基于支持向量机的车牌字符识别方法

周鹏

摘要：车牌识别系统是智能交通系统的重要组成部分，针对字符识别方面，本文对字符进行特征提取，接着用基于支持向量机（SVM Support Vector Machine）的方法进行字符识别。本文提出的新方法能对相似字符的识别效果良好，能有效地解决光照不均匀的车牌图像的二值化问题，适应能力强。

关键词：智能交通 字符分割 车牌识别

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）09-0091-01

1 绪论

车牌识别（License Plate Recognition，LPR）是计算机视觉、图像处理和模式识别在ITS领域的应用，是ITS的一个重要组成部分。车牌识别系统有着广泛的应用，它的主要应用有：（1）高速公路自动收费；（2）城市交通监控；（3）停车场管理；（4）机场等出入口车辆管理；（5）车辆违章管理。

实际工程应用中，由于环境的复杂性，晚上或雨天拍摄的汽车图像可能受光不均匀、对比度不高；摄像机的架设角度会使拍摄的车牌图像发生倾斜；车型的大小会使拍摄的车牌图像大小不一；车牌本身脏或者有污损；这些因素都会给车牌识别带来困难。一个车牌识别系统要求能够在公路环境中全天候工作；能处理模糊、污损、倾斜的车牌图像；具有实时处理数据的能力。尽管很多科研工作者在车牌识别技术上做出了很多贡献，但是车牌识别技术仍未成熟。

2 车牌识别系统的组成

车牌识别系统的工作原理是：当车辆通过关卡时，传感器触发图像采集控制部分，图像采集控制部分触发摄像机采集一张汽车图像存到图像采集卡中，车牌识别软件模块从采集卡读取汽车图像。车牌识别软件模块首先对汽车图像进行图像增强、去噪等预处理，然后进行车牌定位，接着进行字符切分，最后进行字符识别。字符识别的方法主要有基于模板匹配的字符识别方法，基于神经网络的字符识别方法和基于统计分类器的字符识别方法等。

（1）基于模板匹配的字符识别方法。基于模板匹配的字符识别方法首先为每个字符建立一个模板，形成一个模板库，识别的时候就将待识别的字符与模板库中的模板进行匹配，计算它们的相关度，根据相关度的大小来确定待识别的字符的类别。（2）基于神经网络的字符识别方法。基于神经网络的字符识别方法一般分为两个阶段，分别是训练阶段和测试阶段。训练阶段首先对字符进行特征提取，然后训练出网络模型；测试阶段是对字符进行特征提取，然后将特征向量代入已经训练好的网络模型，最后得出识别结果。

3 基于SVM的车牌识别算法研究

3.1 基于SVM的车牌识别方法

基于统计分类器的字符识别方法主要有基于SVM的字符识别方法。SVM是20世纪90年代初由Vapnik等人提出的一种机器学习方法，由于它具有出色的学习性能，该技术很快成为机器学习界的研究热点，SVM在解决小样本问题有较大优势。基于SVM的字符识别方法分为训练阶段和测试阶段。训练阶段是对训练集的样本进行特征提取，然后设置SVM参数并训练出SVM分类器；测试阶段是对测试集的样本进行特征提取，将特征代入已经训练好的SVM分类器，计算出决策值，根据决策值判断样本所属的类别。车牌字符识别是车牌识别的最后一个环节，也是很重要的一个环节。基于SVM的车牌字符识别分为训练阶段和测试阶段，如图1所示。

训练过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征。然后根据所选的核函数及其参数、惩罚因子训练出SVM分类器。识别过程首先对归一化成32×6像素的二值图像提取128维的粗网格特征，然后把特征代入已经训练好的SVM分类器中，根据决策函数计算出决策值，最后得出字符的类别。

3.2 字符归一化

为了更好地提取特征，首先要进行字符归一化。归一化一般分为三种：大小归一化、位置归一化和笔画密度归一化。因为本文在字符切分时已经将图像上下左右的非目标部分去掉，故并不需要进行位置归一化，而笔画密度归一化主要是将字符细化，这对于本文采用的特征提取方法来说并没有太大作用，因此本文只做大小归一化。大小归一化通常有三种方法：最近邻插值，双线性插值和双立方插值，本文选用了双线性插值进行大小归一化。车牌字符的高宽比是2：1，本文用双线性插值的方法将字符归一化到32×16像素的图像。

3.3 特征提取

用于字符识别的特征有Gabor特征，小波变换系数特征、外围轮廓特征和粗网格特征，常用于车牌字符识别的特征是外围轮廓特征和粗网格特征，下面分别介绍外围轮廓特征和粗网格特征这两种特征提取方法。外围轮廓特征的提取方法描述如下：

（1）从上到下扫描图像，第一层外围轮廓特征表示为：

3.4 参数选择

目前最常用的核函数是RBF核函数，本文也采用RBF核函数，原因主要有以下几点：

（1）RBF核函数可以实现非线性映射。（2）RBF核函数需要训练的参数少，分类器较简单。多项式核函数的参数比RBF核函数的多，因此其分类器选择更为复杂。核函数的选择会影响到分类器的性能，然而Vapnik等人在研究中发现，不同的核函数对SVM性能的影响不太大，对SVM性能影响最大的是惩罚因子C和核函数的参数厂

3.5 车牌识别实验结果分析

本实验设计两种分类器，第一种分类器是将字母和数字字符一共34个字符，每个字符分别取40个样本，一共1360个训练样本，训练出34个SVM字分类器，不对相似字符进行二次识别。第二种分类器是将字母和数字34个字符中“8”、“B”归为一类，“0”、“D”、“Q”归为一类，训练出31个SVM分类器，然后对相似字符进行二次识别。用2536个“8”或“B”字符的二值图像作为样本，将这2536个样本分别代入第一种分类器和第二种分类器去识别，正确率是以字符的个数为单位来统计，识别效果表1所示。

4 结语

车牌识别系统主要由三个部分组成：车牌定位、字符切分和字符识别。本文的研究重点是车牌字符切分和字符识别这两个部分。本文针对字符识别方面，首先对字符进行特征提取，介绍外围轮廓特征提取方法和粗网格特征提取方法，接着用基于支持向量机的方法进行字符识别。实验结果表明，本文提出的新方法能对相似字符的识别效果良好，能有效地解决光照不均匀的车牌图像的二值化问题，适应能力强。

参考文献

[1]陈进.车牌识别系统关键技术的研究[D].合肥：中国科学技术大学，2009：2-3.

[2]史忠科，曹力.交通图像检测与分析[M].科学出版社，2007：7-8.