摘 要： 為解決機(jī)動(dòng)車牌圖像傾斜對(duì)其字符分割與識(shí)別帶來(lái)的不利影響,，提出了一種基于最小二乘支持向量機(jī)的車牌圖像傾斜校正新方法。詳細(xì)介紹了LS-SVM" title="LS-SVM">LS-SVM求解傾斜向量算法和車牌圖像校正" title="圖像校正">圖像校正步驟,，并進(jìn)行了實(shí)驗(yàn)比較,。
關(guān)鍵詞： 最小二乘支持向量機(jī) 傾斜校正 坐標(biāo)變換" title="坐標(biāo)變換">坐標(biāo)變換矩陣 回歸算法
汽車牌照的自動(dòng)識(shí)別技術(shù)有重要的應(yīng)用價(jià)值，是智能交通系統(tǒng)ITS(Intelligent Traffic System)的關(guān)鍵技術(shù)之一,。牌照識(shí)別系統(tǒng)中圖像的獲取一般通過(guò)固定架設(shè)在通道上方及兩旁的CCD攝像機(jī)拍攝得到，理想情況下拍攝的車牌圖像是一個(gè)矩形,，但在實(shí)際使用中,，由于車輛的停靠位置具有一定的隨機(jī)性,，造成了拍攝距離,、拍攝角度的不確定。
對(duì)比大量現(xiàn)場(chǎng)采集的車牌照片,，發(fā)現(xiàn)車輛位置的不確定性引發(fā)攝像機(jī)與車牌之間的角度變化,，造成的車牌圖像畸變則以傾斜為主。現(xiàn)場(chǎng)實(shí)拍的汽車牌照傾斜圖像如圖1所示,。
這種傾斜現(xiàn)象會(huì)給字符分割帶來(lái)不利影響,，當(dāng)傾斜度較大時(shí)，易造成誤分割并使車牌識(shí)別率急劇下降,。因此,，為確保系統(tǒng)的識(shí)別率，需要在字符分割之前進(jìn)行車牌的傾斜校正,。對(duì)機(jī)動(dòng)車牌圖像畸變進(jìn)行校正的研究目前已取得了一定的成果,，如通過(guò)Hough變換將圖像空間轉(zhuǎn)換到Hough空間，并搜尋車牌邊框?qū)?yīng)的極值點(diǎn),，進(jìn)而確定車牌的傾斜角,；提取牌照邊框參數(shù)，并使用雙線性坐標(biāo)變換進(jìn)行圖像修正[1][2],；通過(guò)模板匹配在圖像空間搜尋牌照區(qū)域的四個(gè)頂點(diǎn),，再通過(guò)空間變換重建矩形車牌區(qū)域[3],；通過(guò)旋轉(zhuǎn)投影求取車牌的角度進(jìn)行校正[4]。
由于圖像中車牌的邊框有時(shí)受噪聲,、污跡等干擾的影響較大,，同時(shí)又由于二值化等原因，車牌上字符會(huì)有粘連和斷裂現(xiàn)象,，使Hough變換后參數(shù)空間中的峰值過(guò)于分散,，校正效果不理想。通過(guò)旋轉(zhuǎn)車牌圖像在坐標(biāo)軸上的投影求取傾斜角度是一種抗干擾能力較強(qiáng)的方法,，但在該方法中最佳傾角的求取是一個(gè)尋優(yōu)過(guò)程,，要進(jìn)行多次投影逐步搜尋最佳傾角，計(jì)算復(fù)雜度高,。
由此看來(lái),，無(wú)論是Hough變換法、模板匹配法還是旋轉(zhuǎn)投影法,，圖像傾角或相關(guān)參數(shù)的求解過(guò)程均是建立在空間極值點(diǎn)搜索的機(jī)理上,，會(huì)使計(jì)算量大，算法效率低,。能否避免空間尋優(yōu),，直接通過(guò)數(shù)值計(jì)算確定圖像傾角是提高傾斜校正效率的有效方法。本文提出一種基于最小二乘支持向量機(jī) LS-SVM(Least Squares Support Vector Machine)[5][6]的車牌圖像傾斜校正新方法,，該方法在圖像校正領(lǐng)域國(guó)內(nèi)外尚無(wú)文獻(xiàn)報(bào)道,。
該方法將二值畸變圖像看作一個(gè)數(shù)據(jù)集，圖像中的每個(gè)“1”值像素作為數(shù)據(jù)集中的一個(gè)樣本,。將樣本的特征構(gòu)建為3維,，前2維作為輸入向量，可取像素的坐標(biāo)值,，第3維作為輸出向量,，可取一常數(shù)(本文取0)。通過(guò)LS-SVM回歸算法,，可求取數(shù)據(jù)集的主要回歸參數(shù)ω,，理論證明該參數(shù)即為圖像傾斜向量。實(shí)驗(yàn)表明,，該方法將圖像傾斜角的搜索過(guò)程轉(zhuǎn)換為直接求解線性矩陣方程,，簡(jiǎn)化了計(jì)算，提高了算法效率,，避免了傾角搜索過(guò)程中的隨機(jī)性和不穩(wěn)定性,，對(duì)車牌圖像的邊框無(wú)特殊要求。
1 圖像傾斜校正原理
若已知圖像傾斜角度為α，則可通過(guò)線性變換使坐標(biāo)系旋轉(zhuǎn)到傾斜方向達(dá)到校正的目的,。
式中的ω稱為傾斜向量,。
車牌圖像坐標(biāo)系旋轉(zhuǎn)校正原理如圖2所示。
由此看來(lái),，車牌傾斜校正的關(guān)鍵是確定傾斜角度α或傾斜向量ω,。由于無(wú)傾斜畸變時(shí)的車牌圖像為矩形，因此旋轉(zhuǎn)校正后“1”值像素在y′坐標(biāo)軸上投影方差最小,，則有：
因此,，只需對(duì)數(shù)據(jù)集{Xi，Yi}進(jìn)行回歸,，誤差ei方差最小時(shí)的參數(shù)ω即為傾斜向量,。如此，將圖像傾斜角度α的尋優(yōu)問(wèn)題轉(zhuǎn)換為對(duì)數(shù)據(jù)集{Xi,，Yi}進(jìn)行回歸,，辯識(shí)參數(shù)ω的過(guò)程。
2 LS-SVM求解傾斜向量算法
設(shè)某一數(shù)據(jù)集的樣本可表示為{Xi,，Yi},，(i=1，2,，…,，N)，Xi∈Rn為n維輸入向量,，Yi∈R為輸出，則構(gòu)造最優(yōu)線性回歸函數(shù)為：
f(X)=ωX+b,，ω≠0
算法中利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化為學(xué)習(xí)規(guī)則[7],，用數(shù)學(xué)描述為ωωT≤常數(shù)，選擇誤差ei的二范數(shù)為損失函數(shù),，如此可建立優(yōu)化目標(biāo)為：
由于車牌圖像構(gòu)造的數(shù)據(jù)集其輸出Yi=0,，并且回歸參數(shù)b與求取傾斜向量無(wú)關(guān)，則式(4)可簡(jiǎn)化為：
其中,，a用最大|λ|對(duì)應(yīng)的特征向量" title="特征向量">特征向量,。
由此可見(jiàn)，LS-SVM車牌圖像傾斜校正實(shí)質(zhì)是通過(guò)LS-SVM對(duì)像素坐標(biāo)進(jìn)行回歸,，求取矩形圖像的傾斜方向,，再通過(guò)坐標(biāo)變換，使原來(lái)的坐標(biāo)旋轉(zhuǎn)到傾斜方向上,，各像素在y坐標(biāo)投影分量的方差達(dá)到最小,。
3 LS-SVM車牌圖像校正步驟
根據(jù)LS-SVM求解傾斜向量的原理，對(duì)傾斜車牌圖像進(jìn)行校正的具體步驟如下：
(1)圖像數(shù)據(jù)" title="圖像數(shù)據(jù)">圖像數(shù)據(jù)集矩陣的建立。N為二值傾斜車牌圖像中所有“1”值像素的數(shù)量,，則可構(gòu)造圖像數(shù)據(jù)集{Xi,，Yi}(i=1，2,，…,，N)，其中Xi為輸入向量取像素坐標(biāo)值[Xi,，Yi]T,，輸出Yi取一常數(shù)(為方便計(jì)算，本文取0),。所有輸入向量Xi可用矩陣X2×N的形式存儲(chǔ),。
(4)求解傾斜向量ω，并對(duì)其標(biāo)準(zhǔn)化,。解式(5)的特征問(wèn)題,，求最大特征值|λ|所對(duì)應(yīng)的特征向量a，再用式(6)求取圖像傾斜向量ω,。為避免旋轉(zhuǎn)校正時(shí)圖像發(fā)生伸縮,，必須對(duì)傾斜向量ω進(jìn)行標(biāo)準(zhǔn)化
4 實(shí)際校正實(shí)驗(yàn)
從車牌圖像庫(kù)中抽取傾斜車牌圖像進(jìn)行校正實(shí)驗(yàn)，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(chǎng)車牌圖像,。該圖像中由于車牌安裝位置不當(dāng)，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(wú)法對(duì)其進(jìn)行校正。
采用LS-SVM方法進(jìn)行實(shí)驗(yàn),，先對(duì)車牌圖像進(jìn)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(gòu)造圖像數(shù)據(jù)集并進(jìn)行零均值化,，再構(gòu)建對(duì)稱矩陣Ω并求其最大特征值對(duì)應(yīng)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(biāo)變換公式為：
傾斜車牌圖像像素坐標(biāo)經(jīng)坐標(biāo)變換后還原圖像,，達(dá)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(duì)從車牌圖像庫(kù)中抽取的200多幅發(fā)生傾斜的二值車牌圖像進(jìn)行校正實(shí)驗(yàn),，均收到了良好的效果。
本文拓展了LS-SVM的應(yīng)用領(lǐng)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(gè)數(shù)據(jù)集,，并根據(jù)像素坐標(biāo)將樣本的特征拓展為3維。通過(guò)LS-SVM算法對(duì)該數(shù)據(jù)集進(jìn)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(gòu)造坐標(biāo)變換矩陣實(shí)現(xiàn)校正,。該方法將圖像Hough空間尋優(yōu)問(wèn)題轉(zhuǎn)換為線性矩陣運(yùn)算,，簡(jiǎn)化了計(jì)算，提高了算法效率,，避免了最優(yōu)點(diǎn)搜索過(guò)程中的隨機(jī)性和不穩(wěn)定性,。理論和實(shí)驗(yàn)表明：該方法對(duì)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(guò)非搜索的方法進(jìn)行圖像畸變快速校正又提供了一種新方法和新思路,。
參考文獻(xiàn)
1 Wen C Y,，Yu C C.A 3D transformation to improve the legi-bility of license plate numbers[J].Journal of Forensic Sciences，2002,；47(3)：578～585
2 郝永杰,，劉文耀.畸變汽車牌照?qǐng)D像的空間校正[J].西南交通大學(xué)學(xué)報(bào)，2002,；37(4)：417～420
3 Hegt H A,，Haye R J，Khan N A.A high performance license plate recognition system.In：IEEE international conference on systems,，man and cybernetics,，1998：4357～4362
4 李文舉，梁德群.一種新的車牌傾斜校正方法[J].信息與控制,，2004,；33(2)：231～235
5 Suykens J A，Vandewalle J.Least squares support vector machine classifiers[J].Neural Processing Letters,，1999,；9(3)：293～300
6 Suykens J A，Lukas L,，Vandewalle J.Sparse approximation using least squares support vector machine.In：IEEE Int symposium on circuitsand systems，Geneva,，2000：757～760
7 Vapnik V.An overview of statistical learning theory[J].IEEE Transon Neural Networks,，1999；10(5)：988～999
8 Suykens J A,，Vandewalle J.Sparse least squares support vec-tor machine classifiers.European Symposium on Artificial Neural Networks,，Bruges Belgium，2000：37～42