数据融合技术在车牌字符识别中的应用研究

运用模糊理论进行模式识别时通常采用3 种方法：隶属原则识别法、择近原则识别法以及模糊聚类分析法。设计中选用了隶属原则识别算法对3 个BP 网络的识别结果进行最终决策。隶属原则识别法的难点在于隶属度函数的选择。

由于每个BP 网络提取的是字符的不同特征， 各网络参数的设置也各不相同，导致3 个神经网络对同一个测试字符的输出向量和识别率各不相同，所以设计中是从这两个方面出发确定隶属度函数。3 个BP 网络对同一个字符进行识别时的输出向量构成一个3 行50 列(设计中所需识别的字符共计50 类)的矩阵M，统计出3 个BP 网络的识别率后将其归一化为一个1 行3 列的矩阵N，确定隶属度函数可通过两矩阵相乘Q=N[1×3]·M[3×50]得到，相乘结果Q[1×50]为一个行向量，取该向量中最大值所对应的字符作为模糊决策的最终结果，如式3 所示：

3 仿真结果及其分析

应用MATLAB 软件对上述各个模块所采用的算法进行了仿真，效果如图2 所示。仿真结果表明，针对同一幅车牌图像，3 个BP 网络给出了不同的识别结果，但是通过决策层的模糊推理融合算法仍然能够正确地识别。

设计*采集到实际的车辆图像84 套， 其中因无法准确定位或字符分割的图像共12 套， 在剩余的72 套图像中，用其中的50 套作为神经网络的训练样本，其余22 套作为测试样本，对车牌识别，经实验统计，其结果如表1 所示。

由以上统计结果可明确的看出，应用数据融合技术系统的识别率较单一识别方法有了较大的提高， 达到了90.9%。

4 结束语

基于数据融合理论， 将不同的识别方法有效地结合起来构成融合型车牌字符识别系统， 数据层应用了加权平均算法， 特征层选用了BP 神经网络， 决策层采用了模糊推理算法。实验证明， 该系统能有效的实现车牌字符识别， 字符识别率达到了90%以上， 较采用单一识别方法有了较大的提高。通过融合使信息资源得到了充分利用，各种方法互补，系统性能得到了很大提高。对于特征层融合应用的BP 神经网络算法， 直接使用了前人的研究成果，可对网络的参数设置及收敛速度进一步的研究，加以改善提高。