基于支持向量機(jī)的車(chē)牌字符識(shí)別方法

周鵬

摘要：車(chē)牌識(shí)別系統(tǒng)是智能交通系統(tǒng)的重要組成部分，針對(duì)字符識(shí)別方面，本文對(duì)字符進(jìn)行特征提取，接著用基于支持向量機(jī)（SVM Support Vector Machine）的方法進(jìn)行字符識(shí)別。本文提出的新方法能對(duì)相似字符的識(shí)別效果良好，能有效地解決光照不均勻的車(chē)牌圖像的二值化問(wèn)題，適應(yīng)能力強(qiáng)。

關(guān)鍵詞：智能交通 字符分割 車(chē)牌識(shí)別

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）09-0091-01

1 緒論

車(chē)牌識(shí)別（License Plate Recognition，LPR）是計(jì)算機(jī)視覺(jué)、圖像處理和模式識(shí)別在ITS領(lǐng)域的應(yīng)用，是ITS的一個(gè)重要組成部分。車(chē)牌識(shí)別系統(tǒng)有著廣泛的應(yīng)用，它的主要應(yīng)用有：（1）高速公路自動(dòng)收費(fèi)；（2）城市交通監(jiān)控；（3）停車(chē)場(chǎng)管理；（4）機(jī)場(chǎng)等出入口車(chē)輛管理；（5）車(chē)輛違章管理。

實(shí)際工程應(yīng)用中，由于環(huán)境的復(fù)雜性，晚上或雨天拍攝的汽車(chē)圖像可能受光不均勻、對(duì)比度不高；攝像機(jī)的架設(shè)角度會(huì)使拍攝的車(chē)牌圖像發(fā)生傾斜；車(chē)型的大小會(huì)使拍攝的車(chē)牌圖像大小不一；車(chē)牌本身臟或者有污損；這些因素都會(huì)給車(chē)牌識(shí)別帶來(lái)困難。一個(gè)車(chē)牌識(shí)別系統(tǒng)要求能夠在公路環(huán)境中全天候工作；能處理模糊、污損、傾斜的車(chē)牌圖像；具有實(shí)時(shí)處理數(shù)據(jù)的能力。盡管很多科研工作者在車(chē)牌識(shí)別技術(shù)上做出了很多貢獻(xiàn)，但是車(chē)牌識(shí)別技術(shù)仍未成熟。

2 車(chē)牌識(shí)別系統(tǒng)的組成

車(chē)牌識(shí)別系統(tǒng)的工作原理是：當(dāng)車(chē)輛通過(guò)關(guān)卡時(shí)，傳感器觸發(fā)圖像采集控制部分，圖像采集控制部分觸發(fā)攝像機(jī)采集一張汽車(chē)圖像存到圖像采集卡中，車(chē)牌識(shí)別軟件模塊從采集卡讀取汽車(chē)圖像。車(chē)牌識(shí)別軟件模塊首先對(duì)汽車(chē)圖像進(jìn)行圖像增強(qiáng)、去噪等預(yù)處理，然后進(jìn)行車(chē)牌定位，接著進(jìn)行字符切分，最后進(jìn)行字符識(shí)別。字符識(shí)別的方法主要有基于模板匹配的字符識(shí)別方法，基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法和基于統(tǒng)計(jì)分類器的字符識(shí)別方法等。

（1）基于模板匹配的字符識(shí)別方法?；谀０迤ヅ涞淖址R(shí)別方法首先為每個(gè)字符建立一個(gè)模板，形成一個(gè)模板庫(kù)，識(shí)別的時(shí)候就將待識(shí)別的字符與模板庫(kù)中的模板進(jìn)行匹配，計(jì)算它們的相關(guān)度，根據(jù)相關(guān)度的大小來(lái)確定待識(shí)別的字符的類別。（2）基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法。基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別方法一般分為兩個(gè)階段，分別是訓(xùn)練階段和測(cè)試階段。訓(xùn)練階段首先對(duì)字符進(jìn)行特征提取，然后訓(xùn)練出網(wǎng)絡(luò)模型；測(cè)試階段是對(duì)字符進(jìn)行特征提取，然后將特征向量代入已經(jīng)訓(xùn)練好的網(wǎng)絡(luò)模型，最后得出識(shí)別結(jié)果。

3 基于SVM的車(chē)牌識(shí)別算法研究

3.1 基于SVM的車(chē)牌識(shí)別方法

基于統(tǒng)計(jì)分類器的字符識(shí)別方法主要有基于SVM的字符識(shí)別方法。SVM是20世紀(jì)90年代初由Vapnik等人提出的一種機(jī)器學(xué)習(xí)方法，由于它具有出色的學(xué)習(xí)性能，該技術(shù)很快成為機(jī)器學(xué)習(xí)界的研究熱點(diǎn)，SVM在解決小樣本問(wèn)題有較大優(yōu)勢(shì)。基于SVM的字符識(shí)別方法分為訓(xùn)練階段和測(cè)試階段。訓(xùn)練階段是對(duì)訓(xùn)練集的樣本進(jìn)行特征提取，然后設(shè)置SVM參數(shù)并訓(xùn)練出SVM分類器；測(cè)試階段是對(duì)測(cè)試集的樣本進(jìn)行特征提取，將特征代入已經(jīng)訓(xùn)練好的SVM分類器，計(jì)算出決策值，根據(jù)決策值判斷樣本所屬的類別。車(chē)牌字符識(shí)別是車(chē)牌識(shí)別的最后一個(gè)環(huán)節(jié)，也是很重要的一個(gè)環(huán)節(jié)?；赟VM的車(chē)牌字符識(shí)別分為訓(xùn)練階段和測(cè)試階段，如圖1所示。

訓(xùn)練過(guò)程首先對(duì)歸一化成32×6像素的二值圖像提取128維的粗網(wǎng)格特征。然后根據(jù)所選的核函數(shù)及其參數(shù)、懲罰因子訓(xùn)練出SVM分類器。識(shí)別過(guò)程首先對(duì)歸一化成32×6像素的二值圖像提取128維的粗網(wǎng)格特征，然后把特征代入已經(jīng)訓(xùn)練好的SVM分類器中，根據(jù)決策函數(shù)計(jì)算出決策值，最后得出字符的類別。

3.2 字符歸一化

為了更好地提取特征，首先要進(jìn)行字符歸一化。歸一化一般分為三種：大小歸一化、位置歸一化和筆畫(huà)密度歸一化。因?yàn)楸疚脑谧址蟹謺r(shí)已經(jīng)將圖像上下左右的非目標(biāo)部分去掉，故并不需要進(jìn)行位置歸一化，而筆畫(huà)密度歸一化主要是將字符細(xì)化，這對(duì)于本文采用的特征提取方法來(lái)說(shuō)并沒(méi)有太大作用，因此本文只做大小歸一化。大小歸一化通常有三種方法：最近鄰插值，雙線性插值和雙立方插值，本文選用了雙線性插值進(jìn)行大小歸一化。車(chē)牌字符的高寬比是2：1，本文用雙線性插值的方法將字符歸一化到32×16像素的圖像。

3.3 特征提取

用于字符識(shí)別的特征有Gabor特征，小波變換系數(shù)特征、外圍輪廓特征和粗網(wǎng)格特征，常用于車(chē)牌字符識(shí)別的特征是外圍輪廓特征和粗網(wǎng)格特征，下面分別介紹外圍輪廓特征和粗網(wǎng)格特征這兩種特征提取方法。外圍輪廓特征的提取方法描述如下：

（1）從上到下掃描圖像，第一層外圍輪廓特征表示為：

3.4 參數(shù)選擇

目前最常用的核函數(shù)是RBF核函數(shù)，本文也采用RBF核函數(shù)，原因主要有以下幾點(diǎn)：

（1）RBF核函數(shù)可以實(shí)現(xiàn)非線性映射。（2）RBF核函數(shù)需要訓(xùn)練的參數(shù)少，分類器較簡(jiǎn)單。多項(xiàng)式核函數(shù)的參數(shù)比RBF核函數(shù)的多，因此其分類器選擇更為復(fù)雜。核函數(shù)的選擇會(huì)影響到分類器的性能，然而Vapnik等人在研究中發(fā)現(xiàn)，不同的核函數(shù)對(duì)SVM性能的影響不太大，對(duì)SVM性能影響最大的是懲罰因子C和核函數(shù)的參數(shù)廠

3.5 車(chē)牌識(shí)別實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)設(shè)計(jì)兩種分類器，第一種分類器是將字母和數(shù)字字符一共34個(gè)字符，每個(gè)字符分別取40個(gè)樣本，一共1360個(gè)訓(xùn)練樣本，訓(xùn)練出34個(gè)SVM字分類器，不對(duì)相似字符進(jìn)行二次識(shí)別。第二種分類器是將字母和數(shù)字34個(gè)字符中“8”、“B”歸為一類，“0”、“D”、“Q”歸為一類，訓(xùn)練出31個(gè)SVM分類器，然后對(duì)相似字符進(jìn)行二次識(shí)別。用2536個(gè)“8”或“B”字符的二值圖像作為樣本，將這2536個(gè)樣本分別代入第一種分類器和第二種分類器去識(shí)別，正確率是以字符的個(gè)數(shù)為單位來(lái)統(tǒng)計(jì)，識(shí)別效果表1所示。

4 結(jié)語(yǔ)

車(chē)牌識(shí)別系統(tǒng)主要由三個(gè)部分組成：車(chē)牌定位、字符切分和字符識(shí)別。本文的研究重點(diǎn)是車(chē)牌字符切分和字符識(shí)別這兩個(gè)部分。本文針對(duì)字符識(shí)別方面，首先對(duì)字符進(jìn)行特征提取，介紹外圍輪廓特征提取方法和粗網(wǎng)格特征提取方法，接著用基于支持向量機(jī)的方法進(jìn)行字符識(shí)別。實(shí)驗(yàn)結(jié)果表明，本文提出的新方法能對(duì)相似字符的識(shí)別效果良好，能有效地解決光照不均勻的車(chē)牌圖像的二值化問(wèn)題，適應(yīng)能力強(qiáng)。

參考文獻(xiàn)

[1]陳進(jìn).車(chē)牌識(shí)別系統(tǒng)關(guān)鍵技術(shù)的研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2009：2-3.

[2]史忠科，曹力.交通圖像檢測(cè)與分析[M].科學(xué)出版社，2007：7-8.