數(shù)據(jù)融合技術(shù)在車牌字符識(shí)別中的應(yīng)用研究

運(yùn)用模糊理論進(jìn)行模式識(shí)別時(shí)通常采用3 種方法：隸屬原則識(shí)別法、擇近原則識(shí)別法以及模糊聚類分析法。設(shè)計(jì)中選用了隸屬原則識(shí)別算法對(duì)3 個(gè)BP 網(wǎng)絡(luò)的識(shí)別結(jié)果進(jìn)行最終決策。隸屬原則識(shí)別法的難點(diǎn)在于隸屬度函數(shù)的選擇。

由于每個(gè)BP 網(wǎng)絡(luò)提取的是字符的不同特征， 各網(wǎng)絡(luò)參數(shù)的設(shè)置也各不相同，導(dǎo)致3 個(gè)神經(jīng)網(wǎng)絡(luò)對(duì)同一個(gè)測試字符的輸出向量和識(shí)別率各不相同，所以設(shè)計(jì)中是從這兩個(gè)方面出發(fā)確定隸屬度函數(shù)。3 個(gè)BP 網(wǎng)絡(luò)對(duì)同一個(gè)字符進(jìn)行識(shí)別時(shí)的輸出向量構(gòu)成一個(gè)3 行50 列(設(shè)計(jì)中所需識(shí)別的字符共計(jì)50 類)的矩陣M，統(tǒng)計(jì)出3 個(gè)BP 網(wǎng)絡(luò)的識(shí)別率后將其歸一化為一個(gè)1 行3 列的矩陣N，確定隸屬度函數(shù)可通過兩矩陣相乘Q=N[1×3]·M[3×50]得到，相乘結(jié)果Q[1×50]為一個(gè)行向量，取該向量中最大值所對(duì)應(yīng)的字符作為模糊決策的最終結(jié)果，如式3 所示：

3 仿真結(jié)果及其分析

應(yīng)用MATLAB 軟件對(duì)上述各個(gè)模塊所采用的算法進(jìn)行了仿真，效果如圖2 所示。仿真結(jié)果表明，針對(duì)同一幅車牌圖像，3 個(gè)BP 網(wǎng)絡(luò)給出了不同的識(shí)別結(jié)果，但是通過決策層的模糊推理融合算法仍然能夠正確地識(shí)別。

設(shè)計(jì)*采集到實(shí)際的車輛圖像84 套， 其中因無法準(zhǔn)確定位或字符分割的圖像共12 套， 在剩余的72 套圖像中，用其中的50 套作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，其余22 套作為測試樣本，對(duì)車牌識(shí)別，經(jīng)實(shí)驗(yàn)統(tǒng)計(jì)，其結(jié)果如表1 所示。

由以上統(tǒng)計(jì)結(jié)果可明確的看出，應(yīng)用數(shù)據(jù)融合技術(shù)系統(tǒng)的識(shí)別率較單一識(shí)別方法有了較大的提高， 達(dá)到了90.9%。

4 結(jié)束語

基于數(shù)據(jù)融合理論， 將不同的識(shí)別方法有效地結(jié)合起來構(gòu)成融合型車牌字符識(shí)別系統(tǒng)， 數(shù)據(jù)層應(yīng)用了加權(quán)平均算法， 特征層選用了BP 神經(jīng)網(wǎng)絡(luò)， 決策層采用了模糊推理算法。實(shí)驗(yàn)證明， 該系統(tǒng)能有效的實(shí)現(xiàn)車牌字符識(shí)別， 字符識(shí)別率達(dá)到了90%以上， 較采用單一識(shí)別方法有了較大的提高。通過融合使信息資源得到了充分利用，各種方法互補(bǔ)，系統(tǒng)性能得到了很大提高。對(duì)于特征層融合應(yīng)用的BP 神經(jīng)網(wǎng)絡(luò)算法， 直接使用了前人的研究成果，可對(duì)網(wǎng)絡(luò)的參數(shù)設(shè)置及收斂速度進(jìn)一步的研究，加以改善提高。