當(dāng)今社會(huì),隨著計(jì)算機(jī)計(jì)算能力的增強(qiáng),使得一度低迷的神經(jīng)網(wǎng)絡(luò)又一次映入了人們的視線中,伴隨著神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,使得其在人工智能研究領(lǐng)域獲得了極大的進(jìn)步,現(xiàn)如今越來(lái)越多學(xué)者致力于此方面的研究,其中模糊理論、神經(jīng)網(wǎng)絡(luò)更是研究的重點(diǎn)對(duì)象。本文所研究的車牌識(shí)別技術(shù)在現(xiàn)代化車牌管理當(dāng)中有種非常重要的地位,如何將人工智能與車牌識(shí)別結(jié)合并用于實(shí)際工作,是本文的主要研究課題。Hopfield神經(jīng)網(wǎng)絡(luò)是一種單層全連接的反饋型神經(jīng)網(wǎng)絡(luò),此網(wǎng)絡(luò)引入了“能量函數(shù)”的概念,在網(wǎng)絡(luò)運(yùn)行過(guò)程中,可以將吸引子存放在能量極小點(diǎn)中,因此在網(wǎng)絡(luò)能量遞減的過(guò)程中,終究會(huì)趨于穩(wěn)定狀態(tài),正是基于Hopfield這種特性,我們將使用此網(wǎng)絡(luò)進(jìn)行車牌的識(shí)別。由于車牌識(shí)別過(guò)程存在著許多不確定性因素,為了避免這些不確定的因素使得車牌識(shí)別率過(guò)低,我們將引入模糊理論的概念,將模糊理論與神經(jīng)網(wǎng)絡(luò)相結(jié)合,不僅可以解決模糊理論本身學(xué)習(xí)能力差的問(wèn)題,而且可以提高在識(shí)別精度方面的準(zhǔn)確性。為了驗(yàn)證此種算法確實(shí)是可行的,我們將使用另一種算法與其進(jìn)行對(duì)比分析,即受限玻爾茲曼機(jī)。受限玻爾茲曼機(jī)是一個(gè)隨機(jī)神經(jīng)網(wǎng)絡(luò),將其與用作特征提取并且與分類器相結(jié)合可以作為不錯(cuò)... 

【文章來(lái)源】：中國(guó)地質(zhì)大學(xué)(北京)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：83 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

從攝像頭獲取的初始數(shù)據(jù)

第 2 章 車牌圖像處理的方法對(duì)紅、綠、藍(lán)三個(gè)色彩進(jìn)行處理，這個(gè)過(guò)程稱作灰度計(jì)算支持的前提下必定會(huì)花費(fèi)較多的時(shí)間，因此，我速率的問(wèn)題，在接下來(lái)分析灰度化的方法中，找到了的灰度化方法有：最大值法，平均值法，加權(quán)平均值權(quán)平均值法，該算法根據(jù)實(shí)際情況，分別給三種顏色然后進(jìn)行加權(quán)平均并求值，同時(shí)考慮到人眼對(duì)色彩的三個(gè)分量進(jìn)行加權(quán)，將求得的值作為灰度值。0.299 ( , ) + 0.587 ( , ) + 0.114 ( , ) 度化方法處理前的圖像即初始圖像如圖 2-2 所示�；椒ㄖ蟮玫降膱D像如圖 2-3 所示。

0.299 ( , ) + 0.587 ( , ) + 0.114 ( , ) 度化方法處理前的圖像即初始圖像如圖 2-2 所示�；椒ㄖ蟮玫降膱D像如圖 2-3 所示。圖 2-2 灰度化處理前

【參考文獻(xiàn)】：
期刊論文
[1]基于機(jī)器視覺的智能LED晶粒數(shù)量統(tǒng)計(jì)系統(tǒng)[J]. 周文豪,張媛媛,王想實(shí).  計(jì)算機(jī)產(chǎn)品與流通. 2019(04)
[2]基于機(jī)器視覺的育秧盤裂縫缺陷檢測(cè)方法研究[J]. 馬旭,袁志成,王宇唯,季傳棟,溫志成,鄧向武.  現(xiàn)代農(nóng)業(yè)裝備. 2019(01)
[3]基于Boltzmann機(jī)的物聯(lián)網(wǎng)數(shù)據(jù)分類方法研究[J]. 劉健,常蓮.  激光雜志. 2016(10)
[4]基于C環(huán)境下的Schimidt正交化方法實(shí)現(xiàn)[J]. 董曉萌,李樂(lè).  電子設(shè)計(jì)工程. 2014(09)
[5]基于MATLAB的汽車牌照識(shí)別的研究[J]. 馬東,韓其睿.  電子世界. 2011(11)
[6]一種模糊Hopfield網(wǎng)絡(luò)的學(xué)習(xí)算法及性質(zhì)[J]. 曾水玲,楊靜宇,徐蔚鴻.  計(jì)算機(jī)科學(xué). 2010(12)
[7]基于一類弱連續(xù)T-模的模糊Hopfield神經(jīng)網(wǎng)絡(luò)研究[J]. 袁占國(guó),王春林,嚴(yán)尚安.  后勤工程學(xué)院學(xué)報(bào). 2009(05)
[8]車牌自動(dòng)識(shí)別技術(shù)研究進(jìn)展[J]. 李連昌,蘭志強(qiáng),叢奎榮,亓學(xué)鵬.  可編程控制器與工廠自動(dòng)化. 2009(07)
[9]基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的文獻(xiàn)檢索智能識(shí)別[J]. 潘舜瓊.  重慶工學(xué)院學(xué)報(bào)(自然科學(xué)版). 2007(07)
[10]一種基于字符復(fù)原的車牌識(shí)別方法[J]. 魏運(yùn),路小波,黃衛(wèi),朱周.  交通與計(jì)算機(jī). 2007(01)

博士論文
[1]基于連續(xù)多閾值神經(jīng)元Hopfield網(wǎng)絡(luò)的信號(hào)直接盲檢測(cè)[D]. 阮秀凱.南京郵電大學(xué) 2012

碩士論文
[1]基于ELM的風(fēng)力發(fā)電機(jī)組齒輪箱故障診斷研究[D]. 楊露.上海電機(jī)學(xué)院 2018
[2]復(fù)雜背景下車牌識(shí)別算法的研究與實(shí)現(xiàn)[D]. 徐凱.電子科技大學(xué) 2017
[3]基于圖像的無(wú)標(biāo)定目標(biāo)伺服控制[D]. 王梓誠(chéng).北京理工大學(xué) 2016
[4]基于深度玻爾茲曼機(jī)的特征學(xué)習(xí)算法研究[D]. 朱常寶.北京化工大學(xué) 2016
[5]基于模糊理論的BP與GA混合算法的應(yīng)用研究[D]. 付國(guó)楠.中國(guó)地質(zhì)大學(xué)(北京) 2016
[6]基于FPGA的手勢(shì)識(shí)別遙控器[D]. 李繼綱.西北大學(xué) 2015
[7]基于離散Hopfield神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別技術(shù)研究[D]. 周雪婷.湖南師范大學(xué) 2015
[8]自然場(chǎng)景下的車牌檢測(cè)與識(shí)別算法研究[D]. 牛博雅.北京交通大學(xué) 2015
[9]事件檢測(cè)中的停車及拋落物識(shí)別算法研究[D]. 李潔.長(zhǎng)安大學(xué) 2014
[10]灰度圖像的直方圖均衡化處理研究[D]. 陳永亮.安徽大學(xué) 2014



本文編號(hào)：3252551