数学执车与率用
基于支持向量机的车牌字符识别方法
周鹏1.2
(1.湖北工业大学湖北武汉430068;2.十瑶市科技学校湖北十堰442000)
应用研究
摘要：车障识别系统是智能交通系统的重要组成部分,针对字并试别方面，本火对字行特征提取,接着用基于支持向量机(SVMSupportVector Machine)的方法进行宇符识别。本文提出的新方法能对相似字符的识别效累良好,能有效地解决光照不均匀的车牌图像的二值化问题,适应能力强。
关键词：智能交通字符分割车牌识别
中图分类号:TP391.41 1绪论
文献标识码:A
车牌识别(License Plate Recognition，LPR)是计算机视觉、图像处理和模式识别在ITS领域的应用，是ITS的一个重要组成部分。车牌识别系统有着广泛的应用，它的主要应用有：(1)高速公路自动收费；(2)城市交通监控；(3)停车场管理(4)机场等出人口车辆管理；(5)车朝违章管理
实际工程应用中，由于环境的复杂性，晚上或雨天拍摄的汽车图像可能受光不均匀、对比度不高，摄像机的架设角度会使拍摄的车牌图像发生倾斜，车型的大小会使拍摄的车牌图像大小不一，车牌本身脏或者有污损，这些固素都会给车牌识别带来困难。一个车牌识别系统要求能够在公路环境中全天候工作，能处理模糊、污损，倾斜的车牌图像；具有实时处理数据的能力。尽管很多科研工作者在车牌识别技术上做出了很多责献，但是车牌识别技术仍未成熟。
2车牌识别系统的组成
车牌识别系统的工作原理是：当车辆通过关卡时，传感器触发图像采集控制部分，图像采集控制部分触发摄像机采集一张汽车图像存到图像采集卡中，车牌识别软件模块从采集卡读取汽车图像。车牌识别软件模块首先对汽车图像进行图像增强、去噪等预处理，然后进行车牌定位，接着进行字符切分，最后进行字符识别。字符识别的方法主要有基于模板匹配的字符识别方法，基于神经网络的字符识别方法和基于统计分类器的字符识别方法等。
(1)基于模板匹配的字符识别方法。基于模板匹配的字符识别方法首先为每个字符建立一个模板，形成一个模板库，识别的时候就将待识别的字符与模板库中的模板进行匹配，计算它们的相关度，根据相关度的大小来确定待识别的字符的类别，(2)基于神经网络的字符识别方法。基于神经网络的字符识别方法一般分为两个阶段，分别是训练阶段和测试阶段。训练阶段首先对字符进行特征提取，然后训练出网络模型，测试阶段是对字符进行特征提取，然后将特
征间量代人已经训练好的网络模型，最后得出识别结果。 3基于SVM的车牌识别算法研究
3.1基于SVM的车牌识别方法
训练SVM分类器
字符图像 8B字符数 2536
特征提取
识别SVM分类器
分类结果
图1基于SVM的车牌字符识别的流程
文章编号:1007-9416(2016)09-0091-01
基于统计分类器的字符识别方法主要有基于SVM的字符识别方法。SVM是20世纪90年代初由Vapnik等人提出的一种机器学习方法，由于它具有出色的学习性能，该技术很快成为机器学习界的研究热点，SVM在解决小样本间题有较大优势。基于SVM的字符识别方法分为训练阶段和测试阶段。训练阶段是对训练集的样本进行特征提取，然后设置SVM参数并训练出SVM分类器，测试阶段是对测试集的样本进行特征提取，将特征代人已经训练好的SVM分类器，计算出决策值，根据决策值判断样本所属的类别。车牌字符识别是车牌识别的最后一个环节，也是很重要的一个环节。基于SVM的车牌字符识别分为训练阶段和测试阶段，如图1所示，
训练过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征。然后根据所选的核函数及其参数、惩罚因子训练出 SVM分类器。识别过程首先对归一化成32×6像素的二值图像提取 128维的粗网格特征，然后把特征代人已经训练好的SVM分类器中，根据决策函数计算出决策值，最后得出字符的类别。
3.2字符归一化
为了更好地提取特征，首先要进行字符归一化。归一化一般分为三种：大小归一化、位置归一化和笔画密度归一化。因为本文在字符切分时已经将图像上下左右的非目标部分去掉，故并不需要进行位置归一化，而笔画密度归一化主要是将字符细化，这对于本文采用的特征提取方法来说并没有太大作用，固此本文只做大小归一化。大小归一化通常有三种方法：最近邻插值，双线性插值和双立方插值，本文选用了双线性插值进行大小归一化，车牌字符的高宽比是2：1，本文用双线性插值的方法将字符归一化到32×16像素的图像，
3.3特征提取
用于字符识别的特征有Gabor特征，小波变换系数特征、外轮哪特征和租网格特征，常用于车牌字符识别的特征是外围轮哪特征和租网格特征，下面分别介绍外围轮廓特征和租网格特征这两种特征提取方法，外围轮廊特征的提取方法描述如下：
(1)从上到下扫描图像，第一层外围轮廊特征表示为：U。() j=1,2...,Width。U(j)的值是对该字符的第j列从上到下扫描时第一次遇到的白像素的水平坐标值，其表示为：
U.()=min(ilf(i,j) =0,1 1)
(2)令U()为对第j列从上到下扫描时第一次黑白跳变的水平坐标值，其表示为：
U,U) = min (i[i > Uo,()& &/(i, J) =1,1 (2)
(3)第二层轮廊特征，即第二次白黑跳变的水平坐标值Ue（)的
.·下转第93页
不同分类器对字符“8”和“B”识别结果比较
表1
第一种分类器识别结果 2370
收稿日期：2016-06-28
正确率 93.45%
第二种分类器识别结果 2412
作者简介：周鹏(1983一),男湖北丹江口人,本科,在职研究生,助理讲师,研究方向计算机专业多媒体技术。
方方数据
正确率 95.11%