【正文】 情況，但是仍然優(yōu)于隨機分類方法。每次循環(huán)中，由于整個數(shù)據(jù)庫被采取了70%訓(xùn)練集，30%測試集的交叉評判標準，所以每次循環(huán)的數(shù)據(jù)是隨機取得的，幾乎是同樣數(shù)目的正例和反例被選入測試集。一個普通的1D中心的離散派生掩模[1，10]用于梯度計算。為了簡化問題，我們只描述L1準則SVM條件下的二次問題（6）的結(jié)果，由雙變量的凹點給出： (8)為了尋找最優(yōu)凹點，或者是超平面，雙變量必須要在下列條件下取得最大值： (9a)并且， (9b)注意上述由 KarushKuhnTucker（如，KKT）得到的約束條件和（6）式對于分隔的數(shù)據(jù)是一致的，只有一個不同點就是它們的多維變量不同。在本文中，我們將只關(guān)注于數(shù)據(jù)分類，更確切地說是基于特定特征的圖像分類。OpenCV擁有包括 500 多個C/C++函數(shù)的跨平臺的中、高層API，具有強大的圖像和矩陣運算能力。由于VC 是在 Windows 95 之前發(fā)布的，其發(fā)布時間與 Windows 95 非常接近，當Windows 95 發(fā)布時，VC 也已經(jīng)發(fā)布了，很多程序員直接從 過渡到 ，把 跳過去了，所以 VC 應(yīng)用并不廣泛。其次，采集得到的圖片受天氣、光照等的影響，故在圖像處理過程中需要利用有效的算法排除光照、天氣對圖像的影響，這無疑對我們車牌識別系統(tǒng)的算法提出了更高的要求。車輛自動識別系統(tǒng)是以解決交通擁擠問題和高速公路多發(fā)事故問題而產(chǎn)生的，是近20 年來新興起的一個跨學(xué)科的、系統(tǒng)化的綜合研究體系，其目的是在不擴張路網(wǎng)規(guī)模的前提下，通過綜合運用現(xiàn)代科學(xué)技術(shù)，來提高交通路網(wǎng)的通行能力和交通運輸能力。智能交通系統(tǒng)的研究領(lǐng)域廣闊，其中電子收費系統(tǒng)是 ITS 在公路收費領(lǐng)域的具體表現(xiàn)，其應(yīng)用可解決收費站的“瓶頸”制約作用，較好地緩解收費站的交通擁擠、排隊等候以及環(huán)境污染等問題。在當今城市化高速發(fā)展的時代，隨著社會經(jīng)濟的高速發(fā)展，機動車數(shù)量增長很快，全社會機動車保有量增長速度不低于經(jīng)濟增長速度。車輛牌照識別系統(tǒng)綜合運用了圖像處理、模式識別以及人工智能等方面的理論技術(shù)。在這個階段，車牌自動識別技術(shù)的研究還沒有形成完整的系統(tǒng)體系，一般采用簡單的圖像處理方法來解決某些具體問題，并且最終結(jié)果通常需要人工干預(yù)。第五，在國內(nèi)的車牌識別系統(tǒng)需要解決的一個難題就是在字符識別過程中的對漢字的識別問題。VC 2005（VC ）集成了MFC ，于 2005 年發(fā)布， ，該版本引進了對C++/CLI 語言和 Open MP 的支持。OpenCV 中曾經(jīng)還有一個 CvCam 模塊，但從 版本開始 OpenCV 便不再包含它，其功能被 HighGUI 所取代。Ⅱ、二元SVM讓我們來考慮一個二元線性分類問題并且它的輸入或者說訓(xùn)練數(shù)據(jù)如下所示： (1)SVM的任務(wù)便是找到最優(yōu)的分隔超平面（如圖1和2），在所有分隔數(shù)據(jù)的超平面中，最優(yōu)的意思是最佳的標準分隔超平面（如，OCSH，[7]有詳細介紹）。表1 常見內(nèi)核函數(shù)內(nèi)核函數(shù)分類器類型線性，點積，CPD多項式，PD高斯RBF，PD多層感知器，CPDC、 序列最小優(yōu)化算法序列最小優(yōu)化算法首先被應(yīng)用于克服QP算法在計算和實施上的復(fù)雜度?；?0176。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)庫內(nèi)的圖像都非常類似，并且易于分類。并且隨著一定量的循環(huán)實驗后，我們能夠獲得足夠多的點來繪制出ROC弧線，但是獲得的點集并不能永遠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比性，我們這里采取多項式弧線。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[17]中截取的圖片也未經(jīng)伽瑪修正。上述表達式描述了一個凸函數(shù)問題，意味著它將不只是具有一個最小值，而且它通常在 k=1 或者 k=2 時才能被解決，相應(yīng)的被稱為L1和L2 SVMs。SVM，基于純粹的函數(shù)估計問題的理論分析而逐漸演變成一種新型的用于估計/分類多維函數(shù)/數(shù)據(jù)的學(xué)習(xí)算法。OpenCV 提供C++、C和Python接口，可以運行在Linux、Windows、Mac OS和Android 操作系統(tǒng)上。VC 集成了MFC ，這個版本是專門為Windows 95 以及 Windows NT 設(shè)計的。首先，在具體應(yīng)用中采集到的圖片背景比較復(fù)雜，這對于圖像的處理明顯增加了難度。汽車牌照的識別問題己成為現(xiàn)代交通工程領(lǐng)域中研究的重點和熱點之一。在這種大背景下如何建立一個集中、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)的一項重要課題。改革開放以來，中國道路交通設(shè)施及管理設(shè)施雖然有較大改觀，但跟不上機動車增長速度。系統(tǒng)主要包括：提取含有車牌的圖像，對復(fù)雜背景中的車牌進行定位以及車牌上的字符切分和識別。進入 20 世紀 90 年代后，車牌自動識別的系統(tǒng)化研究開始起步。由于中國漢字復(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。VC 2008（VC ）集成了MFC ，于 2007 年發(fā)布， 。由于OpenCV提供的視覺處理算法非常豐富，并且它部分以C語言編寫，加上其開源的特性，處理得當，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，所以用它來進行圖像處理非常方便。利用上述所示的訓(xùn)練數(shù)據(jù)，學(xué)習(xí)機將會得到如下所示的超平面公式或者決策函數(shù)： (2)這里，w是標準權(quán)值點，b是偏移量。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)。360176。在未來我們的工作里，為了在現(xiàn)實中能夠識別多種模型/品牌的汽車，我們將用更多區(qū)分度和準確性更高的特征來檢測更復(fù)雜的數(shù)據(jù)集。我們使用交叉評判獲得了訓(xùn)練集和測試集，在訓(xùn)練和測試過程完畢后，我們可以獲得兩個非常重要的值，即假正率和真正率。因此標準化的直方圖都會覆蓋大塊區(qū)域，最終化為方向梯度直方圖。相應(yīng)的，這個學(xué)習(xí)問題會被表達為下式的最小值： (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。Vapnik和Chervonenkis[4]于上一世紀60年代末首次提出SVM，但大部分無人問津，后直至90年代初才被人所重視[5]。現(xiàn)在由Willow Garage實驗室提供支持。VC 集成了MFC 。車牌識別系統(tǒng)在國內(nèi)外研究都有一段時間了，國外的車牌識別系統(tǒng)有一定的應(yīng)用，但是國內(nèi)的車牌識別系統(tǒng)總體上來說還處于實驗室階段，識別率不高，原因具體體現(xiàn)在以下幾點[4]。汽車牌照的自動識別是車輛檢測系統(tǒng)中的一個重要環(huán)節(jié)，可以切實有效地提高交通系統(tǒng)的車輛監(jiān)控和管理的自動化程度，它在交通監(jiān)視和控制中占有很重要的地位，是實現(xiàn)交通管理現(xiàn)代化和智能化的重要前提。信息化是實現(xiàn)交通現(xiàn)代化的必然選擇?？傮w水平與發(fā)達國家有較大差距，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