车牌识别开题报告.doc
《车牌识别开题报告.doc》由会员分享，可在线阅读，更多相关《车牌识别开题报告.doc（28页珍藏版）》请在冰点文库上搜索。
学校代码：
11906
编号：
青岛大学
硕士学位论文开题报告
论文题目:
基于信息融合的车辆识别系统关键技术研究
姓名:
杨文文
专业名称:
信号与信息处理
研究方向:
智能信息处理
指导教师:
杨国为教授
日期:
2011年12月1日
青岛大学硕士研究生学位论文开题报告
专业
信号与信息处理
论文起止日期
课题来源
国家自然科学基金、山东省自然科学基金
选题报告会日期
论文题目
基于信息融合的车辆识别系统关键技术研究
研究方向
一、选题的意义和目的
近年来随着经济的快速增长，人们的生活水平不断提高，机动车的规模和数量也急剧增加，机动车在给人们带来经济利益和生活方便的同时，也给人们带来了很多的困扰，如交通阻塞，环境污染和能源浪费等问题，因此，进一步加强车辆的自动化管理日趋重要。
传统的车辆识别是指根据车辆的外貌特征，将车辆自动归类（如卡车，轿车或公共汽车），这些特征包括车体外形，车身颜色等，而且一般只是利用单一的特征进行车辆识别。
本文中的车辆自动识别技术[1]是指当车辆通过某一特定的地点时（如自动收费站，小区进出口管理等），系统自动识别出车辆本身的代表符号以及固有属性（如车牌号，车辆的颜色，车型特征及车标等）的一种技术。
车辆识别技术的内容一般包括车牌识别，车型识别，车标识别以及车辆颜色识别等技术。
车辆识别技术是实现车辆自动化管理的基础，它广泛应用于公路和桥梁收费站，公路流量观测站，城市监控系统，停车场管理系统，港口和机场等车牌认证的实际交通系统中，以提高交通系统的车辆监控和管理的自动化程度。
在传统的车辆识别技术中，车牌作为车辆的唯一“身份证”，其识别技术一直是人们研究的热点和重点。
车牌识别包括车牌定位，车牌字符切割与车牌字符识别。
其中车牌定位一直是车牌识别的重点和难点。
近年来相关文献提出许多车牌定位算法，其中比较典型的算法有基于边缘法，基于彩色分割法，基于小波变换和基于遗传算法的方法等;在车牌字符切分方面，主要的方法有[2]：
基于二值（灰度）图像水平（垂直）投影分布的车牌字符的切分方法，基于二值图像字符区域上下轮廓分布的车牌字符切分算法，基于模板匹配的车牌字符切分算法，基于聚类分析的车牌字符切分算法，基于车牌二值图像字符连通性的字符切分算法，基于颜色分类的车牌字符切分算法等；在车牌字符分类器的设计方面采取的主要方法有：
神经网络分类器（包括BP神经网络，SOFM网络等），模板匹配分类器，基于概率统计的Bayes分类器，几何分类器等。
尽管现在的车牌识别技术已经发展到相当完善的地步，国内外的许多学者也研究了很多成熟的车牌识别算法，国内许多的企业也已生产出许多的车牌识别软件，但是现有的车牌识别技术仍有很多的不足之处，主要表现在现有的车牌识别算法只是在解析度较高和图像比较清晰的车牌，才能够有效地识别车辆，而对于较低解析度和较为模糊的车牌，特别是车牌有较为严重的污迹，锈迹，遮挡或变形时，却没有有效的识别方法，而且对于车辆盗窃发生长时间后，犯罪分子更换车牌等情况，只应用车牌识别很难发现被盗车辆。
因此进一步寻找更加完善的车辆识别方法仍是我们亟待解决的问题。
此外实践证明仅仅通过车牌和车型信息还不能完全达到确认车辆身份的目的。
除了车牌和车型信息外，车辆还有车标这一重要的信息。
车标包含了车辆的车型信息，此外它还包含了难以更换的生产厂家信息。
然而，现在许多学者都把重点放在了车牌识别和车型识别上，使得车标这一重要信息被遗忘，目前车标识别还存在着很多的问题没有解决，主要表现在以下四个方面[3][4]：
1.车标的形状千差万别，可以由生产厂商自主决定。
有类圆形的，类方形的，
还有字母的等等。
2.图像采集设备的低像素导致所得车辆图像分辨率低,而且车标的尺寸差别很大。
3.车标周围一般都有散热网干扰，而且散热网的纹理多种多样，致使车标区域前景和背景难以区分，给定位带来了困难。
4.车标受天气变化影响严重，晚间车牌能够反光易于捕获，但车标几乎不能辨识。
5.随着车辆种类的不断增加，识别系统的模板库也要随之丰富，否则识
别效果会受到严重的影响。
车辆识别技术中，车辆身份的确定是一个复杂的问题，然而靠单一信息源提供的参数，不能准确保证其作为车辆身份的确定的可靠性。
如果车辆识别能最大限度的利用车辆信息对目标车辆进行确认划分，那将会极大地提高车辆识别的可靠性。
例如，用车型识别，车标识别或车牌识别的结果作为依据，其可靠性往往是比较低的。
但是，将车标识别，车辆颜色识别和牌照识别的结果经过某种算法融合（称为信息融合）后，作为依据，其可靠性将大大提高。
例如文献[5]就是将车型识别与车牌识别通过信息融合中的D-S证据理论进行融合的车辆识别算法，具体实现方法是：
首先进行车型识别，提取车型的7个不变矩特征，用SVM和决策树多分类器相结合的策略进行分类；然后是车牌识别，采用基于先验知识的二叉树结构组合多个二值分类支持向量机（称为SVM决策树）来进行车牌识别的多分类识别；最后将车牌识别，车型识别与IC卡中的数据经过D-S证据理论的融合算法进行融合，分别计算各种情况下的信任度函数，结果发现联合作用下的可信度比单个证据的可信度要高。
文献[6]采用车辆颜色和车型的辅助性车牌识别，在公路不停车收费系统中，对各种情况采用不同的车辆识别方法。
信息融合是基于智能化的思想，它的一个很重要的模型就是人的大脑，它要实现的功能也就是模仿大脑对来自多方面信息的综合能力。
信息融合[7]就是由多种信息源，如传感器，数据库，知识库和人类本身来获取有关信息，并进行滤波，相关和集成，从而形成一个表示构架，这种构架适合于获得有关决策，对信息的解释，达到系统目标（如识别或跟踪运动目标），传感器管理和系统控制等。
基于上述背景，本文的主要创新点是采集车辆的多种信息（包括车牌，车标，外形，大小，颜色等），采用优化的识别算法和信息融合技术，自动识别出车辆的各种信息。
本文研究的关键问题主要是两个方面：
一是，分析现有的车标识别方法，进一步寻找更优的车标识别算法，实现车标的准确定位和识别；二是，在完成车标，车辆颜色，和车牌识别的基础上，建立一个数据库，针对车牌遮挡，模糊的情况下，仅用车牌识别判断车辆的身份的正确率低的情况，利用车辆各种信息之间的互补特性以及信息的优先级排序，寻找信息融合算法，利用决策级融合算法，设计分类器，最终实现车辆身份的确定。
青岛大学硕士研究生学位论文开题报告
二、国内外研究动态
智能交通系统是当今社会的热点话题，而车辆识别技术作为智能交通系统的核心技术，其发展越来越受到大家的关注。
它广泛应用于公路和桥梁收费站，公路流量观测站，城市监控系统，停车场管理系统，港口和机场等车牌认证的实际交通系统中，以提高交通系统的车辆监控和管理的自动化程度。
早在60年代末，70年代初国外的科学家就对车辆的自动识别进行了研究，由于受到当时技术发展的影响，曾采用彩色条形码、磁感应、摄像、照相、声表面波等技术来实现车辆的自动识别，但都因现场的具体应用环境复杂，始终没有解决系统识别精度不高，抗干扰性能差这一技术难题，因此没有得到广泛使用。
进入80年代，随着计算机技术和微波技术的迅猛发展，国外许多公司都在致力于采用微波反射调制技术来实现车辆自动识别的研究，由于此项技术具有较高的抗干扰性能和较高的识别精度因而得到了广泛的使用。
目前国内外采用的方法主要有：
感应线圈法，红外探测法，超声波检测法，车牌识别法，轮廓识别法等。
下面分别介绍[8][9]：
（1）感应线圈法：
感应线圈作为车辆识别的传感元件，埋设在收费车道内、挡车器后端，通过反馈线与检测系统相连。
感应线圈通以高频电流后形成磁场区，当有车辆从环形感应线圈上方通过时，车体底盘的铁磁材料与环形线圈产生涡流效应，使得环形线圈电感量发生变化，由于线圈是振荡电路的一部分，因此可以检测出振荡频率的变化量，对这种反映车辆特征的频率曲线进行归类，也就实现了车辆分类。
该方法将车辆底盘形状的三维信息转变为感应到的一维信号，模糊了实际的物理义，从而加大了分析信号的难度和识别车辆的难度。
用感应线圈进行车辆识别还存在一个问题，即车辆在线圈上方停止或改变速度时，将在很大程度上影响到识别的准确率而这些现象又是不可避免的。
（2）红外探测法：
红外探测法是利用布置在车道两侧的红外阵列检测器，运用几十甚至几百对红外发射接收装置，根据汽车行驶经过时不同部位对发射装置的不同阻挡作用，采集车辆的侧面几何数据。
由于该系统采用的红外检测点非常多，可以采集到大量的数据，除了车头高度、轴数、轮距、车长等特征数据外，还有其他大量的信息，比较完整、细致地描绘出车辆的外轮廓及局部典型特征。
然后比较这些数据与车辆数据库的数据，判断出车辆，从而实现车辆的自动分类。
该方法原理简单，物理概念清晰明了。
但由于硬件系统较为复杂，而且系统的环境适应能力较差，故障率较高，维修不便等等，所以在实际使用中难以被推广。
（3）超声波检测法：
超声波检测系统利用路面反射，在路面和检测单元之间没有遮挡物时，检测单元接收从路面发射的回波。
系统在每次发射超声波前，根据检测到的回波信号到达时间确定本周期有无受到路面发射的回波信号，以此确定并记录在路面与检测单元之间有无遮挡物。
最后由信息融合单元按融合方案和模糊识别技术确认所测量到的车辆类型。
超声波检测法与上述红外检测法并无本质的区别。
（4）车牌识别法：
车牌识别法是根据从摄像机获取的汽车牌照的图像识别出车牌号后，到数据库中去检索与此车牌号相对应的车型，并以此做出判决。
该方法对硬件要求不高，而且安装方便灵活，但需要事先建立车辆牌照数据库，而且在车牌模糊的情况下不能被识别，因此在实际应用中受到限制。
（5）轮廓识别法：
轮廓识别法基于摄像头获得车辆的原始图像，并从图像中分割出车辆图像，并对所得到的车辆图像进行二值化、填充、修饰、细化等一系列处理，得到一幅完整的车辆轮廓图像。
然后从轮廓图像中提取车辆的几何特征，如顶蓬长度与车辆长度的比值；顶蓬长度与车辆高度的比值；以顶蓬中垂线为界，前后两部分的比值；车辆长度与车辆高度的比值等。
轮廓识别法可以获取车辆几何特征的关键信息，并且不需要复杂的硬件设施，易于安装和维护，也不需要建立庞大的车量数据库。
相对于感应线圈、红外检测等物理检测方法，基于图像的检测具有很大的优势：
图像的信息量很大，不易造成车辆信息的丢失；硬件检测设备安装简便，只需一台摄像机即可，设备的位置便于调整，并且其更换和维护工作不会影响正常的交通。
因此，现在我们所研究的车辆识别技术主要是通过图像检测的方法来实现的。
一般而言，车辆识别技术主要包括车牌识别，车型识别和车标识别三大模块。
车牌识别作为车辆唯一的“身份证”一直是学术界许多学者研究车辆识别问题的重点，并且经过多年的研究已经提出了识别率和鲁棒性很高的识别算法，国内外也已经有很多的公司开发了自己的产品并且已投入使用，例如：
HOSTOL[10]公司开发的可用于停车场，入口控制，交通检测等场所LPR（licenseplaterecognition）系统；英国IPI公司研发的RTVNPR（REALTIMEVEHICLENMBERPLATERECOGNITION）识别系统，它在各种天气情况下全天工作，而且具有较高的识别率。
此外还有一些做的比较好的产品：
以色列HiTech公司的See/CarSystem系列的多种变形产品，国家的车牌他们可以分别适应某一个国家的车牌，但却不能识别中国大陆车牌上的汉字；香港AsiaVisionTechnology公司，新加坡的Optasia公司分别研发的VECON产品和VLPRS产品，也主要是用于香港和新加坡的车牌；另外德国，意大利等西方发达国家也都有适合本国的车牌识别系统。
然而尽管车牌识别技术已经发展到了相当成熟的地步，但现有的一些算法仍然还有很多不足之处，它们大多只适用于在图像的分辨率比较高，车牌无污损，倾斜或是遮盖的情况，但当车牌的某个字符被遮挡时，现有的车牌识别算法一般很难识别出完整的车牌信息。
车型识别在现在的智能交通系统中占有十分重要的地位，特别是在电子不收费系统中，车型识别一直是其研究的核心。
而且现在车型识别也已经发展到相当成熟的地步了。
例如：
文章[9]的车辆特征提取方法是基于建立一种三维结构模型，而其分类器的设计上采用改进的BP神经网络，其训练方法采用梯度下降法。
通过建立车辆参数模型来描述简单背景下车辆形状结构特征，从而得到30个特征参数，作为神经网络的输入参数，然后利用神经网络分类器来实现车型的识别。
文章[10]以车辆的三个几何尺寸参数作为车辆的特征向量，将车辆分为卡车、客车、货车三种类别。
其分类器也是神经网络分类器，训练算法是尺度共轭梯度算法，在一定程度上解决了经典BP算法训练速度慢，易陷入局部极小值的问题。
但是其车辆分类过于简单，于实际应用偏差较大，该研究主要侧重于第二第三个问题做了阐述，对于车辆的检测和分割问题没有进行研究。
车标识别主要包括车标定位和车标识别。
在车辆图像中定位出车标的位置即车标定位。
在自然环境中采集的车辆图像，由于自然环境中背景和车标的成像条件是随机的，不可控制的因素和复杂的背景信息给车标定位带来巨大困难。
由于车标定位技术现今处于未成熟阶段，这一算法还在研究阶段，现有的车标定位方法主要有：
（1）基于方向滤波和模板匹配的车标定位方法[11-13]
这类方法主要是根据车标与车牌的相对位置，在确定车牌位置的前提下，根据车
标区域内的纹理分布特点采用方向滤波粗定位车标区域，最后通过模板匹配的方法得到车标的位置。
（2）基于车标先验知识的定位方法
童建军等人提出的基于车灯带结构特性的信息定位车标的方法[14]；李文举等人
提出的基于纹理一致性测度的车标定位方法[15]；周宇等人提出了采用车头定位和中轴定位车牌定位以及车标定位的车标定位方法[16]；
上述车标定位方法都时为了车标识别打基础，具有一定的参考价值，但由于该项
技术在近年才开始研究，所以存在很多的缺陷，因此必须对车标的定位方法做进一步的研究。
在进行了准确的车标定位后，就要对车标进行识别。
目前研究人员正致力于车标识别方法的研究，现有的车标识别的研究算法有：
（1）基于直方图的车标识别方法
文献[17]中采用的方法虽然简单、速度快，但是一些车标的边缘方向直方图特征并不十分明显，容易与车体的其它部分相混淆，造成识别的误差。
（2）基于像素分布的车标识别方法
文献[14]中采用车标图像的像素分布特征作为车标特征，并采用最小欧氏距离分类器作为车标识别分类器。
（3）基于模板和特征值的车标识别方法
文献[18]所使用的是以模板匹配为基础的方法，此方法局限于摄像机正面捕获或者倾斜角度很小的情况，当摄像机倾斜角度偏大时，识别率下降。
（4）基于边缘不变矩的车标识别方法[19]
该方法利用LOG边缘算子提取车标的边缘特征，再利用计算出的车标边缘的七个
二维Hu不变矩的特征，利用最小距离进行识别：
以及数学形态学等识别[20]方法。
现实中拍摄的图像主要存在旋转、平移、比例变化和光照不均等因素，这些因素直接导致了车标识别效果并不理想。
因此有必要对车标识别方法做进一步研究。
可见，车辆识别的各个模块都存在着一定的缺陷，因此，本文从车标识别入手，研究新的车标识别算法，在此基础上设计一个信息融合系统，融合车标，车辆颜色信息实现车辆身份的确定。
在此对基于车辆识别的相关理论进行综述。
如下：
2.1模式识别[21-33]
2.1.1模式识别和模式的概念
模式识别是指用计算机实现人的模式识别能力。
模式，广义地说，存在于时间和空间中可观察的事物，如果我们可以区别它们是否相同或是否相似，都可以称之为模式。
但模式所指的不是事物本身，而是我们从事物获得的信息。
因此，模式往往表现为具有时间或空间分布的信息。
模式识别的作用和目的就在于面对某一具体事物时将其正确地归为某一类别。
通常，我们把通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息成为模式，而把模式所属的类别或同一类中模式的总体成为模式类（或简称为类）。
2.1.2模式识别系统
有两种基本的模式识别方法，即统计模式识别方法和结构（句法）模式识别方法，与此相应的模式识别系统都由两个过程所组成，即设计和实现。
设计是指用一定数量的样本（叫做训练集或学习集）进行分类器的设计。
实现是指用所设计的分类器对待识别的样本进行分类决策。
基于统计方法的模式识别系统主要由4个部分组成：
数据获取，预处理，特征提取和选择，分类决策，如图2-3所示。
图2-3模式识别系统的基本组成
下面简单地对这几个部分作些说明。
1.数据获取
通常输入对象的信息有下列3种类型，即
（1）二维图像如文字、指纹、地图、照片这类对象。
（2）一维波形如脑电图、心电图、机械震动波形等。
（3）物理参量和逻辑值前者如在疾病诊断中病人的提问及各种化验数据等；后者如某参量正常与否的判断或对症状有无的描述，如疼与不疼，可用逻辑值即0和1表示。
在引入模糊逻辑的系统中，这些值还可以包括模糊逻辑值，比如很大、大、比较大等。
2.预处理
预处理的目的是去除噪声，加强有用的信息，并对输入测量仪器或其他因素所造成的退化现象进行复原。
3.特征提取和选择
为了有效地实现分类识别，就要对原始数据进行变换，得到最能反映分类本质的特征。
这就是特征提取和选择的过程。
4.分类决策
分类决策就是在特征空间中用统计方法把被识别对象归为某一类别。
基本作法是在样本训练集基础上确定某个判决规则，使按这种判决规则对被识别对象进行分类所造成的错误识别率最小或引起的损失最小。
2.1.3模式识别方法
本论文中主要讨论统计模式识别方法中的特征提取和分类决策。
2.1.3.1特征提取
特征选择：
从D个特征中选出d个。
特征提取：
把D个特征变成d个新特征。
变换
线性变换（W是D×d维）
注：
这里只讨论线性变换。
按欧式距离度量的特征提取方法
假使用表示第类的第k个样本与第类的第l个样本之间的距离，我们应该选择这样的特征x＊，使c个类别各样本之间的平均距离J（x）为最大，即：
而
这里ni表示设计集S中ωi类的训练样本数。
式中pi是第i类的先验概率，当这些先验概率未知时，也可以用训练样本数进行估计，即
这里n是设计集的样本总数。
在Minkowski度量中令s=2，得常用的欧氏距离：
所有上面x的下标的意义如下：
当只有一个下标时，此下标表示样本号，有二个下标时，第一个为样本号，第二个表示该样本的特征序号。
由于欧式距离在许多情况下便于分析和计算，所以这里讨论按欧式距离度量的特征提取方法。
式中Sb为类间离散度矩阵，Sw为类内离散度矩阵。
以J2为例，用该判据进行特征提取的步骤如下：
假设我们有D个原始特征：
y=[y1,y2,…,yD]T,希望通过线性映射压缩为d个特征：
x=[x1,x2,…,xd]T其变换关系为
，W为D×d矩阵
令Sw，Sb为原空间（即y的）离散度矩阵，Sw*，Sb*为映射后（即x的）离散度矩阵：
经变换后的J2变为
将此式对W的各分量求偏导数并令其为零可以确定一个W值。
对J2,J3,J5来说使判据达最大的变换W如下：
设矩阵Sw-1Sb的本征值为λ1,λ2,…λD,按大小顺序排列为：
则选前d个本征值对应的本征向量作为W。
即
此时J2（W）为：
此结论对J4判据也适用。
2.1.3.2分类决策
1.最近邻法
（1）最近邻决策规则
假定有c个类别的模式识别问题，每类有标明类别的样本个，我们可以规定类的判别函数为
其中的角标i表示类，k表示类个样本中的第k个。
决策规则可以写为
若
则决策
这一决策方法成为最近邻法。
（2）最近邻法的错误率分析（渐近分析）
其中P*为贝叶斯错误率，c为类数；P为样本无穷多时最近邻法的渐近平均错误率，前提是样本集独立同分布。
2.K-近邻法
（1）K-近邻法的基本规则
从字以上看，这个方法就是取未知样本x的k个近邻，看这k个近邻中多数属于哪一类，就把x归为哪一类。
具体说就是在N个已知样本中，找出x的k个近邻。
设这N个样本中，来自类的样本有N1个，来自类的样本有N2个，…，来自类的有Nc个，若分别是k个近邻中属于类的样本数，则我们可以定义判别函数为
决策规则为：
若
则决策。
（2）K-近邻法的错误率分析
这就是我们常说的，近邻法错误率在贝叶斯错误率P*和两倍贝叶斯错误率2P*之间。
（3）问题：
①存储量和计算量
②票数接近时风险较大，有噪声时风险加大
③有限样本下性能如何？
（4）改进：
①减少存储量和计算量
②引入拒绝机制
③根据实际问题修改投票方式，如加权投票，否决票等；如距离加权，考虑样本比例及先验概率等。
3.改进的近邻法
近邻法在计算上的问题：
近邻法的快速算法（树搜索算法）
基本思想：
①分级分解
②搜索
把样本集分级分解成多个子集（树状结构）；每个子集（结点）可用较少几个量代表；通过将新样本与各结点比较排除大量候选样本；只有最后的结点（子集）中逐个样本比较，找出近邻。
基本算法：
分支定界算法
符号约定：
：
结点p对应的样本子集；
：
中的样本数；
：
样本子集中的样本均值；
：
从到的最大距离；
B：
当前搜索到的最近邻距离。
图2-4判断某子集是否可能为最近邻
规则1：
如果存在
则不可能是x的最近邻。
规则2：
如果
其中，则不是x的最近邻。
2.2信息融合
信息融合是基于智能化的思想，它的一个很重要的模型就是人的大脑，它要实现的功能也就是模仿大脑对来自多方面信息的综合能力。
信息融合就是由多种信息源，如传感器，数据库，知识库和人类本身来获取有关信息，并进行滤波，相关和集成，从而形成一个表示构架，这种构架适合于获得有关决策，对信息的解释，达到系统目标（如识别或跟踪运动目标），传感器管理和系统控制等。
信息融合的基本原理就像人的大脑综合处理信息的过程一样，它充分利用多个传感器资源，通过对这些传感器及其观测信息的合理支配和使用，把多个传感器在时间或空间上的冗余或互补信息根据某种准则来进行组合，以获得被测对象一致性解释或描述，使该信息系统由此而获得比它的各组成部分的子集所构成的系统更优越的性能。
按照融合过程中信息抽象的层次，可以将信息融合过程分为三个层次，即数据层融合，特征层融合，决策层融合。
1.数据层融合
数据层融合也称为像素层融合，它是直接在采集到的原始数据层上进行的融合，在各种传感器的原始数据未经预处理之前进行数据的综合与分析。
数据层融合的主要优点是能尽可能保持尽可能多的现场数据，提供其它融合层次所不能提供的细微信息，但局限性也是明显的：
（1）它所要处理的传感器数据量太大，故处理代价高，处理时问长，实时性差；
（2）这种融合是在信息的最低层次上进行的，传感器原始信息的不确定性、不
完全性和不稳定性要求在融合时有较高的纠错能力；
（3）进行图像融合时，要求各传感器信息之间具有精确到一个像素的校准精度，
故要求各传感器信息来
升级会员 