SVM分類器分為三層結(jié)構(gòu)，結(jié)構(gòu)示意見圖2。輸入層的維數(shù)為子圖的特征維數(shù)4N-3，輸入值是灰度值。隱含層的維數(shù)是由訓(xùn)練獲得的支持向量決定，即由訓(xùn)練階段自動獲得，而且二次規(guī)劃在凸集下的解是全局最優(yōu)解，避免陷入局部最小。隱含層計算輸入向量與支持向量之間的內(nèi)積，完成非線性映射，通過核函數(shù)一步來實(shí)現(xiàn)的。輸出層的輸出就是對隱層的輸出與權(quán)值ωi的乘積求和，權(quán)值aiyi也是在訓(xùn)練中獲得的。

?

　　SVM中研究最多的核函數(shù)主要有三類：多項式、徑向基函數(shù)(RBF)和多層Sigmoid神經(jīng)網(wǎng)絡(luò)。實(shí)驗中使用的是多項式核函數(shù)，形式為：

?

　　作為一種基于樣本學(xué)習(xí)的方法，我們希望訓(xùn)練樣本集盡可能地大，以獲得比較充分的代表性。然而考慮到實(shí)際的限制，這個尺寸又必須是適中的。因此，問題就是如何構(gòu)造一個全面又可行的訓(xùn)練樣本集。對于車牌定位問題，所有包含牌照區(qū)域的圖像可以作為正樣本，困難點(diǎn)是收集負(fù)樣本，因為實(shí)際上存在太多的不包含牌照的圖像可以作為負(fù)樣本。如何在這些圖像中選取具有代表性的子集，實(shí)驗中采用了一種叫“自舉”(bootstrap)的方法，他已被Sung和Poggio成功地應(yīng)用于人臉識別。主要思想就是一些負(fù)樣本(非牌照)是在訓(xùn)練中獲得而不是在訓(xùn)練以前，具體實(shí)現(xiàn)步驟如下：

　　(1)建立包含正樣本(牌照區(qū)域)和負(fù)樣本(非牌照區(qū)域)的訓(xùn)練集合N1;

　　(2)用N1訓(xùn)練SVM;

　　(3)用訓(xùn)練好的SVM分類器對隨機(jī)選取的非牌照樣本進(jìn)行分類測試，收集那些被錯分為牌照的樣本;

　　(4)隨機(jī)選取20%的錯分類樣本加入到訓(xùn)練集N1;

　　(5)重復(fù)(2)～(4)步直至沒有再發(fā)現(xiàn)錯分的樣本;

　　(6)使用最終獲得的N1訓(xùn)練SVM。

　　關(guān)鍵字：向量機(jī) 車牌定位

　　圖3顯示了一些用于訓(xùn)練的樣本。

?

　　最后，用訓(xùn)練好的SVM分類器掃描全圖，根據(jù)輸出類別，對每個N×N小窗口的中心像素做出判斷。如果輸出+1就認(rèn)為他是牌照區(qū)域，賦值為255;否則，則認(rèn)為他不是牌照區(qū)域，賦值為0。如圖4(a)所示。

　　SVM通過訓(xùn)練選擇對分類超平面起決定作用的支持向量，就像選擇了一組特定的濾波器，突出了牌照區(qū)域。在SVM分類器中濾波器的數(shù)目和系數(shù)是在訓(xùn)練中自動獲得的。

　　3.3 分割牌照區(qū)域

　　對每個像素做出分類判斷后，得到一個二值圖像，還必須進(jìn)行一些處理，其目的是合并感興趣區(qū)域和去除噪聲。本文采用數(shù)學(xué)形態(tài)學(xué)對二值圖像進(jìn)行處理，在此基礎(chǔ)之上再做水平和垂直兩個方向的投影，最后，根據(jù)投影并結(jié)合車牌自身的一些先驗知識，如長寬比、車牌的字符數(shù)、字符間距，實(shí)現(xiàn)牌照區(qū)域的定位。分割過程主要包括以下幾個步驟：

　　(1)首先訓(xùn)練SVM分類器，用他掃描圖像，對像素進(jìn)行分類，獲得分類后的二值圖像。

　　(2)應(yīng)用數(shù)學(xué)形態(tài)學(xué)方法對分類結(jié)果所得圖像進(jìn)行處理、去除噪聲。

　　(3)再對圖像做水平投影和高斯迭代平滑處理。

　　(4)確定牌照水平區(qū)域：在平滑處理后的水平投影圖中，獲取峰值點(diǎn)以及與這些峰值點(diǎn)最接近的左右側(cè)谷值點(diǎn)，由左右側(cè)谷值點(diǎn)確定一個水平區(qū)域的高度g，峰值大于車牌最小寬度F時，該區(qū)域是車牌可能所在的水平區(qū)域。其中：F=Rmin×g，Rmin為標(biāo)準(zhǔn)車牌寬高比的最小值。

　　(5)確定牌照垂直區(qū)域：對于車牌可能所在的水平區(qū)域進(jìn)行垂直投影(同樣采取高斯疊代平滑)，由垂直投影圖將水平區(qū)域分成一塊塊較小的區(qū)域，計算出最大字符間距D，將間距小于等于D的區(qū)域合并。其中：D=Tmax×Rmax×g，Rmax為標(biāo)準(zhǔn)車牌寬高比的最大值，Tmax為標(biāo)準(zhǔn)車牌最大字符間距與車牌寬度之比。合并后區(qū)域的寬高比大于Rmin的為車牌可能所在的區(qū)域。

　　(6)牌照的確定與分割：根據(jù)標(biāo)準(zhǔn)車牌的字符個數(shù)和筆劃數(shù)的范圍，檢測各區(qū)域水平方向上的跳變化次數(shù)，若在該范圍內(nèi)則認(rèn)為該區(qū)域為車牌所在的區(qū)域，然后在含有牌照的原圖中切出與(4)中相應(yīng)的區(qū)域。

　　4 實(shí)驗結(jié)果分析

　　實(shí)驗收集了200幅車牌圖像，任意選取100幅作為訓(xùn)練樣本，還收集了一些不包含車牌的圖像作為自舉訓(xùn)練方法的樣本。

　　程序使用Microsoft VC++6.0編寫。訓(xùn)練和識別所用的圖像子塊尺寸N取15，特征數(shù)據(jù)歸一化在0～1之間。核函數(shù)多項式的次數(shù)d的值取5，SVM的懲罰因子C取100，訓(xùn)練SVM的算法采用的是JohnC.Platt提出的序列最小優(yōu)化算法。剩余100幅圖像作為測試樣本，其中能正確定位的有93幅，有7幅沒有正確定位。引起錯誤的原因主要有圖像中相似的字符區(qū)域過多或者圖像本身過于模糊，相似區(qū)域過多干擾了牌照區(qū)域，而圖像模糊則損失了牌照區(qū)域有用的紋理信息。實(shí)驗結(jié)果表明，SVM在小樣本下可以獲得較好的識別效果。

?

　　圖4給出了圖3(b)中示例圖像車牌定位過程，圖4(a)為經(jīng)過SVM分類輸出的二值圖，圖4(b)為數(shù)學(xué)形態(tài)學(xué)濾波處理后的結(jié)果，圖4(c)為最終車牌定位結(jié)果。

　　5 結(jié) 語

　　車牌定位是一種非線性可分問題，牌照區(qū)域包含了豐富的紋理信息，利用這個特征可以實(shí)現(xiàn)牌照區(qū)域的定位。本文使用SVM對含牌照的汽車圖像中像素進(jìn)行分類，再經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理并結(jié)合牌照先驗知識實(shí)現(xiàn)定位。實(shí)驗表明該方法取得了較好的定位效果。