基于層次型Ａｄａｂｏｏｓｔ的動態(tài)車牌定位方法

[摘要] 提出了一種結合車牌定位和跟蹤的快速動態(tài)車牌定位算法。在層次型AdaBoost檢測算法的基礎上，結合提出的一種基于線性預測的車牌跟蹤算法來縮小搜索空間，使得檢測速度提高到16幀/秒。還設計了一種結合層次型AdaBoost 算法、雙閾值判決構造強分類器的檢測器訓練方法，可以方便地應用于物體定位技術上。

[關鍵詞] 車牌定位 Adaboost算法 閾值 分類器

一、引言

汽車車牌的定位技術是實現(xiàn)車輛身份識別的關鍵步驟，是近年來計算機視覺與模式識別技術在智能交通領域應用的重要研究課題之一。20世紀90年代以來，我國開始對車牌定位進行深入研究，并取得了一定成效。其中基于統(tǒng)計模型的方法取得了很好的效果，本文采用Adaboost 方法訓練得到了一個層次型車牌檢測器，并結合本文提出的一種基于線性預測的車牌跟蹤方法來提高車牌檢測速度。

二、層次型Adaboost的動態(tài)車牌定位

考慮到速度和檢測率的要求，本文在文獻算法的基礎上，設計了一個基于層次型AdaBoost檢測算法的靜態(tài)車牌檢測器。該檢測器采用本文設計的一種結合層次型AdaBoost算法、雙閾值判決構造強分類器的檢測器訓練方法訓練得到。層次型檢測器分為多層，每一層都是AdaBoost算法訓練得到的一個強分類器，經(jīng)過閾值調(diào)整，使得每一層都能讓幾乎全部車牌樣本通過，而拒絕很大一部分非車牌樣本。本文將層次型檢測訓練方法和檢測器訓練加速方法結合，設計了弱分類器采用雙閾值判決的方法。由于每個雙閾值的弱分類器的錯誤率下降，分類能力更強，在Adaboost車牌定位系統(tǒng)中可以用較少的弱分類器組成強分類器，從而簡化系統(tǒng)結構。這樣一方面可以減少訓練時間，另一方面也可以提高強分類器的檢測(分類)速度。

我們將采用上述訓練方法得到的車牌檢測器應用于檢測視頻輸入，檢測速度為16幀/秒，達到了實時檢測系統(tǒng)的要求。但是本實驗室的動態(tài)車牌識別系統(tǒng)，需要單機進行多路動態(tài)車牌檢測。單機運行多路動態(tài)車牌檢測不僅使得檢測算法速度降低，而且會占用大量的CPU 資源，跟蹤過程如下:

1.設定搜索范圍R＝全圖，車牌可能大小范圍SR＝(0，∞)；

2.對R區(qū)域內(nèi)存在的SR范圍大小的車牌進行搜檢測;

3.每隔m幀，重新設定搜索范圍R以及SR;

4.如果檢測到車牌，則保存車牌信息，并根據(jù)前幀信息預測未檢到車牌在下幀中的存在區(qū)域和可能大小，融合所有已檢到的上述信息，得到R和SR；如果未檢測到車牌，則設定R＝全圖，SR＝(0，∞)，以避免連續(xù)丟幀的情況發(fā)生。轉(zhuǎn)(2)。(m=5)

三、實驗結果

我們隨機抽取現(xiàn)場拍攝到的含車輛和不含車輛圖像，得到真樣本3500幅，假樣本1500。當錯誤樣本數(shù)目達到100時，采用雙閾值弱分類器的系統(tǒng)只需要不到50個弱分類器，而使用單閾值分類器需要100個以上的弱分類器。大大簡化了Adaboost車牌定位系統(tǒng)結構，使得搜索窗口范圍縮小了60%，車牌大小范圍縮小了42%，檢測速度可以提高約1. 5倍，總的訓練速度比傳統(tǒng)方法提高約17倍。實驗結果表明該跟蹤算法無論在速度上還是在檢測效果上都具有很好的效果。具有很強的魯棒性。

參考文獻：

[1]Zhenwen SHI，Huanwen TANG，Yiyuan TANG. A new fixed-point algorithm for independent component analysis[J].Neurocomputing，2004 ， 56：467～473

[2]Viola P， Jones M. Rapid Object Detection Using a Boosted Cascade of Simple Features [C]. Kauai Marriott， Hawaii， Proc. of CVPR， 2001:511～5

[3]Thanos Athanasiadis and Phivos Mylonas， “Semantic Image Segmentation and Object Labeling” IEEE Trans. Circuit And Systems For Video Technology， vol. 17， no. 3， Mar 2007