基于支持向量機的車牌字符識別方法

周鵬

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

關鍵詞：智能交通 字符分割 車牌識別

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2016）09-0091-01

1 緒論

車牌識別（License Plate Recognition，LPR）是計算機視覺、圖像處理和模式識別在ITS領域的應用，是ITS的一個重要組成部分。車牌識別系統(tǒng)有著廣泛的應用，它的主要應用有：（1）高速公路自動收費；（2）城市交通監(jiān)控；（3）停車場管理；（4）機場等出入口車輛管理；（5）車輛違章管理。

實際工程應用中，由于環(huán)境的復雜性，晚上或雨天拍攝的汽車圖像可能受光不均勻、對比度不高；攝像機的架設角度會使拍攝的車牌圖像發(fā)生傾斜；車型的大小會使拍攝的車牌圖像大小不一；車牌本身臟或者有污損；這些因素都會給車牌識別帶來困難。一個車牌識別系統(tǒng)要求能夠在公路環(huán)境中全天候工作；能處理模糊、污損、傾斜的車牌圖像；具有實時處理數(shù)據(jù)的能力。盡管很多科研工作者在車牌識別技術上做出了很多貢獻，但是車牌識別技術仍未成熟。

2 車牌識別系統(tǒng)的組成

車牌識別系統(tǒng)的工作原理是：當車輛通過關卡時，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)攝像機采集一張汽車圖像存到圖像采集卡中，車牌識別軟件模塊從采集卡讀取汽車圖像。車牌識別軟件模塊首先對汽車圖像進行圖像增強、去噪等預處理，然后進行車牌定位，接著進行字符切分，最后進行字符識別。字符識別的方法主要有基于模板匹配的字符識別方法，基于神經(jīng)網(wǎng)絡的字符識別方法和基于統(tǒng)計分類器的字符識別方法等。

（1）基于模板匹配的字符識別方法。基于模板匹配的字符識別方法首先為每個字符建立一個模板，形成一個模板庫，識別的時候就將待識別的字符與模板庫中的模板進行匹配，計算它們的相關度，根據(jù)相關度的大小來確定待識別的字符的類別。（2）基于神經(jīng)網(wǎng)絡的字符識別方法。基于神經(jīng)網(wǎng)絡的字符識別方法一般分為兩個階段，分別是訓練階段和測試階段。訓練階段首先對字符進行特征提取，然后訓練出網(wǎng)絡模型；測試階段是對字符進行特征提取，然后將特征向量代入已經(jīng)訓練好的網(wǎng)絡模型，最后得出識別結果。

3 基于SVM的車牌識別算法研究

3.1 基于SVM的車牌識別方法

基于統(tǒng)計分類器的字符識別方法主要有基于SVM的字符識別方法。SVM是20世紀90年代初由Vapnik等人提出的一種機器學習方法，由于它具有出色的學習性能，該技術很快成為機器學習界的研究熱點，SVM在解決小樣本問題有較大優(yōu)勢。基于SVM的字符識別方法分為訓練階段和測試階段。訓練階段是對訓練集的樣本進行特征提取，然后設置SVM參數(shù)并訓練出SVM分類器；測試階段是對測試集的樣本進行特征提取，將特征代入已經(jīng)訓練好的SVM分類器，計算出決策值，根據(jù)決策值判斷樣本所屬的類別。車牌字符識別是車牌識別的最后一個環(huán)節(jié)，也是很重要的一個環(huán)節(jié)。基于SVM的車牌字符識別分為訓練階段和測試階段，如圖1所示。

訓練過程首先對歸一化成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)、懲罰因子訓練出SVM分類器。識別過程首先對歸一化成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)訓練好的SVM分類器中，根據(jù)決策函數(shù)計算出決策值，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、位置歸一化和筆畫密度歸一化。因為本文在字符切分時已經(jīng)將圖像上下左右的非目標部分去掉，故并不需要進行位置歸一化，而筆畫密度歸一化主要是將字符細化，這對于本文采用的特征提取方法來說并沒有太大作用，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行大小歸一化。車牌字符的高寬比是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，常用于車牌字符識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：

（1）RBF核函數(shù)可以實現(xiàn)非線性映射。（2）RBF核函數(shù)需要訓練的參數(shù)少，分類器較簡單。多項式核函數(shù)的參數(shù)比RBF核函數(shù)的多，因此其分類器選擇更為復雜。核函數(shù)的選擇會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SVM性能的影響不太大，對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 車牌識別實驗結果分析

本實驗設計兩種分類器，第一種分類器是將字母和數(shù)字字符一共34個字符，每個字符分別取40個樣本，一共1360個訓練樣本，訓練出34個SVM字分類器，不對相似字符進行二次識別。第二種分類器是將字母和數(shù)字34個字符中“8”、“B”歸為一類，“0”、“D”、“Q”歸為一類，訓練出31個SVM分類器，然后對相似字符進行二次識別。用2536個“8”或“B”字符的二值圖像作為樣本，將這2536個樣本分別代入第一種分類器和第二種分類器去識別，正確率是以字符的個數(shù)為單位來統(tǒng)計，識別效果表1所示。

4 結語

車牌識別系統(tǒng)主要由三個部分組成：車牌定位、字符切分和字符識別。本文的研究重點是車牌字符切分和字符識別這兩個部分。本文針對字符識別方面，首先對字符進行特征提取，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的方法進行字符識別。實驗結果表明，本文提出的新方法能對相似字符的識別效果良好，能有效地解決光照不均勻的車牌圖像的二值化問題，適應能力強。

參考文獻

[1]陳進.車牌識別系統(tǒng)關鍵技術的研究[D].合肥：中國科學技術大學，2009：2-3.

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