[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

说明书

技术领域

本发明属于计算机视觉领域，以机器学习与模式识别为依托，涉及多媒体技术，图像处理技术，具体为利用多分类器集成的方法开发的车牌识别系统。

背景技术

现代社会是高度的计算机集成化，自动化，网络化的社会。本发明的目的是能够在智能交通领域中创造出更有效的车牌识别系统。车牌识别在现代智能交通中充当着举足轻重的作用，现有的车牌识别系统，都是通过提取车牌样本的特征送入单分类器中进行分类识别，而在多媒体技术领域这样的单分类器识别技术还存在很大的缺陷，识别精确度并不高。现阶段主要的车牌识别技术大多都是基于单分类器决策。如：基于神经网络的分类器(BPNN)车牌定位方法，基于支持向量机(SVM)的分类器车牌识别方法，基于稀疏表示(SRC)的分类器车牌识别方法等。然而单个分类器的分类器效果过于集中化、单一化、片面化，对车牌识别的准确率有相当大的影响。传统的车牌识别系统过度依赖于训练样本本身。针对训练样本的容量有一定的要求，同时面对不同的特征提取方法与不同分类器之间的组合不同，识别的效果也大相径庭。现阶段主要的图像特征提取方法有，LBP、SIFT、HOG、HAAR等。然而上述方法的车牌识别效果都不尽人意。所以说一种强健的车牌识别算法是解决目前智能交通构架下车牌识别问题的迫切需要。而采取多分类器集成的方法，来提高分类器的识别准确率，达到单个分类器无法完成的效果，成为了现阶段集成学习领域在工程应用中的重要突破口。

由于训练样本的不同，或者是训练样本特征的提取方法不同。由此训练得到的单个分类器是不同的。同时正是因为多种多样的测试样本对不同的分类器的测试效果也有很大的区别，所以不同的分类器集成方法对研究的结果也会产生不同的效果。而如何应对单个分类器在分类过程中起到作用的大小，适当分配权重成了研究问题的关键。当然，同种分类器在测试过程当中识别的准确率越高，其置信度也就越高。当前，基于多分类器集成的方法，最常见的有多数投票法、加权平均法、Dempster-Shafer证据组合、贝叶斯方法等。

多数投票法是一种简单的分类器融合方法，给定一个测试样本X,以L(L>1)个分类器中分类的结果做比较。当分类器给其标识类别为D占多数时，那么就认为该测试样本属于类别D。由于每个分类器对不同样本的测试准确率肯定是不同的那么上述方法就不能有效区分不同分类器的分类效果的优势。而Dempster-Shafer和贝叶斯等方法在一定程度上改进了上述方法的缺陷。Dempster-Shafer更是在一定程度上改进了贝叶斯方法弱分的缺陷。他们是利用不同的分类器在不同的证据组合规则对分类器进行集成，以此来提高车牌识别准确率的一种方法。当然即使是这样的分类器集成方法也存在的一些问题，其要求各种证据之间必须是相互独立的。而在现实生活中这样的数据少之又少。

虽然上述现有的方法中已经对分类器集成的问题进行了很大的改善，同时在与单分类器识别效果的比较上有了巨大的进步。但是这样的方法还是不能够发挥出每个分类器的最大效用。不同分类器在样本识别中的贡献度并没有达到最大。所以本发明在规避上述问题的同时，独立研究出一种能够最大限度的发挥分类器效用的算法。通过多个分类器的分类准确率的不同，动态的调整分类器在分类过程中的权重，并将其应用于车牌识别系统中，以此来提高车牌识别的准确率。实践表明，本次发明的系统在车牌识别应用中具有较高的准确率，且具有高度的动态规划性。

发明内容

本发明的目的在于提供一种基于近邻多分类器集成的车牌识别方法及系统，以发挥出每个分类器的最大效用，从而进一步提高车牌识别的准确率和动态规划性。

为了解决以上技术问题，本发明采用的具体技术方案如下：

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。

一种基于近邻多分类器集成的车牌识别系统，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；