基于LS-SVM的車(chē)牌圖像傾斜校正新方法

4 實(shí)際校正實(shí)驗

從車(chē)牌圖像庫中抽取傾斜車(chē)牌圖像進(jìn)行校正實(shí)驗，得到的傾斜車(chē)牌圖像LS-SVM校正結果如圖3所示。其中圖3(a)為比較典型的現場(chǎng)車(chē)牌圖像。該圖像中由于車(chē)牌安裝位置不當，從而使上邊框被遮擋。由于車(chē)牌邊框圖像不完整，典型的Hough方法無(wú)法對其進(jìn)行校正。

采用LS-SVM方法進(jìn)行實(shí)驗，先對車(chē)牌圖像進(jìn)行二值化處理，其結果如圖3(b)所示。由二值圖像中的“1”值像素構造圖像數據集并進(jìn)行零均值化，再構建對稱(chēng)矩陣Ω并求其最大特征值對應的特征向量a。最后由特征向量a確定車(chē)牌圖像的傾斜向量：

x=(-0.0816，0.9967)

因此，由式(7)可得該傾斜圖像的坐標變換公式為：

傾斜車(chē)牌圖像像素坐標經(jīng)坐標變換后還原圖像，達到了校正傾斜的目的，如圖3(c)所示。

利用本文提出的LS-SVM方法對從車(chē)牌圖像庫中抽取的200多幅發(fā)生傾斜的二值車(chē)牌圖像進(jìn)行校正實(shí)驗，均收到了良好的效果。

本文拓展了LS-SVM的應用領(lǐng)域，提出了一種基于LS-SVM的車(chē)牌圖像傾斜校正方法。該方法將二值畸變圖像看作一個(gè)數據集，并根據像素坐標將樣本的特征拓展為3維。通過(guò)LS-SVM算法對該數據集進(jìn)行回歸，求取回歸參數ω，即圖像傾斜向量；然后根據傾斜向量構造坐標變換矩陣實(shí)現校正。該方法將圖像Hough空間尋優(yōu)問(wèn)題轉換為線(xiàn)性矩陣運算，簡(jiǎn)化了計算，提高了算法效率，避免了最優(yōu)點(diǎn)搜索過(guò)程中的隨機性和不穩定性。理論和實(shí)驗表明：該方法對于邊框不清或含有較大噪聲干擾的圖像仍能取得較好的效果，為通過(guò)非搜索的方法進(jìn)行圖像畸變快速校正又提供了一種新方法和新思路。