專利名稱：一種支持向量機的車牌字符識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種車牌字符識別方法，具體地說，是涉及一種支持向量機的車牌字符識別方法，屬于智能交通技術(shù)領(lǐng)域。
背景技術(shù)：
車牌字符識別是在智能交通中對所抓拍的車牌視頻或者圖像中識別提取出車牌號碼，我國的車牌號碼由有限的漢字、英文字母和數(shù)字組成。車牌識別通常包括車牌預(yù)處理完成對車牌字符的分割、字符樣本的提??；然后對車牌字符進行特征提?。蛔詈髮μ崛〉奶卣骼梅诸惼鬟M行分類識別得到車牌字符的識別結(jié)果。對于車牌字符識別，目前最常用的方法是基于模板匹配的方法和基于神經(jīng)網(wǎng)絡(luò)的方法。模板匹配法多利用了字符的輪廓、網(wǎng)格、投影等統(tǒng)計特征進行字符的識別，而導(dǎo)致相似字符區(qū)分能力差以及因特征數(shù)據(jù)維數(shù)過大而導(dǎo)致識別速度慢等問題，還有模板的選擇問題。神經(jīng)網(wǎng)絡(luò)方法通過多層神經(jīng)網(wǎng)絡(luò)對輸入字符圖像樣本進行訓(xùn)練，產(chǎn)生分類器模型用于字符識別。但神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練樣本，存在網(wǎng)絡(luò)輸入數(shù)據(jù)的選擇、網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計和不易區(qū)分特征值相近的字符(如0，D, Q ；8, B)等問題。目前也有使用支持向量機法進行車牌字符識別，而目前使用該方法的字符識別過程，在車牌字符特征提取部分，一般是基于輪廓、網(wǎng)格、投影等統(tǒng)計特征，只能提取到字符的部分特征不利用分類識別(例如專利200910059360. 8)；利用字符特征降維的方法現(xiàn)在逐漸利用到車牌字符特征提取上，能夠全面提取字符特征，字符識別效果好，另外一種較多使用的降維方法是主成分分析(Principal Component Analysis,PCA)法，但這種方法是從全局的角度對數(shù)據(jù)進行降維，并未考慮數(shù)據(jù)的局部特征，在降維的過程中，不可避免地損失了一些重要信息，譬如數(shù)據(jù)的局部聚類情況?；诖?，如何發(fā)明一種車牌字符識別方法，基于支持向量機，既能保持了支持向量機的優(yōu)點，同時在字符特征提取方面可以在對高維數(shù)據(jù)進行降維映射后有效地保留數(shù)據(jù)內(nèi)部的非線性結(jié)構(gòu)，并利用多幀識別結(jié)果綜合判斷得到最優(yōu)識別結(jié)果提高識別率，對字母數(shù)字分類器采用分層組建，提高識別分別率，降低了訓(xùn)練參數(shù)存儲資源，提高識別率減少資源耗費是本發(fā)明主要解決的問題。

發(fā)明內(nèi)容
本發(fā)明為了解決現(xiàn)有車牌字符識別效果差的問題，提出了一種車牌字符識別方法，識別率高，而且誤判率低，提高了字符識別的正確率。為了解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案予以實現(xiàn)
一種支持向量機的車牌字符識別方法，包括支持向量機的訓(xùn)練過程和使用支持向量機進行車牌識別過程，其中，支持向量機的訓(xùn)練過程包括以下步驟(1)、對訓(xùn)練車牌字符樣本進行車牌預(yù)處理得到字符樣本集Xtrain;
(2)、對字符樣本集Xtrain利用LPP算法計算得到變換矩陣A，可以使高維數(shù)據(jù)集 Xtrain映射到低維映射空間；
(3)、對Xtrain利用變換矩陣A進行特征提取，得到訓(xùn)練車牌樣本的特征數(shù)據(jù)集 Ytrain ；
(4)、利用特征數(shù)據(jù)集Ytrain訓(xùn)練支持向量機，得到車牌字符識別的分類器； 使用支持向量機分類器進行車牌識別過程包括以下步驟
(5)、對抓拍視頻流中的每幀圖片進行車牌定位，將定位得到的車牌預(yù)處理以及字符分割，得到測試字符樣本集Xtest ；
(6)、對Xtest利用變換矩陣A進行特征提取，得到訓(xùn)練車牌樣本的特征數(shù)據(jù)集Ytest；
(7)、將Ytest輸入到支持向量機分類器，得到字符識別結(jié)果，并計算該識別結(jié)果的置信度；
(8)、對多幀圖片中該車牌的字符識別結(jié)果進行統(tǒng)計投票，確定最終識別結(jié)果。進一步的，根據(jù)經(jīng)驗值確定拒識閾值，字符識別結(jié)果的置信度高于此閾值才采信， 否則拒識，拒識的字符識別結(jié)果不參與投票。所述的支持向量機分類器采用一對一算法組建，包括字母-數(shù)字分類器和漢字分類器兩大類分類器，具體的，所述字母-數(shù)字分類器采用三層的方式構(gòu)建，這種構(gòu)造方式相當于一個字母數(shù)字分類器規(guī)模，但可以根據(jù)需要分別對字母類、數(shù)字類、字母和數(shù)字類進行分類識別，在小范圍內(nèi)進行分類識別，提高了分類準確度以及計算速度，方法如下
設(shè)nL個字母，nD個數(shù)字，第一層為nL個字母分別兩兩組成一個字母子分類器，共 nLX(nL-l)/2個字母子分類器；
第二層為nD個數(shù)字分別兩兩組成一個數(shù)字子分類器，共nD X (nD_l)/2個數(shù)字子分類
器；
第三層為nL個字母與nD個數(shù)字分別兩兩組成一個字母_數(shù)字子分類器，共nLX nD個字母_數(shù)字子分類器；所述的漢字分類器采用一層的方式構(gòu)建，設(shè)共nC個漢字，該nC個漢字分別兩兩組成一個漢字子分類器，共nCX (nC-l)/2個漢字子分類器，其中，nL、nD、nC均為正整數(shù)。具體的，步驟(8)中的分類識別過程為根據(jù)所組建的分層字母-數(shù)字分類器和漢字分類器兩大類分類器，分別對車牌中字母、數(shù)字、字母和數(shù)字、漢字進行識別。又進一步的，步驟(9)中所述統(tǒng)計投票過程為根據(jù)匹配計算得出待測數(shù)據(jù)χ對每一個分類器所分類別的歸屬概率，遍歷所有的分類器，進行投票，待測數(shù)據(jù)X屬于得到的票數(shù)最多的類別，其中，X e xtest。在步驟(1)中，采集足夠的車牌樣本圖片，含有的字符種類至少包括《中華人民共和國機動車號牌》(GA36-2007)附錄B中定義的所有字符，每個字符的個數(shù)至少為30個。根據(jù)我國車牌特征，包括漢字、字母以及數(shù)字共7個字符，因此，在步驟(6)中，每一幀的車牌圖片的測試樣本集Xtest包括7個字符。在所述步驟(3)與步驟(4)之間，還包括將特征參數(shù)集Ytrain中的字符以同一字符為準，分成若干個特征參數(shù)子集，即包括nL個字母特征參數(shù)子集，nD個數(shù)字特征參數(shù)子集，nC個漢字特征參數(shù)子集。這樣進行劃分可以非常短時、有效的對支持向量機的各子分類器進行訓(xùn)練。步驟(1)和步驟(5)中所述的車牌預(yù)處理包括車牌二值化處理、車牌傾斜校正、車牌水平分割、車牌豎直分割處理。與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點和積極效果是本發(fā)明的車牌字符識別方法，采用 LPP算法提取字符特征，得到的字符特征更具有分類判別性，提高判別效果；對字母數(shù)字分類器采用分層組建，可針對車牌的特點實現(xiàn)小類別范圍內(nèi)的識別，提高識別分別率，降低了識別算法的復(fù)雜度和訓(xùn)練參數(shù)存儲資源，適用于嵌入式系統(tǒng)應(yīng)用；采用基于置信度的視頻流統(tǒng)計識別，避免了因單幀拍攝效果不好或車牌預(yù)處理效果不好而導(dǎo)致的識別效果不好的弊端，可進一步提高識別率。結(jié)合附圖閱讀本發(fā)明實施方式的詳細描述后，本發(fā)明的其他特點和優(yōu)點將變得更加清楚。


圖1是本發(fā)明所提出的車牌字符識別方法實施例一中的部分流程圖； 圖2是本發(fā)明所提出的車牌字符識別方法實施例一中的另外一部分流程圖3是本發(fā)明所提出的車牌字符識別方法實施例一中支持向量機分類線示意圖。
具體實施例方式本發(fā)明的車牌字符識別方法為了提高車牌字符的識別率，以及同時降低了算法的復(fù)雜度，減小了計算量。下面結(jié)合附圖對本發(fā)明的具體實施方式
作進一步詳細地說明。實施例一，本實施例的支持向量機的車牌字符識別方法，包括支持向量機的訓(xùn)練過程和使用支持向量機進行車牌識別過程，其中，參見圖1所示，支持向量機的訓(xùn)練過程包括以下步驟
S01、對訓(xùn)練樣本車牌進行車牌預(yù)處理得到字符樣本集Xtrain ； 作為一個具體的實施例，訓(xùn)練樣本車牌是通過采集足夠的車牌樣本圖片，使得車牌樣本圖片中所包含的字符種類至少包括《中華人民共和國機動車號牌》(GA36-2007)附錄B中定義的所有字符，而且，由于在車牌抓拍過程中拍攝角度、光線的不同，即便是同一字符所拍出的樣式也差別非常大，為了提高字符識別正確率，保證每個字符的個數(shù)至少為30個， 所述的車牌預(yù)處理包括車牌的二值化處理、傾斜校正、車牌水平、豎直分割處理，車牌預(yù)處理為智能交通中常用的一些基本的處理，比如二值化處理可以通過設(shè)置合適的閾值，將字符和背景二值化，進而將字符和背景區(qū)分開，傾斜校正則是為了校正由于拍攝角度造成的車牌圖像傾斜，防止水平分割時誤去除掉有效的字符，車牌的豎直分割是為了將車牌中所包含的7個字符分割開，使其成為一個個獨立的字符樣本，便于后續(xù)的處理。具體的實施方法為本領(lǐng)域技術(shù)人員所公知技術(shù)，在此不做贅述。S02、對字符樣本集Xtrain利用LPP算法計算得到變換矩陣A，可以使高維數(shù)據(jù)集 Xtrain映射到低維映射空間；
在特征提取中，由于基于現(xiàn)在常用的輪廓、網(wǎng)絡(luò)、投影等統(tǒng)計特征方法只能提取到字符的部分特征；或采用PCA算法進行降維提取特征，PCA能得到字符的全局特征，但判別性能不高，識別率低，因此，在本實施例中采用判別性高的LPP (Locality preservingprojections, LPP)算法進行特征提取，LPP是一種基于光譜理論的方法，這種方法本質(zhì)上是一種線性降維方法，克服了非線性降維算法計算復(fù)雜等缺點，以及同時結(jié)合了拉普拉斯特征映射的算法思想，從而可以在對高維數(shù)據(jù)進行降維映射后有效保留數(shù)據(jù)內(nèi)部的非線性結(jié)構(gòu)。特征提取過程為利用LPP算法進行數(shù)據(jù)降維過程，即將對車牌預(yù)處理后字符高維數(shù)據(jù)集X1, X2，…I，Xe Rn，尋找變換矩陣A，使得數(shù)據(jù)集映射到低維數(shù)據(jù)集yi，y2，…ym， Y e Rd中，將yi定義為Xi的低維映射，即yi=ATXi，其中m是數(shù)據(jù)集中樣本個數(shù)，η為高維特征維數(shù)，d為降維后特征維數(shù)。LPP算法具體步驟
第一步創(chuàng)建鄰接圖，建立一個具有m個頂點的權(quán)圖G，如果節(jié)點Xi是\的K近鄰或者節(jié)點\是Xi的K近鄰，則在節(jié)點Xi和\之間用一條邊連接。第二步確定權(quán)重，令W代表權(quán)值矩陣，則Wu為第i個樣本到第j個樣本的權(quán)值， 當Xi和\有邊相連時，Wij=I否則Wij=On第三步完成映射，按如下方程計算特征值和特征向量 XLXt α = λ XDXt α(1)
上式的X=(Xl，x2, - ^i1 )，D是對角權(quán)矩陣，它的元素就是W的行(或列，因為W是對稱矩陣)元素的數(shù)值之和，Dii=XjWijo拉普拉斯矩陣L=D-W是對稱矩陣且具有半正定的性質(zhì)。假定％，Ci1，…是方程1的解，對應(yīng)的特征值為、彡X1彡…λ η，則我們要求的線性降維映射可以表示如下
Xi^yi=A1 Xi(2)
其中，Α=(α。，Q1,... α(Μ)為η χ d維的轉(zhuǎn)換矩陣。S03、對Xtrain利用變換矩陣A進行特征提取，
將Xtrain輸入yi=AT Xi公式得到訓(xùn)練樣本車牌的特征數(shù)據(jù)集^rain ； S04、利用特征數(shù)據(jù)集^rain訓(xùn)練支持向量機，得到車牌字符識別分類器； 在支持向量機理論中，其本質(zhì)上是2類分類器，因此，如何設(shè)計一個好的分類器是解決問題的關(guān)鍵，在本實施例中，所述的支持向量機分類器采用一對一算法組建，由于漢字一般固定位于車牌的第一個字符，因此，本實施例將漢字單獨作為一類，包括字母-數(shù)字分類器和漢字分類器兩大類分類器，
由于字母-數(shù)字分類器包括字母和數(shù)字兩小類，而分別包括26個字母和10個數(shù)字， 一對一支持向量機的算法就是在每兩個元素間訓(xùn)練一個支持向量機子分類器，用于將該兩元素識別分開，因此，為了構(gòu)建方便，本實施例中所述字母-數(shù)字分類器采用三層的方式構(gòu)建，方法如下
設(shè)nL個字母，nD個數(shù)字，第一層為nL個字母分別兩兩組成一個字母子分類器，在實際應(yīng)用過程中，比如AB與BA只需訓(xùn)練一個子分類器即可，因此，共nLX (nL-1) /2個字母子分類器；
第二層為nD個數(shù)字分別兩兩組成一個數(shù)字子分類器，共nD X (nD_l)/2個數(shù)字子分類
器；
第三層為nL個字母與nD個數(shù)字分別兩兩組成一個字母_數(shù)字子分類器，共nLX nD個字母-數(shù)字子分類器；所述的漢字分類器采用一層的方式構(gòu)建，設(shè)共nC個漢字，該nC個漢字分別兩兩組成一個漢字子分類器，共nCX (nC-1) /2個漢字子分類器，其中，nL、nD、nC均為正整數(shù)?；谏鲜龇绞綐?gòu)建的分類器，還可以根據(jù)我國車牌字符的排列特性，比如，第二個字符肯定是字母，只需要將該字符遍歷所有的nLX(nL-l)/2個字母子分類器，便能得出可靠的結(jié)論，該方式同樣適用于所處的位置肯定是數(shù)字的字符，只需要將其遍歷所有的數(shù)字子分類器即可，保證識別可靠性的同時減小了計算量。對于可能是字母，也可能是數(shù)字的字符，需要遍歷所有的3層分類器進行識別。傳統(tǒng)方案要組建字母、字母-數(shù)字、數(shù)字三類分類器才能實現(xiàn)此功能，存儲空間占用很大，不適合嵌入式系統(tǒng)應(yīng)用。本方案利用分層實現(xiàn)三類分類器功能，其存儲空間要求只相當于字母-數(shù)字分類器大小，減少了嵌入式系統(tǒng)存儲壓力。本支持向量機分類器的方法另外一個重要的功能在于子訓(xùn)練器可以隨便增加，比如，在某些特殊情況下，一旦出現(xiàn)了《中華人民共和國機動車號牌》(GA36-2007)附錄B中沒有定義的字符，使用本方法可以方便的將該字符加入進去，訓(xùn)練出其特征，準確的將其識別。參見圖2所示，使用支持向量機進行車牌識別過程包括以下步驟 S05、對抓拍視頻流中的每幀圖片進行車牌定位；
本步驟是針對從電子警察所抓拍的視頻流中識別字符，可以提高識別精確度，比如只是處理拍照的話，可能只能提取到2、3張有效圖像，而視頻流可以從中獲取到很多幀圖像， 提取并識別每一幀的圖像字符，有利于后期判斷。當然，本方法同樣適用于電子警察抓拍的圖像。S06、將定位得到的車牌預(yù)處理，得到測試樣本集Xtest ； 其中，車牌預(yù)處理與前述的預(yù)處理方法及項目一致，在此不做贅述。S07、將Xtest輸入yi=AT Xi公式得到測試樣本的特征參數(shù)集^est ；
利用步驟S02中訓(xùn)練樣本車牌所得到的變換矩陣A，計算測試樣本的特征參數(shù)。S08、將Ytest輸入到支持向量機分類器，利用得到的分類線進行分類識別，得到識別結(jié)果和識別置信度；
步驟S08中的分類識別過程為根據(jù)所組建的字母-數(shù)字分類器和漢字分類器兩大類分類器，分別對字母、數(shù)字、字母和數(shù)字進行識別。作為一個具體的實施例，參見圖3所示， H是支持向量機所求的最優(yōu)分類線，HI, H2分別為過各類樣本中最優(yōu)分類線最近的點，即支持向量(SV)，dsv代表其SV到H的距離
dsv = 1/ Il W Il(3)
支持向量SV基本上己被看作是離分類面最近的樣本，如果測試樣本離分類面的距離越大于支持向量SV，那么它能被正確識別的概率就越高，所以可以利用測試樣本和支持向量SV的這種廣義的距離關(guān)系來確定樣本能被正確分類的置信度，ds代表了測試樣本到H 的距離
ds= f(x) / Ilff Il ,(4)
其中f(x)為測試樣本分類判別函數(shù)值。則置信度為
Confidence = ds/dv = f (χ),(5)
Confidence越大代表準確率越高。所以可以用Confidence代表SVM分類的置信度。通過實驗得到最小置信度的判斷閾值ConMin，如果測試樣本ConfidencKConMin則不采信。S09、對多幀圖片中該車牌的字符識別結(jié)果進行統(tǒng)計投票，確定最終識別結(jié)果。所述統(tǒng)計投票過程為根據(jù)匹配計算得出待測數(shù)據(jù)χ對每一個分類器所分類別的歸屬，遍歷所有的分類器，進行投票，待測數(shù)據(jù)X屬于得到的票數(shù)最多的類別，其中， χ ^ Xtest。也就是，根據(jù)字符識別結(jié)果置信度與置信度判斷閾值的比較，確定當前識別結(jié)果是否采信，小于閾值的則拒識，其字符識別結(jié)果不參與投票。對視頻流的每幀進行車牌定位識別，車牌的每個字符通過以上原則進行投票，得到票數(shù)最高的識別結(jié)果作為最終該字符的識別結(jié)果。在所述步驟S03與步驟S04之間，還包括將特征參數(shù)集^rain中的字符以同一字符為準，分成若干個特征參數(shù)子集的步驟，即包括nL個字母特征參數(shù)子集，nD個數(shù)字特征參數(shù)子集，nC個漢字特征參數(shù)子集。這樣進行劃分可以非常短時、有效的對支持向量機的各子分類器進行訓(xùn)練。本發(fā)明的車牌字符識別方法，基于支持向量機，既能保持了支持向量機的優(yōu)點，同時在字符特征提取方面可以在對高維數(shù)據(jù)進行降維映射后有效地保留數(shù)據(jù)內(nèi)部的非線性結(jié)構(gòu)，得到的字符特征更具有分類判別特性，提高判別效果；對字母數(shù)字分類器采用分層組建，可針對車牌的特點實現(xiàn)小類別范圍內(nèi)的識別，提高識別分別率，降低了識別算法的復(fù)雜度和訓(xùn)練參數(shù)存儲資源，適用于嵌入式系統(tǒng)應(yīng)用；并利用多幀識別結(jié)果利用置信度綜合判斷得到最優(yōu)識別結(jié)果提高識別率，提高識別率減少資源耗費是本發(fā)明主要解決的問題。當然，上述說明并非是對本發(fā)明的限制，本發(fā)明也并不僅限于上述舉例，本技術(shù)領(lǐng)域的普通技術(shù)人員在本發(fā)明的實質(zhì)范圍內(nèi)所做出的變化、改型、添加或替換，也應(yīng)屬于本發(fā)明的保護范圍。
權(quán)利要求
1.一種支持向量機的車牌字符識別方法，包括支持向量機的訓(xùn)練過程和使用支持向量機進行車牌識別過程，其特征在于，支持向量機的訓(xùn)練過程包括以下步驟(1)、對訓(xùn)練車牌字符樣本進行車牌預(yù)處理得到字符樣本集Xtrain; (2 )、對字符樣本集Xtrain利用LPP算法計算得到變換矩陣A，使高維數(shù)據(jù)集Xtrain映射到低維映射空間；(3)、對Xtrain利用變換矩陣A進行特征提取，得到訓(xùn)練車牌樣本的特征數(shù)據(jù)集 Ytrain ；(4)、利用特征數(shù)據(jù)集Ytrain訓(xùn)練支持向量機，得到車牌字符識別的分類器； 使用支持向量機分類器進行車牌識別過程包括以下步驟(5)、對抓拍視頻流中的每幀圖片進行車牌定位，將定位得到的車牌預(yù)處理以及字符分割，得到測試字符樣本集Xtest ；(6)、對Xtest利用變換矩陣A進行特征提取，得到訓(xùn)練車牌樣本的特征數(shù)據(jù)集Ytest；(7)JfYtest輸入到支持向量機分類器，得到字符識別結(jié)果，并計算該識別結(jié)果的置信度；(8)、對多幀圖片中該車牌的字符識別結(jié)果進行統(tǒng)計投票，確定最終識別結(jié)果。
2.根據(jù)權(quán)利要求1所述的支持向量機的車牌字符識別方法，其特征在于，步驟(9)中還包括根據(jù)經(jīng)驗值確定拒識閾值，字符識別結(jié)果的置信度高于此閾值才采信，否則拒識，拒識的字符識別結(jié)果不參與投票。
3.根據(jù)權(quán)利要求1所述的支持向量機的車牌字符識別方法，其特征在于，步驟(4)中所述的支持向量機分類器采用一對一算法組建，包括字母_數(shù)字分類器和漢字分類器兩大類分類器，所述字母-數(shù)字分類器采用三層的方式構(gòu)建，方法如下設(shè)nL個字母，nD個數(shù)字，第一層為nL個字母分別兩兩組成一個字母子分類器，共 nLX(nL-l)/2個字母子分類器；第二層為mD個數(shù)字分別兩兩組成一個數(shù)字子分類器，共nD X (nD-1)/2個數(shù)字子分類器；第三層為nL個字母與nD個數(shù)字分別兩兩組成一個字母_數(shù)字子分類器，共nLX nD個字母-數(shù)字子分類器；所述的漢字分類器采用一層的方式構(gòu)建，設(shè)共nC個漢字，該nC個漢字分別兩兩組成一個漢字子分類器，共nCX (nC-1) /2個漢字子分類器，其中，nL、nD、nC均為正整數(shù)。
4.根據(jù)權(quán)利要求3所述的支持向量機的車牌字符識別方法，其特征在于，步驟(8)中的分類識別過程為利用所組建的字母-數(shù)字分類器和漢字分類器兩大類分類器，分別對車牌中字母、數(shù)字、字母和數(shù)字、漢字進行識別。
5.根據(jù)權(quán)利要求1所述的支持向量機的車牌字符識別方法，其特征在于，步驟(9)中所述統(tǒng)計投票過程為根據(jù)匹配計算得出待測數(shù)據(jù)χ對每一個分類器所分類別的歸屬，遍歷所有的分類器，進行投票，待測數(shù)據(jù)X屬于得到的票數(shù)最多的類別，其中，X e xtest。
6.根據(jù)權(quán)利要求3所述的支持向量機的車牌字符識別方法，其特征在于，在步驟(1) 中，采集足夠的車牌樣本圖片，含有的字符種類至少包括《中華人民共和國機動車號牌》 (GA36-2007)附錄B中定義的所有字符，每個字符的個數(shù)至少為30個。
7.根據(jù)權(quán)利要求4所述的支持向量機的車牌字符識別方法，其特征在于，在步驟(6) 中，每一幀的車牌圖片的測試樣本集Xtest包括7個字符。
8.根據(jù)權(quán)利要求1所述的支持向量機的車牌字符識別方法，其特征在于，在所述步驟 (3)與步驟(4)之間，還包括將特征參數(shù)集Ytrain中的字符以同一字符為準，分成若干個特征參數(shù)子集，即包括nL個字母特征參數(shù)子集，nD個數(shù)字特征參數(shù)子集，nC個漢字特征參數(shù)子集。
9.根據(jù)權(quán)利要求1所述的支持向量機的車牌字符識別方法，其特征在于，步驟(1)和步驟(5)中所述的車牌預(yù)處理包括車牌二值化處理、車牌傾斜校正、車牌水平分割、車牌豎直分割處理。
全文摘要
本發(fā)明公開了一種車牌字符識別方法，包括支持向量機的訓(xùn)練過程和使用支持向量機進行車牌識別過程，本發(fā)明的車牌字符識別方法，采用LPP算法提取字符特征，得到的字符特征更具有分類判別性，提高判別效果；對字母數(shù)字分類器采用分層組建，可針對車牌的特點實現(xiàn)小類別范圍內(nèi)的識別，提高識別分別率，降低了識別算法的復(fù)雜度和訓(xùn)練參數(shù)存儲資源，適用于嵌入式系統(tǒng)應(yīng)用。采用基于置信度的視頻流統(tǒng)計識別，避免了因單幀拍攝效果不好或車牌預(yù)處理效果不好而導(dǎo)致的識別效果不好的弊端，可進一步提高識別率。
文檔編號G08G1/017GK102346847SQ20111028792
公開日2012年2月8日 申請日期2011年9月26日 優(yōu)先權(quán)日2011年9月26日
發(fā)明者劉微, 劉韶, 卜柯, 朱中, 王曉曼, 裴雷, 陳維強, 魏楠楠 申請人:青島海信網(wǎng)絡(luò)科技股份有限公司