matlab hu矩特征和svm,基于融合Hu矩和区域矩特征的多车牌定位

0引言目前主要有以下几类车牌定位[1]算法:1基于灰度域的纹理特征方法[2-4]。此类算法复杂度较高,难以满足实时定位的需求;2基于彩色空间的彩色图像处理方法[5,6]。该类算法基于图像的彩色信息,其算法速度整体低于前一类算法,而且当检测目标与背景对比度较低时,很难准确定位,还需要结合一些先验知识进行对干扰的过滤;3融合特征定位算法[7,8],该类算法将两种以上的待检测目标的特征描述符,采用一定的方法进行特征融合,相比于采用一种特征的算法,其效率更高,但是当待检测物所处环境复杂,形态改变时,前期一旦出错,后期根据融合特征判决的准确率会大幅下降。本文充分考虑复杂背景和车牌姿态多样性的影响,针对国内车牌的特点,提出的基于融合Hu矩和区域矩的特征向量结合支持向量机(SVM)的车牌定位方法,依次提取车牌的Hu矩特征和各向同性的区域矩特征,动态融合构成新的特征向量,然后采用SVM对特征进行分类、预测。实验结果表明,本文提出的方法与其它单一或组合特征提取方法相比可以有效解决复杂背景下多车牌的快速定位问题。当车牌发生位置、姿态、大小的变化,甚至当车牌被遮挡时,该方法具有较高的定位准确率和较快的定位速度。1融合Hu矩和区域矩的特征向量在图像识别领域中,对目标物体特征向量的选取是决定对目标物体定位的准确率的关键,通常对被检测目标进行特征提取,所选择的特征对象相对于目标都需要具有高辨识度和较高的鲁棒性,除了可以适应环境变化,还要适应目标物体位置、大小和姿态一定程度的变化。1.1Hu矩原理HuMK在几何不变理论的基础上创建了几何矩的理论。通过图像的矩特征,描述特定物体的方法开始得到广泛的使用[9]。以一副MN(M和N分别是待检测图像对应的宽和高)大小的二维的离散图像为例,图像用f(x,y)表示,Hu将其对应的p+q阶特征矩定义为mpq=Ny=1Mx=1xpyqf(x,y)p,q=0,1,2…对于图像矩阵而言,灰度图像的p+q阶中心矩定义为pq=Ny=1Mx=1(x-x)p(y-y)qf(x,y)式中:珚x=m10/m00,珔y=m01/m00就是图像灰度重心的坐标。得到的pq就具有平移不变性,可以满足目标图像检测对平移不变性的要求,接下来,进一步定义了中心不变特征pq,可以满足目标图像检测对缩放不变性的要求。归一化的中心不变特征矩定义为pq=pq00,=p+q[]2+1,更进一步,HuMK用上式的线性组合,构造了以下7个不变中心矩组成的一组特征向量,具有旋转、缩放和平移不变性M1=20+02M2=(20-02)2+4211M3=(20-312)2+(321-03)2M4=(30+12)2+(21+03)2M5=(30-312)(30+12)[(30+12)2-3(21+03)]2+(321-03)(21+03)[3(03+12)2-(21+03)2]M6=(20-02)[(30+12)2-(21+03)2]+411(30+12)(21+03)M7=(321-03)(30+12)[(30+12)2-3(21+03)2]-(30+312)(21+03)[3(30+12)2-(21+03)2]实际上,文献[10]指出只有基于二阶的不变特征矩对二维物体的描述才是真正的具有旋转、缩放和平移不变性的,在Hu的不变矩组中只有M1和M2是二阶的,其余M3-M7都是基于三阶的。用Hu不变矩进行图像的定位识别,好处是算法复杂度较低,算法运行速度快,而缺点是准确率比较低,尤其是对汽车车牌这样纹理比较丰富的图像区域效果更差。这是由于Hu提出的不变矩只包含了图像的低阶矩特征,对于图像的细节部分