基于SVM与ANN技术的车牌识别.pptxVIP

车牌样本选取环境;车牌样本;摄像机的选用;由于硬件限制，我们没有使用红外线摄像，而是使用常规的摄像。这样做，以至于很难得到一个最好的结果，其最终车牌的检测错误率和字符的识别错误率很相对高一些，但是无论何种摄像机，对车牌的处理过程是一样的。;车牌规格;车牌检测与车牌字符识别;车牌检测——检测出一个图像帧中的车牌。;（一）车牌图像分割;灰度化及线性滤波后效果;Sobel滤波后效果;Sobel滤波后，我们应用一个阈值滤波器来 获得一个二值图像，阈值通过Otsu方法获得。 Otsu算法又称大津算法，需要一个8位图像 作为输入，该方法自动的获取图像最佳的阈 值。;二值化后效果;接下来，通过应用一个闭操作（先膨胀,再腐蚀），我们能够去掉每个垂直边缘线的空白黑色部分。并且连接含有边缘数量很多的所有区域。在这一步，我们得到可能的含有车牌的区域。;闭操作后效果;连通域轮廓;最小外接矩形;我们基于面积和宽高比，对于检查到的所有外接矩形区域做一下确认。如果宽高比大于为 520/110=4.727272（车牌宽除以车牌高）（允许带有40%的误差）和边界在15像素到125像素高的区域，我们才认为可能是一个车牌区域。这些值可以根据图像的大小和相机的位置进行估算。;去除干扰区域后;剩余6块外接矩形;对仅剩下的6块区域，我们利用车牌的白色背景属性可以进一步改善。所有的车牌都有统一的背景颜色。我们可以使用漫水填充算法来获得这些剩余旋转矩阵的精确筛选。 所谓漫水填充，简单来说，就是自动选中了和种子点相连的区域，接着将该区域替换成指定的颜色，这是个非常有用的功能,经常用来标记或者分离图像的一部分进行处理或分析.漫水填充也可以用来从输入图像获取掩码区域,掩码会加速处理过程,或者只处理掩码指定的像素点.;寻找种子点;随机选取每个区域十个种子点;为了下一步轮廓寻找、最小外接矩形的获取以及筛选合适大小的轮廓做准备，我们对图像漫水填充时，只对黑色背景的二值掩码区域进行填充，不对原彩色图进行填充，填充颜色为白色。;掩码填充效果;掩码填充效果;掩码填充效果;掩码填充效果;掩码填充效果;掩码填充效果;因为使用车牌，车牌有边界，漫水填充不会超 过车牌的边界，而对于其他区域（检查出来的 矩形）漫水填充会占据很多区域，形成的矩形 也很大，再对矩形进行大小判别时，可能就会 被丢弃，得到更可能是车牌的区域。 因此我们在原图上标记出仅剩的三块可能车牌区域。;仅剩3块可能的车牌区域;将这三块区域提取出来后，先进行适当的旋转，然后把所有的图像调整为统一的大小，对其采用直方图均衡化最终效果如下。;车牌分类;SVM创建一个或多个超平面，用来区分每类数据。 一个典型的例子是2维点集，它定义了两个类。 SVM寻找最优线来区分每个类。;训练SVM分类器，简单来说在二维空间里就是求解这样一个线性函数，g(x)=wx+b，x是输入的特征， g（x）是输出的分类的类别，我们已知了输入特 征与输出类别，来训练求解w和b的最优的值，获得这两个值后也就获得了这个分类的数学模型，接着就可对新样本进行预测。;寻找训练分类器所需特征;为机器学习的SVM算法训练的数据存储在一个N*M 的矩阵中，N表示样本数，M表示特征数。 类别存储在另外一个大小为N*1的矩阵中。用0 或者1表示无车牌和有车牌类别。 我们将以上存储了已经处理好和准备好的所有 图像的数据，写成xml文件保存起来输入到分类器 中进行训练。;创建和训练分类器;预测分类;车牌字符的识别;OCR分割（字符分割）;对于每一个检测到的轮廓，我们核实一下大小， 去除那些规格太小的或者宽高比不正确的区域。 字符是45/77的宽高比。我们允许用于选择或 者扭曲带来的百分之35的误差。如果一个区域 面积高于80%（就是像素大于0的超过80%），则 我们认为这个区域是一个黑色块，不是字符。;提取每个字符的特征;一旦我们拥有了特征，我们创建一个M列的矩阵，矩阵的每一行中的每一列都是特征值。;OCR分类（字符分类）;MLP神经网络有一个输入层，输出层和一个或多个 隐层。每一层有一个或多个神经元连接着前向和后 向层。 下面的例子表示一个3层感知器（它是一个二 值分类器，它映射输入的是一个实值向量，输 出单一的二值），它带有三个输入，两个输出 和一个含有5个神经元的隐层。;每个神经元用带有权重的输入和加上一个偏移量再经过一个选择的激活函数转换后得到输出结果。;一个训练人工神经网络的输入是一个特征矢量。 它传输值到隐层。用权重和激活函数来计算结果。它进一步的把输出结果往下传输直到到达含有一 定数量的神经元类别时整个过程结束。 每一层的权重，通过训练神经网络算法来计算 和学习。;简单的神经网络学习过程;在图中，Xl ，X2 ，…，Xn ，是输入样本信号，W