3.1 特征提取

        利用SVM自身结构可以实现有效的特征提取，选择直接提取像素灰度特征。图像像素点之间不是孤立的，相互之间存在着相关性，体现了一种纹理。可以通过提取一些特定像素的灰度值作为整幅图像的特征，同时减少了计算量。首先将每幅图像切割成若干个N×N子块，再将每一子块标注为牌照区域(+1)和非牌照区域(-1)两类，然后使用图1所示“米”字型模型提取像素灰度值(图中阴影为要提取的像素点)。这样每幅子图的特征维数由N×N减少到4N-3，提高了训练和分类速度。

      3.2 SVM分类器

       SVM分类器分为三层结构，结构示意见图2。输入层的维数为子图的特征维数4N-3，输入值是灰度值。隐含层的维数是由训练获得的支持向量决定，即由训练阶段自动获得，而且二次规划在凸集下的解是全局最优解，避免陷入局部最小。隐含层计算输入向量与支持向量之间的内积，完成非线性映射，通过核函数一步来实现的。输出层的输出就是对隐层的输出与权值ωi的乘积求和，权值aiyi也是在训练中获得的。

       SVM中研究最多的核函数主要有三类：多项式、径向基函数(RBF)和多层Sigmoid神经网络。实验中使用的是多项式核函数，形式为：

       作为一种基于样本学习的方法，我们希望训练样本集尽可能地大，以获得比较充分的代表性。然而考虑到实际的限制，这个尺寸又必须是适中的。因此，问题就是如何构造一个全面又可行的训练样本集。对于车牌定位问题，所有包含牌照区域的图像可以作为正样本，困难点是收集负样本，因为实际上存在太多的不包含牌照的图像可以作为负样本。如何在这些图像中选取具有代表性的子集，实验中采用了一种叫“自举”(bootstrap)的方法，他已被Sung和Poggio成功地应用于人脸识别。主要思想就是一些负样本(非牌照)是在训练中获得而不是在训练以前，具体实现步骤如下：

       (1)建立包含正样本(牌照区域)和负样本(非牌照区域)的训练集合N1；

       (2)用N1训练SVM；

       (3)用训练好的SVM分类器对随机选取的非牌照样本进行分类测试，收集那些被错分为牌照的样本；

       (4)随机选取20％的错分类样本加入到训练集N1；

       (5)重复(2)～(4)步直至没有再发现错分的样本；

       (6)使用最终获得的N1训练SVM。