亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

車牌識別方法及系統(tǒng)與流程

文檔序號:12365637閱讀:369來源:國知局
車牌識別方法及系統(tǒng)與流程
本發(fā)明涉及一種計算機視覺識別技術(shù),特別是涉及基于多分類器選擇的車牌識別方法及系統(tǒng)。
背景技術(shù)
:車牌識別是計算機視覺在工程領(lǐng)域應(yīng)用的一個重要方面,在車輛、交通管理等方面具有重要的作用。而車牌識別的本質(zhì)就是車牌字符的分類問題,現(xiàn)在已有多種分類技術(shù),如判決樹方法,模糊分類方法,人工神經(jīng)網(wǎng)絡(luò)方法以及支持向量機分類方法等。然而,單個分類器的識別性能總是有限的,同一個分類器對不同樣本的分類性能也是不同的,充分的利用各個單分類器對不同樣本的分類性能和適用性,采取多分類器融合的技術(shù)來改善單分類器的性能已經(jīng)越來越受到關(guān)注,并成功的運用到計算機視覺領(lǐng)域。由于各個分類器對不同樣本的分類性能和適用性是不一樣的,為充分地利用各分類器的分類性能,提高最終的分類結(jié)果,可以根據(jù)各分類器在融合分類中所起的作用區(qū)別對待,單個分類器的貢獻(xiàn)度越大,則分配的權(quán)重越大,相反則分配的權(quán)重越小。因此,可以通過權(quán)值分配的方式實現(xiàn)更好的融合。當(dāng)前,基于多分類器加權(quán)融合的研究主要有兩種方法:基于均值的加權(quán)和基于識別性能的加權(quán)方法。技術(shù)實現(xiàn)要素:技術(shù)問題基于均值的加權(quán)方法對各單分類器分配相同的權(quán)值,顯然其缺點為:無法體現(xiàn)出各單分類器的分類器性能差異,從而不能充分利用各單分類器的分類優(yōu)勢?;谧R別性能的加權(quán)融合分類方法則彌補了這 個缺陷,其通過各分類器對近鄰訓(xùn)練樣本的分類情況來確定各單分類器的分類性能,以此來確定融合分類決策過程中的權(quán)值,從而在一定程度上利用了各分類器的性能優(yōu)勢。當(dāng)然其缺點是近鄰訓(xùn)練樣本較少時,分類器的權(quán)值分配可能未能真實的體現(xiàn)分類器在融合中的作用,不能充分發(fā)揮出各分類器的分類性能。雖然上述提到的方法對多分類器融合的加權(quán)策略有了一定改善,但是各自都有一定的缺點,針對這些問題,本發(fā)明提出了一種基于多分類器選擇的車牌識別方法及系統(tǒng),通過對待測樣本的近鄰訓(xùn)練樣本的選擇,來實現(xiàn)多分類器的選擇,根據(jù)多個分類器對近鄰訓(xùn)練樣本分類的性能,來動態(tài)調(diào)整各分類器權(quán)重,從而實現(xiàn)多分類器的融合分類。這里針對每個待測樣本的各分類器的權(quán)重是自適應(yīng)變化的,所以通過這種多分類器融合的方式表現(xiàn)出了高度的自適應(yīng)性,最終提高了車牌識別的準(zhǔn)確度。解決問題的方案針對上述問題,本發(fā)明提供了一種車牌識別方法和系統(tǒng),其通過對待測樣本的近鄰選擇來選擇近鄰訓(xùn)練樣本,根據(jù)這些近鄰訓(xùn)練樣本的分類結(jié)果,進行多分類器的權(quán)重調(diào)整,從而確定各分類器的權(quán)重。使得每個待測樣本的各分類器權(quán)值分配的過程是一個動態(tài)自適應(yīng)調(diào)整的過程,進而提高車牌識別分類的準(zhǔn)確度。根據(jù)本發(fā)明的一方面,提供了一種基于多分類器選擇的車牌識別方法,其特征在于,所述方法包括:步驟S1,對車牌的數(shù)據(jù)樣本和待測樣本進行特征提取,通過訓(xùn)練獲得多個單分類器;步驟S2,對所述待測樣本進行近鄰選擇,獲得所述數(shù)據(jù)樣本中距離所述待測樣本最近的多個近鄰訓(xùn)練樣本,并基于所述待測樣本的特征和所述多個近鄰訓(xùn)練樣本的特征,利用所述多個單分類器對所述待測樣本和所述多個近鄰訓(xùn)練樣本進行分類,獲得所述待測樣本的分類 結(jié)果和所述多個近鄰訓(xùn)練樣本的分類結(jié)果;步驟S3,基于所述多個單分類器對所述多個近鄰訓(xùn)練樣本的分類結(jié)果,計算所述多個單分類器的分類的準(zhǔn)確率,并根據(jù)所述準(zhǔn)確率,計算所述多個單分類器的權(quán)值;步驟S4,利用步驟S2中獲得的所述待測樣本的所述分類結(jié)果以及步驟S3中的所述多個單分類器的所述權(quán)值,對所述待測樣本進行多分類器的加權(quán)融合分類。進一步地,步驟S1中,利用支持向量機在不同核函數(shù)及參數(shù)下訓(xùn)練得到所述多個單分類器。進一步地,步驟S3中,所述準(zhǔn)確率的計算采用如下公式:ci=ri/K其中,ci表示準(zhǔn)確率,ri表示第i個分類器對K個近鄰訓(xùn)練樣本分類正確的樣本數(shù),K表示近鄰訓(xùn)練樣本總數(shù)。進一步地,步驟S3中,所述權(quán)值采用如下公式:ωi=ci/Σi=1Lci]]>其中,ωi表示所述權(quán)值。進一步地,所述加權(quán)融合分類采用如下公式:Wj=Σi=1Lωi×aij(X)]]>其中,Wj為加權(quán)融合分類結(jié)果,aij(X)表示第i個分類器對待測樣本X分類為類別j的狀態(tài)值,取值為{0,1}。進一步地,選取加權(quán)結(jié)果最大的類別作為所述待測樣本的最終分類結(jié)果。根據(jù)本發(fā)明的另一方面,提供了一種基于多分類器選擇的車牌識別系統(tǒng),其特征在于,所述系統(tǒng)包括:特征提取模塊,用于對車牌樣本提取特征,所述車牌樣本包括數(shù)據(jù)樣本和待測樣本,其中,所述數(shù)據(jù)樣本包含多個近鄰訓(xùn)練樣本,其通過近鄰選擇而距離所述待測樣本最近,并且該特征提取模塊將所述數(shù)據(jù)樣本的特征送入單分類器訓(xùn)練模塊,將所述待測樣本和所述多個近鄰訓(xùn)練樣本的特征送入到單分類器分類模塊;單分類器訓(xùn)練模塊,用于依據(jù)所述數(shù)據(jù)樣本的特征,訓(xùn)練多個單分類器,將得到的所述多個單分類器送入到單分類器分類模塊;單分類器分類模塊,用于將所述待測樣本的特征和所述多個近鄰訓(xùn)練樣本的特征送入到訓(xùn)練所得的所述多個單分類器,得到所述多個單分類器對所述待測樣本的分類結(jié)果和對所述多個近鄰訓(xùn)練樣本的分類結(jié)果,將所述待測樣本的分類結(jié)果送入多分類器融合分類模塊,將所述多個近鄰訓(xùn)練樣本的分類結(jié)果送入多分類器選擇模塊;多分類器選擇模塊,用于根據(jù)所述多個近鄰訓(xùn)練樣本的分類結(jié)果的準(zhǔn)確率,來計算所述對所述待測樣本的權(quán)值,實現(xiàn)對所述多個單分類器的選擇,并將多分類器的選擇結(jié)果送入多分類器融合分類模塊;多分類器融合分類模塊,用于根據(jù)所述多分類器的選擇結(jié)果以及所述對待測樣本的分類結(jié)果,對所述待測樣本進行多分類器的加權(quán)融合分類,得到每個類別下的融合分類結(jié)果。進一步地,所述單分類器訓(xùn)練模塊,利用支持向量機在不同核函數(shù)及參數(shù)下訓(xùn)練得到所述多個單分類器。進一步地,所述準(zhǔn)確率的計算采用如下公式:ci=ri/K其中,ci表示準(zhǔn)確率,ri表示第i個分類器對K個近鄰訓(xùn)練樣本分類正確的樣本數(shù),K表示近鄰訓(xùn)練樣本總數(shù)。進一步地,所述權(quán)值采用如下公式:ωi=ci/Σi=1Lci]]>其中,ωi表示所述權(quán)值。進一步地,所述加權(quán)融合分類采用如下公式:Wj=Σi=1Lωi×aij(X)]]>其中,Wj為加權(quán)融合分類結(jié)果,aij(X)表示第i個分類器對待測樣本X分類為類別j的狀態(tài)值,取值為{0,1}。進一步地,選擇加權(quán)結(jié)果最大的類別作為所述待測樣本的最終類別結(jié)果。發(fā)明的有益效果由于不同參數(shù)類型的svm分類器的分類性能是不同的,單分類器對某些待測樣本的分類效果也是不同的,為了避免人工的選取參數(shù)造成訓(xùn)練得到的分類器性能的差異,通過選擇近鄰訓(xùn)練樣本,然后用之前訓(xùn)練的單分類器分類近鄰訓(xùn)練樣本,依據(jù)分類結(jié)果,確定各單分類器的權(quán)重,從而避免了人工調(diào)整參數(shù)的分類性能差異,實現(xiàn)多分類器的選擇,通過這種多分類器選擇的融合分類方式,具有高度的自適應(yīng)性并且提高了分類精度和分類效果。本發(fā)明提到的多分類器選擇,是通過權(quán)值分配的方式體現(xiàn)的,而這種權(quán)值分配的方式是針對每個待測樣本來自適應(yīng)調(diào)整的,而不是以一個固定的權(quán)值方式來進行融合分類的。這種自適應(yīng)權(quán)值的分配是通過每個待測樣本的K個近鄰訓(xùn)練樣本的分類準(zhǔn)確度來確定,用單分類器對K個近鄰訓(xùn)練樣本的分類性能來確定權(quán)值,這種自適應(yīng)的權(quán)值分配方式可以充分發(fā)揮各單分類器的分類性能,結(jié)合權(quán)值分配的多個單分類器融合之后分類較單個分類器的分類效果進一步提高。以下結(jié)合本發(fā)明的附圖及優(yōu)選實施方式對本發(fā)明的技術(shù)方案做進 一步詳細(xì)地描述,本發(fā)明的有益效果將進一步明確。附圖說明此處所說明的附圖用來提供對本發(fā)明的進一步理解,構(gòu)成本發(fā)明的一部分,但其說明僅用于解釋本發(fā)明,并不構(gòu)成對本發(fā)明的不當(dāng)限定。圖1是根據(jù)本發(fā)明一優(yōu)選實施例的車牌識別方法的流程圖。圖2是根據(jù)本發(fā)明一優(yōu)選實施例的車牌識別系統(tǒng)的框圖。具體實施方式下面將結(jié)合本發(fā)明的具體實施例及相應(yīng)的附圖對本發(fā)明技術(shù)方案進行清楚、完整地描述。顯然,所描述的實施例僅是本發(fā)明一部分優(yōu)選實施例,而不是全部的實施例。基于本發(fā)明中的實施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。下面結(jié)合本發(fā)明的一個具體的實施例來詳細(xì)說明本發(fā)明的技術(shù)方案。圖1是根據(jù)本發(fā)明一優(yōu)選實施例的基于多分類器選擇的車牌識別方法的流程圖,下面結(jié)合圖1說明本發(fā)明的實施例的具體步驟:步驟S1:特征提取,并通過訓(xùn)練獲得L個單分類器。對已有的車牌樣本進行特征提取,該車牌樣本包括數(shù)據(jù)樣本TD和待測樣本X。TD為已有的數(shù)據(jù)樣本,其中,di是n維實向量空間Rn上的樣本對象,Li是樣本對象di的類別標(biāo)簽。TD中共有N=2100個樣本對象di,這些樣本對象di分屬于2個類別。在數(shù)據(jù)樣本TD中,正樣本n=1050,負(fù)樣本m=500,測試樣本t=550,則TD的樣本數(shù)量N=n+m+t。本發(fā)明不限于上述數(shù)據(jù)樣本,上述數(shù)據(jù)樣本僅由于解釋本發(fā)明的實施例以及作為下文表格中的實驗數(shù)據(jù)??梢愿鶕?jù)需要,選擇和建立數(shù)據(jù)樣本。利用上述數(shù)據(jù)樣本TD的特征,通過訓(xùn)練得到L個單分類器。具體方法為:利用支持向量機(svm)在不同核函數(shù)t及懲罰系數(shù)c和核函數(shù)半徑g下訓(xùn)練得到L個單分類器,本實施例中,核函數(shù)t類型包括四種,分別用參數(shù)表示為0,1,2,3表示四個不同的核函數(shù)。其中,參數(shù)c,g取值為(0.5±0.2,0.313±0.1),(1.2±0.2,2.8±0.1),(0.354±0.2,0.0221±0.1)。然后,利用已有的數(shù)據(jù)樣本TD,結(jié)合上述核函數(shù)t以及參數(shù)c,g,通過訓(xùn)練獲得L個單分類器,在本實施例中為L=12。本發(fā)明不限于上述核函數(shù)t及參數(shù)c,g,可以根據(jù)需要適當(dāng)?shù)剡x擇核函數(shù)t的類型以及參數(shù)c,g的組數(shù)和數(shù)值。步驟S2:對待測樣本X進行近鄰選擇,并利用L個單分類器,對近鄰選擇的K個近鄰訓(xùn)練樣本和待測樣本X進行分類。步驟S201:近鄰選擇在通過訓(xùn)練獲得L個單分類器之后,對待測樣本X進行近鄰選擇,即,在已有的數(shù)據(jù)樣本TD中,選擇K個離待測樣本X距離最近的近鄰訓(xùn)練樣本,其中K的取值在5到13之間,經(jīng)實驗取值9效果最好,故在本實施例中,優(yōu)選地選取K=9,但本發(fā)明中K可以是上述范圍內(nèi)的任意整數(shù)值。步驟S202:對K個近鄰訓(xùn)練樣本進行分類利用步驟S1中訓(xùn)練得到的L個分類器,對步驟S201中選擇的K個近鄰訓(xùn)練樣本進行分類,對于K=9個近鄰訓(xùn)練樣本中的每個近鄰訓(xùn)練樣本x,都可以得到一個分類結(jié)果矩陣Rsvm(x),如下:RSVM(x)=a1,1(x)...a1,j(x)...a1,n(x).........ai,1(x)...ai,j(x)...ai,n(x).........aL,1(x)...aL,j(x)...aL,n(x)]]>其中,ai,j(x)表示第i(i=1,…,L)個分類器對近鄰訓(xùn)練樣本x分類為類別j(1≤j≤n,j為自然數(shù))的分類結(jié)果,取值為{0,1}。步驟S203:利用L個單分類器對待測樣本X進行分類利用待測樣本X的特征和通過訓(xùn)練獲得L個單分類器,對待測樣本X進行分類,獲得各單分類器對待測樣本X的分類結(jié)果ai,j(X),其中,aij(X)表示第i個分類器對待測樣本X分類為類別j的狀態(tài)值,取值為{0,1}。步驟S3:多分類器選擇。由于上述選擇的K個近鄰訓(xùn)練樣本的類別已知,因此可以根據(jù)L個分類器中第i個分類器對這K個近鄰訓(xùn)練樣本分類的結(jié)果,確定分類結(jié)果的準(zhǔn)確率ci,1≤i≤L,i為自然數(shù),準(zhǔn)確率ci的計算公式如下:ci=ri/K其中,ri表示第i個分類器對K個近鄰訓(xùn)練樣本分類正確的樣本數(shù),K表示近鄰訓(xùn)練樣本總數(shù)。根據(jù)L個分類器對這K個近鄰訓(xùn)練樣本分類的準(zhǔn)確率ci,來選擇多分類器,并確定第i個分類器對待測樣本X分類的權(quán)值ωi,獲得多分類器的選擇結(jié)果,權(quán)值ωi的計算公式如下:ωi=ci/Σi=1Lci]]>步驟S4:對待測樣本進行多分類器的加權(quán)融合分類。利用步驟S203中獲得的待測樣本的分類結(jié)果aij(X)以及步驟S3中的多分類器的選擇結(jié)果,即,權(quán)值ωi,對待測樣本X進行多分類器的加權(quán)融合分類,得到L個分類器在第j個類別下的加權(quán)融合分類結(jié)果Wj,加權(quán)融合分類的計算公式為:Wj=Σi=1Lωi×aij(X)]]>其中,ai,j(X)表示第i個分類器對待測樣本X分類為類別j的狀態(tài)值,取值為{0,1}.最后選擇加權(quán)結(jié)果最大的類別作為最終的分類結(jié)果p(x),計算公式如下:p(x)=max{Wj}其中,p(x)表示某個類別下加權(quán)分類結(jié)果最大的作為待測樣本的最終分類,最大Wj對應(yīng)的類別j即為待測樣本的類別,完成車牌識別的最終目標(biāo)。下面,結(jié)合圖2說明根據(jù)本發(fā)明的一優(yōu)選實施例的車牌識別系統(tǒng)的構(gòu)造。圖2示出了本發(fā)明的車牌識別系統(tǒng)的結(jié)構(gòu)圖,該系統(tǒng)包括:特征提取模塊、單分類器訓(xùn)練模塊、單分類器分類模塊、多分類器選擇模塊及多分類器融合分類模塊。特征提取模塊,用于對車牌樣本進行提取特征,所述車牌樣本包括所有的數(shù)據(jù)樣本TD和待測樣本X,其中,所有的數(shù)據(jù)樣本TD中包含作為待測樣本X的近鄰選擇的樣本的K個近鄰訓(xùn)練樣本。然后,將所有的數(shù)據(jù)樣本的特征送入單分類器訓(xùn)練模塊,將待測樣本X和K個近鄰訓(xùn)練樣本的特征送入到單分類器分類模塊。單分類器訓(xùn)練模塊,用于依據(jù)數(shù)據(jù)樣本TD的特征,利用核函數(shù)t和參數(shù)c,g,訓(xùn)練多個單分類器,將得到的各單分類器送入到單分類器分類模塊。單分類器分類模塊,用于將待測樣本X的特征和K個近鄰訓(xùn)練樣本的特征送入到訓(xùn)練所得的各單分類器,得到各單分類器的分類結(jié)果,將待測樣本X的分類結(jié)果送入多分類器融合分類模塊,將K個近鄰訓(xùn)練樣本的分類結(jié)果送入多分類器選擇模塊。多分類器選擇模塊,用于根據(jù)K個近鄰訓(xùn)練樣本的分類結(jié)果的準(zhǔn)確率來度量其分類器性能,然后計算其對待測樣本X的權(quán)值ωi,實現(xiàn)對多個單分類器的選擇,并將多分類器的選擇結(jié)果送入多分類器融合分類模塊。多分類器融合分類模塊,用于根據(jù)多分類器的選擇結(jié)果以及單分類器分類模塊對待測樣本X的分類結(jié)果,對待測樣本X進行多分類器的加權(quán)融合分類,得到每個類別下的融合分類結(jié)果,選擇加權(quán)結(jié)果最大的類別作為待測樣本X的最終類別結(jié)果,繼而實現(xiàn)待測車牌樣本的分類識別。為了更加直觀的顯示本發(fā)明提出的多分類器選擇的車牌識別方法和系統(tǒng)的效果,提供以下實驗作為說明:表1中所采用的實驗數(shù)據(jù)集為真實場景收集的各種車輛數(shù)據(jù),同時為了對比提出方法的有效性,本發(fā)明另外還測試了兩個開源數(shù)據(jù)集,分別是表2所示的madelon數(shù)據(jù)集,其從NIPS2003FeatureSelectionChallenge收集;以及表3所示的w6a數(shù)據(jù)集,其從JP98a獲取。針對每一種數(shù)據(jù)集,使用上述多分類器選擇的分類方法進行對比實驗。具體結(jié)果參見下表:表1真實場景數(shù)據(jù)集的分類結(jié)果從表1中可看出,通過采用不同的參數(shù)c,g以及不同的核函數(shù)得到12個單分類器,對比發(fā)現(xiàn)最終得到的分類結(jié)果差別明顯,可見基于單分類器的分類結(jié)果穩(wěn)定性差,不同的參數(shù)值分類結(jié)果參差不齊,即,不同的參數(shù)c,g以及核函數(shù)的選擇對于分類結(jié)果的準(zhǔn)確度影響較大。而作為對比發(fā)現(xiàn):基于多分類器選擇的分類方法的分類結(jié)果,效果則比任意一個單分類器分類準(zhǔn)確度高、效果更好,而且不需要人工調(diào)整參數(shù),僅需要通過動態(tài)的分配單個分類器的貢獻(xiàn)度,即對某個樣本分類的采用不同的權(quán)值。最終得到的融合的分類結(jié)果的分類精度高于任意一種單分類器的分類精度,有效提高了分類結(jié)果的準(zhǔn)確性。表2madelon數(shù)據(jù)集的分類結(jié)果在表2中,采用了與表1相同的核函數(shù)t和參數(shù)c,g,可以看到:基于單分類器的分類精度較低,結(jié)果不理想,最高的分類準(zhǔn)確率也只有64.5%。然而,通過基于多分類器選擇的分類方法的分類精度為76%,準(zhǔn)確率提升了約12%,可見,基于多分類器選擇的分類方法在提高分類準(zhǔn)確度方面具有優(yōu)勢效果。表3w6a數(shù)據(jù)集的分類結(jié)果表3采用與表1和表2相同的核函數(shù)t和參數(shù)c,g,基于上表中的w6a數(shù)據(jù)集,通過本發(fā)明的多分類器選擇的方法分類精度達(dá)到98.9%,分類精度達(dá)到較高水準(zhǔn)??梢婋m然單分類器分類精度已經(jīng)較高,其中,單分類器識別的最高分類精度98.6%,本發(fā)明的方法仍對于已經(jīng)很高的分類精度進一步提高了0.3%。由此可知,根據(jù)本發(fā)明的多分類器選擇的方法對于提高分類精度的有效性。通過以上三個表格中的實驗結(jié)果及其分析,可以看出,本發(fā)明提出的基于多分類器選擇的車牌識別方法在考慮單分類器分類性能的差異的情況下,通過對待測樣本的近鄰訓(xùn)練樣本的選擇,實現(xiàn)多分類器的權(quán)值的自適應(yīng)分配,對于每個待測樣本的分類,動態(tài)地調(diào)整了多分類器的貢獻(xiàn)程度,即,采用了多分類器的權(quán)值計算,從而使得融合分類的結(jié)果優(yōu)于單分類器的分類結(jié)果,進而提高了車牌識別的精度和準(zhǔn)確度。以上所述僅為本申請的實施例而已,并不用于限制本發(fā)明,對于本領(lǐng)域的技術(shù)人員來說,本發(fā)明可以有各種更改和變化。凡在本發(fā)明 的精神和原則之內(nèi),所作的任何修改、等同替換、改進等,均應(yīng)包含在本發(fā)明的權(quán)利要求范圍之內(nèi)。當(dāng)前第1頁1 2 3 
當(dāng)前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1