还剩28页未读，继续阅读
本资源只提供10页预览，全部文档请下载后查看！喜欢就下载吧，查找使用更方便
文本内容:
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:年月日2022121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者引起的损失最小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x=Wy线性变换x=WTy⑺是DXd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6X Xi,j03假使用表示第类的第个样本与第类的第个样本之间的距离，我们应该选择这样的特征k Ii kj IX*,使C个类别各样本之间的平均距离JX为最大，即J x*=max J xX而JX=1p P[6xi,Xj2n ni i kii=1j=1i jk=11=1这里■表示设计集S中3i类的训练样本数式中R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n一P=ni这里n是设计集的样本总数—X1/2〃/\26X,X「X X--t RIC-Rj ljj=1所有上面的下标的意义如下当惟独一个下标时，此下标表示样本号，有二个X在Minkowski度量中令s=2,得常用的欧氏距离下标时，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Jx=trS+S1w bJx=trS-iS2w b...szJ x=Inb3StrJ x=fb八,trSJx=QSbS5式中为类间离散度矩阵，为类内离散度矩阵Sb Sw以为例，用该判据进行特征提取的步骤如下4假设我们有个原始特征丫=[%赴,…,』,希翼通过线性映射压缩为个特征:D yd其变换关系为X=[X»2,…,XjTx=WTy,W为矩阵DXd令为原空间即的离散度矩阵，•为映射后即的离散度矩阵Sw，Sb ySw*，Sb xS*=W SW,S*=W STT Wbb ww经变换后的心变为J W=tr[W TsW WTS W]-12w b将此式对的各分量求偏导数并令其为零可以确定一个值对以“，来说使判据达最大的W W5变换w如下:设矩阵S S的本征值为，按大小顺序罗列为:W入入〉・.・〉入12D则选前d个本征值对应的本征向量作为Wo即W=[u,u u]12d此时心恸为:Jvv=t入2ii=1此结论对L判据也合用分类决策
1.最近邻法1最近邻决策规则假定有c个类别co,co,,O的模式识别问题，每类有标明类别的样本N个，12c i我们可以规定类的判别函数为ig x=min x-xk,k=1,2,,N k其中的角标i表示类，k表示⑴类N个样本中的第k个决策规则可以写为Xki i i i若g x=mingx i=
12...c5353j i i则决策X=cijj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cP*PP*2-P*c-1其中P*为贝叶斯错误率，G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11K-近邻法的基本规则从字以上看，这个方法就是取未知样本厂的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3类的样本有、个，来自w类的样本有此个，…，来自w类的有1122cN「个，若k,k,・・.,k分别是k个近邻中属于⑴，3，…，GJ类的样本数，则我们可以定c12c12c义判别函数为（），g X=k,i=12…Ci i决策规则为若（）g x=max kjii则决策X=coo j22）K-近邻法的错误率分析P*P2P*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（需存储所有训练样本近邻法在计算上的问题出.中三后人出*氏［新样本需与每一个样本W作比较近邻法的快速算法（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）；每一个子集（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；惟独最后的结点（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E:结点P对应的样本子集；NE中的样本数;M样本子集E中的样本均值；p pr=maxDx M5Mp-i P从p到X eH的最大距离;Pe iB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B+rDx,M pp则56三p不可能是X的最近邻规则2如果B+Dx,MDx,M iP P其中Xj£三p,则x j不是X的最近邻信息融合.24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摹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者跟踪运动目标，传感器管理和系统控制等信息融合的基本原理就像A的大脑综合处理信息的过程一样「^汾利用多车4―感器资源，通过府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者空间卜的冗余或者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者描述，使该信息系统由此而获得比它的各组龙部份的子集所构成的系统更优越的性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
5.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、不彻底性和不稳定性要求在融合时有较高的纠错能力；3进行图象融合时，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自同质传感器；-4数据通信量较大，抗干扰能力较差
6.特征层融合特征层融合属于中间层次的融合，它先对来自传感器的原始信息进行特征提取，然后对特征信息进行综合分析和处理特征层融合的优点在于实现了可观的信息压缩，有利于实时处理，并且由于所提取的特征直接与决策分析有关，于是融合结果能最大限度的给出决策分析所需要的特征信息、特征层融合普通采用分布式或者集中式的融合体系3决策层融合决策层融合通过不同类型的传感器观测同一个目标，每一个传感器在本地完成基本的处理，其中包括预处理、特征抽取、识别或者判决，以建立对所观察目标的初步结论然后通过关联处理进行决策层融合判决，最终获得联合判断结果从理论上说，决策层融合输出的联合决策比任何单传感器决策更为精确但是，除非各传感器的信号—相互独立的，否则决策层融合的分类性能可能低于特征层融合从理论上说，数据层融合能得到最好的融合效果，因为它保持了尽可能多的数据决策层融合对传感器的依赖性较小，传感器可以是同质的，也可以是异质的除非传感器的信号是独立的，否则.决策层融合的分类性能可能低于特征层融合对于特定的应用选择在哪一个层次进行融合是一个系统工程问题，需要综合考虑通信带宽、信源的特点、可用的计算资源等方面的因素影响不存在能够合用于所有情况或者应用的普通结构本文中选用的是决策层融合，因此下面主要介绍了决策层融合中D-S证据理论证据理论221D-S
1.设H表示某个有限集合，称为假设空间，这是一个完备的，元素间相互不交的空间；又假定表示观测空间，或者称为实验结果集合对于给定的假设h=H7ill_是观测空间0上的概率，而证据空间定义为G def{H,0,山，山，…，山上其中n二N是H中假hi h2hn设的个数定义2设H表示某个有限集合，称为假设空间；又假定p（H）表示H的所有子集构成的集类，映射mp（H）乂0,11称为一个mass函数，如果m
（0）=0;x m（A）=1Mass函数实际上栏是对各种假设的评价权值H定义3设H表示某个有限集合，P（H）表示H的所有子集构成的集类，如果⑴（）（）B0=0,B H=111
（2）对H中的任意子集A1,A2,...A”有＞X（-1）I+I6（||（0^））||理*Ml I..,n}/€/则映射B:P（H））［0/］称为信任测度这就说明信任测度表示对假设的信任程度估计的下限（悲观估计）假定仅对H中的任意两个子集A,A有B（A请A）＞B（A）+B（A）-B（A行A）则称为弱信任测12121212度定义4设H表示某个有限集合，P（H）表示H的所有子集构成的集类，如果⑴（）（）L0=0,L H=1⑶对H中的任意子集ArA2,...A”有«AA]||不-i+iL Ji||则映射L:pd[,1]称为似然测度这就说明似然测度表示对假设的信任程度估甘的上限估计乐观估计假定仅对H中的任意两个子集A,A有不LA+式八步卬00则称为弱似然测度定义5设H表示某个有限集合，B和L分别是定义在pH上的信任测度和似然测度，对于任意A=pH,其信任区间定义为[BA,LA]=[0,l]o信任区间表示事件发生的下限估计到上限估计的可能范围
2.Dempster-Shafer合成公式设m,m是H上的两个mass函数，则12m0=0mA=1x mEmF,A丰0N12EoF=A是mass函数，其中N=x mEmF012EoF=A
3.证据推理普通模型的计算步骤⑴计算mass函数m A,即m A=mA zp亿+mA zp亿即丫A=mi网PA2利用先验概率P,计算mass函数Y A,iix mB PBi3利用Dempster-Shafer合成公式，计算mass函数Y A,Y A=Y中Y中…中Y A12V A.PA4计算mass函数v A,即v A=gXy pB丰坚0B H⑸计算信任测度和似然测度，即B A=X BLA=X BVv坚丰B ABoA0于是，就是［BA,LA］假设A=pH的信任空间
4.D-S方法决策规则专业论文起止日期信号与信息处理国家自然科学基金、山东省自课题来源选题报告会日期然科学基金基于信息融合的车辆识别系论文题目研究方向统关键技术研究、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，也给人们带来了不少的困扰，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益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，轿车或者公共汽车），这些特征包括车体外形，车身颜色等，而且普通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普通包括车牌识别，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，车牌作为车辆的惟一“身份证”，其识别技术向来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向来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）图象水平（垂直）投影分布的车牌字符的切分方法，基于二值图象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，基于车牌二值图象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，如何得到最后的决策结果呢？这是一个与应用密切相关的问题，同时也是D-S方法建立过程中需要解决的有一个关键问题在实际应用中通常没有统一的方法，必须根据具体问题进行具体分析基于D-S这规矩理论的常用决策方法有以下几种1基于信任函数的决策2基于基本可信度赋值的决策3基于最小风险的决策本文中拟采用基于信任函数的决策方法来的到最后的决策结果基于信任函数的决策方法表达如下设VA,A仁，满足12mA=max{mA,A仁o}1i imA=max{mA,A仁o}且A丰A2iii1mA-m Ac若满足下式\HO2C21l|m Gmo贝即为判决结果，其中C,C为预先设定的门限值不同的门限值有可能得到112不同的决策结果，从而对决策结果产生影响青岛大学硕士研究生学位论文开题报告
三、主要研究内容和解决的主要问题本文针对车标定位，车标识别以及车辆身份确定等几个难题，基于模式识别，神经网络和信息融合的理论，用有关的数学理论和人工神经网络最新成果，给出和研究一类新的车辆识别系统同时，研究新的模型实现算法，工作算法具体内容，研究目标，以及拟解决的关键问题如下内容提出并研究车辆自动识别系统及其设计方法，包括设计算法和模型工作算法，而主要的工作就是分析现有的车标识别算法，寻觅鲁棒性和实时性更好的车标识别算法，然后在车牌识别和车标识别的基础上，建立一个数据库，基于车辆颜色，车标与车牌识别的互补特性以及识别信息的优先级不同，运用决策级信息融合策略，设计分类器，快速确定车辆身份目标首先针对现有车标定位和识别算法中的难题，提出一种新的车标定位识别算法，然后针对现有的车辆识别系统仅依靠单一的特征进行车辆识别，从而导致识别率不高的情况，提出融合车辆的多个特征的车辆识别系统即在车标，车辆颜色和车牌识别的基础上，寻觅一种新的决策级融合算法，设计分类器，将车标，车牌和车辆颜色作为证据，快速确定车辆身份，实现车辆识别此算法不仅解决了车牌字符含糊，粘连及遮挡等特殊情况下车辆识别率不高的情况，同时对于盗抢车辆发生后，车牌被更换的情况具有很好的识别效果而且提高了车辆识别的鲁棒性和准确性关键
（1）提出一种新的车标定位和车标识别算法
（2）针对现有车牌识别算法中无法实现车牌遮挡，含糊时的有效识别难题，在车标，车辆颜色和车牌识别的基础上，寻觅信息融合算法，利用决策级融合策略（在此我选用D-S证据理论），设计分类器，快速确定车辆的身份本文的设计思路及创新点
1.车标定位首先利用车牌与车标的位置关系，粗定位出车标区域，然后利用纹理分析判断出车标周围散热网的类型，再根据不同的散热网，利用LAWS纹理模板进行滤波去除散热网干扰，最后利用数学形态学精确定位出车标此方法保留了更多的车标纹理信息，提高了车标定位对光照的鲁棒性
2.车标识别前期处理利用改进的LBP算子，获得整个车标的纹理直方图，然后利用最近邻法设计分类器，识别出车标此算法在使用LBP算子是加了抗噪因子，提高了车标识别算法的抗噪声性能
3.车辆识别系统我们从三个方面作为切入点，分别考虑，然后比较最终的识别效果如下所述1利用所有信息综合作用的结果即利用决策级信息融合策略选用D-S证据理论，将车标，车牌和车辆颜色作为证据，分别建立信任测度和似然测度，得出决策的信任空间，设计分类器，实现车辆身份的确定具体做法如下1首先建立数据库，分别采集10辆车的车牌，车标和车身颜色信息，将其ID设为1-10,设命题为判断待测车辆为哪一个即求出其ID号，并输出车辆的完整信息2本文将车牌识别，车标识别和车身颜色的识别率作为基本可信度分配函数，利用三个分类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，根据D-S融合决策规则进行分类决策设Ai=1,2,10表示数据库中ID从1到10的车辆，imA表示车牌识别判定为车辆为ID=i的可信度分配；mA表示车标识别判定车1i2i辆为ID=i的可信度分配；mA表示车身颜色识别判定为车辆ID=i的可信度分配；3im o表示不确定最后利用Dempster-Shafer合成公式即mA=m［由母由下A求出在三个证据车牌，车标，车身颜色下的合成可信度分配值，如选取里面最大的作为最终的识别结果，并输出与之对应的数据库中车辆的全部信息，例如黑色宝马鲁BCY
316.实验结果的表格形式如下假设在此，我先用车牌和车标融合来识别车辆，设车标，车牌对命题”车辆为大众鲁BCY316”的m a=
0.8m o=
0.2车标11m o=
0.1车牌m a=
0.922支持度分别为可以根据D-S证据组合规则有:〃、m aca=
0.72m a由ma=m ar\m0=
0.8I2•12m0nw6/=018I2〃mec70=00•I2这样就可以得到两重证据下的可信度:m a=
0.98m o=
0.02可见，联合作用下的可信度，比单独作用下的可信度要高，说明该算法是可行的2）利用信息之间的互补性，进行逻辑判断即由于车牌是车辆惟一的“身份证”，因此，对普通情况而言，只要识别出车牌的信息我们就可以彻底确定该车辆的身份然而，现有的车牌识别算法只是对车牌无遮挡且摄像机像素比较高的情况下识别率比较高，而对于车牌被物体遮挡或者车牌某个字符缺失的情况无法彻底识别出车牌的全部信息，所以我们想到利用车辆的其他信息如车标和车身颜色来辅助车牌识别，从而确定车辆的身份首先进行车牌识别，当遇到无法识别的字符时，可以终止车牌识别，转而进行车标和车身颜色的识别，然后利用信息融合算法，进行逻辑判断，利用车辆特征信息之间的互补性，最终确定车牌所有的字符，确认车辆的实际身份3）利用信息的优先级进行车辆精确识别基于前面两步，一是融合车辆的多种信息，且各信息之间具有相同的优先等级即各个信息的信任测度（权值）是相同的二是利用信息之间的互补性，其中以车牌识别的结果为主，当车牌识别不能正确确定车辆身份的时候，通过融合车标或者车身颜色进一步确定车辆的身份然而在对于任/艮、的模式识别系统，我们知道并非所有的证据都是实用的，也许有的时候我们再增加一个信息可能会降低原来的识别效率，也许证据的优先级顺序也会影响识别率，基于这些考虑，我们引入了基于信息的优先级的融合算法，同时引入“拒识，拒用”的功能，进一步完善车辆是别算法课题中可能遇到的问题虽然对于一个待识别目标而言，能够充分利用它本身所提供的多种信息可以提高识别系统的准确性，但是信息之间的冗余性和互补性，有时也会稍微影响系统的功能，因此，在对目标进行融合多种信息进行识别时，互补信息的选择上十分重要的，并非我们所提供的信息对于识别系统都会有一个好的效果，此外，即使是有好效果的信息，对于识别系统的作用大小也会有多不同，故对信息的采用我们要有一个优先度使用的问题，所以如何对实用信息进行优先度排序也是我们在做课题的过程中应当考虑的问题解决问题拟采用的方法为解决上面所提到的两个问题，首先设定一个阈值，当每一个证据的可信度小于该阈值时，说明此证据的作用我们可以忽略，反之则予以采用该信息作为融合识别系统的一个证据，然后再给每一个信息附加一个权值，作用大的相对的权值就大
四、论文工作计划与方案通过课题初步调研工作，查阅相关资料，并对一些问题进行的思量，已确定了基本的实现方案在现有工作的基础上，完成整个课题研究，分四个阶段2022年9月―2022年3月课题研究的前期资料采集，做开题报告；2022年4月―2022年7月学习信息融合规则和Matlab,C++编程，深入学习模式识别和人工神经网络理论2022年8月一2022年12月设计出一类能够准确确定车辆身份的模型，编写程序并进行实验验证2022年1月―2022年4月课题总结，撰写毕业论文参考文献
[1]肖志红，官宗其.高速公路不停车收费系统的研究与开辟.让算机与信息技识别技术研究:（博十学特论文）.四川四川大学2004术.2022,3:71-74
[3]孙娟红.车标识别方法研究（硕士学位论文）,辽宁辽宁师范大学.2022
[4]童建军.车型识别研究（硕士学位论文）.北京中国科学院自动化研究所，2005
[5]廉飞宇，范伊红，张元.ETC电子不停车收费的技术研究.计算机工程与应用.2022,43⑸:204-207
[6]陈红伟.公路不停车收费系统中的车辆识别.仪器仪表与分析检测.2002,1:13-14
[7]韩崇昭，朱红艳，段战胜等.多源信息融合.北京清华大学出版社.2022
[8]陆晔.智能交通系统中车辆识别技术的研究与应用（硕士学位论文）.西安西安科技大学.2022
[9]牟世刚.车辆车型与车牌识别系统的研究（硕士学位论文）.山东山东大学.2022
[10]吴高峰.车牌识别关键技术研究及系统实现（硕士学位论文）中山大学.2022
[11]庄永，杨红雨,游志胜.一种快速车标定位方法.四川大学学报.2004,41⑹:1167-1171
[12]李贵俊，刘正熙,游志胜.基于能量增强和形态学滤波的车标定位方法.光电子•激光.2005,16
（2）:76-79
[13]陈阳，李定主.一种有粗到精的车标定位算法.电脑开辟与应用.2022/2）:22-23-26Technologies.2022
（1）1818—
1823.
[14]童剑军.车型识别与智能交通.中国交通信息产业.
2005.
（11）:23—25
[15]李文举，梁德群，王新年，于东.基于纹理一致性测度的汽车车徽分割方法.计算机应用研究2004,
（10）:141—142
[16]周宇.运动车辆车标定位的四阶段法研究.重庆交通学院学报.2022,256:116-118
[17]罗彬，游志胜等.基于边缘直方图的快速汽车标志识别方法.计算机应用与研^.2004,
（6）:150-157
[18]李贵俊.运动车辆类型精确识别技术研究（硕士学位论文）.四川四川大学，2005
[19]王玫，王国宏等.基于PCA和边缘不变矩的车标识别新方法.计算机工程与应2022,444:224-226
[20]Humayun,Karim Sulehria,YeZhang.Vehicle LogoRecognition UsingMathematicalMorphology.Processing ofthe6th WSEASInt.Conference onTelecommunications andinformations,Dallas Texas,2022:22-24
[21]边肇祺，张学工.模式识别第二版.北京清华大学出版社，
2000.1
[22]R.O.Duda andP.E.Hart,Pattern Classificationand Analysis,New YorkJohn WileySons,1973
[23]P.A.Devijver andJ.Kittier,Pattern RecognitionA StatisticalApproach,New YorkPrentice-Hall,1982
[24]J.Sklansky andG.N.Wassel,Pattern Classifiersand TrainableMachines,New YorkSpringer-Verlag,1981
[25][日]福永圭之介著，陶笃纯译《统计图形识别导论》，北京科学出版社，1987英文本，Keinosuke Fukunaga,Introduction toStatistical PatternRecognition2nd edition,Academic Press.1990
[26]D.E.Rumelhart,J.L.MeCelland andPDP ResearchGroup,Parallel DistributedProcessing—Explorations inMicrostructure ofCobnition,MIT Press,1986
[27]阎平庸、黄端旭编著《人工神经网络一模型、分析与应用》，合肥安徽教育出版社，1993
[28]Vladimir N.Vapnik TheNatural ofStatistical LearningTheory,New YorkSpringer-Verlag,1995,中译本，张学工译，《统计学习理论的本质》，北京清华大学出版社，2000
[29]James C.Bezdek andSankar K.Pal eds.Fuzzy Modelsfor PatternRecognition,New YorkIEEE Press,1992
[30]Vladimir Cherkasskyand FilipMulier,Learning FromData Concepts,Theory andMethods,New YorkJohn WileySons,1997
[31]C.Angulo,Learning withKernel Machinesinto Multi-classification FrameworksAutomaticControl Department,Technical Universityof Catalonia,Barcelona Spain,2001
[32]刘效静，成瑜.汽车牌照自动识别技术研究.南京航空航天大学学报，
1998.103034~36
[33]丁学爽，车牌识别算法的研究.硕士学位论文，北京北京工业大学，2022
[34]师培峰，基于信息融看的车牌识别算丽究硕士学位论文.湖南中南大学，2022
[35]罗彬，游志胜，曹刚，基于边缘直方图的快速汽车标志识别方法.计算机应用研究.2004,6:150-157
[36]于洪伟，刘嘉敏，不变矩特征在汽车标志图象识别中的应用.2022北京地区高校研究生学术交流会通信与信息技术会议论文集上册，2022
[37]王枚，王国宏，高学强等，基于小波变换和不变矩的车标识别方法.海军航空工程学院学报.2022,22
（6）:655-658
[38]李彬，马国胜，李剑.D-S证据理论在公路车辆识别方面的应用.中国仪器仪表.2022（,4）:57-60
[39]陈洪，莫志勇.不停车收费系统（ETC）关键技术应用研究
（1）.智能交通.20227）:59-66
[40]朱正强.车标识别关键技术的研究（硕士学位论文）.辽宁辽宁师范大学.2022
[41]林晓辉，曹成涛，张宇欢，邱建喜.车辆自动识别系统在城市年票征收管理中的应用研究.交通信息与安全.2022,1
（28）:63-66
[42]徐建闽，贺敬凯.车型与车牌自动识别技术分析.交通与计算机.2002,2
（20）7-11
[43]朱亮红.道路车辆识别方法（硕士学位论文）.长沙长沙理工大学.2022
[44]姜欣欣.基于“电子身份证”模式的车辆识别系统的研究（硕士学位论文）.延边大学.2022完成课程学习情况（总学分、学位课、学位课加权平均分）导师意见:导师签字:备注:评议小组意见评议项目评议意见（请在括弧内画）V论文选题的意义较好（）普通（）较小（）偏高（）适当（）偏低（）论文难度与工作量是否适度研究方案的可行性较好（）普通（）不可行（）是否允许允许（）不允许（）论文开题报告评议小组成员意见姓名职称日期=_匕_月二—日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网络等板匹IE分娄器，基干概率统计的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7不少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肢术仍有不少的不足之处」主要表现在现有的车牌识别算法只是在解析度较高和图象比较清晰的车牌，才干够有效地识别车辆，而对于较低解析度和较为含糊的车牌，特殊是车牌有较为严重的污迹，锈迹，遮挡或者变形时，却没有有效的识别方法，而且对于车辆盗窃发生长期后，犯罪份子更换车牌等情况，只应用车牌识别很难发现被盗车辆因此进一步寻觅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彻底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不少的问题没有解决，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.图象采集设备的低像素导致所得车辆图象分辨率低,而且车标的尺寸差别很大
3.车标周围普通都有散热网干扰，而且散热网的纹理多种多样，导致车标区域前景和背景难以区分，给定位带来了艰难
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，识别或者车牌识别的结果作为依据，其可靠性往往是比较低的青岛大学硕士研究生学位论文开题报告评议表姓名专业指导教师时间地点评议小组成员论文题目评议小组意见（整理后誉写）记录人日期:_________也_日将车标识别，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咯进行分类；然后是车牌识别，来用基于先验知识的二叉树结构组合多个二值分类劭持向量机（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摹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（如识别或者跟踪运动目标），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，进一步寻觅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，含糊的情况下，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，寻觅信息融合算法，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
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，曾经采用彩色条形码、磁感应、摄像、照像、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于是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份，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，含糊了实际的物理义，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，即车辆在线圈上方住手或者改变速度时，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，所以在实际使片中难以被推广3超声波检测法超声波检测系统利用路面反射，在路面和检测单兀之间没有遮挡物时，检测单元接收从路面发射的同波系统在每次发射超声披前，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含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象识别出车牌号后，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，而且安装方便灵便，但需要事先建立车辆牌照数据库，而且在车牌含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象，并从图象中分割出车辆图象，并对所得到的车辆图象进行二值化、填充、修饰、细化等一系列处理，得到一幅完整的车辆轮廓图象然后从轮廓图象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，先后两部分的比值；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，基于图象的检测具有很大的优势图象的信息量很大，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象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惟一的“身份证”向来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，国内外也已经有不少的公司开辟了自己的产品并且已投入使用，例如H0ST0L
[10]公司开辟的可用于停车场，入口控制，交通检测等场所LPRlicense platerecognition系统；英国IPI公司研发的RTVNPRREAL TIMEVEHICLENMBER PLATERECOGNITION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述有一些做的比较好的产品以色，列HiTech公司的S/Car System系歹l］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Asia VisionTechnology公司，新力口坡的Opiasia公司分另!!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；此外德国，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不少不足之处，它们大多只合用于在图象的分辨率比较高，车牌无污损，倾斜或者是遮盖的情况，但当车牌的某个字符被遮挡时，现有的车牌识别算法普通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，特殊是在电子不收费系统中，车型识别向来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，训练算法是尺度共加梯度算法，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象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象，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艰难由于车标定位技术当今处于未成熟阶段，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］这种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创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，所以存在不少的缺陷，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份相混淆，造成识别的误差2基于像素分布的车标识别方法文献［14］中采用车标图象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象主要存在旋转、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模式识别［］
2.121-33模式识别和模式的概念
2.
1.1―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者是否相似，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偶尔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模式识别系统者同一类中模式的总体成为模式类或者简称为类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者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个部份组成数据获取，预处理，特征提取和选择，分类决策，如图2-3甲耒【一“—匚二分类黑设讦—I_*l~^TH一信息获取预处理特征提取和选择分类决策图2-3模式识别系统的基本组成下面简单地对这几个部份作些说明
1.数据获取通常输入对象的信息有下列3种类型，即1二维图象如文字、指纹、地图、照片这种对象22一维波形如脑电图、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者对症状有无的描述，如疼与不疼，可用逻辑值即0和1表示在引入含糊逻辑的系统中，这些值还可以包括含糊逻辑值，比如很大、大、比较大等
2.预处理预处理的目的是去除噪声，加强实用的信息，并对输入测量仪器或者其他因素所造。
个人认证
优秀文档
获得点赞 0
