论文部分内容阅读
随着国民经济的日益发展,各种车辆迅速增加,在改变人们生活便利的同时,也引发了许多问题。因此,采用智能交通管理系统(ITS)已成为当前公路交通、城市交通管理的主要手段和发展方向。而车牌自动识别技术又是智能交通管理系统中的核心部分。其中,字符识别的准确率和识别速度又是该技术是否能够用于实际的关键性指标,所以研究出一种快速准确的字符识别方法就显得特别重要。 传统统计模式识别的方法如模板匹配和神经网络等都是在样本数目足够多的前提下进行的,只有在样本数趋于无穷时才能获得较好的效果。但在实际问题中,样本数通常是有限的,这时原有方法都难以取得理想的结果。然而,统计学习理论是专门为小样本设计的,它的出现为研究有限样本情况下的统计模式识别建立了一个较好的理论框架,并推出了一种新的模式识别方法——支持向量机SVM。 支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的由Vapnik等人于1995年提出的一类新型机器学习方法,它能够较好解决小样本、非线性及高维数等模式识别问题。近年来SVM已在脸像识别、语音识别、文章分类等众多领域得到了广泛应用。利用该方法进行字符识别,在训练样本相对较少的情况下,仍可得到较好的识别率。目前研究SVM的文章虽然较多,但关于如何解决SVM在工程中的一些实用方法的研究却相对较少。此外,SVM