基于Adaboost和SIFT—SVM的兩階段車牌檢測

孫艷梅

摘 要：車牌識別技術(shù)是智能交通系統(tǒng)中研究的重要課題之一，車牌檢測是整個車牌識別系統(tǒng)至關重要的一步，決定著最終的識別率。該文主要研究了車牌檢測技術(shù)，應用了一種分兩階段的方法來檢測現(xiàn)實生活中的車牌圖像。車牌檢測（LPD）過程中，可能牌照的字符區(qū)域的初始集合，首先由第一級分類器分離，然后傳遞到第二級分類器來排除非字符區(qū)域。36個Adaboost分類器作為第一階段分類。在第二階段，從訓練子窗口得到的SIFT特征描述符訓練了SVM。結(jié)果得到了可觀的準確率和召回率。

關鍵詞：車牌檢測 SIFTSVM Adaboost算法

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2015）07（a）-0014-02

隨著我國經(jīng)濟的日益發(fā)展和現(xiàn)代化進程的推進，機動車投放量的迅速增長已經(jīng)給車輛管理帶來考驗。通過高新技術(shù)來改進交通管理系統(tǒng)及運輸系統(tǒng)才能從根本上改善道路的管理質(zhì)量和通行狀況。車牌是機動車唯一可靠的標識，車牌識別已經(jīng)在高速公路的收費管理控制、道路車輛檢查監(jiān)控等場合得到廣泛的應用。高效率的車牌識別系統(tǒng)可以有效改善路網(wǎng)的通行狀況和服務質(zhì)量并且降低人力的使用，它已經(jīng)成為現(xiàn)代智能交通系統(tǒng)的重要組成部分。

車牌識別系統(tǒng)一般包括車牌檢測和車牌字符的識別兩大部分，車牌檢測（LPD）是在任何自動車輛核查系統(tǒng)的重要一步。它是用來車牌識別之前搜索圖像的車牌區(qū)域部分。如果沒有檢測到車牌區(qū)域或檢測錯誤，車牌識別就不可能成功。

1 系統(tǒng)架構(gòu)

車牌檢測包括兩個階段，Adaboost組合分類器和SVM過濾器。最初，該研究者將灰度圖像通過Adaboost組合分類進行字符檢測。之后，得到一些檢測窗口，傳遞到第二階段的SVM過濾器除去所有非字符區(qū)域。最后，將得到過濾虛假圖像后的最終結(jié)果。

2 算法

2.1 Adaboost字符檢測

字符檢測器多尺度和多位置橫穿圖像檢測窗口。檢測窗口被縮放為1.2，20×28（寬×高）的最小尺寸。該功能可通過當前尺度因子縮放基本窗口功能很容易確定，這種操作可以在相同成本的任何尺度來完成。最終檢測輸出包含每個車牌周圍的多個車牌字符，因為LPD對檢測到的小規(guī)模變化是不敏感的。對于檢測到的所有的非車牌字符可以歸類為假陽性。在系統(tǒng)中，掃描圖像的每一個過程中，會獲得一些假陽性；為了減少這樣的假陽性，該研究者隨后采用SVM去除假陽性。

2.2 SIFT- SVM去除誤報

SIFT是一個位置直方圖為基礎的特征點，是不隨圖像縮放，旋轉(zhuǎn)，仿射畸變，3D視圖，噪音的變化和光照變化而改變。SIFT已經(jīng)被證明是優(yōu)秀的圖像匹配。最近的研究表明，它也有利于物體識別。候選關鍵點高斯由差分與尺度空間圖像卷積里檢測局部極值確定。這些關鍵點通常包含進行匹配的獨特信息。本文采用SVM作為分類器，由LIBSVM庫提供。SVM是解決二元分類問題的線性感知。一些監(jiān)督學習算法通常適用于找到一個最佳的N維超平面。使用SVM在第二階段的目的是去除由第一階段Adaboost算法分類器被錯誤地認為是字符的區(qū)域。使用SIFT與SVM去除誤報，一組關鍵點從集合中的所有陰性樣品獲得，SVM訓練所有關鍵點128 SIFT描述符。檢測期間，從一個特定的子窗口得到SIFT特征，每個SIFT特征被傳遞到一個SVM訓練器，得到它是一個字符區(qū)域的概率大小。最終計算子窗口概率由對每個關鍵點的概率求和，最終概率除以由子窗口關鍵點數(shù)。如果非字符區(qū)的概率高于它是字符區(qū)的概率，則去除。偏置值用來使其更容易得到正輸出或負輸出。如下，其中Prob（char）指它是字符區(qū)域的概率，Prob（nchar）指它是非字符區(qū)域概率：

（1）

3 結(jié)果和討論

在該文中，該研究者采用徑向基函數(shù)（RBF）作為支持向量機的核函數(shù)。在使用RBF內(nèi)核時，需要確定兩個參數(shù)：C和γ。在第一個實驗中，模型選擇被執(zhí)行以搜索最佳C和γ通過使用交叉驗證操作的網(wǎng)格搜索。最好的結(jié)果是觀察到當C是32和γ為0.5的地方的交叉驗證精度為88%的訓練數(shù)據(jù)集上。

在第二個實驗中，通過對從SIFT正?；卣髦悼s放的SVM的輸入范圍測試。從實驗用不同的量程范圍，比較訓練有素的最好的C和γ參數(shù)SVM的命中率，和訓練有素的默認值的SVM。

在第三個實驗中，不同的比例因子進行測試及對查全率和精確率效應指出。本的比例因子用于在Adaboost算法人物檢測調(diào)整大小檢測窗口。

第四實驗是找到最佳的偏置指的是式（1）中，對偏置-0.5直到0.4測試。其結(jié)果是隨著0的偏差值，我們能夠獲得最佳的查全率和查準率。

從觀察發(fā)現(xiàn)，文字比20x28小未能通過第一階段檢測器檢測，因為訓練樣本具有20x28的最小分辨率。并且，由于36分類器在第一階段檢測器使用時，檢測速度不夠快（約5秒）。另外，由于掃描子窗口的比例是固定的，也有可能在與那太窄或太寬字符處理是問題。最后，由于窗口掃描方法的性質(zhì)，這些太旋轉(zhuǎn)字符不能被檢測到。對于第二個階段的分類，縮放范圍為SIFT描述符被證明是非常重要的。它擴展到0和1之間會造成嚴重的信息損失，降低了檢測的準確性，如表1所示。

最后，表2示出了Adaboost算法和兩級分級之間的比較。結(jié)果表明，該系統(tǒng)能夠通過使用兩級分級以除去更多的假檢測。

4 結(jié)語

該文在做LPD時，使用Adaboost訓練檢測車牌字符，SVM訓練SIFT描述排除從前一階段獲得的虛假檢測的子窗口。實驗表明，Adaboost算法能夠檢測幾乎所有車牌字符，但假陽性比較高，經(jīng)過第二階段，SVM訓練SIFT排除非車牌字符。未來工作中，單一的Adaboost分類器訓練所有36個字母數(shù)字和字母，而不需要單獨的36分類的Adaboost，以減少運行時間。

參考文獻

[1] A.Kuranov，R.Lienhart， et al.，“Empirical analysis of detection cascades of boosted classifiers for rapid object detection”，Lecture Notes in Computer Science，Springer-Verlag，Heidelberg，2003：294-304.

[2] 劉永春.基于SVM的車牌字符識別算法研究[J].四川理工學院學報（自然科學版）， 2012（4）：46-49.

[3] 李國立. 汽車牌照定位與字符分割的研究及實現(xiàn)[D].武漢：中南民族大學，2009.

[4] 趙健.基于AdaBoost及支持向量機的車牌識別系統(tǒng)的研究[D].杭州：浙江師范大學，2014.