基于支持向量机的车牌定位方法

(1)建立包含正样本(牌照区域)和负样本(非牌照区域)的训练集合N1；

(2)用N1训练SVM；

(3)用训练好的SVM分类器对随机选取的非牌照样本进行分类测试，收集那些被错分为牌照的样本；

(4)随机选取20％的错分类样本加入到训练集N1；

(5)重复(2)～(4)步直至没有再发现错分的样本；

(6)使用最终获得的N1训练SVM。

关键字：向量机 车牌定位

图3显示了一些用于训练的样本。

最后，用训练好的SVM分类器扫描全图，根据输出类别，对每个N×N小窗口的中心像素做出判断。如果输出+1就认为他是牌照区域，赋值为255；否则，则认为他不是牌照区域，赋值为0。如图4(a)所示。

SVM通过训练选择对分类超平面起决定作用的支持向量，就像选择了一组特定的滤波器，突出了牌照区域。在SVM分类器中滤波器的数目和系数是在训练中自动获得的。

3.3 分割牌照区域

对每个像素做出分类判断后，得到一个二值图像，还必须进行一些处理，其目的是合并感兴趣区域和去除噪声。本文采用数学形态学对二值图像进行处理，在此基础之上再做水平和垂直两个方向的投影，最后，根据投影并结合车牌自身的一些先验知识，如长宽比、车牌的字符数、字符间距，实现牌照区域的定位。分割过程主要包括以下几个步骤：

(1)首先训练SVM分类器，用他扫描图像，对像素进行分类，获得分类后的二值图像。

(2)应用数学形态学方法对分类结果所得图像进行处理、去除噪声。

(3)再对图像做水平投影和高斯迭代平滑处理。

(4)确定牌照水平区域：在平滑处理后的水平投影图中，获取峰值点以及与这些峰值点最接近的左右侧谷值点，由左右侧谷值点确定一个水平区域的高度g，峰值大于车牌最小宽度F时，该区域是车牌可能所在的水平区域。其中：F=Rmin×g，Rmin为标准车牌宽高比的最小值。

(5)确定牌照垂直区域：对于车牌可能所在的水平区域进行垂直投影(同样采取高斯叠代平滑)，由垂直投影图将水平区域分成一块块较小的区域，计算出最大字符间距D，将间距小于等于D的区域合并。其中：D=Tmax×Rmax×g，Rmax为标准车牌宽高比的最大值，Tmax为标准车牌最大字符间距与车牌宽度之比。合并后区域的宽高比大于Rmin的为车牌可能所在的区域。

(6)牌照的确定与分割：根据标准车牌的字符个数和笔划数的范围，检测各区域水平方向上的跳变化次数，若在该范围内则认为该区域为车牌所在的区域，然后在含有牌照的原图中切出与(4)中相应的区域。

4 实验结果分析

实验收集了200幅车牌图像，任意选取100幅作为训练样本，还收集了一些不包含车牌的图像作为自举训练方法的样本。

程序使用Microsoft VC++6.0编写。训练和识别所用的图像子块尺寸N取15，特征数据归一化在0～1之间。核函数多项式的次数d的值取5，SVM的惩罚因子C取100，训练SVM的算法采用的是JohnC.Platt提出的序列最小优化算法。剩余100幅图像作为测试样本，其中能正确定位的有93幅，有7幅没有正确定位。引起错误的原因主要有图像中相似的字符区域过多或者图像本身过于模糊，相似区域过多干扰了牌照区域，而图像模糊则损失了牌照区域有用的纹理信息。实验结果表明，SVM在小样本下可以获得较好的识别效果。

图4给出了图3(b)中示例图像车牌定位过程，图4(a)为经过SVM分类输出的二值图，图4(b)为数学形态学滤波处理后的结果，图4(c)为最终车牌定位结果。

5 结 语

车牌定位是一种非线性可分问题，牌照区域包含了丰富的纹理信息，利用这个特征可以实现牌照区域的定位。本文使用SVM对含牌照的汽车图像中像素进行分类，再经过数学形态学处理并结合牌照先验知识实现定位。实验表明该方法取得了较好的定位效果。