智能交通系統是一個熱點研究領域，受到日益廣泛的關注。車牌識別系統(LPR)是計算機視覺、模式識別技術在智能交通領域的一個重要應用，包括車牌定位、車牌字符分割、字符識別三部分。其中車牌定位是整個系統中的關鍵步驟。

　　目前車牌定位方法主要有：

　　(1)基于Hough變換的方法，分析車牌具有明顯的矩形邊框，利用Hough變換檢測區域邊界實現定位。

　　(2)基于邊緣檢測的方法，利用了車牌字符邊緣豐富的特征，結合數學形態學或區域生長方法實現牌照定位。

　　(3)基于神經網絡的方法，利用圖像的顏色或紋理特征訓練神經網絡，然后用訓練好的分類器對圖像各個像素進行分類，再對分類結果綜合，得到牌照的準確定位。然而由于光照不均、污染等因素影響，可能使得牌照區域邊界不明顯或存在多個干擾區域，從而增加了準確定位的難度。

　　要提高車牌定位的精度，應充分利用他自身提供的信息，突出車牌區域而抑制非車牌區域。車牌區域有著豐富的紋理，尋找一種良好性能的分類器，凸現這種紋理特征，使他與其他區域區別開來。支持向量機(Support Vector Machine，SVM)正是這樣一種分類學習機制，建立在結構風險最小化(Structural Risk Minimization，SRM)準則之上，已經在文本識別，人臉識別，紋理分類等模式識別領域取得了成功。

　　本文使用SVM機制自動定位車牌區域，首先對每幅訓練圖像切分成若干個N×N大小的圖像子塊，把每個字塊分別標注為車牌和非車牌區域兩類，提取子塊圖像的特征向量訓練SVM分類器;然后使用該分類器對測試圖像中的各個像素進行分類，最后通過后期處理結合車牌的先驗知識實現車牌區域的定位。

　　2 SVM原理

　　SVM基于SRM準則構造最優超平面，使每類數據之間間隔最大，同時保持分類誤差盡可能小。Cover定理指出：一個復雜的模式識別分類問題，在高維空間比低維空間更容易線性可分。實際上SVM實現了這樣的思想：通過某種事先選擇的非線性映射將向量x映射到一個高維特征空間，然后在這個空間中構造最優分類超平面。

　　對于兩類模式分類問題，在非線性可分的情況下，通過一個非線性變換φ：x→φ (x)，將給定的模式數據映射到高維特征空間，再構造分類超平面，表示為決策面：

?

　　考慮到兩類樣本離決策面都應有一定距離，決策面應滿足不等式約束：

?

　　完全滿足式(2)的超平面是不存在的。考慮到存在一些樣本不能被決策面正確分類，引入松弛變量ξi(≥0)，約束條件式(2)變為：

?

　　滿足要求的超平面不止一個，尋找最優超平面可以歸結為二次規劃問題：

?

　　其中C被稱為懲罰因子，通過C可以在分類器的泛化能力和誤分率之間進行折衷。利用拉格朗日函數求解可得優化問題(4)的對偶形式，最大化函數：

?

　　求解式(5)可以得到ai，代入式(7)可以確定ω，分類函數可表示為：

?

　　3 SVM定位車牌區域

　　車牌區域準確定位是一種非線性可分的模式分類問題。

　　關鍵字：向量機 車牌定位

　　3.1 特征提取

　　利用SVM自身結構可以實現有效的特征提取，選擇直接提取像素灰度特征。圖像像素點之間不是孤立的，相互之間存在著相關性，體現了一種紋理。可以通過提取一些特定像素的灰度值作為整幅圖像的特征，同時減少了計算量。首先將每幅圖像切割成若干個N×N子塊，再將每一子塊標注為牌照區域(+1)和非牌照區域(-1)兩類，然后使用圖1所示“米”字型模型提取像素灰度值(圖中陰影為要提取的像素點)。這樣每幅子圖的特征維數由N×N減少到4N-3，提高了訓練和分類速度。