專利名稱：一種基于支持向量機(jī)的車牌傾斜校正方法
技術(shù)領(lǐng)域：
本發(fā)明屬于智能識(shí)別技術(shù)領(lǐng)域，具體涉及一種基于支持向量機(jī)的車牌傾斜校正方法。

背景技術(shù)：
車牌自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的關(guān)鍵技術(shù)之一，其任務(wù)是處理、分析汽車車牌照?qǐng)D像、自動(dòng)識(shí)別汽車牌照。車牌識(shí)別系統(tǒng)可分為車牌定位、圖像預(yù)處理、字符分割和字符識(shí)別四個(gè)部分。車牌傾斜校正是車牌定位和字符分割間的一個(gè)重要處理過(guò)程。經(jīng)過(guò)車牌定位后所獲取的車牌圖像不可避免地存在某種程度的傾斜，這種傾斜不僅會(huì)給下一步字符分割帶來(lái)困難，最終也將對(duì)車牌識(shí)別的正確率造成直接地影響。
車牌的傾斜校正是車牌自動(dòng)識(shí)別技術(shù)中一個(gè)重要的課題。盡管為了減少車牌傾斜的出現(xiàn)，可以對(duì)車牌圖像的采集條件和采集設(shè)備作一些相應(yīng)的限定，但仍然難以杜絕車牌傾斜現(xiàn)象的出現(xiàn)。如果不對(duì)車牌進(jìn)行相應(yīng)的傾斜校正，則會(huì)對(duì)后續(xù)的邊框鉚釘去除、字符切分處理等帶來(lái)很大的麻煩，甚至無(wú)法處理。即使能夠處理也往往會(huì)因?yàn)樾畔⑷睋p、車牌字符變形等因素導(dǎo)致得到錯(cuò)誤的識(shí)別結(jié)果。
傳統(tǒng)的車牌傾斜校正方法的核心是采用Hough變換方法檢測(cè)邊緣。然而為了能夠使用Hough變換方法，必須先大致給出車牌的邊緣線。在車牌區(qū)域較大、車牌附近干擾比較少、車牌邊緣清晰的情況下一般可以較好地檢測(cè)出邊緣；而當(dāng)車牌較小、車牌附近干擾較多、車牌邊緣不清晰等情況下，很難構(gòu)造出通用的邊緣檢測(cè)算子以適應(yīng)絕大部分的車牌邊緣檢測(cè)。此外，即使能夠得到比較準(zhǔn)確的車牌邊緣，使用Hough變換也存在計(jì)算量大、準(zhǔn)確率低的缺點(diǎn)。
因此，包含Hough變換方法在內(nèi)的現(xiàn)有車牌傾斜校正方法中，圖像傾角和相關(guān)參數(shù)的求解過(guò)程均是建立在空間極值點(diǎn)搜索的機(jī)理上，其計(jì)算量大、算法效率低。所以尋找一種可避免空間尋優(yōu)，直接通過(guò)數(shù)值計(jì)算確定圖像傾角的方法是提高傾斜校正效率的有效手段。


發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于支持向量機(jī)的車牌傾斜校正方法，將支持向量機(jī)的計(jì)算原理應(yīng)用于車輛車牌的傾斜校正中，來(lái)解決現(xiàn)有的車牌傾斜校正方法計(jì)算量大、準(zhǔn)確率低的問(wèn)題。
本發(fā)明所采用的技術(shù)方案是，一種基于支持向量機(jī)的車牌傾斜校正方法，該方法按以下步驟實(shí)施， a、采集得到含有車牌的原始圖像， b、對(duì)步驟a所得到的車輛原始圖像進(jìn)行灰度判斷，若所拍攝到的車輛原始圖像為灰度圖像，則不進(jìn)行處理；若所拍攝到的車輛原始圖像為真彩色圖像，則對(duì)車輛原始圖像進(jìn)行灰度轉(zhuǎn)換，得到一幅包含車牌的灰度圖像， c、對(duì)步驟b所得到的灰度圖像進(jìn)行二值化處理，將其變?yōu)橹挥小?”“1”值的圖像； d、對(duì)步驟c得到的圖像進(jìn)行以下處理，得到校正的車牌圖像 d1、建立步驟c得到的圖像的數(shù)據(jù)集矩陣X2×N設(shè)N為二值傾斜車牌圖像中所有“1”值像素的數(shù)量，構(gòu)造出圖像數(shù)據(jù)集{Xi；Yi}(i＝1，2，…，N)，其中Xi為輸入向量，取像素坐標(biāo)值[xi，yi]T；輸出Yi取一常數(shù)，再將所有輸入向量Xi存儲(chǔ)到矩陣X2×N中； d2、圖像矩陣中心化對(duì)圖像矩陣X2×N中每個(gè)列向量Xi＝[xi，yi]T進(jìn)行變換 其中為Xi的均值向量，即圖像的中心坐標(biāo)，圖像矩陣X2×N中心化后列為
d3、計(jì)算矩陣ΩΩ為N×N方陣，其第i行第j列元素為則 d4、計(jì)算傾斜向量ω，并對(duì)其標(biāo)準(zhǔn)化 首先利用解式Ωα＝λα求取特征值，求最大特征值|λ|所對(duì)應(yīng)的特征向量α，再用公式求取圖像傾斜向量ω，并對(duì)傾斜向量ω進(jìn)行標(biāo)準(zhǔn)化 d5、進(jìn)行坐標(biāo)變換得到校正后的圖像標(biāo)準(zhǔn)化后的傾斜向量x為2維(x1，x2)，構(gòu)造坐標(biāo)變換 用實(shí)現(xiàn)坐標(biāo)變換，并根據(jù)最臨近插值法進(jìn)行校正，得到校正后的基本圖像， e、對(duì)步驟d校正后的車牌圖像進(jìn)行圖像的膨脹修正， f、對(duì)步驟e修正后的車牌圖像進(jìn)行圖像的腐蝕修正，即完成整個(gè)校正過(guò)程。
本發(fā)明的有益效果是，該車牌傾斜校正方法應(yīng)用了支持向量機(jī)的計(jì)算原理，將傳統(tǒng)的車牌圖像Hough空間的尋優(yōu)問(wèn)題轉(zhuǎn)換為線性矩陣的求解問(wèn)題，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了傾角等參數(shù)最優(yōu)點(diǎn)搜索過(guò)程中的隨機(jī)性和不穩(wěn)定性，同時(shí)對(duì)車牌圖像的邊框無(wú)特殊要求，對(duì)于邊框不清或含有噪聲干擾的圖像仍能取得較好的效果。



圖1是基于LS-SVM的車牌圖像傾斜校正流程圖； 圖2是待校正的傾斜車牌原始圖像； 圖3是圖像二值化后的車牌圖像； 圖4是傾斜校正后的車牌圖像； 圖5是膨脹處理后的車牌圖像； 圖6是腐蝕處理后的車牌圖像。

具體實(shí)施例方式 下面結(jié)合附圖和具體實(shí)施方式
對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。
支持向量機(jī)(SVM)是統(tǒng)計(jì)學(xué)理論的一種通用學(xué)習(xí)方法，其基本思想為首先選擇一個(gè)非線性變換Φ(□)把n維輸入，1維輸出樣本向量 (x1，y1)，(x2，y2)，…，(xi，yi)，…，(xl，yl) xi∈□n，yi∈□，i＝1，…，l 從原空間映射到高維特征空間F，在此空間構(gòu)造最優(yōu)線性回歸函數(shù) f(x)＝ω·Φ(x)+b(1) 同時(shí)利用了結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，引入了間隔的概念，并巧妙地利用原空間的核函數(shù)取代高維特征空間的點(diǎn)積運(yùn)算，避免了復(fù)雜計(jì)算。
標(biāo)準(zhǔn)支持向量機(jī)和最小二乘支持向量機(jī)在利用結(jié)構(gòu)風(fēng)險(xiǎn)原則時(shí)，在優(yōu)化目標(biāo)中選擇了不同的損失函數(shù)，它們分別為誤差ξi和誤差ξi的二范數(shù)。
對(duì)于標(biāo)準(zhǔn)的支持向量機(jī)，優(yōu)化問(wèn)題為 約束條件為 對(duì)于最小二乘支持向量機(jī)，優(yōu)化問(wèn)題變?yōu)? 約束條件為 yi[ωTФ(xi)+b]＝1-ξii＝1，...，l(5) 最小二乘支持向量機(jī)定義了與標(biāo)準(zhǔn)支持向量機(jī)不同的代價(jià)函數(shù)，并將其不等式約束改為等式約束。求解(4)式的優(yōu)化問(wèn)題，可以引入拉格朗日函數(shù) 其中αi為拉格朗日乘子，常數(shù)γ＞0，它控制對(duì)超出誤差的樣本的懲罰的程度。再根據(jù)KKT條件，得到如下等式和約束條件 對(duì)于i＝1，....l，上式消去ω和ξ得到(8)式的線性系統(tǒng) 其中 由(8)式，根據(jù)Mercer條件，可以令Ω＝ZZT，這樣就可以使用核函數(shù)了。
Ωkh＝y(tǒng)kyhΦ(xk)TФ(xh)＝y(tǒng)kyh·K(xk，xh) k，h＝1，...，l(10) 則(8)式可修改為
因此支持向量的優(yōu)化問(wèn)題轉(zhuǎn)化為求解上述線性方程的問(wèn)題。
由于車牌圖像構(gòu)造的數(shù)據(jù)集令其輸出yi＝0，并且回歸參數(shù)b與求取傾斜向量無(wú)關(guān)，則式(8)可簡(jiǎn)化為 |Ω+γ-1I|α＝0(12) 若α＝0，則傾斜向量ω＝0，與數(shù)據(jù)集的實(shí)際意義相違背，因此應(yīng)求α的非零解。
定義λ＝-γ-1，可轉(zhuǎn)換為以下特征值問(wèn)題 Ωα＝λα(13) 因此，由式(7)可得所求傾斜向量ω為 其中α用最大|λ|對(duì)應(yīng)的特征向量。
由此可見(jiàn)，LS-SVM車牌圖像傾斜校正實(shí)質(zhì)是通過(guò)LS-SVM對(duì)像素坐標(biāo)進(jìn)行回歸，求取矩形圖像的傾斜方向參數(shù)，再通過(guò)坐標(biāo)變換使原來(lái)的坐標(biāo)旋轉(zhuǎn)到傾斜方向上，各像素在y坐標(biāo)投影分量的方差達(dá)到最小。
如圖1所示，為本發(fā)明的車牌圖像傾斜校正方法流程圖，該方法的實(shí)施步驟包括進(jìn)行車牌圖像采集、進(jìn)行圖像灰度處理、對(duì)圖像進(jìn)行二值化處理、車牌圖像傾斜校正、圖像膨脹修正、圖像腐蝕修正。其中車牌圖像傾斜校正包括建立圖像數(shù)據(jù)集矩陣、圖像矩陣中心化、計(jì)算矩陣、計(jì)算傾斜向量、通過(guò)坐標(biāo)變換實(shí)現(xiàn)傾斜校正五個(gè)小步驟。
實(shí)施例 a、將攝像機(jī)安裝于公路路口、收費(fèi)站或者停車場(chǎng)的適當(dāng)位置，在車輛進(jìn)入攝像范圍后進(jìn)行圖像采集，得到含有車牌圖像的原始圖像，如圖2所示。
b、對(duì)步驟a所得到的車輛原始圖像進(jìn)行灰度判斷，若所拍攝到的車輛原始圖像為灰度圖像，則不進(jìn)行處理；若所拍攝到的車輛原始圖像為真彩色圖像，則對(duì)車輛原始圖像進(jìn)行灰度轉(zhuǎn)換，得到一幅包含車牌的灰度圖像； c、對(duì)步驟b所得到的灰度圖像進(jìn)行二值化處理，將其變?yōu)橹挥小?”“1”值的圖像，便于后續(xù)處理，如圖3所示。
d、對(duì)步驟c得到的圖像進(jìn)行以下處理，并得到校正后的車牌圖像 d1、建立步驟c得到的圖像的數(shù)據(jù)集矩陣X2×N。設(shè)N為二值傾斜車牌圖像中所有“1”值像素的數(shù)量，構(gòu)造圖像數(shù)據(jù)集{Xi；Yi}(i＝1，2，...，N)，其中Xi為輸入向量，取像素坐標(biāo)值[xi，yi]T；輸出Yi取一常數(shù)(為方便計(jì)算，可取0)。再將所有輸入向量Xi存儲(chǔ)到矩陣X2×N中； d2、圖像矩陣中心化，即零均值化。對(duì)圖像矩陣X2×N中每個(gè)列向量(像素坐標(biāo))XX＝[xi，yi]T進(jìn)行變換 其中為Xi的均值向量，即圖像的中心坐標(biāo)。其目的就是平移圖像使圖像的中心與坐標(biāo)原點(diǎn)重合，記圖像矩陣X2×N中心化后列為
d3、計(jì)算矩陣Ω。Ω為N×N方陣，其第i行第j列元素為則 d4、計(jì)算傾斜向量ω，并對(duì)其標(biāo)準(zhǔn)化。利用解式(13)的求取特征值，求最大特征值|λ|所對(duì)應(yīng)的特征向量α，再用式(14)求取圖像傾斜向量ω。
為避免旋轉(zhuǎn)校正時(shí)圖像發(fā)生伸縮，必須對(duì)傾斜向量ω進(jìn)行標(biāo)準(zhǔn)化 d5、進(jìn)行坐標(biāo)變換得到傾斜校正的車牌圖像。標(biāo)準(zhǔn)化后的傾斜向量x為2維(x1，x2)，構(gòu)造坐標(biāo)變換 用實(shí)現(xiàn)坐標(biāo)變換，并根據(jù)最臨近插值法進(jìn)行校正，得到校正后的基本圖像，如圖4所示。
e、對(duì)步驟d校正后的車牌圖像進(jìn)行圖像的膨脹修正，修正結(jié)果如圖5所示。
f、對(duì)步驟e修正后的車牌圖像再進(jìn)行圖像的腐蝕修正，最終的修正結(jié)果如圖6所示。
本發(fā)明所述的車牌傾斜校正方法將支持向量機(jī)這一新的機(jī)器學(xué)習(xí)工具應(yīng)用其中，將車牌圖像Hough空間的尋優(yōu)問(wèn)題轉(zhuǎn)換為線性矩陣的求解問(wèn)題，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了傾角等參數(shù)最優(yōu)點(diǎn)搜索過(guò)程中的隨機(jī)性和不穩(wěn)定性，并且對(duì)于邊框不清或含有噪聲干擾的圖像仍能取得較好的效果。
權(quán)利要求
1.一種基于支持向量機(jī)的車牌傾斜校正方法，其特征在于該方法按以下步驟實(shí)施，
a、采集得到含有車牌的原始圖像，
b、對(duì)步驟a所得到的車輛原始圖像進(jìn)行灰度判斷，若所拍攝到的車輛原始圖像為灰度圖像，則不進(jìn)行處理；若所拍攝到的車輛原始圖像為真彩色圖像，則對(duì)車輛原始圖像進(jìn)行灰度轉(zhuǎn)換，得到一幅包含車牌的灰度圖像，
c、對(duì)步驟b所得到的灰度圖像進(jìn)行二值化處理，將其變?yōu)橹挥小?”“1”值的圖像；
d、對(duì)步驟c得到的圖像進(jìn)行以下處理，得到校正的車牌圖像
d1、建立步驟c得到的圖像的數(shù)據(jù)集矩陣X2×N設(shè)N為二值傾斜車牌圖像中所有“1”值像素的數(shù)量，構(gòu)造出圖像數(shù)據(jù)集{Xi；Yi}(i＝1，2，…，N)，其中Xi為輸入向量，取像素坐標(biāo)值[xi，yi]T；輸出Yi取一常數(shù)，再將所有輸入向量Xi存儲(chǔ)到矩陣X2×N中；
d2、圖像矩陣中心化對(duì)圖像矩陣X2×N中每個(gè)列向量Xi＝[xi，yi]T進(jìn)行變換
其中
為Xi的均值向量，即圖像的中心坐標(biāo)，圖像矩陣X2×N中心化后列為
d3、計(jì)算矩陣ΩΩ為N×N方陣，其第i行第j列元素為則
d4、計(jì)算傾斜向量ω，并對(duì)其標(biāo)準(zhǔn)化
首先利用解式Ωα＝λα求取特征值，求最大特征值|λ|所對(duì)應(yīng)的特征向量a，再用公式求取圖像傾斜向量ω，并對(duì)傾斜向量ω進(jìn)行標(biāo)準(zhǔn)化
d5、進(jìn)行坐標(biāo)變換得到校正后的圖像標(biāo)準(zhǔn)化后的傾斜向量x為2維(x1，x2)，構(gòu)造坐標(biāo)變換
用實(shí)現(xiàn)坐標(biāo)變換，并根據(jù)最臨近插值法進(jìn)行校正，得到校正后的基本圖像，
e、對(duì)步驟d校正后的車牌圖像進(jìn)行圖像的膨脹修正，
f、對(duì)步驟e修正后的車牌圖像進(jìn)行圖像的腐蝕修正，即完成整個(gè)校正過(guò)程。
全文摘要
本發(fā)明公開(kāi)了一種基于支持向量機(jī)的車牌傾斜校正方法，該方法的實(shí)施步驟包括進(jìn)行圖像采集、進(jìn)行灰度處理、進(jìn)行二值化處理、車牌圖像傾斜校正(包括建立圖像數(shù)據(jù)集矩陣、圖像矩陣中心化、計(jì)算矩陣、計(jì)算傾斜向量、通過(guò)坐標(biāo)變換得到傾斜校正后的圖像)、圖像膨脹修正、圖像腐蝕修正。本發(fā)明所述的車牌傾斜校正方法支持向量機(jī)這一新的機(jī)器學(xué)習(xí)工具應(yīng)用其中，將車牌圖像傳統(tǒng)的Hough空間的尋優(yōu)問(wèn)題轉(zhuǎn)換為線性矩陣的求解問(wèn)題，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了傾角等參數(shù)最優(yōu)點(diǎn)搜索過(guò)程中的隨機(jī)性和不穩(wěn)定性，并且對(duì)于邊框不清或含有噪聲干擾的圖像仍能取得較好的效果。
文檔編號(hào)G06T7/00GK101118596SQ20071001857
公開(kāi)日2008年2月6日 申請(qǐng)日期2007年9月4日 優(yōu)先權(quán)日2007年9月4日
發(fā)明者涵 劉 申請(qǐng)人:西安理工大學(xué)