基于LS-SVM的車牌圖像傾斜校正新方法

4 實(shí)際校正實(shí)驗(yàn)

從車牌圖像庫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方法無法對其進(jìn)行校正。

采用LS-SVM方法進(jìn)行實(shí)驗(yàn)，先對車牌圖像進(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)建對稱矩陣Ω并求其最大特征值對應(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(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LS-SVM算法對該數(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)問題轉(zhuǎn)換為線性矩陣運(yùn)算，簡化了計(jì)算，提高了算法效率，避免了最優(yōu)點(diǎn)搜索過程中的隨機(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(jìn)行圖像畸變快速校正又提供了一種新方法和新思路。