基于改進支持向量機的車牌識別

趙明敏， 田 麗

(安徽工程大學(xué) 電氣工程學(xué)院， 安徽 蕪湖 241000)

近年來，由于人類對自然環(huán)境的破壞，天氣的反常變化越來越多，甚至有些地方是一年有一大半時間被霧籠罩。我們的任務(wù)就是在霧霾天氣的時候，讓監(jiān)控攝像機可以拍攝到想要的車輛畫面，同時可以去除噪聲，較好地識別車輛，有效地進行交通車輛管理。

1 車牌自動識別系統(tǒng)

霧霾天氣下的車牌識別系統(tǒng)是一種基于圖像處理與模式識別技術(shù)的圖像識別系統(tǒng)，車牌識別系統(tǒng)[1]的實現(xiàn)步驟如圖1所示。

圖1 車牌自動識別系統(tǒng)實現(xiàn)流程

圖像采集通常由攝像裝置來完成車牌的圖像拍攝，圖像處理是對所采集到的圖像進行壓縮、轉(zhuǎn)換等技術(shù)處理，并利用相應(yīng)的算法提取出車牌的特征，達到我們所需要的清晰度。然而由于車輛運動狀態(tài)以及霧霾天氣的影響，車牌的定位與分割的主要目的是在圖像處理后的灰度圖像中確定車牌的具體位置，并將包含車牌字符的子圖像從整個圖像中分割出來，以便進行字符識別。本文使用的方法是基于改進后的支持向量機進行車牌識別[2]，能夠有效解決當前訓(xùn)練樣本數(shù)量和特征值較少的車牌字符的精度問題。

2 圖像預(yù)處理

(1)

其中w(q)表示G(x,p)的權(quán)值，離p點越近，它的權(quán)重越大。圖像A和圖像B的低頻系數(shù)矩陣的小區(qū)域方差[4]特性可以表示為G(A,p)和G(B,p)。此外，定義M2(p)為圖像A和圖像B的低頻系數(shù)矩陣在p點的方差匹配度：

(2)

通常M2(p)的取值在0和1之間變化，它的值越小說明兩幅圖象的低頻融合系數(shù)的相關(guān)程度越低，反之則越高。

假設(shè)T2為匹配閾值，一般取0.5～1。當M2(p)

當M2(p)≥T2時，我們采用的融合策略：

該方法的策略不是基于像素之間的關(guān)系，而是基于方差的區(qū)域，可以有效保持邊緣和細節(jié)，因此合成的圖像會更清晰，細節(jié)較為豐富。

盡管突出了許多圖像的細節(jié)信息，圖像色彩卻表現(xiàn)的過于飽和，如圖2(a)所示。大量的實驗表明，低頻融合方法最后經(jīng)過小波變換[5]、分解，其低頻系數(shù)的平均值與高頻系數(shù)的峰值會進行重構(gòu)，生成的圖像既突出了原有圖像的細節(jié)，又保留了原有圖像的逼真度，最終增強了圖像效果，如圖2(b)所示。

(a)小波低頻融合圖像 (b)小波變換后圖像圖2 圖像復(fù)原

經(jīng)過小波變換處理后，圖像需要車牌定位、圖像二值化、邊緣檢測等處理。一個標準的車牌是由漢字、字母和阿拉伯數(shù)字共同組成的，因此我們設(shè)計了三個分類器——漢字分類器、數(shù)字分類器和字母分類器，提取其特征向量。針對每一個樣本文件，設(shè)置其中特征向量的分類標號，開始識別某一字符之前，仍需經(jīng)過預(yù)處理和特征提取兩步得到代表該字符的特征向量。

3 字符識別

支持向量機(Support Vector Machine，SVM)是基于分類問題提出的，但對車牌字符的識別是一個多類別的模式識別問題。本文對去霧后的車牌圖像采用改進后的支持向量機算法提取特征值，從而識別出車牌的字符。本文使用的算法與傳統(tǒng)SVM算法不同，其基本思路是采用相同閾值的支持向量機多目標輸出回歸的算法。

SVM的回歸問題通常都是單一的目標輸出，當前多目標輸出一般使用多閾值的方式，相當于用單一目標的特征值重復(fù)被提取多次，效果不佳。故我們采用相同的閾值多目標SVM算法。常用的參數(shù)優(yōu)化是網(wǎng)格搜索法，采用2的n次方將區(qū)域切割為離散數(shù)，導(dǎo)致搜索范圍不均勻分布，并且增加了運算量，故提出啟發(fā)式優(yōu)先搜索，SVM參數(shù)和特征向量的優(yōu)化過程需要一個評估標準。該標準一般采用k折交叉驗證，從而驗證均方誤差系數(shù)。我們預(yù)先設(shè)定好某個SVM參數(shù)，而后進行k折交叉驗證：將訓(xùn)練樣本集任意分成k個兩兩不相交的子集，每個k折的大小一致；對隨機一組參數(shù)建立線性回歸模型，用最后一個子集的誤差平均值來評價系統(tǒng)參數(shù)的性能；反復(fù)迭代以上過程k次，所有的子集都有可能進行測試，k-1次迭代后即可得到到最終誤差平均值；用該算法的誤差平均值來評估SVM的學(xué)習(xí)能力。

誤差平均值的均方誤差：

(3)

樣本的偏差為ε1,ε2,…,εn。

采用的相關(guān)系數(shù)[6]如下：

其中x是目標值，y是干擾值，0≤r≤1，r的值越靠近1越好。

SVM的參數(shù)和參數(shù)范圍與核函數(shù)的選擇有關(guān)，根據(jù)理論分析，我們采用ε-SVR分類，核函數(shù)選擇sigmoid核。以下提出的方法是采用多目標輸出支持向量機[7]使用相同閾值，m表示目標數(shù)，n表示訓(xùn)練集數(shù)，z表示特征數(shù)。

已知訓(xùn)練集：

其中：

(4)

約束條件：

得出最優(yōu)解：

構(gòu)造決策函數(shù)：

(5)

求出閾值變量b：

核函數(shù)選?。?/p>

(6)

r取經(jīng)驗范圍[0，1 000]。Gamma取[0，1]，非正定核，其smo運算容易進入無窮循環(huán)，最大迭代次數(shù)的上限取20 000次。

SVM是將低維空間中的向量投影到高維空間，將低維非線性可分問題轉(zhuǎn)化為線性可分情形。利用Mercer-kernel可以計算兩向量在高維空間中的點積，從而計算出各向量在高維空間中的投影。

4 實驗結(jié)果分析

我們選取200幅圖像進行理論分析，使用傳統(tǒng)方法與本文提出的圖像去霧后字符特征值提取方法相進行對比實驗。從中選取漢字樣本100個，字母樣本300個，數(shù)字字符1 000個，字母數(shù)字字符300個。對每一類字符，均選取70%的樣本字符作為訓(xùn)練樣本，30%的字符作為測試樣本。傳統(tǒng)方法和本文改進后的字符分類識別結(jié)果見表1和表2。

表1 傳統(tǒng)方法字符分類識別結(jié)果表

表2 改進后字符分類識別結(jié)果表

通過表1和表2的實驗數(shù)據(jù)表明：改進后的方法在與傳統(tǒng)方法相比，字符識別的時間和速度，都有相應(yīng)的提高，誤識率有所降低；但是車牌中不同的字符類別識別的速度和精度不一樣，漢字由于本身的復(fù)雜性，識別時間較長，識別率相比以前提高3.3%，誤識率降低0.5%；字母的識別和以前相比，識別時間降低1.3 ms，識別率提高了4%；字母和數(shù)字由于構(gòu)造相對復(fù)雜，識別時間沒有減少，但是識別率提高4%，誤識率也降低了1.1%。改進后的方法與傳統(tǒng)方法相比，工作效率明顯提高。車牌圖像的不同方法的最終識別效果如圖3(a)和圖3(b)所示，證明了本文方法的可行性。

(a)傳統(tǒng)方法的車牌識別結(jié)果 (b)改進后的方法車牌識別結(jié)果圖3 車牌識別結(jié)果

5 結(jié) 語

通過仿真對比分析，我們建立的車牌識別模型經(jīng)過小波低頻融合的預(yù)處理，然后使用相同閾值的SVM多目標輸出回歸的算法對車牌圖像的特征值提取，對車牌字符有效地識別，與常規(guī)方法相比，不僅提高了識別的速度，而且提高了精度。具有一定的優(yōu)越性，是專門對霧霾天氣下行駛車輛有效地進行識別，具有一定的實際意義和應(yīng)用價值。

本文改進后的支持向量機算法實現(xiàn)車牌字符的識別，是將歸一化后的字符像素信息做為特征向量被提取，獲得了相對較高的識別速度和識別率，降低了問題的復(fù)雜度，提高了工作效率。但是，圖像預(yù)處理過程中部分字符會發(fā)生形變，加上有些字符本身就很復(fù)雜，容易與其它字符混淆，導(dǎo)致了較高的誤識率。如何能夠在保證識別速度的同時提取字符特征向量，以便使字符誤識率降低為零，還有待于進一步研究。

[參考文獻]

[1] 王大印.基于數(shù)字圖像處理的車牌識別系統(tǒng)[D].北京:北京工業(yè)大學(xué),2003.

[2] 董燕,朱永勝,劉聰.圖像融合技術(shù)在車牌識別中的應(yīng)用[J].計算機測量與控制,2013,21(3):791-793.

[3] 晁銳,張科,李言俊.一種基于小波變換的圖像融合算法[J].電子學(xué)報,2004,32(5):750-753.

[4] 劉震,那彥.基于自適應(yīng)區(qū)域方差的圖像融合方法[J].電子科技,2013,26(10):67-69.

[5] 郭彤穎,吳成東,曲道奎.小波變換理論應(yīng)用進展[J].信息與控制學(xué)報,2004,33(1):67-69.

[6] JANMEY P A,BALE M D,FERRY J D.Polymerization of fibrin:analysis of light-scattering data and relation to a peptide release[J].Biopolymers,1983,22(9):2017-2019.

[7] 龔乾春.支持向量機在多目標優(yōu)化中的仿真應(yīng)用[J].計算機仿真,2010,27(8):205-207.