来源：电子技术应用 作者：吴德会 龙俊波

    摘要：为解决机动车牌图像倾斜对其字符分割与识别带来的不利影响，提出了一种基于最小二拳支持向量机的丰牌图像倾斜校正新方法。详细介绍了ls-svm求解倾斜向量算法和车牌图像校正步骤，并进行了疾验比较。

    关键词：最小二乘支持向量机倾斜校正坐标变换矩阵回归算法

    汽车牌照的自动识别技术有重要的应用价值，是智能交通系统its(intelligent traffic system)的关键技术之一。牌照识别系统中图像的获取一般通过固定架设在通道上方及两旁的ccd摄像机拍摄得到，理想情况下拍摄的车牌图像是一个矩形，但在实际使用中，由于车辆的停靠位置具有一定的随机性，造成了拍摄距离、拍摄角度的不确定。

    对比大量现场采集的车牌照片，发现车辆位置的不确定性引发摄像机与车牌之间的角度变化，造成的车牌目像畸变则以倾斜为主。现场实拍的汽车牌照倾斜图像如图l所示。

    这种倾斜现象会给字符分割带来不利影响，当倾斜度较大时，易造成误分割并使车牌识别率急剧下降。因此，为确保系统的识别率，需要在字符分割之前进行车牌的倾斜校正。对机动车牌图像畸变进行校正的研究目前已取得了一定的成果，如通过hough变换将图像空间转换到hough空间， 搜寻车牌边框对应的极值点，进而确定车牌的倾斜角；提取牌照边框参数，并使用双线性坐标变换进行图像修正；通过模板匹配在图像空间搜寻牌照区域的四个顶点，再通过空间变换重建矩形车牌区域；通过旋转投影求取车牌的角度进行校正。

    由于图像中车牌的边框有时受噪声、污迹等干扰的影响较大，同时又由于二值化等原因，车牌上字符会有粘连和断裂现象，使hough变换后参数空间中的峰值过于分散，校正效果不理想。通过旋转车牌图像在坐标轴上的投影求取倾斜角度是一种抗干扰能力较强的方法．但在该方法中最佳倾角的求取是一个寻优过程，要进行多次投影逐步搜寻最佳倾角，计算复杂度高。

    由此看来，无论是hough变换法、模板匹配法还是旋转投影法，图像倾角或相关参数的求解过程均是建立在空间极值点搜索的机理上，会使计算量大，算法效率低。能否避免空间寻优，直接通过数值计算确定图像倾角是提高倾斜校正效率的有效方法。本文提出一种基于最小二乘支持向量机ls-svm(least squares supportvector machine)的车牌图像倾斜校正新方法，该方法在图像校正领域国内外尚无文献报道。

    该方法将二值畸变图像看作一个数据集，图像中的每个“1”值像素作为数据集中的一个样本。将样本的特征构建为3维，前2维作为输人向量，可取像素的坐标值，第3维作为输出向量，可取一常数(本文取o)。通过ls-svm回归算法，可求取数据集的主要回归参数ω，理论证明该参数即为图像倾斜向量。实验表明。该方法将图像倾斜角的搜索过程转换为直接求解线性矩阵方程，简化了计算，提高了算法效率，避免了倾角搜索过程中的随机性和不稳定性，对车牌图像的边框无特殊要求。

    1 图像倾斜校正原理

    若已知图像倾斜角度为α，则可通过线性变换使坐标系旋转到倾斜方向达到校正的目的。

    式中的ω称为倾斜向量。

    车牌图像坐标系旋转校正原理如图2所示。

    由此看来，车牌倾斜校正的关键是确定倾斜角度α或倾斜向量ω。由于无倾斜畸变时的车牌图像为矩形，因此旋转校正后“1”值像素在y′坐标轴上投影方差最小，则有：

    因此，只需对数据集{xi,yi}进行回归，误差ei方差最小时的参数ω即为倾斜向量。如此，将图像倾斜角度α的寻优问题转换为对数据集{xi，yi}进行回归，辩识参数ω的过程。

    2 ls-svm求解倾斜向量算法

    设某一数据集的样本可表示为{xi，yi}，(i=l，2，…，n)，xi∈rn为n维输入向量，yi∈r为输出，则构造最优线性回归函数为：

    算法中利用结构风险最小化为学习规则，用数学描述为ωωt≤常数，