车牌识别开题报告

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

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

选题报告会日期

课题来源国家自然科学基金、山

东省自然科学基金

研究方向

论文题目基于信息融合的车辆识

别系统关键技术研究

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，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。