專(zhuān)利名稱(chēng)：基于車(chē)輛實(shí)時(shí)跟蹤和二進(jìn)指數(shù)分類(lèi)車(chē)牌字符識(shí)別的方法
基于車(chē)輛實(shí)時(shí)跟蹤和二進(jìn)指數(shù)分類(lèi)車(chē)牌字符識(shí)別的方法技術(shù)領(lǐng)域
本發(fā)明屬于智能交通系統(tǒng)的一個(gè)重要應(yīng)用領(lǐng)域-車(chē)輛實(shí)時(shí)連續(xù)跟蹤和車(chē)牌字符 識(shí)別技術(shù)領(lǐng)域，尤其是涉及一種實(shí)時(shí)連續(xù)多點(diǎn)跟蹤方法和基于LS-SVM和二進(jìn)指數(shù)多類(lèi)別 分類(lèi)的車(chē)牌字符識(shí)別方法。
背景技術(shù)：
隨著計(jì)算機(jī)技術(shù)和數(shù)字圖像處理技術(shù)的發(fā)展，計(jì)算機(jī)視覺(jué)智能技術(shù)的應(yīng)用領(lǐng)域已 迅速拓寬。運(yùn)動(dòng)目標(biāo)識(shí)別、動(dòng)態(tài)跟蹤已成為計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)非?；钴S的課題，在交通監(jiān) 控、軍事自動(dòng)導(dǎo)航、生物組織、運(yùn)動(dòng)分析等領(lǐng)域有很高的實(shí)用價(jià)值，運(yùn)動(dòng)目標(biāo)的自動(dòng)跟蹤控 制系統(tǒng)的實(shí)現(xiàn)目的在于以攝像頭采集目標(biāo)的視頻圖像序列，并通過(guò)計(jì)算機(jī)實(shí)時(shí)地分析目標(biāo) 的運(yùn)動(dòng)，得到目標(biāo)的運(yùn)動(dòng)參數(shù)，以此作為主要依據(jù)控制攝像頭始終指向目標(biāo)，使得目標(biāo)始終 位于屏幕中央附近。
運(yùn)動(dòng)目標(biāo)的實(shí)時(shí)跟蹤目前國(guó)內(nèi)外大多僅限于單機(jī)模式，本發(fā)明提出了一種實(shí)時(shí)運(yùn) 動(dòng)目標(biāo)識(shí)別與動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤的設(shè)計(jì)方案，該方案首先在某監(jiān)測(cè)點(diǎn)發(fā)現(xiàn)欲尋找的運(yùn)動(dòng)目 標(biāo)，分割出目標(biāo)所在區(qū)域位置，并在此區(qū)域內(nèi)采用最優(yōu)閾值分割方法分割出目標(biāo)，識(shí)別出運(yùn) 動(dòng)目標(biāo)的特征，進(jìn)行實(shí)時(shí)連續(xù)跟蹤；當(dāng)運(yùn)動(dòng)目標(biāo)移動(dòng)并離開(kāi)此監(jiān)測(cè)點(diǎn)的視野時(shí)，系統(tǒng)將鎖定 的運(yùn)動(dòng)目標(biāo)特征值傳輸?shù)较乱粋€(gè)監(jiān)測(cè)點(diǎn)，此監(jiān)測(cè)點(diǎn)根據(jù)傳輸過(guò)來(lái)的運(yùn)動(dòng)目標(biāo)的特征，迅速 找到目標(biāo)，并繼續(xù)進(jìn)行監(jiān)測(cè)和跟蹤；依次重復(fù)上述過(guò)程，將鎖定的目標(biāo)連續(xù)不斷的跟蹤下 去。
車(chē)牌字符識(shí)別技術(shù)是智能交通系統(tǒng)的一個(gè)重要應(yīng)用領(lǐng)域，它的準(zhǔn)確性和實(shí)時(shí)性直 接關(guān)系到該技術(shù)是否能夠得到實(shí)際應(yīng)用。車(chē)牌字符識(shí)別的前提是在復(fù)雜背景下車(chē)牌局域、 字符的提取問(wèn)題，背景包括車(chē)牌周?chē)能?chē)身以及車(chē)輛四周的場(chǎng)景。目前，國(guó)內(nèi)外對(duì)此進(jìn)行了 一些研究，除了數(shù)字圖像處理的灰度閾值化、邊緣提取和區(qū)域生長(zhǎng)三種基本的圖像分割方 法外，在車(chē)牌圖像分割中常用的方法還有基于掃描行高頻分析的方法、類(lèi)字符分析方法和 基于顏色的車(chē)牌提取方法。通過(guò)分析和實(shí)驗(yàn)證實(shí)，以上方法都普遍存在適應(yīng)性較差和實(shí)時(shí) 性不足的問(wèn)題，單純地采用灰度、類(lèi)字符或彩色分析的方法進(jìn)行車(chē)牌字符的提取有較大的 局限性，各種方法之間需要取長(zhǎng)補(bǔ)短，綜合優(yōu)化。另外，這些車(chē)牌提取方法通常將車(chē)牌提取、 字符分割和識(shí)別作為不同的處理階段截然分開(kāi)，不能充分地綜合利用字符是車(chē)牌的組成部 分和車(chē)牌的制作標(biāo)準(zhǔn)等知識(shí)。
傳統(tǒng)的字符識(shí)別方法，如模板匹配、BP神經(jīng)網(wǎng)絡(luò)等，在進(jìn)行車(chē)牌字符識(shí)別時(shí)其識(shí)別 率很大程度上依賴(lài)于訓(xùn)練樣本的數(shù)量，且在無(wú)字符特征提取的情況下，識(shí)別的正確率相對(duì) 較低。由Vapnik等人提出的支持矢量機(jī)(Support Vector Machines, SVM)是一類(lèi)新型機(jī) 器學(xué)習(xí)方法，能夠較好的解決小樣本、非線性及高維等模式識(shí)別問(wèn)題。利用SVM方法進(jìn)行車(chē) 牌字符的識(shí)別，在訓(xùn)練樣本相對(duì)較少且無(wú)字符特征提取的情況下，仍可得到較高的識(shí)別率。
支持向量機(jī)方法是針對(duì)二類(lèi)別的分類(lèi)提出的，如何將二類(lèi)別分類(lèi)方法擴(kuò)展到多類(lèi) 別分類(lèi)是支持向量機(jī)研究的重要內(nèi)容之一，假定多類(lèi)別分類(lèi)問(wèn)題有k個(gè)類(lèi)別S= {1,2,...,k}，訓(xùn)練樣本為Kxi, Yi), i = 1,2,…，n}，其中yi e S，目前SVM常用的分類(lèi)方法主要有 以下4種(1)逐一鑒別方法；(2) 一一區(qū)分法；(3)M-ary分類(lèi)方法；(4) 一次性求解方法。 方法(1)逐一鑒別方法(one-against-the-rest method)是構(gòu)造k個(gè)SVM子分類(lèi)器。在構(gòu) 造第i (i為k中的某一個(gè))個(gè)SVM子分類(lèi)器時(shí)，將屬于第i類(lèi)別的樣本數(shù)據(jù)標(biāo)記為正類(lèi)，不 屬于i類(lèi)別的樣本數(shù)據(jù)標(biāo)記為負(fù)類(lèi)。測(cè)試時(shí)，對(duì)測(cè)試數(shù)據(jù)分別計(jì)算各個(gè)子分類(lèi)器的判別函 數(shù)值，并選取判別函數(shù)值最大所對(duì)應(yīng)的類(lèi)別為測(cè)試數(shù)據(jù)的類(lèi)別；方法( 一一區(qū)分法(one against one method)是分別選取2個(gè)不同類(lèi)別構(gòu)成一個(gè)SVM子分類(lèi)器，這樣共有k(k_l)/2 個(gè)SVM子分類(lèi)器，在構(gòu)造類(lèi)別i和類(lèi)別j的SVM子分類(lèi)器時(shí)，樣本數(shù)據(jù)集選取屬于類(lèi)別i、類(lèi) 別j的樣本數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)，并將屬于類(lèi)別i的數(shù)據(jù)標(biāo)記為正，將屬于類(lèi)別j的數(shù)據(jù) 標(biāo)記為負(fù)。測(cè)試時(shí)，將測(cè)試數(shù)據(jù)對(duì)k(k-lV2個(gè)SVM子分類(lèi)器分別進(jìn)行測(cè)試，并累計(jì)各類(lèi)別 的得分，選擇得分最高者所對(duì)應(yīng)的類(lèi)別為測(cè)試數(shù)據(jù)的類(lèi)別，一一區(qū)分法存在不可區(qū)分區(qū)域； 方法(3)Mary分類(lèi)方法充分運(yùn)用了 SVM的二類(lèi)別分類(lèi)特點(diǎn)將多類(lèi)別分類(lèi)的各個(gè)類(lèi)別重新組 合，構(gòu)成Iog2kASVM子分類(lèi)器；方法(4) 一次性求解方法的基本思想類(lèi)似于逐一鑒別法需 要構(gòu)造k個(gè)二類(lèi)別SVM分類(lèi)器，但不同的是一次性求解方法是由1個(gè)優(yōu)化問(wèn)題同時(shí)求解k 個(gè)SVM分類(lèi)器。
通過(guò)分析上述四種分類(lèi)方法，都存在著使用過(guò)多SVM分類(lèi)器、訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn) 題，經(jīng)過(guò)仔細(xì)研究，對(duì)多類(lèi)問(wèn)題(特別是幾十或上百個(gè)類(lèi)別)提出一種新的多類(lèi)別分類(lèi)方 法——二進(jìn)指數(shù)分類(lèi)法，可以有效地解決多類(lèi)別分類(lèi)問(wèn)題，而所用的SVM分類(lèi)器最少。
BP神經(jīng)網(wǎng)絡(luò)是一種前饋反向傳播網(wǎng)絡(luò)(Back-Propagation Network簡(jiǎn)稱(chēng)BP網(wǎng) 絡(luò))，優(yōu)點(diǎn)是結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)且計(jì)算速度快，但由于BP網(wǎng)絡(luò)是一種依賴(lài)于經(jīng)驗(yàn)的啟發(fā)式 技術(shù)，存在自身的限制與不足，如需要較長(zhǎng)的訓(xùn)練時(shí)間、會(huì)收斂于局部極小值等，使得BP算 法在實(shí)際應(yīng)用中遇到了一些困難。
申請(qǐng)?zhí)?00810062050. 7 (公開(kāi)號(hào)CN 101408933A)的中國(guó)專(zhuān)利文獻(xiàn)公開(kāi)了一種基 于粗網(wǎng)格特征提取和BP神經(jīng)網(wǎng)絡(luò)的車(chē)牌字符識(shí)別方法，包括以下步驟1)、對(duì)車(chē)牌圖像進(jìn) 行預(yù)處理，消除各種干擾，得到最小車(chē)牌區(qū)域；2)、結(jié)合豎直投影和滴水算法進(jìn)行車(chē)牌字符 分割；3)、對(duì)分割結(jié)果進(jìn)行篩選，去除垂直邊框、分隔符、鉚釘?shù)鹊母蓴_；4)、根據(jù)質(zhì)心位置 進(jìn)行字符歸一化力)、將歸化后的字符點(diǎn)陣的每個(gè)像素點(diǎn)作為一個(gè)網(wǎng)格，提取字符的原始特 征；6)、結(jié)合車(chē)牌實(shí)際，設(shè)計(jì)具有一級(jí)分類(lèi)器的BP神經(jīng)網(wǎng)絡(luò)；7)，合理構(gòu)造訓(xùn)練樣本庫(kù)，對(duì)神 經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，按照識(shí)別效果調(diào)整訓(xùn)練樣本，實(shí)現(xiàn)網(wǎng)絡(luò)準(zhǔn)確識(shí)別。但其缺點(diǎn)是BP神經(jīng)網(wǎng) 絡(luò)容易收斂于局部極小值或無(wú)法收斂，識(shí)別正確率低。
申請(qǐng)?zhí)?00910059360. 8 (公開(kāi)號(hào)CN 101604381A)的中國(guó)專(zhuān)利文獻(xiàn)公開(kāi)了一種基 于多分類(lèi)支持向量機(jī)的車(chē)牌字符識(shí)別方法，包括多分類(lèi)支持向量機(jī)的訓(xùn)練過(guò)程和使用多分 類(lèi)支持向最機(jī)進(jìn)行車(chē)牌識(shí)別的過(guò)程，其區(qū)別對(duì)待車(chē)牌各位置的字符，將車(chē)牌字符一值化圖 像特征向量分成四個(gè)集合，分別構(gòu)造四個(gè)多分類(lèi)支持向量機(jī)以計(jì)算四個(gè)集合的支持向量 集，并在車(chē)牌識(shí)別過(guò)程中采用不同的支持向量集對(duì)待識(shí)別車(chē)牌的字符進(jìn)行逐一識(shí)別。申請(qǐng) 號(hào)200810070060. 5 (公開(kāi)號(hào)CN 101329734A)的中國(guó)專(zhuān)利文獻(xiàn)公開(kāi)了一種基于K-L變換和 LS-SVM相結(jié)合的車(chē)牌字符識(shí)別方法，首先采用K-L變換的方法對(duì)車(chē)牌的字符圖像進(jìn)行特征 降維；然后，根據(jù)車(chē)牌字符圖像的排列特征，采用聚類(lèi)分析中的類(lèi)距離方法，設(shè)計(jì)四組最佳 二叉樹(shù)的LS-SVM子分類(lèi)器來(lái)分別實(shí)現(xiàn)車(chē)牌字符中的英文字母、數(shù)字、漢字和英文字母+數(shù)字的識(shí)別。申請(qǐng)?zhí)?00910027035. 3 (公開(kāi)號(hào)CN 101567042A)的中國(guó)專(zhuān)利文獻(xiàn)公開(kāi)了一種 武警汽車(chē)號(hào)牌圖像的字符識(shí)別方法，該方法先將武警汽車(chē)號(hào)牌彩色圖像轉(zhuǎn)化為灰度圖像， 再進(jìn)行二值化和字符切分，將粘連在一起的武警車(chē)牌警種標(biāo)志W(wǎng)J重構(gòu)為字符WJ，將車(chē)牌圖 像上尺寸特別小的轄區(qū)編碼00-34重構(gòu)成新字符00-34 ；最后將二值化圖在水平、垂直和空 間俯視方向上進(jìn)行三維投影，由此計(jì)算形成字符特征值，與標(biāo)準(zhǔn)字庫(kù)中的字符特征值進(jìn)行 快速匹配，從而準(zhǔn)確識(shí)別出模糊不清的字符。但上述文獻(xiàn)公開(kāi)的技術(shù)中的多類(lèi)別分類(lèi)方法， 存在著分類(lèi)器使用過(guò)多的情況，必然造成識(shí)別時(shí)間長(zhǎng)的問(wèn)題。發(fā)明內(nèi)容
針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤方法和基 于LS-SVM和二進(jìn)指數(shù)多類(lèi)別分類(lèi)的車(chē)牌字符識(shí)別方法。
本發(fā)明的技術(shù)方案是基于車(chē)輛實(shí)時(shí)跟蹤和二進(jìn)指數(shù)分類(lèi)車(chē)牌字符識(shí)別的方法， 包括對(duì)車(chē)輛的實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤和基于LS-SVM和二進(jìn)指數(shù)分類(lèi)的車(chē)牌字符識(shí)別步 驟。具體是包括運(yùn)動(dòng)車(chē)輛的檢測(cè)、車(chē)輛邊界區(qū)域的定位、車(chē)輛的特征提取、車(chē)牌區(qū)域的定位、 車(chē)牌字符的分割和基于二進(jìn)指數(shù)分類(lèi)法的車(chē)牌字符識(shí)別步驟。
對(duì)車(chē)輛的實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤的設(shè)計(jì)方案首先在某監(jiān)測(cè)點(diǎn)發(fā)現(xiàn)欲尋找的運(yùn)動(dòng) 目標(biāo)——車(chē)輛，分割出目標(biāo)所在區(qū)域位置，并在此區(qū)域內(nèi)采用最優(yōu)閾值分割方法分割出目 標(biāo)，識(shí)別出運(yùn)動(dòng)目標(biāo)的特征，進(jìn)行實(shí)時(shí)連續(xù)跟蹤；當(dāng)運(yùn)動(dòng)目標(biāo)移動(dòng)并離開(kāi)此監(jiān)測(cè)點(diǎn)的視野 時(shí)，系統(tǒng)將鎖定的運(yùn)動(dòng)目標(biāo)特征值傳輸?shù)较乱粋€(gè)監(jiān)測(cè)點(diǎn)，此監(jiān)測(cè)點(diǎn)根據(jù)傳輸過(guò)來(lái)的運(yùn)動(dòng)目 標(biāo)的特征，迅速找到目標(biāo)，并繼續(xù)進(jìn)行監(jiān)測(cè)和跟蹤；依次重復(fù)上述過(guò)程，將鎖定的目標(biāo)連續(xù) 不斷的跟蹤下去，實(shí)現(xiàn)實(shí)時(shí)多運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤。
具體包括如下步驟
1.運(yùn)動(dòng)車(chē)輛的檢測(cè)
把攝像機(jī)架設(shè)到車(chē)輛通道的上方，可以俯視整個(gè)車(chē)長(zhǎng)、車(chē)寬、車(chē)輛顏色、車(chē)牌字符 等信息，車(chē)輛的運(yùn)動(dòng)檢測(cè)是在視頻圖像序列分析的基礎(chǔ)上將運(yùn)動(dòng)車(chē)輛檢測(cè)分離出來(lái)，目前 利用視頻序列圖像檢測(cè)和分割車(chē)輛方法主要有背景減法和幀差法。本發(fā)明采用的幀差法是 將相鄰的兩幀圖像相減，得到運(yùn)動(dòng)目標(biāo)的差值圖像，適合于動(dòng)態(tài)變化的環(huán)境，能夠完整地分 割運(yùn)動(dòng)對(duì)象，有利于進(jìn)一步的對(duì)象分析與識(shí)別。
圖像經(jīng)過(guò)幀差法處理后，目標(biāo)區(qū)域的像素較少，可能會(huì)造成最后獲得的車(chē)輛圖像 不全，殘缺部分較多。采用雙幀差“或”運(yùn)算法，即采集連續(xù)三幀圖像，先將它們兩兩相差和 二值化處理，然后再將它們幀差后的二值化圖像進(jìn)行“或”運(yùn)算，這樣目標(biāo)區(qū)域的像素就會(huì) 比較多，運(yùn)動(dòng)車(chē)輛的目標(biāo)區(qū)域就容易獲得。
2.運(yùn)動(dòng)車(chē)輛的邊界定位
運(yùn)動(dòng)車(chē)輛邊界定位的主要方法是對(duì)所提取的二值化圖像分別進(jìn)行水平、垂直投 影，在水平投影方向上利用搜索算法找到車(chē)體的上下邊界，在垂直投影方向上利用搜索算 法找到車(chē)體的左右邊界。左右和上下邊界定位的圖像用矩形框標(biāo)記出來(lái)，再與原圖像相 “與”操作，得到標(biāo)記上、下、左、右邊界的車(chē)輛圖像。
3.車(chē)輛類(lèi)型的特征提取
在車(chē)輛類(lèi)型的模式識(shí)別中，可利用運(yùn)動(dòng)物體的幾何屬性——形狀和結(jié)構(gòu)、顏色作為特征，來(lái)描述不同目標(biāo)之間的區(qū)別。把車(chē)輛顏色R、G、B值、車(chē)輛長(zhǎng)度、車(chē)輛寬度、寬長(zhǎng)比數(shù) 據(jù)作為特征向量，為了消除在拍攝圖像時(shí)，鏡頭與車(chē)輛間的距離、角度等變化造成的同一車(chē) 輛在兩次拍攝圖像時(shí)，上述各參數(shù)的絕對(duì)值大小不同現(xiàn)象，再加上7個(gè)Hu不變矩參數(shù)作為 特征向量，共計(jì)13個(gè)特征向量，這些特征向量向交通指揮中心或下一個(gè)監(jiān)測(cè)點(diǎn)傳送。
4.在網(wǎng)絡(luò)環(huán)境下實(shí)時(shí)傳送運(yùn)動(dòng)車(chē)輛目標(biāo)的特征向量到下一個(gè)監(jiān)測(cè)點(diǎn)，根據(jù)傳輸過(guò) 來(lái)的運(yùn)動(dòng)車(chē)輛目標(biāo)的特征向量作為支持向量機(jī)(SVM)模式識(shí)別的輸入向量，從眾多的運(yùn)動(dòng) 車(chē)輛中快速辨認(rèn)出待跟蹤的車(chē)輛目標(biāo)。
5.如在高速公路上，依次重復(fù)上述過(guò)程，將鎖定的運(yùn)動(dòng)車(chē)輛目標(biāo)連續(xù)不斷的跟蹤 下去，實(shí)現(xiàn)實(shí)時(shí)運(yùn)動(dòng)車(chē)輛的識(shí)別與連續(xù)跟蹤。
基于LS-SVM和二進(jìn)指數(shù)分類(lèi)的車(chē)牌字符識(shí)別方法的技術(shù)方案包括車(chē)牌區(qū)域的 定位、車(chē)牌字符的分割和基于二進(jìn)指數(shù)分類(lèi)法的車(chē)牌字符識(shí)別步驟。
前述的車(chē)牌字符識(shí)別方法，優(yōu)選的方案是，所述車(chē)牌區(qū)域的定位根據(jù)HSI圖像和 RGB顏色對(duì)應(yīng)關(guān)系，將RGB彩色圖像轉(zhuǎn)換成HSI圖像；對(duì)獲得的I亮度分量使用水平邊緣檢 測(cè)模板進(jìn)行梯度運(yùn)算，將大面積的背景干擾消除掉，用閾值T對(duì)I分量圖像進(jìn)行二值化處理 得到二值圖像；對(duì)圖像進(jìn)行中值濾波；對(duì)圖像使用水平結(jié)構(gòu)元素進(jìn)行膨脹、腐蝕運(yùn)算；采用 像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車(chē)牌區(qū)域，再利用車(chē)牌的基本特征，確定車(chē)牌字符所在水 平區(qū)域；在水平提取出的車(chē)牌區(qū)域內(nèi)，進(jìn)行二值化和數(shù)學(xué)形態(tài)學(xué)的膨脹運(yùn)算，統(tǒng)計(jì)列方向像 素點(diǎn)的數(shù)量，根據(jù)車(chē)牌區(qū)域的寬度，最終確定出車(chē)牌區(qū)域的左右邊界，提取出完整的車(chē)牌區(qū) 域。具體包括如下步驟
(1)彩色圖像到HSI圖像變換通過(guò)彩色攝像機(jī)抓拍到的車(chē)輛圖像為M位RGB真 彩色圖像，根據(jù)HSI值和RGB顏色對(duì)應(yīng)關(guān)系I = (R+G+B)/3，將RGB彩色圖像轉(zhuǎn)換成亮度圖 像；
(2)提取車(chē)輛的水平邊緣圖像對(duì)I分量圖像使用水平邊緣檢測(cè)模板[-1 0 1]進(jìn) 行梯度運(yùn)算，將大面積的背景干擾消除掉，對(duì)于車(chē)牌區(qū)域由于有邊緣的變化，牌照字符得到 加強(qiáng)，更加突出了車(chē)牌區(qū)域；
(3) 二值化用閾值T對(duì)灰度圖像進(jìn)行二值化處理得到二值圖像；
(4)利用中值濾波消除孤立噪點(diǎn)考慮到文字是有許多短豎線組成，而背景噪聲 有一大部分是孤立的噪聲，用2X2模板對(duì)圖像進(jìn)行中值濾波，得到去除了大部分干擾的圖 像；
( 數(shù)學(xué)形態(tài)學(xué)運(yùn)算使用水平結(jié)構(gòu)元素[1 1 1 1 1]進(jìn)行膨脹運(yùn)算，水平相鄰近 的區(qū)域已經(jīng)聚集成為連通的區(qū)域，但是車(chē)牌區(qū)域與周?chē)能?chē)體也相連通，再運(yùn)用該結(jié)構(gòu)元 素進(jìn)行腐蝕運(yùn)算；
(6)車(chē)牌字符水平位置的確定采用像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車(chē)牌區(qū)域， 再利用車(chē)牌的基本特征，最后確定車(chē)牌所在區(qū)域；
(7)牌照字符垂直位置的確定在水平提取出的車(chē)牌區(qū)域內(nèi)，首先進(jìn)行二值化和 數(shù)學(xué)形態(tài)學(xué)的膨脹運(yùn)算，然后統(tǒng)計(jì)列方向像素點(diǎn)的數(shù)量，再根據(jù)車(chē)牌區(qū)域的寬度，最終確定 出車(chē)牌區(qū)域的左右邊界，提取出完整的車(chē)牌區(qū)域；
(8)灰度變換進(jìn)行灰度拉伸變換，再進(jìn)行二值化處理。
前述的車(chē)牌字符識(shí)別方法，優(yōu)選的方案是，在步驟(6)車(chē)牌字符水平位置的確定8中所述車(chē)牌的基本特征為體態(tài)比、密集度、外接矩形面積與區(qū)域的面積比以及重心在區(qū)域 中的位置。
前述的車(chē)牌字符識(shí)別方法，優(yōu)選的方案是，所述車(chē)牌字符的分割對(duì)獲得的車(chē)牌二 值圖像進(jìn)行水平積分投影分析，鉚釘對(duì)應(yīng)于水平投影圖內(nèi)的二個(gè)波谷，對(duì)投影量按比例設(shè) 定閾值，去除上下四個(gè)鉚釘及邊框線外的小區(qū)域；對(duì)去除鉚釘及邊框線的車(chē)牌圖像進(jìn)行垂 直方向的積分投影分析，得到點(diǎn)陣投影圖，用垂直掃描線法分離出每個(gè)車(chē)牌字符；字符分割 處理后得到的單個(gè)數(shù)字、字母和漢字圖像，進(jìn)行歸一化處理。具體包括如下步驟
(1)車(chē)牌邊框線和鉚釘去除對(duì)車(chē)牌二值圖像進(jìn)行水平積分投影分析，鉚釘對(duì)應(yīng) 于水平投影圖內(nèi)的二個(gè)波谷，對(duì)投影量按比例設(shè)定閥值，去除上下四個(gè)鉚釘及邊框線外的 小區(qū)域；
(2)字符的分割對(duì)去除鉚釘及邊框線的車(chē)牌圖像進(jìn)行垂直方向的積分投影分 析，得到點(diǎn)陣圖投影(3)字符的歸一化字符分割處理后得到的單個(gè)數(shù)字、字母和漢字圖像，進(jìn)行歸一 化處理，將字符歸一化成32 X 16像素大?。?br> (4)K_L變換將歸一化后高維車(chē)牌字符變換為低維數(shù)據(jù)，作為L(zhǎng)S-SVM神經(jīng)網(wǎng)絡(luò)判 別函數(shù)的輸入向量。
前述的車(chē)牌字符識(shí)別方法，優(yōu)選的方案是，步驟( 字符的分割具體過(guò)程為
①取投影像素閾值對(duì)投影圖進(jìn)行掃描，找出那些區(qū)域是字符區(qū)域，確定字符區(qū)域 的左右邊界；
②分析過(guò)大的區(qū)域，看其是否由兩個(gè)字符組成，如是則將其分成兩塊區(qū)域；
③分析過(guò)小的區(qū)域，看其是否可以跟左右區(qū)域合并或舍去。
前述的車(chē)牌字符識(shí)別方法，優(yōu)選的方案是，所述基于二進(jìn)指數(shù)分類(lèi)法的車(chē)牌字符 識(shí)別根據(jù)車(chē)牌字符是有數(shù)字、英文字母和省、市的簡(jiǎn)稱(chēng)等組成，大概總共有80多個(gè)字符需 要分類(lèi)，取指數(shù)k = 7，27 > 80，即用7個(gè)SVM分類(lèi)器就可以將這80多個(gè)字符分開(kāi)，進(jìn)行字 符識(shí)別時(shí)將輸入字符送到每一個(gè)分類(lèi)器，然后檢查所有的分類(lèi)器輸出，最后根據(jù)7個(gè)判別 函數(shù)f(x)的輸出和分類(lèi)方法，確定該字符屬于哪一類(lèi)字符；
在計(jì)算機(jī)中，字符或圖像用位圖形式加以描述，黑色像素用0表示，白色像素點(diǎn)用 1表示，每個(gè)車(chē)牌字符用一個(gè)32X16的矩陣來(lái)表示，此矩陣經(jīng)過(guò)K_L變換后的數(shù)據(jù)即為SVM 神經(jīng)網(wǎng)絡(luò)的輸入向量，神經(jīng)網(wǎng)絡(luò)的輸出向量即識(shí)別結(jié)果有0 9十個(gè)數(shù)字、沈個(gè)英文字母、 32省市的簡(jiǎn)稱(chēng)以及其它一些特殊字符，可以用一個(gè)7位的二進(jìn)制向量表示，最多可表示128 種不同類(lèi)型，如數(shù)字1、2、字母A、B和魯、蘇的輸出模式向量分別定義為
target_l =
, target_2 =
target_A =
, target_B =
target_#=
，target_#=
......
其它字符依此類(lèi)推，所有字符的輸入和輸出向量即構(gòu)成了 LS-SVM神經(jīng)網(wǎng)絡(luò)的訓(xùn) 練樣本集和測(cè)試樣本集輸入輸出向量，實(shí)驗(yàn)共采集了字符樣本16套，每套樣本均有70個(gè)不 同的字符，從字符樣本中選取6套作為訓(xùn)練樣本對(duì)SVM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，余下的10套作 為測(cè)試樣本，進(jìn)行識(shí)別。
由于支持向量機(jī)(SVM)分類(lèi)方法是針對(duì)二類(lèi)別分類(lèi)提出的，如何將二類(lèi)別分類(lèi)方 法擴(kuò)展到多類(lèi)別分類(lèi)是支持向量機(jī)研究的重要內(nèi)容之一，本發(fā)明提出一種新的多類(lèi)別分類(lèi) 方法——二進(jìn)指數(shù)分類(lèi)法，可以有效地解決多類(lèi)別分類(lèi)問(wèn)題，和其他分類(lèi)方法相比所用的 SVM分類(lèi)器最少，識(shí)別率較高。二進(jìn)指數(shù)分類(lèi)法的基本原理是假如有M種類(lèi)別，用k位二 進(jìn)制數(shù)表示，即2k彡M，那么用k個(gè)SVM分類(lèi)器就可以將M類(lèi)分開(kāi)。每一個(gè)SVM分類(lèi)器的類(lèi) 別劃分，可以根據(jù)二進(jìn)制位的值來(lái)分，即如二進(jìn)制的值為1，則將此類(lèi)劃為+1類(lèi)，為0則劃 為-1類(lèi)，依此類(lèi)推。
與現(xiàn)有技術(shù)相比較，本發(fā)明的技術(shù)優(yōu)勢(shì)還體現(xiàn)在
1、與目前常用的幾種多類(lèi)別分類(lèi)方法相比分別為(1)逐一鑒別方法，假設(shè)需要 分成k = 82種類(lèi)型，則需要構(gòu)造82個(gè)SVM子分類(lèi)器；(2) —一區(qū)分法，需要k(k_l)/2 = 3403個(gè)SVM子分類(lèi)器；(3) —次性求解方法，需要構(gòu)造k = 82個(gè)SVM子分類(lèi)器。從以上分 析可以看出，上述方法存在著使用過(guò)多SVM分類(lèi)器、訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題，而本發(fā)明提出一 種新的多類(lèi)別分類(lèi)方法——二進(jìn)指數(shù)分類(lèi)法，只需7個(gè)SVM子分類(lèi)器就可以有效地解決多 類(lèi)別分類(lèi)問(wèn)題，而所用的SVM分類(lèi)器最少。
2、本發(fā)明與基于BP神經(jīng)網(wǎng)絡(luò)字符識(shí)別方法的比較，實(shí)驗(yàn)結(jié)果表明，SVM識(shí)別算法 比BP識(shí)別算法所用訓(xùn)練時(shí)間少，只有3秒多，而B(niǎo)P識(shí)別算法訓(xùn)練時(shí)間近30秒，有時(shí)還會(huì)遇 到BP網(wǎng)絡(luò)訓(xùn)練不收斂的情況。SVM識(shí)別的消耗時(shí)間稍長(zhǎng)，識(shí)別單個(gè)車(chē)牌字符需要0. 27秒 的時(shí)間，但識(shí)別正確率比BP神經(jīng)網(wǎng)絡(luò)高出10個(gè)百分點(diǎn)，SVM算法最終轉(zhuǎn)化為凸二次優(yōu)化問(wèn) 題，得到的解是全局最優(yōu)解。BP網(wǎng)絡(luò)識(shí)別方案得到的解由于可能存在局部最優(yōu)解，因此SVM 識(shí)別方案解決了 BP網(wǎng)絡(luò)方法中無(wú)法避免的局部極值問(wèn)題，在識(shí)別率上優(yōu)于BP網(wǎng)絡(luò)識(shí)別方 案。


圖1運(yùn)動(dòng)車(chē)輛檢測(cè)、跟蹤和車(chē)牌字符識(shí)別流程圖。
圖2運(yùn)動(dòng)車(chē)輛的檢測(cè)流程圖。其中(a)原始圖像A，(b)原始圖像B，(c)B-A的 二值化圖像，(d)原始圖像B，(e)原始圖像C，(f)C-B的二值化圖像，(g) “或”操作后的圖 像，(h)形態(tài)學(xué)后的圖像，(i)運(yùn)動(dòng)目標(biāo)區(qū)域。
圖3運(yùn)動(dòng)車(chē)輛的邊界定位流程圖。
圖4車(chē)牌區(qū)域的定位流程圖。
圖5車(chē)牌字符區(qū)域提取流程圖。
圖6車(chē)牌字符的分割、歸一化流程圖。
具體實(shí)施方式
下面結(jié)合實(shí)施例和附圖詳細(xì)說(shuō)明本發(fā)明的技術(shù)方案，但保護(hù)范圍不被此限制。
實(shí)施例本發(fā)明的技術(shù)方案是提供一種實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤方法和基于LS-SVM 和二進(jìn)指數(shù)多類(lèi)別分類(lèi)的車(chē)牌字符識(shí)別方法，其具體流程如圖1所示。
實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤方法首先在某監(jiān)測(cè)點(diǎn)發(fā)現(xiàn)欲尋找的運(yùn)動(dòng)目標(biāo)——車(chē)輛， 分割出目標(biāo)所在區(qū)域位置，并在此區(qū)域內(nèi)采用最優(yōu)閾值分割方法分割出目標(biāo)，識(shí)別出運(yùn)動(dòng) 目標(biāo)的特征，進(jìn)行實(shí)時(shí)連續(xù)跟蹤；當(dāng)運(yùn)動(dòng)目標(biāo)移動(dòng)并離開(kāi)此監(jiān)測(cè)點(diǎn)的視野時(shí)，系統(tǒng)將鎖定的運(yùn)動(dòng)目標(biāo)特征值傳輸?shù)较乱粋€(gè)監(jiān)測(cè)點(diǎn)，此監(jiān)測(cè)點(diǎn)根據(jù)傳輸過(guò)來(lái)的運(yùn)動(dòng)目標(biāo)的特征，迅速找 到目標(biāo)，并繼續(xù)進(jìn)行監(jiān)測(cè)和跟蹤；依次重復(fù)上述過(guò)程，將鎖定的目標(biāo)連續(xù)不斷的跟蹤下去， 實(shí)現(xiàn)實(shí)時(shí)多運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤。其具體過(guò)程如圖1-3所示，包括如下步驟
1.運(yùn)動(dòng)車(chē)輛的檢測(cè)
把攝像機(jī)架設(shè)到車(chē)輛通道的上方，可以俯視整個(gè)車(chē)長(zhǎng)、車(chē)寬、車(chē)輛顏色、車(chē)牌字符 等信息，車(chē)輛的運(yùn)動(dòng)檢測(cè)是在視頻圖像序列分析的基礎(chǔ)上將運(yùn)動(dòng)車(chē)輛檢測(cè)分離出來(lái)，目前 利用視頻序列圖像檢測(cè)和分割車(chē)輛方法主要有背景減法和幀差法。
本發(fā)明采用雙幀差法檢測(cè)運(yùn)動(dòng)目標(biāo)
令& (χ, y)、fk(x, y)和fk+1 (χ, y)為連續(xù)輸入的三幀圖像，則連續(xù)兩幀之間像素 的差值為
權(quán)利要求
1.基于車(chē)輛實(shí)時(shí)跟蹤和二進(jìn)指數(shù)分類(lèi)車(chē)牌字符識(shí)別的方法，其特征在于，包括對(duì)車(chē)輛 的實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤和基于LS-SVM和二進(jìn)指數(shù)分類(lèi)的車(chē)牌字符識(shí)別步驟。
2.權(quán)利要求1所述的方法，其特征在于，所述對(duì)車(chē)輛的實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤首先在 某監(jiān)測(cè)點(diǎn)發(fā)現(xiàn)欲尋找的運(yùn)動(dòng)目標(biāo)——車(chē)輛，分割出目標(biāo)所在區(qū)域位置，并在此區(qū)域內(nèi)采用 最優(yōu)閾值分割方法分割出目標(biāo)，識(shí)別出運(yùn)動(dòng)目標(biāo)的特征，進(jìn)行實(shí)時(shí)連續(xù)跟蹤；當(dāng)運(yùn)動(dòng)目標(biāo)移 動(dòng)并離開(kāi)此監(jiān)測(cè)點(diǎn)的視野時(shí)，系統(tǒng)將鎖定的運(yùn)動(dòng)目標(biāo)特征值傳輸?shù)较乱粋€(gè)監(jiān)測(cè)點(diǎn)，此監(jiān)測(cè) 點(diǎn)根據(jù)傳輸過(guò)來(lái)的運(yùn)動(dòng)目標(biāo)的特征，迅速找到目標(biāo)，并繼續(xù)進(jìn)行監(jiān)測(cè)和跟蹤；依次重復(fù)上述 過(guò)程，將鎖定的目標(biāo)連續(xù)不斷的跟蹤下去，實(shí)現(xiàn)實(shí)時(shí)多運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤。
3.權(quán)利要求2所述的方法，其特征在于，具體包括下述步驟(1)運(yùn)動(dòng)車(chē)輛的檢測(cè)把攝像機(jī)架設(shè)到車(chē)輛通道的上方，可以俯視整個(gè)車(chē)長(zhǎng)、車(chē)寬、車(chē) 輛顏色、車(chē)牌字符等信息；圖像經(jīng)過(guò)雙幀差“或”運(yùn)算法，即采集連續(xù)三幀圖像，先將它們兩 兩相差和二值化處理，然后再將它們幀差后的二值化圖像進(jìn)行“或”運(yùn)算；(2)運(yùn)動(dòng)車(chē)輛的邊界定位對(duì)所提取的二值化圖像分別進(jìn)行水平、垂直投影，在水平投 影方向上利用搜索算法找到車(chē)體的上下邊界，在垂直投影方向上利用搜索算法找到車(chē)體的 左右邊界，左右和上下邊界定位的圖像用矩形框標(biāo)記出來(lái)，再與原圖像相“與”操作，得到標(biāo) 記上、下、左、右邊界的車(chē)輛圖像；(3)車(chē)輛類(lèi)型的特征提取在車(chē)輛類(lèi)型的模式識(shí)別中，利用運(yùn)動(dòng)物體的幾何屬性——形 狀和結(jié)構(gòu)、顏色作為特征，來(lái)描述不同目標(biāo)之間的區(qū)別，把車(chē)輛顏色R、G、B值、車(chē)輛長(zhǎng)度、車(chē) 輛寬度、寬長(zhǎng)比數(shù)據(jù)作為特征向量，向交通指揮中心或下一個(gè)監(jiān)測(cè)點(diǎn)傳送。
4.權(quán)利要求1所述的方法，其特征在于，所述基于LS-SVM和二進(jìn)指數(shù)分類(lèi)的車(chē)牌字符 識(shí)別包括車(chē)牌區(qū)域的定位、車(chē)牌字符的分割和基于二進(jìn)指數(shù)分類(lèi)法的車(chē)牌字符識(shí)別步驟。
5.權(quán)利要求4所述的方法，其特征在于，所述車(chē)牌區(qū)域的定位根據(jù)HSI圖像和RGB顏 色對(duì)應(yīng)關(guān)系，將RGB彩色圖像轉(zhuǎn)換成HSI圖像；對(duì)獲得的I亮度分量使用水平邊緣檢測(cè)模板 進(jìn)行梯度運(yùn)算，將大面積的背景干擾消除掉，用閾值T對(duì)I分量圖像進(jìn)行二值化處理得到二 值圖像；對(duì)圖像進(jìn)行中值濾波；對(duì)圖像使用水平結(jié)構(gòu)元素進(jìn)行膨脹、腐蝕運(yùn)算；采用像素點(diǎn) 統(tǒng)計(jì)的方法分割出合理的車(chē)牌區(qū)域，再利用車(chē)牌的基本特征，確定車(chē)牌字符所在水平區(qū)域； 在水平提取出的車(chē)牌區(qū)域內(nèi)，進(jìn)行二值化和數(shù)學(xué)形態(tài)學(xué)的膨脹運(yùn)算，統(tǒng)計(jì)列方向像素點(diǎn)的 數(shù)量，根據(jù)車(chē)牌區(qū)域的寬度，最終確定出車(chē)牌區(qū)域的左右邊界，提取出完整的車(chē)牌區(qū)域。
6.權(quán)利要求5所述的方法，其特征在于，具體包括如下步驟(1)彩色圖像到HSI圖像變換通過(guò)彩色攝像機(jī)抓拍到的車(chē)輛圖像為M位RGB真彩色 圖像，根據(jù)HSI值和RGB顏色對(duì)應(yīng)關(guān)系I = (R+G+B)/3，將RGB彩色圖像轉(zhuǎn)換成亮度圖像；(2)提取車(chē)輛的水平邊緣圖像對(duì)I分量圖像使用水平邊緣檢測(cè)模板[-10 1]進(jìn)行 梯度運(yùn)算，將大面積的背景干擾消除掉，對(duì)于車(chē)牌區(qū)域由于有邊緣的變化，牌照字符得到加 強(qiáng)，更加突出了車(chē)牌區(qū)域；(3)二值化用閾值T對(duì)灰度圖像進(jìn)行二值化處理得到二值圖像；(4)利用中值濾波消除孤立噪點(diǎn)考慮到文字是有許多短豎線組成，而背景噪聲有一 大部分是孤立的噪聲，用2X2模板對(duì)圖像進(jìn)行中值濾波，得到去除了大部分干擾的圖像；(5)數(shù)學(xué)形態(tài)學(xué)運(yùn)算使用水平結(jié)構(gòu)元素[11 1 1 1]進(jìn)行膨脹運(yùn)算，水平相鄰近的區(qū) 域已經(jīng)聚集成為連通的區(qū)域，但是車(chē)牌區(qū)域與周?chē)能?chē)體也相連通，再運(yùn)用該結(jié)構(gòu)元素進(jìn)2行腐蝕運(yùn)算；(6)車(chē)牌字符水平位置的確定采用像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車(chē)牌區(qū)域，再利 用車(chē)牌的基本特征，最后確定車(chē)牌所在區(qū)域；(7)牌照字符垂直位置的確定在水平提取出的車(chē)牌區(qū)域內(nèi)，首先進(jìn)行二值化和數(shù)學(xué) 形態(tài)學(xué)的膨脹運(yùn)算，然后統(tǒng)計(jì)列方向像素點(diǎn)的數(shù)量，再根據(jù)車(chē)牌區(qū)域的寬度，最終確定出車(chē) 牌區(qū)域的左右邊界，提取出完整的車(chē)牌區(qū)域；(8)灰度變換進(jìn)行灰度拉伸變換，再進(jìn)行二值化處理。
7.權(quán)利要求6所述的方法，其特征在于，在步驟(6)車(chē)牌字符水平位置的確定中所述車(chē) 牌的基本特征為體態(tài)比、密集度、外接矩形面積與區(qū)域的面積比以及重心在區(qū)域中的位置。
8.權(quán)利要求4所述的方法，其特征在于，所述車(chē)牌字符的分割對(duì)獲得的車(chē)牌二值圖像 進(jìn)行水平積分投影分析，鉚釘對(duì)應(yīng)于水平投影圖內(nèi)的二個(gè)波谷，對(duì)投影量按比例設(shè)定閾值， 去除上下四個(gè)鉚釘及邊框線外的小區(qū)域；對(duì)去除鉚釘及邊框線的車(chē)牌圖像進(jìn)行垂直方向的 積分投影分析，得到點(diǎn)陣投影圖，用垂直掃描線法分離出每個(gè)車(chē)牌字符；字符分割處理后得 到的單個(gè)數(shù)字、字母和漢字圖像，進(jìn)行歸一化處理。
9.權(quán)利要求8所述的方法，其特征在于，具體包括如下步驟(1)車(chē)牌邊框線和鉚釘去除對(duì)車(chē)牌二值圖像進(jìn)行水平積分投影分析，鉚釘對(duì)應(yīng)于水 平投影圖內(nèi)的二個(gè)波谷，對(duì)投影量按比例設(shè)定閥值，去除上下四個(gè)鉚釘及邊框線外的小區(qū) 域；(2)字符的分割對(duì)去除鉚釘及邊框線的車(chē)牌圖像進(jìn)行垂直方向的積分投影分析，得 到點(diǎn)陣圖投影圖；(3)字符的歸一化字符分割處理后得到的單個(gè)數(shù)字、字母和漢字圖像，進(jìn)行歸一化處 理，將字符歸一化成32 X 16像素大?。?4)K_L變換將歸一化后高維車(chē)牌字符變換為低維數(shù)據(jù)，作為L(zhǎng)S-SVM神經(jīng)網(wǎng)絡(luò)判別函 數(shù)的輸入向量。
10.權(quán)利要求4所述的方法，其特征在于，所述基于二進(jìn)指數(shù)分類(lèi)法的車(chē)牌字符識(shí)別 根據(jù)車(chē)牌字符是有數(shù)字、英文字母和省、市的簡(jiǎn)稱(chēng)等組成，大概總共有80多個(gè)字符需要分 類(lèi)，取指數(shù)k = 7，27 > 80，即用7個(gè)SVM分類(lèi)器就可以將這80多個(gè)字符分開(kāi)，進(jìn)行字符識(shí) 別時(shí)將輸入字符送到每一個(gè)分類(lèi)器，然后循環(huán)檢查所有的分類(lèi)器輸出，最后根據(jù)7個(gè)判別 函數(shù)f(x)的輸出和分類(lèi)方法，確定該字符屬于哪一類(lèi)字符；在計(jì)算機(jī)中，字符或圖像用位圖形式加以描述，黑色像素用0表示，白色像素點(diǎn)用1表 示，每個(gè)車(chē)牌字符用一個(gè)^X 14的矩陣來(lái)表示，此矩陣即為神經(jīng)網(wǎng)絡(luò)的輸入矢量，神經(jīng)網(wǎng) 絡(luò)的識(shí)別結(jié)果有0 9十個(gè)數(shù)字、沈個(gè)英文字母、32省市的簡(jiǎn)稱(chēng)以及其它一些字符模式矢 量，可以用一個(gè)7位的二進(jìn)制矢量表示，最多可表示1 種不同類(lèi)型，如數(shù)字1、2、字母A、B 和京、滬的輸出模式矢量分別定義為target_l =
, target_2 =
target_A =
, target_B =
1&『86{_京=
, target_r=
其它字符依此類(lèi)推，所有字符的輸入和輸出矢量即構(gòu)成了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本集和測(cè)試樣本集輸入輸出矢量，實(shí)驗(yàn)共采集了字符樣本16套，每套樣本均有70個(gè)不同的字符，從 字符樣本中選取6套作為訓(xùn)練樣本對(duì)SVM神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，余下的10套作為測(cè)試樣本， 進(jìn)行識(shí)別。
全文摘要
本發(fā)明涉及一種基于車(chē)輛實(shí)時(shí)跟蹤和二進(jìn)指數(shù)分類(lèi)車(chē)牌字符識(shí)別的方法，包括對(duì)車(chē)輛的實(shí)時(shí)動(dòng)態(tài)連續(xù)多點(diǎn)跟蹤和基于LS-SVM和二進(jìn)指數(shù)分類(lèi)的車(chē)牌字符識(shí)別步驟。其在車(chē)牌字符的分割、提取階段利用車(chē)牌字符的空間分布信息，提出一種綜合采用灰度梯度、形狀體態(tài)、視覺(jué)模型等的車(chē)牌提取新方案，既提高了車(chē)牌提取的魯棒性和準(zhǔn)確性，又保證了實(shí)時(shí)性。
文檔編號(hào)G06K9/00GK102043945SQ20101055481
公開(kāi)日2011年5月4日 申請(qǐng)日期2010年11月23日 優(yōu)先權(quán)日2010年11月23日
發(fā)明者葛廣英, 葛菁 申請(qǐng)人:聊城大學(xué)