基于BP网络的车牌数字识别

本文论述BP算法的实现以及在利用BP算法时应注意的几个问题,然后利用BP网络对经过图像预处理,并归一化到12×8象素大小的车牌图像中的阿拉伯数字位图进行识别。实验结果表明,采用本文提出的BP网络识别方案,算法简便,识别率高,同样可适用于强噪声环境中的印刷体字符识别。

基于自编码神经网络重构的车牌数字识别

提出了一种基于自编码神经网络重构的车牌数字识别方案。首先对车牌图像进行预处理,利用车牌字符的原图和Gabor特征作为自编码神经网络的输入进行识别实验。然后对每个车牌字符构造一个自编码神经网络,利用训练样本进行图像的重构训练,并根据训练得到的网络权值重构出训练样本集中的各个字符图像或特征。最后,将测试样本输入到每个自编码神经网络,计算测试样本与各个输出的相关值。最大相关值所对应的重构权值和字符类别就是最终的识别结果。对比实验显示,自编码神经网络方法对车牌数字具有良好的识别性能。

基于SVM的车牌数字识别方法

运用支持向量机对车牌字符进行识别,解决了由于图像受客观条件的影响、样本数量不是很大等原因导致的识别率不高的问题.主要针对车牌字符中的数字进行实验,选取了15组数字样本,8组进行训练,7组进行测试,采用交叉验证的思想对SVM进行参数C与g的寻优,并选择合适的核函数,对样本进行训练和预测,对于某些数字的识别率可达到100%,并在相同的训练集和测试集下与BP网络的识别效果进行对比.实验结果表明,SVM在训练样本较少且无字符特征提取的情况下具有很好的识别率,并且有很好的分类推广能力.