车牌字符识别是车牌识别中的最后一步,也是决定车牌识别成功与否的关键步骤。字符识别是对经过车牌定位、车牌纠正和车牌字符划分后得到的各个车牌字符进行识别的过程。字符识别利用BP反馈神经网络对字符进行识别。BP反馈神经网络是一种基于误差反向传播的神经网络,它不同于传统的神经网络,传统的神经网络采用数值微分法计算梯度以使损失函数达到最小值,这种做法虽然原理简单且容易实现,但计算较费时,而BP神经网络采用误差反向传播的方法,该方法较数值微分法更为高效。所以本文采取比数值微分法高效的BP反馈神经网络对划分出的各个车牌字符进行识别。
1.1 神经网络组成部分介绍
1.1.1 激活函数
常用的激活函数有ReLU和Softmax函数,本文使用ReLU函数作为隐藏层的激活函数,使用ReLU函数作为激活函数的优点主要有两个,第一是ReLU函数计算简单,可以提升模型的运算速度;第二是反向传播时要计算偏导数,如果传递过来的值很大,Sigmoid函数的梯度会变得非常小,使得模型收敛的速度会非常慢,而使用ReLU函数可以有效的解决模型收敛速度慢的问题。使用Softmax函数作为输出层的激活函数。ReLU激活函数的数学表达式如式(4-1),图像如图4-1所示。
1.1.2 损失函数
神经网络的学习中所用的性能评判标准被称为损失函数,本文使用交叉熵误差损失函数作为衡量神经网络性能的指标。交叉熵误差的计算公式如式(4-2)。