基于支持向量機的車牌定位方法
加入技術交流群
1 引 言
智能交通系統(tǒng)是一個熱點研究領域，受到日益廣泛的關注。車牌識別系統(tǒng)(LPR)是計算機視覺、模式識別技術在智能交通領域的一個重要應用，包括車牌定位、車牌字符分割、字符識別三部分。其中車牌定位是整個系統(tǒng)中的關鍵步驟。
(1)基于Hough變換的方法，分析車牌具有明顯的矩形邊框，利用Hough變換檢測區(qū)域邊界實現(xiàn)定位。
(2)基于邊緣檢測的方法，利用了車牌字符邊緣豐富的特征，結合數(shù)學形態(tài)學或區(qū)域生長方法實現(xiàn)牌照定位。
(3)基于神經網絡的方法，利用圖像的顏色或紋理特征訓練神經網絡，然后用訓練好的分類器對圖像各個像素進行分類，再對分類結果綜合，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(qū)域邊界不明顯或存在多個干擾區(qū)域，從而增加了準確定位的難度。
要提高車牌定位的精度，應充分利用他自身提供的信息，突出車牌區(qū)域而抑制非車牌區(qū)域。車牌區(qū)域有著豐富的紋理，尋找一種良好性能的分類器，凸現(xiàn)這種紋理特征，使他與其他區(qū)域區(qū)別開來。支持向量機(Support Vector Machine，SVM)正是這樣一種分類學習機制，建立在結構風險最小化(Structural Risk Minimization，SRM)準則之上，已經在文本識別，人臉識別，紋理分類等模式識別領域取得了成功。
本文使用SVM機制自動定位車牌區(qū)域，首先對每幅訓練圖像切分成若干個N×N大小的圖像子塊，把每個字塊分別標注為車牌和非車牌區(qū)域兩類，提取子塊圖像的特征向量訓練SVM分類器；然后使用該分類器對測試圖像中的各個像素進行分類，最后通過后期處理結合車牌的先驗知識實現(xiàn)車牌區(qū)域的定位。
2 SVM原理
SVM基于SRM準則構造最優(yōu)超平面，使每類數(shù)據之間間隔最大，同時保持分類誤差盡可能小。Cover定理指出：一個復雜的模式識別分類問題，在高維空間比低維空間更容易線性可分。實際上SVM實現(xiàn)了這樣的思想：通過某種事先選擇的非線性映射將向量x映射到一個高維特征空間，然后在這個空間中構造最優(yōu)分類超平面。
對于兩類模式分類問題，在非線性可分的情況下，通過一個非線性變換φ：x→φ (x)，將給定的模式數(shù)據映射到高維特征空間，再構造分類超平面，表示為決策面：
考慮到兩類樣本離決策面都應有一定距離，決策面應滿足不等式約束：
|
完全滿足式(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，引入松弛變量ξi(≥0)，約束條件式(2)變?yōu)椋?/p>
滿足要求的超平面不止一個，尋找最優(yōu)超平面可以歸結為二次規(guī)劃問題：
其中C被稱為懲罰因子，通過C可以在分類器的泛化能力和誤分率之間進行折衷。利用拉格朗日函數(shù)求解可得優(yōu)化問題(4)的對偶形式，最大化函數(shù)：
求解式(5)可以得到ai，代入式(7)可以確定ω，分類函數(shù)可表示為：
3 SVM定位車牌區(qū)域
車牌區(qū)域準確定位是一種非線性可分的模式分類問題。
評論