汽車牌照的自動識別技術(shù)有重要的應(yīng)用價值，是智能交通系統(tǒng)ITS（Intelligent Traffic System）的關(guān)鍵技術(shù)之一。牌照識別系統(tǒng)中圖像的獲取一般通過固定架設(shè)在通道上方及兩旁的CCD攝像機拍攝得到，理想情況下拍攝的車牌圖像是一個矩形，但在實際使用中，由于車輛的停靠位置具有一定的隨機性，造成了拍攝距離、拍攝角度的不確定。
　　對比大量現(xiàn)場采集的車牌照片，發(fā)現(xiàn)車輛位置的不確定性引發(fā)攝像機與車牌之間的角度變化，造成的車牌圖像畸變則以傾斜為主?，F(xiàn)場實拍的汽車牌照傾斜圖像如圖1所示。
　　
　　這種傾斜現(xiàn)象會給字符分割帶來不利影響，當(dāng)傾斜度較大時，易造成誤分割并使車牌識別率急劇下降。因此，為確保系統(tǒng)的識別率，需要在字符分割之前進行車牌的傾斜校正。對機動車牌圖像畸變進行校正的研究目前已取得了一定的成果，如通過Hough變換將圖像空間轉(zhuǎn)換到Hough空間，并搜尋車牌邊框?qū)?yīng)的極值點，進而確定車牌的傾斜角；提取牌照邊框參數(shù)，并使用雙線性坐標(biāo)變換進行圖像修正［1］［2］；通過模板匹配在圖像空間搜尋牌照區(qū)域的四個頂點，再通過空間變換重建矩形車牌區(qū)域［3］；通過旋轉(zhuǎn)投影求取車牌的角度進行校正［4］。
　　由于圖像中車牌的邊框有時受噪聲、污跡等干擾的影響較大，同時又由于二值化等原因，車牌上字符會有粘連和斷裂現(xiàn)象，使Hough變換后參數(shù)空間中的峰值過于分散，校正效果不理想。通過旋轉(zhuǎn)車牌圖像在坐標(biāo)軸上的投影求取傾斜角度是一種抗干擾能力較強的方法，但在該方法中最佳傾角的求取是一個尋優(yōu)過程，要進行多次投影逐步搜尋最佳傾角，計算復(fù)雜度高。
　　由此看來，無論是Hough變換法、模板匹配法還是旋轉(zhuǎn)投影法，圖像傾角或相關(guān)參數(shù)的求解過程均是建立在空間極值點搜索的機理上，會使計算量大，算法效率低。能否避免空間尋優(yōu)，直接通過數(shù)值計算確定圖像傾角是提高傾斜校正效率的有效方法。本文提出一種基于最小二乘支持向量機 LS-SVM（Least Squares Support Vector Machine）［5］［6］的車牌圖像傾斜校正新方法，該方法在圖像校正領(lǐng)域國內(nèi)外尚無文獻報道。
　　該方法將二值畸變圖像看作一個數(shù)據(jù)集，圖像中的每個“1”值像素作為數(shù)據(jù)集中的一個樣本。將樣本的特征構(gòu)建為3維，前2維作為輸入向量，可取像素的坐標(biāo)值，第3維作為輸出向量，可取一常數(shù)（本文取0）。通過LS-SVM回歸算法，可求取數(shù)據(jù)集的主要回歸參數(shù)ω，理論證明該參數(shù)即為圖像傾斜向量。實驗表明，該方法將圖像傾斜角的搜索過程轉(zhuǎn)換為直接求解線性矩陣方程，簡化了計算，提高了算法效率，避免了傾角搜索過程中的隨機性和不穩(wěn)定性，對車牌圖像的邊框無特殊要求。