SVM及其在车牌字符识别中的运用

论文题目: SVM及其在车牌字符识别中的运用

论文类型: 硕士论文

论文专业: 通信与信息系统

作者: 何婕

导师: 罗代升

关键词: 统计学习理论,经验风险最小化,结构风险最小化,支持向量机,粒子种群优化

文献来源: 四川大学

发表年度: 2005

论文摘要: 随着国民经济的日益发展,各种车辆迅速增加,在改变人们生活便利的同时,也引发了许多问题。因此,采用智能交通管理系统(ITS)已成为当前公路交通、城市交通管理的主要手段和发展方向。而车牌自动识别技术又是智能交通管理系统中的核心部分。其中,字符识别的准确率和识别速度又是该技术是否能够用于实际的关键性指标,所以研究出一种快速准确的字符识别方法就显得特别重要。传统统计模式识别的方法如模板匹配和神经网络等都是在样本数目足够多的前提下进行的,只有在样本数趋于无穷时才能获得较好的效果。但在实际问题中,样本数通常是有限的,这时原有方法都难以取得理想的结果。然而,统计学习理论是专门为小样本设计的,它的出现为研究有限样本情况下的统计模式识别建立了一个较好的理论框架,并推出了一种新的模式识别方法——支持向量机SVM。支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的由Vapnik等人于1995年提出的一类新型机器学习方法,它能够较好解决小样本、非线性及高维数等模式识别问题。近年来SVM已在脸像识别、语音识别、文章分类等众多领域得到了广泛应用。利用该方法进行字符识别,在训练样本相对较少的情况下,仍可得到较好的识别率。目前研究SVM的文章虽然较多,但关于如何解决SVM在工程中的一些实用方法的研究却相对较少。此外,SVM

论文目录:

第1章绪论

1．1 智能交通系统(ITS)介绍

1．2 车牌字符识别技术的常用方法

1．2．1 传统模式识别技术

1．2．2 人工神经网络技术技术

1．3 统计学习理论和支持向量机 SVM

1．4 作者在本文所作的工作

第2章 SVM原理

2．1 统计模式识别问题

2．1．1 机器学习的数学描述

2．1．2 VC维(Vapnik-Chervonenkis Dimension)

2．1．3 推广性的界

2．1．4 结构风险最小(SRM)

2．2 线性和广义线性判别函数

2．3 支持向量机

2．3．1 最优分类面(硬间隔)

2．3．2 广义最优分类面(软间隔)

2．3．3 高维空间中的最优分类面

2．3．4 支持向量机 SVM

2．3．5 支持向量机的核函数

2．4 本章小节

第3章 SVM中的参数确定

3．1 推广能力的评价标准

3．2 SVM核函数选择

3．3 径向基函数 SVM的性能分析

3．4 参数C和σ的确定方法

3．5 PSO算法介绍

3．5．1 PSO算法概述

3．5．2 PSO算法实现

3．6 本章小节

第4章车牌字符识别系统设计及实现

4．1 车牌字符识别系统的结构

4．1．1 特征提取

4．1．2 模型训练

4．1．3 多分类方法选取

4．1．4 存储参数

4．1．5 决策计算和判决

4．1．6 识别结果分析

4．2 单样本增量训练算法

4．3．1 基于原始训练样本的新增重新训练

4．3．2 基于支持向量 SV的新增重新训练

4．3．3 基于单个训练样本的新增追加训练

4．3．4 基于单个训练样本的新增重新训练

4．3 调整输出结果为置信度

4．3．1 置信度的定义和用途

4．3．2 置信度和广义置信度

4．3．3 分类器的广义置信度估计

4．3．4 广义置信度在 SVM分类器中的应用

4．4 字符识别系统的性能

4．5 本章小节

总结和展望

参考文献

攻读学位期间发表的论文

四川大学学位论文独创性声明

四川大学学位论文使用授权声明

致谢

发布时间: 2005-10-17

参考文献

[1].基于SVM的车牌字符识别算法研究与实现[D]. 杨旭.南京邮电大学2012
[2].车牌字符识别技术的研究和实现[D]. 赖锟.合肥工业大学2018
[3].基于深度学习的车牌字符识别研究[D]. 杨志.安徽大学2018
[4].基于支持向量机的车牌字符识别研究[D]. 杜晶.河北工程大学2008
[5].基于深度信念网络的车牌字符识别算法研究与实现[D]. 朱宏吉.浙江大学2015
[6].车牌字符识别技术的研究[D]. 王浩.重庆大学2010
[7].车牌字符识别算法的研究[D]. 陈学保.重庆大学2013
[8].车牌字符识别技术的研究[D]. 高伟.山西大学2005
[9].基于射影不变量的车牌字符识别[D]. 陈路.西安电子科技大学2007
[10].基于SVM的车牌字符识别研究[D]. 罗畅.华中科技大学2007

SVM及其在车牌字符识别中的运用

猜你喜欢