新宁县120吨地磅 放心购买

基于信息融合的矿用电子地磅车牌识别研究1引言随着采煤技术的不断改进、 采煤设备的日趋先进以及对能源需求的不断增长， 煤矿产量得到很大的提高，电子地磅车辆的称重工作也随之变得日常繁重， 对出入磅车辆进行规范、高效、 现代化管理显得更加迫切。在以往的称重管理方式中，完全靠人工记录车辆信息、 称重信息、 资金情况以及信息的统计汇总等， 并由人工指挥车辆出入磅。这种靠人工来记录的方法不仅工作强度高、 作业效率低、 容易出现安全事故，漏收、 误收现象比较严重， 出错概率较高； 由于缺乏有效的监督， 人为可作弊行为可能性极大， 都将可能导致企业的资产流失； 并且获取的数据不能通过网络传输实现实时共享，而是凭借手工填写单据， 送交财务、 销售、 仓库等其他相关部门， 难以及时了解矿内车辆的作业动态，也不方便进行及时有效

的管理。有必要在电子地磅管理系统中引入车牌识别技术， 自动识别出入磅车辆， 对车辆身份进行唯一性认证、 自动登记并验放车辆，实现过磅车辆监控和管理自动化。 车牌识别一般可分为车牌定位、 字符分割和字符识别 3 大部分。为了更有效地构造一个高性能的车牌识别系统， 在对车牌字符轮廓、投影和网格编码特征提取的基础上， 利用 SVM 在解决小样本、高维数和非线性模式识别问题中良好的分类能力以及 D-S 证据理论具有直接表达不确定 、 不完全信息的优势 ， 利用D-S证据理论融合单特征的 SVM 字符识别信息 ， 构建信息融合的矿用电子地磅车牌识别系统， 充分运用了各特征的冗余互补信息，大大提高了识别的准确性和可信度， 为提高企业经营运作的高效率和高效益有十分重要的意义。2 信息融合理论基础在人类辨识外界事物的过程中，通常根据来自不同感觉器官获得的关于目标的多种特征信息， 并利用各种已有不确定的知识来判断目标种类。 在工程实践中也存在类似的情况，经常要求根据一些经验知识以及多种特征对事物的种类进行判断。 信息融合 （Information Fusion）就是指采集并集成各种信息源、 多种媒体和多种格式信息， 从而生成完整、准确、 及时和有效的综合信息的过程。 信息融合的方法很多，包括： 加权平均法、 数理统计法、 神经网络法、 Kalman滤波、 Bayes 推理方法和证据决策推理方法。 信息融合方法中，D-S 证据理论在不完全、 不确定、 不清晰信息的表示、组合、 决策方面具有明显的优势， 是决策级信息融合的经典理论。D-S证据理论是基于 “证据 ” 和 “组合 ” 来处理不确定性推理问题的决策级融合方法。 D-S 证据理论定义待识别的目标集 Ω为辨识框架， 幂集 2Ω 为 Ω 的所有子集表示的命题集合。 若函数 m:2Ω → [0,1]， 满足 m (覬) =0 且 m(A)， 则称 m是 2Ω 上的概率分配函数 （BPA）， m (A) 称为 A 的基本概率数， 它表示对假设 A 的信任程度。 对于Ω， 识别框架 Ω 上的有限个不同证据的 BPA 函数 m1,m2,...,mn 的 D-S证据理论融合规则为：3字符特征提取不同的特征提取方法对识别率有着不同的影响， 单一特征只能反映字符的某一属性，并不能提供字符的完整信息。为了弥补单一特征提供的信息量不足的缺点， 对字符轮廓特征、投影特征和网格编码特征分别进行提取。轮廓特征提取方法是从上、 下、 左、 右 4 个方向依次扫描图像，记录第一次遇到字符像素时离边界的距离， 将上、 下、 左、 右 4 个方向的特征合并就能得到字符的轮廓特征。字符轮廓特征提取示意如图 1 所示； 投影特征提取方法是沿水平和垂直方向依次扫描图像， 统计字符白像素数和边缘跳变次数， 将水平、垂直方向统计的字符分布向量组合成字符的投影特征。 投影特征提取如图 2 所示； 网格编码特征提取方法是将图像均匀划分为固定的网格，以规定的网格编码规则给各网格分配编码值， 将所有网格的编码值组合在一起形成维数为网格数目的特征向量。 网格编码特征提取。4多特征融合识别对于每个类中要识别的字符， 进行多特征提取方法以用于信息融合。 对预处理后的车牌字符图像分别进行轮廓、投影和网格编码特征的提取， 得到不同特征的目标信息， 将目标信息分别进行 SVM 多分

类识别， 产生待识别目标的初步分类和基本概率赋值， 经 D-S 证据理论融合来自不同特征的识别信息，根据决策规则得到Zui后的识别结果。 基于信息融合的车牌识别模型。4.1SVM 投票策略支持向量机 (SVM)是以统计学习理论为基础的机器学习算法。 SVM Zui初是从两类模式的Zui优分类面提出的， 对于样本集 ， 集合中输出 yi 是输入样本xi 的所属类别标号， 是样本数， n 为输入空间维数， 一般非线性情形的 SVM Zui优分类面为：（x） +b=0（3）SVM决策函数可表示为：其中，为拉格朗日乘子， b* 为分类阈值， 覬 （x） 是将 x 转换到高维特征空间的非线性映射， 核函数 K（xi,x） =覬 (xi) •覬 （x）。车牌字符识别是多类别的模式分类问题， 对于多类别的分类， 采用 SVM “一对一”(One-against-one) 的投票多分类方法。 对于 k （k≥2） 个类别字符， 训练样本为： xi∈Rn，yi∈｛1,2...,k｝ ,i=1,2..., ,每两类字符需训练一个 SVM 决策函数， 共需构造/2 个 SVM 子分类器，得到一个分类器矩阵：在分类器矩阵中， fij 是划分第类和第 j 类字符的分类器， fij 和 fji 为同一分类器 ， 且 。当对未知字符进行分类时， 利用分类器 F 中第 i 行的 i 类字符与其余类字符的决策函数进行投票判定， 若判定字符属于 i 类，则i 类字符的票数加 1。 当遍历完第 i 行所有的子分类器， 则可统计出第类字符总票数：4.2BPA 函数构造对类别待识别目标 A1，A2...Ak， d 种特征提取方法， 识别框架为 Ω= ｛A1， A2...Ak｝。 本文在 SVM “一对一”多分类识别中采用投票策略判断字符类别的基础上， 将每类投票数 V （Aj） 和总票数 作对比， 得到 SVM 判定样本为 Aj类字符的可信度 Pj。