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1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2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，3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。4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5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6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