一種基于SVM的數(shù)字儀表顯示值識(shí)別方法

1．3 特征提取
由于數(shù)字具有明顯的局部結(jié)構(gòu)特征，因此本文采用一種非對(duì)稱分塊統(tǒng)計(jì)特征，作為表征數(shù)字的特征向量。方法如下：
(1)應(yīng)用otsu方法將分割出的數(shù)字圖像二值化，然后將圖像歸一化為70×50大??；
(2)將圖片等分為35塊，每塊子圖為10×10大小，按式(1)計(jì)算每一塊中背景點(diǎn)的分布特征；

式中：p(m，n)為10×10子圖中m行n列像素灰度值，前景點(diǎn)為255，背景點(diǎn)為0。
(3)將每一塊子圖的背景點(diǎn)統(tǒng)計(jì)特征作為一維特征向量，構(gòu)造35維向量[a1 a2 … a34 a35]作為支持向量機(jī)的輸入特征向量。
1．4 數(shù)字識(shí)別
基于支持向量機(jī)的數(shù)字識(shí)別支持向量機(jī)(Support Vector Machines，SVM)基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化準(zhǔn)則工作，能在訓(xùn)練誤差和分類器容量間達(dá)到較好平衡，因而具有更好的性能，在模式識(shí)別領(lǐng)域有著廣泛的應(yīng)用。對(duì)于兩類模式識(shí)別問題，假設(shè)給定n個(gè)樣本作為訓(xùn)練集：

這里yi=+1或-1，要找到一個(gè)最優(yōu)超平面，使訓(xùn)練集中的點(diǎn)距離分類面盡可能的遠(yuǎn)，也就是使M=2／‖ω‖最大的分類面就是最優(yōu)分類面。對(duì)于線性可分的情況，要找到最優(yōu)超平面：

即求解下面的二次規(guī)劃問題：

此二次規(guī)劃問題，可用Lagrange乘子法把式(5)化成其對(duì)偶形式：

設(shè)[a1 a2 … a3]為二次優(yōu)化問題的解，可以證明解中只有小部分ai不為0，稱對(duì)應(yīng)的xi為支持向量，ai是對(duì)應(yīng)的Lagrange系數(shù)，b是常數(shù)(閾值)。于是最優(yōu)超平面方程為：

最優(yōu)超平面的分類規(guī)則為：

對(duì)于線性不可分情，在條件式(5)中引入非負(fù)松弛變量ξi，原約束條件改為：

相應(yīng)的目標(biāo)函數(shù)改為：

最優(yōu)分類面的對(duì)偶問題改為：