SVM在車牌字符識別中的應用

1 引言
??? 車牌識別是智能交通系統(tǒng)的一個重要研究課題，存在巨大的市場需求。車牌識別系統(tǒng)分車輛圖像的獲取、車牌的定位與字符分割、車牌字符識別3大部分。對于車牌字符識別，目前最常用的方法是基于模板匹配的方法和基于神經(jīng)網(wǎng)絡的方法兩大類。前者多利用了字符的輪廓、網(wǎng)格、投影等統(tǒng)計特征，相似字符區(qū)分能力差，且因特征數(shù)據(jù)維數(shù)過大會導致識別速度慢；而后者則存在網(wǎng)絡輸入數(shù)據(jù)的選擇和網(wǎng)絡結(jié)構(gòu)設計等問題。
??? 目前，普遍采用3類方法來提高字符的識別性能：第1類是尋找更好的分類識別算法；第2類是將幾種分類器結(jié)合起來，相互補充，根據(jù)不同方面的特征分類，如文獻；第3類是抽取具有更強描述能力的特征，結(jié)合其它輔助特征來進行分類，如文獻。
??? 本文采用支持向量機(SVM，support vector machine)的方法解決車牌字符識別問題，屬于第1類方法。SVM可以自動尋找對分類有較好區(qū)分能力的支持向量，由此構(gòu)成的分類器可以最大化類間間隔，達到正確區(qū)分類別的目的；在解決有限樣本、非線性及高維模式識別問題中表現(xiàn)出了許多特有的優(yōu)越性能，且具有適應性強和效率高的特點。

2 支持向量機簡介
??? 支持向量機(SVM)是Vapnik及其研究小組提出的針對二類別的分類問題而提出的一種分類技術，是一種新的非常有發(fā)展前景的分類技術。支持向量機的基本思想是在樣本空間或特征空間，構(gòu)造出最優(yōu)超平面使超平面與不同類樣本集之間的距離最大，從而達到最大的泛化能力，其算法的詳細敘述可參考文獻。
??? 支持向量機方法根據(jù)Vapnik的結(jié)構(gòu)風險最小化原則，盡量提高學習機的泛化能力，使有限少量訓練樣本得到的決策規(guī)則對獨立的測試集仍能得到小的誤差。這樣只需有限的少量樣本參與訓練，就可以保證訓練產(chǎn)生的分類器具有很小的誤差。而車牌字符識別時，相對于預測的樣本，只能有有限的少量樣本參與訓練，支持向量機的方法可以使訓練產(chǎn)生的分類器在識別車牌字符時只有小的誤差，并且大幅減少訓練的時間。
??? 對于數(shù)據(jù)分類問題，通用的神經(jīng)網(wǎng)絡方法的機理可以簡單地描述為：系統(tǒng)隨機產(chǎn)生一個超平面并移動它，直到訓練集中屬于不同類別的點正好位于平面的不同側(cè)面。這種處理機制決定了神經(jīng)網(wǎng)絡方法最終獲得的分割平面并不是一個最優(yōu)超平面，只是一個局部的次優(yōu)超平面。而SVM將最優(yōu)超平面的求解問題轉(zhuǎn)換為一個不等式約束下的二次函數(shù)尋優(yōu)問題，這是一個凸二次優(yōu)化問題，存在唯一解，能保證找到的極值解就是全局最優(yōu)解。
??? SVM通過一個非線性函數(shù)將輸入數(shù)據(jù)映射到具有高維甚至為無窮維的特征空間，并在這個高維特征空間進行線性分類，構(gòu)造最優(yōu)分類超平面，但在求解最優(yōu)化問題和計算判別函數(shù)時并不需要顯式計算該非線性函數(shù)，而只需計算核函數(shù)，從而避免特征空間維數(shù)災難問題。
??? 車牌字符識別問題中每個樣本為一個字符圖像，每個字符圖像由許多像素組成，具有高維的特點。SVM通過核函數(shù)的計算，避免了神經(jīng)網(wǎng)絡解決樣本空間的高維問題帶來的網(wǎng)絡結(jié)構(gòu)設計問題，使訓練模型與輸入數(shù)據(jù)的維數(shù)無關；并且每個字符的整幅圖像作為一個樣本輸入，不需要進行特征提取，節(jié)省了識別時間。

3 車牌字符分類器的構(gòu)造
??? 我國標準車牌格式是：X1X2．X3X4X5X6X7，其中X1是各省、直轄市和自治區(qū)的簡稱，X2是英文字母，X3X4是英文字母或阿拉伯數(shù)字，X5X6X7是阿拉伯數(shù)字，并且對于不同的Xl，X2的取值范圍是不一樣的。X2和X3之間有一小圓點。
??? 針對車牌字符的排列特征，為了提高車牌整體的識別率，可以設計4個分類器來進行車牌字符的識別，即漢字分類器、數(shù)字分類器、英文字母分類器、數(shù)字+字母分類器。根據(jù)車牌中字符的序號，選擇對應的分類器進行識別，然后將識別結(jié)果按字符序號進行組合，就得到了整個車牌的識別結(jié)果。4個分類器如圖l所示。

??? 字符集中漢字有50多個，其中31個為各省、直轄市和自治區(qū)的簡稱；英文字母全部為大寫字母，不含字母“I”，字母“o”歸為數(shù)字“0”，故英文字母集由24個大寫字母組成；數(shù)字為0～9的阿拉伯數(shù)字。
??? 支持向量機是針對二類別的分類而提出的，但車牌字符識別是多類別的分類問題，需要將二類別分類方法擴展到多類別分類，本文采用了一一區(qū)分法實現(xiàn)。一一區(qū)分法(one—against—one method)是分別選取2個不同類別構(gòu)成一個SVM子分類器，這樣對于k類問題，共有k(k一1)／2個SVM子分類器。在構(gòu)造類別i和類別j的SVM子分類器時，在樣本數(shù)據(jù)集中選取屬于類別i和類別j的樣本數(shù)據(jù)作為訓練樣本數(shù)據(jù)，并將屬于類別i的數(shù)據(jù)標記為正，將屬于類別j的數(shù)據(jù)標記為負。測試時，將測試數(shù)據(jù)對k(k一1)／2個SVM子分類器分別進行測試，并累計各類別的得分，選擇得分最高者所對應的類別為測試數(shù)據(jù)的類別。

4 最佳參數(shù)模型的選擇
??? 本文從某一實際卡口系統(tǒng)采集到的768×576像素的汽車牌照圖片進行車牌定位和字符分割后，將分割的每個車牌字符進行二值化操作，字符筆劃對應的像素置為l，背景像素置為0，再將每個字符歸一化到13x24像素，并根據(jù)每個字符在車牌中的位置，編上序號l～7。
??? 本文所選汽車牌照圖片共計132張，包括晚上、逆光、字符磨損厲害、牌照傾斜和牌照旁掛其它牌子等情況；有129張圖片可以實現(xiàn)車牌正確定位，車牌定位率為97．73％；120張圖片可以實現(xiàn)所有字符正確分割，字符分割完全正確率為93．02％。
??? 本文將每個字符作為一個樣本，每個樣本維數(shù)為312(13x24)，根據(jù)其序號分成4類樣本。每類樣本分成兩部分，60%的樣本訓練產(chǎn)生模型，另40％用于測試，核函數(shù)采用徑向基函數(shù)K(xi，x)=exp（-||x-xi||2/σ2），分別訓練生成4類分類器，從中選擇最優(yōu)參數(shù)模型組成4類最佳分類器，用來進行車牌字符的整體識別。
??? 為了求解最佳的分類器參數(shù)(C，σ2)，本文選擇雙線性法來求解最佳參數(shù)，對每類分類器模型采用以下步驟：
??? 第一步：根據(jù)識別正確率確定最佳參數(shù)C。首先假設C=10，取σ2=10-1，100，101，102，103，得到最高的識別正確率對應的σ2，然后固定σ2，改變C的值，得到這時最高的識別正確率對應的C值，作為最佳參數(shù)C。
??? 4類分類器的最高識別正確率對應的(C，σ2)都為(10，100)，確定最佳C=10。
??? 第二步：確定最佳參數(shù)(C，σ2)。固定最佳參數(shù)C，取σ2=l，10，100，200，300，400，500，600，700，800，900，1000，取最高識別正確率對應的(C，σ2)為分類器模型的最佳參數(shù)。
??? 觀察發(fā)現(xiàn)，4類分類器模型在σ2的值變?yōu)?00以下時，對應的識別正確率都逐漸減??；σ2的值變?yōu)?00以上時，對應的識別正確率先增大后減小，出現(xiàn)“峰值”，取“峰值”對應的模型參數(shù)為最佳參數(shù)。4類最佳分類器如下表1所示。

??? 實驗觀察分析，分類器識別時具有一定的偏向性，即參與訓練的某類樣本數(shù)目多，預測樣本識別為該類的概率就大，如訓練樣本中“浙”字較多，漢字分類器將預測樣本識別為“浙”的可能性較大，而實際上預測樣本中“浙”字數(shù)目較多，這樣無形中就提高了識別正確率。

5 實驗及結(jié)果
??? 本文用以上4類最佳分類器的組合分類器對所有車牌字符進行整體識別，識別結(jié)果如表2所示。
??? 在實際運用中，車牌字符正確數(shù)目在5個以上就能滿足要求，本文與相關文獻的車牌字符識別結(jié)果如表3所示。

??? 觀察分析發(fā)現(xiàn)，影響識別效果的主要原因是相似字符的誤識，如字符“D”和“0”、“B”和“8”等；還有漢字筆劃多，二值化操作易造成筆劃模糊，使?jié)h字誤識。

6 結(jié)論
??? 本文將SVM的方法引入車牌字符識別中，在詳細分析了車牌字符的排列特征的基礎上，構(gòu)造了用4個不同類別的SVM字符分類器；根據(jù)車牌字符的序號分別對應識別，再將識別結(jié)果組合，就得到了整幅車牌的號碼。
??? SVM方法采用核函數(shù)解決了高維樣本識別問題，不需要進行模型網(wǎng)絡結(jié)構(gòu)設計，并且不需進行特征提取，只需要有限的樣本參入訓練，節(jié)省了識別時間，這些都非常符合車牌字符識別的要求。本文采用一一區(qū)分法將SVM方法從二類別識別擴展到了多類別識別，并取得了滿意的識別效果；但一一區(qū)分法需要保證訓練樣本的充分性，需要所有類別的樣本都參加訓練。
??? 試驗結(jié)果表明，本方法有較好的實用性，而進一步減少相似字符和漢字誤識是本工作以后努力的方向，其關鍵是加強圖像的預處理，改進字符分割方法和二值化方法，使字符筆劃更清楚。