基于支撐矢量機(jī)的圖像分類、車牌識(shí)別及嵌入式應(yīng)用研究.pdf

1、支撐矢量機(jī)能夠較好地解決小樣本學(xué)習(xí)問(wèn)題,其目標(biāo)是得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無(wú)窮大時(shí)的最優(yōu)值.對(duì)于樣本集線性不可分的情況,通過(guò)事先確定的非線性映射將輸入矢量映射到一個(gè)高維特征空間,然后在此高維空間中構(gòu)建最優(yōu)超平面.具體反映在支撐矢量機(jī)選用的核函數(shù),它能夠避免在高維特征空間中進(jìn)行復(fù)雜的運(yùn)算.本文給出了線性支撐矢量機(jī)分類的幾何模型,并對(duì)C-SVM和v-SVM兩種支撐矢量機(jī)分類方法進(jìn)行了理論分析,同時(shí)對(duì)常用的幾種支撐矢量機(jī)分類算

2、法進(jìn)行討論,特別對(duì)SMO算法進(jìn)行了深入研究.在分析多類支撐矢量機(jī)分類的基礎(chǔ)上,針對(duì)總類型數(shù)量不多的圖像分類情況,提出了基于多層感知器和單向二叉決策樹(shù)的多類支撐矢量機(jī)分類方法.通過(guò)多層感知器網(wǎng)絡(luò)的學(xué)習(xí),獲得支撐矢量機(jī)決策函數(shù)中合適的Lagrange乘子矢量及閾值b,以及非線性分類時(shí)核函數(shù)中的常系數(shù),C-SVM分類和v-SVM分類時(shí)的約束值.最后用單向二叉決策樹(shù)將圖像逐步分類,并引入?yún)?shù)調(diào)整環(huán)節(jié),以達(dá)到縮短圖像分類識(shí)別的時(shí)間和提高識(shí)別精度的

3、目的.在實(shí)際的應(yīng)用中,針對(duì)車牌識(shí)別過(guò)程中的牌照定位,本文從紋理圖像分類的角度,先在空域中獲得圖像的角二階矩、對(duì)比度、相關(guān)性和熵等四個(gè)特征量,再將原始紋理圖像作DCT變換后對(duì)頻率系數(shù)量化,從量化值中提取圖像的方向性,并用量化值的統(tǒng)計(jì)特性和圖像的方向性結(jié)合起來(lái)構(gòu)造特征矢量,最后采用支撐矢量機(jī)粗分類器和細(xì)分類器對(duì)汽車圖像進(jìn)行兩級(jí)分類,從而實(shí)現(xiàn)牌照的定位.分類時(shí)綜合考慮分類速度、分類精度和感興趣的區(qū)域,可采取靈活的分類方式.該方法對(duì)于汽車牌照這

4、樣的紋理圖像具有很好的分類效果,可操作性較強(qiáng).對(duì)于車牌識(shí)別過(guò)程中的字符識(shí)別,本文將SVM分類的輸入?yún)?shù)主要集中在圖像的邊緣和字符投影特征上,用這些特征構(gòu)造SVM算法的特征矢量.考慮邊緣對(duì)字符投影特征的特殊性和重要性,提出一種基于邊緣生長(zhǎng)算法的邊緣檢測(cè)方法,該方法對(duì)灰度圖像具有較好的邊緣檢測(cè)效果,同時(shí)也提出一種基于RGB降維模型和小波變換的彩色圖像邊緣檢測(cè)算法,保證最大限度地提取圖像的邊緣信息,盡可能降低輸入?yún)?shù)對(duì)整個(gè)系統(tǒng)的不利影響.然后

5、進(jìn)一步提出根據(jù)圖像邊緣和字符投影特征構(gòu)造圖像特征矢量的思想,以及特征矢量的構(gòu)成方式和歸一化方法.最后運(yùn)用單向二叉決策樹(shù)分類識(shí)別方法進(jìn)行了字符分類識(shí)別,取得了比較好的效果.在車牌識(shí)別的嵌入式應(yīng)用方面,本文研究和設(shè)計(jì)了一種集圖像采集、圖像識(shí)別、圖像傳輸、設(shè)備控制等于一體的實(shí)時(shí)分任務(wù)嵌入式系統(tǒng).該系統(tǒng)充分利用TI公司C6000系列DSP強(qiáng)大的并行運(yùn)算能力、Intel公司StrongARM健壯的實(shí)時(shí)控制特性、以及FPGA靈活的時(shí)序邏輯控制技術(shù),