图像车牌识别-SVM分类器的构建（字符识别部分）

车牌识别系统识别部分采用了SVM分类器，训练一定数量的样本，构建了一个SVM分类器，实现车牌汉字和字母，以及数字的识别。

<1> SVM

SVM是支持向量机（Support Vector Machine）的简称，对于解决小样本、非线性、高维的模式识别问题有很多特有的优势。
简单地讲呢，SVM分类算法的实质就是在样本的特征空间中找到一个最优的超平面，使这个超平面离所有的类的样本的距离最小者最大化。
如下图所示，总共有两类，每类的样本数为五，最优超平面即为可以将两类分开，且两类中离分类面最近的样本与分类面的距离最大。

对于只有两类的SVM分类器，SVM分类器就是一个线性分类器。
opencv已经帮我们封装好了SVM算法，我们所要做的就是使用opencv中的SVM类，调用其load载入保存了特征向量的文件，再调用SVM类的识别函数即可。

<2>构建SVM分类器

车牌字符包括汉字和字母和数字，车牌的第一个字符一定为汉字，第二个字符一定为字母，其余五个可能为数字和也有可能是数字和字母的混合。由此实验中训练了三个分类器，分别进行汉字分类、字母分类、数字和字母分类，其中汉字分类器每类的样本只有一个，但在汉字处理较清晰的情况下，可以准确识别。字母分类器和数字与字母混合分类器的每个类的样本有20个。
要训练分类器首先必须提取每个样本的特征，将样本的特征数据保存起来（实验保存特征数据的文件格式为.xml文件）。
对每个样本都得提取特征，所以必须编写特定的样本提取程序来完成这项工作。将每类的样本的储存地址和编号保存到txt 文件中，偶数行保存样本地址，奇数行保存样本的编号，编写程序依次提取样本的特征，并保存到相应的.xml文件中（本实验生成的三个.xml文件：HOG_SVM_DATA、HOG_SVM_DATA_CHAR、HOG_SVM_DATA_CHARACTER）。

其中训练的样本汉字部分是我通过截图，在图像处理获得的，每个汉字只有一份，数字和字母部分是好像是从网上下载下来的，具体哪个链接不记得了，不过还是非常感谢资料的原创提供者！

实验中我是分别将汉字、数字、字母的保存路径和编号记录在三个不同的txt文件中，如下图所示：
汉字样本txt文件

字母样本txt文件

数字样本txt文件

在根据上一篇文章中介绍的提取HOG特征，并将其以.xml的文件格式保存。
代码找了半天没找到，只能用我报告上的图片了：

其中参数（28,28）表示移动窗口大小，不过在对图片进行特征提取时已经将图片的尺寸改为（28,28），（14,14）表示块大小，（7,7）表示单步移动尺寸，块每移动一步的大小为7个像素，每个块包括四个小区域（CELL）,所以每个小区域的大小亦设置为（7,7），参数9表示每个小区域生产9个方向的梯度直方图，这样每个小区域就有9维特征，共有16个小区域，就可以生成16*9维的特征向量。
识别是只需调用opencv中SVM类中的load函数载入保存特征向量的文件，在调用SVM类中的识别函数即可。

<3>使用已经构建好的SVM实现识别

对已经分割好的字符图片，要进行一定的处理，使其与之前训练的样本图片具有相同性质，继而提取分类器所需要的特征，按一定的顺序逐个识别。调用分类器识别字符时，只需调用SVM类中laod函数加载训练好的数据，再调用SVM分类器的.predict函数进行识别。

识别部分代码如下：

CvSVM svm = CvSVM();    //数字和字母混合识别
    svm.load("HOG_SVM_DATA.xml");
    CvSVM svm_character = CvSVM();  //单独识别字母
    svm_character.load("HOG_SVM_DATA_CHARACTER.xml");