CN106874920A - 基于小波包分析和支持向量机的车牌字符识别方法 - Google Patents
基于小波包分析和支持向量机的车牌字符识别方法 Download PDFInfo
- Publication number
- CN106874920A CN106874920A CN201510907636.9A CN201510907636A CN106874920A CN 106874920 A CN106874920 A CN 106874920A CN 201510907636 A CN201510907636 A CN 201510907636A CN 106874920 A CN106874920 A CN 106874920A
- Authority
- CN
- China
- Prior art keywords
- wavelet packet
- license plate
- character recognition
- optimum
- svms
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Character Discrimination (AREA)
Abstract
一种基于小波包分析和支持向量机的车牌字符识别方法,包括以下步骤:(1)寻找最佳小波包基:基于一定的标准,从小波包基集合中选择最佳小波包基,将最佳小波包基的小波包分解系数作为识别特征;(2)K-L变换得到特征矢量:去除数据间的相关性,且在均方误差准则下失真最小,将数据从原来的R维空间降维投影到M维空间,R>M;(3)采用LIBSVM完成字符识别。
Description
技术领域
本发明属于模式识别技术领域,具体涉及一种基于小波包分析和支持向量机的车牌字符识别方法。
背景技术
车牌识别系统是现代社会智能交通系统的重要组成部分,是图像处理、计算机视觉、模式识别技术等研究的热点,应用越来越普遍。车牌识别系统的研究步骤分为图像采集、图象数字化处理、车牌定位和区域提取、字符分割和字符识别等,其中字符识别算法是车牌识别系统中的关键技术。
迄今为止,已提出的车牌识别方法有很多种,如模板匹配、特征匹配、人工神经网络、支持向量机等,其中支持向量机(Support Vector Machines,SVM)方法备受青睐。支持向量机有很多优点,例如其具有简单的模型结构和较好的泛化能力,以及对解决小样本、非线性及高维空间问题效果良好。但是,由于决策速度慢以及对复杂问题的分类精度不高等局限性,传统支持向量机方法效率较低;随着特征维数的增加,其实现的复杂度也难以接受。因此,研究者们在提高识别速度和准确率方面做不断地研究,来达到优化识别效果的目的。但是这些方法建立在更复杂的数学模型或结构模型基础上,增加了复杂性。使用隐马尔可夫概率模型可以进行车牌识别,但是这种模型的使用在实现过程中复杂度较高,所需先验知识较多;基于先验知识的SVM决策树模型主要针对使用某种字符比较多的识别情况,系统相对而言具有局限性,且在使用一对一策略的情况下,分类器太多导致系统的识别效率不理想。
发明内容
本发明旨在提出一种基于小波包分析和支持向量机的车牌字符识别方法,通过对小波包分解和支持向量机的合理应用,对识别过程进行研究分析和合理配置,达到提高识别效率的目的。
本发明的技术方案如下:
一种基于小波包分析和支持向量机的车牌字符识别方法,其特征在于包括以下步骤:
(1)寻找最佳小波包基:基于一定的标准,从小波包基集合中选择最佳小波包基,将最佳小波包基的小波包分解系数作为识别特征;
(2)K-L变换得到特征矢量:去除数据间的相关性,且在均方误差准则下失真最小,将数据从原来的R维空间降维投影到M维空间,R>M;
(3)采用LIBSVM完成字符识别。
上述步骤(1)进一步包括:
(11)将车牌字符图像归一化为32×16大小;
(12)对字符图像进行三层小波包分解,并求每一节点的JF值;
(13)寻找最佳小波包基Z;
(14)对Z中的每个节点重复步骤(13)直至检验结束,即得到最佳小波包基,其分解系数作为字符特征。
上述步骤(3)所述采用LIBSVM完成字符识别,具体包括:
(31)字符经过特征提取并降维处理后得到的3维特征矢量,将其转化为要求的格式;
(32)使用交叉校验的方法重复训练测试样本,寻找最佳参数;所谓交叉检验是将数据分为k个集合,每一个集合参加训练的同时其他k-1个集合参加测试,得到k组参数,对结果进行比较,选其中结果最好的一组参数作为最佳参数;
(33)使用最佳参数和RBF核函数对训练集进行训练获取支持向量机模型;
(34)利用得到的模型进行车牌字符识别。
本发明采用的特征提取的过程是通过待识别字符的小波包三层分解来提取最佳小波包基的小波包分解系数的过程。在提取过程中,不仅增加了高频成分信息提高识别率,而且利用K-L变换降维提高识别速率,从而达到优化识别效果的目的。
附图说明
图1是基于小波包分析和支持向量机的车牌字符识别方法的流程图。
具体实施方式
如图1所示为基于小波包分析和支持向量机的车牌字符识别方法的流程图。方法中汽车图像均为实际拍摄到的24位真彩图像,其中车牌字符含有数字样本10个,英文样本24个,汉字样本55个。在训练样本中字母样本120个,数字样本32个,汉字字符166个。识别部分利用LIBSVM函数库,采用C-SVC支持向量机模型,核函数选用RBF径向基函数,交叉校验的分组数k设为5,惩罚参数C定为8。
字符的笔画结构在小波分解的四个小波空间的分布特征在很大程度上能够反映汉字、数字和字母的结构特征,可以作为车牌字符识别的依据。传统的正交小波分解只对信号的低频部分作进一步分解,对高频信号并不做处理;另外采用全部小波分解系数作为特征,维数过大且灵活性低。小波包分解对信号高频成分对应的小波空间进行如同树状的连续分解,从而提取更丰富的时频域信息。为了克服小波变换的缺点,本方法选择了具有更好时频特性的小波包分解来进行特征提取;而且为了降低特征矢量维度,在采用小波包分解之后寻找最佳小波包基,将最佳小波包基的小波分解系数进行K-L变换降维,得到特征矢量。
1、寻找最佳小波包基:
基于一定的标准,从小波包基集合中选择最佳小波包基,将最佳小波包基的小波包分解系数作为识别特征,其中重点是如何寻找最佳小波包基。
构造以下基本判别准则:设两类ωi、ωj的均值向量为mi、mj,两类的类内离散度为sω,则有:
其中,定义JF为节点判据值,C为总情况值,[Tmin,Tmax]为的范围。将字符进行N层小波包分解,用表示第1层第k个节点,则的子节点为的子节点为设为与的JF值之比,若说明子节点比父节点更有利于分类,否则说明父节点更有利于分类;设为总JF增量值,若α>0且满足的节点不少于两个则说明该节点满足分解条件。结合上述参数和条件,提出车牌字符特征提取步骤如下:
(1)将车牌字符图像归一化为32×16大小。
(2)对字符图像进行三层小波包分解,并求每一节点的JF值。
(3)寻找最佳小波包基Z:若节点不满足分解条件,则检验子节点是否满足分解条件:若也不满足则将加入最佳小波包基Z中;若满足分解条件且验证满足的节点个数不少于2个,则将加入Z中。若节点满足分解条件,则将的全部子节点加入最佳小波包基Z中并从Z中删除节点
(4)对Z中的每个节点重复步骤3直至检验结束,即得到最佳小波包基,其分解系数作为字符特征。
2、K-L变换得到特征矢量
最佳小波包基的小波分解系数维数很大,这对提高识别率和识别速度是不利因素,所以需要对特征向量降维,来减少冗余信息优化识别效果。K-L变换也称主分量分析方法,是一种对信息的紧凑表示方法,其目的是去除数据间的相关性,且在均方误差准则下失真最小,将数据从原来的R维空间降维投影到M维空间(R>>M)。
设样本集为X={x1,x2,…,xM},xi∈RN,M为训练样本总数,N为每个训练样本的维数,以训练样本集X的总体散布矩阵为产生矩阵:
其中,以A为产生矩阵,构造相关矩阵可表示R=AAT,求解R的特征值为λi(1≤i≤N)并进行排序,有λ1≥λ2≥…≥λN,排序后对应特征向量为vi(i=1,2,…N).取前m个最大特征值,则相对应的m个特征向量构成K-L变换矩阵U=(v1,v2,…vm).m通过最大特征值之和与总特征值之和的商即来确定,θ尽可能大,同时m尽可能小,这样能够在最大程度保存图像信息的同时尽可能减小特征矢量的维数。根据仿真和试验后得到当m值为30左右时,低维空间的特征向量组成的特征空间已经能够很好地反应原始高维空间的特征情况,故本方法选择m值为30。
3、LIBSVM完成字符识别
支持向量机作为统计学理论中最年轻的部分,采用结构风险最小原则,在解决小样本、非线性及高维空间识别问题中表现出独特的优势和良好的应用前景。对于线性问题,核函数是两个向量做点积运算;对于非线性问题,SVM引入非线性映射,将相对低维的输入向量映射到一个高维空间,然后在这个高维空间中构造最优分类面。最优分类面要求分类面不但能将两类正确分开,而且使分类间隔最大。使分类间隔最大是对泛化能力的控制,是SVM的核心思想之一。最优分类面的构造问题其实是在特定的约束条件下求解一个二次优化问题,其最优决策函数为式中,sgn(·)是符号函数,L为训练样本数目,ai≥0为Lagrange乘子,K(·)是核函数。
核函数一般形式定义为其中x和x′是低维空间里的向量,φ(x)和φ(x′)是变换后的高维空间里的向量。考虑到径向基形式的核函数是局部性强的核函数且与人的视觉特性类似,本方法选用径向基核函数(也称为RBF或高斯核函数)来进行训练。径向基核函数表示为
LIBSVM是关于支持向量机在模式识别、回归分析以及概率分布估计等各种领域里集成的软件环境,主要包含svm-scale,svm-train,svm-predict等接口函数。基于LIBSVM的训练及识别过程包含以下步骤:
(1)字符经过特征提取并降维处理后得到的30维特征矢量,将其转化为svm-train和svm-predict要求的格式。为了计算方便以及防止某个特征过大或过小,可使用svm-scale将数据缩放到适当范围,一般范围是[0,1]或[-1,1]。
(2)使用交叉校验的方法重复训练测试样本,寻找最佳参数。所谓交叉检验是将数据分为k个集合,每一个集合参加训练的同时其他k-1个集合参加测试,得到k组参数(C和ξ),对结果进行比较,选其中结果最好的一组参数作为最佳参数。
(3)使用最佳参数和RBF核函数对训练集进行训练获取支持向量机模型。
(4)利用得到的模型进行车牌字符识别。
Claims (3)
1.一种基于小波包分析和支持向量机的车牌字符识别方法,其特征在于包括以下步骤:
(1)寻找最佳小波包基:基于一定的标准,从小波包基集合中选择最佳小波包基,将最佳小波包基的小波包分解系数作为识别特征;
(2)K-L变换得到特征矢量:去除数据间的相关性,且在均方误差准则下失真最小,将数据从原来的R维空间降维投影到M维空间,R>M;
(3)采用LIBSVM完成字符识别。
2.根据权利要求1所述的基于小波包分析和支持向量机的车牌字符识别方法,其特征在于,步骤(1)进一步包括:
(11)将车牌字符图像归一化为32×16大小;
(12)对字符图像进行三层小波包分解,并求每一节点的JF值;
(13)寻找最佳小波包基Z;
(14)对Z中的每个节点重复步骤(13)直至检验结束,即得到最佳小波包基,其分解系数作为字符特征。
3.根据权利要求1所述的基于小波包分析和支持向量机的车牌字符识别方法,其特征在于,步骤(3)所述采用LIBSVM完成字符识别,具体包括:
(31)字符经过特征提取并降维处理后得到的3维特征矢量,将其转化为要求的格式;
(32)使用交叉校验的方法重复训练测试样本,寻找最佳参数;所谓交叉检验是将数据分为k个集合,每一个集合参加训练的同时其他k-1个集合参加测试,得到k组参数,对结果进行比较,选其中结果最好的一组参数作为最佳参数;
(33)使用最佳参数和RBF核函数对训练集进行训练获取支持向量机模型;
(34)利用得到的模型进行车牌字符识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510907636.9A CN106874920A (zh) | 2015-12-10 | 2015-12-10 | 基于小波包分析和支持向量机的车牌字符识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510907636.9A CN106874920A (zh) | 2015-12-10 | 2015-12-10 | 基于小波包分析和支持向量机的车牌字符识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106874920A true CN106874920A (zh) | 2017-06-20 |
Family
ID=59237537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510907636.9A Pending CN106874920A (zh) | 2015-12-10 | 2015-12-10 | 基于小波包分析和支持向量机的车牌字符识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874920A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197077A (zh) * | 2018-01-22 | 2018-06-22 | 广东工业大学 | 一种基于小波包分解的MEAs生物信号的数据降维方法 |
CN109740423A (zh) * | 2018-11-22 | 2019-05-10 | 霍尔果斯奇妙软件科技有限公司 | 基于人脸和小波包分析的种族识别方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329734A (zh) * | 2008-07-31 | 2008-12-24 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
US20130182910A1 (en) * | 2012-01-18 | 2013-07-18 | Xerox Corporation | License plate optical character recognition method and system |
CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
-
2015
- 2015-12-10 CN CN201510907636.9A patent/CN106874920A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329734A (zh) * | 2008-07-31 | 2008-12-24 | 重庆大学 | 基于k-l变换和ls-svm的车牌字符识别方法 |
CN102156963A (zh) * | 2011-01-20 | 2011-08-17 | 中山大学 | 一种混合噪声图像去噪方法 |
US20130182910A1 (en) * | 2012-01-18 | 2013-07-18 | Xerox Corporation | License plate optical character recognition method and system |
CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
Non-Patent Citations (1)
Title |
---|
王润民 等: "《基于SVM混合网络的车牌字符识别研究》", 《微计算机信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108197077A (zh) * | 2018-01-22 | 2018-06-22 | 广东工业大学 | 一种基于小波包分解的MEAs生物信号的数据降维方法 |
CN109740423A (zh) * | 2018-11-22 | 2019-05-10 | 霍尔果斯奇妙软件科技有限公司 | 基于人脸和小波包分析的种族识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563385B (zh) | 基于深度卷积生成式对抗网络的车牌字符识别方法 | |
Chacko et al. | Handwritten character recognition using wavelet energy and extreme learning machine | |
CN102622610B (zh) | 一种基于分类器集成的手写维文字符识别方法 | |
CN110321967B (zh) | 基于卷积神经网络的图像分类改进方法 | |
CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
CN102147858B (zh) | 车牌字符识别方法 | |
CN106909946A (zh) | 一种多模态融合的商品分类系统 | |
CN103699523A (zh) | 产品分类方法和装置 | |
CN110751027B (zh) | 一种基于深度多示例学习的行人重识别方法 | |
Zhang et al. | Automatic discrimination of text and non-text natural images | |
CN105844261A (zh) | 基于优化特征投影矩阵的3d掌纹稀疏表示识别方法 | |
Sethy et al. | Off-line Odia handwritten numeral recognition using neural network: a comparative analysis | |
CN104834891A (zh) | 一种中文图像型垃圾邮件过滤方法及系统 | |
CN106022359A (zh) | 基于有序信息熵的模糊熵空间聚类分析方法 | |
CN110188864B (zh) | 基于分布表示和分布度量的小样本学习方法 | |
CN103942572A (zh) | 一种基于双向压缩数据空间维度缩减的面部表情特征提取方法和装置 | |
CN113011444B (zh) | 一种基于神经网络频域注意力机制的图像识别方法 | |
Li et al. | Image decomposition with multilabel context: Algorithms and applications | |
CN103942545A (zh) | 一种基于双向压缩数据空间维度缩减的人脸识别方法和装置 | |
CN106874920A (zh) | 基于小波包分析和支持向量机的车牌字符识别方法 | |
CN105844299B (zh) | 一种基于词袋模型的图像分类方法 | |
Behnam et al. | Optimal query-based relevance feedback in medical image retrieval using score fusion-based classification | |
CN104299010B (zh) | 一种基于词袋模型的图像描述方法及系统 | |
Ashoka et al. | Feature extraction technique for neural network based pattern recognition | |
Jiang et al. | Feature data optimization with LVQ technique in semantic image annotation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170620 |