支持向量機(jī)的車牌定位設(shè)計(jì)方法

支持向量機(jī)的車牌定位設(shè)計(jì)方法

1 引 言

????? 智能交通系統(tǒng)是一個(gè)熱點(diǎn)研究領(lǐng)域，受到日益廣泛的關(guān)注。車牌識(shí)別系統(tǒng)(LPR)是計(jì)算機(jī)視覺(jué)、模式識(shí)別技術(shù)在智能交通領(lǐng)域的一個(gè)重要應(yīng)用，包括車牌定位、車牌字符分割、字符識(shí)別三部分。其中車牌定位是整個(gè)系統(tǒng)中的關(guān)鍵步驟。

目前車牌定位方法主要有：

??????? (1)基于Hough變換的方法，分析車牌具有明顯的矩形邊框，利用Hough變換檢測(cè)區(qū)域邊界實(shí)現(xiàn)定位。

??????? (2)基于邊緣檢測(cè)的方法，利用了車牌字符邊緣豐富的特征，結(jié)合數(shù)學(xué)形態(tài)學(xué)或區(qū)域生長(zhǎng)方法實(shí)現(xiàn)牌照定位。

?????? (3)基于神經(jīng)網(wǎng)絡(luò)的方法，利用圖像的顏色或紋理特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練好的分類器對(duì)圖像各個(gè)像素進(jìn)行分類，再對(duì)分類結(jié)果綜合，得到牌照的準(zhǔn)確定位。然而由于光照不均、污染等因素影響，可能使得牌照區(qū)域邊界不明顯或存在多個(gè)干擾區(qū)域，從而增加了準(zhǔn)確定位的難度。

??????? 要提高車牌定位的精度，應(yīng)充分利用他自身提供的信息，突出車牌區(qū)域而抑制非車牌區(qū)域。車牌區(qū)域有著豐富的紋理，尋找一種良好性能的分類器，凸現(xiàn)這種紋理特征，使他與其他區(qū)域區(qū)別開來(lái)。支持向量機(jī)(Support Vector Machine，SVM)正是這樣一種分類學(xué)習(xí)機(jī)制，建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization，SRM)準(zhǔn)則之上，已經(jīng)在文本識(shí)別，人臉識(shí)別，紋理分類等模式識(shí)別領(lǐng)域取得了成功。

??????? 本文使用SVM機(jī)制自動(dòng)定位車牌區(qū)域，首先對(duì)每幅訓(xùn)練圖像切分成若干個(gè)N×N大小的圖像子塊，把每個(gè)字塊分別標(biāo)注為車牌和非車牌區(qū)域兩類，提取子塊圖像的特征向量訓(xùn)練SVM分類器；然后使用該分類器對(duì)測(cè)試圖像中的各個(gè)像素進(jìn)行分類，最后通過(guò)后期處理結(jié)合車牌的先驗(yàn)知識(shí)實(shí)現(xiàn)車牌區(qū)域的定位。

??????? 2 SVM原理

??????? SVM基于SRM準(zhǔn)則構(gòu)造最優(yōu)超平面，使每類數(shù)據(jù)之間間隔最大，同時(shí)保持分類誤差盡可能小。Cover定理指出：一個(gè)復(fù)雜的模式識(shí)別分類問(wèn)題，在高維空間比低維空間更容易線性可分。實(shí)際上SVM實(shí)現(xiàn)了這樣的思想：通過(guò)某種事先選擇的非線性映射將向量x映射到一個(gè)高維特征空間，然后在這個(gè)空間中構(gòu)造最優(yōu)分類超平面。

??????? 對(duì)于兩類模式分類問(wèn)題，在非線性可分的情況下，通過(guò)一個(gè)非線性變換φ：x→φ (x)，將給定的模式數(shù)據(jù)映射到高維特征空間，再構(gòu)造分類超平面，表示為決策面：

?????? 考慮到兩類樣本離決策面都應(yīng)有一定距離，決策面應(yīng)滿足不等式約束：

??????? 完全滿足式(2)的超平面是不存在的?？紤]到存在一些樣本不能被決策面正確分類，引入松弛變量ξi(≥0)，約束條件式(2)變?yōu)椋?/P>

???? 滿足要求的超平面不止一個(gè)，尋找最優(yōu)超平面可以歸結(jié)為二次規(guī)劃問(wèn)題：

????? 其中C被稱為懲罰因子，通過(guò)C可以在分類器的泛化能力和誤分率之間進(jìn)行折衷。利用拉格朗日函數(shù)求解可得優(yōu)化問(wèn)題(4)的對(duì)偶形式，最大化函數(shù)：

?????? 求解式(5)可以得到ai，代入式(7)可以確定ω，分類函數(shù)可表示為：

?????? 3 SVM定位車牌區(qū)域

?????? 車牌區(qū)域準(zhǔn)確定位是一種非線性可分的模式分類問(wèn)題。

?????? 3.1 特征提取

??????? 利用SVM自身結(jié)構(gòu)可以實(shí)現(xiàn)有效的特征提取，選擇直接提取像素灰度特征。圖像像素點(diǎn)之間不是孤立的，相互之間存在著相關(guān)性，體現(xiàn)了一種紋理?？梢酝ㄟ^(guò)提取一些特定像素的灰度值作為整幅圖像的特征，同時(shí)減少了計(jì)算量。首先將每幅圖像切割成若干個(gè)N×N子塊，再將每一子塊標(biāo)注為牌照區(qū)域(+1)和非牌照區(qū)域(-1)兩類，然后使用圖1所示“米”字型模型提取像素灰度值(圖中陰影為要提取的像素點(diǎn))。這樣每幅子圖的特征維數(shù)由N×N減少到4N-3，提高了訓(xùn)練和分類速度。

????? 3.2 SVM分類器

?????? SVM分類器分為三層結(jié)構(gòu)，結(jié)構(gòu)示意見圖2。輸入層的維數(shù)為子圖的特征維數(shù)4N-3，輸入值是灰度值。隱含層的維數(shù)是由訓(xùn)練獲得的支持向量決定，即由訓(xùn)練階段自動(dòng)獲得，而且二次規(guī)劃在凸集下的解是全局最優(yōu)解，避免陷入局部最小。隱含層計(jì)算輸入向量與支持向量之間的內(nèi)積，完成非線性映射，通過(guò)核函數(shù)一步來(lái)實(shí)現(xiàn)的。輸出層的輸出就是對(duì)隱層的輸出與權(quán)值ωi的乘積求和，權(quán)值aiyi也是在訓(xùn)練中獲得的。

?????? SVM中研究最多的核函數(shù)主要有三類：多項(xiàng)式、徑向基函數(shù)(RBF)和多層Sigmoid神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)中使用的是多項(xiàng)式核函數(shù)，形式為：

?????? 作為一種基于樣本學(xué)習(xí)的方法，我們希望訓(xùn)練樣本集盡可能地大，以獲得比較充分的代表性。然而考慮到實(shí)際的限制，這個(gè)尺寸又必須是適中的。因此，問(wèn)題就是如何構(gòu)造一個(gè)全面又可行的訓(xùn)練樣本集。對(duì)于車牌定位問(wèn)題，所有包含牌照區(qū)域的圖像可以作為正樣本，困難點(diǎn)是收集負(fù)樣本，因?yàn)閷?shí)際上存在太多的不包含牌照的圖像可以作為負(fù)樣本。如何在這些圖像中選取具有代表性的子集，實(shí)驗(yàn)中采用了一種叫“自舉”(bootstrap)的方法，他已被Sung和Poggio成功地應(yīng)用于人臉識(shí)別。主要思想就是一些負(fù)樣本(非牌照)是在訓(xùn)練中獲得而不是在訓(xùn)練以前，具體實(shí)現(xiàn)步驟如下：

?????? (1)建立包含正樣本(牌照區(qū)域)和負(fù)樣本(非牌照區(qū)域)的訓(xùn)練集合N1；

?????? (2)用N1訓(xùn)練SVM；

?????? (3)用訓(xùn)練好的SVM分類器對(duì)隨機(jī)選取的非牌照樣本進(jìn)行分類測(cè)試，收集那些被錯(cuò)分為牌照的樣本；

?????? (4)隨機(jī)選取20％的錯(cuò)分類樣本加入到訓(xùn)練集N1；

?????? (5)重復(fù)(2)～(4)步直至沒(méi)有再發(fā)現(xiàn)錯(cuò)分的樣本；

?????? (6)使用最終獲得的N1訓(xùn)練SVM。

?????? 圖3顯示了一些用于訓(xùn)練的樣本。

?????? 最后，用訓(xùn)練好的SVM分類器掃描全圖，根據(jù)輸出類別，對(duì)每個(gè)N×N小窗口的中心像素做出判斷。如果輸出+1就認(rèn)為他是牌照區(qū)域，賦值為255；否則，則認(rèn)為他不是牌照區(qū)域，賦值為0。如圖4(a)所示。

?????? SVM通過(guò)訓(xùn)練選擇對(duì)分類超平面起決定作用的支持向量，就像選擇了一組特定的濾波器，突出了牌照區(qū)域。在SVM分類器中濾波器的數(shù)目和系數(shù)是在訓(xùn)練中自動(dòng)獲得的。

?????? 3.3 分割牌照區(qū)域

?????? 對(duì)每個(gè)像素做出分類判斷后，得到一個(gè)二值圖像，還必須進(jìn)行一些處理，其目的是合并感興趣區(qū)域和去除噪聲。本文采用數(shù)學(xué)形態(tài)學(xué)對(duì)二值圖像進(jìn)行處理，在此基礎(chǔ)之上再做水平和垂直兩個(gè)方向的投影，最后，根據(jù)投影并結(jié)合車牌自身的一些先驗(yàn)知識(shí)，如長(zhǎng)寬比、車牌的字符數(shù)、字符間距，實(shí)現(xiàn)牌照區(qū)域的定位。分割過(guò)程主要包括以下幾個(gè)步驟：

?????? (1)首先訓(xùn)練SVM分類器，用他掃描圖像，對(duì)像素進(jìn)行分類，獲得分類后的二值圖像。

?????? (2)應(yīng)用數(shù)學(xué)形態(tài)學(xué)方法對(duì)分類結(jié)果所得圖像進(jìn)行處理、去除噪聲。

?????? (3)再對(duì)圖像做水平投影和高斯迭代平滑處理。

?????? (4)確定牌照水平區(qū)域：在平滑處理后的水平投影圖中，獲取峰值點(diǎn)以及與這些峰值點(diǎn)最接近的左右側(cè)谷值點(diǎn)，由左右側(cè)谷值點(diǎn)確定一個(gè)水平區(qū)域的高度g，峰值大于車牌最小寬度F時(shí)，該區(qū)域是車牌可能所在的水平區(qū)域。其中：F=Rmin×g，Rmin為標(biāo)準(zhǔn)車牌寬高比的最小值。

?????? (5)確定牌照垂直區(qū)域：對(duì)于車牌可能所在的水平區(qū)域進(jìn)行垂直投影(同樣采取高斯疊代平滑)，由垂直投影圖將水平區(qū)域分成一塊塊較小的區(qū)域，計(jì)算出最大字符間距D，將間距小于等于D的區(qū)域合并。其中：D=Tmax×Rmax×g，Rmax為標(biāo)準(zhǔn)車牌寬高比的最大值，Tmax為標(biāo)準(zhǔn)車牌最大字符間距與車牌寬度之比。合并后區(qū)域的寬高比大于Rmin的為車牌可能所在的區(qū)域。

?????? (6)牌照的確定與分割：根據(jù)標(biāo)準(zhǔn)車牌的字符個(gè)數(shù)和筆劃數(shù)的范圍，檢測(cè)各區(qū)域水平方向上的跳變化次數(shù)，若在該范圍內(nèi)則認(rèn)為該區(qū)域?yàn)檐嚺扑诘膮^(qū)域，然后在含有牌照的原圖中切出與(4)中相應(yīng)的區(qū)域。

?????? 4 實(shí)驗(yàn)結(jié)果分析

?????? 實(shí)驗(yàn)收集了200幅車牌圖像，任意選取100幅作為訓(xùn)練樣本，還收集了一些不包含車牌的圖像作為自舉訓(xùn)練方法的樣本。

?????? 程序使用Microsoft VC++6.0編寫。訓(xùn)練和識(shí)別所用的圖像子塊尺寸N取15，特征數(shù)據(jù)歸一化在0～1之間。核函數(shù)多項(xiàng)式的次數(shù)d的值取5，SVM的懲罰因子C取100，訓(xùn)練SVM的算法采用的是JohnC.Platt提出的序列最小優(yōu)化算法。剩余100幅圖像作為測(cè)試樣本，其中能正確定位的有93幅，有7幅沒(méi)有正確定位。引起錯(cuò)誤的原因主要有圖像中相似的字符區(qū)域過(guò)多或者圖像本身過(guò)于模糊，相似區(qū)域過(guò)多干擾了牌照區(qū)域，而圖像模糊則損失了牌照區(qū)域有用的紋理信息。實(shí)驗(yàn)結(jié)果表明，SVM在小樣本下可以獲得較好的識(shí)別效果。

?????? 圖4給出了圖3(b)中示例圖像車牌定位過(guò)程，圖4(a)為經(jīng)過(guò)SVM分類輸出的二值圖，圖4(b)為數(shù)學(xué)形態(tài)學(xué)濾波處理后的結(jié)果，圖4(c)為最終車牌定位結(jié)果。

?????? 5 結(jié) 語(yǔ)

?????? 車牌定位是一種非線性可分問(wèn)題，牌照區(qū)域包含了豐富的紋理信息，利用這個(gè)特征可以實(shí)現(xiàn)牌照區(qū)域的定位。本文使用SVM對(duì)含牌照的汽車圖像中像素進(jìn)行分類，再經(jīng)過(guò)數(shù)學(xué)形態(tài)學(xué)處理并結(jié)合牌照先驗(yàn)知識(shí)實(shí)現(xiàn)定位。實(shí)驗(yàn)表明該方法取得了較好的定位效果。