歡迎來到上海ag8亞洲遊app電子科技有限公司官方網站! 收藏本站| 公司簡介| 公司環境
全國統一熱線
13645080468
當前位置:主頁 > 新聞中心 > 基於信息融合的礦用地磅車牌識別研究

基於信息融合的礦用地磅車牌識別研究

文章出處: 人氣:發表時間:2018-10-10 11:09

基於信息融合的礦用地磅車牌識別研究

 

1 引言

 

隨著采煤技術的不斷改進、  采煤設備的日趨先進以及對能源需求的不斷增長, 煤礦產量得到很大的提高, 地磅車輛的稱重工作也隨之變得日常繁重, 對出入磅車輛進行規範、高效、 現代化管理顯得更加迫切。 在以往的稱重管理方式中,完全靠人工記錄車輛信息、 稱重信息、 資金情況以及信息的統計匯總等, 並由人工指揮車輛出入磅。 這種靠人工來記錄的方法不僅工作強度高、 作業效率低、 容易出現安全事故,而且漏收、 誤收現象比較嚴重, 出錯概率較高; 其次, 由於缺乏有效的監督, 人為可作弊行為可能性極大, 都將可能導致企業的資產流失; 並且獲取的數據不能通過網絡傳輸實現實時共享, 而是憑借手工填寫單據, 送交財務、 銷售、 倉庫等其他相關部門, 難以及時了解礦內車輛的作業動態, 也不方便進行及時有效的管理。因此, 有必要在地磅管理係統中引入車牌識別技術,  自動識別出入磅車輛, 對車輛身份進行唯一性認證、 自動登記並驗放車輛, 實現過磅車輛監控和管理自動化。 車牌識別一般可分為車牌定位、 字符分割和字符識別 3 大部分。 為了更有效地構造一個高性能的車牌識別係統, 在對車牌字符輪廓、投影和網格編碼特征提取的基礎上, 利用 SVM 在解決小樣本、 高維數和非線性模式識別問題中良好的分類能力以及 D-S 證據理論具有直接表達不確定 、 不完全信息的優勢 , 利用D-S 證據理論融合單特征的 SVM 字符識別信息 , 構建信息融合的礦用地磅車牌識別係統, 充分運用了各特征的冗餘互補信息, 大大提高了識別的準確性和可信度, 為提高企業經營運作的高效率和高效益有十分重要的意義。

 

2 信息融合理論基礎

 

在人類辨識外界事物的過程中,  通常根據來自不同感覺器官獲得的關於目標的多種特征信息, 並利用各種已有不確定的知識來判斷目標種類。 在工程實踐中也存在類似的情況, 經常要求根據一些經驗知識以及多種特征對事物的種類進行判斷。 信息融合 (Information Fusion) 就是指采集並集成各種信息源、 多種媒體和多種格式信息, 從而生成完整、準確、 及時和有效的綜合信息的過程。 信息融合的方法很多, 包括: 加權平均法、 數理統計法、 神經網絡法、 Kalman濾波、 Bayes 推理方法和證據決策推理方法。 信息融合方法中, D-S 證據理論在不完全、 不確定、 不清晰信息的表示、組合、 決策方麵具有明顯的優勢, 是決策級信息融合的經典理論。D-S 證據理論是基於 “證據 ” 和 “組合 ” 來處理不確定性推理問題的決策級融合方法。 D-S 證據理論定義待識別的目標集 Ω 為辨識框架, 冪集 2Ω 為 Ω 的所有子集表示的命題集合。 若函數 m:2Ω → [0,1], 滿足 m (覬) =0 且 m (A), 則稱 m是 2Ω 上的概率分配函數 (BPA), m (A) 稱為 A 的基本概率數, 它表示對假設 A 的信任程度。 對於 Ω, 識別框架 Ω 上的有限個不同證據的 BPA 函數 m1,m2,...,mn 的 D-S 證據理論融合規則為:3字符特征提取不同的特征提取方法對識別率有著不同的影響, 單一特征隻能反映字符的某一屬性, 並不能提供字符的完整信息。為了彌補單一特征提供的信息量不足的缺點, 對字符輪廓特征、 投影特征和網格編碼特征分別進行提取。輪廓特征提取方法是從上、 下、 左、 右 4 個方向依次掃描圖像, 記錄第一次遇到字符像素時離邊界的距離, 然後將上、 下、 左、 右 4 個方向的特征合並就能得到字符的輪廓特征。 字符輪廓特征提取示意如圖 1 所示; 投影特征提取方法是沿水平和垂直方向依次掃描圖像, 統計字符白像素數和邊緣跳變次數, 將水平、 垂直方向統計的字符分布向量組合成字符的投影特征。 投影特征提取如圖 2 所示; 網格編碼特征提取方法是將圖像均勻劃分為固定的網格, 以規定的網格編碼規則給各網格分配編碼值, 然後將所有網格的編碼值組合在一起形成維數為網格數目的特征向量。 網格編碼特征提取。

 

4 多特征融合識別

 

對於每個類中要識別的字符, 進行多特征提取方法以用於信息融合。 對預處理後的車牌字符圖像分別進行輪廓、 投影和網格編碼特征的提取, 得到不同特征的目標信息, 將目標信息分別進行 SVM 多分類識別, 產生待識別目標的初步分類結論和基本概率賦值, 經 D-S 證據理論融合來自不同特征的識別信息, 根據決策規則得到最後的識別結果。 基於信息融合的車牌識別模型。

 

4.1SVM 投票策略

 

支持向量機 (SVM) 是以統計學習理論為基礎的機器學習算法。 SVM 最初是從兩類模式的最優分類麵提出的, 對於樣本集 , 集合中輸出 yi 是輸入樣本 xi 的所屬類別標號, 是樣本數, n 為輸入空間維數, 一般非線性情形的 SVM 最優分類麵為:(x) +b=0(3)SVM 決策函數可表示為:其中,為拉格朗日乘子, b* 為分類閾值, 覬 (x) 是將 x 轉換到高維特征空間的非線性映射, 核函數 K (xi,x) =覬 (xi) •覬 (x)。車牌字符識別是多類別的模式分類問題, 對於多類別的分類, 采用 SVM “一對一” (One-against-one) 的投票多分類方法。 對於 k (k≥2) 個類別字符, 訓練樣本為: xi∈Rn, yi∈{1,2...,k} ,i=1,2...,  ,每兩類字符需訓練一個 SVM 決策函數, 共需構造/2 個 SVM 子分類器, 得到一個分類器矩陣:在分類器矩陣中, fij 是劃分第類和第 j 類字符的分類器, fij 和 fji 為同一分類器 , 且 。 當對未知字符進行分類時, 利用分類器 F 中第 i 行的 i 類字符與其餘類字符的決策函數進行投票判定, 若判定字符屬於 i 類,則 i 類字符的票數加 1。 當遍曆完第 i 行所有的子分類器, 則可統計出第類字符總票數:

 

4.2BPA 函數構造

對類別待識別目標 A1, A2...Ak, d 種特征提取方法, 識別框架為 Ω= {A1, A2...Ak}。 本文在 SVM “一對一” 多分類識別中采用投票策略判斷字符類別的基礎上, 將每類投票數 V (Aj) 和總票數 作對比, 得到 SVM 判定樣本為 Aj 類字符的可信度 Pj。

 

5 實驗仿真與分析

實驗車牌圖像來自磅房采集的 300 幅車輛圖像。 分別對樣本進行單一特征 SVM 識別和信息融合的識別方法, 識別結果如表 1 所示。 實驗中還對相似字符做了專門的識別工作, 為了說明字符識別過程中, 特征之間的置信度融合更新過程, 本處以數字字符識別為例來介紹基於信息融合的車牌字符識

別方法。 以待識別目標的標示作為識別框架, 即。首先, 對提取的特征進行 SVM 訓練確定各 SVM 的參數, SVM分類器采用高斯核函數:。 由 SVM 投票分類原理構造 BPA 函數, 運用 DS 證據合成規則進行多特征決策級融合, 得到 3 種特征融合後的基本概率賦值, 根據判決門限 ε1=0.1, ε2=0.1, 給出最終結果。 表3 是對輸入字符  “8” 的融合信息更新結果, 在融合前各特征判定待識別字符分別為“0”、“2”、“4”,  融合後字符  “8”  的基本概率賦值最大 ,即判定最終的識別結果是字符  “8”。

 

6 結語

 

實際的礦用地磅應用環境中有很多因素會對車牌字符識別產生影響,  如天氣、  光照強度、  雨霧、  粉塵等自然因素;拍攝角度、 鏡頭聚焦、 機械抖動、 圖像分辨率、 圖像失真等機器視覺因素; 車輛運動、 車牌汙損、 車牌形態變化等車牌因素和圖像處理的誤差積累等技術因素等。 以上因素導致在礦用地磅車牌識別時, 很難僅僅依靠輪廓特征、 投影特征和網格編碼特征等單一特征做出確定性判斷, 致使基於單特征的識別方法準確率低、 可靠性和穩定性差, 甚至同一對象采用不同特征判別式結果會出現衝突。 因此, 融合車牌字符的多種特征信息, 通過決策判決得到最終推斷結果是提高礦用地磅車牌識別準確率和可靠性的有效途徑。

基於信息融合的礦用地磅車牌識別係統可以改善和提高出入磅車輛的自動化管理水平; 實現物資有序流通和保證企業財產安全; 為礦用地磅管理係統的升級和改造提供依據;輔助企業達到快捷、 高效、 安全、 實用、 規範等管理目標。

 

 

此文關鍵字:基於,信息,融合,的,礦用,地磅,車牌,識別,研究,
首頁 | 公司簡介 | 新聞中心 | 產品技術 | 行業應用 | 企業風采 | 走進ag8亞洲遊app | 聯係ag8亞洲遊app