基于最小二乘支持向量机车牌字符特征识别

摘要：机车牌识别技术（LPR）作为一种技术，是一种主要通过计算机对车牌字符进行识别，将图像识别技术与计算机视觉以及模式识别技术相互融合的广泛运用在交通领域的技术。本文主要对最小二乘支持向量机车牌字符特征识别的技术进行简要分析，一种新的有效的机器学习算法即是最小二乘支持向量机。这样的方法是站在车牌图像预处理的基础之上的，对车牌字符的奇异值特征进行提取分割，并且对主要特征进行压缩保留。

关键词：最小二乘支持向量机 车牌字符特征识别 奇异值

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2015）07-0000-00

机车牌识别技术对于交通管理的智能化发展的极大推动。车牌识别的研究主要的依照就是车牌图像的定位与字符分割、预处理、特征的提取以及特征的分类的这些步骤来进行的，车牌识别率和识别速度的关键环节是特征提取和分类识别。本文主要研究点就在于对于车牌图像对于识别能力提高的期望上，这也使其最重要的贡献特征值。这样的识别能力能够对分类能力的分类器进行良好的识别区分，对于识别的精度和识别正确率的提高有着很重要的意义。

1 车牌研究步骤解析

1.1 车牌图像的预处理

实现车牌识别的基础就是车牌的图像预处理的基础，车牌图像在光照不同的条件之下处理受过污染的车牌图像和不同成像设备采集的车牌图像，对于需要提取识别的字符部分进行提取，将其余影响识别的部分进行相应的处理。

要对图像处理效果增强的主要方法是将基于小波变换和中值滤波图像进行有效变化，对图像噪声进行有效降低，进行直方图均衡化。在图像处理领域中具有独特优势的是小波变换，小波变换不仅能够有效分解图像的低频部分，而且能够分解图像的高频部分，因此增强了图像处理方面的较强适应性，对于图像处理更加适合，这样方式如图1。

中值滤波的主要作用是对于原来边界的保持，不仅对图像边缘进行有效的保护而且能够能够有效地降低噪声，中值滤波的对于脉冲噪的效果十分明显，去除孤立点相对而言比较容易，对于二噪声点能够很好的去除，如图2。

所谓的直方图均衡化就是一种算法，是一种自动调节图像对比度质量的算法，这样的算法可以有效地增加图像对比度，如图3。

在我们对相对来讲比较复杂的图像定位车牌区域并提取车牌，二值化处理后的车牌再进行分割之后获得车牌字符图像。对车牌进行定位的时候，基本上先通过粗定位，将部分车牌后选区域先获取到，这其中包含一些“伪车牌区域”，接下来就是对一些参数进行集中参考，这其中包括车牌的长宽比、垂直投影和车牌的面积，并且通过这三个参数来对车牌区域进行确定，这样一来就能够对单一参数的使用所进行过程中的偏差进行有效的避免。加权综合车牌的长宽比、垂直投影特征以及面积，进一步确认真实车牌区域具有很重要的意义。对于后续算法基本上都是处于灰度图像，灰度化图像的方法是二值化方法。

对于Laplace算子增强图像边缘以及Sobel算子提取车牌图像应该站在车牌区域定位的基础之上，对于验证字符的完整性是极其有利的，这样便于获得质量较高的车牌图像，如图4.以车牌字符的大小经验数据为依据，分割车牌字符，一般情况下分割的结果如图5.

从上图中可看出来预处理之后的影响，如图像增强、噪声去除、背景遮拦的去除。这对于图像维度的降低，对于清楚明白的获得车牌字符图像有着很有效的结果。

1.2 提取相应地奇异值代数特征

图像本质的数值特征是图像的奇异值特征，这对于图像代数特征的描述有着很强的作用，主要运用在模式识别中。在应有的程度之上，拥有着不变的几何和代数，其次还有不变的图像灰度值旋转、平移、比例变化和伸缩性，这一系列的不变化性都会因为光照以及噪声的变化而对图像灰度变化产生很强的适应性，对于车牌图像的代数特征进行很好的描述。

奇异值的分解定理即得以下假设A∈Rn*n，必然会存在的正交矩阵是U、V∈Rn*n，即得出UHAV=（∑0 00）=diag（ δ1，δ2，…，δn），δ1≥δ2≥…≥δn。这其中δ1≥δ2≥…≥δn是A的n个奇异值。

一般用车牌图像的奇异值作为识别特征，提取的算法是奇异值分解（SVD），这是对图像本质代数特征的真实表达。图像上扰动较小的时候，特征变化值的变化很小，稳定是一定的，对于其全面的代表性特征做出了全面的保留，对于车牌字符的识别分类是十分有利的。

2 最小二乘支持向量（LS-SVM）的车牌字符特征分类

标准SVM的一种演化变换即LS-SVM，这些对于分类回归问题能够得到很好的解决，对于LS-SVM作为分类应用模型和算法进行重点分析。对于标准SVM中的二次规划方法进行有效的替换的方法是LS-SVM，主要用等式约束问题（核空间）将二次优化问题不等式约束条件（原始空间）进行替换，主要是对可得到最小二乘支持向量机的分类模型进行线性方程求解，其过程简单、快速度、低复杂度等等条件都适合做分类问题的机器学习模型的求解。

以LS-SVM的数学原理为分析基础，分别求是分类模型的实现的关键，对于Lagrange的函数进行有效引入，就可以将主要问题转向线性方程组的求解问题。实验利用了LS-SVM Lab即最小二乘支持向量机工具箱在Matlab的开发环境下的多分类程序，输入训练和分类实验是字符奇异值特征的实验。这个实验中训练样本和识别样本选择的是同款车牌图像样本，识别率能够到达100%，同款车牌图像当中，训练样本只选10个车牌图像，识别样本又选择其他的10个，训练样本和识别样本数量一致的前提情况下，86%的识别率；五类不同款式的图像类别的训练样本和识别样本时，分别选10个其82%的识别率；选择五类不同车牌图像类别的训练样本，训练样本是选取10个，识别样本也选取10个样本，其识别率就会达到80%左右。所以就可以对车牌图像的代数特征进行有效分类的方法是最小二乘支持向量机。

3 结语

本文主要是站在边缘提取、小波分析算法、直方图均衡算法和中值滤波算法的基础上，预处理采集车牌图像库，对车牌字符的清晰获提供有效条件。接下来主要采用奇异值分解算法对车牌字符图像的奇异值代数特征进行有效提取，选取识别特征是主要选取比较大的相对来讲比较集中的图像并且以这些图像的能量特征值为准，分类器主要是用的是最小二乘支持向量机，这样做可以有效的对奇异值特征进行有效的分类。

对于车牌图像的描述主要是通过奇异值分解算法中对奇异值的提取来获得的，对车牌图像局部变化的较好鲁棒性的影响主要来自于光照变化，车牌图像当中单类样本的数量相比于类别较多的样本的数量相对而言比较多，这类分类问题的可行性主要通过LS-SVM进行计算。所以这项技术即基于最小二乘支持向量机的车牌识别研究具有着实用应用价值和理论研究价值。

由于车牌识别相对复杂的应用环节，多项不确定因素的影响。不仅是在项目中还是在课题研究中，需要做的工作很多，本文的研究只是这项技术上的一些简单的理论知识，还需要对技术进行进一步的提升。

参考文献

[1]刘静，基于最小二乘支持向量机车牌字符特征识别[J].计算机技术与发展，2013（5）.

[2]李国平，路长厚，李健美.基于最小二乘支持向量机的压印字符识别方法[J].上海大学学报，2010（20）.

收稿日期：2015-06-08

作者简介：郭小波（1980―），男，汉族，河南新安人，硕士，讲师，主要研究方向：云计算技术、模式识别；刘永平（1977-），女，汉族，河南镇平人，硕士，讲师，主要研究方向：图像处理、工业控制。