基于特征融合的车牌汉字识别技术
- 格式：pdf
- 大小：232.47 KB
- 文档页数：3
高 仕 龙 局
（ 乐山 师范 学院 数 学 系， 四川 乐 山 ６４ ０ ） １００
摘
要： 本文提 出一种新 的基于特征融合 的车牌汉字 识别技术 ． 该方法首先对 字符 图像进 行奇异值分解 ， 然后 利用 奇
异 值和奇 异向量进行特征融合 ， 得到既包含 能量特性 又包 含几何特 性的特征 向量 ， 并结合 Ｂ Ｐ神经网络分类 器 ， 应用 于车
转、 缩放 、 平移 等不变性 ，ｌ 在受到 噪声 干扰 的时候 具有 Ｈ 且
＝ ｉｇ ， ２…盯 ０ ０ …０ ∈Ｒ ｄａ （１ ， … ， ） 一， 叮
仃 ≥叮≥…≥盯３０是 Ａ的全部非零奇异值 。其 中， ： （ 『 为 Ａ Ａ或 Ａ 的特征值 ，。 ｖ分别是 Ａ 和 ＡＡ 的对应 Ｔ ｕ和 Ｔ 于 盯 的特征矢量 ， 也称 的奇异 向量 。
稳 定性 ， 但奇 异值 只是反 映了字符 图像 的能 量特征 ， 而没
有反 映图像 的纹理 、 形状 、 等几何视觉特性 。文献［ ］ 边缘 １ ０
收 稿 日期 ：０ ８ ０ — ５ ２ ０ — ９ ０
作者简介 ： 高仕龙 ， 乐山师范学院数 学系讲 师 ， 硕士 ， 究方 向： 研 图像 处理 ， 随机信 号处理。
的平方和 ， ： 即
二 ，
（） ａ原始车牌
（ 滤 波和二值化 结果 ｂ）
（） ｅ倾斜较正的车牌
Байду номын сангаас
（） ｄ 字符分割后的车牌汉字
０ Ｉ ＡＩ
ｉ＝ ｌ
图 ２ 车 牌 预处 理过 程
１ ． 特 征 提取 ３
这表明 图像矩 阵 的奇 异值反 映的是 字符 图像的能量
特性。矩阵的奇异值分解可以重新表示为 ：
设 经预处理后 的车牌汉字图像的奇异值分解 为 ：
Ａ∑ ． ＝ ｖ
ｉ＝ ｌ
ＡＵ Ｖ ∑ ． ＝￣ Ｔ ＇ ＝ ｕ ｖ
我们知道奇异值和奇异 向量都具 有稳定性 ， 同时对应
由此可 知字符 图像 Ａ可 以被认 为是 ｒ 秩为 １的子 个
图 Ｕ ｉ 以各 自奇异值 为权相加 的总和。所 以， Ｖ 图像的纹
在于汉字特征 的提取 ， 也就是如何选择 既容易提取又 能为
１ 算法描述
１ 矩阵 的奇异值分解及其相关性质 ． １
矩 阵的奇异值分 解在数 据压缩 、 号去 噪 、 式识别 信 模 等领域有着广泛 的应用 ， 奇异值分解理论及 其性质可描述
如下 ：
识 别 系统提 供尽 可能 高 的模式 鉴别 能力 的特 征矢 量 ， 同
图像矩 阵的奇异值分解理论具有 以下特性 ：
（） １奇异值 的稳定性 。奇异值 的变化不 大于扰动矩 阵 的 ２范数 ． 就意味着 图像的奇异值特征对噪声 、 照等不 这 光 同条件引起的变换 具有稳定特性。
（） ４ 将分离的汉字字符 图像统一 处理 为像 素的方阵 图
像。
如图 ２ 是车牌汉字预处理过程和效 果
Ａ Ｕ∑Ｖ ＝ Ｔ
随着模 式识 别技术 的发展 ， 出现 了很 多提取字符 特征
的新 的理论 、 方法 和手 段＿ ｌ １ 。这些方法主要有 统计特 征和 － ５
其 中
Ｕ （ Ｉ ２ …ｕ ） ＝ ｕ， ， ｍ ， ｕ Ｖ （ １ ２ …ｖ） ＝ ｖ， ， ， ｖ
代数特 征两类 ，而在字符代数特征提 取方 法 中 ， 以奇异 ＿ 句 又 值分解理论 的应用最为普遍 。在现有 的利用矩 阵奇异值分 解提取特征 的文 献中 ， 大都倾 向于把 矩阵 的奇异 值作为字 符 图像 的特征 ， 尽管矩阵的奇异值具有转 置 、镜像 、 旋
动识别 系统包括 图像采集 、 车牌定位 、 符分 割 以及 字符 字
性 又反 映几何特 性的特征 向量 ，并结合 Ｂ Ｐ神经 网络分类
器， 应用于车牌汉字识别 ， 取得 了不错的实验效果 。
识别等 四个部分 。其 中字符 识别 ， 其是车牌 中汉 字 的识 尤 别是车牌识 别系统的难 点技术 。而车牌汉字识别 的关键又
时， 为实时识别考虑 ， 还要尽量减少特征矢量 的维数 。由于 汉 字结构 的特殊性 和国 内路 况条件 较差对 车牌取 样 的污 染， 使得 国内车牌识别更成 为难点 问题 。
设 Ａ∈Ｒ 且元素非负 ， ｎ （）ｒ则存在 ｎ 阶正交 阵 一 ｒ ｋＡ ＝ ， ａ ｌ Ｕ和 ｎ阶正交阵 ｖ使得
０ 引言
近年来 ， 车牌识别技术逐渐 成为研究热点 之一 。车牌
把 矩阵奇异 值分解后 的奇异 向量作 为特征应 用 到文本分 类领域 ， 获得 了较好 的效果 。本文结合上述方法 的优点 ， 融
合 字符图像 的奇异值和奇异 向量 ， 得到新 的既反映能量特
识别 系统 已经 被广泛应 用于过 路收 费系统 和交通管 理 系 统， 有着 巨大 的经济价值 和现实意义。一个完整 的车牌 自
第 ２ 卷 第 １ 期 ３ ２
２０ ０ ８年 １ 月 ２
乐 山师 范 学 院 学报
Ｊ ｕ ｎ ｌｏ ｅ ｈ ｎ Ｔ ａ ｈ ｍ ｏｌｇ ｏ ｒ ａ ｆＬ ｓ ａ ｅ ｃ ｅ Ｃ ｌ ｅ ｅ
Ｖｏ ． ． ．２ １２３Ｎｏ 】 Ｄｅ ．００ ｅ２ ８
基 于 特 征 融 合 的 车 牌 汉 字 识 别 技 术
（） ２ 奇异值 的旋转 、 位移不变性。即对 图像进行旋转运 算或作行（ ） 列 的置换运算 ， 图像 的奇异值特征不变。 （ ） 异值反 映 图像 的能量 信息 ， ３奇 而奇异值 向量反 映 的是 图像 的几何信 息。由矩阵 的奇异值分解 理论 知 ， 矩阵 Ａ的 Ｆ （ｒｂ ｎｕ ）范数 的平方 等于它的所有非零奇异值 Ｆｏｅ ｉｓ一
牌汉字识别 。仿真模拟结果表 明， 该方法具有很好 的识别率 和较低 的误识率 。 关键词 ： 特征 融合 ； 奇异值 ； 奇异值 向量 ； 车牌识别
中图分类号 ：Ｐ ９ ．１ Ｔ３１ ４ 文 献标识码 ： Ａ 文章 编号 ：０ ９ ８ ６ （ ０ ８ １— ０ １ ０ １０ — ６６ ２ ０ ）２ ０ ５ — ２
（ 乐山 师范 学院 数 学 系， 四川 乐 山 ６４ ０ ） １００
摘
要： 本文提 出一种新 的基于特征融合 的车牌汉字 识别技术 ． 该方法首先对 字符 图像进 行奇异值分解 ， 然后 利用 奇
异 值和奇 异向量进行特征融合 ， 得到既包含 能量特性 又包 含几何特 性的特征 向量 ， 并结合 Ｂ Ｐ神经网络分类 器 ， 应用 于车
转、 缩放 、 平移 等不变性 ，ｌ 在受到 噪声 干扰 的时候 具有 Ｈ 且
＝ ｉｇ ， ２…盯 ０ ０ …０ ∈Ｒ ｄａ （１ ， … ， ） 一， 叮
仃 ≥叮≥…≥盯３０是 Ａ的全部非零奇异值 。其 中， ： （ 『 为 Ａ Ａ或 Ａ 的特征值 ，。 ｖ分别是 Ａ 和 ＡＡ 的对应 Ｔ ｕ和 Ｔ 于 盯 的特征矢量 ， 也称 的奇异 向量 。
稳 定性 ， 但奇 异值 只是反 映了字符 图像 的能 量特征 ， 而没
有反 映图像 的纹理 、 形状 、 等几何视觉特性 。文献［ ］ 边缘 １ ０
收 稿 日期 ：０ ８ ０ — ５ ２ ０ — ９ ０
作者简介 ： 高仕龙 ， 乐山师范学院数 学系讲 师 ， 硕士 ， 究方 向： 研 图像 处理 ， 随机信 号处理。
的平方和 ， ： 即
二 ，
（） ａ原始车牌
（ 滤 波和二值化 结果 ｂ）
（） ｅ倾斜较正的车牌
Байду номын сангаас
（） ｄ 字符分割后的车牌汉字
０ Ｉ ＡＩ
ｉ＝ ｌ
图 ２ 车 牌 预处 理过 程
１ ． 特 征 提取 ３
这表明 图像矩 阵 的奇 异值反 映的是 字符 图像的能量
特性。矩阵的奇异值分解可以重新表示为 ：
设 经预处理后 的车牌汉字图像的奇异值分解 为 ：
Ａ∑ ． ＝ ｖ
ｉ＝ ｌ
ＡＵ Ｖ ∑ ． ＝￣ Ｔ ＇ ＝ ｕ ｖ
我们知道奇异值和奇异 向量都具 有稳定性 ， 同时对应
由此可 知字符 图像 Ａ可 以被认 为是 ｒ 秩为 １的子 个
图 Ｕ ｉ 以各 自奇异值 为权相加 的总和。所 以， Ｖ 图像的纹
在于汉字特征 的提取 ， 也就是如何选择 既容易提取又 能为
１ 算法描述
１ 矩阵 的奇异值分解及其相关性质 ． １
矩 阵的奇异值分 解在数 据压缩 、 号去 噪 、 式识别 信 模 等领域有着广泛 的应用 ， 奇异值分解理论及 其性质可描述
如下 ：
识 别 系统提 供尽 可能 高 的模式 鉴别 能力 的特 征矢 量 ， 同
图像矩 阵的奇异值分解理论具有 以下特性 ：
（） １奇异值 的稳定性 。奇异值 的变化不 大于扰动矩 阵 的 ２范数 ． 就意味着 图像的奇异值特征对噪声 、 照等不 这 光 同条件引起的变换 具有稳定特性。
（） ４ 将分离的汉字字符 图像统一 处理 为像 素的方阵 图
像。
如图 ２ 是车牌汉字预处理过程和效 果
Ａ Ｕ∑Ｖ ＝ Ｔ
随着模 式识 别技术 的发展 ， 出现 了很 多提取字符 特征
的新 的理论 、 方法 和手 段＿ ｌ １ 。这些方法主要有 统计特 征和 － ５
其 中
Ｕ （ Ｉ ２ …ｕ ） ＝ ｕ， ， ｍ ， ｕ Ｖ （ １ ２ …ｖ） ＝ ｖ， ， ， ｖ
代数特 征两类 ，而在字符代数特征提 取方 法 中 ， 以奇异 ＿ 句 又 值分解理论 的应用最为普遍 。在现有 的利用矩 阵奇异值分 解提取特征 的文 献中 ， 大都倾 向于把 矩阵 的奇异 值作为字 符 图像 的特征 ， 尽管矩阵的奇异值具有转 置 、镜像 、 旋
动识别 系统包括 图像采集 、 车牌定位 、 符分 割 以及 字符 字
性 又反 映几何特 性的特征 向量 ，并结合 Ｂ Ｐ神经 网络分类
器， 应用于车牌汉字识别 ， 取得 了不错的实验效果 。
识别等 四个部分 。其 中字符 识别 ， 其是车牌 中汉 字 的识 尤 别是车牌识 别系统的难 点技术 。而车牌汉字识别 的关键又
时， 为实时识别考虑 ， 还要尽量减少特征矢量 的维数 。由于 汉 字结构 的特殊性 和国 内路 况条件 较差对 车牌取 样 的污 染， 使得 国内车牌识别更成 为难点 问题 。
设 Ａ∈Ｒ 且元素非负 ， ｎ （）ｒ则存在 ｎ 阶正交 阵 一 ｒ ｋＡ ＝ ， ａ ｌ Ｕ和 ｎ阶正交阵 ｖ使得
０ 引言
近年来 ， 车牌识别技术逐渐 成为研究热点 之一 。车牌
把 矩阵奇异 值分解后 的奇异 向量作 为特征应 用 到文本分 类领域 ， 获得 了较好 的效果 。本文结合上述方法 的优点 ， 融
合 字符图像 的奇异值和奇异 向量 ， 得到新 的既反映能量特
识别 系统 已经 被广泛应 用于过 路收 费系统 和交通管 理 系 统， 有着 巨大 的经济价值 和现实意义。一个完整 的车牌 自
第 ２ 卷 第 １ 期 ３ ２
２０ ０ ８年 １ 月 ２
乐 山师 范 学 院 学报
Ｊ ｕ ｎ ｌｏ ｅ ｈ ｎ Ｔ ａ ｈ ｍ ｏｌｇ ｏ ｒ ａ ｆＬ ｓ ａ ｅ ｃ ｅ Ｃ ｌ ｅ ｅ
Ｖｏ ． ． ．２ １２３Ｎｏ 】 Ｄｅ ．００ ｅ２ ８
基 于 特 征 融 合 的 车 牌 汉 字 识 别 技 术
（） ２ 奇异值 的旋转 、 位移不变性。即对 图像进行旋转运 算或作行（ ） 列 的置换运算 ， 图像 的奇异值特征不变。 （ ） 异值反 映 图像 的能量 信息 ， ３奇 而奇异值 向量反 映 的是 图像 的几何信 息。由矩阵 的奇异值分解 理论 知 ， 矩阵 Ａ的 Ｆ （ｒｂ ｎｕ ）范数 的平方 等于它的所有非零奇异值 Ｆｏｅ ｉｓ一
牌汉字识别 。仿真模拟结果表 明， 该方法具有很好 的识别率 和较低 的误识率 。 关键词 ： 特征 融合 ； 奇异值 ； 奇异值 向量 ； 车牌识别
中图分类号 ：Ｐ ９ ．１ Ｔ３１ ４ 文 献标识码 ： Ａ 文章 编号 ：０ ９ ８ ６ （ ０ ８ １— ０ １ ０ １０ — ６６ ２ ０ ）２ ０ ５ — ２
