胡 霖

(中国石油大学胜利学院 教学科研处,山东 东营 257000)

车牌字符识别算法直接影响车牌识别的效果,目前最常用的方法有以下3种:模板匹配、人工神经网络以及支持向量机[1]。其中,支持向量机方法因可以有效避免局部极值问题得到更广泛应用。对支持向量机在实际应用中的研究,主要采用以下两种方法:一是与另外的分类算法相组合;二是优化核函数提高其自身性能。但当把经典支持向量机推广到多分类领域时[2-3],计算复杂程度均较高。Tax[4]等人首次采用球体形式来包含样本数据。朱美琳[5]等人研究将这种球体形式加入支持向量机,改进其分类策略。施隆照[6]等人提出一种组合支持向量机方案,算法采用一类超球面和标准SVM进行车牌字符识别,过程较繁琐,且默认采用径向基核作为核函数,没有深入论证分类正确率与核函数选择关系问题。在车牌字符识别应用中,超球面支持向量机虽然能够获得比传统支持向量机更好的分类效果,但对其核函数的选取仍然没有成熟方案。针对以上不足,本文提出一种超球面混合核支持向量机(MHS-SVM),在分析了超球支持向量机分类计算方法和各种核函数的基础上,采用多项式核函数与径向基核函数两者的线性组合构建混合核函数进行优化。该算法首先对选取的车牌字符图片进行特征提取,然后分别将单一径向基核函数和混合核函数应用到超球面支持向量机决策函数中,找到径向基核函数参数和线性组合交叉概率的最优取值。……