(精)模式识别 第八章 实例教学.pptVIP

8.1 应用统计决策的肤色提取 8.1.1图像基础知识 HSI表色模型 面向彩色处理的最常用的模型，符合人类的视觉感受。 H（Hue）——色调（色相），表明物体是什么颜色。 S（Saturation）——饱和度，表明该种颜色的浓淡。 I（Intensity）——亮度，与图像的彩色信息无关。 RGB模型与HSI模型可以相互转换。 8.1.2样本获取 8.1.3样本学习 （2）计算类条件概率密度：计算H分量图像中皮肤区域的直方图，就是皮肤的类条件概率密度；计算H分量图像中非皮肤区域的直方图，就是非皮肤的类条件概率密度。 非皮肤的类条件概率密度 皮肤的类条件概率密度 横坐标是像素点可能的灰度值（将灰度量化成了8等分），纵坐标是相应区域中灰度值为横坐标值的像素点数。 P(x|?1): 0.9855 0.0143 0 0 0 0 0 0.0002 P(x|?2): 0.0790 0.7820 0.0742 0.0192 0.0199 0.0074 0.0072 0.0108 8.1.4模式分类 a)最小误判概率准则判断每个像素点是否使皮肤。两类问题的Bayes最小误判概率准则为如果 ，则判　　，否则判　　　，x为每个像素点的灰度值，若该点属于皮肤，置位1；若不是皮肤，置位0，得到下图。 b)最小损失准则 8.2 车牌识别 8.2.1车牌相关知识 8.2.2 图像采集 8.2.3车牌识别预处理(1)字符分割 (2)字符细化 1.特征选择与提取 （1）特征空间向量的选择 由于车牌中字母和数字都有特定的字体，且作为汽车的“身份证”，车牌制作过程严谨，相同字符形态区别不大，他们的差异性和共同点都很明显。基于上节描述的设计准则，综合考虑了提取特征的编程复杂度和特征对不同字符的区分度，本系统分别从字符的形态、结构、笔画特点出发，采用了4个类别共10个特征值作为判断的矢量依据（特征提取时均以细化后图像为基础）。 　　字符的重心判断： ① 字符重心位于上方/下方，分别计算字符上下半区的像素数目，如果其差值在一个固定的小范围内(试验得出此差值在0-20像素内为最佳)，则该特征值记为2，上方偏多记为1，下方偏多记为3； ② 字符重心位于左方/右方，分别计算字符左右半区的像素数目，如果其差值在一个固定的小范围内(试验得出此差值在0-20像素内为最佳)，则该特征值记为2，左方偏多记为1，右方偏多记为3。 特定位置的扫描线特征： ③ 图像垂直1/3处扫描线穿越的线条数目； ④ 图像垂直1/2处扫描线穿越的线条数目； ⑤ 图像垂直2/3处扫描线穿越的线条数目； ⑥ 图像水平1/3处扫描线穿越的线条数目； ⑦ 图像水平2/3处扫描线穿越的线条数目； 为了消除可能的细化算法不完善的影响，以上在计算穿越次数时均为0-1改变次数。 笔画特征： ⑧ 字符中“竖”的数目，计算图像在水平方向上的投影，投影点的像素数目累加值超过1/3图像高度且无超过5像素的中断，记为“竖”的数目加1； ⑨ 字符中“横”的数目，计算图像在垂直方向上的投影，投影点的像素数目累加值超过1/3图像宽度且无超过5像素的中断，记为“横”的数目加1； 在实际情况中，由于车牌图像并不总是标准的，当出现倾斜、几何失真等情况时，字符中的横或竖不可能全部投影在一点上，而是在一个小范围内密集分布。经过多次尝试，结合车牌字符本身特点，本文将判定存在竖/横笔画的门限值设为图像高度/宽度的1/3左右。 为了消除可能的图像几何失真带来的影响，计算笔画数目时均不重复计算20像素点以内的笔画，既若该点存在横/竖，则在该投影方向上向下/后移动20像素继续判断。 结构特征： ⑩ 字符中存在闭合回路的数目。利用递归实现区域生长算法，对所有独立连通区域进行标号处理，最后将连通区域个数减一(外围背景区域也作为一个连通区域被标号，需要在特征值中减去)记为该特征值。 （2）模板数据的生成　　考虑到车牌字符的特殊性，无法使用Windows系统自带的普通字体来作为标准模板。我们对拍摄到的车牌图像进行如下处理，形