數據融合技術(shù)在車(chē)牌字符識別中的應用研究

運用模糊理論進(jìn)行模式識別時(shí)通常采用3 種方法：隸屬原則識別法、擇近原則識別法以及模糊聚類(lèi)分析法。設計中選用了隸屬原則識別算法對3 個(gè)BP 網(wǎng)絡(luò )的識別結果進(jìn)行最終決策。隸屬原則識別法的難點(diǎn)在于隸屬度函數的選擇。

由于每個(gè)BP 網(wǎng)絡(luò )提取的是字符的不同特征， 各網(wǎng)絡(luò )參數的設置也各不相同，導致3 個(gè)神經(jīng)網(wǎng)絡(luò )對同一個(gè)測試字符的輸出向量和識別率各不相同，所以設計中是從這兩個(gè)方面出發(fā)確定隸屬度函數。3 個(gè)BP 網(wǎng)絡(luò )對同一個(gè)字符進(jìn)行識別時(shí)的輸出向量構成一個(gè)3 行50 列(設計中所需識別的字符共計50 類(lèi))的矩陣M，統計出3 個(gè)BP 網(wǎng)絡(luò )的識別率后將其歸一化為一個(gè)1 行3 列的矩陣N，確定隸屬度函數可通過(guò)兩矩陣相乘Q=N[1×3]·M[3×50]得到，相乘結果Q[1×50]為一個(gè)行向量，取該向量中最大值所對應的字符作為模糊決策的最終結果，如式3 所示：

3 仿真結果及其分析

應用MATLAB 軟件對上述各個(gè)模塊所采用的算法進(jìn)行了仿真，效果如圖2 所示。仿真結果表明，針對同一幅車(chē)牌圖像，3 個(gè)BP 網(wǎng)絡(luò )給出了不同的識別結果，但是通過(guò)決策層的模糊推理融合算法仍然能夠正確地識別。

設計*采集到實(shí)際的車(chē)輛圖像84 套， 其中因無(wú)法準確定位或字符分割的圖像共12 套， 在剩余的72 套圖像中，用其中的50 套作為神經(jīng)網(wǎng)絡(luò )的訓練樣本，其余22 套作為測試樣本，對車(chē)牌識別，經(jīng)實(shí)驗統計，其結果如表1 所示。

由以上統計結果可明確的看出，應用數據融合技術(shù)系統的識別率較單一識別方法有了較大的提高， 達到了90.9%。

4 結束語(yǔ)

基于數據融合理論， 將不同的識別方法有效地結合起來(lái)構成融合型車(chē)牌字符識別系統， 數據層應用了加權平均算法， 特征層選用了BP 神經(jīng)網(wǎng)絡(luò )， 決策層采用了模糊推理算法。實(shí)驗證明， 該系統能有效的實(shí)現車(chē)牌字符識別， 字符識別率達到了90%以上， 較采用單一識別方法有了較大的提高。通過(guò)融合使信息資源得到了充分利用，各種方法互補，系統性能得到了很大提高。對于特征層融合應用的BP 神經(jīng)網(wǎng)絡(luò )算法， 直接使用了前人的研究成果，可對網(wǎng)絡(luò )的參數設置及收斂速度進(jìn)一步的研究，加以改善提高。