（电子科学与技术专业论文）基于支撑矢量机的图像分类、车牌识别及嵌入式应用研究.pdf

浙江大学博士学位论文入劳4 1 蓐。最焉绘出了车牌浚鲻聚绞开发过程中的主罄实现方法。关键词：支撑矢龉机；多屡感知器：单向二二叉决案树：j ? 牌识别；纹理识别；字符识别实时分任务嵌入式车牌识剐系统；d s p ；l i n u xl l篓篓叁竺笙圭兰竺兰兰a b s t r a c ts m a l is a m p l ei e a r n i n gp r o b l e mc a nb es o l v e db ys v , iv e r yw e t l ，t h ea i mo fl e a r n i n gi sn o to n l yt og e to p t i m a iv a l u e sw h e ns a m p l e st a n dt ob ei n f i n i t e ，b u ta ts ot ot h eg e tt h eo p t i m a ls o l u t i o n su n d e rc u r r e n te o n d i t i o n so fi n f o r m a t i o n w h e ns a m p le sa t - e1 i n e a rn o n s e p a r a b l e ，t h ei n p u tv e c t o r sa y em a p p e dl oah i g hd i m e n s i o n a if e a t u r es p a c eu s i n gt h ep r e d e f i n e dn o n i n e a rm a p p i n g ，a n dt h e no n eo p t i m a lh y p e r p l a n ei sc o n s t r u c t e di nt h eh i g hd i m e n s i o n a lf e a t u r es p a c e i tm a i n lvd e p e n d so nt h ek e r n e lf u n c t i o nt h a ti su s e db ys v ma n ds o m ec o m p l i c a t e dc o m p u t i n gc a nb ea v o i d e di nt h eh i g hd i m e n s i o n a f e a t u r es p a c e + i nt h i sp a p e r ，t h eg e o m e t r i c a lm o d e io fs v mc l a s s i f i c a t i o ni ss h o w na n dc - s v m m s v mc l a s s i f i c a t i o nm e t h o d sa r ea r i a l y z e dt h e o r e t i c a l l y t h e ns e v e r a ls v mc l a s s i f i c a t i o na l g o r i t h i n sa r ed i s c u s s e d s p e c i a l ly ，s m oa l g o r i t h miss t u d e dd e e p l y o nt h eb a s i so fa n a l y z i n gm u l t i e l a s s i f i c a t i o ns v n ，a i m i n ga tt h eq u e s t i o no fas m a l lq u a u t i t yo fi m a l ec l a s s i f i c a l i o n ，w ep r e s e n tan e wm u l t i s v mc l a s s i f i c a t i o i lm e t h o db a s e do nm l pa n du n i l a t e r a lh i n a r yd e e i s i o nt r e et h r o u g h1 e a r n i n go fm l pn e t w o r k ，l a g r a n g em 0 1 t i p l i e rv e c t o ra n dt h r e s h o i dv a l u ebi nd e c i s i o nf u r l c t i o n c o n s t a n ti mk e r n e if u n e t i o n ，r e s t r i c t e dv a l u ei n 萨s v ma n dv - s v b tc l a s s i f i c a t i o nc a nb eg o t t e n i nt h ee n d ，i m a g e sa r ee l a s s i f l e ds t e pb ys t e pu s i n gu n ij a t e r a lb i n a r yd e c is l o nt r e ew h e nc l a s s i f y i n g ，o n ep r o c e d u r e ( ) ra d j u s t i n gp a r a m e t e risa d o p t e dt os h o r t e nt h et i m eo fe l a s s i f i c a t i o na n da d v a n c et h ep r e c i s i o i lo fc l a s s lf c a t i o n f o ra c t u a la p p j c a t i o n ，e s p e c i a l l yf o r1 p e a t i n s1 i c e n s ep l a t ej bc a rp l a t er e c o g n i t i o ns y s t e m ，f i r s t l y ，f r o mv i e w p o i n to it e x t u r ei m a g ec l a s s i f i c a t i o n ，a n g l es e c o n dm o m e n t ，e o n t i 。a s t ，r e l a t i v i t ya n de n t r o p yo fi m a g ea r eg a i n e dt oc o n s it u t eo n ev e c t o ri ns p a t i a ld o m a i n ，t h e nt h ep r i m a r yc a ri m a g ei st r a n s f o r m e du s i n gi ) c t ，a n dq u a l i f i c a t i o i lv a ll i eo fd c tc o e f f i c i e n tsi sg o tc e l l f r o mt h e s ev a l u e s t h es l a t is t i c a la n dd i r e c t i a n a lf e a t u r e so fi m a g ea r ep i c k e du pt oc o a s t il u t ea n o t h e rv e c t o ri nf r e q u e n c yd o m a i o a t1 a s l t b ee a f m a l e se l a s s i f ie df o r1 0 c a j n g1ic e a s e a t ew it ht w os t e p s ：c o a r s ec l a s s i f i c a t i o aa n d f i n ec t a s s i f i c a t f o a 。w i l e mc l a s s i f y i n g ，t h i n k i n go fs p e e d ，p r e c i s i o n ，a r e ao fi n t e y e s t ，af l e x i b led j a nc a nb em a d e j tisag o o da n d ) p er a h l em e t ，h o df o rc l a s s i f y i n gt e x t u r ei m a g es u c ha sc a r f o rc h a r a c t e rr e c o g n i t i o ni nc a rp l a t er e c o g n i t i o ns y s t e m ，t h ei n p u tv e c t o rp a r a m e t e r so fs v ma r em a i n l yc o n s t r u e t e df r o me d g ef e a t u r eo fi m a g ea n dp r o j e c t i v eu浙江大学博1 。学协埝文f e a l u r eo fc h a r a c t e r t h i n k i n go ft h ed a r t ic u l a r i t ya n ds i g n f ic a n c eo fe d g e ，a ne d g ed e t e c t i o nm e t h o db a s e do ne d g eg r o w i n gi sp r e s e n t e df o rg r a yi m a g ea n da ne d g ed e t e c t i o nm e t h o db a s e do nw a v e l e ta n dr e d u e e dd i m e n s i o n a li t ym o d e lo fr g bi sp r e s e n t e df o rc o l o ri m a g e s t h e s em e a n sa s s u r ew eo b t a i nt h ee d g ei n f o r m a t i o na sz a n ya sp o s s i b l ea n da v e dt h eb a di n f l u e n c eo fw r o n gi n p u tv e c t o rp a r a m e t e r 。w ep r e s e n tam e t h o dt oc o n s t r u c ti m a g ef e a t u r ev e c t o ru s i n ge d g ea n dp r o j e c t i o no fc h a r a c t e ri m a g e t i l ec o m p o s i n gw a ya n dn o r m a l z i n go ff e a t u r ev e c t o ra r es h o w n f i n a l l y ag o o dr e s u l tiso b t a i n e dw h e nc h a r a c t e ri sc l a s s i f i e du s n gu n i l a t e r a lb i n a t yd e c i s i o nt r e e ，f o ra p p l i c a t i o i lo fl i c e n s ep l a t er e c o g n il i o n ，ar e a l t i m e ，p a r l it i o n a b l et a s ke m b e d d e ds y s t e mi ss t u d i e da n dd e s g n e d t h es y s t e mi n c l u d e si m a g ea c q u i s i t i o n ，i m a g er e c o g n i t i o n ，i m a g et r a n s m is s i o n ，d e v i c ec o n t r 0 1 1 i n ga n ds oo n w jt ht h es t r o n gp a r a l l e tc o m p u t i n gc a p a b i i t yo fc 6 0 0 0s e r i e sd s po ft ic o m p a n y r o b u s tr e a l t m ec o n t r 0 1 1 i n gc a p a b i l i t yo fs t r o n g a r mo fi n t e lc o m p a n y a n df le x i b l et e m p o r a l1 0 9 i cc e n t r e liin go ff p g a 、t h es y s t e mc a na c h je v eah i g hs p e e d t h er e a 卜t i m eo p e r a t i n gs y s t e md s p b i o s ，w h ic hisu s e di ni m a g ep r o c e s s i n gm o d u l e ，i sa n a l y z e da n ds o m ek e yp r o b t e m so fd s p b i o sa r es t u d i e dd e t a i l e d l y t h e nl i n u xo p e r a t i n gs y s t e m 。w h i c hi su s e di ns t r o n g a r mr e a l t m ec o n t r o l l i n ga n dt r a n s m s s i o nm o d u l e ，i ss t u d i e d ，z a i n l yi n c t u d i n gr e a l t m ec h a r a c t e r i s t j c ，m e m o r ym a n a g e m e n ta n dd e v ic ed r i v e rd e v e l o p m e n t i nt h ee n d ，t h em a i nr e a l i z i n gm e a n so fd e v e l o p i n gc a r1 i c e n s ep 1 a t er e e o g n i t i o ns y s t e ma r es h o w n k e y w o r d s ：s u p p o r tv e c t o rm a c h i n e s ：m u l t i - i a y e rp e r c e p t r o n ：u n i l a t e r a lb im a r yd e c is l o nt r e e ：l i c e r i s ep l a t er e c o g n i t i o n ：l i c e m s ep l a t e1 e t a i n g ：c h a r a c t e rr e c o g n i t i o n ：r e a l t i m ep a rt i t i o n a b l et a s ke m b e d d e ds y s t e m ：d s p ：i 。in u x1 v浙江大学博士学位论文第一章绪论1 1 研究背景、目的和意义图像讨 别是人类的一项基本智能，在日常生活中，人们经常进行“幽像识别”。随着2 0雌纪4 0 年代计算机的出现以及5 0 年代人丁智能的起，人们希望能用计算机来代替或扩展人类的部分脑力劳动。图像识别在2 0 世纪6 0 年代初迅速发展并成为一门新学科。人炎的视觉系统本来应该是规范的，h i j 使对象物体的大小、形状卸亮度发生变化，也不易受到影响，可谓是一个二非常灵活而丰富的系统。人脑功能研究领域尚处丁研究阶段，要搞清楚视觉信息处理的全貌尚需相当长的时间。一方面，i t lt - 我们还不人清楚人类视觉系统的详细情况，因此不能以人类视觉系统作为样板来构筑图像识别处理的算法；另方面，计算机适合丁计算数值性的东西，面对于模棱两可的东蹦则不具备灵活性。尽管如此，基丁计算机的图像识别仍然在很多领域得到实际的应用，如天气预报、1 j 星航空图片解释一j 业产i 铺检测、字符识别、人脸识别、指纹识别、医学图像分析等领域。所有这些应用都是和问题的性质密不可分的，至今还没有出现统一的、有效的、可应用于所有图像识别领域的理论。幽像识别的应用环境不同，面临的具体问题也不同。本文主要针对实际课题，即汽印寸：牌识别系统中遇到的一些目前仍然没被很好解决的难题，提出一些新图像汉别的解决方法和实现手段。目前汽车4 i 牌识别系统存在的几个典型的难题是：1 ) 汽1 j 牌照的定位问题。在背景和汽车上各种干扰因素( 通常影响牌照定位的阁素包括车灯、进气栅格、车身文字等) 的影响f ，如何准确地将牌照分割“5 来，关系剑后续车牌识别的准确率。2 ) 图像信息量低的问题。目前所有的车牌自动识别系统人都是基于灰度( 黑白) 脚像处理的识别技术，由于灰度幽像的信息量不足，容易遗成灰度级相似的区域干扰的问题。3 1 字符识别问题。字符分割是将车牌区域分割成单个的字符区域，以便进行后面的识别操作。现在通常采用垂直投影法来实现，但是吲为字符的模糊、断裂、粘连，使得字符分割刚有着诸多的因素需要考虑。4 ) 环境光照的影响。环境光照小均匀也会增加图像分割和识别的难度：白火与伎删的光_ | 强度相萍极大，在强光的照射下，牌照表面的符处反光不均匀乃至造成牌照的变色，夜问汽7 ：前列的影响，造成汽1 ：牌照部分图像亮度平对比度的降低。5 ) 对丁行进中超速车辆1 ：牌识别难度更多，一是迷度快，抓拍到识别结果来时间要求殳短，一是同方向多下辆行进用c c d 摄像视域不够，若川普通数码相机传输速率太慢，若用高速传输的专川数码机，价格太昂贵。6 ) 个性化牌照的山现，增加了识别难度。1 9 9 3 年我固规定的车辆牌，第一个是汉字代表省和虹辖市，第二个是英文字母，代表地区，第二个英母代表部门，例o 代表公安系统，x 代表出租车，当然普通车辆用数字表示，第四到第七h j 数字表示，每个位置上只有十浙江大学博士学位论文个数字识别，而个性俄牌照第二到第七位上都有可有2 6 字母和1 0 个数字谖掰，增加了娄别数，这样不仅增加了诞羽时间，而虽有可麓降低了识斓正确率。7 ) 实时分任务嵌入式车牌t r 稍系统及萁实现闷遮。车牌滋烈系统对时溺要求越来越离，耀着算法复杂袋的懿高，需要采矧更快鹃硬链设备拳埂优麴硬髂浆撼方案以适癍耘型簿法的要求。归纳起来，要正确识别嚣张蜻f 车牌，必颁要有一个较好的；牌图像，它存在着清晰度与视域魍矛媾、处理速度与识别正确率的矛詹、先进的硬件器材与要求低价系统装置的矛盾( 即性价比的矛盾) 等。解扶这些矛艚的方法很多，例如克服乍前灯影响采川带有d s p 的c c d摄像机的次摄像法，夜间车辆采川红外摄像机、或采用强光局部辅助照明，多币道车辆采用数码相机，这些都有局黻性。最好的办法寻找出适应性较强的处理和识剐算法，人们为此作r 巨大努力，不断地研究探讨。近几年来一些研究入员对车牌闰像处理和谈羽备个环诲上撵出了￥ ：多不淹的解决方法。在牌照定位方面，1 9 9 9 年s h p a r k 等入”采拜 鬻墨搜索拳臻$ 经嬲络秘方法寻找牌照位置，该方法先嗣一定大小富强去寻找霹熊存在簿照戆速域，然磊褥扶这些候选蜓域去定位最终豹辨照位置。这 方法剥期了承平期垂踅薅个时延享申经网络，扶蕊必然导致时闼耗费多。而且该方法在信噪找较大的情城下牌照寇位的准确率会明显降低，2 0 0 0 年r o d o l f oz u n i n o 等人口1 提出用矢挺量化鳃决牌照定位的蛔题，该方法浠望在阁像压缩存储的同时为牌照定位提供更多的图像信息，以取得压缩和定位的双蘑效果。这种方法虽然具有一定的新意，1 _ = i 它通过矢肇量化的方式提供的图像信息量毕竟太少，在图像信息相当重要的牌照定何过程中，遮并l f 是一种理想的解决方案。截至目前，人们聪倾向使用筷版匾配的方法定位牌照位置p 4 、“。但是模舨匹配的过秣是相当耗费时间的，而且对于倾籀、萑| f 的图像萄面，模敝匹配还需鼙繁琐的前期处理，稂难带于要求实对照理静环境。因菇，在牌照定位方露需鼙探索薪瀚方法。盔车牌t 鬟荆过程中，长期以采a 帮l 都熟衷l ：灰艘f 黑彝) 塑像识别技零，其丰要琢聪是程特定弱环境f ，彩色戮像识别技术往往雉以真正她发据其应有的作蹦例如夜晚、光照条件较蒡等。另外实黪应用巧壤要求圈像处理的时问臻尽艇少，图像处理的过程要尽量简单。但是，蛙l 于灰度图像的信息餐不足，容易造成灰度级橱似的区域棚互于扰，从而使后续的系列蚓像处理科序遇到很多难题。最近几年，随着芯片处理建度的不断提离，剐像处理的时间已不再是人的问题，因此人们开始关注彩色幽像处理技术8 ，”。张引等人 1 0 l 提出了一种基丁彩色分割的车牌自动识别技术，可以避一步提瑞车牌定能和字符提取的止确率，不过在夜晚照度比较低的时候，很难得到质鬣较好的彩色豳像，所懿它只能适合子白天盼情况域在有白光照明的蹴速公路入口处等褥到应用。可觅，抛开酗像赫理孵蔺等嗣索，彩色翻像识羽接术要广 乏得i 0 应州，其难度仍然较犬。字符t 鞭涮楚车牌识潮中鹣一个蚕簧研究内容，舞种识崩方法屡出不穷。g e s u a l d i 等人采秘l 主分鬃分辨和幸串经列络熬方法对字符识剐徽了氍究，饕lj 二牌照上的字符，该方法只达到了8 5 趋识别缓率，效累不是：非常理想。近年来不少学者已尝试豢将隐马尔可夫模型( h i d d e nm a r k o v m o d e i ，简翻；h m m 一213 , 1 4 , 5 1 方法戍用丁| 字符识别，但目前的研究几乎都集中在维隐马尔可夹模拟( 1 d 。h m m ) 上。而周内的1 i 牌字符由汉字、英文字符及数字组成，黪r 汉字2激选失学簿 一学位论文的二维弓! 问拓扑结构特性，汉字的_ l 【 别豫使用二维马尔可火模型，但足这种方法计掉复杂，训练禹1 识别缀耗时间。甜龙等人f l6 】提出利用分形理沦寒对车牌矩形区域出的亨符进 ，识别，为该字符滠剩目题寻技赣豹技瘩途径。赧是实验表弱有些字符鑫穹分数绥鞠莠投套，等效溺值雉以选墩。牌照上的字符识别不仅与所用的方法有关，而且宜接与前艄的牌照定俺、字符分割等步骤密# u 相关。网此，单纯去改变字符识别本身的方法并不能从根本上改变字符u 别的效率秘准确率，纛要进一步麸系统我角度来考虑妇能麟跌这个翊题。环境光照状况对车牌识z 有强大鹩影响作用。适宜鹩光照条件可以使拍摄到的翻德轮廓清晰，颜色分明：不适盥的光照条什却会使拍摄到的图像轮廓模糊，颧色昏暗。光j c 条什可以人为地去创造，但这并不能解决根本问题，冈为天气是变化莫测的+ 不同的天气f 采| 相同戆人菇毙照条 孛，最终糖摄爨的强像瓣效果也夸醛稳嗣。陵魏之姊，夜瞧汽车牢嚣的强毙也具有很人的影响作用，往往会造成汽车牌照的部分图像的亮度年i 恻比度降低。可见环境光照状况只能尽量改善，不能做剑十全十美，最终还是需舞找到能够在_ i 同光f l c i 条件。f 都具有一定适应8 力的算法。崔税有瑾论鞠设餐缝蓠提条襻下，对丁- b 叁西个溺麓，麴疆结赢楚耍撬到耪合适强赫的车牌识别算法。多年来，神经网络赢是图像识别领域中的主要方法之一 ”，1 8 , ”j ，与其它类型的分类器相比，蕊丁神经网络的分类器具有较强的学习综合能力，但在样本特征分布不理想时，蟪剐是当样本的特征区域发生重叠的时嫒，识别效率不离日o l 。这是由丁m 神经网络分类器在调练遗疆申不舆每瘸时对样本类内方差避行最毒诧承j 委 孛葶李娄闻方差避哲箍大化的能力。神经网络方法直接从观测数据( 训练样本) 学习，是简便有效的方法，训而获得了广泛的应用，但它是种启发式技术，i ；l 前尚缺乏指导工程实践的峨实理论基础。小激变换在隧豫识舅领域也褥戮t 广泛应腰，c + s c o t t 等天口”经鞲蠡罐子表示域( 弼小波、f o u r i e r 等正交变换得自) 内利用摸板匹配法t e m p l a r ( t e m p l a t el e a r n i n gf r o ma t o m i cr e p r e s e m m i o n s )进行幽像识别，他们没有利用小波多尺艘分析的优点，1 虹没有利刚f i s h e r 变换增大类问蹲离，导致该辫法的识别准确性较低。w w b o l s 等人口2 i 采三次样条小波的零交义代表虹膜的萼专篮磬谯基i 女上避行人戆身份识囊，囊 枣波分解翻鞍缝足囊澈，该表示注受到骥声严重干扰，特征只自 采用少数较粗尺度的零交叉表示，渊此w w b o l s 芬人的方法识删准确率不高。在小波变换域内计算分形维数，利州分形的相似性也可以进行图像识别”，但该方法汁算磴大，醒别结粜相对需要的诗锋蹩而言，4 降能较低。在小波变换域内，s c m a t t h e w等 2 4 - 2 9 l 秘埘绻弓尔可必模型( h m m ) ，聚翔稿号统谴。挖璎麓方法对鼎豫逶行辍澍分凌，该方法适应性广，可扩展性好，训练样本不需要很多就可达到最优性能，侗识别准确率不高，要提高诌 别准确率，h m m 的复杂性利训练样本数都需皱提高很多。纹理分析口”“ _ l 也是一种魁像瑷剃的基本方法，概括起来可分为添火类：绞诗分辑方法零l 结橱分概方法。统谴分辑方法的鏊本原理是选择水溺的统计量对纹理圈像的统计特征进行提取；缩翰努毫斤五法艇分析纹理图像的结构，从中获取结构特征。这些方法的实现都是基丁f 提取图像的具体特征参数。这种识别方法的局限性是：对于非刚性的物体，往往易受外界环境的影响而产生不同榭度的变形，从瓣在严捂蘧行特链匿醚睫会出蠖潮难。聚类方法跫另外秘图像识别的方法，窀滁i 一许多磺究领域，包括数据挖掘 、统计学、机器学习以及墨! 间数据库披术等。聚类方法根据数新江大学博十学位论文据对象之间的梢似性对数据熊进行分割，阻便每个子集都魁由比较相似的数据成员组成f 3 2 】。b 分类方法不同，聚类方法是个无监督的学习过程，在没有任干叫导师信号的情况f ，根据样本自身的分布对其进行分类朗一毋中数据分辑技术5 ”1 。目前，t 要存在羞如f 几种聚类方法：划分方法l 、层次方法、基于密度静方法粥、基y - n 椿的方法3 7 1 戳及辇于模型盼方法p ”等。这些方法已经应用于许多领域，包括图像识别、数据分析以及图像处理等。聚类方法比较简单+ 阅此其应垌j i 常广泛。然而，这种方法存在着不足：一日一个合并被执行，簸_ ；能修正。在该方法中，下一步豹处理是盎 ：一步生域豹簇上避行的，戳此如果在菜一步没有很好地选择合并的决定，则可能会导致低腰爱盼聚娄稿粜；阉时，这种聚类方法不其裔很好的可伸缩性，因为台并的决定需要检查和估算大量的对魏或簇，从嘶导致时间花费过人。统计推断理沧研究所取得的突破性成果导致现代统计学习理论一v c 理论的建立，落理论不投盔严梅豹数学基磁k 蠲瀵建羁签7 久t 事孛经弱络中出现豹理论嗣瑟，两蔓导窭了一种新的学习方法一支撑向蛩机盼”j 。支撑阳餐桃从理论上解决了最优分撰器的设计问题，它为难以识别的图像提供了一种最优的分类识别思路。在很多的图像识别领域，图像识别实际上完全叫以濑过圈像分类的形式来表述。蹦像躯分类方法存根多，例如：绞计模式分类法、结构法、分娄瓣以及捧经惩络等，毽对予薅壤鞠海量分类识涮闷题，鞋及没番先验翘谈麓赣况下，这些方法都雉以得到满意的结果。传统的神经网络方法门于对数据的过拟合，而导致其推广能力的r 降。最近，一蝗应用研究表明支撑矢量机方法显示出较传缆方法包括神经刚络方法更好的避癍耨接，。能力。支撑矢量枧方法对予高维输入矢量郓没有先验知识的情况，共有较籍的捧广敲力，困戴它对丁黼德识掰怒一个较好靛方法。最近死枣，支撵商量瓿在辫像识别领域得到了越来越多的应川4 2 , 4 3 , 4 ，但是目前还没有将支撑矢餐机系统地应用于车牌识别领域的先例。在车牌识别系统中，无论是牌照定位、字符t 别还是汉字识刖，最终都可醴看馋为黉爱逼i 嗣静畜凝嚣标识囊。嚣戴，分类麓力强鼷、分类方式灵潺多撙兹支撵矢鼙机分类理所警然就成为我们在车牌识别系统中欲采罔的一种主要识别方法。汽车车牌识别系统中的牌照定位、字符识别、汉字识别与一般文本中的字符、汉字或者在线手写体字符、汉字识别等幽像处理”【作存着本质的差别。汽车牌照上的字符、汉字不论翻像渍藩与甭，一簸罄其麓攥敬蛰馥麓羚部搴孥征，慧焉逶遥 聿经弱络、字符笔懿特征秘援蝴识别等各种方法汉别1 4 0 ”14 q ：而文本中的字符、汉字通常字迹比较清晰，在提取矧像的外部特征时相剥比较容易：在线平写体字符、汉字通常在写宁板l 有坐标参数可提取，阁此问题也不是襁大。季睾经网络、字符笔划特征年i j 模糊识别等力法赴议剃嚣清蜥! ；三牌上的字符和汉字秘，都会蔼 黼这样的矛詹：特征参鼗选取过多，诗冀量大，耗赞时闯；祷程参数选取过少，又很难准确地汉别山j l i 确的炼粜。支撑欠鼙机止好可以在这样的矛盾之间选到一种平衡。支撑矢量机的一个优点就是刘特征参数的数量不是特别敏感，为在确定分类边界时，它在特凝参数上的诗簿主要是基于内毅豹模式。根据噬- 分析可以发现，器种巨像乇曩剐算法或多或少都有一定盼跌点。列予最初箍密的车牌识别过麟i l 】的几个难题的讨论，最后都归结为削像分娄识别的准确性问题和时间耗费问题。在现有条什f ，尽量多地提取牌照有效特征参数是提高分类汉别准确性的唯途径，但蹩在大部分簿法瓣分类移 翻遂箨t 弼塑像耱援参数过多必然会导致势粪识别过程耗费麓时阏4浙汀大学博+ 学位论文增加。支撑矢量机以其坚实的理论基础、强大的分类能力、灵活多样的分类方式，以及它对特征参数的数量不是特别敏感的优点，为解决车牌识别过程中的儿个主要难题提供_ _ r 极好的算法平u 理论依据。现在我们再来看最后一个问题，即实时分任务嵌入式乍牌识别系统及其实现问题。现有的个牌识别系统大都是基于台式机的大型系统，这样的系统功耗人、并行训算能力差、携带移动不方便。相比之f ，嵌入式车牌识别系统有更多的优点：性能高、价格低、- i 仵稳定、功能模块化、与用户的接口简单、可用电池供电、抗干扰能力强、适应丁全天候廊刚、便于安装和隐藏。车牌识别研究的最终目的是为了满足实际应用的要求，山丁车牌识别过程中数据量人，数据处理相关性高，在特定的应用环境中幽像必须具有严格的帧、场时间限制关系；另外，车牌谚, z n 系统需要有很高的图像采集和图像处理速度才能达到晟优的识别效果。例此必须采用具有强大运算能力的实时图像识别系统才能达到满意的效果。车牌识别算法中涉及到许多像边缘检测、小波变换、矩阵运算等图像处理算法，可见提高系统的运算速度至关重要。因此，一方面，需要提山更好的图像识别算法以提高系统的性能，如本论文将提到的新的彩色幽像边缘检测算法、基于支撑欠量机的牌照定位和字符识别算法等；另一方面，需要在算法复杂度适度提高的情况下，保证合理的图像处理速度，即在提出新算法的同时能捉供更快的硬件设备条件和更优的硬件架构方案，以保证整个系统的实际应州价值。随着超大规模集成电路的高速发展，数字信号处理器( d s p ) 的发展为实现高速信号处理提供- 厂可能。目前国内研究车牌识别的单位不少，多数针对收费站、路v 1 ( 电子警察) 的午牌彭 别。这些车辆基本上是静态的或过路车辆中违章的，因此图像抓扪相对稳定，即使采取的辅助措施亦易丁实现，或者单位时间内需要处理的图像不多。另外关丁嵌入式实时车牌识刖系统方面的研究文献很少，但是国内儿家公司却l i 经相继推了他们的嵌入式乍牌识别产品，但这些产品并不是实时的，某些方面的性能还有待改进。比较典型的有：1 ) 北京天宁通泰科技发展有限公司推出的l p r x 6 8 畋入式车牌识别仪。它采用了嵌入式设计将视频采集功能、视频检测车辆功能、图像识别功能、摄像机及灯光控制功能集成在一块硬件 1 ，不需计算机即可独立完成视频采集、车辆检测、车牌识别、识别结果传送等i j 作，该系统的实物见h1 1 。l p r x 6 8 嵌入式车牌识别仪不具有操作系统，车牌识别速度在5 0 0 毫秒左也，字符识别l e 确率达到9 6 ，性能上需要进一步提l 岛。2 ) 上海高德威智能交通系统有限公司生产的g w p r9 9 0 2 t 下牌识别器基于嵌入式1 ：控 j l d s p 和专j 十j 硬件电路，能够完成复杂情况f 的汽车牌j c 的定位、分割以及识别，该产品下牌识别叫伺为o 5 10 秒，幕牌识别率在9 0 左也，牌照定位率在9 8 左右，识别时问和功耗两方面不太理想。3 ) 北京汉王科技有限公司智能交通产品嵌入式一体化乍牌辨识仪( “汉十眼”) 是一款基丁d s p 硬件运并半台的汽1 ：卞牌识别系统，它采用一体化的结构，将j c l 明模块、采幽模块、识别模块、传输模块、温控模块全部集中在一个防护罩内能完成从采集车辆图像、识别珥：牌号码到传输识别结果的全部过程，在理想状况下，它的1 ：牌识别率往9 8 左右，彭 别时间能够达到0 2 秒左右，相对米说比前面两种1 i 牌 = ! _ 别系统更优。根据我们| 董= 期研究测试表明，理想情况f 得到9 8 的识别率，实际情况中的市牌识别率远低丁这个数。浙江人学博士学位论文图11l p rx 6 8 嵌 式车牌汉别仪尽管上述几家公司的产品已经达到较高的实川水平，但是它俐有一个共同的特点，即将图像信号处理中所有的算法完全在同一个d s p 芯片中进行，甚至把图像采集和吲像传输等功能都集成在一块芯片上。我们知道，车牌识别系统是一个复杂的多模块系统，其中的算法实现过程也是分阶段和分步骤的。因此我们考虑采用功能分模块，算法分任务的模式设计一种实时分任务的嵌入式车牌识别系统。目前，d s p 、a r m 、f p g a 技术日趋成熟，所以我们将高速的d s p 与在通讯和网络、实时控制方面具有独特优势的s t r o n g a r m 处理器t 以及接口逻辑丰富、并行运算能力强大的f p g a 结合起来，充分发挥备f 1 的优势，构建出一种更加完善的实时分任务嵌入式车牌识别系统。最终目的是使车牌识别系统能够采用更理想的实现算法，进一步缩短车牌识别的时间，同时在车牌识别算法方面也可以有更宽的选择余地。总而言之，本文是在已有算法不能满足各种应用场合r 车车牌识别系统的识别效率( 包括车牌识别的准确率，车牌识别的速度) 的情况f ，提出采_ _ l j 支撑矢量机的方法来改进乍牌识别算法，同时提出一种实时分任务的嵌入式车牌识别的硬件架构方案，从软件和硬件两方丽着手解决现有午牌识别系统存在的问题。1 2 支撑矢量机概述统计学习理论的创立是在6 0 年代至7 0 年代期间。甲存1 9 6 8 年，v a p n i k l l c h e r v o n e n k i s已经对指示函数集( 即模式识别问题) 提出了v c 熵 l l v c 维数的概念，通过它们发现r 泛函空间的大数定律( 频率一致收敛丁其概率的充分必要条f l 。) ，研究了它与学习过程的联系，并得到了关于收敛谜率的1 f 渐近界的主要结论【4 ”。他们在1 9 7 1 年对这些i 作进行了完整的证明 删，并在】9 7 4 年得到一个全新的pj 纳原则：结构风险最小化归纳原则| 5 。在1 9 7 6 年到1 9 8 1年问，他们把最初 t 对指示函数集的这些结论推r 到了实函数集，主要内存有：大数定律( 泛函空间均值致收敛于划望的充分必要条件) ，完全有界的函数集和无界函数集一致收敛速率的界，咀及结构风险最小化原则川。在1 9 8 9 年，v a p n i k 和c h e r v o n e n k i s 发现了经验风险最小化归纳原则和最人似然方法一致性的充分必要条竹，完成了刘经验风险最小化归纳推理的分析5 ”。在此基础上，从1 9 9 2 年到1 9 9 5 年期间构造了一种凿适而有效的学习机一支撑矢量机阻5 4 , ”1 。浙江大学博+ 学位论文支撑向量机是。种基丁统计学习理论的新式机器学习算法，1 9 9 5 年v a p n i k1 3 9 首先l i ：式神专著提出，后来v a p n i k 在统计学习理论这本专著上进一步分析了支撑父螭机算法”。支撑向量机是统计学理论的经典部分，它采削结构风险最小( s t r u c t u r a lr i s km i n i m i z a t i o n ，简称为s p o a ) 原则替代传统的经验风险最4 、( e m p i r i c a lr i s km i n i m i z a t i o n ，简称为e r m ) 原则进行分类，其目标就是在训练样本集中寻找一个最优的超平面，以实现对未知的样本数据产生最小的分类错误1 4 “。换句话说，支撑矢量机是一种分类机器，它能找到个最优的分类边界，该边界能够将样本数据最大限度的分开，使两类数据之间的边界最人。从理论上讲s v m 足根据结构风险最小的原则，寻找一个既l 有最小v c fv a p n i k ，c h e r v o n e n k i s ) 维数，义能很好地描述样本数据特征的函数。支撑欠量机的最终求斛可以化为一个具有线性约束的二次r r l 规划问题，不存在局部极小。通过引人核方法，可以将线件支撑矢量机简单地推广到非线性支撑欠量机，而且对 j 高维样本几乎不增加额外的计算量。目前支撑矢量机正以其显著的优点吸引了越来越多人的兴趣。支撑向量机已经住人脸识别“1 ，语音识别，文本分类，手写体字符识别0 4 4 i 等领域得到r 成功的应用。随着多类支撑矢量机”“( m u l t i c l a s ss u p p o r tv e c t o rm a c h i n e s ，简称为m s v m ) 分类方法的研究，支撑矢量机的应用范围将越来越广。对小规模的训练样本集合米说，用梯度f 降法、共扼梯度法等来求解次规划是一种直接而简单的训练算法。然而对大规模的训练样本集合而言，崩这些方法是很难求解。主要有两个原因：一是由于计算和存储桉函数矩阵需要很大的内存，二是由于i l e s s e n 矩阵的奇异性导致收敛速度非常慢。1 9 9 2 年，b o s e r ，g u y o n = f f l v a p n i k 提出了c h u n k j n g 算法1 5 。该算法的基本思想是把大规模的二次规划问题分解成一系列小规模的二次规划问题。算法首先随机选川1 一部分样本作为1 ：作集( 即训练集) ，得到一组l a g r a n g e 乘子。然斤用k k t 条f l ，对其余的样本进行检验，再把违反k k t 条件的样本加人到工作集中，同时删太前一次训练集合c 的非支撑矢量，重复这一过程，直剑所有的样本满足k k t 条什为止。当支撑久量的数量比较少的时候，c h u n k i n g 算法能够提高训练速度，但是如果支撑矢量的数帑较多时，i 作集的样本也越来越多，算法依然会很复杂。针对这一问题，o s u n a 、f r e u n d l l g i r o s i 于】9 9 7 年提出了另一种改进的分解算法p 。该算法不同丁c h u n k i n g 算法之处在nc h u n k i n g 算法的训练样本规模会不断增人，而且从1 作集中删去的样本都是非支撑矢量，而o s u n a 算法的训练样本的规模是固定的，而h 删去的样本是任意选取的。1 9 9 8 年，j o a c h i m sf f o s u n a 算法的基础提出了一种改进算法s v m “ ，该算法的训练速度得到了一定的提高”。2 0 0 0 年p l a i t i ”】提山了快速支撑矢量机的训练算法s m o ( s e q u e n t i a lm j n i m a o p t m iz a to n ) 为支撑矢量机的j 1 泛麻刚奠定了稳健的基础。以致近两二年以来s v m 在人脸识别”1 ”指纹彭l 别“，语音识别0 4 ”，文本分类1 4 3 1 ，手写体字符识别【4 4 1 等方面得到了广泛的应用。实际府川中，多类分类问题更为普遍，a i o l l i 等人m ”提山，类似s m o 的快速算法和一种新的模式选取策略，对解决多类支撑矢量机算法方面有较大的实际意义。v o j t e c hf r a n c , f l l v a c l a vh l a v a c l 6 2 1 提出一种多类支撑久量桃的新算法，他们将多类问题变换到单一类问题，较好地解决了多类问题中的优化问题。针对支撑矢量机，w e s t o n 等州、b r e d e n s t e i n e r 等“l 和g u e r m e u r 等l ”1 也提出了j _ 】多类分类问题的支撑久量机算法。7浙江太学辩学位论变国内在支撑欠量机研究方面虽近几年才刚刚发展趟米。2 0 0 1 年焦李成1 6 卅等人首次对支撑矢量枧预选取方洼作了视步研究，后来在支撑欠量帆理沧和廊埘研究领域取得，系列的磷究成暴。2 0 0 2 年焦举蔽等9 ”太发表r 支撵矢量撬群予多_ ；j 户捡潮方露豹文章，遮跫嚣内支撑矢餐机的第一次应用研究成果。同年梁路宏等人m ”提出将模版鹕配b 支撑欠餐机相结合的人l | ；= 检测方法，刚模扳对人脸进行瓤筛选，进步提高了s v m 的训练速度。2 0 0 3 焦李或等针趱大援模数据集，提出了一糖袋_ l 样搴到莱一娄的弩氏距糍采提取可能为支撑矢量的数粼的方法，| 司时阕嘲了掘旃解决在输入空闻和特镊空闯中求马氏距离所遇到盼目题以及利_ = | 特征值、特征欠量和伪逆运算的并行计算方法，建立了一种提取支撑矢量的秧遵算法。埘该方法对训练数据进行预处理后，可以加快s v m 算法的训练速度。总之，支撑矢鼙壤方法是一秘叛豹鞠豫分类识剐方法，它已经其寤整实瓣理论依据毒| l 多年的实际戚用，我们首次将它应片j 到牌照定位和字符识剐中去，是一次新的尝试，域终结果也将表明，该方法在汽4 三4 三牌识别中的确有它定的虑用价值。1 。3 支撑矢羹视图象分类与车牌谈剃中关于特 歪选取的考虑