字符集中汉字有50多个，其中31个为各省、直辖市和自治区的简称；英文字母全部为大写字母，不含字母“I”，字母“o”归为数字“0”，故英文字母集由24个大写字母组成；数字为0～9的阿拉伯数字。
支持向量机是针对二类别的分类而提出的，但车牌字符识别是多类别的分类问题，需要将二类别分类方法扩展到多类别分类，本文采用了一一区分法实现。一一区分法(one—against—one method)是分别选取2个不同类别构成一个SVM子分类器，这样对于k类问题，共有k(k一1)／2个SVM子分类器。在构造类别i和类别j的SVM子分类器时，在样本数据集中选取属于类别i和类别j的样本数据作为训练样本数据，并将属于类别i的数据标记为正，将属于类别j的数据标记为负。测试时，将测试数据对k(k一1)／2个SVM子分类器分别进行测试，并累计各类别的得分，选择得分最高者所对应的类别为测试数据的类别。
4 最佳参数模型的选择
本文从某一实际卡口系统采集到的768×576像素的汽车牌照图片进行车牌定位和字符分割后，将分割的每个车牌字符进行二值化操作，字符笔划对应的像素置为l，背景像素置为0，再将每个字符归一化到13x24像素，并根据每个字符在车牌中的位置，编上序号l～7。
本文所选汽车牌照图片共计132张，包括晚上、逆光、字符磨损厉害、牌照倾斜和牌照旁挂其它牌子等情况；有129张图片可以实现车牌正确定位，车牌定位率为97．73％；120张图片可以实现所有字符正确分割，字符分割完全正确率为93．02％。
本文将每个字符作为一个样本，每个样本维数为312(13x24)，根据其序号分成4类样本。每类样本分成两部分，60%的样本训练产生模型，另40％用于测试，核函数采用径向基函数K(xi，x)=exp（-||x-xi||2/σ2），分别训练生成4类分类器，从中选择最优参数模型组成4类最佳分类器，用来进行车牌字符的整体识别。
为了求解最佳的分类器参数(C，σ2)，本文选择双线性法来求解最佳参数，对每类分类器模型采用以下步骤：
第一步：根据识别正确率确定最佳参数C。首先假设C=10，取σ2=10-1，100，101，102，103，得到最高的识别正确率对应的σ2，然后固定σ2，改变C的值，得到这时最高的识别正确率对应的C值，作为最佳参数C。
4类分类器的最高识别正确率对应的(C，σ2)都为(10，100)，确定最佳C=10。
第二步：确定最佳参数(C，σ2)。固定最佳参数C，取σ2=l，10，100，200，300，400，500，600，700，800，900，1000，取最高识别正确率对应的(C，σ2)为分类器模型的最佳参数。
观察发现，4类分类器模型在σ2的值变为100以下时，对应的识别正确率都逐渐减小；σ2的值变为100以上时，对应的识别正确率先增大后减小，出现“峰值”，取“峰值”对应的模型参数为最佳参数。4类最佳分类器如下表1所示。
实验观察分析，分类器识别时具有一定的偏向性，即参与训练的某类样本数目多，预测样本识别为该类的概率就大，如训练样本中“浙”字较多，汉字分类器将预测样本识别为“浙”的可能性较大，而实际上预测样本中“浙”字数目较多，这样无形中就提高了识别正确率。
