基于SVM和ANN技术车牌识别1.ppt

基于SVM与ANN技术的车牌 识别;参考博客及书籍： ;通过车牌的自动检测与识别，向大家介绍一下图像的分割和特征提取即模式识别与图像处理的基础内容，以及两个重要的模式识别算法：支持向量机和人工神经网络。;主要内容;车牌检测就是检测车牌在整个图像帧中的位置。当一个图像中的车牌用支持向量机算法检测到时，接着我们对车牌的字符进行识别。在车牌识别中，我们用人工神经网络算法来识别出车牌上的字母数字的字符。;车牌样本选取环境;车牌样本;摄像机的选用;由于硬件限制，我们没有使用红外线摄像，而是使用常规的摄像。这样做，以至于很难得到一个最好的结果，其最终车牌的检测错误率和字符的识别错误率很相对高一些，但是无论何种摄像机，对车牌的处理过程是一样的。;车牌规格;车牌检测与车牌字符识别;车牌检测——检测出一个图像帧中的车牌。;（一）车牌图像分割;灰度化及线性滤波后效果;Sobel滤波后效果;;二值化后效果;;闭操作后效果;连通域轮廓;最小外接矩形;;去除干扰区域后;剩余6块外接矩形;对仅剩下的6块区域，我们利用车牌的白色背景属性可以进一步改善。所有的车牌都有统一的背景颜色。我们可以使用漫水填充算法来获得这些剩余旋转矩阵的精确筛选。 所谓漫水填充，简单来说，就是自动选中了和种子点相连的区域，接着将该区域替换成指定的颜色，这是个非常有用的功能,经常用来标记或者分离图像的一部分进行处理或分析.漫水填充也可以用来从输入图像获取掩码区域,掩码会加速处理过程,或者只处理掩码指定的像素点.;寻找种子点 ;随机选取每个区域十个种子点;;掩码填充效果;掩码填充效果;掩码填充效果;掩码填充效果;掩码填充效果;掩码填充效果;;仅剩3块可能的车牌区域;;车牌分类;;;寻找训练分类器所需特征;;创建和训练分类器;预测分类;车牌字符的识别;OCR分割（字符分割）;;提取每个字符的特征;一旦我们拥有了特征，我们创建一个M列的矩阵，矩阵的每一行中的每一列都是特征值。;OCR分类（字符分类）;MLP神经网络有一个输入层，输出层和一个或多个隐层。每一层有一个或多个神经元连接着前向和后向层。 下面的例子表示一个3层感知器（它是一个二值分类器，它映射输入的是一个实值向量，输出单一的二值），它带有三个输入，两个输出和一个含有5个神经元的隐层。;每个神经元用带有权重的输入和加上一个偏移量再经过一个选择的激活函数转换后得到输出结果。;;简单的神经网络学习过程;;训练所需特征和类别;;而和SVM 分类器类别存储在一个大小为N*1的矩阵中不同的是，必须创建一个N*30大小的矩阵来存储类别，这里的N是训练的样本，30是类别（因为我们的车牌中是10个数字和20个字母）。如果某一行假定第i行属于j（j=0-29）类，则我们将位置（i,j)的设置为1. 我们将以上存储了已经处理好和准备好的所有图像的数据，写成xml文件 ;创建并训练分类器;;;将识别出的字符在原图中显示;著经难躲蓬若憎溅鸡呼猴结悟紊汤腕讨筏椽龋彩叛报麓躲苑休维青巨弯俺基于SVM和ANN技术车牌识别1基于SVM和ANN技术车牌识别1