毕业设计论文_车牌识别系统的设计与实现参考(共40页)

1、车牌识别系统的设计(shj)与实现摘要(zhiyo)车牌识别系统是智能交通系统的重要(zhngyo)组成部分，有着广泛的应用，同时也是计算机视觉、图像处理和模式识别等交叉学科的研究热点。车牌识别系统广泛应用于高速公路自动收费和超速监管系统、公路流量监控系统、停车场收费管理系统、安防系统以及小区物业管理系统等等。本文在VC+6.0平台下，结合OpenCV视觉库，开发了车牌识别系统。车牌识别系统分为五大组成部分：图像预处理、车牌定位、车牌倾斜校正、字符分割和字符识别。本系统能够对输入的图像进行图像预处理，包括图像灰度化、图像滤波、边缘检测和二值化等；其次，通过使用数学形态学技术和车牌的高宽比固有特

2、征从预处理后的图像中定位出车牌位置，并把车牌提取出来；再次，使用Hough 变换方法测出倾斜角，对车牌进行有效的旋转校正；通过水平投影去除车牌的上下边框，使用垂直投影法把字符一个个分割出来；最后，通过模板匹配法识别车牌字符并输出。实验结果表明，车牌定位的准确率为 87.9%，车牌字符的正确识别率为72.6%。关键词：车牌定位，数学形态学，Hough 变换，倾斜校正，投影Design and Implementation of License Plate Recognition SystemAbstractLicense plate recognition system is an import

3、ant part of intelligent transportation system and it has a wide range of applications. It is a hot spot of research in computer vision, image processing and pattern recognition. License plate recognition system is widely applied in the highway automatic charging and speed regulation system, highway

4、traffic monitoring system, parking fee management system, security system and the residential property management system, etc.This system is developed in VC+6.0 platform and computer vision library OpenCV. License plate recognition system designed is mainly divided into five parts: image preprocessi

5、ng, license plate orientation, license plate tilt correction, character segmentation and character recognition.This system can perform the image pretreatment to the input image, including the image gray level, the image filtering, edge detection and binarization and so on. Secondly, by using the tec

6、hnology of mathematical morphology and the plate inherent characteristics of aspect ratio to position license plate location in the image after pretreatment, and extract the license plate. Thirdly, Hough Transform method is used to measure the angle and effective rotation correction the license plat

7、e. Fourthly, by using horizontal projection to remove the up and down borders of the license plate, the characters are divided one by one using the vertical projection method. Finally, using the template matching method to recognize the characters, and output it. Experiments show that the accuracy o

8、f license plate location is 87.9%, the correct rate of license plate character recognition is 72.6%.Keywords: license plate localization, mathematics morphology, Hough transform, tilt correction, projection目录(ml) TOC o 1-3 h z u HYPERLINK l _Toc359428351 1引言(ynyn) PAGEREF _Toc359428351 h 1 HYPERLINK

9、 l _Toc359428352 1.1课题研究(ynji)目的与意义 PAGEREF _Toc359428352 h 1 HYPERLINK l _Toc359428353 1.2国内外研究现状 PAGEREF _Toc359428353 h 3 HYPERLINK l _Toc359428354 1.2.1国内研究现状 PAGEREF _Toc359428354 h 3 HYPERLINK l _Toc359428355 1.2.2国外研究现状 PAGEREF _Toc359428355 h 4 HYPERLINK l _Toc359428356 1.3目前存在的问题 PAGEREF _T

10、oc359428356 h 5 HYPERLINK l _Toc359428357 2系统开发编程语言 PAGEREF _Toc359428357 h 7 HYPERLINK l _Toc359428358 2.1 Visual C+介绍 PAGEREF _Toc359428358 h 7 HYPERLINK l _Toc359428359 2.2 OpenCV介绍 PAGEREF _Toc359428359 h 8 HYPERLINK l _Toc359428360 3系统的总体设计 PAGEREF _Toc359428360 h 10 HYPERLINK l _Toc359428361 3

11、.1需求分析 PAGEREF _Toc359428361 h 10 HYPERLINK l _Toc359428362 3.2软件系统组成 PAGEREF _Toc359428362 h 10 HYPERLINK l _Toc359428363 3.3系统的层次结构 PAGEREF _Toc359428363 h 12 HYPERLINK l _Toc359428364 3.4系统的软硬件环境 PAGEREF _Toc359428364 h 13 HYPERLINK l _Toc359428365 4系统的详细设计 PAGEREF _Toc359428365 h 14 HYPERLINK l

12、_Toc359428366 4.1图像预处理 PAGEREF _Toc359428366 h 14 HYPERLINK l _Toc359428367 4.1.1功能概述 PAGEREF _Toc359428367 h 14 HYPERLINK l _Toc359428368 4.1.2问题分析 PAGEREF _Toc359428368 h 14 HYPERLINK l _Toc359428369 4.1.3预处理方法及实现 PAGEREF _Toc359428369 h 14 HYPERLINK l _Toc359428370 4.2车牌定位 PAGEREF _Toc359428370 h

13、 30 HYPERLINK l _Toc359428371 4.2.1功能(gngnng)概述 PAGEREF _Toc359428371 h 30 HYPERLINK l _Toc359428372 4.2.2问题(wnt)分析 PAGEREF _Toc359428372 h 30 HYPERLINK l _Toc359428373 4.2.3车牌定位(dngwi)方法及实现 PAGEREF _Toc359428373 h 31 HYPERLINK l _Toc359428374 4.3车牌倾斜校正 PAGEREF _Toc359428374 h 40 HYPERLINK l _Toc359

14、428375 4.3.1功能概述 PAGEREF _Toc359428375 h 40 HYPERLINK l _Toc359428376 4.3.2问题分析 PAGEREF _Toc359428376 h 40 HYPERLINK l _Toc359428377 4.3.3倾斜校正方法及实现 PAGEREF _Toc359428377 h 42 HYPERLINK l _Toc359428378 4.4车牌图像分割 PAGEREF _Toc359428378 h 47 HYPERLINK l _Toc359428379 4.4.1功能概述 PAGEREF _Toc359428379 h 47

15、 HYPERLINK l _Toc359428380 4.4.2问题分析 PAGEREF _Toc359428380 h 47 HYPERLINK l _Toc359428381 4.4.3图像分割方法及实现 PAGEREF _Toc359428381 h 48 HYPERLINK l _Toc359428382 4.5车牌字符识别 PAGEREF _Toc359428382 h 51 HYPERLINK l _Toc359428383 4.5.1功能概述 PAGEREF _Toc359428383 h 51 HYPERLINK l _Toc359428384 4.5.2问题分析 PAGERE

16、F _Toc359428384 h 51 HYPERLINK l _Toc359428385 4.5.3字符识别方法及实现 PAGEREF _Toc359428385 h 52 HYPERLINK l _Toc359428386 5软件测试与分析 PAGEREF _Toc359428386 h 56 HYPERLINK l _Toc359428387 5.1软件测试 PAGEREF _Toc359428387 h 56 HYPERLINK l _Toc359428388 5.1.1测试方法 PAGEREF _Toc359428388 h 56 HYPERLINK l _Toc359428389

17、 5.1.2测试平台及测试步骤 PAGEREF _Toc359428389 h 57 HYPERLINK l _Toc359428390 5.1.3测试结果与分析 PAGEREF _Toc359428390 h 64 HYPERLINK l _Toc359428391 5.2遇到的问题与解决方法 PAGEREF _Toc359428391 h 65 HYPERLINK l _Toc359428392 结束语 PAGEREF _Toc359428392 h 69 HYPERLINK l _Toc359428393 致谢 PAGEREF _Toc359428393 h 70 HYPERLINK l

18、 _Toc359428394 参考文献 PAGEREF _Toc359428394 h 71 HYPERLINK l _Toc359428395 附录(fl) PAGEREF _Toc359428395 h 741引言(ynyn)1.1课题研究目的(md)与意义智能(zh nn)交通系统（Intelligent Transportation System，ITS）是人们将先进的信息技术、数据通讯传输技术、电子控制技术、传感器技术以及计算机处理技术等有效地综合运用于整个运输体系，从而建立起的一种在大范围内、全方位发挥作用的实时、准确、高效的运输综合管理系统。其目的是使人、车和路能够密切地配合，和

19、谐地统一，极大地提高交通运输效率、保障交通安全、改善环境质量和提高能源利用率1。在当今城市化高速发展的时代，随着社会经济的高速发展，机动车数量增长很快，全社会机动车保有量增长速度不低于经济增长速度。改革开放以来，中国道路交通设施及管理设施虽然有较大改观，但跟不上机动车增长速度。总体水平与发达国家有较大差距，特别是大多数城市路网结构不合理，道路功能不完善，道路系统不健全，交通管理设施缺乏，管理水平不高。即使各地都建立了交通控制中心，大多只是实现了监视功能，而远没有发挥控制功能的效应。随着汽车数量的逐年递增，摆在我们面前的是巨大的城市交通压力。如何高效地进行交通管理，越来越成为我们现实生活中的焦点

20、问题。针对这些问题，人们运用先进的科学技术，相继研制开发出了各种交通道路监视、管理系统，这些系统一般都包括车辆检测装置。通过这些装置对过往的车辆实施检测，提取相关的交通数据，达到监控、管理和指挥交通的目的，全面实现交通系统的智能化建设。交通作为(zuwi)国民经济基础性产业，大力(dl)推进信息化，对于实现(shxin)交通新的跨越式发展具有十分重要的意义。信息化是实现交通现代化的必然选择。在这种大背景下如何建立一个集中、高效、快捷、网络化的智能交通管理系统就成为信息处理技术的一项重要课题。智能交通系统的研究领域广阔，其中电子收费系统是 ITS 在公路收费领域的具体表现，其应用可解决收费站的“

21、瓶颈”制约作用，较好地缓解收费站的交通拥挤、排队等候以及环境污染等问题。在电子收费系统中，由于收费过程需要实现自动化，车辆直接驶过收费站而不停车，因而对车辆准确迅速的识别和分类就成了关键的问题。为了满足这些需求，有必要在智能交通管理系统中引入车辆牌照自动识别技术。汽车牌照是车辆最清晰、准确和唯一的标志。中华人民共和国交通部是这样陈述汽车牌照识别技术的：汽车牌照识别技术(License Plate Recognition， LPR)是一个以特定目标为对象的专用计算机视觉系统，该系统能从一幅图像中自动提取车牌图像，自动分割字符，进而对字符进行识别，它运用模式识别、人工智能技术，对采集到的汽车图像进

22、行处理，能够实时准确地自动识别出车牌的数字、字母及汉字字符，并以计算机可直接运行的数据形式给出识别结果，使得车辆的电脑化监控和管理成为现实。车辆牌照识别系统综合运用了图像处理、模式识别以及人工智能等方面的理论技术。系统主要包括：提取含有车牌的图像，对复杂背景中的车牌进行定位以及车牌上的字符切分和识别。车牌定位、字符切分、并运用独创的基于二值特征的识别算法和基于灰度特征的识别算法相结合，是 ITS 的一个重要组成部分，它的成功开发必将大大加速 ITS 的进程。汽车牌照识别系统具有不影响车辆行驶(xngsh)状态，不需要车辆(chling)安装额外的设备，自动化水平(shupng)高等优点。由于车

23、辆牌照识别系统的处理方法简单有效，适用于多种不同环境，车辆牌照识别系统正成为 ITS 系统最主要的组成部分。车辆牌照识别系统可以广泛地应用于众多车辆认证的实际系统中。 如它可以广泛应用在：高速公路收费、监管管理；停车场收费管理；偷盗车辆识别；城市交通路口“电子警察”；安防系统以及小区物业管理系统等。汽车牌照识别系统是以图像识别技术为基础的智能交通管理系统，是21世纪世界道路交通管理的发展趋势。高速公路的车辆管理体制通过智能管理可以杜绝漏收、少收、人情收费和个别贪污的行为；可以实现特殊车辆的跟踪、丢失车辆的实时查询、小区车辆的科学管理以及道路车辆流量、型号的自动化统计。汽车牌照的自动识别是车辆检

24、测系统中的一个重要环节，可以切实有效地提高交通系统的车辆监控和管理的自动化程度，它在交通监视和控制中占有很重要的地位，是实现交通管理现代化和智能化的重要前提。汽车牌照的识别问题己成为现代交通工程领域中研究的重点和热点之一。1.2国内外研究现状1.2.1国内研究现状车辆自动识别系统是以解决交通拥挤问题和高速公路多发事故问题而产生的，是近20 年来新兴起的一个跨学科的、系统化的综合研究体系，其目的是在不扩张路网规模的前提下，通过综合运用现代科学技术，来提高交通路网的通行能力和交通运输能力。国内也有多家单位(dnwi)在进行这方面的研究，北京弗雷德科技有限公司，亚洲视觉科技有限公司，中科院沈阳自动化

25、所的沈阳聚德公司，深圳市科安信实业有限公司，中国信息产业部下属的中智交通电子有限公司等也都有自己的产品。各个(gg)大学也有自己的研究，如西北工业大学开发(kif)了一套基于 OCR 的车辆号牌的识别系统；西安交通大学有基于视频的车辆号牌的识别系统；浙江大学人工智能研究所也推出了一套车辆号牌的识别系统，据报道其号牌定位正确率为94%；上海交通大学叶晨周研制的车辆号牌的识别系统，据报道汉字、数字和字母的识别率都大于96%，车辆号牌的识别率为82%；同济大学关于车辆号牌自动定位分割算法的成功率据报道为90%，由上可得，都未见完全的识别率和识别正确率报道2。1.2.2国外研究现状车牌自动识别技术的研

26、究国外起步地较早。早在 20 世纪 80 年代，便有一些零零散散的图像处理方法用于车牌自动识别的某些具体应用。在这个阶段，车牌自动识别技术的研究还没有形成完整的系统体系，一般采用简单的图像处理方法来解决某些具体问题，并且最终结果通常需要人工干预。进入 20 世纪 90 年代后，车牌自动识别的系统化研究开始起步。典型的如A.S.Johnson等提出车辆牌照的自动识别系统分图像分割(Image Segment)、特征提取(Feature Extraction)和模板构造(Template Formation)、字符识别(Character Recognition)等三个部分，完成车牌的自动识别。R

27、.A.Lotufo 使用视觉字符识别技术(Optical Character Recognition Technology)分析所获得的图像，首先在二值化图像中找到车牌，然后用边界跟踪技术提取字符特征，再利用统计最邻近分类器(Statistical Nearest Neighbor Classifying System)与字符库中的字符比较，得出一个或几个车牌候选号码，再对这些号码进行核实检查，确定是否为该车牌号码，最终确定车牌号码。这个时期的应用在识别正确率方面有所突破，但还没有考虑识别实时性的要求，识别速度有待进一步提高。目前国际上，一些发达国家已经将车牌识别技术广泛应用于实际(shj)中

28、了。例如，以色列 Hi-tech 公司的 see/car system 系列，新加坡 Opt Asia 公司的 VLPRS系列都是比较成熟(chngsh)的产品。其中 VLPRS 产品主要适合新加坡的车牌，Hi-tech公司的 see/car system 有多种变形的产品来分别适应某一个国家的车牌。see/car system 系统可以(ky)对中国大陆的车牌进行识别，但不能识别车牌中的汉字，另外日本、加拿大、德国、意大利、英国等各个西方发达国家都有适合本国车牌的识别系统3。1.3目前存在的问题车牌识别系统在国内外研究都有一段时间了，国外的车牌识别系统有一定的应用，但是国内的车牌识别系统总体

29、上来说还处于实验室阶段，识别率不高，原因具体体现在以下几点4。首先，在具体应用中采集到的图片背景比较复杂，这对于图像的处理明显增加了难度。其次，采集得到的图片受天气、光照等的影响，故在图像处理过程中需要利用有效的算法排除光照、天气对图像的影响，这无疑对我们车牌识别系统的算法提出了更高的要求。这就需要研究性能更好的算法来提高算法的鲁棒性。第三，在实际(shj)采集的图片中，很多采集到的车牌是旧车车牌，或者车牌表面(biomin)不洁净，这造成图片中的车牌区域很模糊、车牌区域的颜色信息丢失、车牌字符粘连等情况。这对车牌的定位、分割、识别(shbi)都增加了难度。第四，由于在路上行驶的车辆所挂的车牌

30、多是在标准 GA36-1992 下生产的，由于该标准的不严密性，在该标准下生产的号牌其色度值分布范围广，再加上上一条原因，使得采集所得到的号牌其色度值分布范围广泛，从而加大了我们利用该信息的难度。第五，在国内的车牌识别系统需要解决的一个难题就是在字符识别过程中的对汉字的识别问题。由于中国汉字复杂、笔画多、分布较密，再加上如果图像的分辨率如果不是很高的话，那么图像中汉字将粘连在一起从而很难辨别。在同一幅图像中，上面提到的困难可能几项都存在而不仅仅是单一困难的存在，当其中几项困难一起存在时，其带来的难度并不是简单相加的过程，所以难度更大。这些就是存在于车牌识别系统中的一些问题，从这些问题中，我们也

31、能看到车牌识别系统的难度。2系统(xtng)开发编程语言2.1 Visual C+介绍(jisho)VC 是一个(y )面向对象的可视化集成开发系统，它不但具有程序框架自动生成、灵活方便的类管理、代码编写和界面设计集成交互操作、可开发多种程序等优点，而且通过简单设置就可使其生成的程序框架支持数据库接口、OLE2、WinSock网络、3D控制界面。VC以拥有语法高亮、只能感知（在编辑环境中，光标悬停在函数上时显示类定义和注释，键入函数或属性名时可以自动完成名称的输入）、高级除错、最小重建及累加链接功能而著称，这些特色功能有助于缩短程序编辑、编译及链接的时间花费，在大型软件开发中效果尤其显著5。V

32、C 已历经数个版本，伴随着Microsoft.NET计划的展开，又诞生了一系列VC.NET版本，从当年1.0版本到现在最新的VC 2010（10.0 版本），VC 在界面、功能、库支持方面都增强了很多。VC 1.0 是Microsoft公司于 1993 年推出的，它集成了MFC 2.0（MFC是一个以C+类的形式封装了Windows API 的基础类库，其中包含一个应用程序框架、大量 Windows 句柄封装类和很多Windows 的内建控件和组件的封装类，1992 年随着微软的 Microsoft C/C+ 7.0 编译器发布，可以减少应用程序开发人员的工作量），可算是Microsoft C

33、/C+ 7.0 的更新版本。VC 1.5 集成了MFC 2.5，增加了OLE 2.0 和支持 MFC 的 ODBC。VC 2.0 集成了MFC 3.0。VC 4.0 集成了MFC 4.0，这个版本是专门为Windows 95 以及 Windows NT 设计的。由于VC 2.0 是在 Windows 95 之前发布的，其发布时间与 Windows 95 非常接近，当Windows 95 发布时，VC 4.0 也已经发布了，很多程序员直接从 1.x 过渡到 4.0，把 2.x 跳过去了，所以 VC 2.0 应用并不广泛。VC 5.0 集成了MFC 4.21，是4.2版以来比较大的一次升级。VC

34、6.0 集成了MFC 6.0，于 1998 年发布，发布至今一直被广泛地应用于大大小小的项目开发。VC.NET 2002（VC 7.0）于 2002 年发布，集成了 MFC 7.0，支持.NET 1.0，支持链接时代码生成和调试执行时检查。VC.NET 2003（VC 7.1）集成了MFC 7.1，于2003年发布，支持.NET 1.1。VC 2005（VC 8.0）集成了MFC 8.0，于 2005 年发布，支持.NET 2.0，该版本引进了对C+/CLI 语言和 Open MP 的支持。VC 2008（VC 9.0）集成了MFC 9.0，于 2007 年发布，支持.NET 3.5。VC 2

35、010（VC 10.0）于 2010 年发布，集成了MFC 10.0，支持.NET4.0，支持 C+0 x 新标准。Visual C+ 作为一个功能(gngnng)非常强大的可视化应用程序开发工具，是计算机界公认(gngrn)的最优秀的应用开发工具之一。Microsoft 的基本(jbn)类库 MFC 使得开发Windows应用程序比以往任何时候都要容易。C+提供的各种函数、指针操作和直接对硬件操作使得图像处理速度较快，专门为VC+设计的OpenGL和DirectX技术可以使开发人员在 Windows 环境下比较容易地完成图像图形的高性能处理和显示。用 VC+ 编制的应用软件无论在处理速度和图

36、像的显示等方面都表现出较高的效率，因此在编制基于 Windows 的各类数字图像处理程序时，VC+是程序人员进行图像处理的最佳选择。2.2 OpenCV介绍(jisho)OpenCV（Open source Computer Vision library）是 1999 年由 Intel 公司(n s)开发的图像处理和计算机视觉开放源码库，它由一系列 C 函数和少量 C+ 类构成，实现了图像处理(t xin ch l)和计算机视觉方面的很多通用算法6。现在由Willow Garage实验室提供支持。OpenCV 提供C+、C和Python接口，可以运行在Linux、Windows、Mac OS和

37、Android 操作系统上。OpenCV拥有包括 500 多个C/C+函数的跨平台的中、高层API，具有强大的图像和矩阵运算能力。截止到 2012 年年初，OpenCV 已发展到 2.3.1 版本。每一次版本升级都伴随着众多的函数更新和优化。早期版本的 OpenCV 包括 CxCore、Cv、CxAuv、HighGUI 和 ml 5 个主要模块。CxCore 包括一些基本结构和算法函数，如数据结构和线性代数支持，主要提供对各种数据类型的基本运算功能；Cv 主要实现图像处理和计算机视觉功能，包括图像处理、结构分析、运动分析、物体跟踪、模式识别及摄像机标定等功能；CxAuv 是 OpenCV 附加

38、库函数，包括一些实验性的函数，如View Morphing、三维跟踪、PCA（Principal Component Analysis）和 HMM（Hidden Markov Model）等函数；HighGUI 是用户交互部分，包括 GUI（Graphical User Interface，图形用户接口）、图像视频 I/O 和系统调用函数等；ml是机器学习模块，只要内容为分类器。OpenCV 中曾经还有一个 CvCam 模块，但从 1.1 版本开始 OpenCV 便不再包含它，其功能被 HighGUI 所取代。由于(yuy)OpenCV提供的视觉处理算法非常丰富，并且它部分以C语言编写，加上其

39、开源的特性，处理得当，不需要添加新的外部支持也可以完整(wnzhng)的编译链接生成执行程序，所以用它来进行(jnxng)图像处理非常方便。本系统就是在VC+平台上使用MFC构建了一个软件，结合OpenCV视觉库针对车牌识别系统中各流程进行编程设计。参考文献1 胡桂珍基于(jy)数字图像处理的车牌识别系统研究D成都：西南(xnn)交通大学(dxu)，20102 贡丽霞车牌识别系统中的车牌定位及倾斜校正技术研究D太原：中北大学，20103 刘玮基于图像处理的车牌识别技术的研究D哈尔滨：哈尔滨理工大学，20084 李云车牌定位与字符分割算法的研究及实现D成都：电子科技大学，20105 沈晶，刘海波

40、，周长建Visual C+ 数字图像处理典型案列详解M北京：机械工业出版社，2012，2-76 汤方义基于OpenCV 和CUDA 的车牌识别系统的软件设计与实现D长春：吉林大学，20117 DaRocha G A，Manoel S JCharacter recognition in Car license plates based on principal components and neutral processingJPattern Recongnition，2006，39(2)：26-318 侯宏花数字图像处理与分析(fnx)M北京：北京理工大学出版社，2011，74-1369 刘同

41、焰车牌识别系统的相关(xinggun)算法研究与实现D广州：华南理工大学，201210 闫青车牌识别系统中车牌定位算法(sun f)的研究D济南：山东大学，201011 KDeb，Jo Kang-HyunHSI color based vehicle license plate detection CInternational Conference on Contro1，Automation and Systems，2008：687-69112 Heo G，Kim M，Jung I，et al. Extraction of car license plate regions using lin

42、e grouping and edge density methodsC2007 International Symposium on Information Technology Convergence，2007：37-4213 张金艳基于神经网络的车牌识别算法研究D秦皇岛：燕山大学，201014 Li Bo，Zeng Zhiyuan，Dong HualiAutomatic License Plate Recognition SystemJApplied Mechanics and Materials，2010，20：438-44415 Wei W，Wang M，Huang ZAn Auto

43、matic Method of Location for Number Plate using Color FeaturesCIEEE International Conference on Image Processing，2001，1：782-78516 邹晔基于纹理分析和梯度特征的车牌定位算法J科技广场，2009，(5)：109-11117 FFaradji，AHRezaie，MZiaratbanA Morphological-Based License Plate LocationC，IEEE International Conference on Image Processing，2

44、007：57-6018 黄豪杰(hoji)，李榕，常鸿森基于边缘(binyun)颜色分布的车牌定位新方法J激光(jgung)杂志，2007，28(3)：57-5919 方万元，梁久祯复杂背景下快速车牌定位算法J计算机工程与应用，2012，48(2)：160-16320 郭航宇，景晓军，尚勇基于小波变换和数学形态法的车牌定位方法研究J计算机技术与发展，2010，20(5)：13-1621 崔屹数学形态学方法及应用M北京：科学出版社，2002，100-12022 刘志军基于神经网络的车牌识别技术研究D南京：南京邮电大学，201123 Tindall D.WDeployment of automat

45、ic license plate recognition systems in multinational environmentsCEuropean Conference on Security and DetectionApril，1997，(3)：42-4624 李云红，屈海涛数字图像处理M北京：北京大学出版社，2012，145-16025 姜谊，严京旗车牌定位及倾斜(qngxi)校正方法J微型电脑(dinno)应用，2010，26(4)：45-4726 张司兴车牌识别算法(sun f)研究及系统设计D南京：南京理工大学，201027 高原车牌识别技术研究D北京：北京交通大学，20112

46、8 于彦国车牌识别中的关键算法研究D长沙：湖南师范大学，201129 朱秀峰车牌字符识别算法研究与实现D武汉：华中科技大学，201230 Koval V，Turchenko V，Kochan VSmart license plate recognition system based on image processing using neural networkJIEEE International Workshop on Intelligent Data Acquisition and Advanced Computing System，2003(8)：125-128附录(fl)附录(fl)

47、1译文(ywn)基于方向梯度直方图和支持向量机的多数据集车辆识别方法Ilias KamalEquipe RITMENSLAS B.P. 713Universit Mohammed V, Souissi, Rabat-Moroccoilias.kamal摘 要：本文采用线性和非线性内核的软边缘SVM来对图像分类，从多数据集中提取多维梯度直方图特征向量，并将序列最小优化算法(SMO)方法应用于从训练数据中搜索最优分隔超平面。关键词：支持向量机SVM，方向梯度直方图，机器学习。、引 言SVM和其他类似神经网络和模糊系统的计算机软件技术都是机器学习和数据挖掘方向的技术。简单来说，SVM是一种识别数据模

48、式并分类或者分析的监督式学习方法。与基于实际实验所产生的神经网络1相反，SVM有很深的理论背景，即统计学习理论（SLT）2和结构风险最小化(SRM)3。Vapnik和Chervonenkis4于上一世纪60年代末首次提出SVM，但大部分无人问津，后直至90年代初才被人所重视5。SVM，基于纯粹的函数估计问题的理论分析而逐渐演变成一种新型的用于估计/分类多维函数/数据的学习算法。在本文中，我们将只关注于数据分类，更确切地说是基于特定特征的图像分类。去讨论用于车辆识别的特征选择问题，是毫无意义的。因为颜色或者纹理特征在给定大量相同颜色的汽车的时候效果并不明显，因此唯一可以选择的特征便是形状了。不同

49、类型的汽车通常有类似的形状，不仅如此，可以说它们有非常多相近的地方。用于汽车识别的良好的特征是方向梯度直方图6，它可以提供确切的关于形状定位的信息，并且开销不大。、二元SVM让我们来考虑一个二元线性分类问题并且(bngqi)它的输入或者说训练数据如下所示： (1)SVM的任务便是找到最优的分隔超平面（如图1和2），在所有分隔数据(shj)的超平面中，最优的意思是最佳的标准分隔超平面（如，OCSH，7有详细介绍）。利用上述所示的训练数据，学习机将会得到如下(rxi)所示的超平面公式或者决策函数： (2)这里，w是标准权值点，b是偏移量。因此对于任何一个需要分类的新数据，它必须遵守决策规则；当，当

50、，。注释：为n+1维的分隔超平面，它的决策域在n维超平面内，并且它是超平面和输入空间的交汇处，因此可以证明。那么总体的问题便是找到位于两个类别（8有详解介绍）间的最大边缘超平面，因此最大的边缘在这里可以定义为： (3)它也等价(dngji)于下式的最小值： (4)之后学习问题的规模便减少(jinsho)到(4)并被下述条件所约束： (5)公式(gngsh)（4）和（5），构成了一个不等条件下的二次型最优问题，它可以被典型的二次型（如，QP）方法解决。图1 有一个大边缘的线性分类器 图2 有一个小边缘的线性分类器线性软边缘分类器在介绍中阐述的线性可分的例子并不是永远都有效的，尤其是当数据是从经验

51、或者是真实生活里得来的，也可以说在相互重叠的数据集中寻找一个线性可分的情况并不永远都是一个最好的方法，甚至说都不是一个可行的方法。尽管如此，在介绍非线性SVM之前，我们也要对线性软边缘分类器做一个简短介绍。由于分隔超平面的自带属性和约束条件(5)，一个相互重叠的数据集合并不能很好的被分类(fn li)，对于任何一个训练数据，它都会被误分类(fn li)，相应的，将会为了最终分类正确会使它的值增长，最优算法因而会选择所有训练数据作为支持点。所以在实际应用中，最好允许某些数据被误分类。相应的，这个(zh ge)学习问题会被表达为下式的最小值： (6)受制于如下约束条件： (7)C为惩罚参数，为非消

52、极松弛变量。上述表达式描述了一个凸函数问题，意味着它将不只是具有一个最小值，而且它通常在 k=1 或者 k=2 时才能被解决，相应的被称为L1和L2 SVMs。为了简化问题，我们只描述L1准则SVM条件下的二次问题（6）的结果，由双变量的凹点给出： (8)为了(wi le)寻找最优凹点，或者(huzh)是超平面，双变量必须要在下列(xili)条件下取得最大值： (9a)并且， (9b)注意上述由 Karush-Kuhn-Tucker（如，KKT）得到的约束条件和（6）式对于分隔的数据是一致的，只有一个不同点就是它们的多维变量不同。图3 线性软边缘支持向量机非线性软边缘分类器SVM分类器的主要优

53、势就是它可以轻易的由一个线性的方法扩展成为一个非线性的方法。通过在我输入的训练数据中的一个特征空间F内考虑线性分类就会构建出一个可以实现非线性分类的分隔超平面，其中的输入数据可以映射为： (10)所以通过上述所有公式将所有输入空间内的点x替换(t hun)为特征空间内的点，即可完成线性到非线性的转化(zhunhu)，特别的对于（4）式中的双L，可以表示为： (11)尽管如此，在计算(j sun)梯状产生式时会产生一个问题，它的计算开销会变得过大，尤其是特征空间非常巨大时。因此我们通过内核直接计算梯状产生式，这样我们就可以不必知道x的真实映射是什么。可能的内核的数目非常巨大，它们所需要满足的唯一

54、条件就是Mercer的条件，表1给出了 SVM 常用的内核函数。表1 常见内核函数内核函数分类器类型线性，点积，CPD多项式，PD高斯RBF，PD多层感知器，CPD序列最小优化算法序列最小优化算法首先被应用于克服QP算法在计算和实施上的复杂度。尽管如此，首先减少SVM的QP问题的是 Vapnik 的“大块”算法，形式如（11），它将QP的大型矩阵的数据规模从所有数据减轻的所有非0数据。一个更为简单的方法是，将该问题分成一系列细小的QP问题，而不是直接大规模的计算得到。但是，尽管序列最小优化算法并不是最快的算法，Joachims的SVM优化算法11可以比序列最小优化算法12快上两倍，对于其他类型

55、的算法可能快上更多。但是由于序列最小优化算法的相对简单和它相对出色的效果依然使它被很多实验所应用。本文采取的措施是非最优的Platt算法9。、方向(fngxing)梯度直方图A、介绍(jisho)方向梯度(t d)直方图描述子6提供了非常优秀的质量/复杂度，并不像其他边描述子像SIFT13或者SURF14描述子那样复杂和很大计算开销，但也能给我们与像形状背景15或者哈尔小波转换16那样的更“简单的”描述子相比，更好的结果。主要的思路是每个对象都能被局部分布的方向梯度所特征化，在局部分布的方向梯度中，每个小区域中的密集的定向梯度都会被累积到直方图中。为了使得直方图对光照有较好的健壮性，利用大块区

56、域的“能量”局部直方图都被标准化到一个大的区域。因此标准化的直方图都会覆盖大块区域，最终化为方向梯度直方图。B、措施我们采取的措施是未经任何修改的Dalas算法，并且从MIT CBCL数据库17中截取的图片也未经伽玛修正。一个普通的1-D中心的离散派生掩模-1，10用于梯度计算。（a）原始(yunsh)图像 （b）x方向(fngxing)梯度（c）y方向(fngxing)梯度 （d）整体梯度图4 方向梯度计算结果图下一个基础的环节是确定方向，对于每一个像素计算出一个描述边的方向的建议值。这些建议值之后被用于描述局部区域的方向值储存起来。方向值在0-180或 0-360内均匀分布。在这里一个好的

57、方向描述子需要9个带有方向梯度的方向值来描述。利用方向梯度可以提高车辆识别的效果，因为大多数汽车有着并不完全相同的外形，因此当视角改变时，它的外形也会有巨大变化。同时，我们利用 =8 的高斯区域窗口作用于每个大区域，Lowe-style 附加L2准则用于大区域的标准化。最终，获得了每8x8像素包含2x2坐标的R-HOG区域结构。、结论为了比较不同内核的效果，我们采取了相对简单的交叉评判标准。我们从MIT的汽车(qch)数据库中提取了512个图像作为正例，从INRIA汽车数据库6中提取了912个图像作为反例（所有(suyu)图像的分辨率为128x128）。我们使用(shyng)交叉评判获得了训练

58、集和测试集，在训练和测试过程完毕后，我们可以获得两个非常重要的值，即假正率和真正率。并且随着一定量的循环实验后，我们能够获得足够多的点来绘制出ROC弧线，但是获得的点集并不能永远绘制出合适并且足够倾斜的弧线，所以为了更好的可视性和对比性，我们这里采取多项式弧线。每次循环中，由于整个数据库被采取了70%训练集，30%测试集的交叉评判标准，所以每次循环的数据是随机取得的，几乎是同样数目的正例和反例被选入测试集。SVM 将会以惩罚参数 C=1 训练各个不同子集的每个例子。使用不同内核和参数所获得的结果如下所示。注意，为了实验简单，所有操作均在Matlab软件上完成。 图5 线性内核(ni h)的RO

59、C曲线(qxin) 图6 二次多项式内核(ni h)的ROC曲线 图7 当=1时，高斯RBF内核的ROC曲线 图8 当=30时，高斯RBF内核的ROC曲线图9 当=70时，高斯(o s)RBF内核(ni h)的ROC曲线(qxin) 图10 当=3000时，高斯RBF内核的ROC曲线图11 当a=1,b=-1时，MLP内核的ROC曲线从图5-11所示，我们(w men)可以发现当=70时，线性内核(ni h)与高斯(o s)RBF内核一道可以取得几乎完美的结果，而其他的方法却都彻底的失败，不是由于识别不出任何事物，就是存在大量分类错误，特别是假的正情况，但是仍然优于随机分类方法。上述结果大多是

60、从不具备足够挑战的数据中得到，MIT汽车数据库内的图像都非常类似，并且易于分类。在未来我们的工作里，为了在现实中能够识别多种模型/品牌的汽车，我们将用更多区分度和准确性更高的特征来检测更复杂的数据集。参考文献1 M. 1. Minsky and S. A Papert, Perceptrons. Cambridge, Ma: MIT Press, 1969, p.248.2 V. N. Vapnik, The Nature of Statistical Learning Theory, New York: Springer-Verlag, 1995, p 188.3 V. N. Vapnik