摘　要：支持向量機(jī)（SVM）是20世紀(jì)90年代初由Vapnik等人提出的一類新型機(jī)器學(xué)習(xí)方法，此方法能夠在訓(xùn)練樣本很少的情況下達(dá)到很好的分類推廣能力。本文應(yīng)用SVM算法對(duì)車牌中的漢字字符進(jìn)行識(shí)別，無(wú)字符特征提取提高了識(shí)別速度，并且可得到較高的識(shí)別率。實(shí)驗(yàn)討論了SVM算法用于字符識(shí)別時(shí)，不同的核函數(shù)對(duì)識(shí)別率的影響。實(shí)驗(yàn)結(jié)果表明，用SVM算法進(jìn)行車牌字符識(shí)別具有較高的識(shí)別率。
　　關(guān)鍵詞：支持矢量機(jī)（SVM）；車牌字符識(shí)別；最優(yōu)分類面；核函數(shù)

　　車牌自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的一個(gè)重要的領(lǐng)域。車牌字符識(shí)別的準(zhǔn)確性和識(shí)別速度直接關(guān)系到該技術(shù)是否能夠得到實(shí)際應(yīng)用。傳統(tǒng)的字符識(shí)別方法，如模板匹配、神經(jīng)網(wǎng)絡(luò)等，在進(jìn)行車牌字符識(shí)別時(shí)其識(shí)別率很大程度上依賴于訓(xùn)練樣本的數(shù)量，且在無(wú)特征提取的情況下，識(shí)別的正確率相對(duì)較低。
　　支持矢量機(jī)（SupportVector Machines，SVM）是由Vapnik等人于1995年提出的一類新型機(jī)器學(xué)習(xí)方法，能夠較好的解決小樣本、非線性及高維數(shù)等模式識(shí)別問(wèn)題。近年來(lái)SVM已在臉像識(shí)別^［1］、函數(shù)逼近以及概率密度估計(jì)等眾多領(lǐng)域^［2］得到了廣泛的應(yīng)用。利用該方法進(jìn)行車牌漢字識(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。

1　支持矢量機(jī)基本原理^［3］
　　SVM是統(tǒng)計(jì)學(xué)習(xí)理論中最年輕的部分，主要用于解決有限樣本情況下的模式識(shí)別問(wèn)題。
1．1　線性可分情況
　　SVM方法是從線性可分情況下的最優(yōu)分類面（OptimalHyperplane）提出的。所謂最優(yōu)分類面就是要求 分類線不但能將兩類樣本無(wú)錯(cuò)誤的分開，而且要使兩類之間的距離最大。
　　設(shè)線性可分樣本集為（x_i，y_i），i＝1，2，…，n，x∈R^d，y∈｛＋1，－1｝是類別標(biāo)號(hào)。d維空間中線性判別函數(shù)的一般形式為：g（x）＝w^.x＋b，分類面方程為：
　　　　　
　　將判別函數(shù)進(jìn)行歸一化，使兩類所有樣本都滿足｜g（x）｜≥1，即使離分類面最近的樣本的｜g（x）｜＝1，這樣分類間隔就等于2／‖w‖，因此間隔最大等價(jià)于使‖w‖（或‖w‖²）最?。欢蠓诸惥€對(duì)所有樣本正確分類，就是要求其滿足：
　　
　　因此，滿足上述條件且使‖w‖²最小的分類面就是最優(yōu)分類面。過(guò)兩類樣本中離分類面最近的點(diǎn)且平行于最優(yōu)分類面的超平面上的訓(xùn)練樣本就是使式（2）中等號(hào)成立的那些樣本，他們叫做支持向量（SupportVectors）。
根據(jù)上面的討論，最優(yōu)分類面問(wèn)題可以表示成如下的約束優(yōu)化問(wèn)題，即在式（2）的約束下，求函數(shù)：
　　
的最小值。這是一個(gè)二次規(guī)劃問(wèn)題，可定義以下的Lagrange函數(shù)：
　　
其中：a_i＞0為L(zhǎng)agrange系數(shù)。求式（3）的極小值就是對(duì)w和b求L氏函數(shù)的極小值。求L對(duì)w和b的偏微分并令他 們等于0，可轉(zhuǎn)化為對(duì)偶問(wèn)題：
　　
顯然，只有支持向量的系數(shù)a_i不為0，即只有支持向量影響最終的劃分結(jié)果。于是w可表示為：
　　
其中：sgn（）為符號(hào)函數(shù)，b^＊是分類的閾值，可以由任意一個(gè)支持向量用式（7）求得，或通過(guò)2類中任意一對(duì)支持向量取中值求得。對(duì)于給定的未知樣本x，只需計(jì)算sgn（wx＋b），即可判定x所屬的分類。
1．2　線性不可分情況
　　對(duì)于線性不可分的樣本，希望使誤分類的點(diǎn)數(shù)最小，為此在式（2）中引入松弛變量ξ_i≥0：
　　
取極小值的w，b，這一優(yōu)化問(wèn)題同樣需要變換為用拉格朗日乘子表示的對(duì)偶問(wèn)題，變換的過(guò)程與前面線性可分樣本的對(duì)偶問(wèn)題類似，結(jié)果也幾乎完全相同，只是約束條件略有變化：
　　
其中：C是實(shí)現(xiàn)選定的，他反映了在復(fù)雜性和不可分樣本所占比例之間的折中。
1．3　支持向量機(jī)
　　如果用內(nèi)積K（x，x′）代替最優(yōu)分類面中的點(diǎn)積，就相當(dāng)于把原特征空間變換到了某一新的特征空間，此時(shí)優(yōu)化函數(shù)變?yōu)椋?br>　　
　　相應(yīng)的判別函數(shù)也應(yīng)變?yōu)椋?br>　　
算法的其他條件均不變。這就是支持向量機(jī)。
　　支持向量機(jī)的基本思想可以概括為：首先通過(guò)非線性變換將輸入空間變換到一個(gè)高維空間，然后在這個(gè)新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過(guò)定義適當(dāng)?shù)膬?nèi)積函數(shù)實(shí)現(xiàn)的。統(tǒng)計(jì)學(xué)習(xí)理論指出，根據(jù)HilbertSchmidt原理，只要一種運(yùn)算滿足Mercer條件，就可以作為這里的內(nèi)積使用。常用的核函數(shù)有以下幾種：


2　基于SVM的車牌漢字識(shí)別
2．1　字符圖像預(yù)處理
　　本文采用移差掃描和窗口搜索的方法^［4］找出車牌區(qū)，利用直方圖變換法^［5］對(duì)采集的車牌灰度圖像進(jìn)行二值化。二值化后的車牌圖像利用直方圖投影分割出單個(gè)字符，經(jīng)過(guò)歸一化變?yōu)?6×16象素的字符點(diǎn)陣。實(shí)驗(yàn)結(jié)果表明，16×16的字符點(diǎn)陣在保持車牌漢字的基本特征的情況下，減少了計(jì)算量，加快了識(shí)別速度。
2．2　字符識(shí)別的SVM算法實(shí)現(xiàn)
　　SVM分類器是二分類器，因此本文采用多個(gè)二分類器組合的one-against-the-others算法，將多類識(shí)別問(wèn)題轉(zhuǎn)化為二類識(shí)別問(wèn)題來(lái)解決。每個(gè)分類器只將一個(gè)漢字與其余漢字區(qū)分開，訓(xùn)練樣本中該漢字對(duì)應(yīng)的y值為＋1，其余樣本對(duì)應(yīng)的y值為－1。首先確定使用的核函數(shù)K，將訓(xùn)練樣本值帶入優(yōu)化函數(shù)式（12）中，求出最優(yōu)解a^＊_i及其非零值對(duì)應(yīng)的支持向量，并根據(jù)任一訓(xùn)練樣本值求出閾值b。將求出的所有參數(shù)值帶入式（13）即得到判別函數(shù)f（x）。依此類推，分別求出所有漢字對(duì)應(yīng)的判別函數(shù)。進(jìn)行字符識(shí)別時(shí)將輸入信號(hào)送到每一個(gè)分類器，然后循環(huán)檢查所有的分類器輸出。若某一分類器的輸出值為“1”，則認(rèn)為輸入的車牌字符為該類對(duì)應(yīng)的漢字字符；否則，若所有輸出值均不為“1”，則拒絕識(shí)別該字符。由于識(shí)別存在一定的誤差，可能同時(shí)有多個(gè)分類器的輸出值為“1”，此時(shí)則判斷為第一個(gè)輸出值為“1”的字符類。

3　實(shí)驗(yàn)結(jié)果與分析
3．1　訓(xùn)練樣本的選取
　　車牌中的漢字約為50個(gè)，分別為全國(guó)各省和直轄市的簡(jiǎn)稱，以及軍種、領(lǐng)事館和警車等的名稱縮寫。本文中只對(duì)標(biāo)準(zhǔn)的車輛牌照進(jìn)行識(shí)別，車牌中的漢字為各省及直轄市的簡(jiǎn)稱，共34個(gè)漢字字符。由于條件的限制，只有少量的字符取自實(shí)拍的車牌灰度圖像，其余為在字庫(kù)中選取的相近字體的漢字字符。所有的字符圖像均經(jīng)過(guò)預(yù)處理歸一化為16×16的黑白二值化圖像，如圖1所示。

　　由于實(shí)驗(yàn)樣本較少，在字符樣本上加上不同的噪聲處理來(lái)進(jìn)行樣本集的擴(kuò)充。最后，待識(shí)別的漢字字符樣本共16套，每套樣本均有34個(gè)不同的漢字字符。從字符樣本中選取6套作為訓(xùn)練樣本對(duì)SVM進(jìn)行訓(xùn)練，余下的10套作為測(cè)試樣本，進(jìn)行識(shí)別。
　　本文的識(shí)別系統(tǒng)識(shí)別34個(gè)漢字需要建立34個(gè)二分類器，為提高識(shí)別速度，降低識(shí)別系統(tǒng)的復(fù)雜度，輸入字符不進(jìn)行特征提取，將16×16的字符矩陣轉(zhuǎn)換成256維的向量，作為每個(gè)分類器的輸入。
3．2　核函數(shù)的選擇
　　本文系統(tǒng)分別用4種不同核函數(shù)的SVM算法進(jìn)行了實(shí)驗(yàn)，結(jié)果如表1～表4所示。

　　實(shí)驗(yàn)結(jié)果表明，選用不同的核函數(shù)對(duì)識(shí)別率的影響不大。核函數(shù)的參數(shù)變化時(shí)，識(shí)別率會(huì)略有不同，故需要根據(jù)實(shí)驗(yàn)來(lái)選擇合適的參數(shù)。為了提高系統(tǒng)的識(shí)別速度，本文最終選擇徑向基函數(shù)作為核函數(shù)。

4　結(jié)語(yǔ)
　　應(yīng)用SVM算法對(duì)車牌中的漢字字符進(jìn)行識(shí)別，在沒(méi)有字符特征提取的情況下，獲得了較高的識(shí)別率和識(shí)別速度。實(shí)驗(yàn)結(jié)果表明，在訓(xùn)練樣本較少的情況下，該系統(tǒng)的識(shí)別率較高，并具有算法簡(jiǎn)單，無(wú)需先驗(yàn)知識(shí)，容易控制和穩(wěn)定性好等優(yōu)點(diǎn)。
　　文中對(duì)不同的核函數(shù)進(jìn)行了對(duì)比，結(jié)果表明識(shí)別率相差不大，識(shí)別時(shí)間稍有差別。核函數(shù)的選擇很重要，但到目前為止，還沒(méi)有一個(gè)公認(rèn)的比較好的選擇標(biāo)準(zhǔn)。如何確定適當(dāng)?shù)暮撕瘮?shù)及其參數(shù)還有待進(jìn)一步研究。

［1］EOsuna，RFreund，F(xiàn)Girosi，etal．Trainingsupport vector machines：an application to facedetection［A］．Proc IEEEconference on computer　vision and pattern recognition［C］．Puerto Rico：[sn],1997:17-19.
［2］VladimirNVapnik．統(tǒng)計(jì)學(xué)習(xí)理論的本質(zhì)［M］．張學(xué)工譯．北京：清華大學(xué)出版社，2000．
［3］邊肇祺，張學(xué)工．模式識(shí)別（第2版）［M］．北京：清華大學(xué)出版社，2000．
［4］袁寶民．基于移差掃描和窗口搜索的車牌定位方法[J].計(jì)算機(jī)工程,2003,29(14):103-105.
［5］鄒曉濤，陳學(xué)全．汽車牌照自動(dòng)識(shí)別系統(tǒng)的設(shè)計(jì)與研制［J］．紅外與激光工程，2002，31（5）：415-418．

來(lái)源：電源技術(shù)應(yīng)用