4 實(shí)際校正實(shí)驗(yàn)

從車(chē)牌圖像庫(kù)中抽取傾斜車(chē)牌圖像進(jìn)行校正實(shí)驗(yàn)，得到的傾斜車(chē)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(chǎng)車(chē)牌圖像。該圖像中由于車(chē)牌安裝位置不當(dāng)，從而使上邊框被遮擋。由于車(chē)牌邊框圖像不完整，典型的Hough方法無(wú)法對(duì)其進(jìn)行校正。

采用LS-SVM方法進(jìn)行實(shí)驗(yàn)，先對(duì)車(chē)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(duì)稱(chēng)矩陣Ω并求其最大特征值對(duì)應(yīng)的特征向量a。最后由特征向量a確定車(chē)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(chē)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(duì)從車(chē)牌圖像庫(kù)中抽取的200多幅發(fā)生傾斜的二值車(chē)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(chē)牌圖像傾斜校正方法。該方法將二值畸變圖像看作一個(gè)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(guò)LS-SVM算法對(duì)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(wèn)題轉(zhuǎn)換為線性矩陣運(yùn)算，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了最優(yōu)點(diǎn)搜索過(guò)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(duì)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(guò)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。