資源描述：
《基于字符特征與支持向量機(jī)的車牌字符識(shí)別.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。
1、自動(dòng)化技術(shù)與應(yīng)用》2010年第29卷第1期模式識(shí)別與仿真PatternRecoclnitionandSimulation—基于字符特征與支持向量機(jī)的車牌字符識(shí)別熊春榮1一，黃文明，李美瑾，呂潔(1．玉林師范學(xué)院，廣西玉林537000；2．桂林電子科技大學(xué)，廣西桂林541004)摘要：首先，對(duì)車牌圖像進(jìn)行預(yù)處理，針對(duì)不同的字符樣本采用不同特征提取方法；然后，用提取的特征訓(xùn)練SVM分類器。結(jié)果表明，在訓(xùn)練樣本較少的情況下，該系統(tǒng)具有較高的識(shí)別率和識(shí)別速度，并具有很好的分類推廣能力。關(guān)鍵字：支持向量機(jī)；車牌字符識(shí)別；特征提?。缓撕瘮?shù)中圖分類號(hào)：TP391．41文獻(xiàn)標(biāo)識(shí)碼：A
2、文章編號(hào)：1003—7241(2010)01—0064—03ResearchonLicensePlateCharacterRecognitionBasedonCharactercharacteristicandSupportVectorMachineXIONGChun-rong，HUANGWen—ming，LIMei-jin，LVJie‘(1．YulinNormalUniversity,Yulin537000China；2．GuilinUniversityofElectronicTechnology,Guilin537000China)Abstract：First，t
3、hisarticlecarriesonthepretreatmenttothecarlicenseimage，usesthedifferentfeatureextractionmethodinviewofthedifferentcharactersample；Then，trainstheSVMsorterwiththeextractioncharacteristic．Theresultsshowthat，inthecaseofsmallsamples，themethodhasthehighrecognitionrateandspeed，andhastheverygoo
4、dclassifiedpromotionability．Keywords：SVM；licenseplatecharacterrecognition；featureextraction；kernelfunction1引言無特征提取的前提下，利用SVM進(jìn)行識(shí)別，雖然取得較車牌自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的一個(gè)重要的高的識(shí)別速度，但識(shí)別率不高。領(lǐng)域。一個(gè)典型的車牌自動(dòng)識(shí)別系統(tǒng)包括車牌定位、車牌字符提取和車牌字符識(shí)別三大部分。其中，字符識(shí)別2SVM的基本原理是整個(gè)系統(tǒng)的核心，字符識(shí)別的準(zhǔn)確性和識(shí)別速度直接SVM是統(tǒng)計(jì)學(xué)習(xí)理論中最年輕的部分，主要用于解關(guān)系到該系統(tǒng)是否能夠得到實(shí)際
5、應(yīng)用。傳統(tǒng)的字符識(shí)決有限樣本情況下的模式識(shí)別問題。它的基本思想是在別方法，如模板匹配、神經(jīng)網(wǎng)絡(luò)等，模板匹配法為了提樣本空間或特征空間，構(gòu)造出最優(yōu)超平面使超平面與小高識(shí)別率需要使用大的模板或多個(gè)模板進(jìn)行匹配，而識(shí)同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力。別的速度則隨之降低。神經(jīng)網(wǎng)絡(luò)法的識(shí)別率很大程度SVM算法描述如下【J：上依賴于訓(xùn)練樣本的數(shù)量，在小樣本訓(xùn)練條件下，識(shí)別(1)設(shè)已知訓(xùn)練集T={(xi，Yi)，A，(XI，Y1)}∈(X×的率相對(duì)較低，且網(wǎng)絡(luò)結(jié)構(gòu)較復(fù)雜。Y)，其中xi∈X=R“，Y∈Y={l，一1}，i=l，2^，l；支持向量機(jī)(SuppoAVec
6、torMachines，簡稱SVM)(2)選擇核函數(shù)K(x，X)和懲罰參數(shù)C，構(gòu)造并求是由Vapnik等人于1995年根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一解最優(yōu)化問題：類新型機(jī)器學(xué)習(xí)方法，能夠有效地解決小樣本學(xué)習(xí)、非mjn1薈t凳y。Yja,ajKcXi'Xj，一善口，線性及高維模式識(shí)別等問題，在模式識(shí)別、回歸分析和概率密度函數(shù)估計(jì)等方而得到了廣泛的應(yīng)用?1。最近幾s．t．y?？凇?0，0≤aic,i=1?2．．，l，年，研究者將SVM應(yīng)用于車牌識(shí)別中，如文獻(xiàn)【2]【3】，在得最優(yōu)解a：(al，A，a1)T；(3)選擇的一個(gè)小于C的正分量’，并據(jù)此計(jì)算收稿日期：2009—05—2
7、564ITeJesdAIJ幻I_舊§on&Ab敝】ns模式識(shí)別與t：6真《自動(dòng)化技術(shù)與應(yīng)用》20l0年第29卷第1期PatternRecognitionandSimulation比值固定為2：1，則本文經(jīng)過大小歸一化處理后，變?yōu)閎：Y，一YaK(，)；32xl6像素的字符點(diǎn)陣，黑底白字，并且規(guī)定黑色像素的(4)求得決策函數(shù)：取值為0，白色像素的取值為1。實(shí)驗(yàn)結(jié)果表明，32xl6廠』、f(x)=sanI∑YaK()+b】的字符點(diǎn)陣在保持車牌字符基本特征的情況下，減少了SVM的基本思想可以概括為：首先通過非線性變換計(jì)算量，取得較好的識(shí)別率與識(shí)別速度。將輸
