微波EDA网,见证研发工程师的成长!
首页 > 应用设计 > 汽车电子 > 基于支持向量机的车牌定位方法

基于支持向量机的车牌定位方法

时间:08-26 来源:电子技术应用 点击:

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:

Copyright © 2017-2020 微波EDA网 版权所有

网站地图

Top