汽車牌照的自動識別技術(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矩形，但在實(shí)際使用中，由于車輛的停靠位置具有一定的隨機(jī)性，造成了拍攝距離、拍攝角度的不確定。

對比大量現(xiàn)場采集的車牌照片，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別率急劇下降。因此，為確保系統(tǒng)的識別率，需要在字符分割之前進(jìn)行車牌的傾斜校正。對機(jī)動車牌圖像畸變進(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數(shù)據(jù)集，圖像中的每個“1”值像素作為數(shù)據(jù)集中的一個樣本。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)換為對數(shù)據(jù)集{Xi，Yi}進(jìn)行回歸，辯識參數(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)可簡化為：

　　
其中，a用最大|λ|對應(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。

(4)求解傾斜向量ω，并對其標(biāo)準(zhǔn)化。解式(5)的特征問題，求最大特征值|λ|所對應(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方法無法對其進(jìn)行校正。

采用LS-SVM方法進(jìn)行實(shí)驗(yàn)，先對車牌圖像進(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)建對稱矩陣Ω并求其最大特征值對應(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。