基于信息融合的矿用地磅车牌识别研究

基于信息融合的矿用地磅车牌识别研究

1 引言

随着采煤技术的不断改进、  采煤设备的日趋先进以及对能源需求的不断增长， 煤矿产量得到很大的提高， 地磅车辆的称重工作也随之变得日常繁重， 对出入磅车辆进行规范、高效、 现代化管理显得更加迫切。 在以往的称重管理方式中，完全靠人工记录车辆信息、 称重信息、 资金情况以及信息的统计汇总等， 并由人工指挥车辆出入磅。 这种靠人工来记录的方法不仅工作强度高、 作业效率低、 容易出现安全事故，而且漏收、 误收现象比较严重， 出错概率较高； 其次， 由于缺乏有效的监督， 人为可作弊行为可能性极大， 都将可能导致企业的资产流失； 并且获取的数据不能通过网络传输实现实时共享， 而是凭借手工填写单据， 送交财务、 销售、 仓库等其他相关部门， 难以及时了解矿内车辆的作业动态， 也不方便进行及时有效的管理。因此， 有必要在地磅管理系统中引入车牌识别技术，  自动识别出入磅车辆， 对车辆身份进行唯一性认证、 自动登记并验放车辆， 实现过磅车辆监控和管理自动化。 车牌识别一般可分为车牌定位、 字符分割和字符识别 3 大部分。 为了更有效地构造一个高性能的车牌识别系统， 在对车牌字符轮廓、投影和网格编码特征提取的基础上， 利用 SVM 在解决小样本、 高维数和非线性模式识别问题中良好的分类能力以及 D-S 证据理论具有直接表达不确定 、 不完全信息的优势 ， 利用D-S 证据理论融合单特征的 SVM 字符识别信息 ， 构建信息融合的矿用地磅车牌识别系统， 充分运用了各特征的冗余互补信息， 大大提高了识别的准确性和可信度， 为提高企业经营运作的高效率和高效益有十分重要的意义。

2 信息融合理论基础

在人类辨识外界事物的过程中，  通常根据来自不同感觉器官获得的关于目标的多种特征信息， 并利用各种已有不确定的知识来判断目标种类。 在工程实践中也存在类似的情况， 经常要求根据一些经验知识以及多种特征对事物的种类进行判断。 信息融合 （Information Fusion） 就是指采集并集成各种信息源、 多种媒体和多种格式信息， 从而生成完整、准确、 及时和有效的综合信息的过程。 信息融合的方法很多， 包括： 加权平均法、 数理统计法、 神经网络法、 Kalman滤波、 Bayes 推理方法和证据决策推理方法。 信息融合方法中， D-S 证据理论在不完全、 不确定、 不清晰信息的表示、组合、 决策方面具有明显的优势， 是决策级信息融合的经典理论。D-S 证据理论是基于 “证据 ” 和 “组合 ” 来处理不确定性推理问题的决策级融合方法。 D-S 证据理论定义待识别的目标集 Ω 为辨识框架， 幂集 2Ω 为 Ω 的所有子集表示的命题集合。 若函数 m:2Ω → [0,1]， 满足 m (覬) =0 且 m (A)， 则称 m是 2Ω 上的概率分配函数 （BPA）， m (A) 称为 A 的基本概率数， 它表示对假设 A 的信任程度。 对于 Ω， 识别框架 Ω 上的有限个不同证据的 BPA 函数 m1,m2,...,mn 的 D-S 证据理论融合规则为：3字符特征提取不同的特征提取方法对识别率有着不同的影响， 单一特征只能反映字符的某一属性， 并不能提供字符的完整信息。为了弥补单一特征提供的信息量不足的缺点， 对字符轮廓特征、 投影特征和网格编码特征分别进行提取。轮廓特征提取方法是从上、 下、 左、 右 4 个方向依次扫描图像， 记录第一次遇到字符像素时离边界的距离， 然后将上、 下、 左、 右 4 个方向的特征合并就能得到字符的轮廓特征。 字符轮廓特征提取示意如图 1 所示； 投影特征提取方法是沿水平和垂直方向依次扫描图像， 统计字符白像素数和边缘跳变次数， 将水平、 垂直方向统计的字符分布向量组合成字符的投影特征。 投影特征提取如图 2 所示； 网格编码特征提取方法是将图像均匀划分为固定的网格， 以规定的网格编码规则给各网格分配编码值， 然后将所有网格的编码值组合在一起形成维数为网格数目的特征向量。 网格编码特征提取。

4 多特征融合识别

对于每个类中要识别的字符， 进行多特征提取方法以用于信息融合。 对预处理后的车牌字符图像分别进行轮廓、 投影和网格编码特征的提取， 得到不同特征的目标信息， 将目标信息分别进行 SVM 多分类识别， 产生待识别目标的初步分类结论和基本概率赋值， 经 D-S 证据理论融合来自不同特征的识别信息， 根据决策规则得到最后的识别结果。 基于信息融合的车牌识别模型。

4.1SVM 投票策略

支持向量机 (SVM) 是以统计学习理论为基础的机器学习算法。 SVM 最初是从两类模式的最优分类面提出的， 对于样本集 ， 集合中输出 yi 是输入样本 xi 的所属类别标号， 是样本数， n 为输入空间维数， 一般非线性情形的 SVM 最优分类面为：（x） +b=0（3）SVM 决策函数可表示为：其中，为拉格朗日乘子， b* 为分类阈值， 覬 （x） 是将 x 转换到高维特征空间的非线性映射， 核函数 K （xi,x） =覬 (xi) •覬 （x）。车牌字符识别是多类别的模式分类问题， 对于多类别的分类， 采用 SVM “一对一” (One-against-one) 的投票多分类方法。 对于 k （k≥2） 个类别字符， 训练样本为： xi∈Rn， yi∈｛1,2...,k｝ ,i=1,2...,  ,每两类字符需训练一个 SVM 决策函数， 共需构造/2 个 SVM 子分类器， 得到一个分类器矩阵：在分类器矩阵中， fij 是划分第类和第 j 类字符的分类器， fij 和 fji 为同一分类器 ， 且 。 当对未知字符进行分类时， 利用分类器 F 中第 i 行的 i 类字符与其余类字符的决策函数进行投票判定， 若判定字符属于 i 类，则 i 类字符的票数加 1。 当遍历完第 i 行所有的子分类器， 则可统计出第类字符总票数：

4.2BPA 函数构造

对类别待识别目标 A1， A2...Ak， d 种特征提取方法， 识别框架为 Ω= ｛A1， A2...Ak｝。 本文在 SVM “一对一” 多分类识别中采用投票策略判断字符类别的基础上， 将每类投票数 V （Aj） 和总票数 作对比， 得到 SVM 判定样本为 Aj 类字符的可信度 Pj。

5 实验仿真与分析

实验车牌图像来自磅房采集的 300 幅车辆图像。 分别对样本进行单一特征 SVM 识别和信息融合的识别方法， 识别结果如表 1 所示。 实验中还对相似字符做了专门的识别工作， 为了说明字符识别过程中， 特征之间的置信度融合更新过程， 本处以数字字符识别为例来介绍基于信息融合的车牌字符识

别方法。 以待识别目标的标示作为识别框架， 即。首先， 对提取的特征进行 SVM 训练确定各 SVM 的参数， SVM分类器采用高斯核函数：。 由 SVM 投票分类原理构造 BPA 函数， 运用 DS 证据合成规则进行多特征决策级融合， 得到 3 种特征融合后的基本概率赋值， 根据判决门限 ε1=0.1， ε2=0.1， 给出最终结果。 表3 是对输入字符  “8” 的融合信息更新结果， 在融合前各特征判定待识别字符分别为“0”、“2”、“4”，  融合后字符  “8”  的基本概率赋值最大 ，即判定最终的识别结果是字符  “8”。

6 结语

实际的矿用地磅应用环境中有很多因素会对车牌字符识别产生影响，  如天气、  光照强度、  雨雾、  粉尘等自然因素；拍摄角度、 镜头聚焦、 机械抖动、 图像分辨率、 图像失真等机器视觉因素； 车辆运动、 车牌污损、 车牌形态变化等车牌因素和图像处理的误差积累等技术因素等。 以上因素导致在矿用地磅车牌识别时， 很难仅仅依靠轮廓特征、 投影特征和网格编码特征等单一特征做出确定性判断， 致使基于单特征的识别方法准确率低、 可靠性和稳定性差， 甚至同一对象采用不同特征判别式结果会出现冲突。 因此， 融合车牌字符的多种特征信息， 通过决策判决得到最终推断结果是提高矿用地磅车牌识别准确率和可靠性的有效途径。

基于信息融合的矿用地磅车牌识别系统可以改善和提高出入磅车辆的自动化管理水平； 实现物资有序流通和保证企业财产安全； 为矿用地磅管理系统的升级和改造提供依据；辅助企业达到快捷、 高效、 安全、 实用、 规范等管理目标。