汽車牌照的自動(dòng)識(shí)別技術(shù)有重要的應(yīng)用價(jià)值，是智能交通系統(tǒng)ITS（Intelligent Traffic System）的關(guān)鍵技術(shù)之一。牌照識(shí)別系統(tǒng)中圖像的獲取一般通過(guò)固定架設(shè)在通道上方及兩旁的CCD攝像機(jī)拍攝得到，理想情況下拍攝的車牌圖像是一個(gè)矩形，但在實(shí)際使用中，由于車輛的?？课恢镁哂幸欢ǖ碾S機(jī)性，造成了拍攝距離、拍攝角度的不確定。
　　對(duì)比大量現(xiàn)場(chǎng)采集的車牌照片，發(fā)現(xiàn)車輛位置的不確定性引發(fā)攝像機(jī)與車牌之間的角度變化，造成的車牌圖像畸變則以傾斜為主?，F(xiàn)場(chǎng)實(shí)拍的汽車牌照傾斜圖像如圖1所示。
　　
　　這種傾斜現(xiàn)象會(huì)給字符分割帶來(lái)不利影響，當(dāng)傾斜度較大時(shí)，易造成誤分割并使車牌識(shí)別率急劇下降。因此，為確保系統(tǒng)的識(shí)別率，需要在字符分割之前進(jìn)行車牌的傾斜校正。對(duì)機(jī)動(dòng)車牌圖像畸變進(jìn)行校正的研究目前已取得了一定的成果，如通過(guò)Hough變換將圖像空間轉(zhuǎn)換到Hough空間，并搜尋車牌邊框?qū)?yīng)的極值點(diǎn)，進(jìn)而確定車牌的傾斜角；提取牌照邊框參數(shù)，并使用雙線性坐標(biāo)變換進(jìn)行圖像修正［1］［2］；通過(guò)模板匹配在圖像空間搜尋牌照區(qū)域的四個(gè)頂點(diǎn)，再通過(guò)空間變換重建矩形車牌區(qū)域［3］；通過(guò)旋轉(zhuǎn)投影求取車牌的角度進(jìn)行校正［4］。
　　由于圖像中車牌的邊框有時(shí)受噪聲、污跡等干擾的影響較大，同時(shí)又由于二值化等原因，車牌上字符會(huì)有粘連和斷裂現(xiàn)象，使Hough變換后參數(shù)空間中的峰值過(guò)于分散，校正效果不理想。通過(guò)旋轉(zhuǎn)車牌圖像在坐標(biāo)軸上的投影求取傾斜角度是一種抗干擾能力較強(qiáng)的方法，但在該方法中最佳傾角的求取是一個(gè)尋優(yōu)過(guò)程，要進(jìn)行多次投影逐步搜尋最佳傾角，計(jì)算復(fù)雜度高。
　　由此看來(lái)，無(wú)論是Hough變換法、模板匹配法還是旋轉(zhuǎn)投影法，圖像傾角或相關(guān)參數(shù)的求解過(guò)程均是建立在空間極值點(diǎn)搜索的機(jī)理上，會(huì)使計(jì)算量大，算法效率低。能否避免空間尋優(yōu)，直接通過(guò)數(shù)值計(jì)算確定圖像傾角是提高傾斜校正效率的有效方法。本文提出一種基于最小二乘支持向量機(jī) LS-SVM（Least Squares Support Vector Machine）［5］［6］的車牌圖像傾斜校正新方法，該方法在圖像校正領(lǐng)域國(guó)內(nèi)外尚無(wú)文獻(xiàn)報(bào)道。
　　該方法將二值畸變圖像看作一個(gè)數(shù)據(jù)集，圖像中的每個(gè)“1”值像素作為數(shù)據(jù)集中的一個(gè)樣本。將樣本的特征構(gòu)建為3維，前2維作為輸入向量，可取像素的坐標(biāo)值，第3維作為輸出向量，可取一常數(shù)（本文取0）。通過(guò)LS-SVM回歸算法，可求取數(shù)據(jù)集的主要回歸參數(shù)ω，理論證明該參數(shù)即為圖像傾斜向量。實(shí)驗(yàn)表明，該方法將圖像傾斜角的搜索過(guò)程轉(zhuǎn)換為直接求解線性矩陣方程，簡(jiǎn)化了計(jì)算，提高了算法效率，避免了傾角搜索過(guò)程中的隨機(jī)性和不穩(wěn)定性，對(duì)車牌圖像的邊框無(wú)特殊要求。