基于串行分类器的车牌字符识别

1引言车牌自动识别技术是智能交通系统的一个重要领域，车牌字符识别的准确率和识别速度直接关系到该技术能否得到实际应用。

传统的字符识别方法，如Bayes分类器的识别方法，虽然识别速度快，但不易区分特征相近的类别，且虽然识别率不高；神经网络抗干扰性强，识别率高，但识别速度慢，且其数学解释很复杂，在推广方面存在很大的局限性。

统计学习理论是一种研究小样本情况下机器学习性质和规律的理论。

在这一理论下发展出了一种通用的模式分类器———支持向量机。

它与传统的模式识别方法相比具有推广能力强、能保证全局最优等优点，但它对多分类问题没有一个令人十分满意的解决方案，现有的几种策略使本来已经很耗时的识别过程成倍地增长，且实时性比较差[1]。

针对上述情况，本文提出在Bayes分类器的基础上，采用二级串行结构的分类器进行融合的方案，即先利用Bayes分类器识别速度快的优点，进行初级分类，再将Bayes分类器中不易区分的类别利用多分类支持向量机进行二次分类。

不易区分的类因占少数而可降低支持向量机的运算复杂度，节省识别时间，从而在实时情况下获得较高的识别率。

本文以车牌中的字母和阿拉伯数字识别为例进行了研究，识别率达到99.7%以上。

基于串行分类器的车牌字符识别涂玫（江西赣粤高速公路股份有限公司昌樟管理处，江西南昌330025）摘要：在特征提取的基础上，对采用Bayes分类器和支持向量机的车牌字符识别方案进行比较，提出在Bayes分类器的基础上，再利用支持向量机对Bayes分类器不易区分的车牌字符进行识别的二级串行分类器融合的改进方案，在一定程度上既克服了Bayes分类器对车牌字符识别率低的问题，又解决了支持向量机识别速度慢的问题，可滿足车牌字符识别实时性和高识别率的要求。

关键词：车牌字符识别；特征提取；Bayes分类器；支持向量机；串行分类器中图分类号：U491.5文献标识码：A文章编号：1002-4786（2008）10-0176-03License Plate Character Recognition Based on Cascading ClassifierTU Mei（Changzhang Administration Department of Jiangxi Ganyue Expressway Co.，Ltd.，Nangchang330025，China）Abstract：Base on the step of feature-extracting，this paper compares two methods of Bayes classifier and support vector machines（SVM）and presents an improved method of license plate character recognition by cascading classifier which combines the method of Bayes classifier with the method of support vector machines.Experimental results show that the method not only gets over the deficiency of low accuracy of Bayes classifier，but also solves the slow recognizing problem of support vector machines and obtains high-er accuracy in real time.Key words：license plate character recognition；feature extraction；Bayes classifier；support vector machines（SVM）；cascading classifier1762Bayes分类器的识别方法设X为所讨论的模式，w1，w2，…，w n为n类不同的类别，P（w i）为X属于w i的先验概率，P（X）为模式X的概率，P（X w i）为给定类别w i时模式X的条件概率，P （w i X）为模式为X时，其类别属于w i的后验概率。

Bayes方法就是要构造一个与P（w i X）有关的决策函数g i（X），其决策规则为：对于所有的i，k=1，2，…，n，i≠k，当且仅当g k（X）＞g i（V）时，判决X属于w k。

在实际应用中，经常考虑P（w i X）为正态分布时的最小错误率的Bayes准则。

设P（X w i）=1（2π）n/2∑i1/2exp-12（X-μi）τ∑-1i（X-μi ∑∑）式中，μi、∑i分别为类w i的均值向量和协方差矩阵。

假设所有类别的先验概率P（w i）都相等，协方差阵也相等，即对所有i=1，2，…，n，有P（w i）=P （w），∑i=∑=σ2。

不难得到，在此假设下的决策函数g i（X）=-‖X-μi‖2，i=1，2，…，n。

此时的Bayes判决规则（即最小距离分类准则）为：若对所有的k=1，2，…，n，k≠i，有‖X-μi‖=mink‖X-μi‖2，则判决X 属于w i。

因此在特征空间中，用一个基准模板作为某一模式类的代表，把待识样本的特征矢量与此基准模板之间的距离度量作为实现分类判决的依据，即：把待识别样本与基准模板之间的距离测度作为分类判决的判决函数。

按照这一思路，在试验中将标准车牌英文字母和阿拉伯数字模板的特征矢量作为该类的基准模板，在各待识别的英文字母和阿拉伯数字的特征矢量被提取之后，与各基准模板进行匹配，并按最小距离准则进行分类识别。

本试验中，距离测度采用欧式距离，识别流程如图1所示。

3支持向量机支持向量机有线性支持向量机、非线性支持向量机和多分类支持向量机，这里只对试验中采用的多分类支持向量机作一简单介绍。

3.1“一对一”策略这种方法对N类训练数据两两组合，构建C2N=N（N-1）/2个支持向量机，并在最后分类的时候采取“投票”的方式决定分类结果。

3.2“一对其余”策略这种方法对N分类问题构建N个支持向量机，每个支持向量机负责区分本类数据和非本类数据。

其最后结果由输出离分界面距离w·x+b最大的那个支持向量机决定。

3.3层次策略这种方法对N分类问题构建若干个支持向量机，但是它们之间不是平行的关系，而是有层次地连接成一个有向无环图的结构。

分类的结果要按照层次结构图经过若干个支持向量机的判别得到[2]。

图2所示是一个层次结构的多分类器。

4基于串行分类器融合的改进方案串行分类器属于分类器融合的结构分类之一，即多个分类器进行串行决策，每次减少类别数，直到作出分类决策。

串行分类器之所以能提高分类性能，是因为它往往利用了样本集多方面的特征，即被某个单分类器错分类的样本集有可能被其他的分类器正确划分，从而使错误有可能得到纠正。

本试验的识别流程如图3所示。

图中（“0”、“D”、“Q”、“8”、“B”）、（“C”、“S”）、（“4”、“A”、“6”）、（“H”、“N”、“M”、“U”）为Bayes分类器容易错分的车牌英文和阿拉伯数字字符，对它们用SVM进行二次分类。

177图3串行分类器识别流程图表1四种识别方案的比较表识别方法平均消耗时间（s ）平均识别率（%）Bayes 单分类器0.1687.167SVM 0.4798.175BP 网络0.3197.667串行分类器0.2099.7105方案的具体实现标准的车牌格式是7位，第1位是各省、直辖市的简称，第2位是英文字母，第3、4位是英文字母或阿拉伯数字，第5、6、7位是阿拉伯数字。

根据这个特征可以把59个汉字和34个英文字母以及阿拉伯数字（字母I 在车牌中不用，O 和0因为在车牌中是一样，所以不加区分）分开识别。

下面的识别过程以34个英文字母和阿拉伯数字为例进行，同理可得汉字的识别。

试验测试的字符样本集来自江西昌九高速公路收费车道摄像机，一共30套。

由于SVM 是一种针对小样本的学习方法，因此试验从30套待识别样本集中提取8套进行SVM 的训练，并将余下的22套作为测试样本，进行识别。

5.1字符图像的预处理牌照上的字符往往由于自然因素（光照、气候等）以及人为因素（牌照污损、变形等）而产生几何形变、笔画缺损等现象，从而使得采集样本数据时产生噪声，给识别带来了困难，因此必须进行预处理。

这里采用预处理算法进行牌照字符的快速二值化[3]，之后采用边缘保持滤波进行滤波处理[4]，接着利用直方图投影分割出字符，并寻找字符的外边框按比例线性放大或缩小为32×16的字符点阵。

5.2字符点阵的特征提取对于字符点阵的特征提取存在很多方法，本文只对试验采用的字符特征作一简单介绍：F1（密度特征）：统计水平块和垂直块的黑像素密度特征（16维）；F2（比率特征）：统计水平块和垂直块的黑像素比率特征（16维）；F3（转矩比率特征）：统计水平块、垂直块和全局黑像素转矩比率特征（13维）；F4（粗外围比率特征）：统计水平块和垂直块粗外围比率特征（12维）；F5（宽高比形状特征）：（1维）。

5.3字符识别本试验首先对三个多分类支持向量机算法进行试验比较，发现三者算法的分类准确度几乎相同，因此选择了算法复杂度最低的“一对其余”方法。

在核函数和处罚因子C 的选择上，当取径向基函数且σ2=0.1，C =100时，串行分类器的车牌字符识别率达到最大。

采用相同的预处理和特征提取过程，分别利用Bayes 单分类器、SVM 、BP 神经网络对相同的字符集进行识别，与串行分类器的结果比较如表1所示。

从试验结果可知，本方案的识别率在四种方法中是最高的，达到了99.7%，消耗时间仅次于Bayes 单分类器，达到了预期的效果。

6结论本文提出了在字符特征提取的基础上，应用Bayes 分类器和SVM 相融合的串行分类器对车牌中的英文和阿拉伯数字进行识别的方案，在一定程度上克服了Bayes 分类器和SVM 各自的不足，在实时性和识别率方面取得了满意的结果。

在实际应用中，可根据不同的环境，再采用多分类器集成的方式和相应的后处理方法，一定能取得更加满意的效果。

在解决多分类问题上，现有SVM 算法大都是将多类问题转为二类问题来解决的，从某种意义上来说，这是导致SVM 算法在解决多类问题方面最根本的瓶颈。

如何在保持高识别率的同时，降低SVM 算法的计算复杂度，将是今后研究的重点。

不过，统计学习理论还没有提出任何关于核函数选取的方法或度量，这也是今后支持向量机研究的一个重要方向。

参考文献[1]苏毅，吴文虎，郑方，等.基于支持向量机的语音识别研究[A].第六届全国人机语音通讯学术会议[C].深圳：中国自动化学会，2001，223-226.[2]Schwenker F.Hierarchical Support Vector Mach-ines for Multi-class Pattern Recognition[A].In:Proc.of Fourth International Conference on Knowledge -Based Intelligent Engineering Systems &Applied Technolo -gies[C].2000，561-565.[3]张引，潘云鹤.面向车辆牌照字符识别的预处理算法[J].计算机应用研究，1996，16（7）：85-87.178[4]贾云得.机器视觉[M].北京：科学出版社，2002.[5]边肇祺，张学工.模式识别[M].北京：清华大学出版社，1999.[6]吴佑寿，丁晓青.汉字识别———原理方法与实现[M].北京：高等教育出版社，2003.作者简介：涂玫（1982-），女，江西南昌人，大学本科，江西赣粤高速公路股份有限公司昌樟管理处助理工程师，从事交通信息和ITS 的研究工作。