專利名稱：基于多分類支持向量機(jī)的車牌字符識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及模式識(shí)別技術(shù)，特別涉及車牌字符識(shí)別方法。
背景技術(shù)：
機(jī)動(dòng)車號(hào)牌識(shí)別簡稱車牌識(shí)別，在智能交通系統(tǒng)里面起著關(guān)鍵的作用，無論是在路橋收 費(fèi)、小區(qū)管理、停車場管理，還是在交通監(jiān)控系統(tǒng)中，車牌識(shí)別都是最為基礎(chǔ)也最為關(guān)鍵的 部分。通常，車牌識(shí)別算法可以分為三個(gè)部分車牌定位、字符分割和字符識(shí)別。在前兩部 分的基礎(chǔ)上如何進(jìn)行精確的字符識(shí)別，就成為最終影響系統(tǒng)識(shí)別率的重要問題。
相對(duì)于目前的OCR系統(tǒng)，車牌字符識(shí)別具有自身的特點(diǎn)小字符集(數(shù)字、字母、數(shù)十 個(gè)漢字)、成像環(huán)境復(fù)雜、干擾和幾何變形較多。而且車牌字符識(shí)別要求更高的識(shí)別率，上 下文字符也沒有語義和概率上的相關(guān)性。同時(shí)，具體到中國現(xiàn)行的機(jī)動(dòng)車號(hào)牌標(biāo)準(zhǔn)(GA 36-1992, GA 36-2007)，該技術(shù)還必須解決具體的問題，目卩中國車牌含有漢字字符，漢字字 符通常結(jié)構(gòu)復(fù)雜，成像質(zhì)量不及簡單的數(shù)字、字母字符。
當(dāng)前的車牌字符識(shí)別主要有一下幾種方法
1. 模板匹配的方法，利用字符輪廓、骨干、網(wǎng)絡(luò)或者投影等特征，與標(biāo)準(zhǔn)車牌字符比對(duì) 分類。由于車牌字符有標(biāo)準(zhǔn)的字符集，這種方法具有一定意義。但是，由于實(shí)際應(yīng)用中存在 的干擾和變形，實(shí)用中常常沒有很高的識(shí)別率。詳見魏武，張起森，王明俊，等. 一種基于 模板匹配的車牌識(shí)別方法.中國公路學(xué)報(bào)，2001， 14(1): 104-106.
2. 按字符特征分類的方法，找出能夠區(qū)別字符集中字符的特征集，如字符像素比例、
孔洞數(shù)、字形結(jié)構(gòu)、筆畫特征等。由于特征算法的實(shí)現(xiàn)困難，而且同樣由于噪聲干擾的問題，
這一方法的識(shí)別率不高，特別是對(duì)于字形復(fù)雜的漢字。詳見宋加濤，劉濟(jì)林.車輛牌照上英 文和數(shù)字字符的結(jié)構(gòu)特征分析及提取.中國圖象圖形學(xué)報(bào)(A版)，2002， 7(9): 945-949.
3. 神經(jīng)網(wǎng)絡(luò)的方法是目前比較成功的方法。但是存在輸入數(shù)據(jù)選擇和網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)等問題。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種基于多分類支持向量機(jī)的車牌字符識(shí)別方法。本發(fā)明基于多分 類支持向量機(jī)，利用其良好的分類能力，直接對(duì)提取出來的字符分類，取得了良好的識(shí)別率。相比與其他同領(lǐng)域的方案，本發(fā)明具有兼容公安部最新機(jī)動(dòng)車號(hào)牌標(biāo)準(zhǔn)GA 36-2007、識(shí)別準(zhǔn) 確率更高，對(duì)成像質(zhì)量要求更低的特點(diǎn)。
為方便描述本發(fā)明內(nèi)容，這里首先對(duì)一些術(shù)語進(jìn)行必要的定義
定義l.機(jī)動(dòng)車號(hào)牌。準(zhǔn)予機(jī)動(dòng)車在中華人民共和國境內(nèi)道路上行駛的法定標(biāo)志，其號(hào)碼 是機(jī)動(dòng)車登記編號(hào)。
定義2.現(xiàn)行機(jī)動(dòng)車號(hào)牌標(biāo)準(zhǔn)?！吨腥A人民共和國公共安全行業(yè)標(biāo)準(zhǔn)-中華人民共和國機(jī)動(dòng) 車號(hào)牌》(GA3"2007),2007年09月28日發(fā)布，2007-11-01實(shí)施，代替GA36—1992。
定義3.車牌字符。GA36-2007規(guī)定的用于給機(jī)動(dòng)車登記的編號(hào)字符。包括省、自治區(qū)、 直轄市簡稱及號(hào)牌分類用漢字簡稱；發(fā)牌機(jī)關(guān)代號(hào)和序號(hào)用英文字母；序號(hào)用數(shù)碼三類。
定義4.省、自治區(qū)、直轄市簡稱及號(hào)牌分類用漢字簡稱。共37個(gè)漢字，分別是京津 冀晉蒙遼吉黑滬蘇浙皖閩贛魯豫鄂湘粵桂瓊渝川貴云藏陜甘青寧新港澳使領(lǐng)學(xué)警。
定義5.發(fā)牌機(jī)關(guān)代號(hào)和序號(hào)用英文字母。共26個(gè)大寫英文字母，其中用于發(fā)牌機(jī)關(guān)代 號(hào)的字母(車牌第二個(gè)字符)可以使用A-Z的所有字符；用于序號(hào)編碼(第3至7個(gè)字符)的字母 不能使用字母O、 I。
定義6.灰度圖像的二值化。在灰度圖像中，常采用一個(gè)字節(jié)表示一個(gè)像素點(diǎn)，其灰度級(jí) 為0~255，其二值化方法為構(gòu)造用一個(gè)二進(jìn)制位表示一個(gè)像素點(diǎn)的圖像，設(shè)置二值化閾值T， 將大于T的像素點(diǎn)設(shè)置為1，小于等于T的點(diǎn)設(shè)為0。
本發(fā)明技術(shù)方案如下
基于支持向量機(jī)的車牌字符識(shí)別方法，如圖1所示，包括多分類支持向量機(jī)的訓(xùn)練過程 和使用多分類支持向量機(jī)進(jìn)行車牌識(shí)別的過程
一、多分類向量機(jī)的訓(xùn)練過程，具體包括以下步驟
步驟l:制作標(biāo)準(zhǔn)車牌字符二值化圖像。
首先根據(jù)《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國機(jī)動(dòng)車號(hào)牌》
(GA3"2007)附錄B所述的字樣制作歸一化字樣圖像，每張歸一化字樣圖像寬為16像素， 高為32像素；然后對(duì)所有歸一化字樣圖像進(jìn)行二值化處理，二值化處理時(shí)，歸一化字樣圖像
灰度等級(jí)按255級(jí)灰度計(jì)算，灰度二值化閾值取[95，130]之間的某個(gè)特定值；最終得到由37 個(gè)漢字、26個(gè)英文大寫字母和10個(gè)數(shù)字組成的共73個(gè)標(biāo)準(zhǔn)車牌字符二值化圖像。車牌字符二值化圖像。
首先采集足夠的車牌照片，使得《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國 機(jī)動(dòng)車號(hào)牌》(GA36-2007)附錄B中定義的所有字符至少出現(xiàn)三次；然后對(duì)采集的車牌照片 經(jīng)定位、分割處理后得到分離的車牌字符圖像；再對(duì)所有分離的字符圖像采取步驟1所述的
歸一化和二值化處理，得到采集樣本車牌字符二值化圖像。
步驟3:將步驟1所得的標(biāo)準(zhǔn)車牌字符二值化圖像和步驟2所得的采集樣本車牌字符二 值化圖像轉(zhuǎn)換成特征向量，具體轉(zhuǎn)換方法是將每個(gè)二值化圖像的像素值按行依次排列，得
到一個(gè)512維的行向量。
步驟4:對(duì)步驟3所得的所有二值化圖像的特征向量，將同一字符的所有字符圖像的特 征向量歸于一個(gè)特征向量子集，共得到73個(gè)特征向量子集；給予每個(gè)特征向量子集一個(gè)唯一 的編號(hào)，使得73個(gè)字符與編號(hào)之間一一對(duì)應(yīng)；同時(shí)，每個(gè)特征向量子集中的所有特征向量均
采用與該特征向量子集相同的編號(hào)。
步驟5:采用步驟3所得的所有二值化圖像的特征向量，組合出以下四個(gè)特征向量集合 1)代表省/直轄市/自治區(qū)簡稱的特征向量集A特征向量集^包括漢字"京津冀晉蒙遼吉黑
滬蘇浙皖閩贛魯豫鄂湘粵桂瓊渝川貴云藏陜甘青寧新港澳使"共34個(gè)字符的標(biāo)準(zhǔn)車牌字符二
值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車牌中的
第一個(gè)字符相對(duì)應(yīng)；2)代表發(fā)牌機(jī)關(guān)代號(hào)的特征向量集5，特征向量集B包括A Z的26個(gè) 英文大寫字母的標(biāo)準(zhǔn)車牌字符二值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征 向量，每個(gè)特征向量與車牌中的第二個(gè)字符相對(duì)應(yīng)；3)代表車牌編號(hào)的特征向量集C，特征 向量集C包括0~9的數(shù)字以及除"0"和"I"之外的英文大寫字母共34個(gè)字符的標(biāo)準(zhǔn)車牌 字符二值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車 牌中的第三至第六字符中的一個(gè)字符相對(duì)應(yīng)；4)代表車牌末尾字符的特征向量集D，特征向 量D集包括0 9的數(shù)字、除"O"和"I"之外的英文大寫字母以及漢字"掛"、"領(lǐng)"、"港"、 "澳"、"學(xué)"、"警"、"試"、"超"和"臨"共43個(gè)字符的標(biāo)準(zhǔn)車牌字符二值化圖像 的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車牌末尾字符相對(duì) 應(yīng)。
步驟5:分別構(gòu)造步驟4所得的四個(gè)特征向量集合的特征向量矩陣il^、 Jl/S、 Me和i^， 同時(shí)構(gòu)造與特征向量矩陣Mj、 Jl/S、 Me和MD對(duì)應(yīng)的四個(gè)編號(hào)向量^、 J^、 J^和^。其中， 每個(gè)特征向量矩陣的行向量就是對(duì)應(yīng)特征向量集合的具體特征向量，每個(gè)特征向量矩陣的行數(shù)就是對(duì)應(yīng)特征向量集合的特征向量數(shù)；編號(hào)向量為一個(gè)列向量，其中每一行的元素值就是 對(duì)應(yīng)特征向量矩陣相同行號(hào)下特征向量所采用的編號(hào)。
步驟6:分別構(gòu)造四個(gè)多分類支持向量機(jī)，將步驟5所得的特征向量矩陣Jl^與對(duì)應(yīng)的編 號(hào)向量^、特征向量矩陣M^與對(duì)應(yīng)的編號(hào)向量J^、特征向量矩陣Me與對(duì)應(yīng)的編號(hào)向量F。
特征向量矩陣MD與對(duì)應(yīng)的編號(hào)向量r。分別輸入到四個(gè)多分類支持向量機(jī)中進(jìn)行訓(xùn)練，得到 四個(gè)支持向量集s^、 srs、 SFe、 SFD。
二、使用多分類支持向量機(jī)進(jìn)行車牌識(shí)別的過程，具體包括以下步驟
步驟7:采集待識(shí)別車牌圖像，經(jīng)定位、分割處理后得到分離的待識(shí)別車牌字符圖像； 再對(duì)所有分離的待識(shí)別字符圖像采取步驟1所述的歸一化和二值化處理，得到待識(shí)別車牌字 符二值化圖像。
步驟8:將步驟7所得的待識(shí)別車牌字符二值化圖像轉(zhuǎn)換成特征向量，具體轉(zhuǎn)換方法是 將每個(gè)二值化圖像的像素值按行依次排列，得到一個(gè)512維的行向量，共得到7個(gè)特征向量，
按待識(shí)別字符圖像在待識(shí)別車牌中從左至右的位置順序依次定義為A、 X2、...、 Z7。
步驟9:采用支持向量集S^對(duì)特征向量A進(jìn)行分類，得到特征向量^對(duì)應(yīng)的編號(hào)，即
得到該編號(hào)對(duì)應(yīng)的字符，并將該字符作為待識(shí)別車牌第一字符的識(shí)別結(jié)果；采用支持向量集 5&對(duì)特征向量12進(jìn)行分類，得到特征向量72對(duì)應(yīng)的編號(hào)，即得到該編號(hào)對(duì)應(yīng)的字符，并
將該字符作為待識(shí)別車牌第二字符的識(shí)別結(jié)果；采用支持向量集5^對(duì)特征向量義2~^6進(jìn)行
分類，得到特征向量義2~16各自對(duì)應(yīng)的編號(hào)，即得到各自對(duì)應(yīng)編號(hào)所對(duì)應(yīng)的字符，并將各自
所對(duì)應(yīng)的字符作為待識(shí)別車牌第二至第六字符的識(shí)別結(jié)果；采用支持向量集S^對(duì)特征向量
X，進(jìn)行分類，得到特征向量義7對(duì)應(yīng)的編號(hào)，即得到該編號(hào)對(duì)應(yīng)的字符，并將該字符作為待 識(shí)別車牌第七字符的識(shí)別結(jié)果。
需要說明的是，本發(fā)明所述的多分類支持向量機(jī)，可以采用基于線性核的多分類支持向 量機(jī)，也可以采用基于非線性核的多分類支持向量機(jī)。另外，考慮到支持向量機(jī)的特性，本 發(fā)明在多分類向量機(jī)的訓(xùn)練過程制作采集樣本車牌字符二值化圖像時(shí)，所采集的各樣本車牌 字符數(shù)量相差不應(yīng)過大，以保證各字符平等地參與訓(xùn)練，從而減少由于訓(xùn)練次數(shù)差異帶來的識(shí)別偏差。
本發(fā)明的有益效果是
本發(fā)明創(chuàng)新性地將支持向量機(jī)的方法應(yīng)用于車牌字符識(shí)別中。本發(fā)明區(qū)別對(duì)待車牌各位 置的字符，將車牌字符二值化圖像特征向量分成四個(gè)集合，分別構(gòu)造四個(gè)多分類支持向量機(jī) 以計(jì)算四個(gè)集合的支持向量集，并在車牌識(shí)別過程中采用不同的支持向量集對(duì)待識(shí)別車牌的 字符進(jìn)行逐一識(shí)別，大大減少了計(jì)算量。


圖1:本發(fā)明提供的基于多分類支持向量機(jī)的車牌字符識(shí)別方法的流程示意圖。
圖2:《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國機(jī)動(dòng)車號(hào)牌》(GA36—2007)
附錄B所述的漢字字樣。
圖3:《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國機(jī)動(dòng)車號(hào)牌》(GA36~2007) 附錄B所述的英文字母字樣。
圖4:《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國機(jī)動(dòng)車號(hào)牌》(GA36"-2007) 附錄B所述的數(shù)字字樣。
具體實(shí)施例方式
本發(fā)明技術(shù)內(nèi)容部分，所提供的技術(shù)方案已經(jīng)足夠詳細(xì)，在此不再贅述。
總之，本發(fā)明的方法充分考察GA 36-2007標(biāo)準(zhǔn)，創(chuàng)新性地將支持向量機(jī)的方法應(yīng)用于 車牌字符識(shí)別中。本發(fā)明區(qū)別對(duì)待車牌各位置的字符，將車牌字符二值化圖像特征向量分成 四個(gè)集合，分別構(gòu)造四個(gè)多分類支持向量機(jī)以計(jì)算四個(gè)集合的支持向量集，并在車牌識(shí)別過 程中采用不同的支持向量集對(duì)待識(shí)別車牌的字符進(jìn)行逐一識(shí)別，大大減少了計(jì)算量。經(jīng)試驗(yàn) 驗(yàn)證，本發(fā)明對(duì)漢字字符識(shí)別率達(dá)到93.33%,對(duì)英文字母字符識(shí)別率達(dá)到98.98%，對(duì)數(shù)字 字符識(shí)別率達(dá)到99.57%，各字符統(tǒng)計(jì)平均識(shí)別率98.60%。
權(quán)利要求
1、基于多分類支持向量機(jī)的車牌字符識(shí)別方法，包括多分類支持向量機(jī)的訓(xùn)練過程和使用多分類支持向量機(jī)進(jìn)行車牌識(shí)別的過程一、多分類向量機(jī)的訓(xùn)練過程，具體包括以下步驟步驟1制作標(biāo)準(zhǔn)車牌字符二值化圖像；首先根據(jù)《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國機(jī)動(dòng)車號(hào)牌》(GA36-2007)附錄B所述的字樣制作歸一化字樣圖像，每張歸一化字樣圖像寬為16像素，高為32像素；然后對(duì)所有歸一化字樣圖像進(jìn)行二值化處理，二值化處理時(shí)，歸一化字樣圖像灰度等級(jí)按255級(jí)灰度計(jì)算，灰度二值化閾值取[95，130]之間的某個(gè)特定值；最終得到由37個(gè)漢字、26個(gè)英文大寫字母和10個(gè)數(shù)字組成的共73個(gè)標(biāo)準(zhǔn)車牌字符二值化圖像；步驟2制作采集樣本車牌字符二值化圖像；首先采集足夠的車牌照片，使得《中華人民共和國公共安全行業(yè)標(biāo)準(zhǔn)中華人民共和國機(jī)動(dòng)車號(hào)牌》(GA36-2007)附錄B中定義的所有字符至少出現(xiàn)三次；然后對(duì)采集的車牌照片經(jīng)定位、分割處理后得到分離的車牌字符圖像；再對(duì)所有分離的字符圖像采取步驟1所述的歸一化和二值化處理，得到采集樣本車牌字符二值化圖像；步驟3根據(jù)步驟1所得的標(biāo)準(zhǔn)車牌字符二值化圖像和步驟2所得的采集樣本車牌字符二值化圖像，獲取每個(gè)二值化圖像的特征向量，具體方法是將每個(gè)二值化圖像的像素值按行依次排列，得到一個(gè)512維的行向量；步驟4對(duì)步驟3所得的所有二值化圖像的特征向量，將同一字符的所有字符圖像的特征向量歸于一個(gè)特征向量子集，共得到73個(gè)特征向量子集；給予每個(gè)特征向量子集一個(gè)唯一的編號(hào)，使得73個(gè)字符與編號(hào)之間一一對(duì)應(yīng)；同時(shí)，每個(gè)特征向量子集中的所有特征向量均采用與該特征向量子集相同的編號(hào)；步驟5采用步驟3所得的所有二值化圖像的特征向量，組合出以下四個(gè)特征向量集合1)代表省/直轄市/自治區(qū)簡稱的特征向量集A，特征向量集A包括漢字“京津冀晉蒙遼吉黑滬蘇浙皖閩贛魯豫鄂湘粵桂瓊渝川貴云藏陜甘青寧新港澳使”共34個(gè)字符的標(biāo)準(zhǔn)車牌字符二值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車牌中的第一個(gè)字符相對(duì)應(yīng)；2)代表發(fā)牌機(jī)關(guān)代號(hào)的特征向量集B，特征向量集B包括A～Z的26個(gè)英文大寫字母的標(biāo)準(zhǔn)車牌字符二值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車牌中的第二個(gè)字符相對(duì)應(yīng)；3)代表車牌編號(hào)的特征向量集C，特征向量集C包括0～9的數(shù)字以及除“O”和“I”之外的英文大寫字母共34個(gè)字符的標(biāo)準(zhǔn)車牌字符二值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車牌中的第三至第六字符中的一個(gè)字符相對(duì)應(yīng)；4)代表車牌末尾字符的特征向量集D，特征向量D集包括0～9的數(shù)字、除“O”和“I”之外的英文大寫字母以及漢字“掛”、“領(lǐng)”、“港”、“澳”、“學(xué)”、“警”、“試”、“超”和“臨”共43個(gè)字符的標(biāo)準(zhǔn)車牌字符二值化圖像的特征向量和采集樣本車牌字符二值化圖像的特征向量，每個(gè)特征向量與車牌末尾字符相對(duì)應(yīng)；步驟5分別構(gòu)造步驟4所得的四個(gè)特征向量集合的特征向量矩陣MA、MB、MC和MD，同時(shí)構(gòu)造與特征向量矩陣MA、MB、MC和MD對(duì)應(yīng)的四個(gè)編號(hào)向量VA、VB、VC和VD；其中，每個(gè)特征向量矩陣的行向量就是對(duì)應(yīng)特征向量集合的具體特征向量，每個(gè)特征向量矩陣的行數(shù)就是對(duì)應(yīng)特征向量集合的特征向量數(shù)；編號(hào)向量為一個(gè)列向量，其中每一行的元素值就是對(duì)應(yīng)特征向量矩陣相同行號(hào)下特征向量所采用的編號(hào)；步驟6分別構(gòu)造四個(gè)多分類支持向量機(jī)，將步驟5所得的特征向量矩陣MA與對(duì)應(yīng)的編號(hào)向量VA、特征向量矩陣MB與對(duì)應(yīng)的編號(hào)向量VB、特征向量矩陣MC與對(duì)應(yīng)的編號(hào)向量VC、特征向量矩陣MD與對(duì)應(yīng)的編號(hào)向量VD分別輸入到四個(gè)多分類支持向量機(jī)中進(jìn)行訓(xùn)練，得到四個(gè)支持向量集SVA、SVB、SVC、SVD；二、使用多分類支持向量機(jī)進(jìn)行車牌識(shí)別的過程，具體包括以下步驟步驟7采集待識(shí)別車牌圖像，經(jīng)定位、分割處理后得到分離的待識(shí)別車牌字符圖像；再對(duì)所有分離的待識(shí)別字符圖像采取步驟1所述的歸一化和二值化處理，得到待識(shí)別車牌字符二值化圖像；步驟8將步驟7所得的待識(shí)別車牌字符二值化圖像轉(zhuǎn)換成特征向量，具體轉(zhuǎn)換方法是將每個(gè)二值化圖像的像素值按行依次排列，得到一個(gè)512維的行向量，共得到7個(gè)特征向量，按待識(shí)別字符圖像在待識(shí)別車牌中從左至右的位置順序依次定義為X1、X2、...、X7；步驟9采用支持向量集SVA對(duì)特征向量X1進(jìn)行分類，得到特征向量X1對(duì)應(yīng)的編號(hào)，即得到該編號(hào)對(duì)應(yīng)的字符，并將該字符作為待識(shí)別車牌第一字符的識(shí)別結(jié)果；采用支持向量集SVB對(duì)特征向量X2進(jìn)行分類，得到特征向量X2對(duì)應(yīng)的編號(hào)，即得到該編號(hào)對(duì)應(yīng)的字符，并將該字符作為待識(shí)別車牌第二字符的識(shí)別結(jié)果；采用支持向量集SVC對(duì)特征向量X2～X6進(jìn)行分類，得到特征向量X2～X6各自對(duì)應(yīng)的編號(hào)，即得到各自對(duì)應(yīng)編號(hào)所對(duì)應(yīng)的字符，并將各自所對(duì)應(yīng)的字符作為待識(shí)別車牌第二至第六字符的識(shí)別結(jié)果；采用支持向量集SVD對(duì)特征向量X7進(jìn)行分類，得到特征向量X7對(duì)應(yīng)的編號(hào)，即得到該編號(hào)對(duì)應(yīng)的字符，并將該字符作為待識(shí)別車牌第七字符的識(shí)別結(jié)果。
2、 根據(jù)權(quán)利要求1所述的基于多分類支持向量機(jī)的車牌字符識(shí)別方法，其特征在于，所 述多分類支持向量機(jī)為基于線性核的多分類支持向量機(jī)。
3、 根據(jù)權(quán)利要求1所述的基于多分類支持向量機(jī)的車牌字符識(shí)別方法，其特征在于，所 述多分類支持向量機(jī)為基于非線性核的多分類支持向量機(jī)。
全文摘要
基于多分類支持向量機(jī)的車牌字符識(shí)別方法，屬于圖像處理技術(shù)領(lǐng)域，涉及車牌字符識(shí)別方法。本發(fā)明包括多分類支持向量機(jī)的訓(xùn)練過程和使用多分類支持向量機(jī)進(jìn)行車牌識(shí)別的過程。本發(fā)明區(qū)別對(duì)待車牌各位置的字符，將車牌字符二值化圖像特征向量分成四個(gè)集合，分別構(gòu)造四個(gè)多分類支持向量機(jī)以計(jì)算四個(gè)集合的支持向量集，并在車牌識(shí)別過程中采用不同的支持向量集對(duì)待識(shí)別車牌的字符進(jìn)行逐一識(shí)別，大大減少了計(jì)算量。相比與其他同領(lǐng)域的方案，本發(fā)明具有兼容公安部最新機(jī)動(dòng)車號(hào)牌標(biāo)準(zhǔn)GA 36-2007、識(shí)別準(zhǔn)確率更高，對(duì)成像質(zhì)量要求更低的特點(diǎn)。
文檔編號(hào)G06K9/00GK101604381SQ200910059360
公開日2009年12月16日 申請日期2009年5月20日 優(yōu)先權(quán)日2009年5月20日
發(fā)明者王云龍, 梅 解 申請人:電子科技大學(xué)