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

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

1　支持矢量機基本原理^［3］
　　SVM是統(tǒng)計學(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別問題,。
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錯誤的分開,，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,。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‖,，因此間隔最大等價于使‖w‖（或‖w‖²）最?。欢蠓诸惥€對所有樣本正確分類,，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。過兩類樣本中離分類面最近的點且平行于最優(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)分類面問題可以表示成如下的約束優(yōu)化問題,，即在式（2）的約束下,，求函數(shù)：
　　
的最小值。這是一個二次規(guī)劃問題,，可定義以下的Lagrange函數(shù)：
　　
其中：a_i＞0為Lagrange系數(shù),。求式（3）的極小值就是對w和b求L氏函數(shù)的極小值。求L對w和b的偏微分并令他 們等于0，可轉(zhuǎn)化為對偶問題：
　　
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（）為符號函數(shù),，b^＊是分類的閾值,，可以由任意一個支持向量用式（7）求得，或通過2類中任意一對支持向量取中值求得,。對于給定的未知樣本x,，只需計算sgn（wx＋b），即可判定x所屬的分類,。
1．2　線性不可分情況
　　對于線性不可分的樣本,，希望使誤分類的點數(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)化問題同樣需要變換為用拉格朗日乘子表示的對偶問題，變換的過程與前面線性可分樣本的對偶問題類似,，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
　　如果用內(nèi)積K（x，x′）代替最優(yōu)分類面中的點積,，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,。
　　支持向量機的基本思想可以概括為：首先通過非線性變換將輸入空間變換到一個高維空間,，然后在這個新空間中求取最優(yōu)線性分類面，而這種非線性變換是通過定義適當(dāng)?shù)膬?nèi)積函數(shù)實現(xiàn)的,。統(tǒng)計學(xué)習(xí)理論指出,，根據(jù)HilbertSchmidt原理，只要一種運算滿足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］對采集的車牌灰度圖像進行二值化,。二值化后的車牌圖像利用直方圖投影分割出單個字符,，經(jīng)過歸一化變?yōu)?6×16象素的字符點陣。實驗結(jié)果表明,，16×16的字符點陣在保持車牌漢字的基本特征的情況下,，減少了計算量，加快了識別速度。
2．2　字符識別的SVM算法實現(xiàn)
　　SVM分類器是二分類器,，因此本文采用多個二分類器組合的one-against-the-others算法,，將多類識別問題轉(zhuǎn)化為二類識別問題來解決。每個分類器只將一個漢字與其余漢字區(qū)分開,，訓(xùn)練樣本中該漢字對應(yīng)的y值為＋1,，其余樣本對應(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應(yīng)的判別函數(shù),。進行字符識別時將輸入信號送到每一個分類器,，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”,，則認為輸入的車牌字符為該類對應(yīng)的漢字字符,；否則，若所有輸出值均不為“1”,，則拒絕識別該字符,。由于識別存在一定的誤差，可能同時有多個分類器的輸出值為“1”,，此時則判斷為第一個輸出值為“1”的字符類,。

3　實驗結(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，分別為全國各省和直轄市的簡稱,，以及軍種,、領(lǐng)事館和警車等的名稱縮寫。本文中只對標(biāo)準(zhǔn)的車輛牌照進行識別,，車牌中的漢字為各省及直轄市的簡稱,，共34個漢字字符。由于條件的限制,，只有少量的字符取自實拍的車牌灰度圖像,，其余為在字庫中選取的相近字體的漢字字符。所有的字符圖像均經(jīng)過預(yù)處理歸一化為16×16的黑白二值化圖像,，如圖1所示,。

　　由于實驗樣本較少，在字符樣本上加上不同的噪聲處理來進行樣本集的擴充,。最后,，待識別的漢字字符樣本共16套,，每套樣本均有34個不同的漢字字符。從字符樣本中選取6套作為訓(xùn)練樣本對SVM進行訓(xùn)練,，余下的10套作為測試樣本,，進行識別。
　　本文的識別系統(tǒng)識別34個漢字需要建立34個二分類器,，為提高識別速度,，降低識別系統(tǒng)的復(fù)雜度，輸入字符不進行特征提取,，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算法進行了實驗,，結(jié)果如表1～表4所示,。

　　實驗結(jié)果表明，選用不同的核函數(shù)對識別率的影響不大,。核函數(shù)的參數(shù)變化時,，識別率會略有不同，故需要根據(jù)實驗來選擇合適的參數(shù),。為了提高系統(tǒng)的識別速度,，本文最終選擇徑向基函數(shù)作為核函數(shù)。

4　結(jié)語
　　應(yīng)用SVM算法對車牌中的漢字字符進行識別,，在沒有字符特征提取的情況下,，獲得了較高的識別率和識別速度。實驗結(jié)果表明,，在訓(xùn)練樣本較少的情況下,，該系統(tǒng)的識別率較高,，并具有算法簡單,，無需先驗知識，容易控制和穩(wěn)定性好等優(yōu)點,。
　　文中對不同的核函數(shù)進行了對比,，結(jié)果表明識別率相差不大，識別時間稍有差別,。核函數(shù)的選擇很重要,，但到目前為止，還沒有一個公認的比較好的選擇標(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].計算機工程,2003,29(14):103-105.
［5］鄒曉濤,，陳學(xué)全．汽車牌照自動識別系統(tǒng)的設(shè)計與研制［J］．紅外與激光工程，2002,，31（5）：415-418．

來源：電源技術(shù)應(yīng)用