SVM在車牌字符識(shí)別中的應(yīng)用

1 引言
??? 車牌識(shí)別是智能交通系統(tǒng)的一個(gè)重要研究課題，存在巨大的市場(chǎng)需求。車牌識(shí)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(shí)別3大部分。對(duì)于車牌字符識(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)的方法兩大類。前者多利用了字符的輪廓、網(wǎng)格、投影等統(tǒng)計(jì)特征，相似字符區(qū)分能力差，且因特征數(shù)據(jù)維數(shù)過(guò)大會(huì)導(dǎo)致識(shí)別速度慢；而后者則存在網(wǎng)絡(luò)輸入數(shù)據(jù)的選擇和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)等問(wèn)題。
??? 目前，普遍采用3類方法來(lái)提高字符的識(shí)別性能：第1類是尋找更好的分類識(shí)別算法；第2類是將幾種分類器結(jié)合起來(lái)，相互補(bǔ)充，根據(jù)不同方面的特征分類，如文獻(xiàn)；第3類是抽取具有更強(qiáng)描述能力的特征，結(jié)合其它輔助特征來(lái)進(jìn)行分類，如文獻(xiàn)。
??? 本文采用支持向量機(jī)(SVM，support vector machine)的方法解決車牌字符識(shí)別問(wèn)題，屬于第1類方法。SVM可以自動(dòng)尋找對(duì)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(dá)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(shí)別問(wèn)題中表現(xiàn)出了許多特有的優(yōu)越性能，且具有適應(yīng)性強(qiáng)和效率高的特點(diǎn)。

2 支持向量機(jī)簡(jiǎn)介
??? 支持向量機(jī)(SVM)是Vapnik及其研究小組提出的針對(duì)二類別的分類問(wèn)題而提出的一種分類技術(shù)，是一種新的非常有發(fā)展前景的分類技術(shù)。支持向量機(jī)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(dá)到最大的泛化能力，其算法的詳細(xì)敘述可參考文獻(xiàn)。
??? 支持向量機(jī)方法根據(jù)Vapnik的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，盡量提高學(xué)習(xí)機(jī)的泛化能力，使有限少量訓(xùn)練樣本得到的決策規(guī)則對(duì)獨(dú)立的測(cè)試集仍能得到小的誤差。這樣只需有限的少量樣本參與訓(xùn)練，就可以保證訓(xùn)練產(chǎn)生的分類器具有很小的誤差。而車牌字符識(shí)別時(shí)，相對(duì)于預(yù)測(cè)的樣本，只能有有限的少量樣本參與訓(xùn)練，支持向量機(jī)的方法可以使訓(xùn)練產(chǎn)生的分類器在識(shí)別車牌字符時(shí)只有小的誤差，并且大幅減少訓(xùn)練的時(shí)間。
??? 對(duì)于數(shù)據(jù)分類問(wèn)題，通用的神經(jīng)網(wǎng)絡(luò)方法的機(jī)理可以簡(jiǎn)單地描述為：系統(tǒng)隨機(jī)產(chǎn)生一個(gè)超平面并移動(dòng)它，直到訓(xùn)練集中屬于不同類別的點(diǎn)正好位于平面的不同側(cè)面。這種處理機(jī)制決定了神經(jīng)網(wǎng)絡(luò)方法最終獲得的分割平面并不是一個(gè)最優(yōu)超平面，只是一個(gè)局部的次優(yōu)超平面。而SVM將最優(yōu)超平面的求解問(wèn)題轉(zhuǎn)換為一個(gè)不等式約束下的二次函數(shù)尋優(yōu)問(wèn)題，這是一個(gè)凸二次優(yōu)化問(wèn)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(guò)一個(gè)非線性函數(shù)將輸入數(shù)據(jù)映射到具有高維甚至為無(wú)窮維的特征空間，并在這個(gè)高維特征空間進(jìn)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(wèn)題和計(jì)算判別函數(shù)時(shí)并不需要顯式計(jì)算該非線性函數(shù)，而只需計(jì)算核函數(shù)，從而避免特征空間維數(shù)災(zāi)難問(wèn)題。
??? 車牌字符識(shí)別問(wèn)題中每個(gè)樣本為一個(gè)字符圖像，每個(gè)字符圖像由許多像素組成，具有高維的特點(diǎn)。SVM通過(guò)核函數(shù)的計(jì)算，避免了神經(jīng)網(wǎng)絡(luò)解決樣本空間的高維問(wèn)題帶來(lái)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)問(wèn)題，使訓(xùn)練模型與輸入數(shù)據(jù)的維數(shù)無(wú)關(guān)；并且每個(gè)字符的整幅圖像作為一個(gè)樣本輸入，不需要進(jìn)行特征提取，節(jié)省了識(shí)別時(shí)間。

3 車牌字符分類器的構(gòu)造
??? 我國(guó)標(biāo)準(zhǔn)車牌格式是：X1X2．X3X4X5X6X7，其中X1是各省、直轄市和自治區(qū)的簡(jiǎn)稱，X2是英文字母，X3X4是英文字母或阿拉伯?dāng)?shù)字，X5X6X7是阿拉伯?dāng)?shù)字，并且對(duì)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(diǎn)。
??? 針對(duì)車牌字符的排列特征，為了提高車牌整體的識(shí)別率，可以設(shè)計(jì)4個(gè)分類器來(lái)進(jìn)行車牌字符的識(shí)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(hào)，選擇對(duì)應(yīng)的分類器進(jìn)行識(shí)別，然后將識(shí)別結(jié)果按字符序號(hào)進(jìn)行組合，就得到了整個(gè)車牌的識(shí)別結(jié)果。4個(gè)分類器如圖l所示。

??? 字符集中漢字有50多個(gè)，其中31個(gè)為各省、直轄市和自治區(qū)的簡(jiǎn)稱；英文字母全部為大寫(xiě)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(gè)大寫(xiě)字母組成；數(shù)字為0～9的阿拉伯?dāng)?shù)字。
??? 支持向量機(jī)是針對(duì)二類別的分類而提出的，但車牌字符識(shí)別是多類別的分類問(wèn)題，需要將二類別分類方法擴(kuò)展到多類別分類，本文采用了一一區(qū)分法實(shí)現(xiàn)。一一區(qū)分法(one—against—one method)是分別選取2個(gè)不同類別構(gòu)成一個(gè)SVM子分類器，這樣對(duì)于k類問(wèn)題，共有k(k一1)／2個(gè)SVM子分類器。在構(gòu)造類別i和類別j的SVM子分類器時(shí)，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(xùn)練樣本數(shù)據(jù)，并將屬于類別i的數(shù)據(jù)標(biāo)記為正，將屬于類別j的數(shù)據(jù)標(biāo)記為負(fù)。測(cè)試時(shí)，將測(cè)試數(shù)據(jù)對(duì)k(k一1)／2個(gè)SVM子分類器分別進(jìn)行測(cè)試，并累計(jì)各類別的得分，選擇得分最高者所對(duì)應(yīng)的類別為測(cè)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(shí)際卡口系統(tǒng)采集到的768×576像素的汽車牌照?qǐng)D片進(jìn)行車牌定位和字符分割后，將分割的每個(gè)車牌字符進(jìn)行二值化操作，字符筆劃對(duì)應(yīng)的像素置為l，背景像素置為0，再將每個(gè)字符歸一化到13x24像素，并根據(jù)每個(gè)字符在車牌中的位置，編上序號(hào)l～7。
??? 本文所選汽車牌照?qǐng)D片共計(jì)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(shí)現(xiàn)車牌正確定位，車牌定位率為97．73％；120張圖片可以實(shí)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(gè)字符作為一個(gè)樣本，每個(gè)樣本維數(shù)為312(13x24)，根據(jù)其序號(hào)分成4類樣本。每類樣本分成兩部分，60%的樣本訓(xùn)練產(chǎn)生模型，另40％用于測(cè)試，核函數(shù)采用徑向基函數(shù)K(xi，x)=exp（-||x-xi||2/σ2），分別訓(xùn)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(lái)進(jìn)行車牌字符的整體識(shí)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(lái)求解最佳參數(shù)，對(duì)每類分類器模型采用以下步驟：
??? 第一步：根據(jù)識(shí)別正確率確定最佳參數(shù)C。首先假設(shè)C=10，取σ2=10-1，100，101，102，103，得到最高的識(shí)別正確率對(duì)應(yīng)的σ2，然后固定σ2，改變C的值，得到這時(shí)最高的識(shí)別正確率對(duì)應(yīng)的C值，作為最佳參數(shù)C。
??? 4類分類器的最高識(shí)別正確率對(duì)應(yīng)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(shí)別正確率對(duì)應(yīng)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(shí)，對(duì)應(yīng)的識(shí)別正確率都逐漸減??；σ2的值變?yōu)?00以上時(shí)，對(duì)應(yīng)的識(shí)別正確率先增大后減小，出現(xiàn)“峰值”，取“峰值”對(duì)應(yīng)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(shí)驗(yàn)觀察分析，分類器識(shí)別時(shí)具有一定的偏向性，即參與訓(xùn)練的某類樣本數(shù)目多，預(yù)測(cè)樣本識(shí)別為該類的概率就大，如訓(xùn)練樣本中“浙”字較多，漢字分類器將預(yù)測(cè)樣本識(shí)別為“浙”的可能性較大，而實(shí)際上預(yù)測(cè)樣本中“浙”字?jǐn)?shù)目較多，這樣無(wú)形中就提高了識(shí)別正確率。

5 實(shí)驗(yàn)及結(jié)果
??? 本文用以上4類最佳分類器的組合分類器對(duì)所有車牌字符進(jìn)行整體識(shí)別，識(shí)別結(jié)果如表2所示。
??? 在實(shí)際運(yùn)用中，車牌字符正確數(shù)目在5個(gè)以上就能滿足要求，本文與相關(guān)文獻(xiàn)的車牌字符識(shí)別結(jié)果如表3所示。

??? 觀察分析發(fā)現(xiàn)，影響識(shí)別效果的主要原因是相似字符的誤識(shí)，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(shí)。

6 結(jié)論
??? 本文將SVM的方法引入車牌字符識(shí)別中，在詳細(xì)分析了車牌字符的排列特征的基礎(chǔ)上，構(gòu)造了用4個(gè)不同類別的SVM字符分類器；根據(jù)車牌字符的序號(hào)分別對(duì)應(yīng)識(shí)別，再將識(shí)別結(jié)果組合，就得到了整幅車牌的號(hào)碼。
??? SVM方法采用核函數(shù)解決了高維樣本識(shí)別問(wèn)題，不需要進(jìn)行模型網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)，并且不需進(jìn)行特征提取，只需要有限的樣本參入訓(xùn)練，節(jié)省了識(shí)別時(shí)間，這些都非常符合車牌字符識(shí)別的要求。本文采用一一區(qū)分法將SVM方法從二類別識(shí)別擴(kuò)展到了多類別識(shí)別，并取得了滿意的識(shí)別效果；但一一區(qū)分法需要保證訓(xùn)練樣本的充分性，需要所有類別的樣本都參加訓(xùn)練。
??? 試驗(yàn)結(jié)果表明，本方法有較好的實(shí)用性，而進(jìn)一步減少相似字符和漢字誤識(shí)是本工作以后努力的方向，其關(guān)鍵是加強(qiáng)圖像的預(yù)處理，改進(jìn)字符分割方法和二值化方法，使字符筆劃更清楚。