[摘要] 提出了一種結(jié)合車牌定位和跟蹤的快速動(dòng)態(tài)車牌定位算法。在層次型AdaBoost檢測(cè)算法的基礎(chǔ)上，結(jié)合提出的一種基于線性預(yù)測(cè)的車牌跟蹤算法來(lái)縮小搜索空間，使得檢測(cè)速度提高到16幀/秒。還設(shè)計(jì)了一種結(jié)合層次型AdaBoost 算法、雙閾值判決構(gòu)造強(qiáng)分類器的檢測(cè)器訓(xùn)練方法，可以方便地應(yīng)用于物體定位技術(shù)上。

[關(guān)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(shù)是實(shí)現(xiàn)車輛身份識(shí)別的關(guān)鍵步驟，是近年來(lái)計(jì)算機(jī)視覺與模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一。20世紀(jì)90年代以來(lái)，我國(guó)開始對(duì)車牌定位進(jìn)行深入研究，并取得了一定成效。其中基于統(tǒng)計(jì)模型的方法取得了很好的效果，本文采用Adaboost 方法訓(xùn)練得到了一個(gè)層次型車牌檢測(cè)器，并結(jié)合本文提出的一種基于線性預(yù)測(cè)的車牌跟蹤方法來(lái)提高車牌檢測(cè)速度。

二、層次型Adaboost的動(dòng)態(tài)車牌定位

考慮到速度和檢測(cè)率的要求，本文在文獻(xiàn)算法的基礎(chǔ)上，設(shè)計(jì)了一個(gè)基于層次型AdaBoost檢測(cè)算法的靜態(tài)車牌檢測(cè)器。該檢測(cè)器采用本文設(shè)計(jì)的一種結(jié)合層次型AdaBoost算法、雙閾值判決構(gòu)造強(qiáng)分類器的檢測(cè)器訓(xùn)練方法訓(xùn)練得到。層次型檢測(cè)器分為多層，每一層都是AdaBoost算法訓(xùn)練得到的一個(gè)強(qiáng)分類器，經(jīng)過(guò)閾值調(diào)整，使得每一層都能讓幾乎全部車牌樣本通過(guò)，而拒絕很大一部分非車牌樣本。本文將層次型檢測(cè)訓(xùn)練方法和檢測(cè)器訓(xùn)練加速方法結(jié)合，設(shè)計(jì)了弱分類器采用雙閾值判決的方法。由于每個(gè)雙閾值的弱分類器的錯(cuò)誤率下降，分類能力更強(qiáng)，在Adaboost車牌定位系統(tǒng)中可以用較少的弱分類器組成強(qiáng)分類器，從而簡(jiǎn)化系統(tǒng)結(jié)構(gòu)。這樣一方面可以減少訓(xùn)練時(shí)間，另一方面也可以提高強(qiáng)分類器的檢測(cè)(分類)速度。

我們將采用上述訓(xùn)練方法得到的車牌檢測(cè)器應(yīng)用于檢測(cè)視頻輸入，檢測(cè)速度為16幀/秒，達(dá)到了實(shí)時(shí)檢測(cè)系統(tǒng)的要求。但是本實(shí)驗(yàn)室的動(dòng)態(tài)車牌識(shí)別系統(tǒng)，需要單機(jī)進(jìn)行多路動(dòng)態(tài)車牌檢測(cè)。單機(jī)運(yùn)行多路動(dòng)態(tài)車牌檢測(cè)不僅使得檢測(cè)算法速度降低，而且會(huì)占用大量的CPU 資源，跟蹤過(guò)程如下:

1.設(shè)定搜索范圍R＝全圖，車牌可能大小范圍SR＝(0，∞)；

2.對(duì)R區(qū)域內(nèi)存在的SR范圍大小的車牌進(jìn)行搜檢測(cè);

3.每隔m幀，重新設(shè)定搜索范圍R以及SR;

4.如果檢測(cè)到車牌，則保存車牌信息，并根據(jù)前幀信息預(yù)測(cè)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(cè)到車牌，則設(shè)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(shí)驗(yàn)結(jié)果

我們隨機(jī)抽取現(xiàn)場(chǎng)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(dāng)錯(cuò)誤樣本數(shù)目達(dá)到100時(shí)，采用雙閾值弱分類器的系統(tǒng)只需要不到50個(gè)弱分類器，而使用單閾值分類器需要100個(gè)以上的弱分類器。大大簡(jiǎn)化了Adaboost車牌定位系統(tǒng)結(jié)構(gòu)，使得搜索窗口范圍縮小了60%，車牌大小范圍縮小了42%，檢測(cè)速度可以提高約1. 5倍，總的訓(xùn)練速度比傳統(tǒng)方法提高約17倍。實(shí)驗(yàn)結(jié)果表明該跟蹤算法無(wú)論在速度上還是在檢測(cè)效果上都具有很好的效果。具有很強(qiáng)的魯棒性。

參考文獻(xiàn)：

[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