基于SVM和神经网络的车牌识别

基于SVM和神经网络的车牌识别

本文将介绍创建自动车牌识别（Automatic Number Plate Recognition, ANPR）所需的步骤。对于不同的情形，实现自动车牌识别会用不同的方法和技术，例如，IR摄像机、固定汽车位置、光照条件等。本文着手构造一个用来检测汽车车牌ANPR的应用，该应用处理的图像使从汽车2-3米处拍摄的，拍摄环境的光线昏暗模糊，并且与地面不平行、车牌在图像中有轻微的扭曲。

本文的主要目标是介绍图像分割、特征提取、模式识别基础以及两个重要的模式识别算法：支持向量机（Suport Vector Machine, SVM）和人工神经网络（Artificial Neural Network, ANN）。

本文主要内容：

1）       ANPR

2）       车牌检测

3）       车牌识别

 

一、    ANPR简介

自动车牌识别也称为自动车牌照识别（Automatic Vehicle Identification, AVI）、洗车车牌识别（Car Plate Recognition, CPR），它是一种使用光学字符识别（Optical Character Recognition, OCR）和其他方法（如，用图像分割与检测）来获取车辆牌照的监控方法。

对于一个ANPR系统，其最好结果可用一个红外（IR）摄像机来获取数据，因为在分割这一步中，对检测和OCR分割很简单、干净。并且误差最小。这是由光学的一些基本原理决定的，例如入射角等于反射角，当人看到光滑表面（如平面镜）时就会有这样的反映。粗糙表面（如纸）的反射会导致漫射或散射。多数车牌有一个称为回射的特性，车牌表面覆盖着一种材料，它由许多微小半球颗粒构成，会导致光线沿路反射回去。

如果使用结合了结构性红外光学投影器的摄像机，就可只获取红外光，这样就能得到很高品质的图像，对这种图像进行分割，然后检测和识别车牌。这种情况下的车牌独立于任意光照环境。

二、    ANPR算法

在解析ANPR算法代码之前，需要明白注意步骤和使用ANPR算法的任务。ANPR有两个主要步骤：车牌检测和车牌识别。车牌检测的目的是在整个视频帧中检测到车牌位置。当在图像中检测到车牌时，分割的车牌被传到第二个步骤，即车牌识别，它用OCR算法来识别车牌上的字母和数字。

下面将定义模式识别算法常用的三个步骤：

1）分割：这一步会检测并裁剪图像中每个感兴趣的块或区域；

2）特征提取：这一步对字符图像集的每个部分进行提取；

3）分类：这一步会从车牌识别那一步的结果中得到每个字符，或从车牌检测（plate detection）那一步中将夺得图像块分为“是车牌”或“不是车牌”；

除了这个主要的应用以外，模式识别算法的主要目的是检测和识别汽车车牌，下面简单介绍一下两个任务，这两个任务通常都不会解释。

第一是：如何训练模式识别系统；

第二是：如何评估模式识别系统。

 

三、    车牌检测

这一步要检测当前帧中所有的车牌。为了实现此功能，该步骤又分为两个主要步骤：图像分割和对分割的图像进行分类。这一步的功能不会解释因为将图像块作为一个向量特征。

在第一步（图像分割）中，将使用各种滤波器、形态学算子，以及轮廓算法来验证所获取图像中所有车牌的部分。

在第二步（分类）中，对每个图像块（即特征）将采用支持向量机（Support Vector Machine, SVM）作为分类器进行分类。在创建主要的应用之前，需要训练两个不同的类：车牌和非车牌号。这步所使用的图像使在汽车前面2-4米拍摄平行的正面视角彩色图像，这些图像有800像素宽。这些要求对确保正确的图像分割很重要。可创建一个多尺度图像算法来进行检测。

下面包括了车牌检测的所有过程：

1）       Sobel滤波器；

2）       阀值算子；

3）       闭形态学算子；

4）       一个填充区域掩码；

5）       用红色标记（特征图像中）可能检测到的车牌；

6）       在执行SVM分类器后检测车牌。

 

四、    图像分割

图像分割是将图像分成多个区域的过程。该过程是为了分析而简化图像，同时也使特征提取更容易。

车牌分割有一个重要特征：假定从汽车前面拍摄图像，会在车牌上有大量竖直边（vertical edge），并且车牌不会被旋转，也没有透视扭曲（perspectivedistortion）。这一性质在分割图像时可采用来删除没有任何竖直边的那些区域。

在找到竖直边之前，需要将彩色图像转换为灰度图像（因为彩色对本任务没有任何用），删除可能由摄像机产生的噪声或其他环节噪声。利用5x5的高斯模糊来去噪。如果不用去噪方法，可能得到很多竖直边，从而造成检测失败。<