基于支持向量机的车牌定位方法

　　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。