基于支持向量机的车牌定位方法

基于支持向量机的车牌定位方法
1 引言智能交通系统是一个热点研究领域，受到日益广泛的关注。

车牌识别系统(LPR)是计算机视觉、模式识别技术在智能交通领域的一个重要应用，包括车牌定位、车牌字符分割、字符识别三部分。

其中车牌定位是整个系
统中的关键步骤。

目前车牌定位方法主要有：
(1)基于Hough 变换的方法，分析车牌具有明显的矩形边框，利用Hough 变换检测区域边界实现定位。

(2)基于边缘检测的方法，利用了车牌字符边缘丰富的特征，结合数学形态学或区域生长方法实现牌照定位。

(3)基于神经网络的方法，利用图像的颜色或纹理特征训练神经网络，然后用训练好的分类器对图像各个像素进行分类，再对分类结果综合，得到牌照的准
确定位。

然而由于光照不均、污染等因素影响，可能使得牌照区域边界不明显
或存在多个干扰区域，从而增加了准确定位的难度。

要提高车牌定位的精度，应充分利用他自身提供的信息，突出车牌区域而
抑制非车牌区域。

车牌区域有着丰富的纹理，寻找一种良好性能的分类器，凸
现这种纹理特征，使他与其他区域区别开来。

支持向量机(Support Vector Machine，SVM)正是这样一种分类学习机制，建立在结构风险最小化(Structural Risk Minimization，SRM)准则之上，已经在文本识别，人脸识别，纹理分类等模式识别领域取得了成功。

本文使用SVM 机制自动定位车牌区域，首先对每幅训练图像切分成若干个N×N大小的图像子块，把每个字块分别标注为车牌和非车牌区域两类，提取子块图像的特征向量训练SVM 分类器；然后使用该分类器对测试图像中的各个。