[發(fā)明專(zhuān)利]一種支持向量機(jī)的車(chē)牌字符識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201110287924.0
• 申請(qǐng)日: 2011-09-26
• 公開(kāi)（公告）號(hào): CN102346847A
• 公開(kāi)（公告）日: 2012-02-08
• 發(fā)明（設(shè)計(jì)）人: 裴雷;陳維強(qiáng);朱中;劉微;劉韶;王曉曼;魏楠楠;卜柯
• 申請(qǐng)（專(zhuān)利權(quán)）人: 青島海信網(wǎng)絡(luò)科技股份有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/66;G08G1/017
• 代理公司: 青島聯(lián)智專(zhuān)利商標(biāo)事務(wù)所有限公司 37101
• 代理人: 邵新華

技術(shù)領(lǐng)域

?本發(fā)明涉及一種車(chē)牌字符識(shí)別方法，具體地說(shuō)，是涉及一種支持向量機(jī)的車(chē)牌字符識(shí)別方法，屬于智能交通技術(shù)領(lǐng)域。

背景技術(shù)

車(chē)牌字符識(shí)別是在智能交通中對(duì)所抓拍的車(chē)牌視頻或者圖像中識(shí)別提取出車(chē)牌號(hào)碼，我國(guó)的車(chē)牌號(hào)碼由有限的漢字、英文字母和數(shù)字組成。車(chē)牌識(shí)別通常包括車(chē)牌預(yù)處理：完成對(duì)車(chē)牌字符的分割、字符樣本的提取;然后對(duì)車(chē)牌字符進(jìn)行特征提取；最后對(duì)提取的特征利用分類(lèi)器進(jìn)行分類(lèi)識(shí)別得到車(chē)牌字符的識(shí)別結(jié)果。

對(duì)于車(chē)牌字符識(shí)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(luò)的方法。

模板匹配法多利用了字符的輪廓、網(wǎng)格、投影等統(tǒng)計(jì)特征進(jìn)行字符的識(shí)別，而導(dǎo)致相似字符區(qū)分能力差以及因特征數(shù)據(jù)維數(shù)過(guò)大而導(dǎo)致識(shí)別速度慢等問(wèn)題，還有模板的選擇問(wèn)題。

神經(jīng)網(wǎng)絡(luò)方法通過(guò)多層神經(jīng)網(wǎng)絡(luò)對(duì)輸入字符圖像樣本進(jìn)行訓(xùn)練，產(chǎn)生分類(lèi)器模型用于字符識(shí)別。但神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練樣本，存在網(wǎng)絡(luò)輸入數(shù)據(jù)的選擇、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)和不易區(qū)分特征值相近的字符(如0，D,Q；8,?B)等問(wèn)題。

目前也有使用支持向量機(jī)法進(jìn)行車(chē)牌字符識(shí)別，而目前使用該方法的字符識(shí)別過(guò)程，在車(chē)牌字符特征提取部分，一般是基于輪廓、網(wǎng)格、投影等統(tǒng)計(jì)特征，只能提取到字符的部分特征不利用分類(lèi)識(shí)別（例如專(zhuān)利200910059360.8）；利用字符特征降維的方法現(xiàn)在逐漸利用到車(chē)牌字符特征提取上，能夠全面提取字符特征，字符識(shí)別效果好，另外一種較多使用的降維方法是主成分分析(Principal?Component?Analysis，PCA)法，但這種方法是從全局的角度對(duì)數(shù)據(jù)進(jìn)行降維，并未考慮數(shù)據(jù)的局部特征，在降維的過(guò)程中，不可避免地?fù)p失了一些重要信息，譬如數(shù)據(jù)的局部聚類(lèi)情況。

基于此，如何發(fā)明一種車(chē)牌字符識(shí)別方法，基于支持向量機(jī)，既能保持了支持向量機(jī)的優(yōu)點(diǎn)，同時(shí)在字符特征提取方面可以在對(duì)高維數(shù)據(jù)進(jìn)行降維映射后有效地保留數(shù)據(jù)內(nèi)部的非線性結(jié)構(gòu)，并利用多幀識(shí)別結(jié)果綜合判斷得到最優(yōu)識(shí)別結(jié)果提高識(shí)別率，對(duì)字母數(shù)字分類(lèi)器采用分層組建，提高識(shí)別分別率，降低了訓(xùn)練參數(shù)存儲(chǔ)資源，提高識(shí)別率減少資源耗費(fèi)是本發(fā)明主要解決的問(wèn)題。

發(fā)明內(nèi)容

本發(fā)明為了解決現(xiàn)有車(chē)牌字符識(shí)別效果差的問(wèn)題，提出了一種車(chē)牌字符識(shí)別方法，識(shí)別率高，而且誤判率低，提高了字符識(shí)別的正確率。

為了解決上述技術(shù)問(wèn)題，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：

一種支持向量機(jī)的車(chē)牌字符識(shí)別方法，包括支持向量機(jī)的訓(xùn)練過(guò)程和使用支持向量機(jī)進(jìn)行車(chē)牌識(shí)別過(guò)程，其中，支持向量機(jī)的訓(xùn)練過(guò)程包括以下步驟：

（1）、對(duì)訓(xùn)練車(chē)牌字符樣本進(jìn)行車(chē)牌預(yù)處理得到字符樣本集Xtrain；

（2）、對(duì)字符樣本集Xtrain利用LPP算法計(jì)算得到變換矩陣A，可以使高維數(shù)據(jù)集Xtrain映射到低維映射空間；

（3）、對(duì)Xtrain利用變換矩陣A進(jìn)行特征提取，得到訓(xùn)練車(chē)牌樣本的特征數(shù)據(jù)集Ytrain；

（4）、利用特征數(shù)據(jù)集Ytrain訓(xùn)練支持向量機(jī)，得到車(chē)牌字符識(shí)別的分類(lèi)器；

使用支持向量機(jī)分類(lèi)器進(jìn)行車(chē)牌識(shí)別過(guò)程包括以下步驟：

（5）、對(duì)抓拍視頻流中的每幀圖片進(jìn)行車(chē)牌定位，將定位得到的車(chē)牌預(yù)處理以及字符分割，得到測(cè)試字符樣本集Xtest；

（6）、對(duì)Xtest利用變換矩陣A進(jìn)行特征提取，得到訓(xùn)練車(chē)牌樣本的特征數(shù)據(jù)集Ytest；

（7）、將Ytest輸入到支持向量機(jī)分類(lèi)器，得到字符識(shí)別結(jié)果，并計(jì)算該識(shí)別結(jié)果的置信度；?

（8）、對(duì)多幀圖片中該車(chē)牌的字符識(shí)別結(jié)果進(jìn)行統(tǒng)計(jì)投票，確定最終識(shí)別結(jié)果。

進(jìn)一步的，根據(jù)經(jīng)驗(yàn)值確定拒識(shí)閾值，字符識(shí)別結(jié)果的置信度高于此閾值才采信，否則拒識(shí)，拒識(shí)的字符識(shí)別結(jié)果不參與投票。

所述的支持向量機(jī)分類(lèi)器采用一對(duì)一算法組建，包括字母-數(shù)字分類(lèi)器和漢字分類(lèi)器兩大類(lèi)分類(lèi)器，具體的，所述字母-數(shù)字分類(lèi)器采用三層的方式構(gòu)建，這種構(gòu)造方式相當(dāng)于一個(gè)字母數(shù)字分類(lèi)器規(guī)模，但可以根據(jù)需要分別對(duì)字母類(lèi)、數(shù)字類(lèi)、字母和數(shù)字類(lèi)進(jìn)行分類(lèi)識(shí)別，在小范圍內(nèi)進(jìn)行分類(lèi)識(shí)別，提高了分類(lèi)準(zhǔn)確度以及計(jì)算速度，方法如下：

設(shè)nL個(gè)字母，nD個(gè)數(shù)字，第一層為：nL個(gè)字母分別兩兩組成一個(gè)字母子分類(lèi)器，共?nL×(nL-1)/2個(gè)字母子分類(lèi)器；

第二層為：nD個(gè)數(shù)字分別兩兩組成一個(gè)數(shù)字子分類(lèi)器，共nD×(nD-1)/2個(gè)數(shù)字子分類(lèi)器；