CN101329734B - 基于k-l变换和ls-svm的车牌字符识别方法 - Google Patents

Abstract

本发明公开的一种基于K-L变换和LS-SVM相结合的车牌字符识别方法中，首先采用K-L变换的方法对车牌的字符图像进行特征降维；然后，根据车牌字符图像的排列特征，采用聚类分析中的类距离方法，设计四组最佳二叉树的LS-SVM子分类器来分别实现车牌字符中的英文字母、数字、汉字和英文字母+数字的识别。本发明所采用的方法较好的解决了其他车牌字符识别方法中存在不可识别域，分类时也不需要遍历所有的分类器，大大提高了分类效率，缩短了车牌字符特征的提取过程，减少样本训练的运算量和车牌字符的识别时间，使车牌识别系统的识别率和识别速度及分类推广能力同时得以提高。

Description

基于K-L变换和LS-SVM的车牌字符识别方法

技术领域

本发明涉及一种机动车牌字符图像的自动识别方法，属于模式识别、计算机图像处理和智能交通系统(Intelligent Transport System，ITS)控制技术领域。车牌自动识别技术是智能交通系统中的重要组成部分。

背景技术

采用车牌自动识别技术组成的车牌识别系统(License Plate Recognition System LPRS)是一个基于图像处理、计算机视觉、模式识别等技术的高度智能化的综合集成系统，作为道路交通管理自动化的重要手段和车辆监测的一个重要环节，在道路交通监视和控制中占有很重要的地位。车牌识别系统包含了硬件和软件两部分：在硬件上，由可控辅助照明光源、摄像机、图像采集、微处理控制器、通信等模块组成；在软件上，由车牌定位、车牌字符分割、车牌字符识别等应用软件组成。

车牌字符识别方法的识别率和识别速度是车牌识别技术中的两个重要指标，也是衡量车牌识别系统优劣和系统组成的核心。

车牌识别系统可以在无需为车辆加装任何特殊装置的情况下，实现对车辆的自动检测和监控。车牌识别系统从摄像机摄取的车辆图像中自动提取车牌字符图像，经过必要的预处理后，自动分割出车牌图像中的各位字符进行识别，从而实现对车牌的正确识别。

目前，我国使用的车牌字符集是由汉字、英文字母、数字和英文字母+数字这四种字符集组成。

在车牌自动识别技术中，常用的车牌字符识别方法有：

①模板匹配-容易导致相似字符的区分能力差，以及特征数据维数过大而导致识别速度慢等问题。对于有变形、位移、倾斜等字符，很容易产生误识。

②神经网络-虽然具有较强的模式分类能力，但算法的收敛速度较慢，且无法保证其全局最优，面临网络输入数据的选择和网络结构设计等问题。利用神经网络法进行车牌字符识别其识别率很大程度上依赖于训练样本的数量，在无特征提取的情况下识别的正确率相对较低。

③特征匹配法-由于对结构特征的描述和运算要占用大量的存储和计算资源，因此算法在实现上相对复杂、识别速度慢。

④支持向量机(SVM)-在解决有限样本、非线性及高维模式识别问题中，该方法表现出了许多特有的优越性能，且具有适应性强和效率高的特点。这些都非常适合车牌字符识别的要求。但是，SVM也有不足之处，比如：对于复杂问题的分类精度不够高；训练样本混叠严重时，SVM分类面就过于复杂，易产生过学习情况；对于有些复杂情况，由于SVM集较大，将导致决策速度较慢等。

发明内容

针对车牌识别中识别率和识别速度难以同时提高这一难点，本发明提出了一种基于K-L变换(最优正交变换)和LS-SVM(最小二乘-支持向量机)相结合的车牌字符识别方法。该方法所设计的分类器较好地解决了其他车牌字符识别方法中存在的不可分区域情况，具有较高的识别率和识别速度及分类推广能力。

本发明采用以下技术方案：

一种基于K-L变换和LS-SVM的车牌字符识别方法，其特征为，该车牌字符识别方法包括以下步骤：

首先，将一幅完整的车牌图像分割成单个车牌字符图像，并对车牌字符图像进行预处理，所述预处理主要包括字符区域的去边框、字符的倾斜校正以及去噪；

使用K-L变换对预处理后的车牌字符图像进行特征提取，并降低车牌字符图像特征空间维数；

采用基于二叉树的多类LS-SVM分类方法解决车牌字符的多类分类问题，根据车牌字符的排列特征，设计四组基于二叉树的LS-SVM分类器来分别实现车牌中的“英文字母”、“数字”、“汉字”和“英文字母+数字”的识别，以提高识别率和识别速度及分类推广能力。

本发明在K-L变换对车牌字符图像进行特征提取和有效降低车牌字符图像特征空间维数的基础上，采用基于二叉树的多类LS-SVM分类器，对降维后的车牌字符图像特征进行分类识别，有效地解决了传统SVM(支持向量机)训练速度慢、计算量大的缺陷，克服了其他车牌识别方法中存在不可分区域的情况，使识别率和识别速度及分类推广能力同时得到提高。

附图说明

下面结合附图和实施方式，对本发明进一步说明：

图1为分类器的处理流程；

图2为基于聚类的LS-SVM二叉树分类器模型。

具体实施方式

在图1中，以每个车牌字符作为一个样本。根据我国车牌字符的排列顺序特征，分别设计4类子分类器来进行有针对性地识别，即汉字分类器、数字分类器、英文字母分类器和数字+英文字母分类器。根据字符在车牌中的相应位置将其输入到对应的子分类器中。在每个子分类器中：一部分字符作为测试样本；一部分作为训练样本。

本发明的技术方案首先对分割后的单个车牌字符图像进行预处理，得到标准的大小为n×n(长宽均为n个像素)的单个车牌字符二值图像，记作：x_i(i＝1，2，…，1)(这里假设：共L幅字符图像)，然后将每个字符图像像素逐行首尾相连，构成一个n×n的矢量。该矢量的均值矢量及协方差矩阵分别为：

$B\left\{X\right\}=\stackrel{\‾}{X}=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{x}_i---\left(1\right)$

$R=\frac{1}{l}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{X}){(x_i-\stackrel{\‾}{X})}^T---\left(2\right)$

由工程矩阵理论可知，协方差矩阵R为n×n阶方阵，设其特征值λ_i从大到小排列为：λ₁≥λ₂≥…≥λ_k(K＝n×n)，每一个λ_i相对应的特征向量为α_i(i＝1，2，…，K)，一般选择前面m个最大特征值对应的主特征矢量构成K维状态空间中的m维特征子空间，使得：

$\mathrm{\δ}=\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\λ}}_i/\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\λ}}_i---\left(3\right)$

δ尽可能的大，m尽可能的小，即尽可能的保存图像的特征信息，又可减小表征图像的特征的维数，采用K-L变换的目的是寻找任意统计分布的数据集合中主要分量的子集。因为在变换域中，能量主要集中在特征值λ_i大的系数中。前面已经将λ_i值按从大到小的顺序排列了，舍掉特征值较小的λ_i值对应的特征向量后构成新的变换核矩阵，从而达到既保存图像的特征信息，又可减小表征图像的特征的维数得目的；这里m代表要保留下来的λ_i的个数，m越大则参与计算的λ_i越多，δ越大，就会使保存的图像信息越多，这不利于降低图像特征的维数。因此，需要将m取一个合适的值来达到既保存图像的特征信息，又可减小表征图像的特征维数的一个平衡。为了达到降维的目的，m取值要尽量的小，同时也要保证有足够的图像信息被保留下来，即δ要足够的大；m以及δ的取值是一个均衡的过程，需要根据实际情况进行实验，得到一个折中的取值；取这m个特征值所对应的特征向量为字符图像的特征向量，得到原样本图像空间的最优降维；K-L变换在有效降低字符图像特征空间维数的同时，充分保留了变换对象的主要信息，能够获得互不相关的新特征，起到减少相关性，突出差异性的效果。将它应用于车牌字符的识别，可以简化字符特征的提取过程，减小训练的运算量，缩短识别时间，提高识别的正确率。

最后，将从训练样本中提取的特征输入LS-SVM训练得到相关的经验值，并将这些经验值输入到LS-SVM分类器中，与测试样本中提取的特征进行最终的判断得出分类结果。

图2是基于聚类的LS-SVM二叉树分类器模型：首先将所有类别分成两个子类，再将子类进一步划分成两个次级子类，如此循环下去，直到得到最后一个单独的类别为止；然后，对每个决策节点的两类分类问题用LS-SVM进行分类；

传统的SVM需要求解二次规划问题，使求解的计算量大；而LS-SVM将SVM中的不等式转换为等式，大大降低了运算量；

采用基于二叉树的多类分类方法能较好地解决车牌字符识别中的多类分类问题；

在聚类分析中，本发明以类类之间的两个最近的样本向量之间的欧氏距离作为两类之间的距离，例如：类Z_p与类Z_q之间的距离：

Δ_p-q＝min{||x_i-x_j||，x_i∈Z_p，x_j∈Z_q}    (4)

由以上定义，显然有：Δ_p-q＝Δ_q-p，Δ_p-p＝0，基于此距离而生成二叉树的LS-SVM多类分类器算法流程如下：

(1)由式(4)计算类类间的距离Δ_i-j(i，j＝1，2，...，k，i≠j)；

(2)对于每个类，都有与其他类的距离值，对这些距离值按由小到大的顺序排列，并重新编号。例如，第i类与其它类距离值Δ_i-j(i，j＝1，2，...，k，i≠j)按由小到大的顺序排列为： $d_i^1\≤d_i^2...\≤d_i^{k-1};$ 

(3)根据d_i ¹(i＝1，2，...，k)值，由大到小的顺序对相应的类别排序，当存在两个或两个以上的类别具有相同的d_i ¹时，在比较它们的d_i ²大小，以此类推，若它们的d_i ¹，d_i ²...，d_i ^k-1都相同，则把类别小的类排在前面，最终得到所有类别的排列n₁，n₂...，n_k；

(4)由类标号排序n₁，n₂...，n_k生成二叉树；

(5)根据生成的二叉树利用二值LS-SVM训练算法构造二叉树各内结点的最优超平面，以第n类样本为正样本，其余的为负样本。利用LS-SVM算法构造节点处的二值子分类器，依次下去，直到所有的二值分类器训练完，得到基于二叉树的多分类LS-SVM分类模型。

在聚类分析中，以类一类之间的两个最近的样本向量之间的欧氏距离作为两类之间的距离。

对于N类分类问题，该方法只需要构造N-1个分类器，不存在不可识别域(即不可分区域的情况)，分类时也不需要遍历所有的分类器，这样就保证了分类的效率。

利用聚类分析中的类距离作为二叉树的生成依据。二叉树的生成方法是：让与其它类相隔最远的类最先分割出来。

以图2所示的一个有四类的分类问题为例：首先将与其他三类相距最远的“类别4”分离出来；在剩下的3类中，“类别1”与其他的两类距离最远，将其分离；余下的两类构造出最后的LS-SVM子分类器，并位于二叉树的最低层。

Claims (4)

1.一种基于K-L变换和LS-SVM分类方法的车牌字符识别方法，其特征为，该车牌字符识别方法包括以下步骤：

首先，将车牌字符分割成单个车牌字符图像，并对车牌字符图像进行预处理，所述预处理主要包括字符区域的去边框、字符的倾斜校正以及去噪；

使用K-L变换对预处理后的车牌字符图像进行特征提取，并降低车牌字符图像特征空间维数；

采用基于二叉树的多类LS-SVM分类方法解决车牌字符的多类分类问题，根据车牌字符的排列特征，设计四组基于二叉树的LS-SVM分类器来分别实现车牌中的“英文字母”、“数字”、“汉字”和“英文字母+数字”的识别，以提高车牌字符的识别率和识别速度及分类推广能力。

2.根据权利要求1所述的识别方法，采用所述基于二叉树的多类LS-SVM分类方法来解决车牌字符识别中的多类分类问题，其特征是：

在聚类分析中，以类和类之间的两个最近的样本向量之间的欧氏距离作为两类之间的距离，类Z_p与类Z_q之间的距离如下式所示：

Δ_p-q＝min{||x_i-x_j||，x_i∈Z_p，x_j∈Z_q}                    (4)

由以上定义，Δ_p-q＝Δ_q-p，Δ_p-p＝0。

3.根据权利要求2所述的识别方法，其特征是，基于所述类距离而生成二叉树LS-SVM多类分类器算法流程如下：

(1)由式(4)计算类和类间的距离Δ_i-j(i，j＝1，2，...，k，i≠j)；

(2)对于每个类，计算与其他类的距离值，对这些距离值按由小到大的顺序排列，并重新编号，第i类与其它类距离值Δ_i-j(i，j＝1，2，...，k，i≠j)按由小到大的顺序排列为：

$d_i^1\≤d_i^2...\≤d_i^{k-1};$

(3)根据最小的类距离d_i ¹(i＝1，2，...，k)值，按由大到小的顺序对相应的类别排序，当存在两个或两个以上的类别具有相同的最小类距离d_i ¹时，再比较它们的第二小类距离d_i ²大小，以此类推，若它们的d_i ¹，d_i ²...，d_i ^k-1都相同，则把类别小的类排在前面，最终得到所有类别的排列n₁，n₂...，n_k；

(4)由类标号排序n₁，n₂...，n_k生成二叉树；

(5)根据生成的二叉树利用二值LS-SVM训练算法构造二叉树各内结点的最优超平面，以第n₁类样本为正样本，其余的为负样本，利用LS-SVM算法构造节点处的二值子分类器，依次下去，直到所有的二值分类器训练完，得到基于二叉树的多分类LS-SVM分类模型。

4.根据权利要求1-3任一项所述的识别方法，其特征为，利用聚类分析中的类距离作为二叉树的生成依据，二叉树的生成方法是让与其他类相隔最远的类最先分割出来；所述四组基于二叉树的LS-SVM分类器，首先将与其它三类相距最远的类别分离出来；在剩下的3类中，再将与另两类距离最远的一类分离；余下的两类构造最后的LS-SVM子分类器，并位于二叉树的最低层，从而实现车牌中的“英文字母”、“数字”、“汉字”和“英文字母+数字”的识别，使系统的识别率和识别速度及分类推广能力都能得以提高。

Images