4 實際校正實驗

從車牌圖像庫中抽取傾斜車牌圖像進行校正實驗，得到的傾斜車牌圖像LS-SVM校正結(jié)果如圖3所示。其中圖3(a)為比較典型的現(xiàn)場車牌圖像。該圖像中由于車牌安裝位置不當，從而使上邊框被遮擋。由于車牌邊框圖像不完整，典型的Hough方法無法對其進行校正。

采用LS-SVM方法進行實驗，先對車牌圖像進行二值化處理，其結(jié)果如圖3(b)所示。由二值圖像中的“1”值像素構造圖像數(shù)據(jù)集并進行零均值化，再構建對稱矩陣Ω并求其最大特征值對應的特征向量a。最后由特征向量a確定車牌圖像的傾斜向量：

x=(-0.0816，0.9967)

因此，由式(7)可得該傾斜圖像的坐標變換公式為：

傾斜車牌圖像像素坐標經(jīng)坐標變換后還原圖像，達到了校正傾斜的目的，如圖3(c)所示。

利用本文提出的LS-SVM方法對從車牌圖像庫中抽取的200多幅發(fā)生傾斜的二值車牌圖像進行校正實驗，均收到了良好的效果。

本文拓展了LS-SVM的應用領域，提出了一種基于LS-SVM的車牌圖像傾斜校正方法。該方法將二值畸變圖像看作一個數(shù)據(jù)集，并根據(jù)像素坐標將樣本的特征拓展為3維。通過LS-SVM算法對該數(shù)據(jù)集進行回歸，求取回歸參數(shù)ω，即圖像傾斜向量；然后根據(jù)傾斜向量構造坐標變換矩陣實現(xiàn)校正。該方法將圖像Hough空間尋優(yōu)問題轉(zhuǎn)換為線性矩陣運算，簡化了計算，提高了算法效率，避免了最優(yōu)點搜索過程中的隨機性和不穩(wěn)定性。理論和實驗表明：該方法對于邊框不清或含有較大噪聲干擾的圖像仍能取得較好的效果，為通過非搜索的方法進行圖像畸變快速校正又提供了一種新方法和新思路。