[发明专利]一种支持向量机的车牌字符识别方法

说明书

技术领域

 本发明涉及一种车牌字符识别方法，具体地说，是涉及一种支持向量机的车牌字符识别方法，属于智能交通技术领域。

背景技术

车牌字符识别是在智能交通中对所抓拍的车牌视频或者图像中识别提取出车牌号码，我国的车牌号码由有限的汉字、英文字母和数字组成。车牌识别通常包括车牌预处理：完成对车牌字符的分割、字符样本的提取;然后对车牌字符进行特征提取；最后对提取的特征利用分类器进行分类识别得到车牌字符的识别结果。

对于车牌字符识别，目前最常用的方法是基于模板匹配的方法和基于神经网络的方法。

模板匹配法多利用了字符的轮廓、网格、投影等统计特征进行字符的识别，而导致相似字符区分能力差以及因特征数据维数过大而导致识别速度慢等问题，还有模板的选择问题。

神经网络方法通过多层神经网络对输入字符图像样本进行训练，产生分类器模型用于字符识别。但神经网络需要大量训练样本，存在网络输入数据的选择、网络结构设计和不易区分特征值相近的字符(如0，D,Q；8, B)等问题。

目前也有使用支持向量机法进行车牌字符识别，而目前使用该方法的字符识别过程，在车牌字符特征提取部分，一般是基于轮廓、网格、投影等统计特征，只能提取到字符的部分特征不利用分类识别（例如专利200910059360.8）；利用字符特征降维的方法现在逐渐利用到车牌字符特征提取上，能够全面提取字符特征，字符识别效果好，另外一种较多使用的降维方法是主成分分析(Principal Component Analysis，PCA)法，但这种方法是从全局的角度对数据进行降维，并未考虑数据的局部特征，在降维的过程中，不可避免地损失了一些重要信息，譬如数据的局部聚类情况。

基于此，如何发明一种车牌字符识别方法，基于支持向量机，既能保持了支持向量机的优点，同时在字符特征提取方面可以在对高维数据进行降维映射后有效地保留数据内部的非线性结构，并利用多帧识别结果综合判断得到最优识别结果提高识别率，对字母数字分类器采用分层组建，提高识别分别率，降低了训练参数存储资源，提高识别率减少资源耗费是本发明主要解决的问题。

发明内容

本发明为了解决现有车牌字符识别效果差的问题，提出了一种车牌字符识别方法，识别率高，而且误判率低，提高了字符识别的正确率。

为了解决上述技术问题，本发明采用以下技术方案予以实现：

一种支持向量机的车牌字符识别方法，包括支持向量机的训练过程和使用支持向量机进行车牌识别过程，其中，支持向量机的训练过程包括以下步骤：

（1）、对训练车牌字符样本进行车牌预处理得到字符样本集Xtrain；

（2）、对字符样本集Xtrain利用LPP算法计算得到变换矩阵A，可以使高维数据集Xtrain映射到低维映射空间；

（3）、对Xtrain利用变换矩阵A进行特征提取，得到训练车牌样本的特征数据集Ytrain；

（4）、利用特征数据集Ytrain训练支持向量机，得到车牌字符识别的分类器；

使用支持向量机分类器进行车牌识别过程包括以下步骤：

（5）、对抓拍视频流中的每帧图片进行车牌定位，将定位得到的车牌预处理以及字符分割，得到测试字符样本集Xtest；

（6）、对Xtest利用变换矩阵A进行特征提取，得到训练车牌样本的特征数据集Ytest；

（7）、将Ytest输入到支持向量机分类器，得到字符识别结果，并计算该识别结果的置信度； 

（8）、对多帧图片中该车牌的字符识别结果进行统计投票，确定最终识别结果。

进一步的，根据经验值确定拒识阈值，字符识别结果的置信度高于此阈值才采信，否则拒识，拒识的字符识别结果不参与投票。

所述的支持向量机分类器采用一对一算法组建，包括字母-数字分类器和汉字分类器两大类分类器，具体的，所述字母-数字分类器采用三层的方式构建，这种构造方式相当于一个字母数字分类器规模，但可以根据需要分别对字母类、数字类、字母和数字类进行分类识别，在小范围内进行分类识别，提高了分类准确度以及计算速度，方法如下：

设nL个字母，nD个数字，第一层为：nL个字母分别两两组成一个字母子分类器，共 nL×(nL-1)/2个字母子分类器；

第二层为：nD个数字分别两两组成一个数字子分类器，共nD×(nD-1)/2个数字子分类器；