_1.b{2} % 设置训练参数 net_1.trainParam.show = 50; net_1.trainParam.lr = 0.05; net_1.trainParam.mc = 0.9; net_1.trainParam.epochs = 10000; net_1.trainParam.goal = 1e-3; % 调用TRAINGDM 算法训练BP 网络 [net_1,tr]=train(net_1,P,T); % 对BP 网络进行仿真 A = sim(net_1,P); % 计算仿真误差 E = T - A; MSE=mse(E) x=[。。。]';%测试 sim(net_1,x) %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 不可能啊我2009 28对初学神经网络者的小提示
第二步：掌握如下算法: 2.最小均方误差,这个原理是下面提到的神经网络学习算法的理论核心,入门者要先看《高等数学》（高等教育出版社，同济大学版）第8章的第十节：“最小二乘法”。 3.在第2步的基础上看Hebb学习算法、SOM和K-近邻算法，上述算法都是在最小均方误差基础上的改进算法，参考书籍是《神经网络原理》（机械工业出版社，Simon Haykin著，中英文都有）、《人工神经网络与模拟进化计算》（清华大学出版社，阎平凡，张长水著）、《模式分类》（机械工业出版社，Richard O. Duda等著，中英文都有）、《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）。 4.ART(自适应谐振理论),该算法的最通俗易懂的读物就是《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第15和16章。若看理论分析较费劲可直接编程实现一下16.2.7节的ART1算法小节中的算法. 4.BP算法,初学者若对误差反传的分析过程理解吃力可先跳过理论分析和证明的内容,直接利用最后的学习规则编个小程序并测试,建议看《机器学习》(机械工业出版社，Tom M. Mitchell著，中英文都有）的第4章和《神经网络设计》（机械工业出版社，Martin T. Hargan等著，中英文都有）的第11章。 BP神经网络Matlab实例（1） 分类：Matlab实例 采用Matlab工具箱函数建立神经网络，对一些基本的神经网络参数进行了说明，深入了解参考Matlab帮助文档。 % 例1 采用动量梯度下降算法训练BP 网络。 % 训练样本定义如下： % 输入矢量为 % p =[-1 -2 3 1 % -1 1 5 -3] % 目标矢量为t = [-1 -1 1 1] close all clear clc % --------------------------------------------------------------- % NEWFF——生成一个新的前向神经网络,函数格式： % net = newff(PR,[S1 S2...SNl],{TF1 TF2...TFNl},BTF,BLF,PF) takes, % PR -- R x 2 matrix of min and max values for R input elements % （对于R维输入，PR是一个R x 2 的矩阵，每一行是相应输入的
深圳来吉智能科技有限公司 纯车牌识别系统用户操作说明书
目录 目录 (2) 第一章系统概述 (3) 1.1）系统简介 (3) 1.2）系统拓朴 (4) 1.3）系统安装流程图 (5) 1.4）注意事项 (6) 1.4.1）车道宽度要求 (6) 1.4.2）管理软件要求 (6) 1.4.3）摄像机抓拍图片要求 (6) 第二章产品功能及特点 (9) 2.1）出入口控制器（LKP623） (9) 2.1.1）产品特点 (9) 2.1.2）技术参数 (10) 2.1.3）接线图 (11) 2.2）网络摄像机（LK-210） (12) 2.2.1）产特特点 (12) 2.2.2）技术参数 (13) 2.3）补光灯（LK-214） (14) 2.3.1）产品特点 (14) 2.3.2）技术参数 (14) 2.4）车辆检测器（LD16） (15) 2.4.1）产品特点 (15) 2.4.2）技术参数 (16) 第三章软件、数据库安装 (17) 3.1）M ICROSOFT SQL SERVER 2008数据库 (17) 3.1.1）数据库安装 (17) 3.1.2）数据库设置 (35) 3.2）车牌识别软件安装程序 (37) 3.2.1）运行环境安装 (37) 3.2.2）软件安装 (39) 3.2.3）软件设置 (44) 3.3）附表一收费标准详细说明 (77) 3.4）附表二支架安装 (79) 3.5）附表三车道布设图 (80) 第四章NET FRAMEWORK 4.0安装失败解决 (82) 4.1）安装程序 (82) 4.2）方法/步骤 (82) 第五章NET FRAMEWORK 3.5安装失败解决 (92)
close all clear echo on clc % NEWFF——生成一个新的前向神经网络 % TRAIN——对 BP 神经网络进行训练 % SIM——对 BP 神经网络进行仿真 % 定义训练样本 % P为输入矢量 P=[0.7317 0.6790 0.5710 0.5673 0.5948;0.6790 0.5710 0.5673 0.5948 0.6292; ... 0.5710 0.5673 0.5948 0.6292 0.6488;0.5673 0.5948 0.6292 0.6488 0.6130; ... 0.5948 0.6292 0.6488 0.6130 0.5654; 0.6292 0.6488 0.6130 0.5654 0.5567; ... 0.6488 0.6130 0.5654 0.5567 0.5673;0.6130 0.5654 0.5567 0.5673 0.5976; ... 0.5654 0.5567 0.5673 0.5976 0.6269;0.5567 0.5673 0.5976 0.6269 0.6274; ... 0.5673 0.5976 0.6269 0.6274 0.6301;0.5976 0.6269 0.6274 0.6301 0.5803; ... 0.6269 0.6274 0.6301 0.5803 0.6668;0.6274 0.6301 0.5803 0.6668 0.6896; ... 0.6301 0.5803 0.6668 0.6896 0.7497]; % T为目标矢量 T=[0.6292 0.6488 0.6130 0.5654 0.5567 0.5673 0.5976 ... 0.6269 0.6274 0.6301 0.5803 0.6668 0.6896 0.7497 0.8094]; % Ptest为测试输入矢量 Ptest=[0.5803 0.6668 0.6896 0.7497 0.8094;0.6668 0.6896 0.7497 0.8094 0.8722; ... 0.6896 0.7497 0.8094 0.8722 0.9096]; % Ttest为测试目标矢量 Ttest=[0.8722 0.9096 1.0000]; % 创建一个新的前向神经网络 net=newff(minmax(P'),[12,1],{'logsig','purelin'},'traingdm'); % 设置训练参数 net.trainParam.show = 50; net.trainParam.lr = 0.05; net.trainParam.mc = 0.9; net.trainParam.epochs = 5000; net.trainParam.goal = 0.001; % 调用TRAINGDM算法训练 BP 网络 [net,tr]=train(net,P',T); % 对BP网络进行仿真 A=sim(net,P'); figure; plot((1993:2007),T,'-*',(1993:2007),A,'-o'); title('网络的实际输出和仿真输出结果，*为真实值，o为预测值'); xlabel('年份'); ylabel('客运量'); % 对BP网络进行测试 A1=sim(net,Ptest');
车牌识别系统的技术指标 从技术上评价一个车牌识别系统，有三个指标，即识别率、识别速度和后台管理系统。当然，前提是系统要能够稳定可靠的运行。 一、识别率 一个车牌识别系统是否实用，最重要的指标是识别率。国际交通技术作过专门的识别率指标论述，要求是24小时全天候全牌正确识别率85%～95%。云能科技的车牌识别系统在实际应用中已经达到了全牌正确识别率90%以上。为了测试一个车牌识别系统识别率，需要将该系统安装在一个实际应用环境中，全天候运行24小时以上，采集至少1000辆自然车流通行时的车牌照进行识别，并且需要将车辆牌照图像和识别结果存储下来，以便调取查看。然后，还需要得到实际通过的车辆图像以及正确的人工识别结果。之后便可以统计出以下识别率： 1、自然交通流量的识别率=全牌正确识别总数/实际通过的车辆总数 2、可识别车牌照的百分率=人工正确读取的车牌照总数/实际通过的车辆总数 3、可识别全牌正确识别率=全牌正确识别的车牌照总数/人工读取的车牌照总数这三个指标决定了车牌识别系统的识别率，诸如可信度、误识率等都是车牌识别过程中的中间结果。 二、识别速度 识别速度决定了一个车牌识别系统是否能够满足实时实际应用的要求。一个识别率很高的系统，如果需要几秒钟，甚至几分钟才能识别出结果，那么这个系统就会因为满足不了实际应用中的实时要求而毫无实用意义。例如，在高速公路收费中车牌识别应用的作用之一是减少通行时间，速度是这一类应用里减少通行时间、避免车道堵车的有力保障。 国际交通技术提出的识别速度是1秒以内，越快越好。 三、后台管理体系
一个车牌识别系统的后台管理体系，决定了这个车牌识别系统是否好用。必须清楚地认识到重要的一点是识别率达到100%是不可能的，因为车牌照污损、模糊、遮挡，或者天气也许很糟（下雪﹑冰雹﹑大雾等等）。后台管理体系的功能应该包括： 1、识别结果和车辆图像数据的可靠存储，当多功能的系统操作使得网络出差错时能保护图像数据不会丢失，同时便于事后人工排查； 2、有效的自动比对和查询技术，被识别的车牌照号码要同数据库中成千上万的车牌号码自动比对和提示报警，如果车牌照号码没有被正确读取时就要采用模糊查询技术才能得出相对“最佳”的比对结果； 3、一个好的车牌识别系统对于联网运行，还需要提供实时通信、网络安全、远程维护、动态数据交互、数据库自动更新、硬件参数设置、系统故障诊断。
基于神经网络的股票预测 【摘要】: 股票分析和预测是一个复杂的研究领域，本论文将股票技术分析理论与人工神经网络相结合，针对股票市场这一非线性系统，运用BP神经网络，研究基于历史数据分析的股票预测模型，同时，对单只股票短期收盘价格的预测进行深入的理论分析和实证研究。本文探讨了BP神经网络的模型与结构、BP算法的学习规则、权值和阈值等，构建了基于BP神经网络的股票短期预测模型，研究了神经网络的模式、泛化能力等问题。并且，利用搭建起的BP神经网络预测模型，采用多输入单输出、单隐含层的系统，用前五天的价格来预测第六天的价格。对于网络的训练，选用学习率可变的动量BP算法，同时，对网络结构进行了隐含层节点的优化，多次尝试，确定最为合理、可行的隐含层节点数，从而有效地解决了神经网络隐含层节点的选取问题。 【abstract] Stock analysis and forecasting is a complex field of study. The paper will make research on stock prediction model based on the analysis of historical data, using BP neural network and technical analysis theory. At the same time, making in-depth theoretical analysis and empirical studies on the short-term closing price forecasts of single stock. Secondly, making research on the model and structure of BP neural network, learning rules, weights of BP algorithm and so on, building a stock short-term forecasting model based on the BP neural network, related with the model of neural network and the ability of generalization. Moreover, using system of multiple-input single-output and single hidden layer, to forecast the sixth day price by BP neural network forecasting model structured. The network of training is chosen BP algorithm of traingdx, while making optimization on the node numbers of the hidden layer by several attempts. Thereby resolve effectively the problem of it. 【关键词】BP神经网络股票预测分析 1．引言 股票市场是一个不稳定的非线性动态变化的复杂系统，股价的变动受众多因素的影响。影响股价的因素可简单地分为两类，一类是公司基本面的因素，另一类是股票技术面的因素，虽然股票的价值是公司未来现金流的折现，由公司的基本面所决定，但是由于公司基本面的数据更新时间慢，且很多时候并不能客观反映公司的实际状况，采用适当数学模型就能在一定
高清智能车牌识别系统安装与调试手册 V2.1（详细版本）
智能车牌识别停车场管理系统简介 智能车牌识别停车场管理系统是我司根据当前市场发展与客户的需要，开 发出来的一款以车辆车牌作为车辆进出车场主要凭证，同时可辅以IC卡刷卡、可实现固定车辆和临时车辆收费、基于以太网的停车场管理系统。该系统 支持多通道进出与图像对比、满足复杂的收费需求；数据处理速度快、信息存 储安全、扩展性强，能根据用户的需求，提供合适的停车场系统解决方案。 主要特点： ●正常情况下，完全以车牌作为出入场凭证 ●对临时车牌可进行精确收费，月租车牌过期后可进行临时收费，有效地防止停 车费用的流失 ●具备脱机与脱网功能。在脱机与脱网时，月租用户可自由出入 ●车牌识别一体机可代替传统的视频系统，不需要补光灯、摄像机等。成本 低，有较强的竞争力 ●支持多种车牌识别器，客户可选择面多 ●提供多种网络显示屏，可播放与显示广告词、出入场欢迎词、时间、剩余 车位、收费金额等
目录 第一章系统配置 (1) 1.1系统相关材料、器件的准备 (1) 1.1.2 软件清单 (1) 1.2工具需求 (1) 第二章软件安装 (1) 2.1 PC机型及配置的选择 (1) 2.1.1硬件环境 (1) 2.1.2 软件环境 (1) 2.1.3 局域网通讯环境 (2) 2.2 数据库安装 (2) 2.3 停车场系统软件安装 (10) 第三章车道信息显示屏安装 (13) 3.1车道信息显示屏安装 (13) 3.6车牌识别相机的安装接线 (14) 第五章系统调试 (16) 5.1网络的组建 (16) 5.2 系统初始化设置 (19) 5.2.1启动SQL Server服务器 (19) 5.1.3 数据库创建配置 (20) 5.1.4 运行车牌识别系统服务服务器 (22) 5.1.5 车牌识别系统初始化 (22) 5.1.5.1管理员登录 (23) 5.1.5.2系统参数初始化 (23) 5.1.5.3创建岗亭 (25) 5.1.5.4创建通道 (26) 5.1.5.5设置收费规则 (28) 5.1.5.6注册车牌 (30) 5.12 数据整理与系统备份 (31)
停车场管理系统 设 计 方 案
背景 (3) 项目概况说明 (5) 第一章、车牌识别系统说明 (5) 一、车牌识别系统工作模式 (5) 二、系统作业详细流程图 (5) 第二章、软件管理系统 (11) 一、系统管理流程图 (11) 二、系统软件组成 (12) 三、未完全识别车牌的处理方法 (17) 第三章、施工组织计划 (19) 工程施工进度表 (19) 第四章、售后服务 (20)
智能停车场解决方案 背景 随着我国机动车增长速度的加快，停车场管理系统已经被广泛的应用起来，使车辆管理更加科学化，正规化。经过几年的推广应用，在广泛使用的同时，也发现了一些弊端和漏洞 一、月租卡与车无法准确对应 现有系统，当月租用户刷卡出入车场时，无法自动判定该卡是否对应该车，这样就造成了，用户卡片随意互借，丢失计时卡，车辆数目不准确，用不法手段获取他人月租卡进行高档车辆盗窃的严重安全隐患。 二、临时卡无法自动录入车牌 现有系统，当临时卡用户进入车场时，无法自动在数据库中存储牌照号，这样在查询停车场中某辆临时停放车辆的进出情况时，会变得非常麻烦，无法快速查找。需要依次调取所有进入车辆图片进行人工辨别。同时也无法对离场临停车辆进行车牌和卡片的双重验证，同样也存在安全隐患。 三、车辆进出效率低下 现在小区规模越来越大，业主车辆越来越多，在经过停车场管理系统刷卡验证时，经常会出现业主找卡，忘记带卡，刷卡时无法靠边的情况，这样就严重影响了通行速度，造成车辆拥堵。在上下班高峰期的时候这种情况尤其严重。 针对以上的系统弊端和漏洞，我公司通过多年的技术研发和验证测试，推出了目前最先进的车牌自动识别系统，作为停车场系统的子系统，通过计算机的图像处理自动识别记录车牌，辨别同一车牌的车辆出入场时是否一致，是目前识别速度最快的车牌识别系统。其软件模块可以嵌入到停车场系统软件中，配合硬件共同实现车牌自动识别功能，使停车场系统更加完善精确。 在智能交通系统中，车牌自动识别系统是一个非常重要的发展方向，车牌自动识别系统正是在这种应用背景下研制出来的能够自动实时地检测车辆经过和识别汽车牌照的智能交通管理系统。
车牌自动识别停车场管理系统 设 计 方 案 xxx科技有限公司 地址： 电话：手机：
网址： QQ: 智能停车场解决方案 景第一章背 随着我国机动车增长速度的加快，停车场管理系统已经被广泛的应用起来，使车辆管理更加科学化，正规化。经过几年的推广应用，在广泛使用的同时，也发现了一些弊端和漏洞 一、月租卡与车无法准确对应 现有系统，当月租用户刷卡出入车场时，无法自动判定该卡是否对应该车，这样就造成了，用户卡片随意互借，丢失计时卡，车辆数目不准确，用不法手段获取他人月租卡进行高档车辆盗窃的严重安全隐患。 二、临时卡无法自动录入车牌 现有系统，当临时卡用户进入车场时，无法自动在数据库中存储牌照号，这样在查询停车场中某辆临时停放车辆的进出情况时，会变得非常麻烦，无法快速查找。需要依次调取所有进入车辆图片进行人工辨别。同时也无法对离场临停车辆进行车牌和卡片的双重验证，同样也存在安全隐患。 三、车辆进出效率低下。 现在小区规模越来越大，业主车辆越来越多，在经过停车场管理系统刷卡验证时，经常会出现业主找卡，忘记带卡，刷卡时无法靠边的情况，这样就严重影响了通行速度，造成车辆拥堵。在上下班高峰期的时候这种情况尤其严重。 针对以上的系统弊端和漏洞，我公司通过多年的技术研发和验证测试，推出了目前最先进的车牌自动识别系统，作为停车场系统的子系统，通过计算机的图像处理自动识别记录车牌，辨别同一车牌的车辆出入场时是否一致，是目前识别速度最快的车牌识别系统。其软件模块可以嵌入到停车场系统软件中，配合硬件共同实现车牌自动识别功能，使停车场系统更加完善精确。 在智能交通系统中，车牌自动识别系统是一个非常重要的发展方向，车牌自动识别系统正是在这种应用背景下研制出来的能够自动实时地检测车辆经过和识别汽车牌照的智能交通管理系统。 第二章关于车牌识别技术
基于BP神经网络的车牌识别技术算法分析 摘要：车牌识别是计算机视觉技术的一种典型应用，以机器视觉、图形图像、模式识别等为理论基础，采用神经网络、形态学、投影等技术实现车辆拍照、视频分解、预处理、字符定位、文本识别等一体化车牌识别。 关键词：车牌识别；机器视觉；图形图像；模式识别；神经网络一、车牌识别的核心技术 车牌识别系统主要可分为原始图的采集、图像预处理、车牌定位、字符分割以及字符识别几大部分。 （一）预处理概述 一般刚采集的图像是彩色图像，加上国内车牌颜色的多样性（如白底黑字、黑底白字、黄底黑字及蓝底白字等）， 为了能够更好的对车牌进行图像处理，首先要对抓 （二）车牌定位方法 车牌定位是基于图像处理中的分割技术对整个车牌图 像进行车牌区域分割提取。由于我国车牌种类繁多且背景色复杂，实现一种可以通用的车牌定位提取方法是十分复杂的。典型的车牌定位方法流程如图2所示：图2 边缘检测的基本思想是基于图像边缘进行分析处理，该过程不仅可以降低不相关数据的运算，同时可以忽略一些干
扰信息，将图像原本最重要的特征信息保留下来。一般边缘检测采用的算子为Roberts和Sobel。而针对于车牌识别中车牌定位的提取，基于原有技术的基础上，可采用一种结合与改进的Roberts算子边缘检测与形态学的车牌定位算法：一 是增加两个方向的检测模版；二是Roberts算子阀值的自动选取。 形态学处理是基于数学形态学的技术，数学形态学具有解析和叙述几何形态学的功能。其基本运算有四种：开运算、闭运算、膨胀以及腐蚀，在车牌识别中可先对边缘检测好的图像进行腐蚀，再根据车牌的一些先验知识对图像做填充及滤波处理最终得到车牌位置。 在完成车牌定位之后，在车牌字符分割之前需要对已定位好的车牌进行倾斜校正处理。一般可采用Hough变换调整水平方向，Rodon变换调整垂直方向。 （三）基于垂直投影并结合连通域及模板匹配的分割方法 基于传统算法的优缺点，采用一种基于垂直投影法并结合连通域及模板匹配法进行字符分割，首先是根据连通域找出字符之间的宽度，然后再结合投影法确定单个字符的位置，最后再参考字符之间宽度建立一个分割模板。 为了能够对分割出来后的单个字符进行统一的尺寸管理，提高字符识别率，可以将分割后的单个字符统一归一化，
识别流程 车牌自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。 其硬件基础一般包括触发设备（监测车辆是否进入视野）、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机（如计算机）等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。 某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。 一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。 当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。车牌识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。 车辆检测 车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。 采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省
开支，而且更适合移动式、便携式应用的要求。 系统进行视频车辆检测，需要具备很高的处理速度并采用优秀的算法，在基本不丢帧的情况下实现图像采集、处理。 若处理速度慢，则导致丢帧，使系统无法检测到行驶速度较快的车辆，同时也难以保证在有利于识别的位置开始识别处理，影响系统识别率。因此，将视频车辆检测与牌照自动识别相结合具备一定的技术难度。 武汉车牌识别 号码识别 为了进行车牌识别，需要以下几个基本的步骤： 1、牌照定位，定位图片中的牌照位置； 2、牌照字符分割，把牌照中的字符分割出来； 3、牌照字符识别，把分割好的字符进行识别，*终组成牌照号码。 车牌识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与车牌识别互相配合、互相验证。
神经网络Matlab p=p1';t=t1'; [pn,minp,maxp,tn,mint,maxt]=premnmx(p,t); %原始数据归一化net=newff(minmax(pn),[5,1],{'tansig','purelin'},'traingdx');%设置网络,建立相应的BP网络 net.trainParam.show=2000; % 训练网络 net.trainParam.lr=0.01; net.trainParam.epochs=100000; net.trainParam.goal=1e-5; [net,tr]=train(net ,pn,tn); %调用TRAINGDM算法训练BP网络 pnew=pnew1'; pnewn=tramnmx(pnew,minp,maxp); anewn=sim(net,pnewn); %对BP网络进行仿真 anew=postmnmx(anewn,mint,maxt); %还原数据 y=anew'; 1、BP网络构建 （1）生成BP网络 = net newff PR S S SNl TF TF TFNl BTF BLF PF (,[1 2...],{ 1 2...},,,) R?维矩阵。 PR：由R维的输入样本最小最大值构成的2
S S SNl：各层的神经元个数。 [1 2...] TF TF TFNl：各层的神经元传递函数。 { 1 2...} BTF：训练用函数的名称。 （2）网络训练 = [,,,,,] (,,,,,,) net tr Y E Pf Af train net P T Pi Ai VV TV （3）网络仿真 = [,,,,] (,,,,) Y Pf Af E perf sim net P Pi Ai T {'tansig','purelin'},'trainrp' BP网络的训练函数 训练方法训练函数 梯度下降法traingd 有动量的梯度下降法traingdm 自适应lr梯度下降法traingda 自适应lr动量梯度下降法traingdx 弹性梯度下降法trainrp Fletcher-Reeves共轭梯度法traincgf Ploak-Ribiere共轭梯度法traincgp Powell-Beale共轭梯度法traincgb 量化共轭梯度法trainscg 拟牛顿算法trainbfg 一步正割算法trainoss Levenberg-Marquardt trainlm
车牌识别系统安装流程及注意事项 一套完整的车牌识别系统包含车牌识别一体机、停车场收费显示屏、智能道闸、车牌识别软件等。这些设备的安装是否规范，很大程度上影响着整套车牌识别系统的工作性能。 在车牌识别设备安装前，要对项目现场进行详细的勘察，了解客户需求，制定完善的施工流程，那么勘察现场，安装流程应该侧重哪些因素呢？ 1、车牌识别主要设备的安装 1）首先要确定车牌识别一体机的安装位置，这会直接影响车牌识别效果，需根据每个出入口的现场环境和条件来决定，一般一条车道安装一台相机，如果车驶入车道时方向不固定，则角度太大时会影响识别，就要考虑安装副相机，以保证车头不管偏向哪边都可以识别。 2）其次如果使用抓拍识别，则需确定相机和线圈的安装位置：相机距线圈来车方向一侧最佳距离4-4.5m。线圈的位置应保证车辆触发车检器时车头方向尽量偏向相机一侧，这样可以使相机拍到清晰、
完整的图片。如果是单通道（进口和出口是同一车道），需要使用双路车检器。 如果使用视频识别模式，则无需安装地感线圈和车检器。 3）然后确定道闸和防砸线圈的位置：道闸一般安装在相机同侧，位于相机后面（与相机立杆距离30cm安装，保证道闸门可以方便的开启）。防砸线圈的位置在道闸杆正下方居中，要保证车头触发线圈时和车尾离开线圈时，车身的任何部分都不在道闸杆下方。 4）相机和道闸要安装在结实的地面上，如果地面是砖或沥青，要考虑破路面浇筑水泥墩来增加稳定性。 上述设备在安装前，要确定好线路的走线方式，根据设备安装位置，提前预留穿线管。为保证不因为车速影响识别效果，建议安装减速带控制车速。
2、车牌识别附属设备 1)配置电脑和服务器：电脑一般放在出口岗亭或值班室内，用于收费使用。 服务器根据客户需要选择放在客户办公室或岗亭。若放在办公室，需要从岗亭布设光纤至服务器，勘察现场时要估测出光纤到最近岗亭的距离并留出余量。如果客户不需要单独设置服务器，就用岗亭机做服务器，安装数据库和FTP服务。 2)交换机根据需要联网的设备数来选择，一般选择千兆8口或者5口交换机。交换机应该就近放置在岗亭或者配电箱里。 3)制作安全岛和岗亭：根据需要和现场情况设置安全岛，安全岛一般采用混凝土浇筑。安全岛的大小要保证岗亭或道闸等设备有足够的安装空间，且不影响车辆经过。安全岛在浇筑时要预埋穿线管。安全岛完成后可以刷漆增加醒目的效果。 岗亭一般安装在停车场出口位置，便于收费，尺寸根据安全岛或者安装位置的大小来确定，但必须保证岗亭内有足够的空间容纳电脑等设备和收费员工作。 4)配电箱的安装，可以选择安装在安全岛上或者放置在岗亭、值班室内，如放在室外，要选择防雨型，并做好接地。 3、车牌识别施工材料 1)设备供电总线使用不低于RVV3*1.5的线缆，一体箱和一体机及道闸均做好接地。总线取电的空开要根据所有设备的总功率来选择，防止过载跳闸。