【正文】 在未來(lái)我們的工作里，為了在現(xiàn)實(shí)中能夠識(shí)別多種模型/品牌的汽車，我們將用更多區(qū)分度和準(zhǔn)確性更高的特征來(lái)檢測(cè)更復(fù)雜的數(shù)據(jù)集。我們使用交叉評(píng)判獲得了訓(xùn)練集和測(cè)試集，在訓(xùn)練和測(cè)試過程完畢后，我們可以獲得兩個(gè)非常重要的值，即假正率和真正率。360176。因此標(biāo)準(zhǔn)化的直方圖都會(huì)覆蓋大塊區(qū)域，最終化為方向梯度直方圖。盡管如此，首先減少SVM的QP問題的是 Vapnik 的“大塊”算法，形式如（11），它將QP的大型矩陣的數(shù)據(jù)規(guī)模從所有數(shù)據(jù)減輕的所有非0數(shù)據(jù)。相應(yīng)的，這個(gè)學(xué)習(xí)問題會(huì)被表達(dá)為下式的最小值： (6)受制于如下約束條件： (7)C為懲罰參數(shù)，為非消極松弛變量。利用上述所示的訓(xùn)練數(shù)據(jù)，學(xué)習(xí)機(jī)將會(huì)得到如下所示的超平面公式或者決策函數(shù)： (2)這里，w是標(biāo)準(zhǔn)權(quán)值點(diǎn)，b是偏移量。Vapnik和Chervonenkis[4]于上一世紀(jì)60年代末首次提出SVM，但大部分無(wú)人問津，后直至90年代初才被人所重視[5]。由于OpenCV提供的視覺處理算法非常豐富，并且它部分以C語(yǔ)言編寫，加上其開源的特性，處理得當(dāng)，不需要添加新的外部支持也可以完整的編譯鏈接生成執(zhí)行程序，所以用它來(lái)進(jìn)行圖像處理非常方便。現(xiàn)在由Willow Garage實(shí)驗(yàn)室提供支持。VC 2008（VC ）集成了MFC ，于 2007 年發(fā)布， 。VC 集成了MFC 。由于中國(guó)漢字復(fù)雜、筆畫多、分布較密，再加上如果圖像的分辨率如果不是很高的話，那么圖像中漢字將粘連在一起從而很難辨別。車牌識(shí)別系統(tǒng)在國(guó)內(nèi)外研究都有一段時(shí)間了，國(guó)外的車牌識(shí)別系統(tǒng)有一定的應(yīng)用，但是國(guó)內(nèi)的車牌識(shí)別系統(tǒng)總體上來(lái)說還處于實(shí)驗(yàn)室階段，識(shí)別率不高，原因具體體現(xiàn)在以下幾點(diǎn)[4]。進(jìn)入 20 世紀(jì) 90 年代后，車牌自動(dòng)識(shí)別的系統(tǒng)化研究開始起步。汽車牌照的自動(dòng)識(shí)別是車輛檢測(cè)系統(tǒng)中的一個(gè)重要環(huán)節(jié)，可以切實(shí)有效地提高交通系統(tǒng)的車輛監(jiān)控和管理的自動(dòng)化程度，它在交通監(jiān)視和控制中占有很重要的地位，是實(shí)現(xiàn)交通管理現(xiàn)代化和智能化的重要前提。系統(tǒng)主要包括：提取含有車牌的圖像，對(duì)復(fù)雜背景中的車牌進(jìn)行定位以及車牌上的字符切分和識(shí)別。信息化是實(shí)現(xiàn)交通現(xiàn)代化的必然選擇。改革開放以來(lái)，中國(guó)道路交通設(shè)施及管理設(shè)施雖然有較大改觀，但跟不上機(jī)動(dòng)車增長(zhǎng)速度?？傮w水平與發(fā)達(dá)國(guó)家有較大差距，特別是大多數(shù)城市路網(wǎng)結(jié)構(gòu)不合理，道路功能不完善，道路系統(tǒng)不健全，交通管理設(shè)施缺乏，管理水平不高。在這種大背景下如何建立一個(gè)集中、高效、快捷、網(wǎng)絡(luò)化的智能交通管理系統(tǒng)就成為信息處理技術(shù)的一項(xiàng)重要課題。車牌定位、字符切分、并運(yùn)用獨(dú)創(chuàng)的基于二值特征的識(shí)別算法和基于灰度特征的識(shí)別算法相結(jié)合，是 ITS 的一個(gè)重要組成部分，它的成功開發(fā)必將大大加速 ITS 的進(jìn)程。汽車牌照的識(shí)別問題己成為現(xiàn)代交通工程領(lǐng)域中研究的重點(diǎn)和熱點(diǎn)之一。(Image Segment)、特征提取(Feature Extraction)和模板構(gòu)造(Template Formation)、字符識(shí)別(Character Recognition)等三個(gè)部分，完成車牌的自動(dòng)識(shí)別。首先，在具體應(yīng)用中采集到的圖片背景比較復(fù)雜，這對(duì)于圖像的處理明顯增加了難度。在同一幅圖像中，上面提到的困難可能幾項(xiàng)都存在而不僅僅是單一困難的存在，當(dāng)其中幾項(xiàng)困難一起存在時(shí)，其帶來(lái)的難度并不是簡(jiǎn)單相加的過程，所以難度更大。VC 集成了MFC ，這個(gè)版本是專門為Windows 95 以及 Windows NT 設(shè)計(jì)的。VC 2010（VC ）于 2010 年發(fā)布，集成了MFC ，支持 C++0x 新標(biāo)準(zhǔn)。OpenCV 提供C++、C和Python接口，可以運(yùn)行在Linux、Windows、Mac OS和Android 操作系統(tǒng)上。本系統(tǒng)就是在VC++平臺(tái)上使用MFC構(gòu)建了一個(gè)軟件，結(jié)合OpenCV視覺庫(kù)針對(duì)車牌識(shí)別系統(tǒng)中各流程進(jìn)行編程設(shè)計(jì)。SVM，基于純粹的函數(shù)估計(jì)問題的理論分析而逐漸演變成一種新型的用于估計(jì)/分類多維函數(shù)/數(shù)據(jù)的學(xué)習(xí)算法。因此對(duì)于任何一個(gè)需要分類的新數(shù)據(jù)，它必須遵守決策規(guī)則；當(dāng)，當(dāng)。上述表達(dá)式描述了一個(gè)凸函數(shù)問題，意味著它將不只是具有一個(gè)最小值，而且它通常在 k=1 或者 k=2 時(shí)才能被解決，相應(yīng)的被稱為L(zhǎng)1和L2 SVMs。一個(gè)更為簡(jiǎn)單的方法是，將該問題分成一系列細(xì)小的QP問題，而不是直接大規(guī)模的計(jì)算得到。B、措施我們采取的措施是未經(jīng)任何修改的Dalas算法，并且從MIT CBCL數(shù)據(jù)庫(kù)[17]中截取的圖片也未經(jīng)伽瑪修正。內(nèi)均勻分布。并且隨著一定量的循環(huán)實(shí)驗(yàn)后，我們能夠獲得足夠多的點(diǎn)來(lái)繪制出ROC弧線，但是獲得的點(diǎn)集并不能永遠(yuǎn)繪制出合適并且足夠傾斜的弧線，所以為了更好的可視性和對(duì)比性，我們這里采取多項(xiàng)式弧線。參考文獻(xiàn)[1] M. 1. Minsky and S. A Papert, Perceptrons. Cambridge, Ma: MIT Press, 1969, .[2] V. N. Vapnik, The Nature of Statistical Learning Theory, New York: SpringerVerlag, 1995, p 188.[3] V. N. Vapnik and A Ja. Chervonenkis, The necessary conditions for consistency of the method of empirical risk minimization. Yearbook of the Academy of Sciences of the USSR on Recognition, Classification, and Forecasting, vol. 2, pp. 217249, Nauka Moscow, 1989 (in Russian). English translation: Pattern Recogn. And Image Analysis, vol. I, no. 3, pp. 284305, 1991.[4] V. N. Vapnik and A. Ja. Chervonenkis, On the uniform convergence of relative frequencies of events to their probabilities. Rep. Academy Sci. USSR,pI81,n04,1968.[5] B. Boser, I. Guyon, and V. N. Vapnik, A training algorithm for optimal margin classifiers. in Proc. 539。上述結(jié)果大多是從不具備足夠挑戰(zhàn)的數(shù)據(jù)中得到，MIT汽車數(shù)據(jù)庫(kù)內(nèi)的圖像都非常類似，并且易于分類。我們從MIT的汽車數(shù)據(jù)庫(kù)中提取了512個(gè)圖像作為正例，從INRIA汽車數(shù)據(jù)庫(kù)[6]中提取了912個(gè)圖像作為反例（所有圖像的分辨率為128x128）?；?0176。為了使得直方圖對(duì)光照有較好的健壯性，利用大塊區(qū)域的“能量”局部直方圖都被標(biāo)準(zhǔn)化到一個(gè)大的區(qū)域。表1 常見內(nèi)核函數(shù)內(nèi)核函數(shù)分類器類型線性，點(diǎn)積，CPD多項(xiàng)式，PD高斯RBF，PD多層感知器，