[发明专利]基于最小错误率贝叶斯分类器的车牌数字及字母识别方法

权利要求书

1.一种基于最小错误率贝叶斯分类器的车牌数字及字母识别方法，其特征在于：

步骤1建立各类别字符的识别样本库

根据中华人民共和国机动车号牌标准(GA36-2007)，车牌中用到所有的数字字符及除I和O之外的所有字母字符，总共34类字符，针对第j类字符L_j建立样本数量为N_j的字符样本库S_j，得到样本总数量为N的总样本库S，

S＝{S_j}，j＝1，2，...34，

S_j＝{W_jk}，k＝1，2，...N_j，

N=Σj=134Nj,]]>

式中，W_jk是大小被归一化为80×40像素的二值化字符图像，表示第j类字符的样本库S_j中第k个样本，字符样本库S₁～S₁₀按顺序对应于数字0～9，字符样本库S₁₁～S₁₈按顺序对应于字母A～H，字符样本库S₁₉～S₂₃按顺序对应于字母J～N，字符样本库S₂₄～S₃₄按顺序对应于字母P～Z，

步骤2最小错误率贝叶斯分类器的设计

步骤2.1：对第j类字符而言，计算其字符样本库S_j中所有样本W_jk的粗网格特征

FWjk(i1)=Σx1=(m1-1)×10+1m1×10Σy1=(n1-1)×10+1n1×10Wjk(x1,y1),]]>i₁＝1，2，...32，

其中，m1=i1-n14+1,]]>

是粗网格特征的第i₁个分量，m₁和n₁分别是所对应的块的横、纵坐标，W_jk(x₁，y₁)是字符图像W_jk中坐标为(x₁，y₁)的像素的值，若为1则表示该像素属于字符，若为0则表示该像素属于背景，mod(i₁，4)为i₁除以4之后的余数，

步骤2.2：计算字符样本库S_j中所有样本W_jk的粗网格特征均值

Fj‾(i1)=Σk=1NjFWjk(i1)Nj,]]>i₁＝1，2，...32，

式中，是第j类字符L_j的粗网格特征均值的第i₁个分量，是字符样本库S_j中第k个样本W_jk的粗网格特征的第i₁个分量，

步骤2.3：计算字符样本库S_j中所有样本的粗网格特征的协方差矩阵C_j，

Cjab=1Nj-1Σk=1Nj(FWjk(a)-Fj‾(a))(FWjk(b)-Fj‾(b)),]]>a，b＝1，2，...32，

式中，是协方差矩阵C_j中行、列坐标分别为a、b的元素的数值，是字符样本库S_j中第k个样本W_jk的粗网格特征的第a个分量，是字符样本库S_j中第k个样本W_jk的粗网格特征的第b个分量，

步骤2.4：计算在总样本库中第j类字符L_j的先验概率P_j，

Pj=NjN,]]>j＝1，2，...34，

步骤2.5：定义与第j类字符Lj相对应的判别函数H_j(W)，得到最小错误率贝叶斯分类器H(W)，

H(W)＝{H_j(W)}，j＝1，2，...34，

Hj(W)=-12(FW-Fj‾)TCj-1(FW-Fj‾)+lnP(j)-12jln|Cj|,]]>

式中，W是任意的大小被归一化为80×40像素的二值字符图像，F_W是二值字符图像W的粗网格特征，C_j^-1是协方差矩阵C_j的逆矩阵，|C_j|是协方差矩阵C_j的行列式，

步骤3基于最小错误率贝叶斯分类器的第一级分类

步骤3.1：对需要进行识别的大小被归一化为80×40像素的二值字符图像W而言，计算其粗网格特征F_W，

FW(i2)=Σx2=(m2-1)×10+1m2×10Σy2=(n2-1)×10+1n2×10W(x2,y2),]]>i₂＝1，2，...32，

其中，m2=i2-n24+1,]]>

F_w(i₂)是粗网格特征F_w的第i₂个分量，m₂和n₂分别是F_w(i₂)所对应的块的横、纵坐标，W(x₂，y₂)是字符图像W中坐标为(x₂，y₂)的像素的值，若为1则表示该像素属于字符，若为0则表示该像素属于背景，mod(i₂，4)为i₂除以4之后的余数，

步骤3.2：计算最小错误率贝叶斯分类器H(W)中所有判别函数H_j(W)的值，取最大的判别函数值H_M(W)所对应的字符类别作为该二值字符图像W的类别，

H_M(W)＝max(H_j(W))，j＝1，2，...34，

数值M与34种字符类别的对应关系为：M分别为1～10时按顺序对应于数字0～9，M分别为11～18时按顺序对应于字母A～H，M分别为19～23时按顺序对应于字母J～N，M分别为24～34时按顺序对应于字母P～Z，

如果与数值M所对应的字符类别是集合{D，0，Q，8，B，2，Z，5，S，4，A}中的一种，则表明第一级分类得到的字符类别属于相似字符，可能存在一定的错误，转到步骤4进行第二级分类，否则表明第一级分类得到的字符类别不属于相似字符，以之作为该字符的最终分类结果，结束分类，

步骤4相似字符的第二级分类

以第一级分类结果为基础，对易混淆的5组字符提取局部特征进行第二级分类，

(1)“D”、“0”和“Q”

如果第一级分类得到的字符类别为“D”、“0”和“Q”，则计算字符图像W的局部特征T₁和T₂，

T1=Σx=6080Σy=2030W(x,y),]]>

T2=Σx=112Σy=28W(x,y)+Σx=7380Σy=28W(x,y),]]>

利用局部特征T₁和T₂对字符图像W进行第二级分类：

如果T₁≥195，则识别字符图像W为字母“Q”，如果T₁＜195且T₂＜73则识别字符图像W为数字“0”，如果T1＜195且T₂≥73则识别字符图像W为字母“D”，

(2)“8”和“B”

如果第一级分类得到的字符类别为“8”和“B”，则计算字符图像W的局部特征T₃、T₄和T₅，

T3=Σx=7580Σy=28W(x,y),]]>

T4=Σx=15Σy=28W(x,y),]]>

T5=Σx=3842Σy=15W(x,y),]]>

利用局部特征T₃、T₄和T₅对字符图像W进行第二级分类：

如果T₃＜24、T₄＜20且T₅＜20，则识别字符图像W为数字“8”，否则识别字符图像W为字母“B”，

(3)“2”和“Z”

如果第一级分类得到的字符类别为“2”和“Z”，则计算字符图像W的局部特征T₆和T₇，

T6=Σx=18Σy=140W(x,y),]]>

T7=Σx=1525Σy=110W(x,y),]]>

利用局部特征T₆和T₇对字符图像W进行第二级分类：

如果T₆≤260且T₇≥15，则识别字符图像W为数字“2”，否则识别字符图像W为字母“Z”，

(4)“5”和“S”

如果第一级分类得到的字符类别为“5”和“S”，则计算字符图像W的局部特征T₈和T₉，

T8=Σx=110Σy=140W(x,y),]]>

T9=Σx=140Σy=110W(x,y),]]>

利用局部特征T₈和T₉对字符图像W进行第二级分类：

如果T₇≥290且T₉≥270，则识别字符图像W为数字“5”，否则识别字符图像W为字母“S”，

(5)“4”和“A”

如果第一级分类得到的字符类别为“4”和“A”，则计算字符图像W的局部特征T₁₀，

T10=Σx=7080Σy=115W(x,y),]]>

利用局部特征T₁₀对字符图像W进行第二级分类：

如果T₁₀＜180，则识别字符图像W为数字“4”，否则识别字符图像W为字母“A”。