鐘 彩，彭春富，傅 波，胡常樂

(常德職業(yè)技術(shù)學(xué)院，湖南 常德 415000)

0 引言

步入信息化社會以來，計(jì)算機(jī)等現(xiàn)代化技術(shù)迅猛發(fā)展，促進(jìn)了信息自動(dòng)化處理能力及水平的提升，逐漸和人們生產(chǎn)生活的各個(gè)領(lǐng)域相融合。為更好地滿足國民經(jīng)濟(jì)快速發(fā)展的需求，高速公路、城市道路建設(shè)數(shù)目及規(guī)模均有擴(kuò)增，交通管理部門急需建設(shè)運(yùn)行高效、智能化的交管系統(tǒng)。車牌信息是交通系統(tǒng)內(nèi)一項(xiàng)重要的交通檢測數(shù)據(jù)，在車輛自動(dòng)化管理方面發(fā)揮重要作用。

由于夜間能見度顯著降低，即便是進(jìn)行燈光補(bǔ)償，也很難獲得對比度較高的圖像，和日間獲得的圖像質(zhì)量相差甚遠(yuǎn)。本課題提出了以支持向量機(jī)為基礎(chǔ)的新型車牌定位方法，為了有效處理夜間車牌圖像灰度分布不均的問題，嘗試采用LBF模型分割夜間車牌字符[1]。

1 車牌識別的研究背景

在計(jì)算機(jī)、網(wǎng)絡(luò)通信技術(shù)迅猛發(fā)展的背景下，信息自動(dòng)化處理能力及水平持續(xù)提升，且廣泛應(yīng)用于人們生產(chǎn)生活領(lǐng)域。作為信息始源的自動(dòng)化檢測、圖像辨識技術(shù)應(yīng)用情況得到公眾的高度重視[2]，而在智能交通管理系統(tǒng)中，車牌識別(LPR)作為計(jì)算機(jī)視覺和模式識別技術(shù)結(jié)合運(yùn)用的一個(gè)重要課題，也是交管智能化實(shí)現(xiàn)的重要基礎(chǔ)。目前，LPR技術(shù)主要被用于以下領(lǐng)域。

(1)車輛定位。結(jié)合自動(dòng)辨識出的車牌號，很容易發(fā)現(xiàn)被盜車輛，精準(zhǔn)定位出道路上車輛的行車位置，防控、發(fā)現(xiàn)及追蹤車輛盜竊的犯罪行為，在交通安全及城市治安實(shí)現(xiàn)方面起到保障作用。

(2)安全檢查、路費(fèi)上繳、運(yùn)營管理方面，進(jìn)行不停車檢查。

(3)車輛并統(tǒng)計(jì)交通流指標(biāo)參數(shù)，比如整體的服務(wù)流率、流入量與流出量、車流構(gòu)成等。

(4)交通監(jiān)控。利用智能交管系統(tǒng)的視頻監(jiān)控裝置，能直接掌握有關(guān)路段的交通流情況，獲得車輛密度、排隊(duì)規(guī)律等交通信息，觀察并防范交通事故[3-4]。

2 SVM模型簡析

2.1 SVM分類器

SVM分類器是以統(tǒng)計(jì)學(xué)習(xí)理論為基礎(chǔ)形成的一種分類方法，結(jié)合有限的樣本信息量，在模型的復(fù)雜度與學(xué)習(xí)能力之間探尋出最佳折中，以期獲得最好的推廣能力。與常規(guī)的模式辨識法相比，在低樣本容量、高維與非線性數(shù)據(jù)空間內(nèi)，支持向量機(jī)方法能夠在執(zhí)行學(xué)習(xí)任務(wù)過程中有效應(yīng)用多樣化特征提供的信息，具備較強(qiáng)的推廣能力。

2.2 SVM工作原理

SVM方法是由線性可分狀況下，最優(yōu)分類面提出的措施。

假定線性可分樣本集是(xi，yi)，其中：i=1，2，…，n；x∈Rd；y∈{+1，-1}。屬于類別標(biāo)號的范疇。d維空間中線性判別函數(shù)的普通形式：g(x)=w·x+b，可以采用下式表示分類方程：

w·x+b=0

(1)

對判別函數(shù)做歸一化處理，使以上兩類全部樣本均符合|g(x)|≥1，此時(shí)距離分類面最近的樣本|g(x)|=1，那么分類間隔就是2/‖w‖，所以間隔最大等價(jià)于‖w‖(或者‖w‖2)達(dá)到最低；且明確要求分類面對全部樣本都能實(shí)現(xiàn)準(zhǔn)確分類，要符合：

yi[(w·xi)+b]-1≥0,(i=1，2，…，n)

(2)

故而，符合以上條件要求并且能使‖w‖2達(dá)到最小的分類面便是最優(yōu)分類面。以上兩類樣本內(nèi)距離分類面最近的點(diǎn)位，且和最優(yōu)分類面成180°角的超平面上的訓(xùn)練樣本，即是使式(2)成立的樣本，將其統(tǒng)稱為支持向量。結(jié)合上述分析討論，可以嘗試?yán)萌缦碌募s束優(yōu)化去表示最優(yōu)分類面相關(guān)問題，等同于在式(2)的約束下，計(jì)算出式(3)的最小值。

(3)

這屬于一個(gè)二次規(guī)劃問題，可以將其定義成如下的拉格朗日函數(shù)：

(4)

在式(4)內(nèi)，ai>0是Lagrange系數(shù)。計(jì)算式(3)的極小值，等同于針對w，b測求拉氏函數(shù)的極小值。計(jì)算出L對w與b的偏微分，且指定其等于0，可以順利地把其轉(zhuǎn)化成對偶問題。

(5)

[yi(w·x+b)-1]=0?i

(6)

由此可見，當(dāng)支持向量的系數(shù)ai不等于0時(shí)，代表僅有支持向量影響最后的劃分結(jié)果?？梢圆捎孟率奖硎緒：

(7)

(8)

式(8)內(nèi)，sgn()是符號函數(shù)，b*代表的是分類的閾值。針對給出的未知樣本x，僅需測算出sgn(w·x+b)，就能順利判斷出x的所屬分類。

3 基于SVM的車牌定位方法分析

車牌及非車牌區(qū)域圖像的紋理特征有很大差別，可以采用紋理圖像分類的方法定位車牌區(qū)域。

3.1 提取空間子塊

一般應(yīng)用灰度共生矩陣提取圖像的紋理特征參數(shù)：

Lx={1，2，…，Nx} ，Ly={1，2，…，Ny}

G={1，2，…，N}

可以把圖像看成是經(jīng)過Lx×Ly至G的轉(zhuǎn)換，也就是Lx×Ly各個(gè)點(diǎn)和G內(nèi)的灰度相對應(yīng)。定義灰度共生矩陣時(shí)，方向角是θ，間隔是d，采用[p(i，j，θ，d)]表示。

矩陣P(i，j)=p(i，j，θ，d)/R內(nèi)的(i，j)對應(yīng)的全部坐標(biāo)，隨后對GLCM進(jìn)行歸一化處理，R為歸一化的常數(shù)。

基于灰度共生矩陣的常規(guī)處置過程，就能獲得如下紋理特征。

(1)角次彎矩。

闡述圖像灰度統(tǒng)一分布的屬性，對于粗紋理而言該數(shù)值很大，而對于細(xì)紋理該值就極小。

(9)

(2)對比度。

用于闡述圖像的清晰度，伴隨紋理凹槽深度的增加，對比度數(shù)值就越大，圖像的清晰度就越高。

(10)

(3)關(guān)聯(lián)度。

用于權(quán)衡灰度共生矩陣行或列內(nèi)元素之間的相似度。

(11)

式(11)中，μx與σx分別為{Px(i)；i=1，2，…，Ng}的平均值和方差；μy與σy依次代表{Py(i)；i=1，2，…，Ng}的平均值和方差。

(4)熵。

用于權(quán)衡圖像信息量的大小，若圖像內(nèi)不存在任何紋理，該值接近0。

(12)

綜合以上特征，不同的d與θ能獲得不同的數(shù)值，一般設(shè)定d=1，θ分別取0°，45°，90°，135°，那么對于各個(gè)圖像特征能夠獲得4個(gè)值。

3.2 提取DCT域特征

將全幅圖像劃分為N×N個(gè)像素塊，并對各像素塊進(jìn)行DCT轉(zhuǎn)換。如對一個(gè)8×8的圖像可以將其分成4個(gè)像素塊，利用一個(gè)統(tǒng)計(jì)參數(shù)去表示各像素塊。

(13)

(14)

本課題在紋理圖像分割上運(yùn)用SVM算法作為定位車牌的方法，支持向量機(jī)的分類辨識精準(zhǔn)度平均達(dá)到98.5%。選擇3 000幅夜間圖像作為測試樣本，本課題定位算法與傳統(tǒng)基于顏色或灰度信息分析算法的數(shù)據(jù)對比情況如表1所示，夜間車牌圖像的辨識效果如圖1所示。

表1 車牌定位對比數(shù)據(jù)

圖1 夜間車牌圖像的辨識效果

4 結(jié)語

本文在分析支持向量機(jī)工作原理的基礎(chǔ)上，建立了以支持向量機(jī)理論為基礎(chǔ)的車牌定位模型，并運(yùn)用局部二值擬合模型對圖像車牌區(qū)域灰度不均的缺點(diǎn)進(jìn)行字符分割。結(jié)合實(shí)驗(yàn)結(jié)果，本文提出的車牌定位及字符分割算法精準(zhǔn)度顯著高于傳統(tǒng)算法，具有一定推廣價(jià)值。