江蘇省鹽城中學 楊晨武

1.引言

模式識別是人工智能一個重要領域，現(xiàn)在最著名的一種神經(jīng)網(wǎng)絡是前饋神經(jīng)網(wǎng)絡。反饋的神經(jīng)是為了將輸入轉(zhuǎn)成我們所預期分類。傳統(tǒng)神經(jīng)網(wǎng)絡對于許多領域表現(xiàn)出優(yōu)越的特性，例如：醫(yī)學，工程學和商業(yè)領域。然而，對于時態(tài)數(shù)據(jù)不能完全處理。近十年來，人工神經(jīng)網(wǎng)絡不斷地發(fā)展，為了處理這些時態(tài)數(shù)據(jù)，我們構(gòu)建了新一代神經(jīng)網(wǎng)絡，該網(wǎng)絡稱為“脈沖神經(jīng)網(wǎng)絡”。脈沖神經(jīng)網(wǎng)絡更接近人腦，可以用于任何的數(shù)據(jù)，適宜性更強。

脈沖神經(jīng)作為第三代神經(jīng)網(wǎng)絡，對于提取圖像信息和圖像識別已經(jīng)有較好的精度。準確提取運動圖像的信息成為了人們追求的目標，也是對于人們的一種挑戰(zhàn)。但是人腦的神經(jīng)電路太過于復雜，大多數(shù)生物學家將其簡化成單個神經(jīng)元電路，對于提高視覺系統(tǒng)輸出有著極其重要的作用。

因此，我們需要通過建立一個基于單個神經(jīng)元和神經(jīng)局部電路的結(jié)構(gòu)或者用電回路建立一個生物系統(tǒng)的模型，來將視覺神經(jīng)的感受野的仿真結(jié)構(gòu)應用在實際的人工智能系統(tǒng)中，更加精確地提取運動目標的信息與特征。進一步通過特征值的矩陣運算得到結(jié)果。如果該模型能準確地提取運動目標的特征，從而提高分類的效果，將在今后的智能監(jiān)控系統(tǒng)中擁有廣闊的應用前景。

2.車牌圖像預處理

2.1 圖像預處理

我們獲得的車牌圖像都是彩色圖像，且彩色圖像的尺寸不一，并有一定的干擾，而且存儲的消耗較大。所以我們需要對他進行預處理，預處理的過程直接影響到了車牌的識別準確率和效率，降低車牌中噪聲的影響可以有效的提高準確率且圖像灰度化可以降低系統(tǒng)的存儲，節(jié)約處理時間提高效率。

脈沖神經(jīng)網(wǎng)絡最重要的是，圖像的時間以及速率的編碼：時間編碼是基于概率模型，對于圖像進行信息編碼。圖像格式轉(zhuǎn)換及尺寸歸一：也就是需要圖像都進行一定得縮放，將大小放進統(tǒng)一尺寸當中，因此可以有效的提取特征，提高準確率。圖像處理過程需要采取統(tǒng)一的格式轉(zhuǎn)換或算法。本文采取圖像類處理軟件：ACDSEE進行變化。

圖像灰度化，通過拍照得到的圖像為RGB的三色圖像，對于M*N大小的圖像中，那么存儲該圖像的為三維數(shù)據(jù)，M*N*3。圖像包括了大量的三位信息，不但在存儲上有很大開銷，而且在處理上速度過慢，而且識別的過程會涉及一些無關(guān)緊要的信息，對于識別過程中處理是極其不利的。對于處理之前我們需要灰度處理，這是為了節(jié)省時間以及內(nèi)存?；叶忍幚淼倪^程主要是采取加權(quán)平均，對于RBG賦予不同的權(quán)值，求得加權(quán)平均。

其中，可以得到最合理的灰度圖像。

圖像增強，是為了改善視覺效果，便于機器的分析與計算，對于圖像的存在的問題進行分析處理。由于拍攝過程中圖像較容易出現(xiàn)失真使得出現(xiàn)的圖像和原始的圖像有較大的區(qū)別，為了改善圖的效果，我們可以通過對比度增強，濾波等方法對圖像進行增強處理。直方圖均衡過程中，圖像中字符和背景的明暗對比會被削弱，對于識別過程獲得阻礙。對于亮度的調(diào)整，我們可以對圖像像素進行統(tǒng)計，找到了V1,V2，是的小于V1的像素值比例5%，大于V2占比例為5%，我們將亮度小于V1的全部調(diào)整為V1，大于V2的全部調(diào)整V2。接下來按照比率[0，255]拉伸。矯正過后可以通過濾波算法進行處理，為了處理噪聲我們可以采用較為通用的高斯濾波。

圖像二值化，二值化處理過程中，我們只有黑白兩個顏色，二值化原理比較簡單，當灰度值大于某一閾值我們就設為1，其他設為0。在設置過程分為三種方法，全局閾值法，局域閾值法和動態(tài)閾值方法。本文采用平均值方法進行二值化處理。取得閾值為TH。如果背景幾乎不被干擾，平均值較??；如若背景有干擾，平均值較大；如果背景關(guān)照很暗，平均值中等。

背景色統(tǒng)一，在處理車牌的過程中，我們針對不同的汽車類型有不同的顏色，我們處理圖像過程造成一定困難，有的是黑底，有的是藍底，有的是黃底，我們必須進行背景的統(tǒng)一處理。我們將車牌統(tǒng)一轉(zhuǎn)換成黑底白字進行處理。

我們在拍攝過程會出現(xiàn)拍攝角度的，車輛的運行會使得拍攝的車牌不是真正的矩形，我們采取了霍夫變換，檢測直線。基本思想是點線對偶，通過建立離散參數(shù)空間，建立累加器，求出局部最小值確定傾斜程度進行幾何圖像矯正，我們在車牌的處理的實際過程中，基本都是存在汽車保險杠以及邊框，需要車牌上下邊框去除?；舅枷胧悄軌虼_定m*n，自動自下而上的掃描，統(tǒng)計每一行黑色像素點，設定閾值大于時停止，并且記錄然后切除余下部分。

2.2 圖像分割

進過一連串的預處理，得到了上下邊緣緊密貼連的二值圖像。我們通過垂直投影的方法投影。我們設定邊界為w，我們自右向左的方法，逐列掃描當小于某個閾值，則認為字符邊界，設定w=1.我們尋找下一個邊界。一直循環(huán)直到切割完畢。經(jīng)過上述步驟之后，將圖像中七個字符邊界全部找到，考慮了不一致以及二值化，采取了切割。如圖1所示是預處理的結(jié)果。

3.構(gòu)建脈沖神經(jīng)元

構(gòu)建神經(jīng)元模型，簡化神經(jīng)元模型。分析神經(jīng)元的動力學特性。神經(jīng)元主要是由胞體，樹突，軸突以及突觸組成。神經(jīng)元神經(jīng)元之間進行連接，我們可以進行信號之間的相互傳輸。我們采取了H-H的神經(jīng)元，通過膜電位運行模型，主要是通過離子通道的運行機制，表現(xiàn)的鉀離子電流，鈉離子電流以及漏電導，描述著膜電位的關(guān)系。

圖1 預處理后車牌

4.脈沖神經(jīng)網(wǎng)絡識別

脈沖神經(jīng)網(wǎng)絡進行時空信息的處理，構(gòu)建基本框架并且評判性能，包括序列脈沖的學習能力，學習規(guī)則的局部特性，對網(wǎng)絡結(jié)構(gòu)的適應性，學習的精度。

進行圖形的特征提取，N維的模式變換轉(zhuǎn)換到維數(shù)比較小的M維，進行維數(shù)的變換降低計算的復雜度，計算字符圖像特征，分類器的設計，網(wǎng)絡參數(shù)設計和訓練。通過統(tǒng)計出來的數(shù)據(jù)和識別率和結(jié)果固定相乘修正結(jié)果。最后進行字符和數(shù)字的識別。

第一層輸入處理之后的圖像，作為像素接收器。中間為隱藏層，表現(xiàn)突出之間的鏈接特性，顯示了圖像的特征表現(xiàn)。最后一層得到了圖像脈沖表現(xiàn)結(jié)果，表現(xiàn)了字符和數(shù)字的類別。

5.總結(jié)

本文提出了基于脈沖神經(jīng)網(wǎng)絡的車牌識別的研究，提出了模型以及算法，可以用于智能檢測和交通系統(tǒng)之中?？梢赃M行自動的識別，該模型算法可以有效的準備的進行識別，是一種類腦技術(shù)，圖像的預處理大大加快了圖像處理的準確度以及精確度，具有良好的應用。

[1]廖翔云,許錦標,龔仕偉.車牌識別技術(shù)研究[J].計算機技術(shù)與發(fā)展,2003,13(a02):31-32.

[2]何鐵軍,張寧,黃衛(wèi).車牌識別算法的研究與實現(xiàn)[J].公路交通科技,2006,23(8):147-149.

[3]芮挺,沈春林,張金林.車牌識別中傾斜牌照的快速矯正算法[J].計算機工程,2004,30(13):122-124.

[4]閻建國,高亮.圖象處理技術(shù)在車牌識別中的應用[J].電子技術(shù)應用,2000,26(1):17-18.

[5]蔡榮太,吳慶祥.基于脈沖神經(jīng)網(wǎng)絡的邊緣檢測[J].微電子學與計算機,2010,27(10):178-181.

[6]藺想紅,王向文,張寧,等.脈沖神經(jīng)網(wǎng)絡的監(jiān)督學習算法研究綜述[J].電子學報,2015,43(3):577-586.

[7]曹平,陳盼,章文彬,等.基于脈沖神經(jīng)網(wǎng)絡的語音識別方法的初步探究[J].計算機工程與科學,2008,30(4):139-141.

[8]Yi Zeng,Tielin Zhang,Bo Xu.受腦啟發(fā)的學習規(guī)則對深層脈沖神經(jīng)網(wǎng)絡性能的提升[J].Science China Information Sciences,2017,60(5):052201.