基于LS-SVM的車牌圖像傾斜校正新方法

汽車牌照的自動(dòng)識(shí)別技術(shù)有重要的應(yīng)用價(jià)值，是智能交通系統(tǒng)ITS(Intelligent Traffic System)的關(guān)鍵技術(shù)之一。牌照識(shí)別系統(tǒng)中圖像的獲取一般通過固定架設(shè)在通道上方及兩旁的CCD攝像機(jī)拍攝得到，理想情況下拍攝的車牌圖像是一個(gè)矩形，但在實(shí)際使用中，由于車輛的?？课恢镁哂幸欢ǖ碾S機(jī)性，造成了拍攝距離、拍攝角度的不確定。

對(duì)比大量現(xiàn)場(chǎng)采集的車牌照片，發(fā)現(xiàn)車輛位置的不確定性引發(fā)攝像機(jī)與車牌之間的角度變化，造成的車牌圖像畸變則以傾斜為主?，F(xiàn)場(chǎng)實(shí)拍的汽車牌照傾斜圖像如圖1所示。

這種傾斜現(xiàn)象會(huì)給字符分割帶來不利影響，當(dāng)傾斜度較大時(shí)，易造成誤分割并使車牌識(shí)別率急劇下降。因此，為確保系統(tǒng)的識(shí)別率，需要在字符分割之前進(jìn)行車牌的傾斜校正。對(duì)機(jī)動(dòng)車牌圖像畸變進(jìn)行校正的研究目前已取得了一定的成果，如通過Hough變換將圖像空間轉(zhuǎn)換到Hough空間，并搜尋車牌邊框?qū)?yīng)的極值點(diǎn)，進(jìn)而確定車牌的傾斜角；提取牌照邊框參數(shù)，并使用雙線性坐標(biāo)變換進(jìn)行圖像修正[1][2]；通過模板匹配在圖像空間搜尋牌照區(qū)域的四個(gè)頂點(diǎn)，再通過空間變換重建矩形車牌區(qū)域[3]；通過旋轉(zhuǎn)投影求取車牌的角度進(jìn)行校正[4]。

由于圖像中車牌的邊框有時(shí)受噪聲、污跡等干擾的影響較大，同時(shí)又由于二值化等原因，車牌上字符會(huì)有粘連和斷裂現(xiàn)象，使Hough變換后參數(shù)空間中的峰值過于分散，校正效果不理想。通過旋轉(zhuǎn)車牌圖像在坐標(biāo)軸上的投影求取傾斜角度是一種抗干擾能力較強(qiáng)的方法，但在該方法中最佳傾角的求取是一個(gè)尋優(yōu)過程，要進(jìn)行多次投影逐步搜尋最佳傾角，計(jì)算復(fù)雜度高。

由此看來，無論是Hough變換法、模板匹配法還是旋轉(zhuǎn)投影法，圖像傾角或相關(guān)參數(shù)的求解過程均是建立在空間極值點(diǎn)搜索的機(jī)理上，會(huì)使計(jì)算量大，算法效率低。能否避免空間尋優(yōu)，直接通過數(shù)值計(jì)算確定圖像傾角是提高傾斜校正效率的有效方法。本文提出一種基于最小二乘支持向量機(jī) LS-SVM(Least Squares Support Vector Machine)[5][6]的車牌圖像傾斜校正新方法，該方法在圖像校正領(lǐng)域國內(nèi)外尚無文獻(xiàn)報(bào)道。

該方法將二值畸變圖像看作一個(gè)數(shù)據(jù)集，圖像中的每個(gè)“1”值像素作為數(shù)據(jù)集中的一個(gè)樣本。將樣本的特征構(gòu)建為3維，前2維作為輸入向量，可取像素的坐標(biāo)值，第3維作為輸出向量，可取一常數(shù)(本文取0)。通過LS-SVM回歸算法，可求取數(shù)據(jù)集的主要回歸參數(shù)ω，理論證明該參數(shù)即為圖像傾斜向量。實(shí)驗(yàn)表明，該方法將圖像傾斜角的搜索過程轉(zhuǎn)換為直接求解線性矩陣方程，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了傾角搜索過程中的隨機(jī)性和不穩(wěn)定性，對(duì)車牌圖像的邊框無特殊要求。

1 圖像傾斜校正原理

若已知圖像傾斜角度為α，則可通過線性變換使坐標(biāo)系旋轉(zhuǎn)到傾斜方向達(dá)到校正的目的。

式中的ω稱為傾斜向量。

車牌圖像坐標(biāo)系旋轉(zhuǎn)校正原理如圖2所示。

由此看來，車牌傾斜校正的關(guān)鍵是確定傾斜角度α或傾斜向量ω。由于無傾斜畸變時(shí)的車牌圖像為矩形，因此旋轉(zhuǎn)校正后“1”值像素在y′坐標(biāo)軸上投影方差最小，則有：

因此，只需對(duì)數(shù)據(jù)集{Xi，Yi}進(jìn)行回歸，誤差ei方差最小時(shí)的參數(shù)ω即為傾斜向量。如此，將圖像傾斜角度α的尋優(yōu)問題轉(zhuǎn)換為對(duì)數(shù)據(jù)集{Xi，Yi}進(jìn)行回歸，辯識(shí)參數(shù)ω的過程。

2 LS-SVM求解傾斜向量算法

設(shè)某一數(shù)據(jù)集的樣本可表示為{Xi，Yi}，(i=1，2，…，N)，Xi∈Rn為n維輸入向量，Yi∈R為輸出，則構(gòu)造最優(yōu)線性回歸函數(shù)為：

f(X)=ωX+b，ω≠0

算法中利用結(jié)構(gòu)風(fēng)險(xiǎn)最小化為學(xué)習(xí)規(guī)則[7]，用數(shù)學(xué)描述為ωωT≤常數(shù)，選擇誤差ei的二范數(shù)為損失函數(shù)，如此可建立優(yōu)化目標(biāo)為：

由于車牌圖像構(gòu)造的數(shù)據(jù)集其輸出Yi=0，并且回歸參數(shù)b與求取傾斜向量無關(guān)，則式(4)可簡(jiǎn)化為：

　　
其中，a用最大|λ|對(duì)應(yīng)的特征向量。

由此可見，LS-SVM車牌圖像傾斜校正實(shí)質(zhì)是通過LS-SVM對(duì)像素坐標(biāo)進(jìn)行回歸，求取矩形圖像的傾斜方向，再通過坐標(biāo)變換，使原來的坐標(biāo)旋轉(zhuǎn)到傾斜方向上，各像素在y坐標(biāo)投影分量的方差達(dá)到最小。

3 LS-SVM車牌圖像校正步驟

根據(jù)LS-SVM求解傾斜向量的原理，對(duì)傾斜車牌圖像進(jìn)行校正的具體步驟如下：

(1)圖像數(shù)據(jù)集矩陣的建立。N為二值傾斜車牌圖像中所有“1”值像素的數(shù)量，則可構(gòu)造圖像數(shù)據(jù)集{Xi，Yi}(i=1，2，…，N)，其中Xi為輸入向量取像素坐標(biāo)值[Xi，Yi]T，輸出Yi取一常數(shù)(為方便計(jì)算，本文取0)。所有輸入向量Xi可用矩陣X2×N的形式存儲(chǔ)。

(4)求解傾斜向量ω，并對(duì)其標(biāo)準(zhǔn)化。解式(5)的特征問題，求最大特征值|λ|所對(duì)應(yīng)的特征向量a，再用式(6)求取圖像傾斜向量ω。為避免旋轉(zhuǎn)校正時(shí)圖像發(fā)生伸縮，必須對(duì)傾斜向量ω進(jìn)行標(biāo)準(zhǔn)化

4 實(shí)際校正實(shí)驗(yàn)

從車牌圖像庫中抽取傾斜車牌圖像進(jìn)行校正實(shí)驗(yàn)，得到的傾斜車牌圖像LS-SVM校正結(jié)果如圖3所示。其中圖3(a)為比較典型的現(xiàn)場(chǎng)車牌圖像。該圖像中由于車牌安裝位置不當(dāng)，從而使上邊框被遮擋。由于車牌邊框圖像不完整，典型的Hough方法無法對(duì)其進(jìn)行校正。

采用LS-SVM方法進(jìn)行實(shí)驗(yàn)，先對(duì)車牌圖像進(jìn)行二值化處理，其結(jié)果如圖3(b)所示。由二值圖像中的“1”值像素構(gòu)造圖像數(shù)據(jù)集并進(jìn)行零均值化，再構(gòu)建對(duì)稱矩陣Ω并求其最大特征值對(duì)應(yīng)的特征向量a。最后由特征向量a確定車牌圖像的傾斜向量：

x=(-0.0816，0.9967)

因此，由式(7)可得該傾斜圖像的坐標(biāo)變換公式為：

傾斜車牌圖像像素坐標(biāo)經(jīng)坐標(biāo)變換后還原圖像，達(dá)到了校正傾斜的目的，如圖3(c)所示。

利用本文提出的LS-SVM方法對(duì)從車牌圖像庫中抽取的200多幅發(fā)生傾斜的二值車牌圖像進(jìn)行校正實(shí)驗(yàn)，均收到了良好的效果。

本文拓展了LS-SVM的應(yīng)用領(lǐng)域，提出了一種基于LS-SVM的車牌圖像傾斜校正方法。該方法將二值畸變圖像看作一個(gè)數(shù)據(jù)集，并根據(jù)像素坐標(biāo)將樣本的特征拓展為3維。通過LS-SVM算法對(duì)該數(shù)據(jù)集進(jìn)行回歸，求取回歸參數(shù)ω，即圖像傾斜向量；然后根據(jù)傾斜向量構(gòu)造坐標(biāo)變換矩陣實(shí)現(xiàn)校正。該方法將圖像Hough空間尋優(yōu)問題轉(zhuǎn)換為線性矩陣運(yùn)算，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了最優(yōu)點(diǎn)搜索過程中的隨機(jī)性和不穩(wěn)定性。理論和實(shí)驗(yàn)表明：該方法對(duì)于邊框不清或含有較大噪聲干擾的圖像仍能取得較好的效果，為通過非搜索的方法進(jìn)行圖像畸變快速校正又提供了一種新方法和新思路。