基于LS-SVM的車牌圖像傾斜校正新方法

汽車牌照的自動識別技術(shù)有重要的應(yīng)用價值，是智能交通系統(tǒng)ITS（Intelligent Traffic System）的關(guān)鍵技術(shù)之一。牌照識別系統(tǒng)中圖像的獲取一般通過固定架設(shè)在通道上方及兩旁的CCD攝像機拍攝得到，理想情況下拍攝的車牌圖像是一個矩形，但在實際使用中，由于車輛的?？课恢镁哂幸欢ǖ碾S機性，造成了拍攝距離、拍攝角度的不確定。
　　對比大量現(xiàn)場采集的車牌照片，發(fā)現(xiàn)車輛位置的不確定性引發(fā)攝像機與車牌之間的角度變化，造成的車牌圖像畸變則以傾斜為主。現(xiàn)場實拍的汽車牌照傾斜圖像如圖1所示。
　　
　　這種傾斜現(xiàn)象會給字符分割帶來不利影響，當(dāng)傾斜度較大時，易造成誤分割并使車牌識別率急劇下降。因此，為確保系統(tǒng)的識別率，需要在字符分割之前進行車牌的傾斜校正。對機動車牌圖像畸變進行校正的研究目前已取得了一定的成果，如通過Hough變換將圖像空間轉(zhuǎn)換到Hough空間，并搜尋車牌邊框?qū)?yīng)的極值點，進而確定車牌的傾斜角；提取牌照邊框參數(shù)，并使用雙線性坐標變換進行圖像修正［1］［2］；通過模板匹配在圖像空間搜尋牌照區(qū)域的四個頂點，再通過空間變換重建矩形車牌區(qū)域［3］；通過旋轉(zhuǎn)投影求取車牌的角度進行校正［4］。
　　由于圖像中車牌的邊框有時受噪聲、污跡等干擾的影響較大，同時又由于二值化等原因，車牌上字符會有粘連和斷裂現(xiàn)象，使Hough變換后參數(shù)空間中的峰值過于分散，校正效果不理想。通過旋轉(zhuǎn)車牌圖像在坐標軸上的投影求取傾斜角度是一種抗干擾能力較強的方法，但在該方法中最佳傾角的求取是一個尋優(yōu)過程，要進行多次投影逐步搜尋最佳傾角，計算復(fù)雜度高。
　　由此看來，無論是Hough變換法、模板匹配法還是旋轉(zhuǎn)投影法，圖像傾角或相關(guān)參數(shù)的求解過程均是建立在空間極值點搜索的機理上，會使計算量大，算法效率低。能否避免空間尋優(yōu)，直接通過數(shù)值計算確定圖像傾角是提高傾斜校正效率的有效方法。本文提出一種基于最小二乘支持向量機 LS-SVM（Least Squares Support Vector Machine）［5］［6］的車牌圖像傾斜校正新方法，該方法在圖像校正領(lǐng)域國內(nèi)外尚無文獻報道。
　　該方法將二值畸變圖像看作一個數(shù)據(jù)集，圖像中的每個“1”值像素作為數(shù)據(jù)集中的一個樣本。將樣本的特征構(gòu)建為3維，前2維作為輸入向量，可取像素的坐標值，第3維作為輸出向量，可取一常數(shù)（本文取0）。通過LS-SVM回歸算法，可求取數(shù)據(jù)集的主要回歸參數(shù)ω，理論證明該參數(shù)即為圖像傾斜向量。實驗表明，該方法將圖像傾斜角的搜索過程轉(zhuǎn)換為直接求解線性矩陣方程，簡化了計算，提高了算法效率，避免了傾角搜索過程中的隨機性和不穩(wěn)定性，對車牌圖像的邊框無特殊要求。