论文部分内容阅读
车牌字符识别是车牌识别系统的最后环节,要求快速准确地识别出车牌图像中分割后的单个字符,字符识别的结果直接关系到整个车牌识别系统的成败。然而,目前大多数研究方法多是基于经验风险最小化原理的传统的统计模式识别,它只有在样本数趋于无穷大时其性能才有理论上的保证。而对于汽车车牌字符识别这样的实际应用,样本通常是有限的,这时传统的方法难以取得理想的效果。支持向量机能够较好地解决小样本学习问题,其目标是得到现有信息的最优解而不仅仅是样本数趋于无穷大时的最优值。对于样本集线性不可分的情况,通过事先确定的非线性映射将输入矢量映射到一个高维特征空间,然后在此高维空间中构建最优超平面。具体反映在支持向量机选用的核函数,它能够避免在高维特征空间中进行复杂的运算。本文给出了线性支持向量机分类的理论原理,同时对常用的几种支持向量机训练算法进行讨论,特别对SMO算法进行了深入研究,并对其进行改进。对车牌字符识别的实现方法的研究上,首先,对二值化噪声滤除后的车牌字符图像进行了基于质心及双线性插值的归一化处理。然后提出先对字符进行几何变换,再利用图像的粗网格特征与方向线素特征集成起来提取特征矢量的思想。将支持向量机分类的输入参数集中在粗网格特征上,用这些特征构造支持向量机算法的特征矢量。最后运用结合多层感知器和单向二叉决策树分类识别方法对车牌字符进行识别。实验证明,采用本文识别方法对车牌字符中的数字、字母及汉字都具有很好的识别效果。本文在分析多类支持向量机分类的基础上,针对总类型数量不多的图像分类情况,提出了基于多层感知器和单向二叉决策树的多类支持向量机分类方法。通过多层感知器网络的训练,获得支持向量机决策函数中合适的Lagrange乘子矢量及阈值b,以及非线性分类时核函数中的常系数,v-SVM分类时的约束值。最后用单向二叉决策树将字符图像逐步分类,并引入参数调整环节,实现了缩短字符识别时间并提高识别精度的目的。