[發明專利]一種基于多分類支持向量機的集裝箱箱號識別方法

無效

• 申請號: 201110168797.2
• 申請日: 2011-06-22
• 公開（公告）號: CN102289683A
• 公開（公告）日: 2011-12-21
• 發明（設計）人: 馬爭;王偉
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 電子科技大學專利中心 51203
• 代理人: 葛啟函

1.一種基于多分類支持向量機的集裝箱箱號識別方法，包括多分類支持向量機的訓練過程和使用多分類支持向量機進行集裝箱箱號的識別過程：

一、多分類支持向量機的訓練過程，包括如下步驟：

步驟1：字符圖像的二值化和歸一化處理；采集足夠多的集裝箱箱號字符圖像；然后對采集的所有集裝箱箱號字符圖像進行二值化處理、并歸一化成寬度為M個像素、高度為N個像素大小的尺寸；歸一化后的二值化集裝箱箱號字符圖像集記為圖像集Train；

步驟2：將步驟1所得的圖像集Train分成個字母圖像集Train_C_I和數字圖像集Train_N_I，其中字母圖像集Train_C_I包括A～Z共計26個子集，數字圖像集Train_N_I包括0～9共計10個子集；

步驟3：計算步驟2所得各個子集中所有圖像的特征向量，得到字母特征向量集Train_C_V和數字特征向量集Train_N_V，其中字母特征向量集Train_C_V包括26個子集，數字特征向量集Train_N_V包括10個子集；所述特征向量為一個M×N+1維的行向量，其中前M×N維由每幅二值圖像的像素值按行首尾相接依次排列而成，第M×N+1維是區別36個子集的標簽；

步驟4：將字母特征向量集Train_C_V中所有特征向量組合成字母特征向量矩陣Train_C_V_M，同時將數字特征向量集Train_N_V中所有特征向量組合成數字特征向量矩陣Train_N_V_M；

步驟5：建立兩個多分類支持向量機分類器SV_C和SV_N；

構建兩個多分類支持向量機，分別采用字母特征向量矩陣Train_C_V_M和數字特征向量矩陣Train_N_V_M進行訓練，訓練過程中采用Adaboost算法，得到兩個多分類支持向量機分類器SV_C和SV_N；

二、使用多分類支持支持向量機進行集裝箱箱號識別的過程，具體包括以下步驟：

步驟6：采集待識別集裝箱箱號圖像，經定位、分割處理后得到11個的待識別的集裝箱箱號字符圖像；再對11個待識別的集裝箱箱號字符圖像進行步驟1所述的二值化和歸一化處理；

步驟7：計算11個歸一化后的二值化待識別集裝箱箱號字符圖像的特征向量，并將11個特征向量按待識別集裝箱箱號字符圖像在待識別集裝箱箱號中的位置順序依次定義為X₁、X₂、L、X₁₁。所述特征向量由每幅圖像的灰度值按行依次排列成；

步驟8：對11個特征向量進行分類識別；

由于集裝箱箱號由11個字符組成，11個字符中，前4個字符為英文字母，后7個字符為阿拉伯數字；所以對X₁～X₄這4個特征向量，采用多分類支持向量機分類器SV_C進行識別，得到待識別集裝箱箱號第1至第4個的標簽，進而得到待識別集裝箱箱號第1至第4個字符識別結果；對X₅～X₁₁這7個特征向量，采用多分類支持向量機分類器SV_N進行識別，得到待識別集裝箱箱號第5至第11個的標簽，進而得到待識別集裝箱箱號第5至第11個字符識別結果。

2.根據權利要求1所述的基于多分類SVM-Adaboost的集裝箱箱號識別方法，其特征在于，步驟1對采集的所有集裝箱箱號字符圖像進行二值化處理時，二值化閾值的取值范圍為[90，130]。

3.根據權利要求1所述的基于多分類SVM-Adaboost的集裝箱箱號識別方法，其特征在于，步驟1中歸一化后的二值化集裝箱箱號字符圖像寬度M為16像素，高度N為32像素。

4.根據權利要求1所述的基于多分類SVM-Adaboost的集裝箱箱號識別方法，其特征在于，步驟1采集集裝箱箱號字符圖像時，應當在各種光照條件下采集，且保證每種字符的采集數量在20個以上。

5.根據權利要求1所述的基于多分類SVM-Adaboost的集裝箱箱號識別方法，其特征在于，所述多分類支持向量機的內核函數采用徑向基核函數。

6.根據權利要求1所述的基于多分類SVM-Adaboost的集裝箱箱號識別方法，其特征在于，在多分類向量機的訓練過程中，采集集裝箱箱號字符圖像時，所采集的各種字符圖像的數量一致。