论文导读:：传统的车辆通行费收费方式费时费力，而且容易造成收费站的交通拥挤。不停车电子收费系统(ETC)具有高速便捷的特点，在国外已经广泛应用，也是国内公路收费的技术发展趋势。但不停车电子收费系统确面临着车辆身份的有效识别和数据传输的安全性等诸多问题。本文讨论了电子不停车收费中需要解决的几个关键问题，并给出了解决这些问题的相关技术方案，本文讨论的内容对电子不停车收费的研发具有技术上的指导意义。
论文关键词：车辆身份识别，支持向量机，数据加密，信息融合
1 引言
随着现代交通事业的飞速发展，传统的人工收费、人工管理的车辆收费系统已经不满足于现在社会的需要，取之而代的是电子不停车收费系统（Electronic TollCollection,简称ETC）[1]。ETC主要是指车辆可以以相当高的速度通过收费口,无须在收费站前减速和停车交费，它在国外已经被广泛地应用，目前国内已经有10多年的发展路程，技术也较为成熟，达到了国际先进水平。传统的车辆自动识别技术大多采用非接触射频IC技术，但单独采用射频IC卡技术，只能以IC卡中记载的车辆身份信息作为车辆身份判别的唯一依据，从而无法对车辆身份作出准确的判别，又由于IC卡一般是储值卡，其信息的存储和传输安全必须得到有效地保证。因此，本文讨论了一些用于车辆身份判别的辅助技术，如基于支持向量机算法的车牌和车型识别技术，使车辆身份识别正确率大大提高的信息融合技术、以及基于对称密钥加密算法AES和非对称密钥加密算法RSA的信息安全技术。
1车型和牌照的识别技术
在ETC电子不停车收费系统中，车型、车牌的自动识别系统是一个重要的组成部分，它可以通过与IC卡中记录的相应数据做比较从而判断车辆的真是身份。由于识别率上的限制，仅对车牌或车型进行识别并不能准确的对车辆身份进行确定，因此还需要对这两种识别结果进行融合分析，以提高车辆身份识别的准确率。
1.1车型识别[2.3]
在收费站应用车型识别时，截取的图像是动态的。在动态条件下，车型自动识别系统是从动态的视频图像中检测到汽车目标并自动识别其类型，这个过程包括运动目标的检测分割、特征提取与选择、模式识别三个步骤。
把背景图像差分法和帧间图像差分法结合起来，利用一种有效的基于图像块和HVS彩色图像差值相结合的新的运动目标检测、分割算法，可以有效地对车型进行识别。算法克服了背景图像差分法和帧间图像差分法的缺点，并且能有效地消除阴影的影响，具有自适应能力、速度快，抗噪声性能较好的特点。算法具体原理如下：
把摄像机固定在公路的左上方，由于高速公路是单行道，因此视频监视图像中的目标只能从一边出现（假设从左边出现），而且从左到右具有连续性。首先获得一幅只含有固定背景的图像 ，然后不断的从序列图像中获取当前帧图像 ，把和分别按列分成左右两个图像块 、 、 、 ，用与差分得到图像 ，计算图像的均值或标准差，当均值或标准差变化大于 时，确定有运动目标出现。如果发现运动目标出现，延迟一段时间t后，锁存另外一帧图像 ，把也分成左右两个图像块 、 ，t的选择要保证运动目标在t秒后完全进入图像块中，用与差分得到图像 信息融合，即包含了运动引起的变化，对进行滤波和形态学运算，然后通过水平投影和垂直投影得到运动目标的位置、分割出运动目标。
通常，各类汽车的车身侧视图的区别在于车身长、车身高、车型图像周长、车型图像的最小外接矩形面积、图像的圆形度、宽高比等，但是这些特征不具有平移、旋转和比例不变性，而矩特征是广泛使用的形状特征之一，一些最基本的二维形状特征都与矩有直接的关系。因此，在提取了车型图像的不变矩特征后，再利用神经网络对这些特征进行筛选，获得最有效的特征，然后根据这些特征采用支持向量机技术设计车型分类器。
1.2 牌照识别[4,5.6]
在研究牌照识别的算法时，常规的识别算法包括车辆图像的预处理、图像检测、模糊模板匹配和牌照字符的识别四部分，为了提高识别率，一般都引入了支持向量机的识别算法。
车牌字符在进行了成功分割以后，车牌字符的识别就成了一个关键问题，采用支持向量机做牌照字符识别，是一个多分类问题，而传统的支持向量机分类算法是一个典型的二分类问题，因此需要通过多个二类支持向量机的组合来实现字符的分类。
通常用的比较多的多类识别的方法有二类组合分类中的一对多判别策略和一对一判别策略。在一对多判别策略中，对n个类别仅需要构造n个支持向量机，每一个支持向量机分别将某一类的数据从其他类别中分离出来。在测试时，取决策函数输出值最大的类别为测试样本的类别，在一对一的判别策略中，各个类别之间两两构造分类器，每个分类器函数的训练样本是相关的两个类。在测试时，可以利用投票策略。此外，也可以通过改写二次规划中的目标函数使之直接适用于多值分类，但是由于其二次规划形式过于复杂，一般很少采用。
由于在车牌字符识别中所涉及的待分类别较多，如果利用二类别组合分类中的一对一策略，在识别的过程中会浪费很多有用信息，识别效果较差，而利用一对多策略的话就要构造很多支持向量机分类器，这无疑增加了测试阶段的工作量。因此可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）来解决车牌的多类识别问题。以一个四类分类问题为例，用于车牌识别的SVM决策树的模型如图1所示。
（a）无先验知识的SVM决策树（b）有先验知识的决策树
图1 SVM决策树模型
图1（a）是完全无先验知识的SVM决策数构形。为了提高识别的速度，我们采用如图1（b）所示的具有先验知识的SVM决策树构形，我们可以充分利用我们关于车牌字符的先验知识来指导树叶节点的划分，从而构造出一棵测试速度最优的SVM决策树，按照最优二叉树的顺序决定SVM分类器的使用。例如对“豫”字车牌较多的情形，我们可以定义类别4为车牌中的“豫”字，利用SVM决策树中级别最高的分类器SVM0首先分类出“豫”字车牌以加快SVM的分类速度。
以车牌中数字的识别为例，在对车牌数字进行识别的训练过程中，系统以车牌数字图像值作为特征向量，将该特征向量作为支持向量机的输入，然后在每个类别间两两构造支持向量机分类器函数。例如对于0～9这10个数字类别需要构造多个支持向量机分类器进行分类。在测试时，先将训练阶段构造的分类器按照一定顺序进行排序。由于支持向量机的分类机理使希望经验风险和VC置信度同时最小，因此，对这些分类器分别按照经验风险与VC置信度之和由大到小排序，和越小的分类器优先级别越高。在排序完成后，将测试样本的特征向量先代入优先级最高的分类器中，根据其结果可以淘汰另一半的分类器，依次类推，可以节省掉很多在二类组合分类中无法避免的重复工作免费论文。
通过上述方法，对用数码相机随机拍下的车牌图像进行定位、提取和字符分割，得到的结果如图2所示。
（a）车牌图像定位和提取 （b）车牌字符提取（c）车牌字符识别
图2 车牌字符的识别过程
2数据的网络传输安全[7]
不停车收费系统可以采用对称密钥加密算法AES和非对称密钥加密算法RSA两种数据加密方法来保证系统中敏感信息在网络中传输的安全性,如图3所示。
图3 不停车收费系统中的数据加密算法
2.1 AES加密算法
1/2 1 2 下一页 尾页 |
