應(yīng)用兩級(jí)分類實(shí)現(xiàn)車牌字符識(shí)別

當(dāng)CF(B)的值大于形近字判別閾值CFmin時(shí)，直接輸出粗分類識(shí)別結(jié)果;反之，分類器查找形近字所屬類別，并將字符送入二級(jí)分類識(shí)別。
2.4 粗分類實(shí)驗(yàn)和分析
粗分類中字母和數(shù)字共有33類，每類有100個(gè)樣本。其中每類用60個(gè)樣本進(jìn)行SVM訓(xùn)練，構(gòu)造SVM分類器，剩下的40個(gè)樣本做測(cè)試。
本文對(duì)粗分類器在不同可信度閾值下的性能進(jìn)行了測(cè)試，測(cè)試結(jié)果如圖4所示。從圖中可以看出，粗分類識(shí)別率隨著可信度閾值的增加而提高，但閾值設(shè)置太高時(shí)，粗分類有較高的拒識(shí)率，而將字符送入二級(jí)分類識(shí)別，導(dǎo)致浪費(fèi)粗分類器的識(shí)別能力。所以可信度閾值選取0.7，粗分類器的識(shí)別性能最佳。

當(dāng)CFmin=0.7時(shí),粗分類字符識(shí)別正確率只有96.4%，但是出現(xiàn)錯(cuò)誤的字符基本上都是形近字。如8、B、O、D、Q，2、Z，5、S等外形比較相似的字符，這些形近字符的差別體現(xiàn)在細(xì)微的結(jié)構(gòu)上。如果將這些形近字符暫時(shí)歸為一類，然后將其送入二級(jí)分類識(shí)別，則粗分類識(shí)別正確率會(huì)大幅提升接近100%,這樣的結(jié)果可以滿足特征提取算法復(fù)雜度低，識(shí)別率較高、形近字較少的粗分類的要求。
3 二級(jí)分類識(shí)別
3.1 細(xì)分類特征提取
細(xì)分類的特征提取方法應(yīng)該能夠表征字符細(xì)節(jié)信息,刻畫形近字間更細(xì)微的差別。結(jié)構(gòu)特征可以很好地反映字符的細(xì)節(jié)特征。所以本文選取環(huán)數(shù)、彎曲度、交點(diǎn)數(shù)等結(jié)構(gòu)特征作為細(xì)分類的特征提取方法。
　 (1)環(huán)數(shù)(H)：字符中閉合曲線的個(gè)數(shù)。
(2)彎曲度(R)：設(shè)字符中光滑曲線段的兩個(gè)端點(diǎn)為M(Mx,My)和N(Nx,Ny)，這兩點(diǎn)所構(gòu)成線段為MN，曲線到線段MN垂直距離最遠(yuǎn)的點(diǎn)為T，對(duì)應(yīng)的投影點(diǎn)為P，點(diǎn)T到線段MN的距離Dtp和該線段長度Dmn的比值為彎曲度R,則：

(3)交點(diǎn)數(shù)(E)：在水平或垂直方向上掃描字符時(shí)與字符相交的次數(shù)。以左右上下水平垂直的首字母L、R、T、B、L、V與特征的組合表示具體提取的特征，如TR表示上筆畫彎曲度。
在二級(jí)分類識(shí)別中，分類器根據(jù)環(huán)數(shù)、彎曲度和交點(diǎn)數(shù)等結(jié)構(gòu)特征的邏輯組合對(duì)形近字進(jìn)行分類識(shí)別，得出的決策表如表1所示。例如，字符‘2’和‘Z’的差別在于上面橫筆畫的彎曲度；字符‘C’和‘G’的差別在于垂直交點(diǎn)數(shù)。

3.2細(xì)分類實(shí)驗(yàn)和分析
形近字符分為四組，每組選120個(gè)樣本做測(cè)試，形近字符的識(shí)別結(jié)果如表2所示。

表2中形近字符是否具有較高的識(shí)別率，在很大程度上取決于特征的選取。首先將形近字符分成不同的組，然后根據(jù)細(xì)微的差別提取不同的結(jié)構(gòu)特征，使得同一組中不同字符之間的細(xì)微差異能比較穩(wěn)定地體現(xiàn)出來，這是正確識(shí)別形近字的關(guān)鍵。實(shí)驗(yàn)表明決策表可以很好地區(qū)分形近字符，達(dá)到二級(jí)細(xì)分類識(shí)別的要求。
4 實(shí)驗(yàn)結(jié)果
實(shí)驗(yàn)中的測(cè)試車牌圖像是由重慶易博數(shù)字有限公司研制的電子警察在高速公路收費(fèi)站拍攝的，總共采集了一天中不同時(shí)段的幾千幅車牌圖像,大部分為本市的車輛，所以車牌圖像中的漢字均相同。在測(cè)試時(shí)，從這幾千幅車牌圖像中，總共選取1 200幅車牌圖像，并隨機(jī)分為3組作為實(shí)驗(yàn)中的測(cè)試車牌圖像，且僅統(tǒng)計(jì)英文字母和數(shù)字部分的識(shí)別率，最終的識(shí)別率以車牌牌照為單位進(jìn)行實(shí)驗(yàn)，識(shí)別結(jié)果如表3所示。

本文算法在P4 2.80 GB、512 MB計(jì)算機(jī)上，用VC6. 0編程實(shí)現(xiàn)，平均識(shí)別一個(gè)車牌需要0.3 s左右的時(shí)間。
本文在分析常用的車牌識(shí)別方法和人眼視覺活動(dòng)特點(diǎn)的基礎(chǔ)上，設(shè)計(jì)了一種由粗到細(xì)的二級(jí)識(shí)別算法，使車牌中易混的形近字符識(shí)別率得以提高。在特征提取方面將統(tǒng)計(jì)特征和結(jié)構(gòu)特征相結(jié)合，并對(duì)提取的輪廓特征進(jìn)行優(yōu)化，使其有效地克服了字符偏移的影響。引入可信度評(píng)判機(jī)制，提升了分類識(shí)別的靈活性和可靠性。從實(shí)驗(yàn)結(jié)果可以看出，本文的算法取得了較高的識(shí)別正確率，實(shí)時(shí)性好，可以滿足實(shí)際應(yīng)用的需要。
參考文獻(xiàn)
[1] 高勇.車牌識(shí)別系統(tǒng)中的字符分割與識(shí)別[D].合肥:安徽大學(xué),2007.
[2] HUANG R, TAWFIK H, NAGAR A K. License plate character recognition based on support vector machines with colonel Selection and Fish Swarm Algorithms[C]. International Conference on Computer Modeling and Simulation, 2009:101-106.
[3] 李琳,張曉龍. 基于RBF核的SVM學(xué)習(xí)算法的優(yōu)化計(jì)算[J].計(jì)算機(jī)工程與應(yīng)用,2006,29:190-192.