[發(fā)明專利]一種基于支持向量機(jī)的車牌識(shí)別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710660576.4
• 申請(qǐng)日: 2017-08-04
• 公開（公告）號(hào): CN107368821A
• 公開（公告）日: 2017-11-21
• 發(fā)明（設(shè)計(jì)）人: 朱珂權(quán);丁加麗;楊豫鵬
• 申請(qǐng)（專利權(quán)）人: 浙江工業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06K9/62
• 代理公司: 杭州斯可睿專利事務(wù)所有限公司33241
• 代理人: 王利強(qiáng)

技術(shù)領(lǐng)域

本發(fā)明屬于車牌識(shí)別領(lǐng)域，涉及一種基于支持向量機(jī)的車牌識(shí)別方法。

背景技術(shù)

車牌識(shí)別系統(tǒng)是智能交通的重要組成部分，對(duì)公路交通的自動(dòng)監(jiān)控與自動(dòng)管理有著重要的意義。如何從帶有車牌的圖片中識(shí)別出車牌，并且提高識(shí)別的效率則是車牌識(shí)別軟件需要解決好的問(wèn)題。一方面，中國(guó)大陸的車牌字符中含有漢字且漢字的結(jié)構(gòu)復(fù)雜難以辨識(shí)，導(dǎo)致出錯(cuò)率較高。另一方面，采用傳統(tǒng)的統(tǒng)計(jì)研究方法都是建立在大數(shù)定理這一理論基礎(chǔ)之上的，這要求學(xué)習(xí)樣本的數(shù)目足夠多。然而在實(shí)際應(yīng)用中，由于各種方面的原因，這一前提往往無(wú)法得到保障，因此，建立在傳統(tǒng)統(tǒng)計(jì)學(xué)機(jī)器學(xué)習(xí)算法之上的車牌識(shí)別軟件，往往無(wú)法取得理想的識(shí)別效果。

發(fā)明內(nèi)容

為了克服已有車牌識(shí)別方法由于樣本無(wú)法足夠多導(dǎo)致識(shí)別正確率較低的不足，本發(fā)明提供了一種在小樣本的情況下依然能夠獲得較高的識(shí)別成功率的基于支持向量機(jī)的車牌識(shí)別方法。

本發(fā)明解決其技術(shù)問(wèn)題所采用的技術(shù)方案是：

一種基于支持向量機(jī)的車牌識(shí)別方法，包括以下步驟：

步驟S1，攝取車牌圖像；

步驟S2，對(duì)獲取的車牌圖像進(jìn)行圖像預(yù)處理，得到待識(shí)別字符；

步驟S3，導(dǎo)入訓(xùn)練集訓(xùn)練支持向量機(jī)模型，使用支持向量機(jī)對(duì)待識(shí)別字符進(jìn)行分類決策，輸出決策結(jié)果。

進(jìn)一步，所述步驟S3中，設(shè)樣本訓(xùn)練集{(x_i,y_i),i＝1,2,…,l}由兩個(gè)類別組成，若x_i屬于第一類，則記y_i＝1，若x_i屬于第二類，則記y_i＝-1，采用的核函數(shù)為徑向基核函數(shù)(Radial Basis Function，RBF)：

其中，x表示x₁，x₂，…，x_l中的任意一個(gè)，σ為徑向基函數(shù)的擴(kuò)展常數(shù)，反應(yīng)了函數(shù)圖像的寬度，σ越小，則寬度越窄，該徑向基函數(shù)越具有選擇性。

再進(jìn)一步，步驟S2中，所述圖像預(yù)處理包括以下步驟：

將圖片導(dǎo)入，記為I，采用rgb2gray函數(shù)進(jìn)行灰度化處理，將RGB圖轉(zhuǎn)化為灰度圖，對(duì)R、G、B分量進(jìn)行加權(quán)平均的權(quán)重是：

0.2989R+0.5870G+0.1140B

再利用Roberts算子，通過(guò)局部差分來(lái)尋找邊緣，平滑參數(shù)設(shè)置為較小的0.15；

接下來(lái)采用腐蝕函數(shù)imrode來(lái)對(duì)圖片進(jìn)行腐蝕處理，將圖片中的一些不相關(guān)元素出去；

采用閉操作函數(shù)imclose來(lái)對(duì)圖像進(jìn)行閉操作處理，閉操作處理可以理解為使圖片更加圓滑，消除一些毛刺的作用；

采用bwareaopen函數(shù)對(duì)圖像進(jìn)行形態(tài)學(xué)降噪；

使用分割算法從圖片中獲取字符，得待識(shí)別的字符。

本發(fā)明的有益效果在于，克服傳統(tǒng)的統(tǒng)計(jì)研究方法要求學(xué)習(xí)樣本的數(shù)目足夠多的問(wèn)題，引入一種較為新穎的機(jī)器學(xué)習(xí)算法作為車牌識(shí)別軟件的理論基礎(chǔ)，能夠在小樣本的情況下，依然能夠獲得較高的識(shí)別成功率。

附圖說(shuō)明

圖1是一種基于支持向量機(jī)的車牌識(shí)別方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步描述。

參照?qǐng)D1，一種基于支持向量機(jī)的車牌識(shí)別方法，包括以下步驟：

步驟S1，攝取車牌圖像；

步驟S2，對(duì)獲取的車牌圖像進(jìn)行圖像預(yù)處理，得到待識(shí)別字符；

步驟S3，導(dǎo)入訓(xùn)練集訓(xùn)練支持向量機(jī)模型，使用支持向量機(jī)對(duì)待識(shí)別字符進(jìn)行分類決策，輸出決策結(jié)果。

所述步驟S3中，設(shè)樣本訓(xùn)練集{(x_i,y_i),i＝1,2,…,l}由兩個(gè)類別組成，若x_i屬于第一類，則記y_i＝1，若x_i屬于第二類，則記y_i＝-1；采用的核函數(shù)為徑向基核函數(shù)(Radial Basis Function，RBF)：

其中，x表示x₁，x₂，…，x_l中的任意一個(gè)，σ為徑向基函數(shù)的擴(kuò)展常數(shù)，反應(yīng)了函數(shù)圖像的寬度，σ越小，則寬度越窄，該徑向基函數(shù)越具有選擇性。

進(jìn)一步，步驟S2中，所述圖像預(yù)處理包括以下步驟：