基于支持向量机的车牌字符识别研究

论文摘要

车牌字符识别是车牌识别系统的最后环节,要求快速准确地识别出车牌图像中分割后的单个字符,字符识别的结果直接关系到整个车牌识别系统的成败。然而,目前大多数研究方法多是基于经验风险最小化原理的传统的统计模式识别,它只有在样本数趋于无穷大时其性能才有理论上的保证。而对于汽车车牌字符识别这样的实际应用,样本通常是有限的,这时传统的方法难以取得理想的效果。支持向量机能够较好地解决小样本学习问题,其目标是得到现有信息的最优解而不仅仅是样本数趋于无穷大时的最优值。对于样本集线性不可分的情况,通过事先确定的非线性映射将输入矢量映射到一个高维特征空间,然后在此高维空间中构建最优超平面。具体反映在支持向量机选用的核函数,它能够避免在高维特征空间中进行复杂的运算。本文给出了线性支持向量机分类的理论原理,同时对常用的几种支持向量机训练算法进行讨论,特别对SMO算法进行了深入研究,并对其进行改进。对车牌字符识别的实现方法的研究上,首先,对二值化噪声滤除后的车牌字符图像进行了基于质心及双线性插值的归一化处理。然后提出先对字符进行几何变换,再利用图像的粗网格特征与方向线素特征集成起来提取特征矢量的思想。将支持向量机分类的输入参数集中在粗网格特征上,用这些特征构造支持向量机算法的特征矢量。最后运用结合多层感知器和单向二叉决策树分类识别方法对车牌字符进行识别。实验证明,采用本文识别方法对车牌字符中的数字、字母及汉字都具有很好的识别效果。本文在分析多类支持向量机分类的基础上,针对总类型数量不多的图像分类情况,提出了基于多层感知器和单向二叉决策树的多类支持向量机分类方法。通过多层感知器网络的训练,获得支持向量机决策函数中合适的Lagrange乘子矢量及阈值b,以及非线性分类时核函数中的常系数,v-SVM分类时的约束值。最后用单向二叉决策树将字符图像逐步分类,并引入参数调整环节,实现了缩短字符识别时间并提高识别精度的目的。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 选题背景
• 1.2 研究车牌字符识别的意义
• 1.3 车牌字符识别的特点及难点
• 1.4 模式识别技术
• 1.4.1 模式识别的概念
• 1.4.2 模式识别的基本方法
• 1.5 支持向量机的发展与应用研究现状
• 1.5.1 支持向量机的发展
• 1.5.2 应用研究现状
• 1.6 本文的主要研究内容和组织形式
• 第2章 车牌字符识别技术方案
• 2.1 预处理
• 2.2 特征提取
• 2.2.1 结构特征
• 2.2.2 统计特征
• 2.3 分类和输出
• 2.3.1 模板匹配法
• 2.3.2 人工神经网络法
• 2.3.3 贝叶斯网络法
• 2.3.4 几何分类法
• 2.3.5 支持向量机方法
• 2.4 本章小结
• 第3章 支持向量机基本理论及训练算法
• 3.1 机器学习的基本问题
• 3.1.1 经验风险
• 3.1.2 复杂性与推广能力
• 3.2 统计学习理论的核心内容
• 3.2.1 VC维
• 3.2.2 推广性的界
• 3.2.3 结构风险最小化
• 3.3 支持向量机
• 3.3.1 线性可分
• 3.3.2 线性不可分
• 3.3.3 非线性情况
• 3.3.4 支持向量机核函数选择
• 3.4 支持向量机训练算法
• 3.4.1 常用的训练算法
• 3.4.2 SMO算法
• 3.4.2.1 两个Lagrange乘子的优化问题
• 3.4.2.2 选择待优化Lagrange乘子的试探点找法
• 3.4.2.3 最小优化后的重置工作
• 3.4.3 SMO算法的改进
• 3.5 本章小节
• 第4章 基于支持向量机的车牌字符识别方法研究
• 4.1 车牌字符训练方法
• 4.1.1 C-SVM分类
• 4.1.2 v-SVM分类
• 4.1.3 多层感知器的多类支持向量机训练方法
• 4.1.3.1 多层感知器结构分析
• 4.1.3.2 多层感知器的BP算法
• 4.1.3.3 结合v-SVM与多层感知器的多类支持向量机训练
• 4.2 车牌字符分类识别方法
• 4.2.1 多类别分类方法研究
• 4.2.1.1 One-vs-One
• 4.2.1.2 One-vs-Rest
• 4.2.2 带参数调整的单向二叉决策数多类支持向量机分类方法
• 4.2.2.1 贪心算法
• 4.2.2.2 单向二叉决策树原理
• 4.2.2.3 两种算法的比较选择
• 4.2.3 单向二叉决策树算法的改进
• 4.3 本章小节
• 第5章 车牌字符识别的实现及仿真实验
• 5.1 车牌字符图像预处理
• 5.1.1 字符图像的二值化
• 5.1.2 二值图的噪声滤除
• 5.1.3 字符图像的归一化
• 5.1.3.1 位置归一化
• 5.1.3.2 大小归一化
• 5.2 车牌字符的特征提取
• 5.2.1 粗网格特征
• 5.2.2 方向线素特征
• 5.2.3 改进的粗网格特征
• 5.3 车牌字符的分类识别
• 5.4 仿真实验与结果讨论
• 5.4.1 特征维数选择实验
• 5.4.2 核函数和参数的选取实验
• 5.4.3 结合多层感知器和单向二叉决策树多类支持向量机识别实验
• 5.4.4 结果分析
• 5.5 本章小节
• 第6章 总结与展望
• 6.1 论文工作总结
• 6.2 进一步研究的工作
• 参考文献
• 致谢
• 作者简介
• 攻读硕士期间发表的论文