[发明专利]一种基于近邻多分类器集成的车牌识别方法及系统

权利要求书

1.一种基于近邻多分类器集成的车牌识别方法，其特征在于包括以下步骤：

STEP1：处理数据集，提取训练样本的特征，用此来训练多种不同的且相互独立的分类器；

STEP2:在STEP1的基础上，通过改变不同的参数、核函数、训练集的大小来训练多种单分类器；

STEP3:挑选待测样本的K个近邻，用此来计算单个分类器不同的置信度，调整单个分类器在样本测试中的权重并且进行多分类器的融合；

STEP4：待测样本的最终决策由经过STEP3融合后的各个分类器共同决定，判断样本所属类别。

2.实施如权利要求1所述的一种基于近邻多分类器集成的车牌识别方法的系统，其特征在于包括：特征提取模块、分类器训练模块、多分类器集成模块和决策模块；

所述特征提取模块划分为三部分:第一部分是训练样本的特征提取,训练样本的特征提取主要是用来训练多种不同的相互独立的分类器；第二部分是由二次测试样本组成的K个测试样本的特征提取，这一部分主要是用来进行测试各个分类器的检测准确率从而实现对权重的动态调整；第三部分是原始待测样本的特征提取，用来检测最终分类结果；

所述分类器训练模块所运用的分类器有支持向量机(SVM)和稀疏分类(SRC)为了得到多个不同的分类器，在处理SVM分类器的过程中，采用调整惩罚相关系数C和gamma相关系数G，并且在不同的参数组合上采取不同的内核，以此来组成的多种不同的分类器；运用到的内核有：RBF、Liner、Polynomial、Sigmoid；在对SRC分类器处理的过程中，采用在相同的训练集中随机挑选出不同的训练子集的方法，在此基础上训练得到的不同的字典进而划分成多种独立的稀疏分类器，实现多分类器动态选择；

所述多分类器集成模块是根据二次测试样本的测试精确率均值以及待测样本的置信矩阵计算单个分类器的近邻性；然后根据不同的近邻性确定单个分类器在分类过程中的贡献度；依据分类器分类准确率的大小确定最终各个分类器的权重；

所述决策模块是根据测试样本送入单个分类器中测得的结果，送入已经赋值好权重的多个分类器中进行决策；对多种标签的测试结果进行比较，挑选最大的值作为识别的最终类别。