鐘 彩，彭春富，傅 波，胡常樂

(常德職業(yè)技術學院，湖南 常德 415000)

0 引言

步入信息化社會以來，計算機等現代化技術迅猛發(fā)展，促進了信息自動化處理能力及水平的提升，逐漸和人們生產生活的各個領域相融合。為更好地滿足國民經濟快速發(fā)展的需求，高速公路、城市道路建設數目及規(guī)模均有擴增，交通管理部門急需建設運行高效、智能化的交管系統(tǒng)。車牌信息是交通系統(tǒng)內一項重要的交通檢測數據，在車輛自動化管理方面發(fā)揮重要作用。

由于夜間能見度顯著降低，即便是進行燈光補償，也很難獲得對比度較高的圖像，和日間獲得的圖像質量相差甚遠。本課題提出了以支持向量機為基礎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

在計算機、網絡通信技術迅猛發(fā)展的背景下，信息自動化處理能力及水平持續(xù)提升，且廣泛應用于人們生產生活領域。作為信息始源的自動化檢測、圖像辨識技術應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)作為計算機視覺和模式識別技術結合運用的一個重要課題，也是交管智能化實現的重要基礎。目前，LPR技術主要被用于以下領域。

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

(2)安全檢查、路費上繳、運營管理方面，進行不停車檢查。

(3)車輛并統(tǒng)計交通流指標參數，比如整體的服務流率、流入量與流出量、車流構成等。

(4)交通監(jiān)控。利用智能交管系統(tǒng)的視頻監(jiān)控裝置，能直接掌握有關路段的交通流情況，獲得車輛密度、排隊規(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)計學習理論為基礎形成的一種分類方法，結合有限的樣本信息量，在模型的復雜度與學習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、高維與非線性數據空間內，支持向量機方法能夠在執(zhí)行學習任務過程中有效應用多樣化特征提供的信息，具備較強的推廣能力。

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}。屬于類別標號的范疇。d維空間中線性判別函數的普通形式：g(x)=w·x+b，可以采用下式表示分類方程：

w·x+b=0

(1)

對判別函數做歸一化處理，使以上兩類全部樣本均符合|g(x)|≥1，此時距離分類面最近的樣本|g(x)|=1，那么分類間隔就是2/‖w‖，所以間隔最大等價于‖w‖(或者‖w‖2)達到最低；且明確要求分類面對全部樣本都能實現準確分類，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達到最小的分類面便是最優(yōu)分類面。以上兩類樣本內距離分類面最近的點位，且和最優(yōu)分類面成180°角的超平面上的訓練樣本，即是使式(2)成立的樣本，將其統(tǒng)稱為支持向量。結合上述分析討論，可以嘗試利用如下的約束優(yōu)化去表示最優(yōu)分類面相關問題，等同于在式(2)的約束下，計算出式(3)的最小值。

(3)

這屬于一個二次規(guī)劃問題，可以將其定義成如下的拉格朗日函數：

(4)

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

(5)

[yi(w·x+b)-1]=0?i

(6)

由此可見，當支持向量的系數ai不等于0時，代表僅有支持向量影響最后的劃分結果?？梢圆捎孟率奖硎緒：

(7)

(8)

式(8)內，sgn()是符號函數，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

一般應用灰度共生矩陣提取圖像的紋理特征參數：

Lx={1，2，…，Nx} ，Ly={1，2，…，Ny}

G={1，2，…，N}

可以把圖像看成是經過Lx×Ly至G的轉換，也就是Lx×Ly各個點和G內的灰度相對應。定義灰度共生矩陣時，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內的(i，j)對應的全部坐標，隨后對GLCM進行歸一化處理，R為歸一化的常數。

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值很大，而對于細紋理該值就極小。

(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，對比度數值就越大，圖像的清晰度就越高。

(10)

(3)關聯(lián)度。

用于權衡灰度共生矩陣行或列內元素之間的相似度。

(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。

用于權衡圖像信息量的大小，若圖像內不存在任何紋理，該值接近0。

(12)

綜合以上特征，不同的d與θ能獲得不同的數值，一般設定d=1，θ分別取0°，45°，90°，135°，那么對于各個圖像特征能夠獲得4個值。

3.2 提取DCT域特征

將全幅圖像劃分為N×N個像素塊，并對各像素塊進行DCT轉換。如對一個8×8的圖像可以將其分成4個像素塊，利用一個統(tǒng)計參數去表示各像素塊。

(13)

(14)

本課題在紋理圖像分割上運用SVM算法作為定位車牌的方法，支持向量機的分類辨識精準度平均達到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據對比情況如表1所示，夜間車牌圖像的辨識效果如圖1所示。

表1 車牌定位對比數據

圖1 夜間車牌圖像的辨識效果

4 結語

本文在分析支持向量機工作原理的基礎上，建立了以支持向量機理論為基礎的車牌定位模型，并運用局部二值擬合模型對圖像車牌區(qū)域灰度不均的缺點進行字符分割。結合實驗結果，本文提出的車牌定位及字符分割算法精準度顯著高于傳統(tǒng)算法，具有一定推廣價值。