APP下载

基于支持向量机的车牌字符识别方法

2016-11-09周鹏

数字技术与应用 2016年9期
关键词:车牌识别智能交通

周鹏

摘要:车牌识别系统是智能交通系统的重要组成部分,针对字符识别方面,本文对字符进行特征提取,接着用基于支持向量机(SVM Support Vector Machine)的方法进行字符识别。本文提出的新方法能对相似字符的识别效果良好,能有效地解决光照不均匀的车牌图像的二值化问题,适应能力强。

关键词:智能交通 字符分割 车牌识别

中图分类号:TP391.41 文献标识码:A 文章编号:1007-9416(2016)09-0091-01

1 绪论

车牌识别(License Plate Recognition,LPR)是计算机视觉、图像处理和模式识别在ITS领域的应用,是ITS的一个重要组成部分。车牌识别系统有着广泛的应用,它的主要应用有:(1)高速公路自动收费;(2)城市交通监控;(3)停车场管理;(4)机场等出入口车辆管理;(5)车辆违章管理。

实际工程应用中,由于环境的复杂性,晚上或雨天拍摄的汽车图像可能受光不均匀、对比度不高;摄像机的架设角度会使拍摄的车牌图像发生倾斜;车型的大小会使拍摄的车牌图像大小不一;车牌本身脏或者有污损;这些因素都会给车牌识别带来困难。一个车牌识别系统要求能够在公路环境中全天候工作;能处理模糊、污损、倾斜的车牌图像;具有实时处理数据的能力。尽管很多科研工作者在车牌识别技术上做出了很多贡献,但是车牌识别技术仍未成熟。

2 车牌识别系统的组成

车牌识别系统的工作原理是:当车辆通过关卡时,传感器触发图像采集控制部分,图像采集控制部分触发摄像机采集一张汽车图像存到图像采集卡中,车牌识别软件模块从采集卡读取汽车图像。车牌识别软件模块首先对汽车图像进行图像增强、去噪等预处理,然后进行车牌定位,接着进行字符切分,最后进行字符识别。字符识别的方法主要有基于模板匹配的字符识别方法,基于神经网络的字符识别方法和基于统计分类器的字符识别方法等。

(1)基于模板匹配的字符识别方法。基于模板匹配的字符识别方法首先为每个字符建立一个模板,形成一个模板库,识别的时候就将待识别的字符与模板库中的模板进行匹配,计算它们的相关度,根据相关度的大小来确定待识别的字符的类别。(2)基于神经网络的字符识别方法。基于神经网络的字符识别方法一般分为两个阶段,分别是训练阶段和测试阶段。训练阶段首先对字符进行特征提取,然后训练出网络模型;测试阶段是对字符进行特征提取,然后将特征向量代入已经训练好的网络模型,最后得出识别结果。

3 基于SVM的车牌识别算法研究

3.1 基于SVM的车牌识别方法

基于统计分类器的字符识别方法主要有基于SVM的字符识别方法。SVM是20世纪90年代初由Vapnik等人提出的一种机器学习方法,由于它具有出色的学习性能,该技术很快成为机器学习界的研究热点,SVM在解决小样本问题有较大优势。基于SVM的字符识别方法分为训练阶段和测试阶段。训练阶段是对训练集的样本进行特征提取,然后设置SVM参数并训练出SVM分类器;测试阶段是对测试集的样本进行特征提取,将特征代入已经训练好的SVM分类器,计算出决策值,根据决策值判断样本所属的类别。车牌字符识别是车牌识别的最后一个环节,也是很重要的一个环节。基于SVM的车牌字符识别分为训练阶段和测试阶段,如图1所示。

训练过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征。然后根据所选的核函数及其参数、惩罚因子训练出SVM分类器。识别过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征,然后把特征代入已经训练好的SVM分类器中,根据决策函数计算出决策值,最后得出字符的类别。

3.2 字符归一化

为了更好地提取特征,首先要进行字符归一化。归一化一般分为三种:大小归一化、位置归一化和笔画密度归一化。因为本文在字符切分时已经将图像上下左右的非目标部分去掉,故并不需要进行位置归一化,而笔画密度归一化主要是将字符细化,这对于本文采用的特征提取方法来说并没有太大作用,因此本文只做大小归一化。大小归一化通常有三种方法:最近邻插值,双线性插值和双立方插值,本文选用了双线性插值进行大小归一化。车牌字符的高宽比是2:1,本文用双线性插值的方法将字符归一化到32×16像素的图像。

3.3 特征提取

用于字符识别的特征有Gabor特征,小波变换系数特征、外围轮廓特征和粗网格特征,常用于车牌字符识别的特征是外围轮廓特征和粗网格特征,下面分别介绍外围轮廓特征和粗网格特征这两种特征提取方法。外围轮廓特征的提取方法描述如下:

(1)从上到下扫描图像,第一层外围轮廓特征表示为:

3.4 参数选择

目前最常用的核函数是RBF核函数,本文也采用RBF核函数,原因主要有以下几点:

(1)RBF核函数可以实现非线性映射。(2)RBF核函数需要训练的参数少,分类器较简单。多项式核函数的参数比RBF核函数的多,因此其分类器选择更为复杂。核函数的选择会影响到分类器的性能,然而Vapnik等人在研究中发现,不同的核函数对SVM性能的影响不太大,对SVM性能影响最大的是惩罚因子C和核函数的参数厂

3.5 车牌识别实验结果分析

本实验设计两种分类器,第一种分类器是将字母和数字字符一共34个字符,每个字符分别取40个样本,一共1360个训练样本,训练出34个SVM字分类器,不对相似字符进行二次识别。第二种分类器是将字母和数字34个字符中“8”、“B”归为一类,“0”、“D”、“Q”归为一类,训练出31个SVM分类器,然后对相似字符进行二次识别。用2536个“8”或“B”字符的二值图像作为样本,将这2536个样本分别代入第一种分类器和第二种分类器去识别,正确率是以字符的个数为单位来统计,识别效果表1所示。

4 结语

车牌识别系统主要由三个部分组成:车牌定位、字符切分和字符识别。本文的研究重点是车牌字符切分和字符识别这两个部分。本文针对字符识别方面,首先对字符进行特征提取,介绍外围轮廓特征提取方法和粗网格特征提取方法,接着用基于支持向量机的方法进行字符识别。实验结果表明,本文提出的新方法能对相似字符的识别效果良好,能有效地解决光照不均匀的车牌图像的二值化问题,适应能力强。

参考文献

[1]陈进.车牌识别系统关键技术的研究[D].合肥:中国科学技术大学,2009:2-3.

[2]史忠科,曹力.交通图像检测与分析[M].科学出版社,2007:7-8.

猜你喜欢

车牌识别智能交通
大数据时代城市智能交通的数据技术
智能交通中的车辆检测专利技术综述
基于车牌识别的机混车道视频测速算法