[发明专利]一种基于局部典型相关分析的分类器集成车牌识别方法

摘要

本发明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T_o、测试样本T_s、二次测试样本T_p，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。

主权项

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T_o、测试样本T_s、二次测试样本T_p，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T_o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T_s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；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T_r中对每个测试样本T_s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DT_p(x)；并由得到的概率值DT_p(x)计算每个分类器对于样本X的测试准确率AT_p，计算公式如下：AT_pⁱ＝DT_p(X_C＝j)(i＝1.2.3…L)其中d_LC(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，DT_p(X_c＝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AT_pⁱ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Y_jⁱ：其中Y_jⁱ(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X_Kⁱ，并且利用典型相关分析的方法计算局部样本特征X_n与L个分类器分类准确率Y_cⁱ之间的整体相关系数矩阵R_xy，计算公式如下：X_Kⁱ＝(b₁ … b_q)其中b_q表示样本X第q维上的特征，i＝1.2.3…K；M₁₁表示变量X_K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)；C_q+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R_xy，接着应用本步骤中第3个公式求当变量X_K与Y_c处于最大相关关系时的典型变量系数a_i^T，b_i^T，得到X_k与Y_c之间最大线性相关组合U_q、V_p(p<＝q，p,q＝1.2.3….)即是所求的典型变量，计算公式如下：U_p＝a^TX_k^qV_p＝b^TY_c^pSubject to：a^TM₁₁a＝1b^TM₂₂b＝1D.由步骤C得到针对某一个测试样本的K个近邻的特征与分类器分类结果之间最大相关关系得到的分类器线性组合V_p，同时根据得到的典型变量的系数b_i^T分配单分类器权重，进而可以计算分类器线性组合与样本特征最大相关性的近似值，由此得到不同分类器组合对样本X预测时的置信度￡(X,V_p)，计算公式如下：其中D_ij表示测试样本X的特征与分类器线性组合V_p的相关关系；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。