摘  要： 將D-S證據理論引入車牌字符識別，結合神經網絡容錯能力強、能夠自適應學習等優點，對待識別字符進行統計和結構等多方面的特征提取后，分別經過神經網絡分類器得到相應的結果，并應用D-S證據理論對各種結果進行數據融合，從而實現了字符各方面特征的優勢互補，進一步提高了字符識別的成功率。
關鍵詞： 字符識別；特征提取；D-S證據理論；數據融合

　字符識別是模式識別的一個重要分支，是LPR系統中最后一個環節，同時也是一個典型的大類別數模式識別問題。在車牌字符識別的過程中需要處理大量字符信息，傳統的字符識別流程如圖1所示。

　通常提取的特征主要有紋理特征、顏色特征、形狀特征和空間關系特征等[1]。本文將待識別字符的統計特征和結構特征都提取出來，揚長避短，發揮各自優點。分別使用神經網絡的分類器得到相應的結果，再將各種結果通過D-S證據理論進行數據融合，充分利用字符各方面特征，從而達到進一步提高字符識別成功率的目的。
1 字符識別
1.1 預處理
　對輸入的數字圖像先進行定位、二值化、去噪和大小規格化等預處理工作，這一環節是字符識別的重要步驟。二值化主要把原始圖像轉換成識別器所能接收的形式，尺寸和位置的規格化主要是消除一些與類別無關的因素。
1.2 特征提取
　本文主要從待識別字符中提取基于網格特征和基于方向線素特征兩組統計特征，后者主要是對數字圖像分別在水平方向和垂直方向三等分的地方作水平線和垂直線穿過字符看其與字符邊緣交叉的次數，以此作為特征進行提取。雖然這兩組特征已然包含了較多的信息，具備一定的識別成功率，但是僅從這兩個特征入手還存在明顯的不足：（1）它們都是在尺寸歸一化以后進行的，寬高比信息并沒有體現出來，這樣常導致“1”與其他的數字混淆；（2）由于是統計特征，對字形結構的描述不足，使得一些在統計特征上差別很小但結構完全不同的字符發生混淆，如“3”和“8”。鑒于此，本文又引入了寬高比和孔洞數兩個結構特征。誠然，僅憑這兩個結構特征并不能完成徹底的分類效果，但與前面的統計特征有很好的獨立性，通過合適的集成方式，能夠進一步提高系統的識別成功率。
1.3 BP神經網絡分類器
　BP神經網絡的核心目的是通過梯度下降法讓網絡的實際輸出和期望的均方差最小。BP神經網絡學習訓練的過程由信息的正向傳播和誤差的反向傳播兩個過程組成。當實際輸出與期望輸出不符時，進入誤差的反向傳播階段。神經網絡學習訓練的過程就是周而復始的信息正向傳播和誤差反向傳播過程，同時也是各層權值不斷調整的過程。該過程一直持續到網絡實際輸出的誤差減少到可以接受的程度，或者預先設定的學習次數為止。
　雖然BP神經網絡具有一定的先進性，但也存在著一定的缺陷：
　（1）BP算法根據梯度下降學習法進行學習時，可以使權值收斂到某個值，但無法保證該值為誤差平面的全局最小值。可以采用附加動量法來解決該問題。
　（2）隱層和隱層節點的數目尚無理論上的指導，只能通過經驗或反復實驗確定。
　（3）由于學習的速率是固定不變的，因此BP神經網絡收斂的速度比較慢，訓練時間較長。
　（4）網絡的學習和記憶具有不穩定性。
　因此，在字符識別的過程中，如果應用BP神經網絡的方法，還需要根據具體的情況做相應的修改，使其發揮應有的優勢。
　本文采用3組BP神經網絡作為分類器，輸入向量分別為以上提取的統計和結構特征向量，統計特征向量包括粗網格特征和方向線素特征兩組，結構特征向量為寬高比和孔洞數。輸出向量為3組向量，第1組為42維向量，其中每個分量分別與32個省市區漢字的簡稱和10個部隊、軍區等特殊機關部門的簡稱相對應；第2組為26維向量，其中每個分量分別與英文字母A~Z相對應；第3組為10維向量，其中每個分量分別與數字0~9相對應。傳遞函數采用Sigmoid函數。訓練時，對應每個輸入的數字圖像，輸出向量中相應位置分量賦值1；測試時，為了得到下一步證據理論所需的基本概率數，還需對輸出向量的分量按式（1）進行處理：


　（3）不確定性區間長度必須小于某一閾值r；
　（4）目標類別的信任度值必須大于不確定性區間長度。
　關于閾值的選取并沒有一個統一的標準，只能根據實際情況加以確定，閾值過大或過小都會直接影響到識別成功率，本文選取ε=0.1，r=0.3。
2 實驗結果分析
　本文所設計的車牌識別系統Vision1.0采用VisualC++6.0開發工具，并在具有Core（TM）2Duo CPU、2 GB內存的計算機上實驗得到數據，支持像素100×100以上BMP和JPG格式圖像文件，具有一定的識別精度。
部分車牌識別實驗的結果如圖2~圖7所示，實驗結果分析如表1所示。

　實驗結果表明，該方法實現了普通車牌的字符識別功能，并能應用于不同環境、不同顏色車牌的識別當中。通過大量實驗不難發現，車牌字符識別的關鍵取決于漢字字符的識別成功與否，如果能夠成功識別出漢字字符，則在理想狀態下基本能夠準確識別車牌中其余的英文字符和數字字符。如表1所示，有6個車牌是在漢字識別成功后未能成功識別其他字符的情況，主要是由于字符受損嚴重或受污染，導致無法正常匹配識別。對于識別過程中暴露的不足，在今后的工作中還有待完善。此外，由于識別漢字字符過程中對資源消耗較大，導致識別速度指標不甚理想，在后續的研究中還需改進。
參考文獻
[1] 周培德.計算幾何-算法分析與設計[M].北京：清華大學出版社，2008.
[2] 寧坤，劉翌南，楊潔，等.基于數據融合的識別方法研究[J].無線電工程，2004，34（12）：56-57.
[3] 王奉濤，馬孝江，朱泓，等.基于Dempster-Shafer證據理論的信息融合在設備故障診斷中應用[J].大連理工大學學報，2003，43（4）.
[4] 何友，王國宏，彭應寧.多傳感器信息融合及應用[M].北京：電子工業出版社，2001.
[5] 焦準，王偉平，張蓉.基于證據理論的多傳感器信息融合目標識別方法[J].彈箭與制導學報，2006，26（4）：276-278.
[6] 龐圣波，王力宏，王培進.證據理論合成公式的討論及一些修正[J].計算機工程與應用，2007，43（20）：56-59.
[7] 李弼程，王波，魏俊，等.一種有效的證據理論合成公式[J].數據采集與處理，2002，17（1）：34-36.
[8] 何冰，胡紅麗.一種修正的D2S證據融合策略[J].航空學報，2003，24（6）：559-561.