1 引 言
智能交通系統(tǒng)是一個(gè)熱點(diǎn)研究領(lǐng)域，受到日益廣泛的關(guān)注。車牌識(shí)別系統(tǒng)(LPR)是計(jì)算機(jī)視覺、模式識(shí)別技術(shù)在智能交通領(lǐng)域的一個(gè)重要應(yīng)用，包括車牌定位、車牌字符分割、字符識(shí)別三部分。其中車牌定位是整個(gè)系統(tǒng)中的關(guān)鍵步驟。

目前車牌定位方法主要有：

(1)基于Hough變換的方法，分析車牌具有明顯的矩形邊框，利用Hough變換檢測(cè)區(qū)域邊界實(shí)現(xiàn)定位。

(2)基于邊緣檢測(cè)的方法，利用了車牌字符邊緣豐富的特征，結(jié)合數(shù)學(xué)形態(tài)學(xué)或區(qū)域生長(zhǎng)方法實(shí)現(xiàn)牌照定位。

(3)基于神經(jīng)網(wǎng)絡(luò)的方法，利用圖像的顏色或紋理特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)，然后用訓(xùn)練好的分類器對(duì)圖像各個(gè)像素進(jìn)行分類，再對(duì)分類結(jié)果綜合，得到牌照的準(zhǔn)確定位。然而由于光照不均、污染等因素影響，可能使得牌照區(qū)域邊界不明顯或存在多個(gè)干擾區(qū)域，從而增加了準(zhǔn)確定位的難度。

要提高車牌定位的精度，應(yīng)充分利用他自身提供的信息，突出車牌區(qū)域而抑制非車牌區(qū)域。車牌區(qū)域有著豐富的紋理，尋找一種良好性能的分類器，凸現(xiàn)這種紋理特征，使他與其他區(qū)域區(qū)別開來。支持向量機(jī)(Support Vector Machine，SVM)正是這樣一種分類學(xué)習(xí)機(jī)制，建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化(Structural Risk Minimization，SRM)準(zhǔn)則之上，已經(jīng)在文本識(shí)別，人臉識(shí)別，紋理分類等模式識(shí)別領(lǐng)域取得了成功。

本文使用SVM機(jī)制自動(dòng)定位車牌區(qū)域，首先對(duì)每幅訓(xùn)練圖像切分成若干個(gè)N×N大小的圖像子塊，把每個(gè)字塊分別標(biāo)注為車牌和非車牌區(qū)域兩類，提取子塊圖像的特征向量訓(xùn)練SVM分類器；然后使用該分類器對(duì)測(cè)試圖像中的各個(gè)像素進(jìn)行分類，最后通過后期處理結(jié)合車牌的先驗(yàn)知識(shí)實(shí)現(xiàn)車牌區(qū)域的定位。

2 SVM原理

SVM基于SRM準(zhǔn)則構(gòu)造最優(yōu)超平面，使每類數(shù)據(jù)之間間隔最大，同時(shí)保持分類誤差盡可能小。Cover定理指出：一個(gè)復(fù)雜的模式識(shí)別分類問題，在高維空間比低維空間更容易線性可分。實(shí)際上SVM實(shí)現(xiàn)了這樣的思想：通過某種事先選擇的非線性映射將向量x映射到一個(gè)高維特征空間，然后在這個(gè)空間中構(gòu)造最優(yōu)分類超平面。

對(duì)于兩類模式分類問題，在非線性可分的情況下，通過一個(gè)非線性變換φ：x→φ (x)，將給定的模式數(shù)據(jù)映射到高維特征空間，再構(gòu)造分類超平面，表示為決策面：

考慮到兩類樣本離決策面都應(yīng)有一定距離，決策面應(yīng)滿足不等式約束：

完全滿足式(2)的超平面是不存在的?？紤]到存在一些樣本不能被決策面正確分類，引入松弛變量ξi(≥0)，約束條件式(2)變?yōu)椋?/p>

滿足要求的超平面不止一個(gè)，尋找最優(yōu)超平面可以歸結(jié)為二次規(guī)劃問題：

其中C被稱為懲罰因子，通過C可以在分類器的泛化能力和誤分率之間進(jìn)行折衷。利用拉格朗日函數(shù)求解可得優(yōu)化問題(4)的對(duì)偶形式，最大化函數(shù)：

求解式(5)可以得到ai，代入式(7)可以確定ω，分類函數(shù)可表示為：

3 SVM定位車牌區(qū)域

車牌區(qū)域準(zhǔn)確定位是一種非線性可分的模式分類問題。