1、學校代碼：11906編 號： 青 島 大 學 碩士學位論文開題報告論文題目 : 基于信息融合的車輛識別系統關鍵技術研究 姓 名 : 楊文文 專業名稱 : 信號與信息處理 研究方向 : 智能信息處理 指導教師 : 楊國為教授 日期: 2011年 12 月 1日 青島大學碩士研究生學位論文開題報告 專 業信號與信息處理論文起止日期課題來源國家自然科學基金、山東省自然科學基金選題報告會日期論文題目基于信息融合的車輛識別系統關鍵技術研究研究方向一、 選題的意義和目的近年來隨著經濟的快速增長，人們的生活水平不斷提高，機動車的規模和數量也急劇增加，機動車在給人們帶來經濟利益和生活方便的同時，也給人們帶來了

2、很多的困擾，如交通阻塞，環境污染和能源浪費等問題，因此，進一步加強車輛的自動化管理日趨重要。傳統的車輛識別是指根據車輛的外貌特征，將車輛自動歸類（如卡車，轎車或公共汽車），這些特征包括車體外形，車身顏色等，而且一般只是利用單一的特征進行車輛識別。本文中的車輛自動識別技術1是指當車輛通過某一特定的地點時（如自動收費站，小區進出口管理等），系統自動識別出車輛本身的代表符號以及固有屬性（如車牌號，車輛的顏色，車型特征及車標等）的一種技術。車輛識別技術的內容一般包括車牌識別，車型識別，車標識別以及車輛顏色識別等技術。車輛識別技術是實現車輛自動化管理的基礎，它廣泛應用于公路和橋梁收費站，公路流量觀測站，

3、城市監控系統，停車場管理系統，港口和機場等車牌認證的實際交通系統中，以提高交通系統的車輛監控和管理的自動化程度。在傳統的車輛識別技術中，車牌作為車輛的唯一“身份證”，其識別技術一直是人們研究的熱點和重點。車牌識別包括車牌定位，車牌字符切割與車牌字符識別。其中車牌定位一直是車牌識別的重點和難點。近年來相關文獻提出許多車牌定位算法，其中比較典型的算法有基于邊緣法，基于彩色分割法，基于小波變換和基于遺傳算法的方法等;在車牌字符切分方面，主要的方法有2：基于二值（灰度）圖像水平（垂直）投影分布的車牌字符的切分方法，基于二值圖像字符區域上下輪廓分布的車牌字符切分算法，基于模板匹配的車牌字符切分算法，基于

4、聚類分析的車牌字符切分算法，基于車牌二值圖像字符連通性的字符切分算法，基于顏色分類的車牌字符切分算法等；在車牌字符分類器的設計方面采取的主要方法有：神經網絡分類器（包括BP神經網絡，SOFM網絡等），模板匹配分類器，基于概率統計的Bayes分類器，幾何分類器等。盡管現在的車牌識別技術已經發展到相當完善的地步，國內外的許多學者也研究了很多成熟的車牌識別算法，國內許多的企業也已生產出許多的車牌識別軟件，但是現有的車牌識別技術仍有很多的不足之處，主要表現在現有的車牌識別算法只是在解析度較高和圖像比較清晰的車牌，才能夠有效地識別車輛，而對于較低解析度和較為模糊的車牌，特別是車牌有較為嚴重的污跡，銹跡，

5、遮擋或變形時，卻沒有有效的識別方法，而且對于車輛盜竊發生長時間后，犯罪分子更換車牌等情況，只應用車牌識別很難發現被盜車輛。因此進一步尋找更加完善的車輛識別方法仍是我們亟待解決的問題。此外實踐證明僅僅通過車牌和車型信息還不能完全達到確認車輛身份的目的。除了車牌和車型信息外，車輛還有車標這一重要的信息。車標包含了車輛的車型信息，此外它還包含了難以更換的生產廠家信息。然而，現在許多學者都把重點放在了車牌識別和車型識別上，使得車標這一重要信息被遺忘，目前車標識別還存在著很多的問題沒有解決，主要表現在以下四個方面34：1. 車標的形狀千差萬別，可以由生產廠商自主決定。有類圓形的，類方形的，還有字母的等等

6、。 2. 圖像采集設備的低像素導致所得車輛圖像分辨率低,而且車標的尺寸差別很大。 3.車標周圍一般都有散熱網干擾，而且散熱網的紋理多種多樣，致使車標區域前景和背景難以區分，給定位帶來了困難。 4.車標受天氣變化影響嚴重，晚間車牌能夠反光易于捕獲，但車標幾乎不能辨識。5.隨著車輛種類的不斷增加，識別系統的模板庫也要隨之豐富，否則識別效果會受到嚴重的影響。車輛識別技術中，車輛身份的確定是一個復雜的問題，然而靠單一信息源提供的參數，不能準確保證其作為車輛身份的確定的可靠性。如果車輛識別能最大限度的利用車輛信息對目標車輛進行確認劃分，那將會極大地提高車輛識別的可靠性。例如，用車型識別，車標識別或車牌識

7、別的結果作為依據，其可靠性往往是比較低的。但是，將車標識別，車輛顏色識別和牌照識別的結果經過某種算法融合（稱為信息融合）后，作為依據，其可靠性將大大提高。例如文獻5就是將車型識別與車牌識別通過信息融合中的D-S證據理論進行融合的車輛識別算法，具體實現方法是：首先進行車型識別，提取車型的7個不變矩特征，用SVM和決策樹多分類器相結合的策略進行分類；然后是車牌識別，采用基于先驗知識的二叉樹結構組合多個二值分類支持向量機（稱為SVM決策樹）來進行車牌識別的多分類識別；最后將車牌識別，車型識別與IC卡中的數據經過D-S證據理論的融合算法進行融合，分別計算各種情況下的信任度函數，結果發現聯合作用下的可信

8、度比單個證據的可信度要高。文獻6采用車輛顏色和車型的輔助性車牌識別，在公路不停車收費系統中，對各種情況采用不同的車輛識別方法。信息融合是基于智能化的思想，它的一個很重要的模型就是人的大腦，它要實現的功能也就是模仿大腦對來自多方面信息的綜合能力。信息融合7就是由多種信息源，如傳感器，數據庫，知識庫和人類本身來獲取有關信息，并進行濾波，相關和集成，從而形成一個表示構架，這種構架適合于獲得有關決策，對信息的解釋，達到系統目標（如識別或跟蹤運動目標），傳感器管理和系統控制等。基于上述背景，本文的主要創新點是采集車輛的多種信息（包括車牌，車標，外形，大小，顏色等），采用優化的識別算法和信息融合技術，自動

9、識別出車輛的各種信息。本文研究的關鍵問題主要是兩個方面：一是，分析現有的車標識別方法，進一步尋找更優的車標識別算法，實現車標的準確定位和識別；二是，在完成車標，車輛顏色，和車牌識別的基礎上，建立一個數據庫，針對車牌遮擋，模糊的情況下，僅用車牌識別判斷車輛的身份的正確率低的情況，利用車輛各種信息之間的互補特性以及信息的優先級排序，尋找信息融合算法，利用決策級融合算法，設計分類器，最終實現車輛身份的確定。青島大學碩士研究生學位論文開題報告二、 國內外研究動態智能交通系統是當今社會的熱點話題，而車輛識別技術作為智能交通系統的核心技術，其發展越來越受到大家的關注。它廣泛應用于公路和橋梁收費站，公路流量

10、觀測站，城市監控系統，停車場管理系統，港口和機場等車牌認證的實際交通系統中，以提高交通系統的車輛監控和管理的自動化程度。早在60年代末，70年代初國外的科學家就對車輛的自動識別進行了研究，由于受到當時技術發展的影響，曾采用彩色條形碼、磁感應、攝像、照相、聲表面波等技術來實現車輛的自動識別，但都因現場的具體應用環境復雜，始終沒有解決系統識別精度不高，抗干擾性能差這一技術難題，因此沒有得到廣泛使用。進入80年代，隨著計算機技術和微波技術的迅猛發展，國外許多公司都在致力于采用微波反射調制技術來實現車輛自動識別的研究，由于此項技術具有較高的抗干擾性能和較高的識別精度因而得到了廣泛的使用。目前國內外采用

11、的方法主要有：感應線圈法，紅外探測法，超聲波檢測法，車牌識別法，輪廓識別法等。下面分別介紹89： (1) 感應線圈法：感應線圈作為車輛識別的傳感元件，埋設在收費車道內、擋車器后端，通過反饋線與檢測系統相連。感應線圈通以高頻電流后形成磁場區，當有車輛從環形感應線圈上方通過時，車體底盤的鐵磁材料與環形線圈產生渦流效應，使得環形線圈電感量發生變化，由于線圈是振蕩電路的一部分，因此可以檢測出振蕩頻率的變化量，對這種反映車輛特征的頻率曲線進行歸類，也就實現了車輛分類。該方法將車輛底盤形狀的三維信息轉變為感應到的一維信號，模糊了實際的物理義，從而加大了分析信號的難度和識別車輛的難度。用感應線圈進行車輛識別

12、還存在一個問題，即車輛在線圈上方停止或改變速度時，將在很大程度上影響到識別的準確率而這些現象又是不可避免的。 (2) 紅外探測法：紅外探測法是利用布置在車道兩側的紅外陣列檢測器，運用幾十甚至幾百對紅外發射接收裝置，根據汽車行駛經過時不同部位對發射裝置的不同阻擋作用，采集車輛的側面幾何數據。由于該系統采用的紅外檢測點非常多，可以采集到大量的數據，除了車頭高度、軸數、輪距、車長等特征數據外，還有其他大量的信息，比較完整、細致地描繪出車輛的外輪廓及局部典型特征。然后比較這些數據與車輛數據庫的數據，判斷出車輛，從而實現車輛的自動分類。該方法原理簡單，物理概念清晰明了。 但由于硬件系統較為復雜，而且系統

13、的環境適應能力較差，故障率較高，維修不便等等，所以在實際使用中難以被推廣。(3) 超聲波檢測法：超聲波檢測系統利用路面反射，在路面和檢測單元之間沒有遮擋物時，檢測單元接收從路面發射的回波。系統在每次發射超聲波前，根據檢測到的回波信號到達時間確定本周期有無受到路面發射的回波信號，以此確定并記錄在路面與檢測單元之間有無遮擋物 。 最后由信息融合單元按融合方案和模糊識別技術確認所測量到的車輛類型。超聲波檢測法與上述紅外檢測法并無本質的區別。(4) 車牌識別法：車牌識別法是根據從攝像機獲取的汽車牌照的圖像識別出車牌號后，到數據庫中去檢索與此車牌號相對應的車型，并以此做出判決。該方法對硬件要求不高，而且

14、安裝方便靈活，但需要事先建立車輛牌照數據庫，而且在車牌模糊的情況下不能被識別，因此在實際應用中受到限制。(5) 輪廓識別法：輪廓識別法基于攝像頭獲得車輛的原始圖像，并從圖像中分割出車輛圖像，并對所得到的車輛圖像進行二值化、填充、修飾、細化等一系列處理 ， 得到一幅完整的車輛輪廓圖像 。 然后從輪廓圖像中提取車輛的幾何特征 ， 如頂蓬長度與車輛長度的比值；頂蓬長度與車輛高度的比值；以頂蓬中垂線為界，前后兩部分的比值；車輛長度與車輛高度的比值等。 輪廓識別法可以獲取車輛幾何特征的關鍵信息，并且不需要復雜的硬件設施，易于安裝和維護，也不需要建立龐大的車量數據庫。相對于感應線圈、紅外檢測等物理檢測方法

15、，基于圖像的檢測具有很大的優勢： 圖像的信息量很大，不易造成車輛信息的丟失；硬件檢測設備安裝簡便，只需一臺攝像機即可，設備的位置便于調整，并且其更換和維護工作不會影響正常的交通。因此，現在我們所研究的車輛識別技術主要是通過圖像檢測的方法來實現的。一般而言，車輛識別技術主要包括車牌識別，車型識別和車標識別三大模塊。車牌識別作為車輛唯一的“身份證”一直是學術界許多學者研究車輛識別問題的重點，并且經過多年的研究已經提出了識別率和魯棒性很高的識別算法，國內外也已經有很多的公司開發了自己的產品并且已投入使用，例如：HOSTOL10公司開發的可用于停車場，入口控制，交通檢測等場所LPR(license p

16、late recognition)系統；英國IPI公司研發的RTVNPR(REAL TIME VEHICLE NMBER PLATE RECOGNITION)識別系統，它在各種天氣情況下全天工作，而且具有較高的識別率。此外還有一些做的比較好的產品：以色列HiTech公司的See/Car System系列的多種變形產品，國家的車牌他們可以分別適應某一個國家的車牌，但卻不能識別中國大陸車牌上的漢字；香港Asia Vision Technology公司，新加坡的Optasia公司分別研發的VECON產品和VLPRS產品，也主要是用于香港和新加坡的車牌；另外德國，意大利等西方發達國家也都有適合本國的車

17、牌識別系統。然而盡管車牌識別技術已經發展到了相當成熟的地步，但現有的一些算法仍然還有很多不足之處，它們大多只適用于在圖像的分辨率比較高，車牌無污損，傾斜或是遮蓋的情況，但當車牌的某個字符被遮擋時，現有的車牌識別算法一般很難識別出完整的車牌信息。車型識別在現在的智能交通系統中占有十分重要的地位，特別是在電子不收費系統中，車型識別一直是其研究的核心。而且現在車型識別也已經發展到相當成熟的地步了。例如：文章9的車輛特征提取方法是基于建立一種三維結構模型，而其分類器的設計上采用改進的BP神經網絡，其訓練方法采用梯度下降法。通過建立車輛參數模型來描述簡單背景下車輛形狀結構特征，從而得到30個特征參數，作

18、為神經網絡的輸入參數，然后利用神經網絡分類器來實現車型的識別。文章10以車輛的三個幾何尺寸參數作為車輛的特征向量，將車輛分為卡車、客車、貨車三種類別。其分類器也是神經網絡分類器，訓練算法是尺度共軛梯度算法，在一定程度上解決了經典BP算法訓練速度慢，易陷入局部極小值的問題。但是其車輛分類過于簡單，于實際應用偏差較大，該研究主要側重于第二第三個問題做了闡述，對于車輛的檢測和分割問題沒有進行研究。車標識別主要包括車標定位和車標識別。在車輛圖像中定位出車標的位置即車標定位。在自然環境中采集的車輛圖像，由于自然環境中背景和車標的成像條件是隨機的，不可控制的因素和復雜的背景信息給車標定位帶來巨大困難。由于

19、車標定位技術現今處于未成熟階段，這一算法還在研究階段，現有的車標定位方法主要有：(1) 基于方向濾波和模板匹配的車標定位方法11-13這類方法主要是根據車標與車牌的相對位置，在確定車牌位置的前提下，根據車標區域內的紋理分布特點采用方向濾波粗定位車標區域，最后通過模板匹配的方法得到車標的位置。(2)基于車標先驗知識的定位方法童建軍等人提出的基于車燈帶結構特性的信息定位車標的方法14；李文舉等人提出的基于紋理一致性測度的車標定位方法15；周宇等人提出了采用車頭定位和中軸定位車牌定位以及車標定位的車標定位方法16；上述車標定位方法都時為了車標識別打基礎，具有一定的參考價值，但由于該項技術在近年才開始

20、研究，所以存在很多的缺陷，因此必須對車標的定位方法做進一步的研究。在進行了準確的車標定位后，就要對車標進行識別。目前研究人員正致力于車標識別方法的研究，現有的車標識別的研究算法有：(1)基于直方圖的車標識別方法文獻17中采用的方法雖然簡單、速度快，但是一些車標的邊緣方向直方圖特征并不十分明顯，容易與車體的其它部分相混淆，造成識別的誤差。(2)基于像素分布的車標識別方法文獻14中采用車標圖像的像素分布特征作為車標特征，并采用最小歐氏距離分類器作為車標識別分類器。(3)基于模板和特征值的車標識別方法文獻18所使用的是以模板匹配為基礎的方法，此方法局限于攝像機正面捕獲或者傾斜角度很小的情況，當攝像機

21、傾斜角度偏大時，識別率下降。(4)基于邊緣不變矩的車標識別方法19該方法利用LOG邊緣算子提取車標的邊緣特征，再利用計算出的車標邊緣的七個二維Hu不變矩的特征，利用最小距離進行識別：以及數學形態學等識別20方法。現實中拍攝的圖像主要存在旋轉、平移、比例變化和光照不均等因素，這些因素直接導致了車標識別效果并不理想。因此有必要對車標識別方法做進一步研究。可見，車輛識別的各個模塊都存在著一定的缺陷，因此，本文從車標識別入手，研究新的車標識別算法，在此基礎上設計一個信息融合系統，融合車標，車輛顏色信息實現車輛身份的確定。在此對基于車輛識別的相關理論進行綜述。如下：2.1 模式識別21-332.1.1

22、模式識別和模式的概念模式識別是指用計算機實現人的模式識別能力。模式，廣義地說，存在于時間和空間中可觀察的事物，如果我們可以區別它們是否相同或是否相似，都可以稱之為模式。但模式所指的不是事物本身，而是我們從事物獲得的信息。因此，模式往往表現為具有時間或空間分布的信息。模式識別的作用和目的就在于面對某一具體事物時將其正確地歸為某一類別。通常，我們把通過對具體的個別事物進行觀測所得到的具有時間和空間分布的信息成為模式，而把模式所屬的類別或同一類中模式的總體成為模式類（或簡稱為類）。2.1.2 模式識別系統有兩種基本的模式識別方法，即統計模式識別方法和結構（句法）模式識別方法，與此相應的模式識別系統都

23、由兩個過程所組成，即設計和實現。設計是指用一定數量的樣本（叫做訓練集或學習集）進行分類器的設計。實現是指用所設計的分類器對待識別的樣本進行分類決策。基于統計方法的模式識別系統主要由4個部分組成：數據獲取，預處理，特征提取和選擇，分類決策，如圖2-3所示。圖2-3 模式識別系統的基本組成下面簡單地對這幾個部分作些說明。1. 數據獲取通常輸入對象的信息有下列3種類型，即（1）二維圖像 如文字、指紋、地圖、照片這類對象。（2）一維波形 如腦電圖、心電圖、機械震動波形等。（3）物理參量和邏輯值 前者如在疾病診斷中病人的提問及各種化驗數據等；后者如某參量正常與否的判斷或對癥狀有無的描述，如疼與不疼，可用

24、邏輯值即0和1表示。在引入模糊邏輯的系統中，這些值還可以包括模糊邏輯值，比如很大、大、比較大等。2. 預處理預處理的目的是去除噪聲，加強有用的信息，并對輸入測量儀器或其他因素所造成的退化現象進行復原。3. 特征提取和選擇為了有效地實現分類識別，就要對原始數據進行變換，得到最能反映分類本質的特征。這就是特征提取和選擇的過程。4. 分類決策分類決策就是在特征空間中用統計方法把被識別對象歸為某一類別。基本作法是在樣本訓練集基礎上確定某個判決規則，使按這種判決規則對被識別對象進行分類所造成的錯誤識別率最小或引起的損失最小。2.1.3 模式識別方法本論文中主要討論統計模式識別方法中的特征提取和分類決策。

25、2.1.3.1 特征提取特征選擇：從D個特征中選出d個。特征提取：把D個特征變成d個新特征。變換 線性變換 （W是D×d維）注：這里只討論線性變換。按歐式距離度量的特征提取方法假使用表示第類的第k個樣本與第類的第l個樣本之間的距離，我們應該選擇這樣的特征x，使c個類別各樣本之間的平均距離J(x)為最大，即：而 這里ni表示設計集S中i類的訓練樣本數。式中pi是第i類的先驗概率，當這些先驗概率未知時，也可以用訓練樣本數進行估計，即這里n是設計集的樣本總數。在Minkowski度量中令s=2，得常用的歐氏距離： 所有上面x的下標的意義如下：當只有一個下標時，此下標表示樣本號，有二個下標時

26、，第一個為樣本號，第二個表示該樣本的特征序號。由于歐式距離在許多情況下便于分析和計算，所以這里討論按歐式距離度量的特征提取方法。 式中Sb為類間離散度矩陣，Sw為類內離散度矩陣。以J2為例，用該判據進行特征提取的步驟如下：假設我們有D個原始特征：y=y1,y2,yDT,希望通過線性映射壓縮為d個特征：x=x1,x2,xdT其變換關系為，W為D×d矩陣令Sw，Sb為原空間（即y的）離散度矩陣，Sw*，Sb*為映射后（即x的）離散度矩陣：經變換后的J2變為將此式對W的各分量求偏導數并令其為零可以確定一個W值。對J2, J3, J5來說使判據達最大的變換W如下：設矩陣Sw-1Sb的本征值為

27、1,2,D,按大小順序排列為：則選前d個本征值對應的本征向量作為W。即此時J2(W)為：此結論對J4判據也適用。2.1.3.2 分類決策1. 最近鄰法（1）最近鄰決策規則假定有c個類別的模式識別問題，每類有標明類別的樣本個，我們可以規定類的判別函數為其中的角標i表示類，k表示類個樣本中的第k個。決策規則可以寫為若 則決策 這一決策方法成為最近鄰法。（2）最近鄰法的錯誤率分析（漸近分析）其中P*為貝葉斯錯誤率，c為類數；P為樣本無窮多時最近鄰法的漸近平均錯誤率，前提是樣本集獨立同分布。2. K-近鄰法（1）K-近鄰法的基本規則從字以上看，這個方法就是取未知樣本x的k個近鄰，看這k個近鄰中多數屬于

28、哪一類，就把x歸為哪一類。具體說就是在N個已知樣本中，找出x的k個近鄰。設這N個樣本中，來自類的樣本有N1個，來自類的樣本有N2個，來自類的有Nc個，若分別是k個近鄰中屬于類的樣本數，則我們可以定義判別函數為決策規則為：若則決策。（2）K-近鄰法的錯誤率分析這就是我們常說的，近鄰法錯誤率在貝葉斯錯誤率P*和兩倍貝葉斯錯誤率2P*之間。（3）問題：存儲量和計算量 票數接近時風險較大，有噪聲時風險加大 有限樣本下性能如何？（4）改進：減少存儲量和計算量 引入拒絕機制 根據實際問題修改投票方式，如加權投票，否決票等；如距離加權，考慮樣本比例及先驗概率等。3. 改進的近鄰法 近鄰法在計算上的問題：近鄰

29、法的快速算法（樹搜索算法）基本思想：分級分解 搜索把樣本集分級分解成多個子集（樹狀結構）；每個子集（結點）可用較少幾個量代表；通過將新樣本與各結點比較排除大量候選樣本；只有最后的結點（子集）中逐個樣本比較，找出近鄰。基本算法：分支定界算法符號約定：結點p對應的樣本子集；：中的樣本數；：樣本子集中的樣本均值；：從到的最大距離；B：當前搜索到的最近鄰距離。圖2-4 判斷某子集是否可能為最近鄰規則1：如果存在則不可能是x的最近鄰。規則2：如果其中，則不是x的最近鄰。2.2 信息融合 信息融合是基于智能化的思想，它的一個很重要的模型就是人的大腦，它要實現的功能也就是模仿大腦對來自多方面信息的綜合能力。

30、信息融合就是由多種信息源，如傳感器，數據庫，知識庫和人類本身來獲取有關信息，并進行濾波，相關和集成，從而形成一個表示構架，這種構架適合于獲得有關決策，對信息的解釋，達到系統目標（如識別或跟蹤運動目標），傳感器管理和系統控制等。信息融合的基本原理就像人的大腦綜合處理信息的過程一樣，它充分利用多個傳感器資源，通過對這些傳感器及其觀測信息的合理支配和使用，把多個傳感器在時間或空間上的冗余或互補信息根據某種準則來進行組合，以獲得被測對象一致性解釋或描述，使該信息系統由此而獲得比它的各組成部分的子集所構成的系統更優越的性能。按照融合過程中信息抽象的層次，可以將信息融合過程分為三個層次，即數據層融合，特征

31、層融合，決策層融合。1.數據層融合數據層融合也稱為像素層融合，它是直接在采集到的原始數據層上進行的融合，在各種傳感器的原始數據未經預處理之前進行數據的綜合與分析。數據層融合的主要優點是能盡可能保持盡可能多的現場數據，提供其它融合層次所不能提供的細微信息，但局限性也是明顯的：(1)它所要處理的傳感器數據量太大，故處理代價高，處理時問長，實時性差；(2)這種融合是在信息的最低層次上進行的，傳感器原始信息的不確定性、不完全性和不穩定性要求在融合時有較高的糾錯能力；(3)進行圖像融合時，要求各傳感器信息之間具有精確到一個像素的校準精度，故要求各傳感器信息來自同質傳感器；·(4)數據通信量較大

32、，抗干擾能力較差。2.特征層融合特征層融合屬于中間層次的融合，它先對來自傳感器的原始信息進行特征提取，然后對特征信息進行綜合分析和處理。特征層融合的優點在于實現了可觀的信息壓縮，有利于實時處理，并且由于所提取的特征直接與決策分析有關，因而融合結果能最大限度的給出決策分析所需要的特征信息。特征層融合一般采用分布式或集中式的融合體系。3決策層融合決策層融合通過不同類型的傳感器觀測同一個目標，每個傳感器在本地完成基本的處理，其中包括預處理、特征抽取、識別或判決，以建立對所觀察目標的初步結論。然后通過關聯處理進行決策層融合判決，最終獲得聯合推斷結果。從理論上說，決策層融合輸出的聯合決策比任何單傳感器決

33、策更為精確。但是，除非各傳感器的信號是相互獨立的，否則決策層融合的分類性能可能低于特征層融合。從理論上說，數據層融合能得到最好的融合效果，因為它保持了盡可能多的數據。決策層融合對傳感器的依賴性較小，傳感器可以是同質的，也可以是異質的。除非傳感器的信號是獨立的，否則決策層融合的分類性能可能低于特征層融合。對于特定的應用選擇在哪一個層次進行融合是一個系統工程問題，需要綜合考慮通信帶寬、信源的特點、可用的計算資源等方面的因素影響。不存在能夠適用于所有情況或應用的普通結構。本文中選用的是決策層融合，因此下面主要介紹了決策層融合中D-S證據理論。2.2.1 D-S證據理論1. 設表示某個有限集合，稱為假

34、設空間，這是一個完備的，元素間相互不交的空間；又假定O表示觀測空間，或稱為實驗結果集合。對于給定的假設，是觀測空間O上的概率，而證據空間定義為,其中是H中假設的個數。定義2 設H表示某個有限集合，稱為假設空間；又假定表示H的所有子集構成的集類，映射m:稱為一個mass函數，如果。Mass函數實際上是對各種假設的評價權值。定義3 設H表示某個有限集合，表示H的所有子集構成的集類，如果(1)(2) 對H中的任意子集有則映射B: 稱為信任測度。這就說明信任測度表示對假設的信任程度估計的下限（悲觀估計）。假定僅對H中的任意兩個子集有則稱為弱信任測度。定義4 設H表示某個有限集合，表示H的所有子集構成的

35、集類，如果(1)(3) 對H中的任意子集有則映射L: 稱為似然測度。這就說明似然測度表示對假設的信任程度估計的上限估計（樂觀估計）。假定僅對H中的任意兩個子集有則稱為弱似然測度。定義5 設H表示某個有限集合，B和L分別是定義在上的信任測度和似然測度，對于任意,其信任區間定義為。信任區間表示事件發生的下限估計到上限估計的可能范圍。2. Dempster-Shafer合成公式設是H上的兩個mass函數，則是mass函數，其中3. 證據推理一般模型的計算步驟(1) 計算mass函數，即(2) 利用先驗概率P，計算mass函數，即(3) 利用Dempster-Shafer合成公式，計算mass函數，即

36、(4) 計算mass函數,即(5) 計算信任測度和似然測度，即 于是，就是假設的信任空間4.D-S方法決策規則由D-S方法得到合并后的基本可信度分配后，如何得到最后的決策結果呢？這是一個與應用密切相關的問題，同時也是D-S方法建立過程中需要解決的有一個關鍵問題。在實際應用中通常沒有統一的方法，必須根據具體問題進行具體分析。基于D-S這規矩理論的常用決策方法有以下幾種：(1)基于信任函數的決策(2)基于基本可信度賦值的決策(3)基于最小風險的決策本文中擬采用基于信任函數的決策方法來的到最后的決策結果。基于信任函數的決策方法表達如下：設，滿足且若滿足下式：則即為判決結果，其中為預先設定的門限值。不

37、同的門限值有可能得到不同的決策結果，從而對決策結果產生影響。青島大學碩士研究生學位論文開題報告三、 主要研究內容和解決的主要問題 本文針對車標定位，車標識別以及車輛身份確定等幾個難題，基于模式識別，神經網絡和信息融合的理論，用有關的數學理論和人工神經網絡最新成果，給出和研究一類新的車輛識別系統。同時，研究新的模型實現算法，工作算法。具體內容，研究目標，以及擬解決的關鍵問題如下：內容：提出并研究車輛自動識別系統及其設計方法，包括設計算法和模型工作算法，而主要的工作就是分析現有的車標識別算法，尋找魯棒性和實時性更好的車標識別算法，然后在車牌識別和車標識別的基礎上，建立一個數據庫，基于車輛顏色，車標

38、與車牌識別的互補特性以及識別信息的優先級不同，運用決策級信息融合策略，設計分類器，快速確定車輛身份。目標：首先針對現有車標定位和識別算法中的難題，提出一種新的車標定位識別算法，然后針對現有的車輛識別系統僅依靠單一的特征進行車輛識別，從而導致識別率不高的情況，提出融合車輛的多個特征的車輛識別系統即在車標，車輛顏色和車牌識別的基礎上，尋找一種新的決策級融合算法，設計分類器，將車標，車牌和車輛顏色作為證據，快速確定車輛身份，實現車輛識別。此算法不僅解決了車牌字符模糊，粘連及遮擋等特殊情況下車輛識別率不高的情況，同時對于盜搶車輛發生后，車牌被更換的情況具有很好的識別效果。而且提高了車輛識別的魯棒性和準

39、確性。 關鍵：（1）提出一種新的車標定位和車標識別算法（2）針對現有車牌識別算法中無法實現車牌遮擋，模糊時的有效識別難題，在車標，車輛顏色和車牌識別的基礎上，尋找信息融合算法，利用決策級融合策略（在此我選用D-S證據理論），設計分類器，快速確定車輛的身份。本文的設計思路及創新點：1. 車標定位：首先利用車牌與車標的位置關系，粗定位出車標區域，然后利用紋理分析判斷出車標周圍散熱網的類型，再根據不同的散熱網，利用LAWS紋理模板進行濾波去除散熱網干擾，最后利用數學形態學精確定位出車標。此方法保留了更多的車標紋理信息，提高了車標定位對光照的魯棒性。 2.車標識別：前期處理利用改進的LBP算子，獲得整

40、個車標的紋理直方圖，然后利用最近鄰法設計分類器，識別出車標。此算法在使用LBP算子是加了抗噪因子，提高了車標識別算法的抗噪聲性能。2. 車輛識別系統我們從三個方面作為切入點，分別考慮，然后比較最終的識別效果。如下所述：1）利用所有信息綜合作用的結果即利用決策級信息融合策略（選用D-S證據理論），將車標，車牌和車輛顏色作為證據，分別建立信任測度和似然測度，得出決策的信任空間，設計分類器，實現車輛身份的確定。具體做法如下：(1)首先建立數據庫，分別采集10輛車的車牌，車標和車身顏色信息，將其ID設為1-10，設命題為判斷待測車輛為哪一個即求出其ID號，并輸出車輛的完整信息。(2)本文將車牌識別，車

41、標識別和車身顏色的識別率作為基本可信度分配函數，利用三個分類器所得到的基本可信度分配以及合并后的基本可信度分配，根據D-S融合決策規則進行分類決策。設（）表示數據庫中ID從1到10的車輛，表示車牌識別判定為車輛為ID=i的可信度分配; 表示車標識別判定車輛為ID=i的可信度分配；表示車身顏色識別判定為車輛ID=i的可信度分配；表示不確定。最后利用Dempster-Shafer合成公式即求出在三個證據（車牌，車標，車身顏色）下的合成可信度分配值，如選取里面最大的作為最終的識別結果，并輸出與之對應的數據庫中車輛的全部信息，例如黑色寶馬魯B CY316.實驗結果的表格形式如下：(假設)在此，我先用車

42、牌和車標融合來識別車輛，設車標，車牌對命題“車輛為大眾魯BCY316”的支持度分別為： 車標 車牌可以根據D-S證據組合規則有：這樣就可以得到兩重證據下的可信度： 可見，聯合作用下的可信度，比單獨作用下的可信度要高，說明該算法是可行的。2）利用信息之間的互補性，進行邏輯推斷。即由于車牌是車輛唯一的“身份證”，因此，對一般情況而言，只要識別出車牌的信息我們就可以完全確定該車輛的身份。然而，現有的車牌識別算法只是對車牌無遮擋且攝像機像素比較高的情況下識別率比較高，而對于車牌被物體遮擋或車牌某個字符缺失的情況無法完全識別出車牌的全部信息，所以我們想到利用車輛的其他信息如車標和車身顏色來輔助車牌識別，

43、從而確定車輛的身份。首先進行車牌識別，當遇到無法識別的字符時，可以終止車牌識別，轉而進行車標和車身顏色的識別，然后利用信息融合算法，進行邏輯推斷，利用車輛特征信息之間的互補性，最終確定車牌所有的字符，確認車輛的實際身份。3）利用信息的優先級進行車輛精確識別。基于前面兩步，一是融合車輛的多種信息，且各信息之間具有相同的優先等級即各個信息的信任測度（權值）是相同的。二是利用信息之間的互補性，其中以車牌識別的結果為主，當車牌識別不能正確確定車輛身份的時候，通過融合車標或車身顏色進一步確定車輛的身份。然而在對于任意的模式識別系統，我們知道并不是所有的證據都是有用的，也許有的時候我們再增加一個信息可能會

44、降低原來的識別效率，也許證據的優先級順序也會影響識別率，基于這些考慮，我們引入了基于信息的優先級的融合算法，同時引入“拒識，拒用”的功能，進一步完善車輛是別算法。課題中可能遇到的問題：雖然對于一個待識別目標而言，能夠充分利用它本身所提供的多種信息可以提高識別系統的準確性，但是信息之間的冗余性和互補性，有時也會稍微影響系統的功能，因此，在對目標進行融合多種信息進行識別時，互補信息的選擇上十分重要的，并不是我們所提供的信息對于識別系統都會有一個好的效果，此外，即使是有好效果的信息，對于識別系統的作用大小也會有多不同，故對信息的采用我們要有一個優先度使用的問題，所以如何對有用信息進行優先度排序也是我

45、們在做課題的過程中應當考慮的問題。解決問題擬采用的方法：為解決上面所提到的兩個問題，首先設定一個閾值，當每一個證據的可信度小于該閾值時，說明此證據的作用我們可以忽略，反之則予以采用該信息作為融合識別系統的一個證據，然后再給每一個信息附加一個權值，作用大的相對的權值就大。青島大學碩士研究生學位論文開題報告四、 論文工作計劃與方案通過課題初步調研工作，查閱相關資料，并對一些問題進行的思考，已確定了基本的實現方案。在現有工作的基礎上，完成整個課題研究，分四個階段：2011年9月2012年 3月：課題研究的前期資料收集，做開題報告；2012年4月2012年7月：學習信息融合規則和Matlab，C+編程

46、，深入學習模式識別和人工神經網絡理論。2012年8月2012年12月：設計出一類能夠準確確定車輛身份的模型，編寫程序并進行實驗驗證。2013年1月2013年 4 月：課題總結，撰寫畢業論文。參考文獻1 肖志紅，官宗琪.高速公路不停車收費系統的研究與開發.計算機與信息技術.2007,3:71-742 曹剛.運動車輛識別技術研究：（博士學位論文）.四川：四川大學.20043孫娟紅.車標識別方法研究：（碩士學位論文）.遼寧：遼寧師范大學.20114 童建軍.車型識別研究：（碩士學位論文）.北京：中國科學院自動化研究所，20055廉飛宇，范伊紅，張元.ETC電子不停車收費的技術研究.計算機工程與應用.

47、2007，43(5):204-2076 陳紅偉.公路不停車收費系統中的車輛識別.儀器儀表與分析檢測.2002,1:13-147 韓崇昭，朱紅艷，段戰勝等.多源信息融合.北京：清華大學出版社.20068 陸曄.智能交通系統中車輛識別技術的研究與應用：（碩士學位論文）.西安：西安科技大學.20109 牟世剛.車輛車型與車牌識別系統的研究：（碩士學位論文）.山東：山東大學.200710 吳高峰.車牌識別關鍵技術研究及系統實現：（碩士學位論文）中山大學.201011 莊永,楊紅雨,游志勝.一種快速車標定位方法.四川大學學報.2004,41(6):1167-117112 李貴俊,劉正熙,游志勝.基于能量

48、增強和形態學濾波的車標定位方法.光電子激光.2005,16(2):76-7913 陳陽，李定主.一種有粗到精的車標定位算法.電腦開發與應用.2007,(2):22-23-26Technologies2006。(1)：1818182314 童劍軍.車型識別與智能交通.中國交通信息產業.2005.(1 1):232515 李文舉，梁德群，王新年，于東.基于紋理一致性測度的汽車車徽分割方法.計算機應用研究.2004,(10):14114216 周宇運動車輛車標定位的四階段法研究重慶交通學院學報.2006,25(6):116-11817 羅彬,游志勝等.基于邊緣直方圖的快速汽車標志識別方法.計算機應用

49、與研究.2004,(6):150-15718 李貴俊.運動車輛類型精確識別技術研究：(碩士學位論文)四川：四川大學，200519 王玫，王國宏等.基于PCA和邊緣不變矩的車標識別新方法.計算機工程與應用.2008,44(4):224-22620 Humayun , Karim Sulehria, YeZhang. Vehicle Logo Recognition Using Mathematical Morphology. Processing of the 6th WSEAS Int. Conference on Telecommunications and informations, Da

50、llas Texas,2007:22-24 21 邊肇祺，張學工模式識別（第二版）北京：清華大學出版社，2000.122 R. O. Duda and P. E. Hart, Pattern Classification and Analysis, New York：John Wiley & Sons,197323 P. A. Devijver and J. Kittler, Pattern Recognition：A Statistical Approach, New York：Prentice-Hall,198224 J. Sklansky and G. N. Wassel, Pattern Classifiers and Trainable Machines, New York：Springer-Verlag,198125 日福永圭之介著，陶篤純譯：統計圖形識別導論，北京：科學出版社，1987英文本，Keinosuke Fukunaga, Introduction to Statistical Pattern Recognition(2nd edition), Academic Pres