基于支持向量机的车牌定位方法

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，包括车牌定位、车牌字符分割、字符识别三部分。其中车牌定位是整个系统中的关键步骤。

目前车牌定位方法主要有：

(1)基于Hough变换的方法，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)基于边缘检测的方法，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。支持向量机(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。

关键字：向量机 车牌定位

3.1 特征提取

利用SVM自身结构可以实现有效的特征提取，选择直接提取像素灰度特征。图像像素点之间不是孤立的，相互之间存在着相关性，体现了一种纹理。可以通过提取一些特定像素的灰度值作为整幅图像的特征，同时减少了计算量。首先将每幅图像切割成若干个N×N子块，再将每一子块标注为牌照区域(+1)和非牌照区域(-1)两类，然后使用图1所示"米"字型模型提取像素灰度值(图中阴影为要提取的像素点)。这样每幅子图的特征维数由N×N减少到4N-3，提高了训练和分类速度。

3.2 SVM分类器

SVM分类器分为三层结构，结构示意见图2。输入层的维数为子图的特征维数4N-3，输入值是灰度值。隐含层的维数是由训练获得的支持向量决定，即由训练阶段自动获得，而且二次规划在凸集下的解是全局最优解，避免陷入局部最小。隐含层计算输入向量与支持向量之间的内积，完成非线性映射，通过核函数一步来实现的。输出层的输出就是对隐层的输出与权值ωi的乘积求和，权值aiyi也是在训练中获得的。

SVM中研究最多的核函数主要有三类：多项式、径向基函数(RBF)和多层Sigmoid神经网络。实验中使用的是多项式核函数，形式为：

作为一种基于样本学习的方法，我们希望训练样本集尽可能地大，以获得比较充分的代表性。然而考虑到实际的限制，这个尺寸又必须是适中的。因此，问题就是如何构造一个全面又可行的训练样本集。对于车牌定位问题，所有包含牌照区域的图像可以作为正样本，困难点是收集负样本，因为实际上存在太多的不包含牌照的图像可以作为负样本。如何在这些图像中选取具有代表性的子集，实验中采用了一种叫"自举"(bootstrap)的方法，他已被Sung和Poggio成功地应用于人脸识别。主要思想就是一些负样本(非牌照)是在训练中获得而不是在训练以前，具体实现步骤如下：