新闻中心

EEPW首页 > 测试测量 > 设计应用 > 基于支持向量机的车牌定位方法

基于支持向量机的车牌定位方法

作者:时间:2009-08-27来源:网络收藏

1 引 言
智能交通系统是一个热点研究领域,受到日益广泛的关注。车牌识别系统(LPR)是计算机视觉、模式识别技术在智能交通领域的一个重要应用,包括、车牌字符分割、字符识别三部分。其中是整个系统中的关键步骤。

本文引用地址:http://www.eepw.com.cn/article/195748.htm

目前主要有:

(1)基于Hough变换的,分析车牌具有明显的矩形边框,利用Hough变换检测区域边界实现定位。

(2)基于边缘检测的,利用了车牌字符边缘丰富的特征,结合数学形态学或区域生长方法实现牌照定位。

(3)基于神经网络的方法,利用图像的颜色或纹理特征训练神经网络,然后用训练好的分类器对图像各个像素进行分类,再对分类结果综合,得到牌照的准确定位。然而由于光照不均、污染等因素影响,可能使得牌照区域边界不明显或存在多个干扰区域,从而增加了准确定位的难度。

要提高车牌定位的精度,应充分利用他自身提供的信息,突出车牌区域而抑制非车牌区域。车牌区域有着丰富的纹理,寻找一种良好性能的分类器,凸现这种纹理特征,使他与其他区域区别开来。(Support Vector Machine,SVM)正是这样一种分类学习机制,建立在结构风险最小化(Structural Risk Minimization,SRM)准则之上,已经在文本识别,人脸识别,纹理分类等模式识别领域取得了成功。

本文使用SVM机制自动定位车牌区域,首先对每幅训练图像切分成若干个N×N大小的图像子块,把每个字块分别标注为车牌和非车牌区域两类,提取子块图像的特征向量训练SVM分类器;然后使用该分类器对测试图像中的各个像素进行分类,最后通过后期处理结合车牌的先验知识实现车牌区域的定位。

2 SVM原理

SVM基于SRM准则构造最优超平面,使每类数据之间间隔最大,同时保持分类误差尽可能小。Cover定理指出:一个复杂的模式识别分类问题,在高维空间比低维空间更容易线性可分。实际上SVM实现了这样的思想:通过某种事先选择的非线性映射将向量x映射到一个高维特征空间,然后在这个空间中构造最优分类超平面。

对于两类模式分类问题,在非线性可分的情况下,通过一个非线性变换φ:x→φ (x),将给定的模式数据映射到高维特征空间,再构造分类超平面,表示为决策面:

考虑到两类样本离决策面都应有一定距离,决策面应满足不等式约束:

完全满足式(2)的超平面是不存在的。考虑到存在一些样本不能被决策面正确分类,引入松弛变量ξi(≥0),约束条件式(2)变为:

满足要求的超平面不止一个,寻找最优超平面可以归结为二次规划问题:

其中C被称为惩罚因子,通过C可以在分类器的泛化能力和误分率之间进行折衷。利用拉格朗日函数求解可得优化问题(4)的对偶形式,最大化函数:

求解式(5)可以得到ai,代入式(7)可以确定ω,分类函数可表示为:

3 SVM定位车牌区域

车牌区域准确定位是一种非线性可分的模式分类问题。


上一页 1 2 3 下一页

评论


相关推荐

技术专区

关闭