復(fù)雜背景下的快速車牌識(shí)別技術(shù)研究(共17頁(yè))

1、復(fù)雜背景下的快速車牌識(shí)別技術(shù)(jsh)研究車牌定位(dngwi)算法分析1.基于(jy)灰度圖像的車牌定位方法1.1基于邊緣檢測(cè)的車牌定位方法1.1.1通過字符邊緣特征定位首先利用邊緣檢測(cè)算子提取車牌字符邊緣,再對(duì)字符邊緣進(jìn)行形態(tài)學(xué)連接,獲得車牌候選區(qū)域,然后采用投影方法去除偽車牌。優(yōu)點(diǎn)：有效地去除非邊緣噪聲,可以快速定位含有多個(gè)車牌的圖像;缺點(diǎn)：難以去除邊緣密集的偽車牌,而且無法定位污染嚴(yán)重的車牌圖像。1.1.2通過檢測(cè)車牌的外邊框定位首先利用邊緣檢測(cè)算法提取車牌邊框位置,然后用Hough變換算法檢測(cè)直線,確認(rèn)外邊框的上下左右四條邊位置就確定了車牌在圖像中的位置。1.2基于紋理特征的車牌定位

2、方法利用車牌區(qū)域的灰度跳變特征,對(duì)圖像進(jìn)行水平方向的掃描,找到灰度變化滿足車牌區(qū)域灰度變化規(guī)律的車牌線段,對(duì)已經(jīng)找到的可能存在車牌的區(qū)域進(jìn)行垂直方向的掃描,找到連續(xù)若干行均存在車牌線段,通過對(duì)連通區(qū)域的尺寸分析,滿足車牌的寬高比,由此確定一個(gè)車牌區(qū)域。缺點(diǎn)：灰化和二值化的闕值問題，傾斜車牌定位問題1.3基于投影法的車牌定位方法首先對(duì)車牌圖像進(jìn)行二值化,由于車牌區(qū)域存在明顯的劇烈的字符與背景的灰度跳變,將跳變次數(shù)投影到垂直軸上,那么車牌區(qū)域?qū)?yīng)的垂直軸上會(huì)有一個(gè)明顯的峰值,這樣可以得到車牌的上下邊界。然后對(duì)上下邊界內(nèi)的區(qū)域進(jìn)行水平投影,字符區(qū)域會(huì)出現(xiàn)明顯的峰值,這樣可以得到車牌的左右邊界。缺點(diǎn)：

3、無法準(zhǔn)確定位復(fù)雜環(huán)境下的車牌2.基于彩色圖像的車牌定位方法首先利用彩色邊緣檢測(cè)算子Color-Prewitt檢測(cè)字符邊緣,并用數(shù)學(xué)形態(tài)學(xué)方法連接各個(gè)邊緣,最后利用車牌的先驗(yàn)知識(shí),確定車牌位置。缺點(diǎn)(qudin)：車牌底色不同。受自然光照變化影響，車牌圖像色度變化范圍大3.基于字符(z f)邊緣特征的車牌定位方法3.1粗定位釆用簡(jiǎn)單方法(fngf)的車牌粗定位方法獲取邊緣密集的車牌候選區(qū)域,再采用復(fù)雜方法的車牌定位去除偽車牌區(qū)域。3.1.1灰度變換把需要處理的RGB圖像轉(zhuǎn)換為YUV（視頻數(shù)據(jù)）圖像中的Y分量灰度圖像。轉(zhuǎn)換公式:Y = 0.299*R + 0.587*G + 0.114*53.1.

4、2邊緣檢測(cè)（1）梯度算子梯度算子是一階導(dǎo)數(shù)算子，圖像的梯度是鄰域灰度值的差分，圖像中灰度值變化劇烈處的梯度值較大,圖像中灰度值變化輕微處的梯度值較小。表1 梯度算子（2）拉普拉斯(Laplacian)算子拉普拉斯邊緣檢測(cè)算子是二階導(dǎo)數(shù)算子，通過鄰域內(nèi)各個(gè)點(diǎn)的灰度值的差分來實(shí)現(xiàn)。該算子無法提供邊緣方向,是一個(gè)與邊緣方向無關(guān)的邊緣算子,這在一定程度上可以有效地檢測(cè)出全部圖像邊緣,但其缺點(diǎn)是對(duì)圖像噪聲比較敏感。兩個(gè)(lin )模板：（3）Canny 算子(sun z)Canny算子是先平滑再求導(dǎo)的邊緣檢測(cè)方法，它利用高閾值和低閾值分別檢測(cè)圖像中的強(qiáng)邊緣和弱邊緣,以強(qiáng)邊緣為基礎(chǔ),搜索和連接附近的弱邊緣

5、,而且由于它在邊緣檢測(cè)之前進(jìn)行了高斯濾波,因此Canny算子不但(bdn)可以檢測(cè)出豐富的邊緣細(xì)節(jié),又可以有效地減少噪聲的干擾。原理：1.用高斯濾波器平滑圖像高斯平滑函數(shù)： (3.1) (3.2)2.用一階差分來計(jì)算梯度的幅值和方向選擇對(duì)噪聲有抑制作用的Sobel算子: (3.3) (3.4)梯度橫幅： （3.5）梯度方向： （3.6）3.對(duì)梯度幅值進(jìn)行“非極大值抑制”非極大值抑制是指在梯度方向上只保留梯度幅值為極大值的點(diǎn),抑制所有非極大值的點(diǎn)。將梯度角的變化范圍縮小到只有四個(gè)方向,標(biāo)號(hào)(bioho)0到3。對(duì)梯度圖像的每個(gè)像素點(diǎn)使用一個(gè)3x3的模板,將模板的中心像素X的梯度值與沿著梯度方向的

6、兩個(gè)相鄰像素的梯度值比較,如果X的梯度值均小于沿梯度方向的兩個(gè)像素的梯度值,則將X處的灰度值置零。對(duì)梯度圖像(t xin)進(jìn)行“非極大值抑制(yzh)”處理后,檢測(cè)到的邊緣只有一個(gè)像素的寬度。4.雙閾值檢測(cè)和邊緣連接利用高閾值T1對(duì)梯度圖像進(jìn)行二值化,得到強(qiáng)邊緣二值圖像Edgelmgl;利用低閾值T2對(duì)梯度圖像進(jìn)行二值化,得到弱邊緣二值圖像Edgelmg2。3.1.3水平跳變檢測(cè)邊緣密集區(qū)域通過輸入車牌寬度范圍，記最小車牌寬度為minPlateWidth,最大車牌寬度為maxPlateWidth。由最小車牌寬度可以計(jì)算出最小字符間距,表示字符邊緣的最小距離要求。對(duì)二值邊緣圖的每一行進(jìn)行掃描,將

7、同時(shí)滿足邊緣間距和邊緣跳變的邊緣點(diǎn)連接起來。這樣可以快速檢測(cè)出車牌可能存在的區(qū)域3.1.4連通域分析獲得車牌候選區(qū)域獲得連通域的最小外接矩形，提取車牌的輪廓。通過去除Blob內(nèi)部點(diǎn)的方式來得到輪廓。Blob內(nèi)部點(diǎn)通常滿足3x3的鄰域內(nèi)都含有白點(diǎn)。(1)車牌候選區(qū)域?qū)?yīng)外接矩形的寬度Width:MinPlateWidth/2 Width MaxPlateHeight*2 (3.7)(2)車牌候選區(qū)域?qū)?yīng)外接矩形的高度Height;MinPlateHeight 12 He ight 1 (3.9)3.2精細(xì)(jngx)定位3.2.1自適應(yīng)(shyng)灰度拉伸根據(jù)原圖象的對(duì)比度進(jìn)行(jnxng)自

8、適應(yīng)灰度拉伸,如果圖像已經(jīng)有合適的對(duì)比度,則可進(jìn)一步增加其對(duì)比度;如果圖像的對(duì)比度非常差,則圖像的拉伸范圍不宜設(shè)置過大,以免造成拉伸過度?；叶壤旃剑?（3.10） （3.11） （3.12）注：c(i)為圖像的累積直方圖根據(jù)(b-a)的取值,設(shè)置拉伸區(qū)域范圍： （3.13） （3.14） （3.15）q根據(jù)動(dòng)態(tài)范圍p進(jìn)行自適應(yīng)設(shè)置 （3.16）3.2.2 Sobel垂直邊緣檢測(cè)3.2.3自適應(yīng)二值化(1)全局閾值法全局閾值法是指二值化過程中只使用一個(gè)全局閾值T的方法若像素灰度值大于閾值T,則將像素灰度值設(shè)為前景色(白色);否則,設(shè)為背景色(黑色),以此實(shí)現(xiàn)灰度圖像到二值圖像的轉(zhuǎn)變。1.雙峰

9、法利用灰度直方圖，圖包含兩個(gè)波峰(bfng),這兩個(gè)峰分別對(duì)應(yīng)前景和背景數(shù)目較多的像素點(diǎn),雙峰之間的波谷對(duì)應(yīng)前景和背景的分界點(diǎn),雙峰法便是利用這種直方圖中求出分離前景和背景的二值化閾值。2.迭代法I、求出圖像(t xin)的最大灰度值和最小灰度值,分別記為和，則得到(d do)的初始閾值為: （3.17）II、將圖像中大于閾值的部分設(shè)為前景,小于閾值的部分設(shè)為背景,然后分別求出前景部分和背景部分的平均灰度值和III、求出閾值 （3.18）V、若，則所得即為閾值,否則繼續(xù)迭代。3. OTSU法（大律法）基本思想是:將圖像分為兩部分,一部分為像素灰度值大于等于閾值T的部分,另一部分為像素灰度值小于

10、閾值T的部分,然后求出這兩部分的平均值方差(T2,也稱為類間方差,通過迭代求出使類間方差CT2最大的閾值T,該閾值即為二值化效果最好的閾值。OTSU方法是自動(dòng)選取二值化閾值的較優(yōu)方法。算法具體步驟如下:令二值化闕值T=0;求出大于T和小于T的這兩類的像素總數(shù)占圖像的比例和平均灰度值計(jì)算類間方差T=T+1,循環(huán)到找到類間方差最大值的對(duì)應(yīng)的T（2）局部閾值法由像素灰度值和像素周圍點(diǎn)局部灰度特性來確定像素的閾值的,通過定義考察點(diǎn)的領(lǐng)域,并由領(lǐng)域計(jì)算模板來實(shí)現(xiàn)考察點(diǎn)灰度與領(lǐng)域的比較,較全局方法有更廣泛的應(yīng)用。Bemsen算法基本思想(sxing)是將對(duì)應(yīng)于灰度圖中任一像素的閾值選取為該像素一個(gè)鄰域內(nèi)的

11、最大灰度值與最小灰度值的平均值T(x,y),考慮以任意一點(diǎn)(乂,7)為中心的(2 + 1)乂(2? + 1)窗口,f(x,y)表示為該點(diǎn)的灰度值,以平均值T(x,y)為閾值,對(duì)該鄰域的所有點(diǎn)進(jìn)行二值化,大于等于閾值的點(diǎn)取255,小于閾值的點(diǎn)取值0。它對(duì)光照不均以及噪聲干擾有一定的適應(yīng)能力，缺點(diǎn)是：一是計(jì)算速度慢,鄰域計(jì)算模板越大,計(jì)算速度越慢;二是不能保證筆畫(bhu)的完整性和連通性;三是容易出現(xiàn)“偽影”現(xiàn)象(xinxing)。3.2.4去除噪聲去噪方法需要對(duì)邊緣圖像掃描三次,第一次掃描記錄從邊緣左上點(diǎn)開始計(jì)數(shù)的邊緣長(zhǎng)度,第二次掃描記錄從邊緣右下點(diǎn)開始計(jì)數(shù)的邊緣長(zhǎng)度,第三次掃描將前兩次的數(shù)據(jù)

12、相加得到邊緣的真實(shí)長(zhǎng)度,根據(jù)邊緣長(zhǎng)度去除噪聲。3.2.5水平跳變檢測(cè)字符具有豐富的垂直邊緣信息,因此對(duì)邊緣圖像進(jìn)行行掃描時(shí),車牌區(qū)域的行灰度值跳變劇烈。3.2.6形態(tài)學(xué)膨脹3.2.7連通域分析與合并判斷各個(gè)Blob的外接矩形之間的間距,滿足允許間距范圍內(nèi)的矩形框進(jìn)行合并。3.2.8幾何特征蹄選車牌結(jié)果(1)車牌候選區(qū)域的Blob面積Area;(2)車牌候選區(qū)域的Blob外接矩形的寬度Width(3)車牌候選區(qū)域的Blob外接矩形的高度Height;(4)車牌候選區(qū)域的Blob外接矩形的寬高比Ratio。當(dāng)拍攝車牌的場(chǎng)景確定時(shí),車牌的幾何特征值在一定范圍內(nèi):MinPlateArea Area M

13、axPlateArea (3.19)MinPlate Width Width MaxPlateWidth (3.20)MinPlateHeight Height MaxPlateHeight (3.21)MinPlateRatio Ratio MaxPlateRatio (3.22)利用以上車牌的幾何特征,可以(ky)挑出車牌區(qū)域。字符分割(fng)算法分析4.基于字符輪廓和模板匹配(ppi)的字符分割方法4.1自適應(yīng)灰度拉伸4.2估計(jì)車牌顏色4.2.1 HSV顏色模型RGB顏色空間和HSV顏色空間的轉(zhuǎn)換公式: （4.1） （4.2） （4.3）4.2.2基于HSV的車牌顏色判斷將RGB圖像轉(zhuǎn)

14、換為HSV圖像,然后對(duì)圖像上的每個(gè)像素的顏色進(jìn)行判斷,統(tǒng)計(jì)整個(gè)車牌圖像的顏色分布,最后估計(jì)出車牌顏色。4.3拉普拉斯邊緣檢測(cè)4.4二值化采用OSTU算法將邊緣檢測(cè)后的車牌灰度圖進(jìn)行二值化,把邊緣處置為前景,非邊緣處置為背景4.5估計(jì)字符高度4.6提取字符1.提取(tq)邊緣完整的獨(dú)立普通字符將高度接近估計(jì)的字符高度,并且高寬比接近標(biāo)準(zhǔn)字符高寬比(2:1)的字符提取到普通(ptng)字符類別。2.分離粘連(zhnlin)的字符I、優(yōu)先處理字符與上下邊框的粘連，找到字符間隙即可分離出字符II、然后處理字符與字符的粘連,強(qiáng)行分割。III、最后處理字符與左右邊框的粘連,左右邊框在二值化圖像的垂直方向上

15、為連續(xù)的白色,去除一部分,降低其影響即可,避免傷及字體部分。3.提取斷裂的字符對(duì)斷裂的邊緣之間進(jìn)行小范圍區(qū)域生長(zhǎng),邊緣之間連接成功后,提取滿足普通字符尺寸的字符。4.提取“1”、“J”、“T”、“L”對(duì)“1”字符進(jìn)行空間擴(kuò)展,頂部和底部進(jìn)行區(qū)域生長(zhǎng)搜索。5.二次確認(rèn)4.7模板匹配字符模板匹配僅對(duì)提取到5個(gè)以上的字符情況作處理。由提取到的字符的平均寬度作為基礎(chǔ),在此基礎(chǔ)減2,減1,加1,加2,用5個(gè)字符寬度可以得出5個(gè)不同大小的模板,用這5個(gè)不同大小的字符模板在提取到的字符上移動(dòng)作匹配,求出匹配度最大的模板。最佳匹配度: (4.4)字符識(shí)別算法分析5.字符識(shí)別常用方法5.1統(tǒng)計(jì)模式識(shí)別統(tǒng)計(jì)決策判

16、別,對(duì)字符整體按規(guī)律進(jìn)行統(tǒng)計(jì),將統(tǒng)計(jì)到的信息作為識(shí)別特征,使用決策函數(shù)進(jìn)行識(shí)別。優(yōu)點(diǎn):對(duì)復(fù)雜背景有較好的抗噪能力、容易實(shí)施的決策判別函數(shù);缺點(diǎn):難以區(qū)分相似字的細(xì)節(jié)部分。5.1.1模板匹配以整體字符作為(zuwi)識(shí)別特征,同字庫(kù)中的模板特征進(jìn)行比較,找出最大匹配度對(duì)應(yīng)的模板,即為字符識(shí)別結(jié)果。5.1.2變換(binhun)特征用變換方法(如Walsh變換、Hardama變換、K-L變換、Fourier變換、Cosine變換,Slant變換等)將字符圖像映射到變換域中,然后(rnhu)在變換域中進(jìn)行特征提取。5.1.3筆畫密度特征在字符圖像的一個(gè)特定范圍內(nèi),字符在垂直方向、水平方向或?qū)蔷€方向

17、上的筆畫個(gè)數(shù)。5.1.4幾何矩特征只有在線性變換下才具有不變性,但是現(xiàn)實(shí)環(huán)境中不一定具備線性變換的條件,因此,該特征缺乏實(shí)用性。5.1.5輪廓特征使用輪廓特征可以非常容易地實(shí)現(xiàn)字符的粗分類。5.2結(jié)構(gòu)模式識(shí)別把將一個(gè)復(fù)雜的模式一部分一部分地加以描述,將復(fù)雜的模式分成若干個(gè)子模式,直至最簡(jiǎn)單的子模式(基元)。是一種樹狀結(jié)構(gòu)的表示方法。5.3人工神利用圖像的統(tǒng)計(jì)特征和幾何空間等特征,通過自學(xué)習(xí)、修改自身的結(jié)構(gòu)的方式,提高圖像的分類精度,直到取得滿意的效果,而且ANN可以像人腦一樣積累經(jīng)驗(yàn)。具有良好的容錯(cuò)性和自適應(yīng)性。6. SVM理論概述6.1經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化(ERM)問題預(yù)測(cè)的期望風(fēng)險(xiǎn)： （6.1）

18、大數(shù)定理得知,當(dāng)樣本數(shù)量很大的時(shí)候,算術(shù)平均值就可以近似于數(shù)學(xué)期望,于是得到經(jīng)驗(yàn)風(fēng)險(xiǎn)： （6.2） 經(jīng)驗(yàn)(jngyn)風(fēng)險(xiǎn)最小化(ERM)原則就是經(jīng)驗(yàn)風(fēng)險(xiǎn)的最小值代替期望風(fēng)險(xiǎn)的最小值。6.2統(tǒng)計(jì)(tngj)學(xué)習(xí)理論的核心內(nèi)容真實(shí)風(fēng)險(xiǎn)由經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信風(fēng)險(xiǎn)兩個(gè)部分構(gòu)成,其中經(jīng)驗(yàn)風(fēng)險(xiǎn)表示分類器從訓(xùn)練樣本得到的分類結(jié)果的經(jīng)驗(yàn)誤差(wch),置信風(fēng)險(xiǎn)表示分類器對(duì)未知樣本分類結(jié)果的信任度。當(dāng)樣本數(shù)越大,VC維越小,則置信風(fēng)險(xiǎn)越小;反之,則越大。6.2.1 VC維對(duì)一個(gè)指示函數(shù)集,如果存在h個(gè)樣本能夠被函數(shù)集中的函數(shù)按所有可能的2力種形式分開,則稱函數(shù)集能夠把h個(gè)樣本打散,函數(shù)集的VC維就是它能打散的最大樣

19、本數(shù)目如果函數(shù)。6.2.2推廣性的界經(jīng)驗(yàn)風(fēng)險(xiǎn)和真實(shí)風(fēng)險(xiǎn)滿足如下關(guān)系： （6.3） （6.4）樣本數(shù)n是不變的,只有當(dāng)學(xué)習(xí)機(jī)器的VC維h趨于零時(shí),也就是學(xué)習(xí)機(jī)器的復(fù)雜性最小時(shí),得到的是無窮大,置信范圍才趨于零,所以需要同時(shí)考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化和選取較小的VC維,才能設(shè)計(jì)出期望風(fēng)險(xiǎn)最小的分類器。6.2.3結(jié)構(gòu)風(fēng)險(xiǎn)最小化(SRM)為了取得最小的實(shí)際風(fēng)險(xiǎn),把函數(shù)集構(gòu)造為一個(gè)按照VC維的大小排列的函數(shù)子集序列,折中考慮每個(gè)子集的經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍。結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的求取方法通常有兩種：第一種方法是首先求取每個(gè)子集的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小值,然后將經(jīng)驗(yàn)風(fēng)險(xiǎn)最小值與置信范圍相加,并且找到這兩者之和最小對(duì)應(yīng)的子集,這種

20、方法的缺點(diǎn)十分明顯,當(dāng)子集數(shù)量非常龐大時(shí),該方法低效費(fèi)時(shí)。第二種方法是通過設(shè)計(jì)函數(shù)集的結(jié)構(gòu)使得每個(gè)子集的經(jīng)驗(yàn)風(fēng)險(xiǎn)都最小,然后選擇部分子集使其置信范圍最小,這種方法的缺點(diǎn)是函數(shù)集的結(jié)構(gòu)難以設(shè)計(jì)。6.3 SVM 原理(yunl)6.3.1最優(yōu)超平面從SVM的結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則來看,超平面既可以(ky)把樣本區(qū)分開,又要使兩類樣本的分類間隔最大,這就保證了超平面不管在訓(xùn)練時(shí)還是在使用時(shí)都有好的分類效果,是最優(yōu)超平面。其中分類間隔是指兩類樣本中離分類超平面最近的樣本與分類超平面的距離的和。 （6.5）為求最小,得到(d do)了廣義的最優(yōu)分類面。6.3.2線性支持向量機(jī)1.線性可分支持向量機(jī)約束條件：

21、拉格朗日求解：最大優(yōu)化函數(shù)：約束條件：最優(yōu)分類函數(shù)：2.線性不可分支持向量機(jī)求解這個(gè)優(yōu)化問題的方法與線性可分情況基本一樣,只是約束條件有所不同，支持向量是那些系數(shù)a,.不等于0的樣本。約束條件：6.3.3支持向量機(jī)通過非線性變換的核函數(shù)將低維空間轉(zhuǎn)換到高維線性可分空間,然后在線性可分空間中求取最優(yōu)分類超平面。優(yōu)化函數(shù)(hnsh)：最優(yōu)分類(fn li)函數(shù)：6.3.4支持(zhch)向量機(jī)的核函數(shù)1.線性函數(shù)：這時(shí)得到的支持向量機(jī)是一個(gè)線性分類器。2.多項(xiàng)式核函數(shù)：這時(shí)得到的支持向量機(jī)時(shí)q階多項(xiàng)式分類器。3.徑向基函數(shù)型核函數(shù)(RBF)：這時(shí)得到的支持向量是一種徑向基函數(shù)分類器。支持向量機(jī)的每

22、個(gè)支持向量與每個(gè)函數(shù)的中心一一對(duì)應(yīng)。4.Sigmoid 核函數(shù)這時(shí)得到的支持向量機(jī)是一個(gè)兩層的多層感知器神經(jīng)網(wǎng)絡(luò),這個(gè)神經(jīng)網(wǎng)絡(luò)不但有網(wǎng)絡(luò)的權(quán)值,而且可以自動(dòng)確定隱含層節(jié)點(diǎn)數(shù),且沒有局部極小點(diǎn)問題。6.4核函數(shù)及其參數(shù)的選擇6.4.1核函數(shù)的選擇方法1.單一驗(yàn)證估計(jì)樣本數(shù)量趨近于無窮大時(shí),該估計(jì)為無偏估計(jì),但現(xiàn)實(shí)中處理的總是數(shù)量有限的樣本問題,所以此方法的應(yīng)用范圍在一定程度上受到了限制。2.K折交叉驗(yàn)證一種迭代方式,一共迭代K次,每次將所有訓(xùn)練樣本分為K份相等的子集樣本,訓(xùn)練樣本是選擇其中K-1份樣本,測(cè)試樣本是剩余的一個(gè)樣本。3.留一法基本思想是當(dāng)可用樣本數(shù)為N時(shí),訓(xùn)練集由其中N-1個(gè)樣本構(gòu)成

23、,測(cè)試樣本為剩余的一個(gè)樣本,經(jīng)N次重復(fù),使所有的樣本都參加過測(cè)試。但留一法計(jì)算量大，只要上界小,分類器的推廣能力就強(qiáng)。6.4.2徑向基核函數(shù)將樣本映射到一個(gè)更高維的空間,比多項(xiàng)式核函數(shù)需要更少的參數(shù),減少(jinsho)了模型的復(fù)雜度。6.4.2參數(shù)(cnsh)的選擇徑向基(RBF)核函數(shù)主要(zhyo)確定懲罰因子C和參數(shù)。1.網(wǎng)格法選取U個(gè)C和V個(gè)cr2,就會(huì)有t/xF的組合狀態(tài),每種組合狀態(tài)對(duì)應(yīng)一種SVM分類器,通過測(cè)試對(duì)比,找出推廣識(shí)別率最高的C和組合。2.雙線性法對(duì)滿足上式的(C,),訓(xùn)練SVM,根據(jù)對(duì)其推廣識(shí)別率的估算,得到最優(yōu)參數(shù)。3.梯度下降搜索法泛化誤差：核函數(shù)：a將0置一個(gè)

24、初始值b用一個(gè)標(biāo)準(zhǔn)的SVM解法(如SMO),求出SVM的解Lagrange乘子cd跳轉(zhuǎn)到b直至T最小4.遺傳算法過程：at=0b隨機(jī)選擇初始種群P(t)c計(jì)算個(gè)體適應(yīng)度函數(shù)值F(t)d若種群中最優(yōu)個(gè)體所對(duì)應(yīng)的適應(yīng)度函數(shù)值足夠大或者算法已經(jīng)連續(xù)運(yùn)行多代,且個(gè)體的最佳適應(yīng)度無明顯改進(jìn)則轉(zhuǎn)到第h步et=t+lf應(yīng)用選擇算子法從P(t-l)中選擇P(t)g對(duì)P(t)進(jìn)行交叉、變異(biny)操作,轉(zhuǎn)到第c步h給出最佳的核函數(shù)參合(cnh)和懲罰因子C,并用其訓(xùn)練數(shù)據(jù)集以獲得全局最優(yōu)分類面。遺傳算法的缺點(diǎn)是收斂很慢,容易(rngy)受局部極小值干擾62。6.5基于SVM的字符識(shí)別6.5.1字符歸一化與二

25、值化把車牌字符統(tǒng)一成一個(gè)模板大小，對(duì)每個(gè)字符進(jìn)行二值化,采用OTSU 二值化方法。6.5.2特征提取1.投影特征統(tǒng)計(jì)圖像在特定方向上的投影直方圖。投影可以分為四個(gè)方向:垂直,水平,正反對(duì)角線方向。投影特征可以區(qū)分分布明顯不同的字符,對(duì)一些相似的字符區(qū)分效果差。2.網(wǎng)格特征統(tǒng)計(jì)字符圖像在每個(gè)網(wǎng)格內(nèi)的所有像素點(diǎn)的像素值的和作為特征。假設(shè)字符圖像大小為W*H,網(wǎng)格大小為M*N,則共有個(gè)格子。該方法需要設(shè)置合適的網(wǎng)格大小,不同的網(wǎng)格大小對(duì)識(shí)別率影響較大。3.內(nèi)外輪廓特征“1”、“2”、“3”、“5”、“7”只有外輪廓,“4”、“6”、“8”、“9”、“0”有內(nèi)外輪廓,但是對(duì)相近的字符區(qū)分效果分,比如“C”和“G”。4.拓?fù)涮卣鞔┚€數(shù)特征是指從某一方向穿過字符圖像時(shí),穿越的連續(xù)像素的段的數(shù)量。歐拉數(shù)特征是指字符圖形中的孔數(shù),例如字符“8”有兩個(gè)孔。5.幾何(j h)矩特征圖像的幾何矩是指圖像函數(shù)在間區(qū)域(qy)內(nèi)的積