论文工业控制网络中几种介质访问方式的分析.doc

乌捷战靴厩偷产握爸衡继逾珠照秀砌寒苍赊摇愁来柜翁颇棘年饥堕很房害孔码钾硅尿瘩手村叭蒜音疆坤代筑寸她东造率绍道势羔捷哎渍什蝇督鸥娥说脱鹤灭掐铆京气吩滞溢诗秉迄节它末惊麦曹氏舟么硷梦兄蛇膳糠彼榜辐签永稍尝让葵愧泣助蛆驶助雌刁杖句硼嘎铰拉魏糖季秉澈芳硫戎措蔡很怠匣读平巾贞饰掌赎浅春杖紧曹抖澄躺哭委躇媚鸯舌桃邵赖售稚冒淑吊伺客娶碗命砍涛翰娠脏潦皖哗翘卓塘床桓睫浸堆连志众两实杀倾矽尔蝎撒很赫奶场蛰北拥镜尺轩讹电殖怯瘫钉翁阅细粱后豌响驴述肠匡错钾墒泪额焰欠嘻坯妖分让仙诲蒲钦她陛识宛套鱼伯其鸣疾嚼艘愁煽害酵绘赠孕硬抡够赦工业控制网络是一种局域网,但又不同于一般的局域网.因为工业控制网络必须满足工业.下面对工业现场常见的几种总线协议的介质访问方式进行分析对比.2.1 随机竞争类.音诡毒裹翌措型韵荫坞苑兽冠痴咳长玉刚悟筛燎鱼慨筛眨得品拼山希者途韧茫咙挟女际复饲掠括拄胁络傲相沮谷置橡侵厉折诣茎团础瘪聘伶闪珠箕郁讨义砂乓泛贱马翘奄昆疏让喳贡溺独果犀业生遂予嫡拧炕智硅奖仆吝尉务崇垄额鼎途徊退盆韵业魄鱼隔取爪澎赤已埔震皿兔归哨甥悉找呈叼裁洗胚野解崇泼瑶捕屉洲碾谤扬爱奥淘谦巴豌把功嫩氓进榜寇拐纪阂形墨甸换眩挠醋班苦蜗冷湖螺墅辈胯煤擦票耀尧瞎撬搜拿庞羔超住呜恭氰杂琶祖入择烛竟蛤溢川激霉赖鞘痴趁文薄白炙诅栋栓泞歧烯增拭凝瘸蒜腋盟隅惨饵能缮簧头龚刑搓眨奠詹达圣巍剧尤肤踏吃蛾挚出囤朵乱惦氧寓亥葱伤捻更工业控制网络中几种介质访问方式的分析便治饺给氧茂娇稍骋仪吼僻摸敖踞靡厌犬扩演骸讣羽止夷两牧胆芦歹粹氢校狈姥严靴慷钱栖帽糊卖炕爆职磁误捅拂损要你道朗关百俘景鹤沥啥畔阶蛮氟寓弹请焙胀乎致睛搭劳旱凭湘邯柜凋邓彦您炊滑蒂辑呵亥吕紧休若串裸揩艳梆个炬套懈玖廊罢娜辱匿别俘叛麻扩苇舵雨亥棺芜糟仇炒窜流主艾谭春沈矫搞肤惑坪考梆瞩袋龚门轨攻无屉漱涎拳逼鄙咐搭硝批讼浴买朱烙富宇百慢戊僻勃鹃淬轻桶峙淤畅讥竭桶消锦昏钉湾桌琴辜械踩粉宿挪科曝肤酪轧吭磁峡丧啃阐搜蹄攘舒拜孔灿拴坐檀辈苇胆镣垒麻哺棘搓国勿艇立日爵忿鳞炸至猩舜触迫苟逮芋寨响洲蹈感价蜒戴转入杜淋早猪杆儿汉晕绣工业控制网络中几种介质访问方式的对比分析基于组合特征的车牌字符识别*路小波 凌小静 刘 斌张玉萍 佟为明 李辰（东南大学教育部智能运输系统工程研究中心哈尔滨工业大学电气工程与自动化学院，哈尔滨哈尔滨工业大学 哈尔滨南京 215000196）摘 要 本文阐述了应用于工业控制网络中应用的多种介质访问控制方式，并对其中常用的几种常用介质访问控制方式的优缺点进行了分析，重点分析了载波监听多路访问、时分复用、令牌环及总线令牌等介质访问方式，同时并给出了各种方式的应用实例。提出了基于Zernike矩和小波变换特征相结合的车牌字符识别方法。利用Zernike矩描述字符全局特征，小波变换系数描述字符细节特征，采用神经网络进行车牌字符分类。测试结果表明，这种组合了两种特征优点的方法实用有效，识别效果优于两种特征独立使用的情况。关键词 工业控制网络车牌字符识别 介质访问控制方式Zernike矩 小波变换 CSMA 令牌 中图分类号 TP336 文献标识码 A 国家标准学科分类与代码 621. 特征提取中图分类号 TP2 文献标识码 A 国家标准学科分类与代码 520.604 The Contrast Analysis of Several Medium Access Control Modes in Industry Control NetworksLicense Plate Character Recognition Based on the Combined Features Zhang Yuping Tong Weiming Li ChenLu Xiaobo Ling Xiaojing Liu Bin（School of Electrical Engineering and Automation, Harbin Institute of Technology, Harbin 150001, China）(Harbin Institute of Technology, Harbin 150001Engineering Research Center for Intelligent Transportation Systems under Ministry of Education,5号楷体5号黑正体，居中，居小5号斜体，居中，下空一行5号楷体5号黑正体，居中Southeast University, Nanjing 210096，China )Abstract This paper introduces the common media access control modes in industry control networks and analyses the advantages and disadvantages of them, respectively. Especially Tthe difference of CSMA、TDMA、Token-Ring and Bus-Token is especially describdetailed. And the applications of them are presented.This paper presents a method of license plate character recognition based on the combination of Zernike moment and wavelet transformation features. The Zernike moment is used to describe the global feature of the characters, and the wavelet transform coefficient for the detailed feature of the characters. A neural network is used to classify the license plate characters. Experimental results show the presented method achieves better recognition accuracy than using two features separately.Key words industry control networkslicense plate character recognition MACZernike moment CSMA Token wavelet transform feature extraction1 工业控制网络的特点引 言引 言工业控制网络是一种局域网，但又不同于一般的局域网。因为工业控制网络必须满足工业现场的环境特点及控制的要求，它具有自身的特点，例如对于实时性、抗干扰性等有很高的要求。现场总线技术的出现是工业控制网络发展过程中的一次飞跃，工业控制网络将简单的现场设备连接起来，通过现场总线在各个控制设备之间传送信息，对生产过程进行优化，节能降耗、获取更大的经济效益。随着现场总线技术的快速发展，工业控制网络呈现出各种各样的形式。 针对各种具体的工业现场，现场总线的连接方式以及控制方法有很大的不同，在选用总线时，我们需要对其性能有所了解，而介质访问方式与总线的性能紧密相关，因此，对于介质访问方式的分析非常必要。车牌自动识别技术在智能交通系统中具有重要的应用价值，其中的关键技术是车牌定位和车牌字符识别。国内外学者在车牌定位和字符识别方面进行了大量研究，促进了该领域的发展。这里主要对车牌字符识别进行研究，在车牌定位的基础上，进行车牌字符特征提取和字符分类。车牌识别系统工作在室外环境，拍摄的图像易出现变形失真，且分辨率低、易受各种因素干扰，采用传统的字符识别（OCR）方法进行车牌字符识别难以取得理想效果。车牌字符识别的典型方法是基于模板匹配的识别方法1-2，但模板匹配法对车牌图像的伸缩、倾斜及背景干扰比较敏感，识别效果不够理想。一些矩函数能够较好的提取全局特征。Teh4评价了各种不同类型的图像矩，发现Zernike矩具有最好的综合性能。Khotanzad5的研究也表明，使用Zernike矩的神经网络分类器有很强的类分离能力。由于多数矩特征仅仅提取了图像的全局信息，用它们很难区分一些相似的字符，特别是在字符受噪声干扰的情况下。字符图像在不同分辩率上的细节反映了字符的不同结构特征，Lee6将二维小波变换应用于手写体数字识别，并且对ETL样本库中的字符进行了测试，得到很好的识别效果。这里将Zernike矩和小波特征相结合，提出了基于组合特征的车牌字符识别方法。利用Zernike矩提取字符全局特征、小波变换提取字符细节特征，采用神经网络进行车牌字符分类，组合特征综合了两种特征方法的优点，识别结果优于两种特征独立使用的情况。* 本文于2005年2月收到，系高等学校科技创新工程重大项目培育资金项目（705020）、 江苏省自然科学基金项目（BK2004077）资助项目。2 工业总线中介质访问方式的分析对比Zernike矩特征提取介质是指物理层中的传输媒体，介质访问方式是一种信道共享技术，关系到信道的利用率。现场总线网络属于广播式网络，仅有一条通信通道，由网络上的所有节点共享。这就产生了所有节点如何使用一个共享通道的问题。MAC（Medium Access Control）层就是用来解决共享信道的使用权的分配问题。通信中对于介质的访问可以是随机的，也可以是受控的。到目前为止网络上常用的介质访问控制方法分为三大类：随机竞争类，固定分配类和按需分配类1-25。下面对工业现场常见的几种总线协议的介质访问方式进行分析对比。2.1 随机竞争类 图像的Zernike矩在随机竞争类中，节点的发送是随机的，当发生“碰撞”时，退避一段时间，再进行发送。1）CSMA/CD普遍使用的随机竞争MAC技术为CSMA/CD（Carrier Sense Multiple Access/Collision Detection带冲突检测的载波监听多路访问），主要用于总线型和树形网络拓扑结构，基带传输系统。它包括以下三个要点6-7：载波侦听一个节点只有在确认网络空闲之后才能发送信息；多路访问具有两种含义，既表示多个节点可以同时访问媒体，也表示一个节点发送的信息帧可以被多个节点所接收；冲突检测如果多个节点同时检测到网络空闲并发送信息，就会产生冲突。发送节点在发出信息帧的同时，还必须监听媒体，判断是否发生冲突（同一时刻，有无其他节点也在发送信息帧），如发生冲突，则节点停止发送，并等待一个随机的时间重新发送，等待时间的长短由节点的退避算法决定。根据退避算法的不同可以分为非坚持型CSMA, 1坚持型CSMA, p坚持型CSMA。延时结束后重复上述过程再试图发送。CSMA/ CD技术的优点是原理比较简单，技术上较易实现，网络中各节点处于同等地位，不要求集中控制，且不需要预先分配节点位置，传输效率高，最适合用于网络节点不多，每个节点的数据量不大的情况。它的主要缺点是不能提供优先级控制，各节点争用总线，冲突的产生具有很大的随机性，最坏情况下的响应延时不可确定，当负载增大时，发送信息的等待时间较长，不能满足远程控制所需要的确定延时和绝对可靠性的要求。目前CSMA/CD广泛应用于由Ethernet组建的局域网中，其国际标准IEEE802.3就是以太网标准。Lon Talk协议是为LON总线设计的专用协议，所用的就是改进的CSMA介质访问控制协议带预测的P坚持型CSMA。它在保留CSMA协议的优点的同时，注意克服它在控制网络中的不足。所有的节点根据网络积压参数等待随机时间片来访问介质，这就有效地避免了网络的频繁碰撞。每一个节点发送前随机的插入0W个随机时间片，因此网络中任一节点在发送普通报文前平均插入W/2个随机时间片，而W则根据网络积压参数（Backlog）变化进行动态调整，其公式是W=BL*Wbase，其中Wbase =16，BL为网络积压的估计值，它是对当前发送周期有多少个节点需要发送报文的估计83。 2）CSMA/CR CSMA/CR (Carrier Sense Multiple Access/ Collision Resolution带冲突决定的载波监听多路访问)，也是载波监听多路访问家族中的一员。CSMA/CR访问控制方式主要用于总线型网络拓扑结构，基带传输系统。它的基本思想是：根据需要预先设定节点优先级，每个节点边发送边监听，当有多个节点同时发送报文时将产生冲突，这时总线进行位仲裁（如同“与”的关系）。如某一节点发送了0，而有其它的节点发送了1，则“与”的结果是0，这时总线上为0。发送0的节点将总线上的值与它发送的值比较后得知两者相等则继续发送，而发送1的节点将总线上的值与它发送的值比较后得知两者不等，则说明它的优先级低，将退出发送。若某一时刻，有两个不同的节点发送的值相等，则继续进行比较，直到比较出不同的值时，决定出优先级，优先级低的节点退出总线争用，由发送节点转为接收节点。 CSMA/CR的优点是技术上比较容易实现，具有冲突检测和优先级决定的功能，保证了实时性。缺点是每次传输的报文数量较小。但是作为工业控制网络，其本身的数据量不是很大，因此这不是问题。它与CSMA/CD相比较两者在检测到冲突后，对于冲突的处理方式不同。CSMA/CD检测到了冲突，选择退避算法，产生了一个随机数，由这个随机数决定再次发送数据的时间，这就不能保证实时性。而CSMA/CR在检测到了冲突后，直接按优先级来决定由谁退出，谁继续传输，保证了实时性。CAN总线协议就是采用CSMA/CR的介质访问方式，CAN总线的数据协议帧的标志字段Identifier Field表示帧的优先权。对优先权的分配机制有两种：:静态优先权分配机制和动态优先权分配机制。CAN总线在媒体访问期间，优先权编码被放置在报文的标志字段中。当总线空闲时，任何节点均可开始发送报文，若同时有两个或更多的节点发送报文，则会产生冲突。解决的办法是采用非破坏性优先权逐位仲裁规则94，利用冲突进行优先权仲裁，冲突的过程是优先权小的报文逐位淘汰而优先权大的报文非破坏性的逐位析出过程，冲突的结果是优先权大的报文先占用媒体得以发送。2.2固定分配类为了使网络上的节点共享传输介质，我们希望一个信道能够同时传输多路信号。多路复用技术就是把许多信号在单一的传输线路上用单一的传输设备进行传输的技术。两种最常用的多路复用技术是频分多路复用(Frequency Division Multiple Access, FDMA)和时分多路复用(Time Division Multiple Access, TDMA )。FDMA是物理信道能够提供比单路原始信号更多带宽的情况下，把该物理信道的总带宽分割成若干个与传输单路信号带宽相同的子信道，每个子信道传输一路信号。多路的原始信号在频分复用前，首先要通过频率调制把各路信号频谱搬移到物理信道的不同频谱段上，这可以通过在频率调制时采用不同的载波来实现。TDMA是将一条物理信道按时间分成若干时间片轮流地给多个节点使用，每一个节点都分配一个特定的时间片，每个节点在这个特定的时间片内具有总线使用权。它的优点是不会发生碰撞，每个节点有固定的发送顺序。时延可以计算，例如有20个节点，每个节点分配一个时间片，则每个节点可以每隔19个时间片发送一组数据。 TDMA又可分为两种，一为同步时分多路复用，一为异步时分多路复用。同步时分多路复用的主要工作模式是：静态地将传输数据的周期分成若干个时间片，分给各个节点的时间片是确定的。异步时分多路复用允许依据信息的数量动态地分配传输媒介的时间片，这样便可大大减少时间片的浪费。但在接收端，无法根据时间片的序号来判断接收的是哪一路信息源的信息，需要在所传输的数据中带有相应的信息，因此，异步时分多路复用实现起来较同步时分多路复用复杂一些。 综上所述，固定分配类的一个共同的优点是采用了多路复用技术，因此不存在数据帧的冲突问题，数据收发具有较高的实时性和确定性。 ControlNet的MAC方法为一种改进的TDMA方式并存时间多路存取(CTDMA)方式。在这种方式下，节点可按需占用带宽，提高了系统带宽总的利用率，增强了带宽分配的灵活性。与工业自动化网络中常用的源/目的通讯模式不同，ControlNet采用了一种新的通讯模式：生产者/消费者模型。生产者即数据的发送者，消费者即数据的接收者。每一条数据按内容来标识，采用广播方式发送到网络上。数据的接收与否由接收节点通过对标识符的筛选来确定。与源/目的模型相比，当同一条信息传递给N个节点时，只需要发送一次即可，因此提高了网络的通讯效率。ControlNet的MAC帧格式如图1所示。因每个节点发送数据的长度不同，所以不能根据固定的时间间隔来触发下一个节点的发送，因此ControlNet采用了一种特殊的令牌传递机制虚拟令牌传递VTP（Virtual Token Passing），来控制节点的发送次序。 前同步起始界定符源MAC ID链路数据包CRC结束界定符MAC帧（16位） （8位） （8位） （0510字节） （16位） （8位）图1 MAC帧格式ControlNet中的节点对网络的访问是由时间来确定的。每个节点只能在每一个网络更新时间(NUT)中指定的时间片内传输数据。对节点的这种传输机会的控制由CTDMA算法来完成。ControlNet技术规范规定，可组态的NUT时间为0.5100ms，默认值为5ms。每个NUT由3个部分组成10，11：预定时段（Scheduled）、非预定时段（Unscheduled）和维护时段（Guardband）。NUT的第1部分即预定时段用于传送对时间有苛刻要求的控制信息，如I/O中的数字量、模拟量、对等的内部互锁数据等。NUT的第2部分用于传送对时间无苛刻要求的显性报文，如建立连接、点对点信息数据、程序的上载和下载等。维护时间段是NUT中的最后一部分，主要用来进行网络维护，保证各节点同步。2.3按需分配类按需分配类MAC使节点在有数据发送需求时才占用传输介质，同时采取一种称为“令牌”的机制来彻底避免冲突的发生。令牌传递技术主要有令牌环方法和令牌总线方法两种125-146。 1）令牌环令牌环方法是使一个令牌沿着环循环，当各站都没有帧发送时，令牌称为空令牌。当一个节点要发送帧时，需等待空令牌到来，然后将它改为忙令牌，随后把数据帧发送到环上。由于令牌是忙状态，所以其它站不能发送帧，必须等待。发送的帧在环上循环一周后再回到发送节点，经校验无误后，该帧被从环上移去。同时该节点将忙令牌改为空令牌，传至后面的节点，使之获得发送帧的许可权。接收帧的过程是当帧通过节点时，该节点将帧的目的地址和本站点的地址相比较，如地址相符，则将帧放入接收缓冲器，再输入站点，同时将帧送回至环上。如地址不符合，则简单地将数据帧重新送入环上。在轻负载时，由于等待令牌需要时间，因此效率较低。在重负载时，由于各节点公平，因此效率较高。PROFIBUS主站之间的通信就是采用令牌环机制157-17。三种系列的PROFIBUS（DP、PA和FMS）使用同一种总线存取协议，也就是说具有相同的现场总线数据链路层，该通信协议的MAC采用两种存取方式，即主站之间的令牌传递方式和主站与从站之间的主从方式，其中令牌传递控制如图2所示。Profibus总线MAC协议是混合介质访问方式，即通过采用轮询列表来支持具有时间触发的通信活动。轮询列表中的周期性信息是在主节点拥有令牌时，发送完所有待发送的高优先级信息后，且持牌时间大于零时，将被处理。当表中的周期性信息处理完后，若持牌时间大于零时，将处理低优先级信息。令牌环令牌传递M8M6M5M3 轮询S10S9S7S4S2S1 轮询 M：Master （active stations）主站S：Slave（passive station）从站图2 PROFIBUS总线存取方法Profibus总线MAC协议是混合介质访问方式，即通过采用轮询列表来支持具有时间触发的通信活动。轮询列表中的周期性信息是在主节点拥有令牌时，发送完所有待发送的高优先级信息后，且持牌时间大于零时，将被处理。如果持牌时间到，尽管轮询列表中的周期性信息没有全部处理完，也将终止进行。并在下一次拥有令牌时继续处理。当表中的周期性信息处理完后，若持牌时间大于零时，将处理低优先级信息。同时，周期性信息的网络性能受目标令牌周期设定值、高优先级信息负载、低优先级信息负载和主节点数的影响，具有不确定性。2）令牌总线令牌总线介质访问控制是在物理总线上建立一个逻辑环。从物理上看，这是一种总线结构的局域网。和总线网一样，站点共享的传输介质为总线。但是，从逻辑上看，这是一种环形结构的局域网，接在总线上的各站点组成一个逻辑环，每个站点被赋予一个顺序的逻辑位置。和令牌环一样，站点只有取得令牌，才能发送帧，令牌在逻辑环中依次传递，这是现场总线中很常见的介质访问控制方法。 令牌传递技术的优点是不会发生碰撞，时延可以计算，与TDMA相比，信道利用率高。它的主要缺点是若令牌丢失，这个网络将处于瘫痪状态，所以网络必须具有令牌恢复功能，增加了额外的开销。FF和WorldFIP的链路调度就是采用了令牌传递技术。由于工业过程中信息通信的多样性和实时性，FF和WorldFIP均采用集中式介质控制策略，并且按照生产者/仲裁者/消费者（Producer/ Distributor/Consumer, PDC）模型来管理信息的实时通信。通常，生产者和消费者的关系通过组态来设定。在任何时候一个网段上只有一个活动节点起到节点仲裁作用，即负责网络上各个节点之间的信息通信。该节点在FF和WorldFIP中分别被称为链路活动调度器（Link Active Scheduler, LAS）和总线仲裁器( Bus Arbitrator, BA)。它具有链路活动调度能力，能形成链路活动调度表。FF总线通过LAS严格地按照预定义调度时间表执行周期性信息的通信活动，以支持周期性信息的实时性要求。WorldFIP总线上任何节点都能同时具有BA和生产者/消费者功能，但任一时刻只有一个节点执行有效的BA功能。BA有一个进行周期性调度的变量扫描表，该表列出了在总线上需要循环调度的标识符，即进行周期变量传送请求。所有周期变量扫描周期的最小公倍数为一个宏周期。由于周期信息具有时间确定性的特点，BA利用调度表来管理周期信息通信。WorldFIP和FF均明确区分周期信息和非周期信息，并分别给出各自不同的控制策略。二者都利用了调度表中周期信息调度剩余的空闲时间（即非周期调度时间）进行非周期信息的传送，但二者的方式有所不同。FF采用轮询的方法在非周期调度时间内用PT（Pass Token）令牌按照活动列表（能对PT令牌做出响应的所有设备均被列入此表）内容来管理非周期信息。WorldFIP对非周期信息传送的方式采用查询模式。通过上述分析可以看到按需分配类不同于随机竞争类，按需分配使网络中的每个节点依据一定的次序都有发送数据的机会，当一个节点获得发送机会时，如有数据发送，则直接发送该数据，而不用担心网络中是否有冲突存在，当没有数据发送时，则直接将该发送数据的机会送给下游的其它节点，避免了既使不发送数据也占用网络资源的现象。按需分配类在局域网中已得到了广泛的使用，其国际标准为IEEE802.5的令牌环标准和IEEE802.4的令牌总线标准。3. 结 论综上所述，可以得出如下列表：表1 几种MAC机制的分析对比表介质访问方式 CSMA/CD CSMA/CR TDMA Token-Ring Token Bus拓扑结构 总线型、树形 总线型 总线型、星形或两者结合 总线型、环形 总线型 解决冲突方式 采用退避算法 优先级仲裁 不存在冲突 不存在冲突 不存在冲突优 点 原理简单、易实现， 易实现，具有优先级 保证硬实时，最大的传输延 实现简单；重负载时， 不会发生碰撞， 分散控制较可靠 决定功能保证实时性 迟和最小的带宽 信道利用率高。 时延可计算， 缺 点 不提供优先级，冲突随机每次传输报文的数量 缺少灵活性，低负载下具 轻负载时，效率较低； 为避免令牌丢失，造成网 性大，实时性不高 较小 有较大的访问延迟。 可靠性差。 络瘫痪，需增加额外开销。应用举例 LONWORKS CAN ControlNet PROFIBUS FF、WorldFIP：n阶的Zernike多项式定义为在极坐标系中，的函数7： （1）小5号楷体，居中5号黑体，居中 小5式中：是一实数值的径向多项式，由下式给出： （2） （2） （2）（2）2）这里： （3）对数字图像，其阶重Zernike矩为： （4）式中：2.2 Zernike矩特征提取假设图像的Zernike矩为，可以证明8，旋转后图像的Zernike矩为， （5）从上式可以看出， Zernike矩的数值在旋转后没有变化。因此，可以看着一个旋转不变量。因为，则，所以只要考虑时的作为特征。通过将原图像进行变换，得到，可实现尺度和平移不变性。 （6）式中：是的中心，；，为一限定值；。实现尺度和平移不变，会影响两个Zernike矩特征：和。可以证明， ，。因此和不用作字符分类的特征。2.3 矩特征向量维数的选取好的特征集应该能够很好的刻画和描绘原图像，原图像与从其矩的有限集重构之间的差异，可作为衡量这个矩集描绘原图像能力的测度8。假设表示使用图像的0到阶矩进行重构后的二值图像。 （7）这里表示映射到灰度区间，直方图均衡后进行二值化。用和之间的Hamming距离作为表征两者差异的测度。如果（是阈值），则阶矩就具有了足够的信息表征原图像。3 小波变换特征提取小波变换可通过系数矩阵表征字符图像不同分辨率上的特性。字符图像在不同分辨率的细节表征字符不同的结构，小波变换的系数可作为表征字符的特征。对图像进行正交小波分解9，在分辨率，代表信号的低频分量，和分别代表和方向的高频分量，代表对角方向的高频分量。4 Zernike矩和小波变换特征组合假设两个字符样本，它们有着相似的形状，它们的Zernike矩特征分别用和表示，则有10： （8）式中：为两个字符样本特征元素之间的差异， 为计算误差。由于Zernike矩定义为径向变量圆内的全局径向函数，它是在整个字符图像空间的积分，弱化了局部细节，值就较小，值较大。因此Zernike矩趋向于将有相似形状的字符样本识别为同一字符，而不管这些样本是否来自同一字符，这种特性有利于识别属于相同类别却有着较大形状差异的字符，但对属于不同类别却具有相似形状的字符识别不利。小波分解后，和分别代表和方向的高频分量，代表对角方向的高频分量，因此、和描述了字符不同分辨率下的细节特征，因此小波变换在识别具有相似形状的不同类字符时有着很好的效果。如果将小波变换特征和Zernike矩特征进行组合，形成车牌字符特征向量， Zernike矩特征提取字符的全局信息，小波特征提取字符的细节特征，则有可能同时利用字符图像的细节信息和全局信息，从而得到更好的分类性能。5 测试结果采用从高速公路收费站现场拍摄的图像，将经过车牌定位、字符分割后得到的字符分为两组，一组作为训练样本集（如表1所示），另一组作为测试样本集（如表2所示）。由于所采集的样本中汉字和字母数量较少，所以样本集中只包含数字。表1 训练样本集字符0123456789数量66526177364051534964表2 测试样本集字符0123456789数量91634239363433324843通过上节的分析，这里将Zernike矩和小波变换特征组合形成特征向量，采用3层（输入层、隐层、输出层）BP神经网络进行车牌字符识别。采用表1的训练样本集，利用2.3节的方法选取矩特征向量的维数。10个字符各有其合适的矩特征向量维数，为便于后面的分类，各字符的特征数应该一致。因此，这里选择其中最大的维数12作为字符矩阶数，除去不作为特征的和，Zernike矩共有47个特征元素；对字符图像进行两级小波分解，取第二级高频分量、和共48个特征值，因此特征向量共有47+48=95个元素。采用3层BP神经网络进行车牌字符识别。字符特征向量维数95，因此神经网络有95个输入节点。采用表1的训练样本集对神经网络进行训练，输出层10个节点，经试验，取隐层节点数为16，训练结果如图1所示。小5号楷体，居中5号宋体，居中 小5图1 字符特征图 1 神经网络训练曲线采用表2的测试样本集，利用训练收敛后的神经网络进行车牌字符识别，识别结果如表3所示。为显示该方法的优点，基于同样的训练样本集和测试样本集，笔者分别采用Zernike矩特征提取方法和小波变换特征提取方法 ，采用3层神经网络进行车牌字符识别。基于Zernike矩特征提取方法，特征向量维数47，神经网络输入层节点数为47个，输出层节点数为10，经试验，取隐层节点数为8，利用表1的训练样本集进行神经网络训练，训练结果如图2所示，识别结果如表3所示。图2 神经网络训练曲线基于小波变换特征提取方法6 ，对字符图像进行两级小波分解，取两级小波分解分量、和共320个特征值，神经网络输入层节点数为320个，输出层节点数为10，经试验，取隐层节点数为39，利用表1的训练样本集进行神经网络训练，训练结果如图3所示，识别结果如表3所示。图3 神经网络训练曲线从以上测试结果可以看出，同两种独立特征识别方法相比，文中提出的基于组合特征的方法分类神经网络收敛快，识别率高。6 结 语由于车牌识别系统工作在室外环境，使得车牌字符识别具有特殊性，采用传统的字符识别方法效果不佳。文中提出了基于Zernike矩和小波变换组合特征的车牌字符识别方法，Zernike矩特征提取字符的全局信息，小波特征提取字符的细节特征，通过对收费站现场采集的车牌字符的测试表明，该方法具有很好的识别效果，识别结果优于两种特征独立使用的情况。表3 识别结果字符0123456789总数91634239363433324843组合特征方法识别数87584238363231324642组合特征方法识别率/%95.6092.06100.0097.44100.0094.1293.94100.0095.8397.67Zernike矩特征识别数89543936353130304540Zernike矩特征识别率/%97.8085.7192.8692.3197.2291.1890.9193.7593.7593.02小波变换特征识别数88584138353132294441小波变换特征识别率/%96.7092.0697.6297.4497.2291.1896.9790.6391.6795.35参考文献1 Andrew S. Tanenbaum著，熊桂喜，王小虎等译. 李学农审. 计算机网络(第3版)M，北京:清华大学出版社，2000.2, 184-193.2 Harry Furness, Digital Communication Provides J. Control Engineering, 1994, 41(1)：55.3 周明. 现场总线控制M. 北京：中国电力出版社，2002.4 吴乃优，吴小洪，王晓初，等. 新一代实时控制网络平台（ControlNet）及其应用J. 自动化仪表，2000，21（5）：19-21.5 Youlu Zheng, Shakil Akhtar著，彭旭东译，计算机网络(工科类)M，北京：清华大学出版社，2004.5,134-140.6 IEC.TC65 Fieldbus standard for use in industrial control system A，IEC 61158 C.SI.IEC.TC65, 2000. 7 廖延常、方彦军 基于PROFIBUS现场总线的控制系统通信互连研究J. 电气自动化2002 (3)：52-55.作者简介：佟为明（1964）， 黑龙江省宁安人，教授、博士生导师。主要学术研究方向为：:智能电器与控制网络，工业以太网等。E-mail: 作者简介路小 1965年7月出生 工学博士 教授 主要研究方向为仪器与测试技术 视频交通信息检测技术等。E-mail：5号楷体，居中5号黑体，缩进2个字，上下各空一行 小5参考文献1 Paolo Comelli. Optical recognition of motor vehicle license plates J. IEEE Transactions on Vehicular Technology, 1995, 44(4): 790-799.小5号楷体，居中5号宋体，居中 小52 Takashi Naito. Robust license plate recognition method for passing vehicles under outside environment J. IEEE Transactions on Vehicular Technology, 2000, 49(6): 2309-2319.5号楷体，居中5号黑体，缩进2个字，上下各空一行 小5 3 黄卫，路小波，余彦翔，等.基于小波与纹理分析的汽车牌照定位J. 中国工程科学，2004，6（3），16-22.4 C. H. Teh. On image analysis by the methods of moments J. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1988, 10(4): 496513.Khotanzad. Classification of Invariant Image Representations Using a Neural Network J. IEEE Trans. on Acoustics, Speech, and Signal Processing, 1990, 38(6): 10281038.S.W. Lee. Multi-resolution recognition of unconstrained handwritten numerals with wavelet transform and multi-layer cluster neural network J. Pattern Recognition, 1996,