信息融合技術(shù)在車牌識別中的應(yīng)用研究

董 燕，朱永勝，李 強

（1.中原工學(xué)院，鄭州450007；2.濟源供電公司，河南 濟 源454650）

信息融合技術(shù)在車牌識別中的應(yīng)用研究

董 燕1，朱永勝1，李 強2

（1.中原工學(xué)院，鄭州450007；2.濟源供電公司，河南 濟 源454650）

為了提高汽車牌照的識別率，考慮到攝像頭安裝價格低廉的特點，本文提出采用雙攝像頭來獲取不同角度的車牌圖像，并對兩幅車牌圖像分別進行定位、字符分割和特征提取，再用信息融合的方法來確定更可信的識別結(jié)果，以此來降低車牌字符的誤識率.實驗結(jié)果表明，該方法可以提高車牌號碼識別的正確率.

車牌識別；信息融合；特征提取

目前，國內(nèi)外的汽車牌照識別系統(tǒng)大都是基于某一特定角度對車牌進行拍照識別的［1－4］，因此此類系統(tǒng)只能從某一角度達到一定的指標(biāo)要求.而在實際采集車牌圖像的過程中，直接暴露在室外的攝像頭不可避免會受到惡劣氣候和汽車燈光的影響，這些不利因素直接影響車牌識別率的高低.考慮到目前安裝攝像頭的成本相對低廉，采用不同的光線照射、拍攝角度，會使采集到的車牌圖片包含不同信息量.而信息融合技術(shù)近年來得到迅猛發(fā)展，它能夠利用子源信息間的競爭性、冗余性和互補性，有效地整合和管理信息，提高和改善信息處理系統(tǒng)的性能［5－8］.

本文在前人工作的基礎(chǔ)上，嘗試將信息融合理論與汽車牌照識別技術(shù)相結(jié)合，采用雙攝像頭來獲取不同角度的車牌圖像，再用信息融合的方法來確定更可信的識別結(jié)果，以此來解決由于光線、天氣等影響而導(dǎo)致的無法識別或誤識別問題.實驗結(jié)果表明了該算法的有效性，降低了車牌字符的誤識率.

1 信息融合理論

1.1 信息融合的基本原理

信息融合技術(shù)是綜合協(xié)調(diào)各子源信息，提高和改善信息處理系統(tǒng)性能的技術(shù)，從融合的層次上可以分為數(shù)據(jù)級融合、特征級融合和決策級融合.數(shù)據(jù)級融合是直接在采集到的原始數(shù)據(jù)層上進行的融合，是最低層次的融合.特征級融合是利用從各個傳感器的原始信息中提取的特征信息進行綜合分析和處理的中間層次過程，通常所提取的特征信息應(yīng)是原始信息的充分表示量或統(tǒng)計量，據(jù)此對多傳感器信息進行分類、匯集和綜合.與上述2種融合技術(shù)不同，本文所采用的決策級融合是在信息表示的最高層次上進行融合處理.不同類型的傳感器觀測同一個目標(biāo)，每個傳感器在本地完成預(yù)處理特征抽取、識別或判斷，以建立對所觀察目標(biāo)的初步結(jié)論；然后通過相關(guān)處理決策級融合判決，最終獲得聯(lián)合推斷結(jié)果，直接為決策提供依據(jù).決策級融合最重要的優(yōu)點是，這種融合方法在一個或者幾個傳感器失效時仍能給出最終決策，具有良好的容錯能力.決策級融合模型如圖1所示.

圖1 決策級融合模型

1.2 置信度的算法

對于任何一個模式分類器，除了總體上希望它有盡可能高的識別率外，還希望它能估計每一個分類結(jié)果的準(zhǔn)確性，即識別結(jié)果的置信度.識別置信度與我們常說的識別正確率之間是局部與整體的關(guān)系，即置信度反映的是分類器在特征向量空間某點的判決可信度，而識別正確率是置信度在整個特征向量空間定義域上的統(tǒng)計平均值.

本文中對車牌字符識別采用的是特征匹配方法，匹配判決的依據(jù)是待識別字符的相似度r.

根據(jù)參考文獻［5］，定義字符的置信度T為：

式中：rmax為字符與模板的最大相似度；rnextmax為字符與模板的次最大相似度.

車牌上一般有7個字符，計算出每個字符的置信度后，車牌的置信度為7個字符的置信度的平均值.

式中：Ti（i＝1，2，…，7）分別為第1～7個字符的置信度；Tave為車牌的置信度.

2 典型的車牌識別算法

典型的車牌識別過程如圖2所示.

圖2 車牌識別流程圖

這里重點介紹本文采用的圖像預(yù)處理步驟，即用最佳閾值的迭代算法對車牌圖像進行濾波.

設(shè)有一幅混入噪聲的車牌圖像g（x，y），g（x，y）＝f（x，y）＋e（x，y），這里假設(shè)噪聲是互不相關(guān)的，且具有零均值，標(biāo)準(zhǔn)差為ε.首先將含噪圖像用小波分解，得到各層高頻系數(shù)，用迭代算法對小波高層系數(shù)進行濾波，去除噪聲，再重構(gòu)得到去噪圖像.步驟如下：

對車牌圖像g（n）進行小波分解，將3個高頻系數(shù)分別按如下迭代去噪步驟處理：

（1）選擇一個初始閾值的估算值T0＝｛Tk／k＝0｝.

式中：Zmin和Zmax分別為高頻系數(shù)構(gòu)成的圖像的最大和最小灰度值.

（2）利用閾值Tk把圖像分割成2個區(qū)域R1和R2，其中，

（3）計算區(qū)域R1和R2的灰度值Z1和Z2：

式中：f（i，j）是圖像上（i，j）點的灰度值；N（i.j）是（i，j）點的權(quán)重系數(shù)，一般 N（i，j）＝1.0.

（4）選擇新的閾值Tk＋1：

（5）如果Tk＝Tk＋1，則結(jié)束；否則，k＝k＋1，轉(zhuǎn)步驟（2）.

采用對稱性較好的sym4小波作為基小波，可以避免相對位移.再將處理后的高頻系數(shù)與初次分解的低頻系數(shù)進行小波逆變換，得到重構(gòu)后的去噪圖像.處理結(jié)果如圖3、圖4所示.

本文采用特征匹配字符識別法，即將已分割好的字符進行特征提取，然后與模板庫中的字符進行匹配，找出匹配度最高的字符即識別結(jié)果，如圖5所示.

圖5 模板匹配字符識別流程圖

匹配時，根據(jù)車牌的特點，分別取漢字、字母和數(shù)字模板進行匹配，最后對結(jié)果進行語法分析，確認(rèn)結(jié)果的合法性.

3 基于信息融合的車牌識別技術(shù)

本文所采用的基于信息融合的車牌識別技術(shù)，是將雙攝像頭采集到的圖像分別進行識別，運用信息融合的知識對識別結(jié)果進行處理，采用相應(yīng)字符最大置信度的方法進行決策級融合，以求出最可靠的結(jié)果，具體算法如圖6所示.

圖6 單字符識別流程圖

其中：Xj為車牌圖像1的第j（j＝1，2，…，7）個字符，Yj為車牌圖像2的第j（j＝1，2，…，7）個字符；r1i（i為所對應(yīng)模板庫的字符個數(shù)）為Xj與各標(biāo)準(zhǔn)模板的相似度，r2i（i為所對應(yīng)模板庫的字符個數(shù)）為Yj與各標(biāo)準(zhǔn)模板的相似度；T1為字符Xj識別結(jié)果的置信度，T2為字符Yj識別結(jié)果的置信度；設(shè)T1所對應(yīng)的識別結(jié)果為Mi，T2所對應(yīng)的識別結(jié)果為Ni；rs1為字符Yj與標(biāo)準(zhǔn)模版庫中的Mi所匹配的相似度，rs2為字符Xj與標(biāo)準(zhǔn)模版庫中的Ni所匹配的相似度.

4 實驗結(jié)果

本文采用的車牌圖像是用數(shù)碼相機對靜止?fàn)顟B(tài)下的汽車進行不同角度采集而得到的.在實驗中，對有效的20組（40張）圖像進行處理，其中單車牌識別不考慮拒識的情況.識別結(jié)果如表1及圖7－圖10所示.其中圖7為單攝像頭1識別的錯誤結(jié)果，圖8為單攝像頭1的錯誤結(jié)果與單攝像頭2的正確結(jié)果進行信息融合后出現(xiàn)的正確識別結(jié)果，圖9為單攝像頭1、2均錯誤的識別結(jié)果，圖10為運用本算法后出現(xiàn)的正確識別結(jié)果.

表1 車牌識別結(jié)果統(tǒng)計表

實驗結(jié)果表明，在同等采集環(huán)境下，用相同的車牌字符識別處理技術(shù)，若采用本文提出的信息融合技術(shù)，可以將兩幅不同角度下誤識別的車牌圖像進行互補，從而將誤識率從25%（20%）降低到10%，有效提高了車牌的識別率.由于采集樣本數(shù)量有限，本次實驗未出現(xiàn)拒識的情況.相信隨著實驗樣本的增加，該情況會得到進一步驗證.對于采用本文方法仍誤識的車牌字符，下一步將從識別算法上進行改進，以進一步提高識別率.

5 結(jié) 語

本文針對傳統(tǒng)車牌識別系統(tǒng)只從單一角度和側(cè)重點來進行識別的情況，提出采用雙攝像頭來獲取不同角度的車牌圖像，再用信息融合的方法來確定更可信的識別結(jié)果，以此來降低車牌字符的誤識率.實驗結(jié)果表明，該方法最終能夠提高車牌識別率，具有一定的應(yīng)用推廣價值.

［1］ 郭景云.圖像處理與車牌識別［J］.科技資訊，2007（12）：6.

［2］ 范春年.汽車車牌自動識別技術(shù)研究［D］.南京：南京氣象學(xué)院，2004.

［3］ 陳軒飛.車牌識別技術(shù)的研究［D］.長沙：中南大學(xué)，2004.

［4］ 劉維一，盛益強，喬輝，等.特征點匹配法實現(xiàn)汽車牌照的快速識別［J］.光電子激光，2002（3）：274－276.

［5］ 馬東，曹培杰，李斌，等.多信息融合的彩色細(xì)胞圖像分割方法［J］.北京生物醫(yī)學(xué)工程，2000，19（1）：33－38.

［6］ 王月蘭，曾迎生.信息融合技術(shù)在彩色圖像分割方法中的應(yīng)用［J］.計算機學(xué)報，2000，23（7）：763－767.

［7］ LI Perlovsky.Cognitive High Level Information Fusion［J］.Information Sciences，2007，177（10）：2099－2118.

［8］ DOU Wei－bei，RUAN Su，CHEN Yan－ping，et al.A Framework of Fuzzy Information Dusion for the Segmentation of Brain Tumor Tissues on MR Images［J］.Image and Vision Computing，2007，25（2）：164－171.

Application Research of Information Fusion on License Plate Recognition

DONG Yan1，ZHU Yong－sheng1，LI Qiang2
（1.Zhongyuan University of Technology，Zhengzhou 450007；2.Jiyuan Power Supply Company，Jiyuan 454650，China）

To improve the recognition rate of vehicle license，considering the low cost of installing cameras nowadays，this thesis put forwards that，adopting images from two cameras in different angle，the license plate location，character division and feature extraction process are done separately，and then information fusion technique is used to confirm the more reliable recognition result，which can reduce the error recognition rate of characters.The contrast experiments show that this method can improve the accuracy of license plate recognition.

license plate recognition；information fusion；feature extraction

TP391

A

10.3969／j.issn.1671－6906.2011.05.009

1671－6906（2011）05－0034－04

2011－07－21

河南省自然科學(xué)研究項目（092300410175）

董 燕（1977－），女，甘肅秦安人，講師，碩士.