應用兩級分類實現車牌字符識別

當CF(B)的值大于形近字判別閾值CFmin時，直接輸出粗分類識別結果;反之，分類器查找形近字所屬類別，并將字符送入二級分類識別。
2.4 粗分類實驗和分析
粗分類中字母和數字共有33類，每類有100個樣本。其中每類用60個樣本進行SVM訓練，構造SVM分類器，剩下的40個樣本做測試。
本文對粗分類器在不同可信度閾值下的性能進行了測試，測試結果如圖4所示。從圖中可以看出，粗分類識別率隨著可信度閾值的增加而提高，但閾值設置太高時，粗分類有較高的拒識率，而將字符送入二級分類識別，導致浪費粗分類器的識別能力。所以可信度閾值選取0.7，粗分類器的識別性能最佳。

當CFmin=0.7時,粗分類字符識別正確率只有96.4%，但是出現錯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在細微的結構上。如果將這些形近字符暫時歸為一類，然后將其送入二級分類識別，則粗分類識別正確率會大幅提升接近100%,這樣的結果可以滿足特征提取算法復雜度低，識別率較高、形近字較少的粗分類的要求。
3 二級分類識別
3.1 細分類特征提取
細分類的特征提取方法應該能夠表征字符細節信息,刻畫形近字間更細微的差別。結構特征可以很好地反映字符的細節特征。所以本文選取環數、彎曲度、交點數等結構特征作為細分類的特征提取方法。
　 (1)環數(H)：字符中閉合曲線的個數。
(2)彎曲度(R)：設字符中光滑曲線段的兩個端點為M(Mx,My)和N(Nx,Ny)，這兩點所構成線段為MN，曲線到線段MN垂直距離最遠的點為T，對應的投影點為P，點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)交點數(E)：在水平或垂直方向上掃描字符時與字符相交的次數。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。
在二級分類識別中，分類器根據環數、彎曲度和交點數等結構特征的邏輯組合對形近字進行分類識別，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數。

3.2細分類實驗和分析
形近字符分為四組，每組選120個樣本做測試，形近字符的識別結果如表2所示。

表2中形近字符是否具有較高的識別率，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，然后根據細微的差別提取不同的結構特征，使得同一組中不同字符之間的細微差異能比較穩定地體現出來，這是正確識別形近字的關鍵。實驗表明決策表可以很好地區分形近字符，達到二級細分類識別的要求。
4 實驗結果
實驗中的測試車牌圖像是由重慶易博數字有限公司研制的電子警察在高速公路收費站拍攝的，總共采集了一天中不同時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。在測試時，從這幾千幅車牌圖像中，總共選取1 200幅車牌圖像，并隨機分為3組作為實驗中的測試車牌圖像，且僅統計英文字母和數字部分的識別率，最終的識別率以車牌牌照為單位進行實驗，識別結果如表3所示。

本文算法在P4 2.80 GB、512 MB計算機上，用VC6. 0編程實現，平均識別一個車牌需要0.3 s左右的時間。
本文在分析常用的車牌識別方法和人眼視覺活動特點的基礎上，設計了一種由粗到細的二級識別算法，使車牌中易混的形近字符識別率得以提高。在特征提取方面將統計特征和結構特征相結合，并對提取的輪廓特征進行優化，使其有效地克服了字符偏移的影響。引入可信度評判機制，提升了分類識別的靈活性和可靠性。從實驗結果可以看出，本文的算法取得了較高的識別正確率，實時性好，可以滿足實際應用的需要。
參考文獻
[1] 高勇.車牌識別系統中的字符分割與識別[D].合肥:安徽大學,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學習算法的優化計算[J].計算機工程與應用,2006,29:190-192.