SVM在车牌字符识别中的应用

4 最佳参数模型的选择
    本文从某一实际卡口系统采集到的768×576像素的汽车牌照图片进行车牌定位和字符分割后，将分割的每个车牌字符进行二值化操作，字符笔划对应的像素置为l，背景像素置为0，再将每个字符归一化到13x24像素，并根据每个字符在车牌中的位置，编上序号l～7。
    本文所选汽车牌照图片共计132张，包括晚上、逆光、字符磨损厉害、牌照倾斜和牌照旁挂其它牌子等情况；有129张图片可以实现车牌正确定位，车牌定位率为97．73％；120张图片可以实现所有字符正确分割，字符分割完全正确率为93．02％。
    本文将每个字符作为一个样本，每个样本维数为312(13x24)，根据其序号分成4类样本。每类样本分成两部分，60%的样本训练产生模型，另40％用于测试，核函数采用径向基函数K(xi，x)=exp（-||x-xi||2/σ2），分别训练生成4类分类器，从中选择最优参数模型组成4类最佳分类器，用来进行车牌字符的整体识别。
    为了求解最佳的分类器参数(C，σ2)，本文选择双线性法来求解最佳参数，对每类分类器模型采用以下步骤：
    第一步：根据识别正确率确定最佳参数C。首先假设C=10，取σ2=10-1，100，101，102，103，得到最高的识别正确率对应的σ2，然后固定σ2，改变C的值，得到这时最高的识别正确率对应的C值，作为最佳参数C。
    4类分类器的最高识别正确率对应的(C，σ2)都为(10，100)，确定最佳C=10。
    第二步：确定最佳参数(C，σ2)。固定最佳参数C，取σ2=l，10，100，200，300，400，500，600，700，800，900，1000，取最高识别正确率对应的(C，σ2)为分类器模型的最佳参数。
    观察发现，4类分类器模型在σ2的值变为100以下时，对应的识别正确率都逐渐减小；σ2的值变为100以上时，对应的识别正确率先增大后减小，出现“峰值”，取“峰值”对应的模型参数为最佳参数。4类最佳分类器如下表1所示。

    实验观察分析，分类器识别时具有一定的偏向性，即参与训练的某类样本数目多，预测样本识别为该类的概率就大，如训练样本中“浙”字较多，汉字分类器将预测样本识别为“浙”的可能性较大，而实际上预测样本中“浙”字数目较多，这样无形中就提高了识别正确率。

5 实验及结果
    本文用以上4类最佳分类器的组合分类器对所有车牌字符进行整体识别，识别结果如表2所示。
    在实际运用中，车牌字符正确数目在5个以上就能满足要求，本文与相关文献的车牌字符识别结果如表3所示。

    观察分析发现，影响识别效果的主要原因是相似字符的误识，如字符“D”和“0”、“B”和“8”等；还有汉字笔划多，二值化操作易造成笔划模糊，使汉字误识。

6 结论
    本文将SVM的方法引入车牌字符识别中，在详细分析了车牌字符的排列特征的基础上，构造了用4个不同类别的SVM字符分类器；根据车牌字符的序号分别对应识别，再将识别结果组合，就得到了整幅车牌的号码。
    SVM方法采用核函数解决了高维样本识别问题，不需要进行模型网络结构设计，并且不需进行特征提取，只需要有限的样本参入训练，节省了识别时间，这些都非常符合车牌字符识别的要求。本文采用一一区分法将SVM方法从二类别识别扩展到了多类别识别，并取得了满意的识别效果；但一一区分法需要保证训练样本的充分性，需要所有类别的样本都参加训练。
    试验结果表明，本方法有较好的实用性，而进一步减少相似字符和汉字误识是本工作以后努力的方向，其关键是加强图像的预处理，改进字符分割方法和二值化方法，使字符笔划更清楚。