1 引 言
      智能交通系統(tǒng)是一個熱點研究領(lǐng)域，受到日益廣泛的關(guān)注。車牌識別系統(tǒng)(LPR)是計算機視覺、模式識別技術(shù)在智能交通領(lǐng)域的一個重要應(yīng)用，包括車牌定位、車牌字符分割、字符識別三部分。其中車牌定位是整個系統(tǒng)中的關(guān)鍵步驟。

        目前車牌定位方法主要有：

        (1)基于Hough變換的方法，分析車牌具有明顯的矩形邊框，利用Hough變換檢測區(qū)域邊界實現(xiàn)定位。

        (2)基于邊緣檢測的方法，利用了車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)域生長方法實現(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)練好的分類器對圖像各個像素進行分類，再對分類結(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干擾區(qū)域，從而增加了準(zhǔn)確定位的難度。

        要提高車牌定位的精度，應(yīng)充分利用他自身提供的信息，突出車牌區(qū)域而抑制非車牌區(qū)域。車牌區(qū)域有著豐富的紋理，尋找一種良好性能的分類器，凸現(xiàn)這種紋理特征，使他與其他區(qū)域區(qū)別開來。支持向量機(Support Vector Machine，SVM)正是這樣一種分類學(xué)習(xí)機制，建立在結(jié)構(gòu)風(fēng)險最小化(Structural Risk Minimization，SRM)準(zhǔn)則之上，已經(jīng)在文本識別，人臉識別，紋理分類等模式識別領(lǐng)域取得了成功。

        本文使用SVM機制自動定位車牌區(qū)域，首先對每幅訓(xùn)練圖像切分成若干個N×N大小的圖像子塊，把每個字塊分別標(biāo)注為車牌和非車牌區(qū)域兩類，提取子塊圖像的特征向量訓(xùn)練SVM分類器；然后使用該分類器對測試圖像中的各個像素進行分類，最后通過后期處理結(jié)合車牌的先驗知識實現(xiàn)車牌區(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，使每類數(shù)據(jù)之間間隔最大，同時保持分類誤差盡可能小。Cover定理指出：一個復(fù)雜的模式識別分類問題，在高維空間比低維空間更容易線性可分。實際上SVM實現(xiàn)了這樣的思想：通過某種事先選擇的非線性映射將向量x映射到一個高維特征空間，然后在這個空間中構(gòu)造最優(yōu)分類超平面。

        對于兩類模式分類問題，在非線性可分的情況下，通過一個非線性變換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)造分類超平面，表示為決策面：

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

        完全滿足式(2)的超平面是不存在的?？紤]到存在一些樣本不能被決策面正確分類，引入松弛變量ξi(≥0)，約束條件式(2)變?yōu)椋?/p>

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

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

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

       3 SVM定位車牌區(qū)域

       車牌區(qū)域準(zhǔn)確定位是一種非線性可分的模式分類問題。

       3.1 特征提取

        利用SVM自身結(jié)構(gòu)可以實現(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?？梢酝ㄟ^提取一些特定像素的灰度值作為整幅圖像的特征，同時減少了計算量。首先將每幅圖像切割成若干個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，然后使用圖1所示“米”字型模型提取像素灰度值(圖中陰影為要提取的像素點)。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)練和分類速度。

      3.2 SVM分類器

       SVM分類器分為三層結(jié)構(gòu)，結(jié)構(gòu)示意見圖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。隱含層計算輸入向量與支持向量之間的內(nèi)積，完成非線性映射，通過核函數(shù)一步來實現(xiàn)的。輸出層的輸出就是對隱層的輸出與權(quán)值ωi的乘積求和，權(quán)值aiyi也是在訓(xùn)練中獲得的。

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

       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。然而考慮到實際的限制，這個尺寸又必須是適中的。因此，問題就是如何構(gòu)造一個全面又可行的訓(xùn)練樣本集。對于車牌定位問題，所有包含牌照區(qū)域的圖像可以作為正樣本，困難點是收集負(fù)樣本，因為實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，實驗中采用了一種叫“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分類器對隨機選取的非牌照樣本進行分類測試，收集那些被錯分為牌照的樣本；

       (4)隨機選取20％的錯分類樣本加入到訓(xùn)練集N1；

       (5)重復(fù)(2)～(4)步直至沒有再發(fā)現(xiàn)錯分的樣本；

       (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分類器掃描全圖，根據(jù)輸出類別，對每個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通過訓(xùn)練選擇對分類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分類器中濾波器的數(shù)目和系數(shù)是在訓(xùn)練中自動獲得的。

       3.3 分割牌照區(qū)域

       對每個像素做出分類判斷后，得到一個二值圖像，還必須進行一些處理，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)對二值圖像進行處理，在此基礎(chǔ)之上再做水平和垂直兩個方向的投影，最后，根據(jù)投影并結(jié)合車牌自身的一些先驗知識，如長寬比、車牌的字符數(shù)、字符間距，實現(xiàn)牌照區(qū)域的定位。分割過程主要包括以下幾個步驟：

       (1)首先訓(xùn)練SVM分類器，用他掃描圖像，對像素進行分類，獲得分類后的二值圖像。

       (2)應(yīng)用數(shù)學(xué)形態(tài)學(xué)方法對分類結(jié)果所得圖像進行處理、去除噪聲。

       (3)再對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，獲取峰值點以及與這些峰值點最接近的左右側(cè)谷值點，由左右側(cè)谷值點確定一個水平區(qū)域的高度g，峰值大于車牌最小寬度F時，該區(qū)域是車牌可能所在的水平區(qū)域。其中：F=Rmin×g，Rmin為標(biāo)準(zhǔn)車牌寬高比的最小值。

       (5)確定牌照垂直區(qū)域：對于車牌可能所在的水平區(qū)域進行垂直投影(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=Tmax×Rmax×g，Rmax為標(biāo)準(zhǔn)車牌寬高比的最大值，Tmax為標(biāo)準(zhǔn)車牌最大字符間距與車牌寬度之比。合并后區(qū)域的寬高比大于Rmin的為車牌可能所在的區(qū)域。

       (6)牌照的確定與分割：根據(jù)標(biāo)準(zhǔn)車牌的字符個數(shù)和筆劃數(shù)的范圍，檢測各區(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)域為車牌所在的區(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 實驗結(jié)果分析

       實驗收集了200幅車牌圖像，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。訓(xùn)練和識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。剩余100幅圖像作為測試樣本，其中能正確定位的有93幅，有7幅沒有正確定位。引起錯誤的原因主要有圖像中相似的字符區(qū)域過多或者圖像本身過于模糊，相似區(qū)域過多干擾了牌照區(qū)域，而圖像模糊則損失了牌照區(qū)域有用的紋理信息。實驗結(jié)果表明，SVM在小樣本下可以獲得較好的識別效果。

       圖4給出了圖3(b)中示例圖像車牌定位過程，圖4(a)為經(jīng)過SVM分類輸出的二值圖，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)為最終車牌定位結(jié)果。

       5 結(jié) 語

       車牌定位是一種非線性可分問題，牌照區(qū)域包含了豐富的紋理信息，利用這個特征可以實現(xiàn)牌照區(qū)域的定位。本文使用SVM對含牌照的汽車圖像中像素進行分類，再經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理并結(jié)合牌照先驗知識實現(xiàn)定位。實驗表明該方法取得了較好的定位效果。