CN106295635A - 车牌识别方法及系统 - Google Patents

Abstract

本发明应用于多媒体技术领域，尤其是图像处理领域，提出了一种基于多分类器选择的车牌识别方法及系统。该车牌识别方法对数据样本和待测样本进行特征提取，并且通过训练获得多个单分类器；对待测样本进行近邻选择，并对待测样本和近邻选择的近邻训练样本进行分类；通过近邻训练样本的权值计算进行多分类器选择；并对待测样本进行多分类器的加权融合分类。通过上述步骤，使得对于每个待测样本，多个分类器的权重是动态变化的，因此，这种方式的多分类器分类的融合具有高度的自适应性，提高了分类的精度。

Description

车牌识别方法及系统

技术领域

本发明涉及一种计算机视觉识别技术，特别是涉及基于多分类器选择的车牌识别方法及系统。

背景技术

车牌识别是计算机视觉在工程领域应用的一个重要方面，在车辆、交通管理等方面具有重要的作用。而车牌识别的本质就是车牌字符的分类问题，现在已有多种分类技术，如判决树方法，模糊分类方法，人工神经网络方法以及支持向量机分类方法等。然而，单个分类器的识别性能总是有限的，同一个分类器对不同样本的分类性能也是不同的，充分的利用各个单分类器对不同样本的分类性能和适用性，采取多分类器融合的技术来改善单分类器的性能已经越来越受到关注，并成功的运用到计算机视觉领域。

由于各个分类器对不同样本的分类性能和适用性是不一样的，为充分地利用各分类器的分类性能，提高最终的分类结果，可以根据各分类器在融合分类中所起的作用区别对待，单个分类器的贡献度越大，则分配的权重越大，相反则分配的权重越小。因此，可以通过权值分配的方式实现更好的融合。当前，基于多分类器加权融合的研究主要有两种方法：基于均值的加权和基于识别性能的加权方法。

发明内容

技术问题

基于均值的加权方法对各单分类器分配相同的权值，显然其缺点为：无法体现出各单分类器的分类器性能差异，从而不能充分利用各单分类器的分类优势。基于识别性能的加权融合分类方法则弥补了这个缺陷，其通过各分类器对近邻训练样本的分类情况来确定各单分类器的分类性能，以此来确定融合分类决策过程中的权值，从而在一定程度上利用了各分类器的性能优势。当然其缺点是近邻训练样本较少时，分类器的权值分配可能未能真实的体现分类器在融合中的作用，不能充分发挥出各分类器的分类性能。

虽然上述提到的方法对多分类器融合的加权策略有了一定改善，但是各自都有一定的缺点，针对这些问题，本发明提出了一种基于多分类器选择的车牌识别方法及系统，通过对待测样本的近邻训练样本的选择，来实现多分类器的选择，根据多个分类器对近邻训练样本分类的性能，来动态调整各分类器权重，从而实现多分类器的融合分类。这里针对每个待测样本的各分类器的权重是自适应变化的，所以通过这种多分类器融合的方式表现出了高度的自适应性，最终提高了车牌识别的准确度。

解决问题的方案

针对上述问题，本发明提供了一种车牌识别方法和系统，其通过对待测样本的近邻选择来选择近邻训练样本，根据这些近邻训练样本的分类结果，进行多分类器的权重调整，从而确定各分类器的权重。使得每个待测样本的各分类器权值分配的过程是一个动态自适应调整的过程，进而提高车牌识别分类的准确度。

根据本发明的一方面，提供了一种基于多分类器选择的车牌识别方法，其特征在于，所述方法包括：

步骤S1，对车牌的数据样本和待测样本进行特征提取，通过训练获得多个单分类器；

步骤S2，对所述待测样本进行近邻选择，获得所述数据样本中距离所述待测样本最近的多个近邻训练样本，并基于所述待测样本的特征和所述多个近邻训练样本的特征，利用所述多个单分类器对所述待测样本和所述多个近邻训练样本进行分类，获得所述待测样本的分类结果和所述多个近邻训练样本的分类结果；

步骤S3，基于所述多个单分类器对所述多个近邻训练样本的分类结果，计算所述多个单分类器的分类的准确率，并根据所述准确率，计算所述多个单分类器的权值；

步骤S4，利用步骤S2中获得的所述待测样本的所述分类结果以及步骤S3中的所述多个单分类器的所述权值，对所述待测样本进行多分类器的加权融合分类。

进一步地，步骤S1中，利用支持向量机在不同核函数及参数下训练得到所述多个单分类器。

进一步地，步骤S3中，所述准确率的计算采用如下公式：

c_i＝r_i/K

其中，c_i表示准确率，r_i表示第i个分类器对K个近邻训练样本分类正确的样本数，K表示近邻训练样本总数。

进一步地，步骤S3中，所述权值采用如下公式：

${\mathrm{\ω}}_i=c_i/\underset{i=1}{\overset{L}{\Σ}}{c}_i$

其中，ω_i表示所述权值。

进一步地，所述加权融合分类采用如下公式：

$W_j=\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\ω}}_i\×a_{ij}\left(X\right)$

其中，W_j为加权融合分类结果，a_ij(X)表示第i个分类器对待测样本X分类为类别j的状态值，取值为{0,1}。

进一步地，选取加权结果最大的类别作为所述待测样本的最终分类结果。

根据本发明的另一方面，提供了一种基于多分类器选择的车牌识别系统，其特征在于，所述系统包括：

特征提取模块，用于对车牌样本提取特征，所述车牌样本包括数据样本和待测样本，其中，所述数据样本包含多个近邻训练样本，其通过近邻选择而距离所述待测样本最近，并且该特征提取模块将所述数据样本的特征送入单分类器训练模块，将所述待测样本和所述多个近邻训练样本的特征送入到单分类器分类模块；

单分类器训练模块，用于依据所述数据样本的特征，训练多个单分类器，将得到的所述多个单分类器送入到单分类器分类模块；

单分类器分类模块，用于将所述待测样本的特征和所述多个近邻训练样本的特征送入到训练所得的所述多个单分类器，得到所述多个单分类器对所述待测样本的分类结果和对所述多个近邻训练样本的分类结果，将所述待测样本的分类结果送入多分类器融合分类模块，将所述多个近邻训练样本的分类结果送入多分类器选择模块；

多分类器选择模块，用于根据所述多个近邻训练样本的分类结果的准确率，来计算所述对所述待测样本的权值，实现对所述多个单分类器的选择，并将多分类器的选择结果送入多分类器融合分类模块；

多分类器融合分类模块，用于根据所述多分类器的选择结果以及所述对待测样本的分类结果，对所述待测样本进行多分类器的加权融合分类，得到每个类别下的融合分类结果。

进一步地，所述单分类器训练模块，利用支持向量机在不同核函数及参数下训练得到所述多个单分类器。

进一步地，所述准确率的计算采用如下公式：

c_i＝r_i/K

其中，c_i表示准确率，r_i表示第i个分类器对K个近邻训练样本分类正确的样本数，K表示近邻训练样本总数。进一步地，所述权值采用如下公式：

${\mathrm{\ω}}_i=c_i/\underset{i=1}{\overset{L}{\Σ}}{c}_i$

其中，ω_i表示所述权值。

进一步地，所述加权融合分类采用如下公式：

$W_j=\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\ω}}_i\×a_{ij}\left(X\right)$

其中，W_j为加权融合分类结果，a_ij(X)表示第i个分类器对待测样本X分类为类别j的状态值，取值为{0,1}。

进一步地，选择加权结果最大的类别作为所述待测样本的最终类别结果。

发明的有益效果

由于不同参数类型的svm分类器的分类性能是不同的，单分类器对某些待测样本的分类效果也是不同的，为了避免人工的选取参数造成训练得到的分类器性能的差异，通过选择近邻训练样本，然后用之前训练的单分类器分类近邻训练样本，依据分类结果，确定各单分类器的权重，从而避免了人工调整参数的分类性能差异，实现多分类器的选择，通过这种多分类器选择的融合分类方式，具有高度的自适应性并且提高了分类精度和分类效果。

本发明提到的多分类器选择，是通过权值分配的方式体现的，而这种权值分配的方式是针对每个待测样本来自适应调整的，而不是以一个固定的权值方式来进行融合分类的。这种自适应权值的分配是通过每个待测样本的K个近邻训练样本的分类准确度来确定，用单分类器对K个近邻训练样本的分类性能来确定权值，这种自适应的权值分配方式可以充分发挥各单分类器的分类性能，结合权值分配的多个单分类器融合之后分类较单个分类器的分类效果进一步提高。

以下结合本发明的附图及优选实施方式对本发明的技术方案做进一步详细地描述，本发明的有益效果将进一步明确。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，但其说明仅用于解释本发明，并不构成对本发明的不当限定。

图1是根据本发明一优选实施例的车牌识别方法的流程图。

图2是根据本发明一优选实施例的车牌识别系统的框图。

具体实施方式

下面将结合本发明的具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分优选实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合本发明的一个具体的实施例来详细说明本发明的技术方案。图1是根据本发明一优选实施例的基于多分类器选择的车牌识别方法的流程图，下面结合图1说明本发明的实施例的具体步骤：

步骤S1：特征提取，并通过训练获得L个单分类器。

对已有的车牌样本进行特征提取，该车牌样本包括数据样本TD和待测样本X。

TD为已有的数据样本，其中，d_i是n维实向量空间Rⁿ上的样本对象，Li是样本对象d_i的类别标签。TD中共有N＝2100个样本对象d_i，这些样本对象d_i分属于2个类别。在数据样本TD中，正样本n＝1050，负样本m＝500，测试样本t＝550，则TD的样本数量N＝n+m+t。本发明不限于上述数据样本，上述数据样本仅由于解释本发明的实施例以及作为下文表格中的实验数据。可以根据需要，选择和建立数据样本。

利用上述数据样本TD的特征，通过训练得到L个单分类器。

具体方法为：利用支持向量机(svm)在不同核函数t及惩罚系数c和核函数半径g下训练得到L个单分类器，本实施例中，核函数t类型包括四种，分别用参数表示为0，1，2，3表示四个不同的核函数。其中，参数c,g取值为(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，利用已有的数据样本TD，结合上述核函数t以及参数c,g，通过训练获得L个单分类器，在本实施例中为L＝12。本发明不限于上述核函数t及参数c,g，可以根据需要适当地选择核函数t的类型以及参数c,g的组数和数值。

步骤S2：对待测样本X进行近邻选择，并利用L个单分类器，对近邻选择的K个近邻训练样本和待测样本X进行分类。

步骤S201：近邻选择

在通过训练获得L个单分类器之后，对待测样本X进行近邻选择，即，在已有的数据样本TD中，选择K个离待测样本X距离最近的近邻训练样本，其中K的取值在5到13之间，经实验取值9效果最好，故在本实施例中，优选地选取K＝9，但本发明中K可以是上述范围内的任意整数值。

步骤S202：对K个近邻训练样本进行分类

利用步骤S1中训练得到的L个分类器，对步骤S201中选择的K个近邻训练样本进行分类，对于K＝9个近邻训练样本中的每个近邻训练样本x，都可以得到一个分类结果矩阵R_svm(x)，如下：

$R_{SVM}\left(x\right)=\left[\begin{array}{ccccc}{a}_{1,1}\left(x\right)& \mathrm{...}& a_{1,j}\left(x\right)& \mathrm{...}& a_{1,n}\left(x\right)\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ a_{i,1}\left(x\right)& \mathrm{...}& a_{i,j}\left(x\right)& \mathrm{...}& a_{i,n}\left(x\right)\\ .& & .& & .\\ .& & .& & .\\ .& & .& & .\\ a_{L,1}\left(x\right)& \mathrm{...}& a_{L,j}\left(x\right)& \mathrm{...}& a_{L,n}\left(x\right)\end{array}\right]$

其中，a_i,j(x)表示第i(i＝1，…，L)个分类器对近邻训练样本x分类为类别j(1≤j≤n，j为自然数)的分类结果，取值为{0,1}。

步骤S203：利用L个单分类器对待测样本X进行分类

利用待测样本X的特征和通过训练获得L个单分类器，对待测样本X进行分类，获得各单分类器对待测样本X的分类结果a_i，j(X)，其中，a_ij(X)表示第i个分类器对待测样本X分类为类别j的状态值，取值为{0,1}。

步骤S3：多分类器选择。

由于上述选择的K个近邻训练样本的类别已知，因此可以根据L个分类器中第i个分类器对这K个近邻训练样本分类的结果，确定分类结果的准确率c_i，1≤i≤L，i为自然数，准确率c_i的计算公式如下：

c_i＝r_i/K

其中，r_i表示第i个分类器对K个近邻训练样本分类正确的样本数，K表示近邻训练样本总数。

根据L个分类器对这K个近邻训练样本分类的准确率c_i，来选择多分类器，并确定第i个分类器对待测样本X分类的权值ω_i，获得多分类器的选择结果，权值ω_i的计算公式如下：

${\mathrm{\ω}}_i=c_i/\underset{i=1}{\overset{L}{\Σ}}{c}_i$

步骤S4：对待测样本进行多分类器的加权融合分类。

利用步骤S203中获得的待测样本的分类结果a_ij(X)以及步骤S3中的多分类器的选择结果，即，权值ω_i，对待测样本X进行多分类器的加权融合分类，得到L个分类器在第j个类别下的加权融合分类结果W_j，加权融合分类的计算公式为：

$W_j=\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\ω}}_i\×a_{ij}\left(X\right)$

其中,a_i,j(X)表示第i个分类器对待测样本X分类为类别j的状态值，取值为{0,1}.

最后选择加权结果最大的类别作为最终的分类结果p(x)，计算公式如下：

p(x)＝max{W_j}

其中,p(x)表示某个类别下加权分类结果最大的作为待测样本的最终分类，最大W_j对应的类别j即为待测样本的类别，完成车牌识别的最终目标。

下面，结合图2说明根据本发明的一优选实施例的车牌识别系统的构造。

图2示出了本发明的车牌识别系统的结构图，该系统包括：特征提取模块、单分类器训练模块、单分类器分类模块、多分类器选择模块及多分类器融合分类模块。

特征提取模块，用于对车牌样本进行提取特征，所述车牌样本包括所有的数据样本TD和待测样本X，其中，所有的数据样本TD中包含作为待测样本X的近邻选择的样本的K个近邻训练样本。然后，将所有的数据样本的特征送入单分类器训练模块，将待测样本X和K个近邻训练样本的特征送入到单分类器分类模块。

单分类器训练模块，用于依据数据样本TD的特征，利用核函数t和参数c，g，训练多个单分类器，将得到的各单分类器送入到单分类器分类模块。

单分类器分类模块，用于将待测样本X的特征和K个近邻训练样本的特征送入到训练所得的各单分类器，得到各单分类器的分类结果，将待测样本X的分类结果送入多分类器融合分类模块，将K个近邻训练样本的分类结果送入多分类器选择模块。

多分类器选择模块，用于根据K个近邻训练样本的分类结果的准确率来度量其分类器性能，然后计算其对待测样本X的权值ωi，实现对多个单分类器的选择，并将多分类器的选择结果送入多分类器融合分类模块。

多分类器融合分类模块，用于根据多分类器的选择结果以及单分类器分类模块对待测样本X的分类结果，对待测样本X进行多分类器的加权融合分类，得到每个类别下的融合分类结果，选择加权结果最大的类别作为待测样本X的最终类别结果，继而实现待测车牌样本的分类识别。

为了更加直观的显示本发明提出的多分类器选择的车牌识别方法和系统的效果，提供以下实验作为说明：

表1中所采用的实验数据集为真实场景收集的各种车辆数据，同时为了对比提出方法的有效性，本发明另外还测试了两个开源数据集，分别是表2所示的madelon数据集，其从NIPS 2003Feature SelectionChallenge收集；以及表3所示的w6a数据集，其从JP98a获取。针对每一种数据集，使用上述多分类器选择的分类方法进行对比实验。具体结果参见下表：

表1真实场景数据集的分类结果

从表1中可看出，通过采用不同的参数c，g以及不同的核函数得到12个单分类器，对比发现最终得到的分类结果差别明显，可见基于单分类器的分类结果稳定性差，不同的参数值分类结果参差不齐，即，不同的参数c，g以及核函数的选择对于分类结果的准确度影响较大。而作为对比发现：基于多分类器选择的分类方法的分类结果，效果则比任意一个单分类器分类准确度高、效果更好，而且不需要人工调整参数，仅需要通过动态的分配单个分类器的贡献度，即对某个样本分类的采用不同的权值。最终得到的融合的分类结果的分类精度高于任意一种单分类器的分类精度，有效提高了分类结果的准确性。

表2 madelon数据集的分类结果

在表2中，采用了与表1相同的核函数t和参数c，g，可以看到：基于单分类器的分类精度较低，结果不理想，最高的分类准确率也只有64.5％。然而，通过基于多分类器选择的分类方法的分类精度为76％，准确率提升了约12％，可见，基于多分类器选择的分类方法在提高分类准确度方面具有优势效果。

表3 w6a数据集的分类结果

表3采用与表1和表2相同的核函数t和参数c，g，基于上表中的w6a数据集，通过本发明的多分类器选择的方法分类精度达到98.9％，分类精度达到较高水准。可见虽然单分类器分类精度已经较高，其中，单分类器识别的最高分类精度98.6％，本发明的方法仍对于已经很高的分类精度进一步提高了0.3％。由此可知，根据本发明的多分类器选择的方法对于提高分类精度的有效性。

通过以上三个表格中的实验结果及其分析，可以看出，本发明提出的基于多分类器选择的车牌识别方法在考虑单分类器分类性能的差异的情况下，通过对待测样本的近邻训练样本的选择，实现多分类器的权值的自适应分配，对于每个待测样本的分类，动态地调整了多分类器的贡献程度，即，采用了多分类器的权值计算，从而使得融合分类的结果优于单分类器的分类结果，进而提高了车牌识别的精度和准确度。

以上所述仅为本申请的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (12)

1.一种车牌识别方法，其特征在于，所述方法包括：

步骤S1，对车牌的数据样本和待测样本进行特征提取，通过训练获得多个单分类器；

步骤S2，对所述待测样本进行近邻选择，获得所述数据样本中距离所述待测样本最近的多个近邻训练样本，并基于所述待测样本的特征和所述多个近邻训练样本的特征，利用所述多个单分类器对所述待测样本和所述多个近邻训练样本进行分类，获得所述待测样本的分类结果和所述多个近邻训练样本的分类结果；

步骤S3，基于所述多个单分类器对所述多个近邻训练样本的分类结果，计算所述多个单分类器的分类的准确率，并根据所述准确率，计算所述多个单分类器的权值；

步骤S4，利用步骤S2中获得的所述待测样本的所述分类结果以及步骤S3中的所述多个单分类器的所述权值，对所述待测样本进行多分类器的加权融合分类。

2.如权利要求1所述的方法，其特征在于，其中，

步骤S1中，利用支持向量机在不同核函数及参数下训练得到所述多个单分类器。

3.如权利要求1或2所述的方法，其特征在于，

步骤S3中，所述准确率的计算采用如下公式：

c_i＝r_i/K

其中，c_i表示准确率，r_i表示第i个单分类器对所述多个近邻训练样本分类正确的样本数，K表示所述近邻训练样本的总数。

4.如权利要求3所述的方法，其特征在于，

步骤S3中，所述权值采用如下公式计算：

${\mathrm{\ω}}_i=c_i/\underset{i=1}{\overset{L}{\Σ}}{c}_i$

其中，ω_i表示所述权值。

5.如权利要求4所述的方法，其特征在于，

步骤S4中所述加权融合分类采用如下公式：

$W_j=\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\ω}}_i\×a_{ij}\left(X\right)$

其中，W_j为加权融合分类结果，a_ij(X)表示第i个分类器对所述待测样本X分类为类别j的状态值，取值为{0,1}。

6.如权利要求5所述的方法，其特征在于，

选取加权融合分类结果中最大的类别作为所述待测样本的最终分类结果。

7.一种车牌识别系统，其特征在于，所述系统包括：

特征提取模块，用于对车牌样本提取特征，所述车牌样本包括数据样本和待测样本，其中，所述数据样本包含多个近邻训练样本，其通过近邻选择而距离所述待测样本最近，并且该特征提取模块将所述数据样本的特征送入单分类器训练模块，将所述待测样本和所述多个近邻训练样本的特征送入到单分类器分类模块；

单分类器训练模块，用于依据所述数据样本的特征，训练多个单分类器；

单分类器分类模块，用于将所述待测样本的特征和所述多个近邻训练样本的特征送入到训练所得的所述多个单分类器，得到所述多个单分类器对所述待测样本的分类结果和对所述多个近邻训练样本的分类结果，将所述待测样本的分类结果送入多分类器融合分类模块，将所述多个近邻训练样本的分类结果送入多分类器选择模块；

多分类器选择模块，用于根据所述多个近邻训练样本的分类结果的准确率，来计算所述对所述待测样本的权值，实现对所述多个单分类器的选择，并将多分类器的选择结果送入所述多分类器融合分类模块；

多分类器融合分类模块，用于根据所述多分类器的选择结果以及所述对待测样本的所述分类结果，对所述待测样本进行多分类器的加权融合分类，得到每个类别下的融合分类结果，选择加权结果最大的类别作为所述待测样本的最终类别结果。

8.如权利要求7所述的系统，其特征在于，其中，

所述单分类器训练模块，利用支持向量机在不同核函数及参数下训练得到所述多个单分类器。

9.如权利要求7或8所述的系统，其特征在于，

所述准确率的计算采用如下公式计算：

c_i＝r_i/K

其中，c_i表示准确率，r_i表示第i个单分类器对所述多个近邻训练样本分类正确的样本数，K表示所述近邻训练样本的总数。

10.如权利要求9所述的系统，其特征在于，

所述权值采用如下公式计算：

${\mathrm{\ω}}_i=c_i/\underset{i=1}{\overset{L}{\Σ}}{c}_i$

其中，ω_i表示所述权值。

11.如权利要求10所述的系统，其特征在于

所述加权融合分类采用如下公式：

$W_j=\underset{i=1}{\overset{L}{\Σ}}{\mathrm{\ω}}_i\×a_{ij}\left(X\right)$

其中，W_j为加权融合分类结果，a_ij(X)表示第i个分类器对所述待测样本X分类为类别j的状态值，取值为{0,1}。

12.如权利要求11所述的系统，其特征在于

选取加权融合分类结果中最大的类别作为所述待测样本的最终分类结果。