一种基于局部典型相关分析的分类器集成车牌识别方法技术

本发明专利技术公开了一种基于局部典型相关分析的分类器集成车牌识别方法，包括1、处理样本集，将样本集分为原始训练样本To、测试样本Ts、二次测试样本Tp，并依据样本特点提取样本特征；2、利用提取的样本特征，通过改变训练单分类器时的参数与核函数来训练多种相对独立的单分类器；3、利用类KNN的方法，寻找与测试样本相类似的样本集，并利用典型相关分析的方法考虑局部样本特征与整体分类器分类结果之间的关系，从而调整各个分类器权重得到分类器集成模型；4、待测样本的最终检测结果由经过步骤3集成后的分类器共同决定，判断待测样本所属类别。本发明专利技术能够自适性的应对不同的测试样本而改变分类器权重，同时能有效的提高分类器分类准确率。

【技术实现步骤摘要】

本专利技术涉及模式识别、集成学习、计算机视觉领域，尤其是基于多媒体应用技术方向的图像处理技术，具体是一种基于局部典型相关分析的分类器集成车牌识别方法。
技术介绍
车牌识别技术在智能交通领域能够有效加强有关部门对道路交通的监管，大大降低人力物力资源的使用，是现代智慧城市发展的重要组成部分。现阶段主要的车牌识别技术，如：基于支持向量机(SVM)的车牌识别方法，基于稀疏表示(SRC)的车牌识别方法以及基于模糊分类的车牌识别方法等。上述车牌识别方法，并不能充分依据不同样本特征而发挥分类器的最大效用。传统的车牌识别方法往往会因为单分类器的分类结果过于集中化、单一化的特点而发生分类结果具有偶然性。同时单分类器的训练会过度依赖训练样本集本身。当训练样本不足，或者是训练样本过于复杂的情况下，训练得到的分类器模型并不能满足正常道路交通车牌的识别与检测。综上，在上述技术发展的基础上引进了分类器集成的概念，由多个相对独立的分类器共同决定待测样本的类别，从而提高车牌的检测率。现今，分类器集成的方案例如，基于Adaboost(adaptive boosting)的分类集成方法，基于Bagging(Bootstrap aggregating)的分类器集成方法等。AdaBoost方法，是基于弱分思想的分类器优化方法。该方法能够将训练得到的分类器利用其检测错误分类再学习的原理，优化传统分类器分类效果。Bagging是一种基于投票选择思想的算法。其优点在于可以对任何分类器进行泛化融合，对分类器的界定没有特殊的要求，对于类似神经网络的学习算法，Bagging能够并行训练多组分类器，可以极大的缩短算法的时间开销，其分类结果由多数投票决定。可以看出以上分类器集成方法并没有兼顾局部样本特征与整体分类器分类结果之间的联系，平衡局部样本特征在样本分类时的权重。从而会因为整体分类效果过度依赖训练样本集，训练分类效果较差的弱分类器。例如，AdaBoost算法容易发生过度训练的情况，并不能平衡整体训练样本与分类器之间的联系，随着训练迭代次数的增加其准确率反而会下降。而Bagging方法由于其训练的分类器对训练样本的过度依赖，在面对小样本问题时，特别是类别复杂繁多的训练样本的情况下，其分类效果反而差强人意，并不能兼顾局部样本与整体弱分类器在分类时起到的作用。应对上述问题，本专利技术提出一种基于局部典型相关分析的分类器集成车牌识别方法。本专利技术应用典型相关分析的思想寻找特征与分类结果，这两组变量的相关关系，进而确定各个单分类器的置信度，从而给每个单分类器分配权重。并且为了平衡局部样本与整体分类结果之间的关系利用类KNN的方法，寻找出待测样本的K个近邻，从而能够利用这K个近邻分析局部样本特征与分类结果的联系，同时能够自适性的动态调整分类器的权重。实验证明本专利技术能够有效的提高车牌识别的准确率，且应对不同样本集具有较高的鲁棒性。
技术实现思路
本专利技术的目的在于为了发挥每个单分类器在应对不同样本集时的最大效用，提供一种基于局部典型相关分析的分类器集成车牌识别方法。进一步研究局部样本特征与分类器分类结果之间的联系，从而有效提高车牌识别准确率和动态规划性。为了解决上述技术问题，本专利技术采用的具体技术方案如下：一种基于局部典型相关分析的分类器集成车牌识别方法，包括如下步骤：步骤一：处理数据样本集，将数据集分为训练样本To、测试样本Ts、二次测试样本Tp，并且依据样本特点提取样本的HOG特征；步骤二：在步骤一的基础上，利用提取的训练样本To的特征，通过改变训练单分类器时的参数与核函数来训练多种相对独立的单分类器；步骤三：利用类KNN的方法，寻找与测试样本Ts相类似的样本，并利用典型相关分析的方法考虑局部样本特征与整体分类器分类结果之间的关系，从而调整各个分类器权重得到分类器集成模型；步骤四：待测样本的最终检测结果由经过步骤三集成后的分类器共同决定，判断待测样本所属类别。进一步地，所述步骤一的具体实现包括：所述提取样本特征包括三部分：第一部分是训练样本To的HOG特征提取，用于训练多种不同的且相对独立的分类器；第二部分是利用类KNN方法寻找的与测试样本Ts相近的K个二次测试样本Tp的特征提取，用于对各个单分类器检测其样本准确率从而实现对单分类器置信度的动态调整；第三部分是测试样本Ts的特征提取，用于检测样本最终的分类结果。进一步地，所述步骤二的具体实现包括：采用的分类器为支持向量机SVM，为得到多个不同的分类器，在进行分类器训练时，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，以组成多种不同的分类器。进一步地，所述步骤三的具体实现包括如下步骤：A.利用类KNN的方法从原始训练样本Tr中对每个测试样本Ts选择若干个二次测试样本，进而通过训练得到的单分类器对这若干个二次测试样本进行测试得到分类结果概率值DTp(x)；并由得到的概率值DTp(x)计算每个分类器对于样本X的测试准确率ATp，计算公式如下：ATpi＝DTp(XC＝j)(i＝1.2.3…L)其中dLC(x)表示第N个测试样本X(N<＝K)在第L个分类器测得是类别C的概率值，DTp(Xc＝j)表示测得样本X的类别C为样本实际类别j的概率，即每个单分类器对样本X的检测准确率；由得到的ATpi值得到作为K个二次测试样本在L个分类器中的测试结果值Yji： Y j i = y 1 1 ... y j i = AT p 1 ... AT p i ]]>其中表示第j(j<＝K)个样本在各个单分类器分类结果正确的概率值；B.构造K个样本的特征向量XKi，并且利用典型相关分析的方法计算局部样本特征Xn与L个分本文档来自技高网...

【技术保护点】
一种基于局部典型相关分析的分类器集成车牌识别方法，其特征在于，包括如下步骤：步骤一：处理数据样本集，将数据集分为训练样本To、测试样本Ts、二次测试样本Tp，并且依据样本特点提取样本的HOG特征；步骤二：在步骤一的基础上，利用提取的训练样本To的特征，通过改变训练单分类器时的参数与核函数来训练多种相对独立的单分类器；步骤三：利用类KNN的方法，寻找与测试样本Ts相类似的样本，并利用典型相关分析的方法考虑局部样本特征与整体分类器分类结果之间的关系，从而调整各个分类器权重得到分类器集成模型；步骤四：待测样本的最终检测结果由经过步骤三集成后的分类器共同决定，判断待测样本所属类别。

【技术特征摘要】
1.一种基于局部典型相关分析的分类器集成车牌识别方法，其特征在于，包括如下步骤：步骤一：处理数据样本集，将数据集分为训练样本To、测试样本Ts、二次测试样本Tp，并且依据样本特点提取样本的HOG特征；步骤二：在步骤一的基础上，利用提取的训练样本To的特征，通过改变训练单分类器时的参数与核函数来训练多种相对独立的单分类器；步骤三：利用类KNN的方法，寻找与测试样本Ts相类似的样本，并利用典型相关分析的方法考虑局部样本特征与整体分类器分类结果之间的关系，从而调整各个分类器权重得到分类器集成模型；步骤四：待测样本的最终检测结果由经过步骤三集成后的分类器共同决定，判断待测样本所属类别。2.根据权利要求1所述的一种基于局部典型相关分析的分类器集成车牌识别方法，其特征在于，所述步骤一的具体实现包括：所述提取样本特征包括三部分：第一部分是训练样本To的HOG特征提取，用于训练多种不同的且相对独立的分类器；第二部分是利用类KNN方法寻找的与测试样本Ts相近的K个二次测试样本Tp的特征提取，用于对各个单分类器检测其样本准确率从而实现对单分类器置信度的动态调整；第三部分是测试样本Ts的特征提取，用于检测样本最终的分类结果。3.根据权利要求1所述的一种基于局部典型相关分析的分类器集成车牌识别方法，其特征在于，所述步骤二的具体实现包括：采用的分类器为支持向量机SVM，为得到多个不同的分类器，在进行分类器训练时，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，以组成多种不同的分类器。4.根据权利要求1所述的一种基于局部典型相关分析的分类器集成车牌识别方法，其特征在于，所述步骤三的具体实现包括如下步骤：A.利用类KNN的方法从原始训练样本Tr中对每个测试样本Ts选择若干个二次测试样本，进而通过训练得到的单分类器对这若干个二次测试样本进行测试得到分类结果概率值DTp(x)；并由得到的概率值DTp(x)计算每个分类器对于样本X的测试准确率ATp，计算公式如下：ATpi＝DTp(XC＝j)(i＝1.2.3…L)其中dLC(x)表示第N个测试样本X(N<＝K)在第L个分类器测得是类别C的概率值，DTp(Xc＝j)表示测得样本X的类别C为样本实际类别j的概率，即每个单分类器对样本X的检测准确率；由得到的ATpi值得到作为K个二次测试样本在L个分类器中的测试结果值Yji： Y j i = y 1 1 ... y j i = AT p 1 ... AT p i ]]>其中Yji(i＝1…L)表示第j(j<＝K)个样本在各个单分类器分类结果正确的概率值；B.构造K个样本的特征向量XKi，并且利用典型相关分析的方法计算局部样本特征Xn与L个分类器分类准确率Yci之间的整体相关系数矩阵Rxy，计算公式如下：XKi＝(b1 … bq)其中bq表示样本X第q维上的特征，i＝1.2.3…K；M11表示变量XK自身的协方差矩阵COV(X,X)；M12表示COV(X,Y)；M21表示COV(Y,X)；M22表示COV(Y,Y)；Cq+k,q+k表示各个变量之间的相关关系；C.由步骤B得到样本特征与分类器分类准确率的相关关系矩阵Rxy，接着应用本步骤中第3个公式求当变量XK与Yc处于最大相关关系时的典型变量系数aiT，biT，得到Xk与Yc之间最大线性相关组合Uq、Vp(p<＝q，p,q＝1.2.3….)即是所求的典型变量，计算公式如下：Up＝aTXkqVp＝bTYcp maxρ ...

【专利技术属性】
技术研发人员：沈项军，张文超，蒋中秋，苟建平，宋和平，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏;32