基于SVM混合网络的车牌字符识别研究

基于SVM混合网络的车牌字符识别研究

Vehicle License Plate Characters Recognition Using Support Vector Machines

（湖南师范大学物理与信息科学学院)王润民 钱盛友邹永星

Wang,Runmin Qian,Shengyou Zou,Yongxing

摘要: 本文提出了一种基于SVM混合网络的车牌字符识别方法。首先根据国内车牌字符的

排列特点依次构造汉字识别子网、英文识别子网、英文与数字识别子网以及数字识别子网。

然后针对英文字符和阿拉伯数字的字体结构具有连通性这一特点，采用形态学方法进行滤波

处理，以减少噪声干扰。预处理后提取字符的小波包系数和Zernike矩做为特征量，最后在

各个识别子网中采用SVM识别方法对车牌中的汉字、英文字符以及阿拉伯数字进行了识别。

实验结果表明，该方法效果良好。

关键词: 字符识别;支持向量机;Zernike矩;神经网络

中图分类号：TP391.41 文献标识码 A

Abstract：A kind of character recognition method of the vehicle license plate based on support vector machines is presented in this paper. Firstly, A Chinese character recognition sub-network,A English character recognition sub-network,A Chinese character and English character recognition sub-network and a digital character recognition sub-network are constructed for Chinese vehicle license plate characters’ properties.Then, the English characters and digital characters are processed by mathematics morphology to decrease the noise for their special typeface structure,and the characters’ wavelet packet coefficients and the Zemike moments are distilled to make up the feature space after preprocessed.Finally, The characters of the vehicle license plate are recognized by support vector machines in every recognition sub-network. The experimental results demonstrate the efficiency of the proposed approach.

Keywords:character recognition,support vector machines,zernike moments,neural networks.

1 引言

汽车牌照识别技术广泛使用于路桥收费系统和交通管理系统，具有重大的经济价值和现

实意义。车牌识别系统主要分为：车牌定位、字符分割和字符识别三部分。目前已提出的车

牌字符识别算法主要有模板匹配法[1],神经网络方法[2]等。模板匹配是从字符的整体出发，通

过计算模板和待测图像的相关性进行识别。该方法识别速度快，但当车牌字符存在严重变形

和旋转时，将对识别结果产生严重的影响。神经网络由于其较强的曲线拟合及模式分类能力，

在字符识别中得到了广泛的应用，但神经网络存在着学习速度慢、易陷入局部最小值等固有

缺陷，这对字符识别产生不良影响。而支持向量机（SVM）是在统计学习理论基础上发展

起来的新一代学习算法，能够较好地解决小样本、非线性及高维数等模式识别问题。目前在

模式识别、回归估计、概率密度函数估计等方面都有应用[3]。

本文提出了一种基于SVM混合网络的车牌字符识别方法，根据国内车牌字符的排列特点

分别构造汉字识别子网、英文识别子网、英文与数字识别子网以及数字识别子网。对待识字

符进行预处理后，提取其小波包分解系数和Zernike矩做为特征量，然后在各个子网中采用SVM方法进行识别。实验结果表明，该方法取得令人满意的效果。

2 基本理论

_______________________________________________________________________________ 王润民:硕士研究生

基金项目：湖南省自然科学基金资助项目(02JJY2059)

支持向量机（SVM ）是一种基于统计学理论的新式机器学习算法,1995年由Vapnik 首先提出。它采用结构风险最小(SRM)原则替代传统的经验风险最小(ERM)原则进行分类,目标就是在训练样本集中寻找一个最优的超平面,以实现对未知的样本数据产生最小的分类错误[4]。

2.1 最优分类面

SVM 是从线性可分情况下的最优分类面提出的,基本思想可用图1(a)的两维情况说明。图1(a)中,实心点和空心点代表两类样本,H 为分类线,H 1、H 2分别为过各类中离分类线最近的

样本且平行于分类线的直线,它们之间的距离叫做分类间隔(margin)。所谓最优分类线就是要求分类线不但能将两类正确分开,而且使分类间隔最大。前者是保证经验风险最小，而使分类空隙最大的目的则是确保真实风险最小[5]。

设线性可分的样本集为(,),1,...,,,{1,1}d i i x y i n x R y =∈∈+?是类别标号。d 维空间中线性判别函数的一般形式为()g x w x b ?=+，分类线方程为：0w x b ?+=。我们可以对它进行归一化, 使两类所有样本都满足{()1}g x ≥，即使离分类面最近的样本的{()1}g x =，这样分类间隔就等于2w ，因此使间隔最大等价于使w （或2

w ）最小，而要求分类线对所有样本正确分类，就要求它满足：

[()]10,

1,...,.i i y w x b i n ?+?≥= （1） 满足上述条件且使2w 最小的分类面为最优分类面,12,H H 上的训练样本点叫做支持向量。

利用Lagrange 优化方法可以把上述最优分类面问题转化为其对偶问题，

即在约束条件 10,0,1,...,n i

i i i y i n αα==≥=∑ （2）

下对i α求解下列函数的最大值

1,11()()2n

n

i i j i j i j i i j Q y y x x αααα==?=?∑∑ （3） 0i α>为Lagrange 系数，若*i α为最优解，则：

**1n i i i i w a

y x ==∑ （4）

这是一个不等式约束下二次函数寻优的问题,存在唯一解。根据ker Kuhn Tuc ?条件，这个优化问题的解必须满足：

(()1)0i i i a y w x b ?+?= （5）

解中只有少部分*

i α不为零, 对应的样本就是支持向量。解上述问题得到的最优分类函数为：

****1()sgn{()}sgn{()}n

i i i i i f x w x b y x x b α=??=+=+∑ （6）

sgn()为符号函数，*b 为分类的阈值。

2.2 广义最优分类面

最优分类面是在线性可分的前提下讨论的，在线性不可分的情况下,可以在条件(2)中增加一个松弛项0i ξ≥，成为：

[()]10,

1,...,.i i i y w x b i n ξ?+?+≥= （7）

将目标改为求下列函数最小值： 1

1(,)()()2n i i w w w C φξξ=?=+∑ （8） 即折衷考虑最少错分样本和最大分类间隔, 就得到广义最优分类面。其中, 0C >是一个常数, 它控制对错分样本惩罚的程度。

2.3 支持向量机

在最优分类面中采用适当的内积函数(,)i j K x x 就可以实现某一非线性变换后的线性分类，而计算复杂度却没有增加, 此时目标函数(4) 变为： 1

,11()(,)2n n

i i j i j i j i i j Q y y K x x αααα===?∑∑ （9） 而相应的判别函数也变为：

**1()sgn((,))n i i i i f x y K x x b α

==+∑ (10)

其他的约束条件不变，这就是支持向量机（SVM）。概括地说,SVM就是首先通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求(广义) 最优分类面。 SVM 分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量[6], 如图1（b）所示：

H

(a) 最优分类面 (b) 支持向量机

图1 最优分类面和支持向量机示意图

3. 车牌字符识别算法

3.1 图像预处理

,x)

待识别的二值字符图像中往往包含噪声，同时分割后的字符通常大小不一，这将对字符的正确识别产生不良影响，因此在提取特征值之前需对其进行预处理。对车牌中的字符进行字体研究发现：英文字符和数字的字体具有连通性。针对这一个特点，本文采用了一种针对英文字符和数字的形态学滤波方法，首先利用4连接的方式计算二值图像中所有的连接分量，然后分别计算每一个连接分量的像素个数，将具有最多像素的连接分量的像素值置1，而其他像素的值置0，最后对其进行形态学闭处理，进一步减少噪声干扰。实验表明，采用本文的滤波方法优于中值滤波法和二维顺序统计滤波法。分别采用本文的滤波方法与中值滤波法及二维顺序统计滤波方法对二值字符进行处理，所得结果如图2所示。

(a1) 原图像 (b1) 采用中值滤波法 (c1) 采用顺序统计滤波法 (d1)采用本文方法

(a2) 原图像 (b2) 采用中值滤波法 (c2) 采用顺序统计滤波法 (d2)采用本文方法

图2 采用中值滤波法、二维顺序统计滤波法与本文方法滤波结果比较

3.2 待识别字符特征提取

为提高处理速度并尽量减少因归一化处理所导致的失真，本文将预处理后的汉字字符归一化至32*32像素，而英文、数字字符则归一化至16*16像素。使用“1db ”小波对待识别字符进行三层小波包分解，提取第三层中各节点系数。同样考虑到特征量维数的问题，我们

只对第二层中的各节点进行重构并计算重构后所得到图像的6阶Zernike 矩，

去除不应该作为特征的00Z 和11Z ，共得到224个Zernike 矩特征。最后采用基于类内类间距离准则对小波包系数和Zernike 矩构成特征向量进行降维处理，以减少字符识别的运算复杂度。

3.3 识别结果及分析

为验证本文所提出算法的有效性，本文采用了由小波包系数和Zernike 矩降维后的特征量作为识别网络的输入量，各个识别子网中依次采用SVM 、BP 神经网络以及RBF 神经网络对车牌中的汉字，英文字母和数字进行识别。训练集由28个常用省份简称汉字、24个英文字母、10个阿拉伯数字组成，每类字符样本数为40个，测试集中的每类字符样本数为60个。表1给出了本文方法和BP 神经网络以及RBF 神经网络识别方法的性能比较，实验表明：本文提出的采用SVM 字符识别方法取得了更好的识别效果。

表1 字符识别结果

4. 结论

本文提出了一种基于SVM 混合网络的车牌字符识别方法。首先根据国内车牌字符的排列特点分别构造字符识别子网，然后针对英文字母和阿拉伯数字的字体结构具有连通性这一特点，采用形态学滤波处理，以减少噪声干扰。提取字符的小波包系数和Zernike 矩做为特征向量后，在各个识别子网中采用SVM 方法对车牌中的汉字、英文字母以及数字进行识别。实验结果表明，本文所采用的SVM 识别方法的识别率均高于BP 神经网络及RBF 神经网络方法。因此，本文提出的方法是行之有效的。

本文作者创新点:根据国内车牌字符的排列特点分别构造字符识别子网，并针对英文字

母和数字的字体特点，采用了形态学方法进行滤波处理。提取字符的小波包系数和Zernike

矩做为特征量后，在各个识别子网中采用SVM方法对字符进行识别。实验结果表明，本文提

出的方法效果良好。

参考文献:

1.Yo-Ping Huang,Shi-Yong Lai,Wei-Po Chuang.A template-based model for license plate recognition[C].IEEE International Conference on Networking, Sensing and Control,2004;737- 74

2.

2.Vivek Seetharaman,Sathyakhala A,eta.License plate recognition system using hybrid neural networks[C]. IEEE Annual Meeting of the Fuzzy Information,2004;363-366.

3.张宏烈,支持向量机在字符识别中的应用研究[J] .微计算机信息, 2006;245-247.

4.V APNIK V N. Statistical learning theory[M].NewYork: Wiley,1998.

5.边肇祺，张学工. 模式识别（第二版）[M], 北京：清华大学出版社, 2000;296-304.

6.张学工.关于统计学习理论与支持向量机[J] .自动化学报,2000; (26)1,32-42.

作者简介：王润民（1980-），男，湖南邵阳人，硕士研究生，主要研究方向为数字图像处理

与模式识别。

Biography: Wang,Runmin (1980-), male, Hunan Shaoyang, Hunan Normal University, master, digital image processing and pattern recognition.

（410081 湖南长沙湖南师范大学物理与信息科学学院）王润民 钱盛友邹永星

(College of Physics and Information Science，Hunan Normal University，Changsha 410081) Wang,Runmin Qian,Shengyou Zou,Yongxing