基于支持向量機(jī)的車(chē)牌定位方法

摘 要：車(chē)牌定位是汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)中的關(guān)鍵步驟。對(duì)車(chē)牌定位文體進(jìn)行研究，提出一種基于支持向量機(jī)的定位方法。首先將圖像分割為N×N大小的子塊，提取每個(gè)子塊的灰度特征，訓(xùn)練SVM分類(lèi)器；然后用訓(xùn)練好的分類(lèi)器進(jìn)行牌照子塊和非牌照子塊的分類(lèi)，再使用數(shù)學(xué)形態(tài)學(xué)濾波和區(qū)域合并；最后運(yùn)用投影方法定位牌照區(qū)域。實(shí)驗(yàn)結(jié)果表明，該方法能正確定位牌照區(qū)域。



關(guān)鍵詞：車(chē)牌定位；支持向量機(jī)；紋理分類(lèi);LPR

中圖分類(lèi)號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：1004-373X(2008)09-184-03

Vehicle License Plate Location Based on Support Vector Machine



ZHAO Xiaoxia

(School of Information and Communication Engineering，North University of China，Taiyuan，030051，China)



Abstract：Locating the vehicle license plate plays an important role in the vehicle License Plate Automatic Recognition (LPR) system.An approach based on Support Vector Machine(SVM) is presented in this paper.First the car image is segmented into many N×Nsub-blocks，and the gray level value features are exacted from each sub-block and fed to SVM.Then the training SVM is used to classify each pixel into two classes:plate and no-plate，and a morphological filter is applied to merge candidate regions and remove noise.Finally projective algorithm is applied to get plate area in the image.The experiment results show this algorithm is effective.



Keywords：license plate location;support vector machine;texture classification;LPR

1 引 言

智能交通系統(tǒng)是一個(gè)熱點(diǎn)研究領(lǐng)域，受到日益廣泛的關(guān)注。車(chē)牌識(shí)別系統(tǒng)(LPR)是計(jì)算機(jī)視覺(jué)、模式識(shí)別技術(shù)在智能交通領(lǐng)域的一個(gè)重要應(yīng)用，包括車(chē)牌定位、車(chē)牌字符分割、字符識(shí)別三部分。其中車(chē)牌定位是整個(gè)系統(tǒng)中的關(guān)鍵步驟。

目前車(chē)牌定位方法主要有：

(1) 基于Hough變換的方法，分析車(chē)牌具有明顯的矩形邊框，利用Hough變換檢測(cè)區(qū)域邊界實(shí)現(xiàn)定位。

(2) 基于邊緣檢測(cè)的方法，利用了車(chē)牌字符邊緣豐富的特征，結(jié)合數(shù)學(xué)形態(tài)學(xué)或區(qū)域生長(zhǎng)方法實(shí)現(xiàn)牌照定位。

(3) 基于神經(jīng)網(wǎng)絡(luò)的方法，利用圖像的顏色或紋理特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練好的分類(lèi)器對(duì)圖像各個(gè)像素進(jìn)行分類(lèi)，再對(duì)分類(lèi)結(jié)果綜合，得到牌照的準(zhǔn)確定位。然而由于光照不均、污染等因素影響，可能使得牌照區(qū)域邊界不明顯或存在多個(gè)干擾區(qū)域，從而增加了準(zhǔn)確定位的難度。

要提高車(chē)牌定位的精度，應(yīng)充分利用他自身提供的信息，突出車(chē)牌區(qū)域而抑制非車(chē)牌區(qū)域。車(chē)牌區(qū)域有著豐富的紋理，尋找一種良好性能的分類(lèi)器，凸現(xiàn)這種紋理特征，使他與其他區(qū)域區(qū)別開(kāi)來(lái)。支持向量機(jī)(Support Vector Machine，SVM)正是這樣一種分類(lèi)學(xué)習(xí)機(jī)制，建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization，SRM)準(zhǔn)則^[1]之上，已經(jīng)在文本識(shí)別，人臉識(shí)別，紋理分類(lèi)等模式識(shí)別領(lǐng)域取得了成功。

本文使用SVM機(jī)制自動(dòng)定位車(chē)牌區(qū)域，首先對(duì)每幅訓(xùn)練圖像切分成若干個(gè)N×N大小的圖像子塊，把每個(gè)字塊分別標(biāo)注為車(chē)牌和非車(chē)牌區(qū)域兩類(lèi)，提取子塊圖像的特征向量訓(xùn)練SVM分類(lèi)器；然后使用該分類(lèi)器對(duì)測(cè)試圖像中的各個(gè)像素進(jìn)行分類(lèi)，最后通過(guò)后期處理結(jié)合車(chē)牌的先驗(yàn)知識(shí)實(shí)現(xiàn)車(chē)牌區(qū)域的定位。

2 SVM原理

SVM基于SRM準(zhǔn)則構(gòu)造最優(yōu)超平面，使每類(lèi)數(shù)據(jù)之間間隔最大，同時(shí)保持分類(lèi)誤差盡可能小。Cover定理指出：一個(gè)復(fù)雜的模式識(shí)別分類(lèi)問(wèn)題，在高維空間比低維空間更容易線(xiàn)性可分。實(shí)際上SVM實(shí)現(xiàn)了這樣的思想：通過(guò)某種事先選擇的非線(xiàn)性映射將向量x映射到一個(gè)高維特征空間，然后在這個(gè)空間中構(gòu)造最優(yōu)分類(lèi)超平面。

對(duì)于兩類(lèi)模式分類(lèi)問(wèn)題，在非線(xiàn)性可分的情況下，通過(guò)一個(gè)非線(xiàn)性變換φ:x→φ(x)，將給定的模式數(shù)據(jù)映射到高維特征空間，再構(gòu)造分類(lèi)超平面，表示為決策面:



w#8226;φ(x)+b=0

(1)



考慮到兩類(lèi)樣本離決策面都應(yīng)有一定距離，決策面應(yīng)滿(mǎn)足不等式約束:



yi(wi#8226;φ(xi)+b)≥1 i=1，2…n

(2)



完全滿(mǎn)足式(2)的超平面是不存在的。考慮到存在一些樣本不能被決策面正確分類(lèi)，引入松弛變量ξi(≥0)，約束條件式(2)變?yōu)?



yi(wi#8226;φ(xi)+b)≥1－ξi

(3)



滿(mǎn)足要求的超平面不止一個(gè)，尋找最優(yōu)超平面可以歸結(jié)為二次規(guī)劃問(wèn)題:



min12w#8226;w+C∑ni=1ξi

(4)



其中C被稱(chēng)為懲罰因子，通過(guò)C可以在分類(lèi)器的泛化能力和誤分率之間進(jìn)行折衷。利用拉格朗日函數(shù)求解可得優(yōu)化問(wèn)題(4)的對(duì)偶形式，最大化函數(shù):



w(ai)=∑ni=1ai－12∑ni，j=1aiajyiyjK(xi，xj)

(5)



約束條件:



0≤ai≤C， ∑ni=1aiyi=0

(6)



系數(shù)向量:



w=∑ni=1aiyiφ(xi)

(7)



其中K(xi，yi)=φ(xi)#8226;φ(xj)稱(chēng)為核函數(shù)。

求解式(5)可以得到ai，代入式(7)可以確定w，分類(lèi)函數(shù)可表示為:



f(x)=sgn∑ni=1aiyiK(x，xi)+b

(8)



3 SVM定位車(chē)牌區(qū)域

車(chē)牌區(qū)域準(zhǔn)確定位是一種非線(xiàn)性可分的模式分類(lèi)問(wèn)題。

3.1 特征提取

利用SVM自身結(jié)構(gòu)可以實(shí)現(xiàn)有效的特征提取，選擇直接提取像素灰度特征。圖像像素點(diǎn)之間不是孤立的，相互之間存在著相關(guān)性，體現(xiàn)了一種紋理。可以通過(guò)提取一些特定像素的灰度值作為整幅圖像的特征，同時(shí)減少了計(jì)算量。首先將每幅圖像切割成若干個(gè)N×N子塊，再將每一子塊標(biāo)注為牌照區(qū)域(＋1)和非牌照區(qū)域(－1)兩類(lèi)，然后使用圖1所示“米”字型模型^{[2］ 提取像素灰度值(圖中陰影為要提取的像素點(diǎn))。這樣每幅子圖的特征維數(shù)由N×N減少到4N－3，提高了訓(xùn)練和分類(lèi)速度。}

3.2 SVM分類(lèi)器

SVM分類(lèi)器分為三層結(jié)構(gòu)，結(jié)構(gòu)示意見(jiàn)圖2。輸入層的維數(shù)為子圖的特征維數(shù)4N－3，輸入值是灰度值。隱含層的維數(shù)是由訓(xùn)練獲得的支持向量決定，即由訓(xùn)練階段自動(dòng)獲得，而且二次規(guī)劃在凸集下的解是全局最優(yōu)解，避免陷入局部最小。隱含層計(jì)算輸入向量與支持向量之間的內(nèi)積，完成非線(xiàn)性映射，通過(guò)核函數(shù)一步來(lái)實(shí)現(xiàn)的。輸出層的輸出就是對(duì)隱層的輸出與權(quán)值wi的乘積求和，權(quán)值aiyi也是在訓(xùn)練中獲得的。

圖1 “米”字型模型

圖2 SVM結(jié)構(gòu)示意圖

SVM中研究最多的核函數(shù)主要有三類(lèi)：多項(xiàng)式、徑向基函數(shù)(RBF)和多層Sigmoid神經(jīng)網(wǎng)絡(luò)。實(shí)驗(yàn)中使用的是多項(xiàng)式核函數(shù)，形式為:



K(x，xi)=［(x#8226;xi)+1］d

(9)



作為一種基于樣本學(xué)習(xí)的方法，我們希望訓(xùn)練樣本集盡可能地大，以獲得比較充分的代表性。然而考慮到實(shí)際的限制，這個(gè)尺寸又必須是適中的。因此，問(wèn)題就是如何構(gòu)造一個(gè)全面又可行的訓(xùn)練樣本集。對(duì)于車(chē)牌定位問(wèn)題，所有包含牌照區(qū)域的圖像可以作為正樣本，困難點(diǎn)是收集負(fù)樣本，因?yàn)閷?shí)際上存在太多的不包含牌照的圖像可以作為負(fù)樣本。如何在這些圖像中選取具有代表性的子集，實(shí)驗(yàn)中采用了一種叫“自舉”(bootstrap)的方法，他已被Sung和Poggio成功地應(yīng)用于人臉識(shí)別。主要思想就是一些負(fù)樣本(非牌照)是在訓(xùn)練中獲得而不是在訓(xùn)練以前，具體實(shí)現(xiàn)步驟如下：

(1) 建立包含正樣本(牌照區(qū)域)和負(fù)樣本(非牌照區(qū)域)的訓(xùn)練集合N1；

(2) 用N1訓(xùn)練SVM；

(3) 用訓(xùn)練好的SVM分類(lèi)器對(duì)隨機(jī)選取的非牌照樣本進(jìn)行分類(lèi)測(cè)試，收集那些被錯(cuò)分為牌照的樣本；

(4) 隨機(jī)選取20％的錯(cuò)分類(lèi)樣本加入到訓(xùn)練集N1；

(5) 重復(fù)(2)~(4)步直至沒(méi)有再發(fā)現(xiàn)錯(cuò)分的樣本；

(6) 使用最終獲得的N1訓(xùn)練SVM。

圖3顯示了一些用于訓(xùn)練的樣本。

最后，用訓(xùn)練好的SVM分類(lèi)器掃描全圖，根據(jù)輸出類(lèi)別，對(duì)每個(gè)N×N小窗口的中心像素做出判斷。如果輸出+1就認(rèn)為他是牌照區(qū)域，賦值為255；否則，則認(rèn)為他不是牌照區(qū)域，賦值為0。如圖4(a)所示。

SVM通過(guò)訓(xùn)練選擇對(duì)分類(lèi)超平面起決定作用的支持向量，就像選擇了一組特定的濾波器，突出了牌照區(qū)域。在SVM分類(lèi)器中濾波器的數(shù)目和系數(shù)是在訓(xùn)練中自動(dòng)獲得的。

圖3 訓(xùn)練樣本示例

3.3 分割牌照區(qū)域

對(duì)每個(gè)像素做出分類(lèi)判斷后，得到一個(gè)二值圖像，還必須進(jìn)行一些處理，其目的是合并感興趣區(qū)域和去除噪聲。本文采用數(shù)學(xué)形態(tài)學(xué)對(duì)二值圖像進(jìn)行處理，在此基礎(chǔ)之上再做水平和垂直兩個(gè)方向的投影，最后，根據(jù)投影并結(jié)合車(chē)牌自身的一些先驗(yàn)知識(shí)，如長(zhǎng)寬比、車(chē)牌的字符數(shù)、字符間距，實(shí)現(xiàn)牌照區(qū)域的定位。分割過(guò)程主要包括以下幾個(gè)步驟：

(1) 首先訓(xùn)練SVM分類(lèi)器，用他掃描圖像，對(duì)像素進(jìn)行分類(lèi)，獲得分類(lèi)后的二值圖像。

(2) 應(yīng)用數(shù)學(xué)形態(tài)學(xué)方法對(duì)分類(lèi)結(jié)果所得圖像進(jìn)行處理、去除噪聲。

(3) 再對(duì)圖像做水平投影和高斯迭代平滑處理。

(4) 確定牌照水平區(qū)域：在平滑處理后的水平投影圖中，獲取峰值點(diǎn)以及與這些峰值點(diǎn)最接近的左右側(cè)谷值點(diǎn)，由左右側(cè)谷值點(diǎn)確定一個(gè)水平區(qū)域的高度g，峰值大于車(chē)牌最小寬度F時(shí)，該區(qū)域是車(chē)牌可能所在的水平區(qū)域。其中：F=Rmin×g，Rmin為標(biāo)準(zhǔn)車(chē)牌寬高比的最小值。

(5) 確定牌照垂直區(qū)域：對(duì)于車(chē)牌可能所在的水平區(qū)域進(jìn)行垂直投影(同樣采取高斯疊代平滑)，由垂直投影圖將水平區(qū)域分成一塊塊較小的區(qū)域，計(jì)算出最大字符間距D，將間距小于等于D的區(qū)域合并。其中：D=Tmax×Rmax×g，Rmax為標(biāo)準(zhǔn)車(chē)牌寬高比的最大值，Tmax為標(biāo)準(zhǔn)車(chē)牌最大字符間距與車(chē)牌寬度之比。合并后區(qū)域的寬高比大于Rmin的為車(chē)牌可能所在的區(qū)域。

(6) 牌照的確定與分割：根據(jù)標(biāo)準(zhǔn)車(chē)牌的字符個(gè)數(shù)和筆劃數(shù)的范圍，檢測(cè)各區(qū)域水平方向上的跳變化次數(shù)，若在該范圍內(nèi)則認(rèn)為該區(qū)域?yàn)檐?chē)牌所在的區(qū)域，然后在含有牌照的原圖中切出與(4)中相應(yīng)的區(qū)域。

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)收集了200幅車(chē)牌圖像，任意選取100幅作為訓(xùn)練樣本，還收集了一些不包含車(chē)牌的圖像作為自舉訓(xùn)練方法的樣本。

程序使用Microsoft VC++60編寫(xiě)。訓(xùn)練和識(shí)別所用的圖像子塊尺寸N取15，特征數(shù)據(jù)歸一化在0~1之間。核函數(shù)多項(xiàng)式的次數(shù)d的值取5，SVM的懲罰因子C取100，訓(xùn)練SVM的算法采用的是JohnC.Platt提出的序列最小優(yōu)化算法^[3]。剩余100幅圖像作為測(cè)試樣本，其中能正確定位的有93幅，有7幅沒(méi)有正確定位。引起錯(cuò)誤的原因主要有圖像中相似的字符區(qū)域過(guò)多或者圖像本身過(guò)于模糊，相似區(qū)域過(guò)多干擾了牌照區(qū)域，而圖像模糊則損失了牌照區(qū)域有用的紋理信息。實(shí)驗(yàn)結(jié)果表明，SVM在小樣本下可以獲得較好的識(shí)別效果。

圖4給出了圖3(b)中示例圖像車(chē)牌定位過(guò)程，圖4(a)為經(jīng)過(guò)SVM分類(lèi)輸出的二值圖，圖4(b)為數(shù)學(xué)形態(tài)學(xué)濾波處理后的結(jié)果，圖4(c)為最終車(chē)牌定位結(jié)果。

圖4 圖像車(chē)牌定位過(guò)程

5 結(jié) 語(yǔ)

車(chē)牌定位是一種非線(xiàn)性可分問(wèn)題，牌照區(qū)域包含了豐富的紋理信息，利用這個(gè)特征可以實(shí)現(xiàn)牌照區(qū)域的定位。本文使用SVM對(duì)含牌照的汽車(chē)圖像中像素進(jìn)行分類(lèi)，再經(jīng)過(guò)數(shù)學(xué)形態(tài)學(xué)處理并結(jié)合牌照先驗(yàn)知識(shí)實(shí)現(xiàn)定位。實(shí)驗(yàn)表明該方法取得了較好的定位效果。

參 考 文 獻(xiàn)

［1］[美]瓦普尼克.統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)［M］.張學(xué)工，譯.北京：清華大學(xué)出版社，2000.



［2］Kim K I，Jung K，Kim H J.Texture-Based Approach for Text Detection in Images Using Support Vector Machines and Continuously Adaptive Mean Shift Algorithm［J］.IEEE Trans.Pattern Analysis and Machine Intelligence，2003，25(12):1 631-1 639.



［3］Platt J C.Sequential Minimal Optimization:A Fast Algorithm for Training Support Vector Machines.Advances in Kernel Methods-Support Vector Learning［C］.Cambridge，MA:MIT Press.1999:185-208.



［4］Burges J C.A Tutorial on Support Vector Machines for Pattern Recognition ［J］.Data Mining and Knowledge Discovery，1998，2 (2):1-47.



作者簡(jiǎn)介 趙曉霞 女，1978年出生，山西左權(quán)人，助教，碩士。主要研究方向?yàn)閳D像處理、模式識(shí)別、智能控制。

注：本文中所涉及到的圖表、注解、公式等內(nèi)容請(qǐng)以PDF格式閱讀原文。