张鑫+孙勇

摘 要：文章采用基于L-M算法的BP神经网络，并在图像特征提取量的选择中，结合了不变矩特征值和灰度共生矩阵导出的基于纹理的特征量，以车牌识别为例进行图像识别。经过训练和测试，得到L-M及特征量优化的神经网络，在精度和识别速度上都优于BP神经网络。

关键词：图像识别；不变矩特征值；L-M算法；BP神经网络

中图分类号：TP183 文献标志码：A 文章编号：2095-2945（2017）19-0001-03

引言

随着图像识别技术的不断发展，应用于图像识别技术领域的算法也在不断优化升级，人工神经网络算法作为一种高度非线性的智能自适应算法，在图像识别领域中的应用越来越广泛。基于人工神经网络实现图像识别的主要特点是构建分类器，将预处理后图像样本中提取出来的特征量输入神经网络，经过自学习和自组织，不断地训练，最终达到能够稳定正确识别图像的状态。[1]本文识别车牌号为例，对基于L-M算法及不变矩特征值优化的神经网络进行研究和实验。

1 图像预处理

1.1 倾斜校正及灰度处理

实际图像实时采集系统得到的图像质量参差不齐，本文采用方差公式推导法进行图像校正。该方法基于正置图像的投影图像边缘点的方差最小的原则来确定倾斜角度，具有较好的校正效果[2]。通常灰度处理方法有平均值法，最大值法和加权平均值法。平均值法和最大值法一定程度上淡化了图像中目标物与背景分界，对后续边缘检测会产生影响，本文选用加权平均值法，通过最优权值的选择，能够获得较好的处理效果。……