基于SVM多分類的車牌相似字符識別方法研究?

方玲玉 龔文友

（1.江蘇科技大學計算機科學與工程學院鎮江212003）（2.江蘇科大匯峰科技有限公司鎮江212003）

基于SVM多分類的車牌相似字符識別方法研究?

方玲玉1龔文友2

（1.江蘇科技大學計算機科學與工程學院鎮江212003）（2.江蘇科大匯峰科技有限公司鎮江212003）

為了提高車牌相似字符識別效果，采用SVM分類器的二分類結合糾錯輸出編碼設計多分類器，對車牌字符中非形近字符進行粗分類識別車牌字符。提取相似字符的曲率、直線、閉合環特征對相似字符進行細分類二次識別。通過二次識別有效提高了車牌字符識別效果，SVM多分類器有效提高了車牌字符分類效果，具有良好的魯棒性。

車牌字符識別；形近；分類

Class NumberTP391

1 引言

車牌識別系統是智能交通系統的熱點研究領域。隨著高清攝像頭的普及，高清圖像中的車牌的定位和跟蹤的技術比較成熟。但是由于車輛圖像容易受到自然環境影響，以及車牌圖像本身的模糊、磨損、變形以及傾斜［1］，車牌中字符像素不高，導致相似字符識別率低下，影響了車牌字符整體識別率。因此在車牌圖片不清晰情況下，車牌的相似字符識別率低下是車牌自動識別系統中一個待解決的問題。

目前常用的車牌字符識別方法有神經網絡、模板匹配、和支持向量機（SVM）等方法［2］。神經網絡法較為復雜，且實時性不高；模板匹配法簡單直觀，但受外界環境影響較大；SVM能夠較好地解決小樣本、非線性及高維數等模式識別問題，在訓練樣本相對較少情況下，具有其他機器學習沒有的優點。SVM的分類方法可以分為一對一、一對多分類器［3］。由于車牌字符是多分類問題，訓練字符種類多，訓練時間長。因此本文采用SVM與糾錯輸出編碼相結合的分類器對字符進行分類識別。該方法可以有效地將相似字符進行粗分類為一類，緩解了分類過程中由于相似字符帶來的分類效率低下問題。然后本文對相似字符進行細分類。大量的實驗證明，本文的基于多分類SVM車牌字符識別方法具有較好的識別效果，魯棒性良好。

2 車牌字符識別方法

2.1 支持向量機（SVM）

SVM是一種基于樣本線性可分情況的有效分類器。對于給出的一組樣本點，SVM分類器能夠找到一個超平面將該組樣本點分成兩個正確數量最大化的類別。且每一類到超平面距離最大。

設有以下形式的樣本點，{(x1，y1)，(x2，y2)，…，(xn，yn)}，x∈Rd，y∈{-1，1}表示數據點的類別，d維空間中線性判別函數的一般形式為［4］f(x)=wx+b，分類面方程為

要使f(x1)＜-1或f(x1′)＞1，并且分類間隔最大，即2‖w‖最大，等價于要滿足以下條件

因此，滿足式（2）的分類面即為最優分類面。上述結論是在樣本點線性可分的情況。而現實中很多樣本是線性不可分的，當樣本點中存在交叉不可分情況時，即輸入空間不存在最優分類面時，可利用引入卷積核函數將輸入空間變換到高維特征空間并完成輸入樣本和支持向量機之間的點積運算，巧妙地解決高維空間的復雜運算［5］。此時得到非線性情況下的分類判別函數為：從而解決了線性不可分的問題。研究表明在實際應用中，核函數的尺度參數σ參數和懲罰因子C的大小對SVM性能的優劣起著關鍵作用［6］。

2.2 基于糾錯編碼的支持向量機算法

糾錯輸出編碼算法是多分類器的算法之一［7～8］。它的基本原理是將一個多分類問題轉化為若干個兩兩分類問題［9］。對于K類分類問題，可以構造L個決策函數將多分類問題變成兩兩分類問題，每個決策函數可以分類成兩類分類。若L個決策函數構造合理，K類中的每一類都對應一個元素為-l或+1的長度為L的數列，按照K類中的第一類、第二類、…、第K類的順序排列起來，便可得到一個K行L列的編碼矩陣［10］，若要判斷一個樣本點屬于哪一類，首先將樣本點輸入到所得到的L個決策函數，得到一個元素為-l或l的長度為L的數列，然后將此長度L數列與編碼矩陣比較，查找編碼矩陣中有且僅有一行與此長度L數列值相同，該行數就是樣本輸入點的所屬類［11］；若查找編碼矩陣中沒有一行與該數列相同，可以通過利用夾角余弦進行相似度判斷找出最近的一行，該行對應的類別即為該點的類別。然后結合SVM做二分類，得到L個SVM來完成分類。將上述糾錯編碼應用到SVM多分類的車牌字符識別中。本文針對數字與英文字符共34個，所需用二進制表示的編碼位數的最小值n= 6，此時26遠大于字符個數34個，此時不可分區域很大，導致出現分類誤差大，達不到理想效果。因此，結合相似字符的二次識別，在對數字和英文編碼時，先將相似字符歸為一類。那么所需分類數目就是29個。當n=5時滿足25≥29，很好地解決了不可區分而導致出現分類誤差的問題。英文和數字字符編碼如表1所示。

表1 英文和數字字符編碼

3 識別過程

3.1 初級分類

1）字符預處理

車牌分割出來的字符通常大小不一致，為了提高字符識別率，通常對字符進行預處理。文中預處理操作是對字符大小歸一化處理即將字符歸一化到一個同一個尺寸大小［12］。本文中歸一化采用雙線性差值法，將字符大小統一為22×20。如圖1效果所示。

圖1字符歸一化效果

2）特征提取方法

車牌字符的特征提取是將字符形狀轉化為一組特征向量的過程，找到合適的特征是識別的關鍵環節。合適的特征決定著車牌識別系統的高效性和魯棒性。字符特征提取方法一般可以分為結構特征和統計特征。結構特征又可以分為全局結構特征和局部結構特征［13］。其中局部結構特征描述的是字符的細節特征，對區分形近字符具有較好的效果。統計特征是對圖像提取全部特征，常用方法有投影特征、粗網格特征、外圍輪廓特征等。對形近字的區分能力較差。本文采用粗網格特征和外圍輪廓特征結合方法獲取字符特征向量，并將其用于字符樣本的訓練和識別。首先采用粗網格特征將歸一化后的字符分成7×14個網格，統計每個網格的像素值之和。將98個值依次排成一列組成98維向量。然后提取字符外圍輪廓特征，把歸一化后分成14行。從上部、底部、左部、右部四個不同方向計算每一行點從左邊緣到第一個由白變黑的長度，計算每一個中點從圖像左邊緣到第二項由白變黑的長度［14］，可以提取4×2×14=112維的外圍特征。共可以提取210維特征向量。如圖2所示字符“0”的網格化效果。

3）SVM的訓練和分類

本文中選取200張字符圖片作為SVM的訓練樣本，訓練樣本經過預處理后提取特征向量共210維輸入SVM分類器。采用普遍用的徑向基核函數作為核函數［15］，并通過雙線性法求得最佳參數值懲罰因子C=100，σ2=1。由2.2節知，字符和數字共34個，除去5個相似字符，剩余29個字符。需要建立5個分類器｛C1，C2，C3，C4，C5｝，Ci代表第i列。每個字符輸入5個分類器中的輸出結果為X｛x1x2x3x4x5｝其中Ci為0或1。1表示在Ci分類器中劃分為+1類，值為0表示劃分為-1類。將輸出結果X｛x1x2x3x4x5｝與編碼矩陣中的每行Y｛x1x2x3x4x5｝或者編碼表中的編碼匹配，求出字符。若沒有匹配項，將輸出結果與編碼矩陣中的每行求兩個向量之間的夾角余弦，即夾角余弦值cosθ越大，則兩個向量的夾角θ越小，兩個向量的夾角θ夾角越小，表示兩個向量越接近［16］。即兩個樣本相似度越大，即可以劃分為一類。

圖2字符“0”網格化效果圖

3.2 次級分類

為了提高車牌字符識別率，更好的對相似字符對的進行識別，給容易產生相互混淆錯誤的相似字符進行二次識別。本文中針對車牌數字和字母，由于其結構簡單，且其構成中包含主要包括直線，曲線，閉合環［17］。所以對數字和字母，這里采用粗網格特征和直線，曲線，閉合環個數。可以很好地區分相似字符對（0，D）、（2，Z）、（8，B）、（4，A）、（5，S）。

預處理為了方便獲取其直線、閉合環數特征，對二次識別中的字符進行細化即將二值化后的圖像中字符變成一個像素寬度如圖3所示。下面主要講述如何直線特征提取、曲線特征提取和閉合環的特征提取。

圖3車牌字符細化圖像

1）直線特征提取

首先直線分為水平直線、垂直直線、斜直線。水平直線又分為水平上、中、下直線。垂直直線分為垂直左、中、右三個層次。水平左、中、右直線特征提取是從上到下對字符圖像進行逐行掃描［18］。從左到右統計每行的黑色像素值為1的個數。對歸一化為24×22。細化后每行黑色像素值為1的個數大于10就可以作為水平直線。當水平直線的行號在［1，5］范圍內，定為水平上直線，如圖4所示；當水平直線的行號在［8，12］為中水平直線，如圖5所示；當水平直線行號在［15，20］范圍內，定為水平下直線，如圖6所示。

圖4水平上直線特征

圖5水平中直線特征

圖6水平中直線特征

2）曲線特征提取

這里的曲線特征提取是將細化后的圖像進行均勻網格化為3×6之后進行特征提取，如圖7所示。曲線可以通過曲率來衡量。在數學中通過微分來定義，表明曲線偏離直線的程度。可以通過逼近的兩點的直線斜率來表示該點的曲率。計算公式如下所示：

其中P點坐標（xi-1，yi-1），Q點坐標(xi，yi)。ki表示Q點的曲率。

圖7字符細化后的網格化示意圖

若網格中相鄰統計點的斜率相等，則累加具有相同斜率的像素點的數目。當該累加和超過所在網格中像素點一半時，則定義該網格內曲率特征向量為零向量［19］。表示該網格筆畫為直線。否則定義該網格內特征向量為單位向量。表示此網格中字符筆畫是曲線。

3）閉合環特征提取

設像素點p(x，y)前景像素點的值為1，背景像素點的值為0，其中前景像素點的8鄰域如圖8所示：

圖8像素P的8鄰域

像素的頂點類型可分為端點、二叉點、三叉點。計算公式可表示為

當t=1時，像素點P是端點。當t=2時，像素點P是二叉點。當t=3時，像素點P是三叉點。

由于字符和數字是由直線相互連接或者交叉而成。如果判斷是否存在閉合環，根據圖的邊與頂點的數量關系，來判斷是否存在閉合環。檢測步驟如下：

第一步：求出圖像中端點、二叉點、三叉點個數分別用n1、n2、n3表示。

第二步：根據圖的邊數與頂點的數量關系有邊數E=(n1+2n23n3)/2，頂點數n=n1+2n2+3n3。

第三步：判斷E與n的大小來判斷閉合環數。當E＞n時，圖中至少有兩條閉合環。

當E=n時，圖中僅有一條閉合環。當E＜n時，圖中不存在閉合環。

4 實驗及結果

本文字符識別系統的開發環境為VS2013+ Opencv3.0，實現系統界面如圖9所示。實驗選擇采用手動拍的1000張車牌圖像，采用SVM車牌識別方法和SVM與糾錯輸出編碼相結合的二級相似字符識別，定量評估本文車牌識別對車牌的相似字符處理效果。平均每個字符的識別時間約為1.08s，實驗字符的識別統計結果如表2所示。由SVM和SVM二級分類的相似字符識別率結果對比如圖10，可以看出本文相似字符識別方法有了明顯提高。

圖9系統界面

表2 字符識別結果

圖10SVM和SVM二級分類的相似字符識別率結果對比

5 結語

針對車牌字符識別算法對相似字符識別率低下的缺點，本文綜合考慮相似字符集自身的特點，采用分級分類的思想，通過SVM與糾錯編碼相結合實現多分類器對字符進行粗分類識別，提高了分類的效果，降低了相似字符造成的分類誤差。根據相似字符局部區域容易誤識別的特點，采用提取相似字符的直線、曲率、閉合環特征，較強的提高了對相似字符的識別效果。使得字符識別系統的識別率較傳統方法提高了5%。測試結果表明，該字符識別方法具有良好的魯棒性和實時性。

［1］萬燕，劉偉.基于低質量圖片的兩極車牌字符識別算法［J］.計算機應用與軟件，2012，29（11）：281-282. WAN Yan，LIU Wei.Poles license plate character recogni?tion algorithm based on low quality images［J］.Journal of computer applications and software，2012，29（11）：281-282.

［2］黃文琪，吳煒，蘇力思，等.基于貝葉斯網絡分類器的車牌相似字符識別［J］.四川大學學報，2013，50（4）：776-779. HUANG Wenchi，WU Hui，SU Lisi，et al.Based on bayes?ian network classifiers similar license plate character rec?ognition［J］.Journal of sichuan university，2013，50（4）：776-779.

［3］周彬彬.復雜環境下車牌識別系統中關鍵技術的研究與實現［D］.南昌：南昌航空大學，2016. ZHOU Binbin.Under complicated environment in license plate recognition system research and implementation of key technologies［D］.Nanchang：Nanchang Hangkong Uni?versity，2016.

［4］鄭彬彬.車牌識別系統設計及基于改進SVM的字符識別研究［D］.廈門：廈門大學，2005. ZHEN Binbin.License plate recognition system design and character recognition based on improved SVM re?search［D］.Xiamen：Xiamen University，2005.

［5］劉偉.車牌識別系統中字符識別技術的研究［D］.上海：東華大學，2012. LIU Wei.Recognition system of license plate character recognition technology research［D］.Shanghai：Donghua University，2012.

［6］高保平，白瑞林，溫振師.基于輪廓層次和小波分析的工業字符識別［J］.計算機工程與設計，2012，33（6）：28-34. GAO Baoping，BAI Ruilin，WEN Zhenshi.Industry based on contour hierarchy and wavelet analysis character recog?nition［J］.Computer engineering and design，2012（6）：28-34.

［7］饒倩，喻文，毛祺琦，等.糾錯輸出碼綜述［J］.電腦知識與技術，2013，9（6）：1423-1426. RAO Qian，YU Wen，MAO Qiqi，et al.Output error correc?tion code review［J］.Computer knowledge and technology，2013，9（6）：1423-1426.

［8］王強，劉曉東，高潔，等.基于最小二乘和糾錯輸出編碼的多類分類［J］.計算機工程與應用，2014，50（7）：191-194. WANG Qiang，LIU Xiaodong，GAO Jie，et al.Based on least squares and error correcting output codes class classi?fication［J］.Computer Engineering and Application，2014，50（7）：191-194.

［9］何珊珊.改進的糾錯輸出編碼支持向量機及其在電網電能質量評估中的應用［D］.廣州：華南理工大學，2013. HE Shanshan.Improved error-correcting output codes support vector machine（SVM）and its application in the evaluation of power quality［D］.Guangzhou：South China University of Technology，2013.

［10］郭欣欣.基于分布式計算的SVM算法優化［D］.西安：西安電子科技大學，2014. GUO Xinxin.The SVM algorithm based on distributed computing optimization［D］.Xi'an：Xidian University，2014.

［11］李艷玲，李兵兵，劉明騫，等.基于支持向量機的數字調制信號識別［J］.計算機與現代化，2011（3）：22-24. LI Yanling，LI Bingbing，LIU Mingqian，et al.For digital modulation signal recognition based on support vector machine［J］.Computer and modernization，2011（3）：22-24.

［12］薛丹，孫萬蓉，李京京，等.一種基于SVM的改進車牌識別算法［J］.電子科技，2013，26（11）：22-24. XUE Dan，SUN Wanrong，LI Jingjing，et al.An improved algorithm of license plate recognition based on SVM［J］. Journal of electronic science and technology，2013，26（11）：22-24.

［13］陳學保.車牌字符識別算法的研究［D］.重慶：重慶大學，2013. CHEN Xuebao.License plate character recognition algo?rithm research［D］.Chongqing：Chongqing University，2013.

［14］剛亞洲，黃元元，戴群.一種快速名片字符識別算法［J］.計算機應用研究，2014，31（9）：2860-2864. GANG Yazhou，HUANG Yuanyuan，DAI Qun.A fast card character recognition algorithm［J］.Computer appli?cation research，2014，31（9）：2860-2864.

［15］李雪花，許姜滌宇，于安軍，等.基于SVM多分類器的字符識別［J］.信息技術，2016（1）：20-26. LI Xuehua，XU Jiang Diyu，YU Anjun，et al.Based on the SVM classifier more character recognition［J］.Jour?nal of information technology，2016（1）：20-26.

［16］祖文超，苑津莎，王峰，等.基于SVM的糾錯編碼多分類算法的研究與應用［J］.電子質量，2012（7）：39-40. ZU Wenchao，YUAN Jinsha，WANG Feng，et al.Re?search and Application of Multi-classification Algorithm of Error-correcting Codes Based on SVM［J］.Electron?ics Quclity，2012（7）：39-40.

［17］Li Sheng jin，Hua Cai xian，Jing Bie，et al.License Plate Recognition Algorithm for Passenger Cars in Chinese Residential Areas［J］.Sensors，2012，12：8355-8370.

［18］劉雄飛，朱勝春.車牌字符多特征提取與BP神經網絡的識別算法［J］.計算機仿真，2014，31（10）：161-165. LIU Xiongfei，ZHU Shengchun.License plate character feature extraction and recognition algorithm of BP neural network［J］.Computer simulation，2014，31（10）：161-165.

［19］方玉玲，魏赟.基于二次網格的字符圖像特征提取方法［J］.電子質量，2015，28（10）：74-76. FANG Yuling，WEI Yun.Character image feature extrac?tion method based on quadratic grid［J］.Journal of elec?tronic quality，2015，28（10）：74-76.

Similar Character of License Plate Recognition Method Based on Multi-classification SVM

FANG Lingyu1GONG Wenyou2
（1.School of Computer Science and Engineering，Jiangsu University of Science and Technology，Zhenjiang212003）（2.Jiangsu Keda Huifeng Science and Technology Co.，Ltd.，Zhenjiang212003）

In order to improve the effect of similar license plate character recognition，the SVM classifier of binary classifica?tion based on the multiple classifier design output error correction coding is used，characters of license plate character coarse classi?fication identification of license plate characters are formed nearly.The curvature of the similar characters，lines，and closed loop feature for fine classification are extrated to secondary similar characters recognition.Through secondary recognition the effect of the license plate character recognition is improved effectively，the SVM classifier improves the effect of the license plate character clas?sification effectively and has good robustness.

license plate character recognition，similar characters，classification

TP391

10.3969/j.issn.1672-9722.2017.07.038

2017年1月13日，

2017年2月27日

方玲玉，女，碩士研究生，研究方向：圖像處理、計算機技術。龔文友，男，工程師，研究方向：圖像處理、大數據。