數(shù)據(jù)融合技術(shù)在車牌字符識(shí)別中的應(yīng)用研究
摘要: 在車牌字符識(shí)別中,針對(duì)單一識(shí)別方法識(shí)別率不高的問題,提出了應(yīng)用數(shù)據(jù)融合技術(shù),將不同的識(shí)別方法有機(jī)地結(jié)合起來構(gòu)成融合型識(shí)別系統(tǒng),有效地、綜合地提高整個(gè)系統(tǒng)的識(shí)別性能。數(shù)據(jù)層選擇了加權(quán)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(xiàn)對(duì)車牌字符的最終識(shí)別。應(yīng)用MATLAB 進(jìn)行了仿真,并與單獨(dú)使用BP 神經(jīng)網(wǎng)絡(luò)算法的識(shí)別率進(jìn)行了比較,結(jié)果證明采用數(shù)據(jù)融合技術(shù)系統(tǒng)的識(shí)別率得到了較大提高,達(dá)到90%以上。
本文引用地址:http://butianyuan.cn/article/201808/387384.htm車牌識(shí)別系統(tǒng)是圖像模式識(shí)別領(lǐng)域的一個(gè)經(jīng)典研究課題。對(duì)車牌識(shí)別技術(shù)的研究不但會(huì)極大促進(jìn)數(shù)字圖像處理、計(jì)算機(jī)視覺、模式識(shí)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、軍事部門等的實(shí)際應(yīng)用價(jià)值也不可估量。一個(gè)典型的車牌識(shí)別系統(tǒng)由圖像采集、圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別幾部分組成。其中字符識(shí)別是車牌識(shí)別系統(tǒng)中的關(guān)鍵環(huán)節(jié),識(shí)別方法的好壞直接影響到整個(gè)車牌最終的識(shí)別效果。在字符識(shí)別模塊,針對(duì)單一識(shí)別技術(shù)識(shí)別率較低的問題提出了從數(shù)據(jù)融合理論的角度出發(fā),有效地、綜合地應(yīng)用多種識(shí)別技術(shù)來提高系統(tǒng)的識(shí)別率。
1 數(shù)據(jù)融合的基本原理
數(shù)據(jù)融合技術(shù)實(shí)際上是對(duì)人腦綜合處理復(fù)雜問題的一種功能模擬。在多傳感器系統(tǒng)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(bǔ)的;也可能是相互矛盾或沖突的。而數(shù)據(jù)融合系統(tǒng)能充分利用多個(gè)傳感器資源、對(duì)各種傳感器及其觀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(bǔ)或冗余信息依據(jù)某種優(yōu)化準(zhǔn)則組合起來,產(chǎn)生對(duì)觀測環(huán)境的一致性解釋和描述。因此,數(shù)據(jù)融合的目標(biāo)是基于各種傳感器分離觀測信息,再通過對(duì)信息的優(yōu)化組合導(dǎo)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(tǒng)的有效性,消除單個(gè)或少量傳感器的局限性。
數(shù)據(jù)融合技術(shù)與經(jīng)典信號(hào)處理方法有本質(zhì)的區(qū)別,數(shù)據(jù)融合所處理的多傳感器信息不但具有更為復(fù)雜的形式,而且還可以在不同的信息層次上出現(xiàn), 這些信息表征層次包括:數(shù)據(jù)層、特征層和決策層。直接在采集到的原始數(shù)據(jù)層上進(jìn)行的融合稱為數(shù)據(jù)層融合, 數(shù)據(jù)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(xiàn)場數(shù)據(jù),提供其他融合層次所不能提供的細(xì)微信息, 但其局限性也是比較明顯的,主要原因在于數(shù)據(jù)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(wěn)定性,對(duì)融合結(jié)果影響較大,穩(wěn)定性較差。因此,數(shù)據(jù)層上的融合具有很大的盲目性,原則上不贊成直接在數(shù)據(jù)層上進(jìn)行數(shù)據(jù)融合,而且數(shù)據(jù)層融合通常要求選用的傳感器必須是同類型傳感器或相同量級(jí)的傳感器。數(shù)據(jù)層上通常采用的融合方法有加權(quán)平均法、像素灰度值選擇融合方法、基于區(qū)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(duì)來自傳感器的原始信息進(jìn)行特征提取,然后再對(duì)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)是通過特征提取既實(shí)現(xiàn)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(jié)果,采用適當(dāng)?shù)娜诤霞夹g(shù)給出最終的檢測、控制、指揮、決策的依據(jù),決策層融合的最大優(yōu)點(diǎn)是具有容錯(cuò)性,當(dāng)一個(gè)或幾個(gè)傳感器出現(xiàn)錯(cuò)誤時(shí),通過適當(dāng)?shù)娜诤?,系統(tǒng)最終還能獲得正確的結(jié)果。決策層融合通常所采用的方法有貝葉斯推斷、D-S證據(jù)理論、模糊集理論、專家系統(tǒng)等??偟卣f來,數(shù)據(jù)融合本質(zhì)上是一個(gè)由底層至頂層,對(duì)多元信息進(jìn)行融合,逐層抽象的信息處理過程。
2 基于數(shù)據(jù)融合理論的車牌字符識(shí)別
數(shù)據(jù)融合是一種對(duì)數(shù)據(jù)的綜合和處理技術(shù),是許多傳統(tǒng)學(xué)科和新技術(shù)的繼承和應(yīng)用,而對(duì)數(shù)據(jù)的綜合和處理能力反應(yīng)在所選用的融合算法上。因此,在一個(gè)融合系統(tǒng)中,核心的問題是選擇合適的融合算法。經(jīng)過對(duì)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(shù)據(jù)層選擇了加權(quán)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(xiàn)對(duì)車牌字符的最終識(shí)別。圖1 為應(yīng)用數(shù)據(jù)融合技術(shù)識(shí)別車牌字符的流程框圖。
2.1 數(shù)據(jù)層融合
加權(quán)平均融合算法,是通過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(duì)來自不同傳感器的多幅源圖像進(jìn)行數(shù)據(jù)層融合時(shí),無需考慮各源圖像像素之間的相關(guān)性及配準(zhǔn)技術(shù),因此也是最簡單、最方便的數(shù)據(jù)層融合算法。
以3 幅圖像為例對(duì)加權(quán)平均算法進(jìn)行敘述:設(shè)融合結(jié)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(biāo)位置,該算法的表達(dá)式如式1 所示:
設(shè)計(jì)中對(duì)同一車輛采集了3 幀圖像,通過定位、字符分割、歸一化后,針對(duì)同一個(gè)車牌字符得到了3 個(gè)樣本,對(duì)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(jié)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(shí)別對(duì)象的識(shí)別算法比較,數(shù)據(jù)融合技術(shù)彌補(bǔ)了因單幀圖像拍攝效果不佳而造成無法識(shí)別的不足,這也是本設(shè)計(jì)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(qiáng)的容錯(cuò)性和自學(xué)習(xí)、自組織及自適應(yīng)能力, 能夠模擬復(fù)雜的非線性映射, 恰好滿足多傳感器信息融合技術(shù)處理的要求,在數(shù)據(jù)融合理論研究中受到高度重視,具有廣闊的應(yīng)用前景。另外,在數(shù)據(jù)融合系統(tǒng)中要將來自不同類型傳感器的數(shù)據(jù)進(jìn)行非線性關(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(xiàn)這一特殊功能。因此, 神經(jīng)網(wǎng)絡(luò)分類器是本設(shè)計(jì)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)分類器中BP神經(jīng)網(wǎng)絡(luò)算法數(shù)學(xué)意義明確、學(xué)習(xí)步驟分明, 而且網(wǎng)絡(luò)經(jīng)訓(xùn)練收斂之后進(jìn)行識(shí)別時(shí)還具有計(jì)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(shù),也能使處理的問題簡單化,而且車牌識(shí)別系統(tǒng)屬于一個(gè)小類別分類問題, 故采用3 層BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)符合實(shí)際應(yīng)用的要求。首先對(duì)經(jīng)過數(shù)據(jù)層融合后的字符像素進(jìn)行特征提取,設(shè)計(jì)*提取了3 類互補(bǔ)性強(qiáng)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(hào)分別送給3 個(gè)BP 神經(jīng)網(wǎng)絡(luò)分類器, 根據(jù)識(shí)別系統(tǒng)的需求設(shè)置好各個(gè)網(wǎng)絡(luò)的初始參數(shù)后, 開始對(duì)3 個(gè)BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練過程中不斷調(diào)整網(wǎng)絡(luò)參數(shù),最終使各個(gè)BP 網(wǎng)絡(luò)達(dá)到良好的收斂效果, 然后用訓(xùn)練好的3 個(gè)BP 神經(jīng)網(wǎng)絡(luò)分別對(duì)同1 個(gè)車牌字符進(jìn)行識(shí)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(jù)。模糊系統(tǒng)中,知識(shí)的抽取和表達(dá)比較方便,但學(xué)習(xí)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(xí),但從網(wǎng)絡(luò)中提取知識(shí)的過程比較困難;模糊系統(tǒng)適合于處理結(jié)構(gòu)化的知識(shí),而神經(jīng)網(wǎng)絡(luò)對(duì)處理非結(jié)構(gòu)化信息更為有效。設(shè)計(jì)中選擇特征層神經(jīng)網(wǎng)絡(luò)分類器的輸出作為決策層模糊推理系統(tǒng)的輸入還可實(shí)現(xiàn)數(shù)據(jù)整理、*和抑制噪聲,使獲取模糊規(guī)則的過程變得容易。所以,融合系統(tǒng)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、優(yōu)勢互補(bǔ),從而使融合系統(tǒng)的性能得到改善。
評(píng)論