數據融合技術(shù)在車(chē)牌字符識別中的應用研究

摘要： 在車(chē)牌字符識別中，針對單一識別方法識別率不高的問(wèn)題，提出了應用數據融合技術(shù)，將不同的識別方法有機地結合起來(lái)構成融合型識別系統，有效地、綜合地提高整個(gè)系統的識別性能。數據層選擇了加權平均算法，特征層選擇了人工神經(jīng)網(wǎng)絡(luò )算法，決策層采用了模糊推理算法實(shí)現對車(chē)牌字符的最終識別。應用MATLAB 進(jìn)行了仿真，并與單獨使用BP 神經(jīng)網(wǎng)絡(luò )算法的識別率進(jìn)行了比較，結果證明采用數據融合技術(shù)系統的識別率得到了較大提高，達到90%以上。

車(chē)牌識別系統是圖像模式識別領(lǐng)域的一個(gè)經(jīng)典研究課題。對車(chē)牌識別技術(shù)的研究不但會(huì )極大促進(jìn)數字圖像處理、計算機視覺(jué)、模式識別與人工智能等相關(guān)領(lǐng)域理論與實(shí)踐的發(fā)展，而且其在公共安全、交通管理、軍事部門(mén)等的實(shí)際應用價(jià)值也不可估量。一個(gè)典型的車(chē)牌識別系統由圖像采集、圖像預處理、車(chē)牌定位、字符分割以及字符識別幾部分組成。其中字符識別是車(chē)牌識別系統中的關(guān)鍵環(huán)節，識別方法的好壞直接影響到整個(gè)車(chē)牌最終的識別效果。在字符識別模塊，針對單一識別技術(shù)識別率較低的問(wèn)題提出了從數據融合理論的角度出發(fā)，有效地、綜合地應用多種識別技術(shù)來(lái)提高系統的識別率。

1 數據融合的基本原理

數據融合技術(shù)實(shí)際上是對人腦綜合處理復雜問(wèn)題的一種功能模擬。在多傳感器系統中由于各種傳感器提供的信息具有不同的特征：時(shí)變的或者非時(shí)變的;實(shí)時(shí)的或者非實(shí)時(shí)的;快變的或者緩變的;模糊的或者確定的;精確的或者不完整的;可靠的或者非可靠的;相互支持的或者互補的;也可能是相互矛盾或沖突的。而數據融合系統能充分利用多個(gè)傳感器資源、對各種傳感器及其觀(guān)測信息合理支配與使用，將各種傳感器在空間或時(shí)間上的互補或冗余信息依據某種優(yōu)化準則組合起來(lái)，產(chǎn)生對觀(guān)測環(huán)境的一致性解釋和描述。因此，數據融合的目標是基于各種傳感器分離觀(guān)測信息，再通過(guò)對信息的優(yōu)化組合導出更多的有效信息，它的最終目的是利用多個(gè)傳感器共同或聯(lián)合操作的優(yōu)勢， 提高整個(gè)系統的有效性，消除單個(gè)或少量傳感器的局限性。

數據融合技術(shù)與經(jīng)典信號處理方法有本質(zhì)的區別，數據融合所處理的多傳感器信息不但具有更為復雜的形式，而且還可以在不同的信息層次上出現， 這些信息表征層次包括：數據層、特征層和決策層。直接在采集到的原始數據層上進(jìn)行的融合稱(chēng)為數據層融合， 數據層融合是最低層次的融合，它的優(yōu)點(diǎn)在于能保持盡可能多的現場(chǎng)數據，提供其他融合層次所不能提供的細微信息， 但其局限性也是比較明顯的，主要原因在于數據層融合是在信息的最底層進(jìn)行的，由于傳感器原始信息的不確定性、不完全性和不穩定性，對融合結果影響較大，穩定性較差。因此，數據層上的融合具有很大的盲目性，原則上不贊成直接在數據層上進(jìn)行數據融合，而且數據層融合通常要求選用的傳感器必須是同類(lèi)型傳感器或相同量級的傳感器。數據層上通常采用的融合方法有加權平均法、像素灰度值選擇融合方法、基于區域特征的融合方法、小波變換法、金字塔分解方法等。特征層融合是先對來(lái)自傳感器的原始信息進(jìn)行特征提取，然后再對特征信息進(jìn)行綜合分析和處理，特征層融合屬于中間層次的融合，也是最成熟、發(fā)展最完善的融合理論，它的優(yōu)點(diǎn)是通過(guò)特征提取既實(shí)現了信息壓縮，又保留了最重要的信息。特征層融合通常采用的算法有參量模板法、聚類(lèi)分析法、人工神經(jīng)網(wǎng)絡(luò )等。決策層融合是一種高層次融合， 它能充分利用特征層融合的最終結果，采用適當的融合技術(shù)給出最終的檢測、控制、指揮、決策的依據，決策層融合的最大優(yōu)點(diǎn)是具有容錯性，當一個(gè)或幾個(gè)傳感器出現錯誤時(shí)，通過(guò)適當的融合，系統最終還能獲得正確的結果。決策層融合通常所采用的方法有貝葉斯推斷、D-S證據理論、模糊集理論、專(zhuān)家系統等?？偟卣f(shuō)來(lái)，數據融合本質(zhì)上是一個(gè)由底層至頂層，對多元信息進(jìn)行融合，逐層抽象的信息處理過(guò)程。

2 基于數據融合理論的車(chē)牌字符識別

數據融合是一種對數據的綜合和處理技術(shù)，是許多傳統學(xué)科和新技術(shù)的繼承和應用，而對數據的綜合和處理能力反應在所選用的融合算法上。因此，在一個(gè)融合系統中，核心的問(wèn)題是選擇合適的融合算法。經(jīng)過(guò)對各種融合算法原理及優(yōu)缺點(diǎn)的研究比較之后，最終確定了各層上所采用的融合算法： 數據層選擇了加權平均算法; 特征層選擇了人工神經(jīng)網(wǎng)絡(luò )算法;決策層采用了模糊推理算法以實(shí)現對車(chē)牌字符的最終識別。圖1 為應用數據融合技術(shù)識別車(chē)牌字符的流程框圖。

2.1 數據層融合

加權平均融合算法，是通過(guò)融合各源圖像的冗余信息提高檢測的可靠性和融合后圖像的信噪比。而且它對來(lái)自不同傳感器的多幅源圖像進(jìn)行數據層融合時(shí)，無(wú)需考慮各源圖像像素之間的相關(guān)性及配準技術(shù)，因此也是最簡(jiǎn)單、最方便的數據層融合算法。

以3 幅圖像為例對加權平均算法進(jìn)行敘述：設融合結果為FUS(i，j)，輸入圖像為A(i，j)、B(i，j)和C(i，j)，(i，j)是圖像中某點(diǎn)像素的坐標位置，該算法的表達式如式1 所示：

設計中對同一車(chē)輛采集了3 幀圖像，通過(guò)定位、字符分割、歸一化后，針對同一個(gè)車(chē)牌字符得到了3 個(gè)樣本，對這3個(gè)樣本的像素值進(jìn)行平均融合， 得到融合以后的字符樣本，再將融合結果送往特征層進(jìn)行下一步處理。與以往只用單幀圖像作為識別對象的識別算法比較，數據融合技術(shù)彌補了因單幀圖像拍攝效果不佳而造成無(wú)法識別的不足，這也是本設計的創(chuàng )新處之一。

2.2 特征層融合

神經(jīng)網(wǎng)絡(luò )具有很強的容錯性和自學(xué)習、自組織及自適應能力， 能夠模擬復雜的非線(xiàn)性映射， 恰好滿(mǎn)足多傳感器信息融合技術(shù)處理的要求，在數據融合理論研究中受到高度重視，具有廣闊的應用前景。另外，在數據融合系統中要將來(lái)自不同類(lèi)型傳感器的數據進(jìn)行非線(xiàn)性關(guān)聯(lián)并形成一個(gè)融合矢量是非常困難的， 而神經(jīng)網(wǎng)絡(luò )則能實(shí)現這一特殊功能。因此， 神經(jīng)網(wǎng)絡(luò )分類(lèi)器是本設計特征層融合首先考慮采用的算法。在諸多的神經(jīng)網(wǎng)絡(luò )分類(lèi)器中BP神經(jīng)網(wǎng)絡(luò )算法數學(xué)意義明確、學(xué)習步驟分明， 而且網(wǎng)絡(luò )經(jīng)訓練收斂之后進(jìn)行識別時(shí)還具有計算量小、速度快等優(yōu)勢。所以， 最終確定采用BP 神經(jīng)網(wǎng)絡(luò )分類(lèi)器作為特征層的融合算法。

具有單隱層的3 層BP 網(wǎng)絡(luò )能夠逼近任何有限函數，也能使處理的問(wèn)題簡(jiǎn)單化，而且車(chē)牌識別系統屬于一個(gè)小類(lèi)別分類(lèi)問(wèn)題， 故采用3 層BP 神經(jīng)網(wǎng)絡(luò )結構符合實(shí)際應用的要求。首先對經(jīng)過(guò)數據層融合后的字符像素進(jìn)行特征提取，設計*提取了3 類(lèi)互補性強的字符特征： 字符原始特征，粗網(wǎng)格特征及水平、垂直投影特征和字符外圍輪廓特征，作為輸入信號分別送給3 個(gè)BP 神經(jīng)網(wǎng)絡(luò )分類(lèi)器， 根據識別系統的需求設置好各個(gè)網(wǎng)絡(luò )的初始參數后， 開(kāi)始對3 個(gè)BP 網(wǎng)絡(luò )進(jìn)行訓練，訓練過(guò)程中不斷調整網(wǎng)絡(luò )參數，最終使各個(gè)BP 網(wǎng)絡(luò )達到良好的收斂效果， 然后用訓練好的3 個(gè)BP 神經(jīng)網(wǎng)絡(luò )分別對同1 個(gè)車(chē)牌字符進(jìn)行識別。

2.3 決策層融合

決策層采用了模糊推理技術(shù)[6-7]作為最終判決的依據。模糊系統中，知識的抽取和表達比較方便，但學(xué)習能力較差，神經(jīng)網(wǎng)絡(luò )可從樣本中進(jìn)行有效的學(xué)習，但從網(wǎng)絡(luò )中提取知識的過(guò)程比較困難;模糊系統適合于處理結構化的知識，而神經(jīng)網(wǎng)絡(luò )對處理非結構化信息更為有效。設計中選擇特征層神經(jīng)網(wǎng)絡(luò )分類(lèi)器的輸出作為決策層模糊推理系統的輸入還可實(shí)現數據整理、*和抑制噪聲，使獲取模糊規則的過(guò)程變得容易。所以，融合系統中模糊推理技術(shù)和神經(jīng)網(wǎng)絡(luò )技術(shù)能克服自身不足、各取所長(cháng)、優(yōu)勢互補，從而使融合系統的性能得到改善。