1.3.5 字符識別

字符識別采用的是離散型Hopfield神經網絡。其是一種循環神經網絡，網絡的輸出會反饋到輸入端，產生不斷變化的狀態。如果網絡是一個能收斂的穩定網絡，則這一反饋與迭代的計算過程所產生的變化會越來越小。一旦達到了穩定平衡狀態，網絡便會輸出一個穩定的恒值，關鍵在于確定其在穩定條件下的權系數。

首先對車牌的標準字符進行離散化，變成16×32的二值圖像，即有512個神經元。這樣網絡可記憶的樣本數最多為512×0.15=76.8個。根據車牌的特點，要建立兩個網絡：一個是車牌漢字的網絡，包括36個漢字;一個是數字與字母的網絡，包括36個元素。

可看到兩個網絡均不會產生偽樣本。通過Matlab對標準字符數據進行仿真，得到網絡穩定的權系數，然后將參數提取出來供DSP計算使用。

在DSP中將分割后的字符圖像進行歸一化處理，使字符圖像與標準圖像大小一致，然后輸入到網絡中根據公式(1)進行計算。其中，Wij和θi是通過Matlab仿真得到的權系數，x為圖像數據。通過循環迭代計算，由式(2)，當網絡的能量函數達到穩定時，就得到了識別出的字符，將識別出的字符與標準字符相減，且差值累加，其差值累加最小的字符便是識別出的結果。由于Hopfield網絡有聯想記憶的功能，故抗干擾性較強、對有噪聲、筆畫斷開、筆畫粘連等現象均有良好的識別效果，如圖8所示。

1.3.6 與上位機通訊

識別結束后，將識別結果以ASCII的形式通過DM9000發送到PC機進行后續處理。

2 結束語

車牌識別系統的關鍵技術是車牌定位、字符分割與字符識別。本文結合硬件平臺對3個重要部分進行了程序實現。通過實驗證明以Blanc fin561雙核DSP為核心的嵌入式系統配合Hopfield神經網絡能較好地完成車牌識別工作，并可使速度與識別率得到全面提高。基于嵌入式的整體結構也使得系統的擴充工作變得簡單，有較高的實際應用價值。