基于支持向量机车牌字符识别方法.docVIP

基于支持向量机车牌字符识别方法 　　摘要：车牌识别系统是智能交通系统的重要组成部分，针对字符识别方面，本文对字符进行特征提取，接着用基于支持向量机（SVM Support Vector Machine）的方法进行字符识别。本文提出的新方法能对相似字符的识别效果良好，能有效地解决光照不均匀的车牌图像的二值化问题，适应能力强。 　　关键词：智能交通 字符分割 车牌识别 　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）09-0091-01 　　1 绪论 　　车牌识别（License Plate Recognition，LPR）是计算机视觉、图像处理和模式识别在ITS领域的应用，是ITS的一个重要组成部分。车牌识别系统有着广泛的应用，它的主要应用有：（1）高速公路自动收费；（2）城市交通监控；（3）停车场管理；（4）机场等出入口车辆管理；（5）车辆违章管理。 　　实际工程应用中，由于环境的复杂性，晚上或雨天拍摄的汽车图像可能受光不均匀、对比度不高；摄像机的架设角度会使拍摄的车牌图像发生倾斜；车型的大小会使拍摄的车牌图像大小不一；车牌本身脏或者有污损；这些因素都会给车牌识别带来困难。一个车牌识别系统要求能够在公路环境中全天候工作；能处理模糊、污损、倾斜的车牌图像；具有实时处理数据的能力。尽管很多科研工作者在车牌识别技术上做出了很多贡献，但是车牌识别技术仍未成熟。 　　2 车牌识别系统的组成 　　车牌识别系统的工作原理是：当车辆通过关卡时，传感器触发图像采集控制部分，图像采集控制部分触发摄像机采集一张汽车图像存到图像采集卡中，车牌识别软件模块从采集卡读取汽车图像。车牌识别软件模块首先对汽车图像进行图像增强、去噪等预处理，然后进行车牌定位，接着进行字符切分，最后进行字符识别。字符识别的方法主要有基于模板匹配的字符识别方法，基于神经网络的字符识别方法和基于统计分类器的字符识别方法等。 　　（1）基于模板匹配的字符识别方法。基于模板匹配的字符识别方法首先为每个字符建立一个模板，形成一个模板库，识别的时候就将待识别的字符与模板库中的模板进行匹配，计算它们的相关度，根据相关度的大小来确定待识别的字符的类别。（2）基于神经网络的字符识别方法。基于神经网络的字符识别方法一般分为两个阶段，分别是训练阶段和测试阶段。训练阶段首先对字符进行特征提取，然后训练出网络模型；测试阶段是对字符进行特征提取，然后将特征向量代入已经训练好的网络模型，最后得出识别结果。 　　3 基于SVM的车牌识别算法研究 　　3.1 基于SVM的车牌识别方法 　　基于统计分类器的字符识别方法主要有基于SVM的字符识别方法。SVM是20世纪90年代初由Vapnik等人提出的一种机器学习方法，由于它具有出色的学习性能，该技术很快成为机器学习界的研究热点，SVM在解决小样本问题有较大优势。基于SVM的字符识别方法分为训练阶段和测试阶段。训练阶段是对训练集的样本进行特征提取，然后设置SVM参数并训练出SVM分类器；测试阶段是对测试集的样本进行特征提取，将特征代入已经训练好的SVM分类器，计算出决策值，根据决策值判断样本所属的类别。车牌字符识别是车牌识别的最后一个环节，也是很重要的一个环节。基于SVM的车牌字符识别分为训练阶段和测试阶段，如图1所示。 　　训练过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征。然后根据所选的核函数及其参数、惩罚因子训练出SVM分类器。识别过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征，然后把特征代入已经训练好的SVM分类器中，根据决策函数计算出决策值，最后得出字符的类别。 　　3.2 字符归一化 　　为了更好地提取特征，首先要进行字符归一化。归一化一般分为三种：大小归一化、位置归一化和笔画密度归一化。因为本文在字符切分时已经将图像上下左右的非目标部分去掉，故并不需要进行位置归一化，而笔画密度归一化主要是将字符细化，这对于本文采用的特征提取方法来说并没有太大作用，因此本文只做大小归一化。大小归一化通常有三种方法：最近邻插值，双线性插值和双立方插值，本文选用了双线性插值进行大小归一化。车牌字符的高宽比是2：1，本文用双线性插值的方法将字符归一化到32×16像素的图像。 　　3.3 特征提取 　　用于字符识别的特征有Gabor特征，小波变换系数特征、外围轮廓特征和粗网格特征，常用于车牌字符识别的特征是外围轮廓特征和粗网格特征，下面分别介绍外围轮廓特征和粗网格特征这两种特征提取方法。外围轮廓特征的提取方法描述如下： 　　（1）从上到下扫描图像，第一层外围轮廓特征表示为： 　　3.4 参数选择 　　目前最常用的核函数是RBF核函数，本文也采用RBF核函数，原