前言：我們精心挑選了數篇優質預算會計的特征文章，供您閱讀參考。期待這些文章能為您帶來啟發，助您在寫作的道路上更上一層樓。

第1篇

關鍵詞:車牌定位; 邊緣檢測; 幾何特征; 顏色特征

中圖分類號:TP391.41文獻標識碼:A

文章編號:1004-373X(2010)08-0100-04

Fast Location Algrorithm of Multi Licence Plates Based on Hybrid-feature

YUE Peng1, PENG Jin-ye1, LI Da-xiang1, REN Xuan2

(1.College of Information Science and Technology, Northwest University, Xi’an 710127, China;

2.Highways Management Group, Xi’an 710018, China)

Abstract:Aimming atthe problems of large computation and long-time location for the license plate location, a location method based on hybridfeature that contains the geometry and color is proposed. The histogram equalization pre-processing is made on a license plate image, the candidate district is determined with improved edge detection and mathematical morphology, and thenthe interfered district is excluded by the feature of geometry and color. At last, the location effects under various environment are compared. Besides, the corresponding algorithm and implementation results are provided.

Keywords:license plate location; edge detection; geometrical feature; color feature

車牌定位是車牌自動識別系統中的關鍵技術,其出發點是通過車牌區域的特征來判斷牌照。該技術發展至今已有幾十年的歷史,可謂相對比較成熟,但很多常用的車牌定位方法都離不開對車牌邊緣的提取,不管是灰度邊緣檢測,還是彩色邊緣檢測都存在計算量大,定位時間長的缺點[1]。因此,在未找到更好、更有效的定位方法之前,提高邊緣檢測的速度,縮短定位時間已成為改善現有車牌定位系統亟待解決的問題。這里提出一種改進的基于Sobel算子的邊緣檢測算法,并利用車牌的幾何和顏色特征對其精確定位,在實現快速定位的同時,可將其應用于復雜背景的多車牌定位環境中,具有一定的先進性。

1 算法介紹及流程

人們獲得的圖像大多是公路探頭或是用數碼產品拍攝的,經過預處理后便于后續工作的進行。該方案主要由“生成”和“去偽”兩個模塊構成,如圖1所示。

2 圖像預處理

由于捕獲的車牌圖片多為.bmp和.jpg格式,且由于拍攝環境制約圖像經常會曝光不足,使圖像模糊,對比度和信噪比較低。為了便于系統后續工作的處理,對圖像進行灰度化以及直方圖均衡處理[1]。

圖1 算法流程圖

3 生成候選區域

3.1 邊緣檢測

該算法采用改進的Sobel算子,其主要思想是大大減少算法中乘法運算的次數,從而提高系統的處理速度。Sobel算子有八個與邊界方向對應的模板,每個模板對某種特定邊緣方向做出最大響應。所有八個方向中的最大值作為邊緣幅度圖像的輸出[2],其八個模板分別為45°,90°,135°,180°,225°,270°,315°,360°方向[3],如下所示:

И121

000

-1-2-1〗 210

10-1

0-1-2〗 10-1

20-2

10-1〗

模塊a 模塊b模塊c

0-1-2

10-1

210〗-1-2-1

000

121〗-2-10

-101

012〗

模塊d模塊e模塊f

-101

-202

-101〗 012

-101

-2-10〗

模塊g模塊h

假設圖像中某一點Q及其3×3區域的灰度為: q0q1q2

q7qqq3

q6q5q4〗,分別設ai(i=1,2,…,8)為經過Sobel算子第i種模板處理后圖像Q點的灰度值,例如采用模板e,則:a5=-q0-2q1-q2+q4+2q5+q6=(q4+q6)-(q0+q2)-2(q5-q1)。

經過處理后,點Q處的灰度值W=max{ai},i=1,2,…,8。根據以上描述,采用Sobel八模板法計算像素點灰度的過程[2],對采用Sobel算子處理圖像的計算量進行分析。參照計算a5,應用每一種模板所需的計算量可得,進行加法的次數為t1=5次,進行乘法的次數t2=1次。那么,依據計算點Q的灰度值所需的計算量可得,進行加法的次數為T1=8t1=40次,乘法的次數為T2=8t2=8次。采用Sobel算子八模板處理一幅N×N的圖像,依上述方法可推得所需的計算量為進行加法的次數為40N2次,進行乘法的次數為8N2次。

首先該算法去掉Sobel算子八個模板中的中央值,然后按順時針方向依次提取每個模板因子,再將提取的因子作為循環矩陣PУ囊恍,構成循環矩陣如下所示:

ИP=1210-1-2-10

210-1-2-101

10-1-2-1012

0-1-2-10121

-1-2-101210

-2-101210-1

-101210-1-2

01210-1-2-1〗

對P進行行變換就可以得到AP=B,其中A和BХ直鷂:

ИA=-11000000

0-1100000

00-110000

000-11000

0000-1100

00000-110

000000-11〗

B=1-1-1-1-1111

-1-1-1-11111

-1-1-11111-1

-1-11111-1-1

-11111-1-1-1

1111-1-1-1-1

111-1-1-1-11〗

設C=\T,D=(1/2)\T=\T,有qj(j=0,1,2,…,7),表示圖片中3×3像素區域內第j個像素點的灰度值;ai(i=1,2,…,8)表示采用八模板中第i種模板的計算灰度值[4],Ъ撲愕:

ИPC=2D

因為AP=B,Ы岷仙鮮階換可得:

ИBC=2ADИ

展開并移行可得:

Иr1=0.5(q0+2q1+q2-q4-2q5-q6)=

0.5(q0+q2-q4-q6)+(q1-q5)

r2=r1+(q7+q0-q1-q2)

r3=r2+(q6+q7-q0-q1)

r4=r3+(q5+q6-q7-q0)

r5=r4+(q4+q5-q6-q0)

r6=r5+(q3+q4-q5-q6)

r7=r6+(q2+q3-q4-q5)

r8=r7+(q1+q2-q3-q4)

由以上計算,r1需要進行加法(含減法)的次數為5次,乘法次數為1次。ri(i=2,3,…,8)需要進行加法的次數為7×4=28次,總共需要加法的次數為28+5=33次。用改進的方法處理圖像,某點Q的灰度值為W=max{qi}=2max{ai},因為乘2可以用移位算子得到,那么處理一幅N×N圖像需要進行的加法運算次數為33×N×N=33N2,乘法運算次數為N2次。

選取適當的閾值th,若像素的新灰度值大于th,則把該點記為邊緣點,再按照從上到下,從左到右的順序對邊緣點進行掃描,可發現車燈、車頭的散熱橫欄以及車牌區域的跳變比較突出。

3.2 基于數學形態學的定位

在候選區域確定出來后,下一步驟是根據這些區域提供的位置信息從原圖像中分割出可能的牌照子圖像,形成候選區域隊列,即找到某一區域的任意一點后,將其壓入堆棧,進行遞歸,判斷堆棧是否為空,非空則彈出一點作為當前點并進行標號,然后查找左、下、右、上的鄰點,若該鄰點未曾標記,則繼續壓入堆棧,如此循環,直至堆棧為空[5,6]。經過數學形態學處理后,圖像中有許多連通區域,為了確定車牌區域,把感興趣的車牌從背景中分離出來,有必要對各個連通區域進行標記,逐一檢測并刪除偽車牌區域。

4 去除偽車牌區域

4.1 利用車牌的幾何特征定位

檢查所得矩形區域的長和寬,根據閾值去掉過小的區域。但通常必須保留過大的區域,因為這可能是由牌照和周圍車體部分粘連而形成的。利用車牌自身相異于其他區域的幾何特征在車牌候選區域中提取真正的車牌[7]。

(1) 候選車牌的尺寸大小和長寬比例;

(2) 候選區域內像素分布關系;

(3) 候選區域在原始圖像中的位置。

因為候選區域是在車身的中間,且寬高比大致為140/440=0.318,這里選取[0.30,0.45]作為判斷區間,據此幾何特征,可以刪除偽車牌區域。

4.2 利用車牌顏色特征的定位

通過上述步驟的篩選,已能精確定位對比度適中、字符清晰無磨損的普通車牌,但有時僅靠車牌的幾何信息并不能完全排除偽車牌區域,如車身的文字區域、車燈以及雙車牌車輛等,故利用車牌的顏色特征可實現車牌的精確定位[8-9]。

因為在通過拍攝得到的車牌圖像中,由于車牌新舊、磨損狀況、光照強度等眾多因素的影響,不同車牌圖像很難達到穩定的統一,而HSV色彩模型的高度具有獨立性,可以單獨考慮車牌的色彩進行判斷,這帶來了很大的方便。

在車牌定位中,首先選擇車牌候選區中心的一塊區域進行顏色模型到HSV模型的轉換;然后按照區間對顏色進行劃分,統計落入區間的像素點數目;再對所選區域進行色彩統計,將像素點進行歸類,進行偽車牌刪除,最后確定車牌區域[10]。圖2所示為利用該方法直接定位成功的實例。圖3所示為利用該方法定位并成功去除偽車牌區域的實例。圖4所示為利用該方法定位多車牌區域的實例。

圖2 直接定位成功的實例

圖3 利用該方法定位并成功去除偽車牌區域的實例

圖4 利用該方法定位多車牌區域的實例

5 實驗結果分析

通過對上述幾個應用實例的分析,將該技術普遍應用到實際生活當中。經某小區物業同意,在該小區地下、露天、立體車庫以及路口通過不同角度、不同背景、不同光照采集車牌圖片400張(晴天和陰雨天各200張)進行定位。采用Visual C++6.0開發工具,并在具有Core(TM)2 Duo CPU,2 GB內存的計算機上實驗得到數據,定位準確率達到93.25%,27張定位失敗圖片,如表1所示。其中,9張由于車牌損傷較大或者字符被污染粘連現象嚴重;16張由于靠近車庫邊緣或陰雨天拍攝光線嚴重不足,無法通過預處理達到定位要求;2張由于是2009年新式武警車牌,車牌幾何特征與92式車牌差別較大,導致定位失敗。需在后續工作中對此方法進行改進,以提高其適應性。

表1 不同環境下的實驗結果分析

拍攝環境拍攝距離/m拍攝角度實驗圖片數定位成功數實驗總數定位成功總數準確率

晴朗

3

水平0°2727

水平斜45°4241

俯向下45°3129

10

水平0°6563

水平斜45°3531

20019195.50%

陰雨

3

水平0°3635

水平斜45°4440

俯向下45°2015

10

水平0°7169

水平斜45°292320018291%

此外,對采用該方法與采用普通Sobel邊緣檢測算子的計算結果進行了比較,普通Sobel邊緣檢測算子處理一幅N×N的圖像需要進行加法的次數為40N2次,進行乘法的次數為8N2次,運用該方法處理一幅N×N圖像需要進行加法運算次數為33N2,乘法運算次數為N2Т?。可?在不影響準確率的前提下,運算消耗大大減小,如表2所示(采用相同圖片,相同平臺環境進行比較)。

表2 改進Sobel算子與普通Sobel算子的比較

邊緣提取方法實驗圖片數定位成功數準確率 /%定位平均耗時 /s

基于普通sobel算子40037393.250.135

基于改進sobel算子40037393.250.088

6 結 語

車牌定位是車輛牌照自動識別系統中的關鍵和難點,實際圖像中噪聲、復雜背景等的干擾都會使定位十分困難。本文采用改進的邊緣檢測算法快速獲得圖像的邊緣,充分利用了車牌的幾何特征和車牌的顏色特征排除偽車牌區域,實現車牌的定位。該算法在保證車牌定位可靠性的前提下,具有限制條件少,速度快的優點,并可進行多車牌定位。實驗證明,該方法具有很好的定位效果和實用性。

參考文獻

[1]馮滿堂, 馬青玉, 成峰. 基于混合特征的多車牌定位算法[J]. 微計算機信息, 2009, 25(9): 236238. [2]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.

[3]王濤, 全書海. 基于改進Sobel算子的車牌定位方法[J]. 微計算機信息, 2008, 24(13): 312314.

[4]LI Gang, ZANG Ruili, LIN Ling. Research on vehicle license plate location based on neural networks[C]. Washington DC: Proceedings of the First International Conference on Innovative Computing, Information and Control, 2006.

[5]郭大波, 陳禮民, 盧朝陽, 等. 基于車牌底色識別的車牌定位方法[J]. 計算機工程與設計, 2003(5): 8187.

[6]李偉, 朱偉良, 孔祥杰, 等. 一種新型的基于數學形態學和顏色特征車牌定位算法[J]. 科技通報, 2009(25): 214219.

[7]SURYANARAYANA P V, MITRA S K, BANERJEE S K, et al. A morphology based approach for car license plate extraction[C]. Chennai: IEEE Indicon 2005 Conference, 2005.

[8]王義興, 黃鳳崗, 韓金玉, 等. 基于顏色搭配與紋理特征的車牌定位方法[J]. 中國圖像圖形學報, 2009(2): 303308.

第2篇

關鍵詞： 圖像分塊； Harris?SIFT； 迭代精化； 特征匹配

中圖分類號： TN919?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2013）22?0073?03

0 引 言

在圖像局部區域提取出的特征如邊緣線、角點等稱為局部特征。其對仿射、旋轉、光照等變化具有不變性。將局部特征應用于圖像配準，具有廣泛的應用領域，例如圖像拼接、運動目標檢測、模式識別等。Harris角點作為當前效果最好應且應用最多的角點[1?2]，具有局部特征的若干不變性。利用高斯濾波，Mikolajczyk實現了Harris角點的尺度不變性[3?4]。Lowe于2004年提出完善的SIFT算法[5?6]，為了能夠使特征點的匹配測度更準確，對其進行定量化的描述從而生成特征矢量[5?6]。其作為特征點與匹配的橋梁，實現了圖像的精確匹配。本文先將原圖像分割成子圖像塊，利用分塊閾值避免因圖像灰度不均勻造成的角點漏檢；結合Harris角點和SIFT定量化數據描述，獲得穩定的特征矢量，保證了特征匹配的速度、精度和魯棒性。仿真驗證，這種特征匹配方法能夠取得很好的仿真效果。

1 角點檢測

1.1 圖像分塊

圖像分塊是本文在角點檢測前的第一步，目的是為改變整幅圖像角點響應單一閾值的影響，在各圖像子塊中設定分塊閾值，使提取的角點分布均勻合理，充分反應圖像整體結構[7]。可以選擇圖像塊大小固定和塊數固定的方法對圖像進行分塊。采用子塊大小固定的方法，可以按照圖像的灰度紋理分布，合理選擇子塊的大小，保證灰度不同的各子塊根據不同閾值合理提取角點。但是，這種方法容易造成越界分塊。本文用固定塊數的方法，去除上述的越界分塊[7]。完成圖像分塊后，每一個子圖像塊都有獨自的灰度分布和紋理。在1.2節中進行角點響應閾值選擇時，采用最大響應值的比例，這樣[i]子塊的閾值定義為[βRimax]。在每一子圖像塊中有不同閾值，可以檢測出各子塊征相對顯著的角點，保證了檢測的角點充分反應圖像整體結構。

1.2 角點提取

高斯尺度空間是應用不同尺度的高斯濾波器對圖像進行濾波，獲得相應的尺度高斯圖像[3]。

高斯核[4]：

判斷R在角點鄰域內是否為極大值并進行篩選，提取Harris位置空間角點[3]。式（4），式（5）中[TR]為角點響應閾值，本文用自適應閾值[TR=βRmax]，[β]為可以設定的常數，本文仿真取[β=0.2。]在整幅圖像中，[Rmax]固定，而圖像灰度紋理不同，要使提取的角點分布均勻且合理，必須采用變化的閾值。為此，本文首先對圖像進行分塊，則第[i]塊圖像閾值為[TiR=βRimax]，這樣就可以應用子塊的閾值。最后，進行拉普拉斯響應值[4]計算，判斷Harris位置空間角點：

1.3 迭代精化

數字化的圖像是作為離散數據來處理的，這樣在對響應R判斷時[Rmax]可能被拒絕，為使提取的角點收斂到其真值，采用迭代的方法進行處理，由上文得到初始點集[（x，σI）]，進行精化迭代運算[4]：

用上式進行篩選，拒絕不滿足式（10）的點；最后若[σ（k+1）I≠σ（k）I]，并且[σ（k+1）I≠σ（k）I]，轉到（1）。對于數字化的圖像來說，在不同的尺度上進行檢測，可能會得到不同的角點位置。通過迭代精化運算，這些不同的位置將逐漸收斂一致。

2 特征矢量及匹配

2.1 角點定量化描述

為了使生成的特征矢量具有旋轉不變性，首先要確定角點主方向和輔助方向[8]。計算角點鄰域的梯度幅值和方向。

根據幅值統計梯度方向的直方圖。在這個局部區域內，距離角點更近的點更能反應圖像的結構，因此，在直方圖統計時，對其進行高斯加權，使角點附近的點的幅值和方向有較大比例，消除仿射造成的角點不穩定[8]問題。根據劃分的區域和方向范圍，生成128維的特征向量[5?6，8]。根據區域的不同用高斯函數加權處理，保證角點附近的區域方向具有更大的比重。為增強特征矢量對光照、仿射等變化適應性，對其進行歸一化。為增強特征矢量的鑒別性[5?6，8]，截斷其中值大于0.2的，重新進行歸一化。

2.2 匹配策略

對已有的角點特征矢量，采用雙向匹配策略，以歐式距離作為特征向量的相似性測度，對已生成的兩個角點特征向量進行匹配。最后，應用RANSAC方法[9?10]去除誤匹配，保證角點特征匹配的精度。

3 實驗結果與分析

采用256×320實驗圖像，在Intel Core i5，3.1 GHz CPU，4.0 Gb RAM的PC機上用MATLAB語言程序實現本文方法。對分塊閾值在本文方法中對角點檢測的影響進行了實驗分析，同時對本文提出的分塊閾值Harris?SIFT與SIFT算法的匹配性能進行了仿真比較分析。

3.1 分塊閾值對角點的影響

無分塊閾值的Harris?SIFT算法、本文提出的算法和SIFT算法檢測圖像特征點分別如圖1～圖3所示。

圖1，圖2比較，圖1檢測到的角點較少，分布不均勻，圖2角點均勻合理?？梢缘贸?，加入分塊閾值，改變了整幅圖像的單一閾值[Rmax]，增加子圖像塊閾值[Rimax]，使角點檢測更準確，充分反應圖像整體結構。

圖2，3比較，圖2Harris角點均勻合理，充分反應圖像結構。圖3特征點隨圖像灰度紋理變化較大，分布不均，且大都不是角點。

3.2 本文算法與SIFT算法性能比較

通過特征匹配和去除誤匹配得到匹配結果如圖4，比較本文算法與SIFT算法的配準效果見表1。

由實驗結果可見，SIFT算法中DOG算子和卷積用時間長。本文算法先檢測多尺度Harris角點，計算量小，提取特征點數相對較少，減少了描述角點消耗的時間，圖像配準速度提高了19.2%。加入分塊閾值，使本文提出的角點均勻合理，配準精度比SIFT算法提高了1.4%。

4 結 語

經過Matlab仿真驗證，分塊閾值改變了圖像角點響應單一閾值的影響，使本文算法中的角點檢測在圖像中分布合理，充分反應圖像的整體結構。并且本文算法結合了Harris角點和SIFT對圖像局部結構特征定量化數據描述的互補優勢，既減少了配準時間，又提高了配準的精度。但是本文算法比較SIFT，也沒有解決角點受仿射變化的影響，下一步需要研究Harris角點的仿射不變性。

參考文獻

[1] SCHIMID C， MOHR R， BAUCKHAGE C. Evaluation of interest point detectors [J] International Journal on Computer Vision， 2004， 37（2）： 151?172.

[2] HARRIS C， STEPHENS M. A combined corner and edge detector [C]// Proceedings of 4th Alvey Vision Conference. UK： University of Manchester， 1988： 147?151.

[3] MIKOLAJCZYK K. Scale & affine invariant interest point detectors [J]. International Journal on Computer Vision， 2004， 60（1）： 63?86.

[4] LINDEBERG T. Scale?space theory in computer vision [M]. Stockholm， Sweden： Kluwer Aademic Publishers， 1994.

[5] LOWE D G. Distinctive image features from scale?invariant keypoints [J]. International Journal of Computer Vision， 2004， 60（2）： 91?110.

[6] LOWE D G. Object recognition from local scale?invariant features [C]// Proceedings of the International Conference on Computer Vision. Kerkyra； ICCV， 1999， 2： 1150?1157.

[7] 張登榮，劉輔兵，俞樂.基于Harris操作數的遙感影像自適應特征提取方法[J].國土資源遙感，2006（2）：60?63.

[8] LI Can?lin， MA Li?zhuang. A new framework for feature descriptor based on SIFT [J]. Patter Recognition Letters， 2009， 30（1）： 544?557.

第3篇

關鍵詞：廣西；會計信息質量；預算管理

本文為梧州學院科研項目（2008C003）、廣西教育廳科研課題（200911LX432）階段性成果

中圖分類號：F23 文獻標識碼：A

收錄日期：2012年3月5日

隨著預算管理在企業管理控制中日趨重要，如何使企業預算管理持續高效配置資源是企業必須解決的難題，會計信息是企業資源配置的基礎與結果，會計信息質量將影響著企業預算管理模式選擇。本文將重點分析會計信息質量與企業預算管理的互動機理，以期有益于提高企業預算管理效率。

一、會計信息質量特征與企業預算管理分類

（一）企業會計信息質量特征。在“決策有用”的會計目標下，最主要的會計信息質量特征是相關性與可靠性?？煽啃允侵浮捌髽I應當以實際發生的交易或事項為依據進行會計確認、計量和報告，如實反映符合確認和計量要求的各項會計要素和其他相關信息，保證會計信息真實可靠，內容完整”，可靠性具有立足于實際交易或事項、如實反映、真實性與完整性四個特征，如實反映是可靠性的核心。相關性是“與經濟決策相關的信息，應有助于財務會計報告使用者對過去、現在或未來的情況做出評價或預測”。FASB（2006）對相關信息理解為“為了幫助使用者在決策中，有助于他們評估過去、現在或未來的交易或事項中關于現金流量或確認或改進他們原來的估計而提供導致差異的能力”（葛家澍，2007）。各國比較認同會計信息具有可靠性與相關性兩個基本質量特征，因此本文主要考慮會計信息可靠性與相關性兩個質量特征。

（二）按基本功能劃分企業預算管理。著名會計學教授Zimmerman（2000）將預算管理的基本功能歸納為：預算是一項可以對公司中各種活動進行協調的決策制定工具，也是對行為實施控制的一種工具。蔡劍輝（2009）認為傳統預算擔負計劃協調和資源等決策職能，又作為業績評價和薪酬激勵的標準，成為控制系統的一部分，并從組織角度看提高預算決策能力往往以犧牲預算控制效率為代價。在此基礎上，佟成生（2011）確定了預算具體功能與基本功能的關系，認為決策功能包括溝通、協調、計劃及資源配置等具體功能，控制功能包括業績評價、經營控制和激勵等具體功能，企業如果不恰當使用預算會導致預算兩大基本職能沖突，指出企業應根據具體環境發揮相應的預算功能才能使企業業績更好。企業預算管理具有控制與決策兩大基本功能是一個沒有爭議的研究成果，因此本文將企業預算管理按照預算基本功能劃分為控制型預算管理與決策型預算管理，由于預算實務中控制與決策兩大基本功能是很難界定的，也就是說企業預算管理不可能只履行單一功能，而是同時具有雙層功能。文中控制型預算管理是指以控制功能為主、決策功能為輔的預算管理，決策型預算管理是指以決策功能為主、控制功能為輔的預算管理。

會計信息具有相關性與可靠性兩大質量特征，預算管理具有控制與決策兩大基本功能，我們認為這不是一種偶合，兩者之間存在一定的邏輯關系。

二、會計信息質量與預算管理互動機理

會計信息質量是企業資源配置前后的狀態反映，預算管理是企業資源配置的核心工具，只有企業預算管理配置資源的效率能客觀反映出來，高效的預算管理模式才能不斷優化，如果會計信息與預算管理能良性互動，企業才能高效配置資源。高質量的會計信息除了反映預算管理過程與結果，還可以通過減少市場信息不對稱來降低投資者面臨的逆向選擇與道德風險，縮短企業內部過長的委托鏈，為企業預算管理塑造良好環境。企業預算管理過程中形成一部分預測信息將是企業會計信息的重要組成部分，有利于提高會計信息的預測價值性，進一步增強會計信息質量?？梢哉f，會計信息質量與企業預算管理相互制約，可形成均衡的、可持續的互動機理，最終實現高效配置企業資源。會計信息質量與企業預算管理的互動機理見如圖1，互動機理只考慮會計信息可靠性與相關性兩大基本質量特征，預算管理按照功能劃分為控制型預算與決策型預算兩類。（圖1）

（一）會計信息質量：企業資源配置的起點與歸宿點。在企業資源配置過程中，以前年度的會計信息是企業配置資源的基礎，企業通過分析以前年度的會計信息、其他相關信息以及預期的影響因素對企業資源實施初始配置（即企業預算），形成的企業預算也就成為企業日后經濟活動執行與評價的一個重要標準。同時，會計信息也反映了企業資源實際配置結果，一般企業會計信息質量越高，會計信息越能客觀反映企業的資源實際配置結果。因此，我們認為企業會計信息既是企業資源配置的起點，也是企業資源配置的結果。

（二）預算管理：企業資源配置的核心工具。企業資源配置的管理工具有很多，有事前、事中與事后等各種配置工具，而企業預算管理是企業資源配置的核心工具，因為：（1）企業預算管理是一種事前資源配置手段，對企業資源實施的初始配置，符合企業戰略，以后企業采取的各種管理控制工具一般只是微調某些環節的資源配置；（2）企業預算管理是一種全面的資源配置手段，既涉及到財務以及非財務方面，又覆蓋了企業內部各部門以及企業與相關利益主體之間，還跨越多個會計年度；（3）企業預算管理為其他資源配置工具提供了一個明確的考核標準。

（三）會計信息質量與預算管理互動機制

1、會計信息質量能優化預算管理環境。企業內部的委托關系按層次劃分為：部門經理與業務員工、總經理與部門經理、董事會與總經理、股東與董事會、股東與監事會、控股股東與中小股東、債權人與債務人七層委托關系（聶順江，2010），形成一個自股東至業務員的多層次委托關系聚合體。在每一層委托關系中，人都處于信息優勢，而委托人處于信息劣勢，有限理性人容易產生逆向選擇與道德風險。由于企業委托關系鏈比較長而復雜，會計信息從產生到傳遞給高管過程中，在每一層委托關系都可能產生噪音，容易出現“牛鞭效應”，嚴重時會計信息在傳遞過程中失真。為了提高會計信息質量，企業將采取兩項措施：（1）理順企業委托鏈，減少委托層次，從而促使企業組織結構由金字塔形向扁平形轉變；（2）增強企業會計信息透明度。為了提高會計信息的透明度，企業將加強信息管理的硬件與軟件建設。為了明確各層委托關系中委托人與受托人權、責、利之間的關系，會計信息也就成為明確各層委托關系中委托人與受托人權、責、利關系的工具，會計信息也將凸顯可靠性這一質量特征；當企業為了降低企業內部信息不對稱，企業提供的會計信息除了要透明的同時，更應保證會計信息可靠性的基礎上提高會計信息的相關性，以便使企業各層委托關系中的委托人與人能充分共享高質量的會計信息?？梢姀娬{可靠性的會計信息將有利于優化企業內部的委托鏈；強調相關性的會計信息有利于降低企業會計信息不對稱程度，這能為企業預算管理塑造較好的管理環境。

2、預算管理能提高會計信息質量。企業委托關系比較少，一般企業采取扁平形組織結構，在扁平形組織結構中，企業與外部環境接觸面比較大，企業內部與外部的信息交換依靠企業所有員工，可以說企業員工最熟悉各個業務終端，企業預算管理也就不得不要求全員參與，才能使得企業預算管理效果更佳，因此企業一般會實施決策型預算管理。相反，企業委托關系比較多，一般企業采取金字塔形組織結構，如果采取全員參與預算管理，預算管理的成本相對較高，預算效率較低，因此企業一般會實施控制型預算管理。企業信息不對稱程度比較高的情況下，委托方對受托方進行激勵的同時，更加偏重于監督受托方，因此在預算管理過程中，企業一般采取監督色彩比較濃的控制型預算管理。而企業信息不對稱程度比較低，委托方與受托方信息共享程度比較高，委托方更加偏重于激勵機制建設來激勵受托方，因此企業一般采取決策型預算管理。預算管理過程形成預算信息，預算信息是會計信息的組成部分，當企業采取控制型預算管理時，企業預算成為企業經營管理活動權威的評價標準，甚至是唯一的評價標準，此時會計信息必須與預算信息一致程度較高，說明會計信息具有很高的可驗證性；當采取決策型預算管理時，由于預算參與程度較高，企業對未來發展趨勢把握比較準確，此時的預算信息具有很強的預測性，將有利于增強企業會計信息的預測價值，為會計信息相關主體提供更多的相關信息，凸顯企業會計信息的相關性。

3、會計信息質量與預算管理互動路徑選擇。會計信息質量特征的變遷促進企業預算管理模式的改進，預算管理模式的改進進一步固化變遷后的會計信息質量特征。結合會計信息質量與預算管理模式的特征，會計信息質量與預算管理互動的支撐點是資源配置效率，可靠性會計信息有利于實施控制型預算管理，相關性會計信息有利于實施決策型預算管理，因此會計信息與預算管理互動路徑主要有兩種選擇：（1）可靠性會計信息-控制型預算管理；（2）相關性會計信息-決策型預算管理。

三、小結與建議

會計信息質量與企業預算管理功能相互制約，形成均衡的、可持續的互動機理，凸顯可靠性會計信息與控制型預算匹配，凸顯相關性會計信息與決策型預算匹配。會計信息是企業資源配置的出發點與歸宿點，而預算管理是企業資源初始配置的核心工具，會計信息質量與預算管理都服務于企業資源高效配置這一終極目標，企業要高效配置資源須充分利用會計信息質量與預算管理的互動機制。

主要參考文獻：

[1]蔡劍輝.預算的職能沖突與協調對策研究[J].會計研究，2009.12.

[2]佟成生，潘飛，吳俊.企業預算管理的功能：決策，抑或控制[J].會計研究，2011.5.