1 引言
??? 車牌識別是智能交通系統的一個重要研究課題，存在巨大的市場需求。車牌識別系統分車輛圖像的獲取、車牌的定位與字符分割、車牌字符識別3大部分。對于車牌字符識別，目前最常用的方法是基于模板匹配的方法和基于神經網絡的方法兩大類。前者多利用了字符的輪廓、網格、投影等統計特征，相似字符區分能力差，且因特征數據維數過大會導致識別速度慢；而后者則存在網絡輸入數據的選擇和網絡結構設計等問題。
??? 目前，普遍采用3類方法來提高字符的識別性能：第1類是尋找更好的分類識別算法；第2類是將幾種分類器結合起來，相互補充，根據不同方面的特征分類，如文獻；第3類是抽取具有更強描述能力的特征，結合其它輔助特征來進行分類，如文獻。
??? 本文采用支持向量機(SVM，support vector machine)的方法解決車牌字符識別問題，屬于第1類方法。SVM可以自動尋找對分類有較好區分能力的支持向量，由此構成的分類器可以最大化類間間隔，達到正確區分類別的目的；在解決有限樣本、非線性及高維模式識別問題中表現出了許多特有的優越性能，且具有適應性強和效率高的特點。

2 支持向量機簡介
??? 支持向量機(SVM)是Vapnik及其研究小組提出的針對二類別的分類問題而提出的一種分類技術，是一種新的非常有發展前景的分類技術。支持向量機的基本思想是在樣本空間或特征空間，構造出最優超平面使超平面與不同類樣本集之間的距離最大，從而達到最大的泛化能力，其算法的詳細敘述可參考文獻。
??? 支持向量機方法根據Vapnik的結構風險最小化原則，盡量提高學習機的泛化能力，使有限少量訓練樣本得到的決策規則對獨立的測試集仍能得到小的誤差。這樣只需有限的少量樣本參與訓練，就可以保證訓練產生的分類器具有很小的誤差。而車牌字符識別時，相對于預測的樣本，只能有有限的少量樣本參與訓練，支持向量機的方法可以使訓練產生的分類器在識別車牌字符時只有小的誤差，并且大幅減少訓練的時間。
??? 對于數據分類問題，通用的神經網絡方法的機理可以簡單地描述為：系統隨機產生一個超平面并移動它，直到訓練集中屬于不同類別的點正好位于平面的不同側面。這種處理機制決定了神經網絡方法最終獲得的分割平面并不是一個最優超平面，只是一個局部的次優超平面。而SVM將最優超平面的求解問題轉換為一個不等式約束下的二次函數尋優問題，這是一個凸二次優化問題，存在唯一解，能保證找到的極值解就是全局最優解。
??? SVM通過一個非線性函數將輸入數據映射到具有高維甚至為無窮維的特征空間，并在這個高維特征空間進行線性分類，構造最優分類超平面，但在求解最優化問題和計算判別函數時并不需要顯式計算該非線性函數，而只需計算核函數，從而避免特征空間維數災難問題。
??? 車牌字符識別問題中每個樣本為一個字符圖像，每個字符圖像由許多像素組成，具有高維的特點。SVM通過核函數的計算，避免了神經網絡解決樣本空間的高維問題帶來的網絡結構設計問題，使訓練模型與輸入數據的維數無關；并且每個字符的整幅圖像作為一個樣本輸入，不需要進行特征提取，節省了識別時間。

3 車牌字符分類器的構造
??? 我國標準車牌格式是：X1X2．X3X4X5X6X7，其中X1是各省、直轄市和自治區的簡稱，X2是英文字母，X3X4是英文字母或阿拉伯數字，X5X6X7是阿拉伯數字，并且對于不同的Xl，X2的取值范圍是不一樣的。X2和X3之間有一小圓點。
??? 針對車牌字符的排列特征，為了提高車牌整體的識別率，可以設計4個分類器來進行車牌字符的識別，即漢字分類器、數字分類器、英文字母分類器、數字+字母分類器。根據車牌中字符的序號，選擇對應的分類器進行識別，然后將識別結果按字符序號進行組合，就得到了整個車牌的識別結果。4個分類器如圖l所示。

??? 字符集中漢字有50多個，其中31個為各省、直轄市和自治區的簡稱；英文字母全部為大寫字母，不含字母“I”，字母“o”歸為數字“0”，故英文字母集由24個大寫字母組成；數字為0～9的阿拉伯數字。
??? 支持向量機是針對二類別的分類而提出的，但車牌字符識別是多類別的分類問題，需要將二類別分類方法擴展到多類別分類，本文采用了一一區分法實現。一一區分法(one—against—one method)是分別選取2個不同類別構成一個SVM子分類器，這樣對于k類問題，共有k(k一1)／2個SVM子分類器。在構造類別i和類別j的SVM子分類器時，在樣本數據集中選取屬于類別i和類別j的樣本數據作為訓練樣本數據，并將屬于類別i的數據標記為正，將屬于類別j的數據標記為負。測試時，將測試數據對k(k一1)／2個SVM子分類器分別進行測試，并累計各類別的得分，選擇得分最高者所對應的類別為測試數據的類別。

4 最佳參數模型的選擇
??? 本文從某一實際卡口系統采集到的768×576像素的汽車牌照圖片進行車牌定位和字符分割后，將分割的每個車牌字符進行二值化操作，字符筆劃對應的像素置為l，背景像素置為0，再將每個字符歸一化到13x24像素，并根據每個字符在車牌中的位置，編上序號l～7。
??? 本文所選汽車牌照圖片共計132張，包括晚上、逆光、字符磨損厲害、牌照傾斜和牌照旁掛其它牌子等情況；有129張圖片可以實現車牌正確定位，車牌定位率為97．73％；120張圖片可以實現所有字符正確分割，字符分割完全正確率為93．02％。
??? 本文將每個字符作為一個樣本，每個樣本維數為312(13x24)，根據其序號分成4類樣本。每類樣本分成兩部分，60%的樣本訓練產生模型，另40％用于測試，核函數采用徑向基函數K(xi，x)=exp（-||x-xi||2/σ2），分別訓練生成4類分類器，從中選擇最優參數模型組成4類最佳分類器，用來進行車牌字符的整體識別。
??? 為了求解最佳的分類器參數(C，σ2)，本文選擇雙線性法來求解最佳參數，對每類分類器模型采用以下步驟：
??? 第一步：根據識別正確率確定最佳參數C。首先假設C=10，取σ2=10-1，100，101，102，103，得到最高的識別正確率對應的σ2，然后固定σ2，改變C的值，得到這時最高的識別正確率對應的C值，作為最佳參數C。
??? 4類分類器的最高識別正確率對應的(C，σ2)都為(10，100)，確定最佳C=10。
??? 第二步：確定最佳參數(C，σ2)。固定最佳參數C，取σ2=l，10，100，200，300，400，500，600，700，800，900，1000，取最高識別正確率對應的(C，σ2)為分類器模型的最佳參數。
??? 觀察發現，4類分類器模型在σ2的值變為100以下時，對應的識別正確率都逐漸減??；σ2的值變為100以上時，對應的識別正確率先增大后減小，出現“峰值”，取“峰值”對應的模型參數為最佳參數。4類最佳分類器如下表1所示。

??? 實驗觀察分析，分類器識別時具有一定的偏向性，即參與訓練的某類樣本數目多，預測樣本識別為該類的概率就大，如訓練樣本中“浙”字較多，漢字分類器將預測樣本識別為“浙”的可能性較大，而實際上預測樣本中“浙”字數目較多，這樣無形中就提高了識別正確率。

5 實驗及結果
??? 本文用以上4類最佳分類器的組合分類器對所有車牌字符進行整體識別，識別結果如表2所示。
??? 在實際運用中，車牌字符正確數目在5個以上就能滿足要求，本文與相關文獻的車牌字符識別結果如表3所示。

??? 觀察分析發現，影響識別效果的主要原因是相似字符的誤識，如字符“D”和“0”、“B”和“8”等；還有漢字筆劃多，二值化操作易造成筆劃模糊，使漢字誤識。

6 結論
??? 本文將SVM的方法引入車牌字符識別中，在詳細分析了車牌字符的排列特征的基礎上，構造了用4個不同類別的SVM字符分類器；根據車牌字符的序號分別對應識別，再將識別結果組合，就得到了整幅車牌的號碼。
??? SVM方法采用核函數解決了高維樣本識別問題，不需要進行模型網絡結構設計，并且不需進行特征提取，只需要有限的樣本參入訓練，節省了識別時間，這些都非常符合車牌字符識別的要求。本文采用一一區分法將SVM方法從二類別識別擴展到了多類別識別，并取得了滿意的識別效果；但一一區分法需要保證訓練樣本的充分性，需要所有類別的樣本都參加訓練。
??? 試驗結果表明，本方法有較好的實用性，而進一步減少相似字符和漢字誤識是本工作以后努力的方向，其關鍵是加強圖像的預處理，改進字符分割方法和二值化方法，使字符筆劃更清楚。