陳科全，吳耀光，陳一銘，穆協(xié)樂，張鐵異

（廣西大學 機械工程學院，廣西 南寧 530004）

0 引 言

為了便于機動車的管理，車牌識別系統(tǒng)的完善變得越來越重要。車牌識別系統(tǒng)中主要包含了圖像提取、車牌定位、字符分割和字符識別四大模塊[1]。字符識別作為識別系統(tǒng)中的最后一個環(huán)節(jié)，對車牌識別的成功與否起到了決定性的作用，識別方法主要包括模板匹配、特征提取識別、支持向量機（SVM），以及卷積神經(jīng)網(wǎng)絡等。模板匹配[2]識別通過模板匹配函數(shù)計算待識別字符與模板字符之間的相似度來實現(xiàn)，字符模板的質(zhì)量對字符識別的準確率影響較大，待識別字符如果有一定角度的傾斜會造成識別錯誤。特征提取識別[3]利用字符特征的相似度進行字符識別，根據(jù)提取的字符特征進行判別和匹配，字符特征的選擇決定了識別正確率。采用支持向量機[4]分類時，懲罰系數(shù)C和核參數(shù)g的選取會對字符的分類結(jié)果造成影響。陳政等采用粒子群優(yōu)化算法對SVM的參數(shù)進行尋優(yōu)，一定程度上提高了SVM的識別準確率[5]。隨著深度學習的發(fā)展，CNN[6]被廣泛應用于字符識別中，該方法通過監(jiān)督學習自動進行圖像提取和識別，具有較強的魯棒性，但需要大量的樣本進行網(wǎng)絡訓練，而且對硬件要求高。

基于以上分析，提出一種基于灰狼優(yōu)化車牌字符識別方法，優(yōu)化SVM參數(shù)，建立識別模型，提高字符識別準確率。

1 車牌字符的識別流程及理論基礎

文中主要針對車牌識別系統(tǒng)四大模塊中的最后一個模塊—字符識別展開研究，其他模塊此處不再贅述。為保證識別數(shù)據(jù)與訓練數(shù)據(jù)集的格式相同，首先對分割后的圖像進行歸一化處理，并設定每種字符圖片的標簽信息，然后提取車牌字符的HOG[7]特征，建立SVM字符分類模型，利用改進收斂因子的GWO[8]對SVM參數(shù)C和高斯核函數(shù)參數(shù)g進行尋優(yōu)，建立IGWO-SVM模型，獲取車牌字符識別結(jié)果。

1.1 灰狼優(yōu)化算法

灰狼優(yōu)化算法（GWO）是一種啟發(fā)式優(yōu)化算法，由Mirjalili.S[9]等人提出，該算法所需設置的參數(shù)較少，原理簡單，速度快，全局搜索能力強?；依欠N群等級分為四類，其中α狼為取得最優(yōu)解的搜索個體，自適應度最優(yōu)，β狼和δ狼分別為次優(yōu)解和第三優(yōu)解的搜索個體，自適應度同理，ω狼的等級最低，為其他候選解的搜索個體。

式中：D代表狼群個體與目標獵物之間的距離；C=2r1代表對獵物的擾動，r1為[0，1]之間的隨機數(shù)；t代表迭代次數(shù)；XP為目標所在位置；X為狼群個體位置。

指導狼群靠近獵物，如圖1所示。尋優(yōu)過程：

Xα，Xβ，Xδ分別代表α狼，β狼和δ狼的當前位置。

式中：X1，X2，X3分別代表α狼，β狼和δ狼對ω狼指導后的位置；X(t+1)為子代灰狼的最終位置。

為了防止GWO算法陷入局部最優(yōu)，采用改進收斂因子a的GWO算法[10]，將原始的線性收斂因子改為非線性：

改進后的a將從2非線性遞減到0，可降低衰減速度，更利于尋找全局最優(yōu)解。

1.2 支持向量機（SVM）

SVM是一種非常高效的分類算法，通過降低結(jié)構(gòu)化風險系數(shù)來提高分類模型的泛化能力，可以在樣本數(shù)量較少時獲得良好的分類效果。

式中：xi∈Rn，i=1, 2, ...,n，表示第i個特征向量，yi={+1, -1}，表示特征標簽，yi=+1時，xi為正樣本，反之，xi為負樣本，SVM通過在正負樣本之間建立一個超平面，將樣本分為兩類。通過最大化正負樣本的分類間隔，提高模型的泛化能力：

式中，w表示分離超平面的法向量，方向指向正樣本。

除了線性可分問題外，SVM也適用于非線性分類問題，需引入松弛變量ξ≥0和懲罰因子C≥0，保證容錯性：

構(gòu)造拉格朗日函數(shù)，并求解對偶問題：

引入核函數(shù)K(xi,xj)將低維數(shù)據(jù)映射到高維空間，并通過核函數(shù)的內(nèi)積運算將高維的復雜運算轉(zhuǎn)化為低維的簡單運算，簡化線性不可分問題。

式中，αi、αj為拉格朗日系數(shù)。

分離超平面：

式中，b表示截距。

由于高斯核函數(shù)對不同的數(shù)據(jù)類型具有良好的適應性，且參數(shù)少，即選用高斯核函數(shù)：

SVM常用于處理二分類問題[11]，車牌字符分類屬于多分類問題，組合多個二分類SVM可以構(gòu)建一個多分類SVM。本文組合構(gòu)建兩個分類器，分別用于漢字字符、字母和數(shù)字字符分類?？紤]到字符的標簽多樣性，故采用字符的錯誤率作為自適應函數(shù)。

1.3 HOG特征提取

方向梯度直方圖（Histogram of Oriented Gradient, HOG）是圖像處理中常用的圖像特征描述子。提取HOG特征時，先要對圖像進行灰度化處理，對顏色空間進行歸一化處理，然后將圖像劃分為多個cell單元，其中2×2個cell單元組成一個block塊，由式（16）～式（19）計算每個block中cell單元的梯度信息，最后將所有HOG特征進行歸一化處理，得到圖像的HOG特征。

X方向梯度：

Y方向梯度：

像素點梯度的幅度：

像素點梯度方向：

式中，I(x,y)表示圖像中像素點(x,y)處的水平方向和豎直方向的像素值。

2 改進灰狼優(yōu)化算法的SVM分類模型研究

GWO優(yōu)化的SVM模型流程如圖2所示。初始化參數(shù)時需對狼群數(shù)量、迭代次數(shù)、尋優(yōu)參數(shù)上下界、優(yōu)化參數(shù)的個數(shù)，根據(jù)設置的參數(shù)生成隨機的懲罰系數(shù)C和核函數(shù)參數(shù)g的向量，每次循環(huán)取一組數(shù)據(jù)訓練SVM，并得到自適應函數(shù)值。采用改進收斂因子的GWO算法優(yōu)化SVM，以測試集分類錯誤的個數(shù)作為自適應函數(shù)，最小化錯誤率，求得自適應函數(shù)值，根據(jù)自適應度值更新α狼、β狼和δ狼的位置，然后在三種狼的指導下根據(jù)式（1）～式（7）更新其他狼群的位置，完成迭代，獲得最優(yōu)參數(shù)，訓練SVM模型。

3 尋優(yōu)算法實驗對比分析

本文選取了13 033張車牌字符進行模型訓練，其中漢字字符2 470張，數(shù)字和字母2 470張；3 439張車牌字符作為測試樣本，其中漢字字符2 601張，數(shù)字和字母838張；拍攝650張車牌用于驗證各算法的準確率，并進行實驗分析。漢字SVM各優(yōu)化算法對比見表1所列，字母和數(shù)字SVM各優(yōu)化算法對比見表2所列。

圖2 基于GWO優(yōu)化的SVM模型流程

PSO-SVM的粒子群數(shù)為50，最大迭代次數(shù)為20，慣性因子ω=0.8，局部學習因子c1=2，全局學習因子c2=2，參數(shù)值的上界為20，下界為0.01；GA-SVM種群數(shù)為50，最大迭代次數(shù)為20，染色體數(shù)為20，基因長度為20，交叉概率閾值pc=0.6，變異概率閾值pm=0.01；GWO-SVM與IGWOSVM的狼群數(shù)量為20，最大迭代次數(shù)為20，參數(shù)值的上界為20，下界為0.01。

表1 漢字SVM各優(yōu)化算法對比

表2 字母和數(shù)字SVM各優(yōu)化算法對比

從表1和表2的數(shù)據(jù)可以看出，在測試向量集中，四種尋優(yōu)算法對訓練集和測試集的識別準確率差別不大。文中提出的IGWO-SVM在車牌字符識別中綜合效果更好，其中漢字SVM中IGWO-SVM與未優(yōu)化的SVM相比，車牌識別準確率提高了4%，與GA-SVM識別率相同，高達92.92%，在尋優(yōu)時間方面，改進GWO算法比GA算法縮短了近37%；在字母和數(shù)字SVM中，IGWO-SVM準確率比未優(yōu)化的SVM提高了0.62%，比PSO-SVM和GA-SVM高出0.57%，尋優(yōu)時間縮短了31%和32%，優(yōu)勢明顯。

4 結(jié) 語

針對車牌字符識別的問題，提出了應用改進收斂因子的灰狼優(yōu)化算法對SVM的懲罰系數(shù)C和高斯核參數(shù)g進行尋優(yōu)，建立SVM模型，并與其他方法建立的SVM模型對比。文中提出的方法與粒子群和遺傳算法優(yōu)化后的SVM分類準確率相當甚至更佳，但是在模型訓練時間上幾乎只用后兩者的二分之一，實際應用過程中，在保證準確率的同時可以極大降低時間成本，綜合表現(xiàn)優(yōu)勢明顯。