基于LS-SVM的車(chē)牌圖像傾斜校正新方法

汽車(chē)牌照的自動(dòng)識別技術(shù)有重要的應用價(jià)值，是智能交通系統ITS(Intelligent Traffic System)的關(guān)鍵技術(shù)之一。牌照識別系統中圖像的獲取一般通過(guò)固定架設在通道上方及兩旁的CCD攝像機拍攝得到，理想情況下拍攝的車(chē)牌圖像是一個(gè)矩形，但在實(shí)際使用中，由于車(chē)輛的?？课恢镁哂幸欢ǖ碾S機性，造成了拍攝距離、拍攝角度的不確定。

對比大量現場(chǎng)采集的車(chē)牌照片，發(fā)現車(chē)輛位置的不確定性引發(fā)攝像機與車(chē)牌之間的角度變化，造成的車(chē)牌圖像畸變則以?xún)A斜為主?，F場(chǎng)實(shí)拍的汽車(chē)牌照傾斜圖像如圖1所示。

這種傾斜現象會(huì )給字符分割帶來(lái)不利影響，當傾斜度較大時(shí)，易造成誤分割并使車(chē)牌識別率急劇下降。因此，為確保系統的識別率，需要在字符分割之前進(jìn)行車(chē)牌的傾斜校正。對機動(dòng)車(chē)牌圖像畸變進(jìn)行校正的研究目前已取得了一定的成果，如通過(guò)Hough變換將圖像空間轉換到Hough空間，并搜尋車(chē)牌邊框對應的極值點(diǎn)，進(jìn)而確定車(chē)牌的傾斜角；提取牌照邊框參數，并使用雙線(xiàn)性坐標變換進(jìn)行圖像修正[1][2]；通過(guò)模板匹配在圖像空間搜尋牌照區域的四個(gè)頂點(diǎn)，再通過(guò)空間變換重建矩形車(chē)牌區域[3]；通過(guò)旋轉投影求取車(chē)牌的角度進(jìn)行校正[4]。

由于圖像中車(chē)牌的邊框有時(shí)受噪聲、污跡等干擾的影響較大，同時(shí)又由于二值化等原因，車(chē)牌上字符會(huì )有粘連和斷裂現象，使Hough變換后參數空間中的峰值過(guò)于分散，校正效果不理想。通過(guò)旋轉車(chē)牌圖像在坐標軸上的投影求取傾斜角度是一種抗干擾能力較強的方法，但在該方法中最佳傾角的求取是一個(gè)尋優(yōu)過(guò)程，要進(jìn)行多次投影逐步搜尋最佳傾角，計算復雜度高。

由此看來(lái)，無(wú)論是Hough變換法、模板匹配法還是旋轉投影法，圖像傾角或相關(guān)參數的求解過(guò)程均是建立在空間極值點(diǎn)搜索的機理上，會(huì )使計算量大，算法效率低。能否避免空間尋優(yōu)，直接通過(guò)數值計算確定圖像傾角是提高傾斜校正效率的有效方法。本文提出一種基于最小二乘支持向量機 LS-SVM(Least Squares Support Vector Machine)[5][6]的車(chē)牌圖像傾斜校正新方法，該方法在圖像校正領(lǐng)域國內外尚無(wú)文獻報道。

該方法將二值畸變圖像看作一個(gè)數據集，圖像中的每個(gè)“1”值像素作為數據集中的一個(gè)樣本。將樣本的特征構建為3維，前2維作為輸入向量，可取像素的坐標值，第3維作為輸出向量，可取一常數(本文取0)。通過(guò)LS-SVM回歸算法，可求取數據集的主要回歸參數ω，理論證明該參數即為圖像傾斜向量。實(shí)驗表明，該方法將圖像傾斜角的搜索過(guò)程轉換為直接求解線(xiàn)性矩陣方程，簡(jiǎn)化了計算，提高了算法效率，避免了傾角搜索過(guò)程中的隨機性和不穩定性，對車(chē)牌圖像的邊框無(wú)特殊要求。

1 圖像傾斜校正原理

若已知圖像傾斜角度為α，則可通過(guò)線(xiàn)性變換使坐標系旋轉到傾斜方向達到校正的目的。

式中的ω稱(chēng)為傾斜向量。

車(chē)牌圖像坐標系旋轉校正原理如圖2所示。

由此看來(lái)，車(chē)牌傾斜校正的關(guān)鍵是確定傾斜角度α或傾斜向量ω。由于無(wú)傾斜畸變時(shí)的車(chē)牌圖像為矩形，因此旋轉校正后“1”值像素在y′坐標軸上投影方差最小，則有：

因此，只需對數據集{Xi，Yi}進(jìn)行回歸，誤差ei方差最小時(shí)的參數ω即為傾斜向量。如此，將圖像傾斜角度α的尋優(yōu)問(wèn)題轉換為對數據集{Xi，Yi}進(jìn)行回歸，辯識參數ω的過(guò)程。

2 LS-SVM求解傾斜向量算法

設某一數據集的樣本可表示為{Xi，Yi}，(i=1，2，…，N)，Xi∈Rn為n維輸入向量，Yi∈R為輸出，則構造最優(yōu)線(xiàn)性回歸函數為：

f(X)=ωX+b，ω≠0

算法中利用結構風(fēng)險最小化為學(xué)習規則[7]，用數學(xué)描述為ωωT≤常數，選擇誤差ei的二范數為損失函數，如此可建立優(yōu)化目標為：

由于車(chē)牌圖像構造的數據集其輸出Yi=0，并且回歸參數b與求取傾斜向量無(wú)關(guān)，則式(4)可簡(jiǎn)化為：

　　
其中，a用最大|λ|對應的特征向量。

由此可見(jiàn)，LS-SVM車(chē)牌圖像傾斜校正實(shí)質(zhì)是通過(guò)LS-SVM對像素坐標進(jìn)行回歸，求取矩形圖像的傾斜方向，再通過(guò)坐標變換，使原來(lái)的坐標旋轉到傾斜方向上，各像素在y坐標投影分量的方差達到最小。

3 LS-SVM車(chē)牌圖像校正步驟

根據LS-SVM求解傾斜向量的原理，對傾斜車(chē)牌圖像進(jìn)行校正的具體步驟如下：

(1)圖像數據集矩陣的建立。N為二值傾斜車(chē)牌圖像中所有“1”值像素的數量，則可構造圖像數據集{Xi，Yi}(i=1，2，…，N)，其中Xi為輸入向量取像素坐標值[Xi，Yi]T，輸出Yi取一常數(為方便計算，本文取0)。所有輸入向量Xi可用矩陣X2×N的形式存儲。

(4)求解傾斜向量ω，并對其標準化。解式(5)的特征問(wèn)題，求最大特征值|λ|所對應的特征向量a，再用式(6)求取圖像傾斜向量ω。為避免旋轉校正時(shí)圖像發(fā)生伸縮，必須對傾斜向量ω進(jìn)行標準化