基于纹理特征与ν-SVM的车牌汉字识别

车牌汉字识别是车牌字符识别中的难点,文章通过对二维Gabor小波特征以及支持向量机（Support vector machine,SVM）分类器进行详细的分析,采用二维奇对称Gabor小波作字符特征滤波函数,并通过基于ν-SVM的多类分类器对数据进行训练及分类,设计了一种能够应用于实际系统的汉字字符识别方法。     

基于SVM的车牌区域定位系统研究

提出了一种基于SVM算法的汽车车牌定位方法。首先介绍了SVM的数学模型以及汽车车牌图像特征信息的提取方法,然后在VC环境下测得本方法可以使车牌定位的精度和效率都较高,有一定的实用价值。     

基于机器视觉的分级车牌字符识别方法

为提高车牌字符识别率,提出一种考虑整体和局部特征,分别采用两级SVM分类器的识别方法,其工作模式为:第一级分类器针对所有字符,在识别结果属于形似字符的情况下,送入对应的第二级分类器作进一步识别。第一级分类器提取字符图像整体的各网格比例作为SVM的分类特征。将形似字符分为5组,分别对应的5个SVM构成第二级分类器。通过分析各组内字符笔画特征的局部相异性,提取相应网格中字符轮廓的垂直、水平投影方差、比例等特征并进行特征融合作为相应SVM分类特征。实验结果表明,该方法字符平均识别时间为23.45 ms,且在形似字符的识别率和总体识别率方面均优于模板匹配、神经网络和同类的分级识别方法,是一种有效的方法。     

用于车牌字符识别的SVM算法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法，此方法能够在训练样本很少的情况下达到很好的分类推广能力。本文应用SVM算法时车牌中的汉字字符进行识别，无字符特征提取提高了识别速度，并且可得到较高的识别率。实验讨论了SVM算法用于字符识别时，不同的核函数时识别率的影响。实验结果表明，用SVM算法进行车牌字符识别具有较高的识别率。     

基于SVM和BP神经网络的车牌识别系统

针对车牌识别系统的车牌精确定位和车牌字符准确识别问题。提出一种基于SVM(支持向量机)和BP神经网络的车牌定位与识别算法。通过将HSV颜色空间和形态学方法相结合确定候选轮廓,以判断轮廓外接矩形的面积和长宽比筛选符合车牌特征的区域,并利用训练好的SVM模型对候选车牌区域进行测试判断,最终精确定位车牌的位置。此外,还可使用了BP神经网络进行车牌字符识别。经验证,该系统适用于复杂的车牌定位环境,且识别速度快,准确率高。     

基于支持向量机的车牌定位方法

车牌定位是汽车牌照自动识别系统中的关键步骤。对车牌定位文体进行研究,提出一种基于支持向量机的定位方法。首先将图像分割为N×N大小的子块,提取每个子块的灰度特征,训练SVM分类器;然后用训练好的分类器进行牌照子块和非牌照子块的分类,再使用数学形态学滤波和区域合并;最后运用投影方法定位牌照区域。实验结果表明,该方法能正确定位牌照区域。     

差分进化算法和神经网络的车牌自动识别模型

为了提高对车牌的自动识别和检测能力,针对传统的边缘轮廓检测方法在车辆距离过紧和车流量过大而产生相互遮挡时识别性能不好的问题,提出一种基于差分进化算法和神经网络的车牌自动识别方法。提取的车辆视频监测图像进行外接轮廓矩形网格分割,采用差分进化算法进行车牌测试样本图像的子块连续遍历,实现车牌图像的特征分割和信息点增强,采用神经网络算法进行车牌特征信息分类,实现车牌识别。测试结果表明,采用该方法进行车牌识别的准确性较好,识别模型的可靠度较高。     

车牌自动定位与模糊识别算法

提出一种基于阈值分割与区域矩化的车牌定位方法，先得到候选车牌区，然后根据车牌区的特征进行筛选得到车牌区，并给出了快速区域矩化方法。字符识别采用两级模糊识别方法，粗分类得到动态的候选集，然后根据该候选集进行细分类。实验结果表明，该方法能对车牌快速准确定位并识别字符。     

一种基于支持向量机的车牌字符识别方法

针对车牌字符图像受客观条件影响较大、样本数量不是很大、分类识别相对容易等实际情况。提出了一种对经过预处理的车牌字符图像采用SVM算法进行识别的方法。该方法将图像数据转变为文本数据作为输入样本，方法简单快速，克服了提取图像特征过程中过分依赖字符结构和图像质量的不足。并通过使用参数归整、交叉校验、选择适当的核函数等方法寻求最优参数．避免欠学习、过学习问题的产生。通过使用高速公路收费口的实拍汽车图像进行实验，验证了算法的有效性。     

一种SVM集成的图像分类方法研究*

针对单分类器没有充分考虑数据集的特征而不能很好地完成分类识别,提出了一种基于集成学习技术的SVM集成的图像分类方法。该方法是在基于较为流行的词袋(Bag-of-Words,BOW)模型的图像分类方法的基础上,利用训练生成的不同SVM分类器分类测试图像,并将分类结果采用集成学习算法进行集成。分别采用传统的BOW模型的图像分类方法和本文提出的方法进行分类实验,实验结果表明采用SVM集成的图像分类方法明显提高了分类精度,具有一定的稳健性。     

基于SVM的车牌字符分割和识别方法

文章研究了车牌识别系统中的字符分割和识别技术.提出一种投影法粗分割结合先验知识后处理的字符分割方法,该方法简单、容易实现,取得了很好的分割效果.对于字符识别,本文采用SVM(Support Vector Ma-chine)方法,并根据车牌字符特征将子分类器分为四组,提高了识别率、缩短了训练时间,实验表明,用该方法识别车牌字符具有较高的识别率和识别速度,并避免了神经网络局部极值等问题.     

SVM在图像分类中的应用

支持向量机(SVM)是一种新的机器学习技术.本文采用一对一方法构建多分类SVM分类器.利用常用的灰度共生矩阵方法提取图像纹理特征,组成特征向量,输入构建好的SVM多分类器中进行分类.对从Brodatz纹理库中选取的4张纹理图像进行了分类实验,取得较好的分类结果.     

基于L1-BRD的视频图像车牌识别

针对实时视频的车牌识别系统应用,利用车牌的边缘特征和形态学操作对车牌进行粗定位,通过支持向量机(SVM)结合方向梯度直方图特征(HOG)方法对粗定位车牌进行鉴别真伪.在对字符进行分割后,取连续多帧车牌,对字符特征利用L1-BRD(L1-norm Bin Ratio-Based Histogram Distance)自适应计算融合权重,使L1-BRD能够从图像间特征相似度评估扩展到实时视频中.把L1-BRD用于车牌字符识别,可以降低单帧图像中噪声及字符分割误差产生的影响,有助于后期基于多帧加权直方图特征进行字符识别,提高车牌字符识别的准确性和稳定性,并保证了实时性.     

基于SVM的在线商品评论的情感倾向性分析

在线商品评论的情感倾向分析是一个很有研究价值的分类技术。文中采用SVM文本分类算法将在线商品评论进行情感倾向分析,同时,为了克服传统的CHI统计特征选择法的不足,提出了结合方差分析的CHI统计特征选择方法。实验表明:在基于SVM的在线商品评论情感倾向分析中,改进的特征选择方法对在线商品评论的情感分类效果有很好的提升。     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

基于多特征融合的红外图像分类研究

针对传统红外图像目标分类方法准确率低的问题,提出了一种用结合多特征融合的粒子群优化(Particle Swarm Optimization, PSO)算法来优化支持向量机(Support Vector Machine, SVM)的方法。该方法采用方向梯度直方图(Histogram of Oriented Gradient, HOG)和局部二值模式(Local Binary Pattern, LBP)两类特征描述红外图像中目标的轮廓特征和局部纹理,从不同的方面展现红外图像的特点,在图像的特征表达上具有一定的互补性。在特征提取后对样本数据进行凸包算法计算,得到一些具有代表性的样本数据,从而提高分类计算效率;在分类模型训练时,采用PSO算法优化SVM,寻找SVM的最优惩罚因子和核参数,从而提高分类模型的准确率。实验结果表明,多特征融合的分类模型的准确率比单一特征的分类模型提高近10%,且经PSO优化的SVM最终模型的分类准确率高达99%。     

一种基于核SMOTE的非平衡数据集分类方法

 本文提出一种基于核SMOTE(Synthetic Minority Over-sampling Technique)的分类方法来处理支持向量机(SVM)在非平衡数据集上的分类问题.其核心思想是首先在特征空间中采用核SMOTE方法对少数类样本进行上采样,然后通过输入空间和特征空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练.实验表明,核SMOTE方法所合成的样本质量高于SMOTE算法,从而有效提高SVM在非平衡数据集上的分类效果.     

利用SVM的极化SAR图像特征选择与分类

该文提出一种新的利用SVM的特征选择算法,并将其融入到极化SAR图像分类过程中,构成一种新的基于SVM的分类方法。其中,特征选择算法利用支持向量个数作为特征评估指标,并以顺序后退法作为搜索策略。真实数据的实验结果表明,该分类方法能有效降低SVM分类器对自身参数的敏感性,与利用原始特征集和经典的RELIEF-F的分类方法相比,该方法能以更少(或相当)的特征个数,在更广泛的SVM参数取值范围内获得更高的分类精度。     

基于可变特征空间SVM的互联网流量分类

支持向量机（support vector machine,SVM）是一类具有良好泛化能力的机器学习算法,适合应用于互联网动态环境下的流量分类问题。目前将SVM扩展到流量分类这样的多分类问题的方法主要有One-Against-All和One-Against-One方法。这些方法都基于单一的特征空间训练SVM两分类器,没有考虑到不同特征对不同流量类的不同区分能力,因此获得的分离超平面并不是最合理的。为此提出了可变特征空间的SVM集成方法,即为每个两分类 SVM 构建具有最优区分能力的独立特征空间,单独训练两分类 SVM,最后再利用One-Against-All和One-Against-One方法集成为多分类器。实验表明,与原来的单一特征空间的One-Against-All和One-Against-One集成方法相比,提出的方法能有效提高流量分类器分类精度和召回率,更易获得最优分离超平面。     

一种基于SVM的改进车牌识别算法

提出了一种基于支持向量机(SVM)的改进车牌识别方法。对细化处理后的字符采用网格、水平投影与垂直投影密度的特征提取方法,保证了字符整体与局部特征,同时也使特征向量集的维数充分低。结合3种特征提取方法得到的特征向量集,采用 SVM进行车牌号码识别。对于易混淆字符,提出了根据各自的特征进行2次识别的算法,该算法有效解决了易混淆字符误识别的问题。实验结果表明,该算法鲁棒性好、抗干扰能力强、识别率达到了98.58%。