基于支持向量機的車(chē)牌定位方法
加入技術(shù)交流群
1 引 言
智能交通系統是一個(gè)熱點(diǎn)研究領(lǐng)域，受到日益廣泛的關(guān)注。車(chē)牌識別系統(LPR)是計算機視覺(jué)、模式識別技術(shù)在智能交通領(lǐng)域的一個(gè)重要應用，包括車(chē)牌定位、車(chē)牌字符分割、字符識別三部分。其中車(chē)牌定位是整個(gè)系統中的關(guān)鍵步驟。
(1)基于Hough變換的方法，分析車(chē)牌具有明顯的矩形邊框，利用Hough變換檢測區域邊界實(shí)現定位。
(2)基于邊緣檢測的方法，利用了車(chē)牌字符邊緣豐富的特征，結合數學(xué)形態(tài)學(xué)或區域生長(cháng)方法實(shí)現牌照定位。
(3)基于神經(jīng)網(wǎng)絡(luò )的方法，利用圖像的顏色或紋理特征訓練神經(jīng)網(wǎng)絡(luò )，然后用訓練好的分類(lèi)器對圖像各個(gè)像素進(jìn)行分類(lèi)，再對分類(lèi)結果綜合，得到牌照的準確定位。然而由于光照不均、污染等因素影響，可能使得牌照區域邊界不明顯或存在多個(gè)干擾區域，從而增加了準確定位的難度。
要提高車(chē)牌定位的精度，應充分利用他自身提供的信息，突出車(chē)牌區域而抑制非車(chē)牌區域。車(chē)牌區域有著(zhù)豐富的紋理，尋找一種良好性能的分類(lèi)器，凸現這種紋理特征，使他與其他區域區別開(kāi)來(lái)。支持向量機(Support Vector Machine，SVM)正是這樣一種分類(lèi)學(xué)習機制，建立在結構風(fēng)險最小化(Structural Risk Minimization，SRM)準則之上，已經(jīng)在文本識別，人臉識別，紋理分類(lèi)等模式識別領(lǐng)域取得了成功。
本文使用SVM機制自動(dòng)定位車(chē)牌區域，首先對每幅訓練圖像切分成若干個(gè)N×N大小的圖像子塊，把每個(gè)字塊分別標注為車(chē)牌和非車(chē)牌區域兩類(lèi)，提取子塊圖像的特征向量訓練SVM分類(lèi)器；然后使用該分類(lèi)器對測試圖像中的各個(gè)像素進(jìn)行分類(lèi)，最后通過(guò)后期處理結合車(chē)牌的先驗知識實(shí)現車(chē)牌區域的定位。
2 SVM原理
SVM基于SRM準則構造最優(yōu)超平面，使每類(lèi)數據之間間隔最大，同時(shí)保持分類(lèi)誤差盡可能小。Cover定理指出：一個(gè)復雜的模式識別分類(lèi)問(wèn)題，在高維空間比低維空間更容易線(xiàn)性可分。實(shí)際上SVM實(shí)現了這樣的思想：通過(guò)某種事先選擇的非線(xiàn)性映射將向量x映射到一個(gè)高維特征空間，然后在這個(gè)空間中構造最優(yōu)分類(lèi)超平面。
對于兩類(lèi)模式分類(lèi)問(wèn)題，在非線(xiàn)性可分的情況下，通過(guò)一個(gè)非線(xiàn)性變換φ：x→φ (x)，將給定的模式數據映射到高維特征空間，再構造分類(lèi)超平面，表示為決策面：
考慮到兩類(lèi)樣本離決策面都應有一定距離，決策面應滿(mǎn)足不等式約束：
|
完全滿(mǎn)足式(2)的超平面是不存在的?？紤]到存在一些樣本不能被決策面正確分類(lèi)，引入松弛變量ξi(≥0)，約束條件式(2)變?yōu)椋?/p>
滿(mǎn)足要求的超平面不止一個(gè)，尋找最優(yōu)超平面可以歸結為二次規劃問(wèn)題：
其中C被稱(chēng)為懲罰因子，通過(guò)C可以在分類(lèi)器的泛化能力和誤分率之間進(jìn)行折衷。利用拉格朗日函數求解可得優(yōu)化問(wèn)題(4)的對偶形式，最大化函數：
求解式(5)可以得到ai，代入式(7)可以確定ω，分類(lèi)函數可表示為：
3 SVM定位車(chē)牌區域
車(chē)牌區域準確定位是一種非線(xiàn)性可分的模式分類(lèi)問(wèn)題。
評論