一種基于SVM的數字儀表顯示值識別方法

1．3 特征提取
由于數字具有明顯的局部結構特征，因此本文采用一種非對稱(chēng)分塊統計特征，作為表征數字的特征向量。方法如下：
(1)應用otsu方法將分割出的數字圖像二值化，然后將圖像歸一化為70×50大??；
(2)將圖片等分為35塊，每塊子圖為10×10大小，按式(1)計算每一塊中背景點(diǎn)的分布特征；

式中：p(m，n)為10×10子圖中m行n列像素灰度值，前景點(diǎn)為255，背景點(diǎn)為0。
(3)將每一塊子圖的背景點(diǎn)統計特征作為一維特征向量，構造35維向量[a1 a2 … a34 a35]作為支持向量機的輸入特征向量。
1．4 數字識別
基于支持向量機的數字識別支持向量機(Support Vector Machines，SVM)基于結構風(fēng)險最小化準則工作，能在訓練誤差和分類(lèi)器容量間達到較好平衡，因而具有更好的性能，在模式識別領(lǐng)域有著(zhù)廣泛的應用。對于兩類(lèi)模式識別問(wèn)題，假設給定n個(gè)樣本作為訓練集：

這里yi=+1或-1，要找到一個(gè)最優(yōu)超平面，使訓練集中的點(diǎn)距離分類(lèi)面盡可能的遠，也就是使M=2／‖ω‖最大的分類(lèi)面就是最優(yōu)分類(lèi)面。對于線(xiàn)性可分的情況，要找到最優(yōu)超平面：

即求解下面的二次規劃問(wèn)題：

此二次規劃問(wèn)題，可用Lagrange乘子法把式(5)化成其對偶形式：

設[a1 a2 … a3]為二次優(yōu)化問(wèn)題的解，可以證明解中只有小部分ai不為0，稱(chēng)對應的xi為支持向量，ai是對應的Lagrange系數，b是常數(閾值)。于是最優(yōu)超平面方程為：

最優(yōu)超平面的分類(lèi)規則為：

對于線(xiàn)性不可分情，在條件式(5)中引入非負松弛變量ξi，原約束條件改為：

相應的目標函數改為：

最優(yōu)分類(lèi)面的對偶問(wèn)題改為：