王 毅，王創(chuàng)新，盧 進(jìn)，盛文正

(長沙理工大學(xué)電氣與信息工程學(xué)院，湖南長沙 410004)

車牌識別是智能交通領(lǐng)域的熱點(diǎn)問題，主要包括車牌檢測、字符分割、字符識別3部分，其在監(jiān)測報(bào)警、超速違章處罰、車輛出入管理及自動(dòng)放行、高速公路收費(fèi)管理、計(jì)算車輛旅行時(shí)間和牌照號碼自動(dòng)登記等方面有著重要應(yīng)用。車牌檢測作為車牌識別的一個(gè)重要部分，是車牌識別系統(tǒng)中的關(guān)鍵，車牌檢測算法的質(zhì)量直接影響車牌識別的精度。

近年來出現(xiàn)了多種用于車牌檢測的算法，主要分為兩類:一類是基于車牌特征的檢測算法，包括基于車牌結(jié)構(gòu)特征的檢測算法和基于車牌顏色特征的檢測算法，如潘秋萍［1］等提出的基于Haar與MB－LBP特征的車牌檢測算法;苗立剛［2］等提出的基于最近鄰鏈的車牌檢測算法，該方法能有效消除光照變化的影響，但是整個(gè)檢測過程繁瑣，計(jì)算復(fù)雜度高;吳子章［3］等提出的一種基于顏色融合和匹配濾波器的車牌檢測算法;李紅林［4］提出的基于改進(jìn)的HSV模型及邊緣顏色均值對的車牌檢測算法，該方法對光照條件和車牌質(zhì)量有一定的要求。另一類是基于統(tǒng)計(jì)學(xué)習(xí)的檢測算法，這就包括常用的AdaBoost算法，AdaBoost算法能夠?qū)崟r(shí)地檢測到車牌，檢測精度高，且有較高的魯棒性［5－6］。

本文主要針對傳統(tǒng)AdaBoost算法樣本訓(xùn)練學(xué)習(xí)過程中出現(xiàn)的過配現(xiàn)象以及檢測率偏低這兩種情況，在傳統(tǒng)AdaBoost算法的基礎(chǔ)上對其權(quán)值更新規(guī)則和弱分類器的加權(quán)參數(shù)做了改進(jìn)，有效抑制了過配現(xiàn)象的發(fā)生且得到檢測率更高的強(qiáng)分類器，并通過利用HSV顏色模型構(gòu)建第一層強(qiáng)分類器，通過構(gòu)建級聯(lián)分類器實(shí)現(xiàn)對車牌圖像的實(shí)時(shí)有效檢測。

1 利用HSV顏色模型構(gòu)建第一級強(qiáng)分類器

HSV顏色模型是A.R.Smith根據(jù)顏色的直觀特性在1978年創(chuàng)建的一種顏色空間，也稱六角錐體模型。該模型中顏色的參數(shù)分別是:色調(diào)(H)，飽和度(S)，亮度(V)。其中色調(diào)H表示不同的顏色，用角度度量，取值范圍為0°～360°;飽和度S表示顏色的深淺，取值范圍為0.0～1.0;亮度V表示顏色的明暗程度，取值范圍為0.0(黑色)～1.0(白色)。

由于HSV顏色模型相比于RGB顏色空間與人的視覺特性更為接近，本文采取使用廣泛的HSV顏色模型對車牌進(jìn)行初步檢測。HSV顏色空間符合人對色彩的感知，各顏色分量具備獨(dú)立性，顏色信息丟失少，可以利用H值參數(shù)較好地衡量出車牌顏色特征，進(jìn)而得到用于車牌檢測的級聯(lián)分類器的第一層強(qiáng)分類器，可以有效降低算法時(shí)間，提高算法性能［7］。實(shí)際車牌類型多種多樣，因國內(nèi)以小型民用汽車為主，牌照為藍(lán)底白字，本文中研究的檢測車牌限制為比較常見的藍(lán)底白字的標(biāo)準(zhǔn)矩形車牌。

從RGB到HSV顏色空間的H值轉(zhuǎn)換公式為

選取100張車牌樣本圖像，將其都轉(zhuǎn)換到HSV顏色空間，設(shè)置顏色計(jì)數(shù)器，對每張圖片中的每個(gè)像素獲取H顏色值，根據(jù)H值，用顏色計(jì)數(shù)器進(jìn)行累加。得到如圖1所示的車牌藍(lán)顏色統(tǒng)計(jì)直方圖。

圖1 車牌藍(lán)顏色統(tǒng)計(jì)直方圖

由圖1所示，大部分顏色數(shù)量主要集中在H值為［200°，280°］的區(qū)域，根據(jù)車牌顏色特征即可將車牌藍(lán)色顏色的H值定義在［200°，280°］區(qū)域。通過遍歷每個(gè)子區(qū)域，讀取子區(qū)域的每個(gè)像素，若 H∈［200°，280°］，則該像素即為藍(lán)色顏色。從而計(jì)算出車牌圖像藍(lán)色顏色數(shù)Nblue與顏色像素總數(shù)S。定義

通過實(shí)驗(yàn)測得λ的閾值范圍為［0.21，0.72］。因此通過將任意一幅車牌彩色圖像轉(zhuǎn)換到HSV顏色空間，設(shè)置顏色計(jì)數(shù)器，對每張圖片中的每個(gè)像素獲取H顏色值，根據(jù)H值，用顏色計(jì)數(shù)器進(jìn)行累加，并將圖像統(tǒng)一處理成分辨率為640×480，子區(qū)域大小為48×16。求得每張車牌彩色圖像x的藍(lán)色顏色數(shù)Nblue(x)與顏色像素總數(shù)S(x)，再由式(2)求得λ(x)。

定義以下分類算法:若λ(x)∈［0.21，0.72］，則認(rèn)為圖像x為車牌圖像;若λ(x)?［0.21，0.72］，則認(rèn)為圖像x為非車牌圖像。故本文級聯(lián)分類器中第一層強(qiáng)分類器為 H1(x)= －sign［λ(x)－0.2］［λ(x)－0.72］。

2 傳統(tǒng)AdaBoost算法的優(yōu)化與改進(jìn)

2.1 傳統(tǒng)AdaBoost 算法描述

1990年Schapire證明了可以將一個(gè)弱學(xué)習(xí)算法提升成一個(gè)強(qiáng)學(xué)習(xí)算法的理論:如果兩者等價(jià)，則在學(xué)習(xí)時(shí)，只要能找到一個(gè)比隨機(jī)猜測略好的弱學(xué)習(xí)算法，就可以將其提升為強(qiáng)學(xué)習(xí)算法，而不必直接去找在一般情況下難以得到的強(qiáng)學(xué)習(xí)算法，這就是最初的Boosting算法。1995年Freund和Schapire提出了AdaBoost(A-daptive Boost)算法，他們證明只要加入一個(gè)識別率略好于隨機(jī)猜測的弱學(xué)習(xí)算法，就能使最后得到的分類器識別率有一個(gè)明顯的提升。該算法隨后便大量地應(yīng)用到實(shí)際問題中。

AdaBoost算法中不同的訓(xùn)練集是通過調(diào)整每個(gè)樣本對應(yīng)權(quán)重實(shí)現(xiàn)的。開始時(shí)，每個(gè)樣本對應(yīng)的權(quán)重相同，在訓(xùn)練過程中對于錯(cuò)分的樣本增加其權(quán)重，而對于正確分類的樣本則降低其權(quán)重，這樣可以使得錯(cuò)分的樣本突出出來，并得到一個(gè)新的樣本分布。同時(shí)，根據(jù)錯(cuò)分的情況賦予弱分類器一個(gè)權(quán)重，表示該弱分類器的重要程度，錯(cuò)分得越少權(quán)重越大。經(jīng)過T次循環(huán)得到T個(gè)弱分類器以及T個(gè)對應(yīng)的權(quán)重，最后把這T個(gè)弱分類器按一定權(quán)重累加起來，就得到了最終所期望的強(qiáng)分類器。算法具體描述如下:

(1)給定弱學(xué)習(xí)算法和樣本訓(xùn)練集{(x1，y1)，(x2，y2)，…，(xn，yn)}，其中 xi為輸入訓(xùn)練樣本且 xi∈X，X是訓(xùn)練樣本集;yi是樣本分類類別標(biāo)志，且yi∈Y={－1，1}。

(3)對于 T 輪訓(xùn)練，F(xiàn)or t=1，2，…，T。

1)將樣本訓(xùn)練集在權(quán)值Dt下訓(xùn)練，得到弱分類器ht(xi):X→{－1，+1}。

2.2 改進(jìn)AdaBoost算法

傳統(tǒng)AdaBoost算法中每輪迭代訓(xùn)練的基本思想是根據(jù)分類結(jié)果對樣本權(quán)值分布進(jìn)行調(diào)整，正確分類的樣本權(quán)值減小，錯(cuò)誤分類的樣本的權(quán)值增加，這種權(quán)值更新規(guī)則雖然可以保證學(xué)習(xí)算法專注于處理較難的訓(xùn)練樣本，但當(dāng)訓(xùn)練樣本集中包含一些罕見的困難樣本時(shí)，AdaBoost算法將給這些樣本分配較高的權(quán)值，最終導(dǎo)致權(quán)值分布發(fā)生扭曲的現(xiàn)象，即過配現(xiàn)象［8］。另外，傳統(tǒng)AdaBoost算法雖然檢測速度快，但由于其迭代算法比較簡單，其正確檢測率還有待提高。

針對上述兩種情況對傳統(tǒng)AdaBoost算法的權(quán)值更新規(guī)則和弱分類器的加權(quán)參數(shù)進(jìn)行改進(jìn):(1)在每輪訓(xùn)練中定義一個(gè)閾值θt，并根據(jù)樣本是否被錯(cuò)誤分類以及當(dāng)前權(quán)值是否大于θt來給樣本更新權(quán)值，在一定程度上避免了分類器發(fā)生過配。(2)令keRt，其中k為常數(shù)，即第t輪循環(huán)的弱分類器中所有被正確識別車牌樣本的權(quán)值和，表示弱分類器ht(xi)對車牌樣本的識別能力;keRt是Rt的增函數(shù)，因而求得的新加權(quán)參數(shù)αt在錯(cuò)誤率εt相同的情況下使得那些對正樣本識別能力更強(qiáng)的弱分類器具有更大的權(quán)值，加強(qiáng)了分類器對樣本的識別能力，提高系統(tǒng)正確檢測率。改進(jìn) AdaBoost算法具體描述如下:

(1)和(2)與傳統(tǒng)AdaBoost算法相同。

(3)對于 T 輪訓(xùn)練，F(xiàn)or t=1，2，…，T。

1)將弱學(xué)習(xí)算法在權(quán)值Dt下訓(xùn)練，得到弱分類器ht(xi):X→{－1，+1}。

4)設(shè)定該輪訓(xùn)練的權(quán)值更新閾值 θt=

5)更新樣本權(quán)值Dt+1(xi)=，其中 Zt是使的歸一化因子，θt是第t輪訓(xùn)練中的權(quán)值更新閾值。

通過將傳統(tǒng)AdaBoost算法與改進(jìn)的AdaBoost算法的具體過程對比可得兩種算法的時(shí)間復(fù)雜度均為T×m×O(n+n log2n)，其中T為訓(xùn)練輪數(shù)，m為所有訓(xùn)練樣本特征數(shù)目，O(n)為更新樣本權(quán)值的時(shí)間復(fù)雜度，O(n log2n)為對訓(xùn)練樣本特征進(jìn)行排序從而選取最佳弱分類器的時(shí)間復(fù)雜度。本文因設(shè)定每輪訓(xùn)練的權(quán)值更新閾值并改進(jìn)了每輪弱分類器的加權(quán)參數(shù)，從而使得運(yùn)算復(fù)雜度有所增加，但改進(jìn)的AdaBoost算法能夠有效抑制過配現(xiàn)象和提高算法的檢測率，這是實(shí)時(shí)應(yīng)用車牌檢測系統(tǒng)發(fā)展的方向。

3 構(gòu)建車牌檢測器

本文構(gòu)建車牌檢測器的過程即為訓(xùn)練各層強(qiáng)分類器和構(gòu)造級聯(lián)分類器的過程，其具體思路如下:

(1)利用HSV顏色模型構(gòu)建第一層強(qiáng)分類器。

(2)利用Haar－like特征及改進(jìn)的AdaBoost算法訓(xùn)練后續(xù)各層強(qiáng)分類器，其中T輪訓(xùn)練中的權(quán)值更新閾值均固定為

(3)將(1)和(2)中獲取的各層強(qiáng)分類器組合成級聯(lián)分類器，車牌檢測器構(gòu)建完成，即可用于車牌檢測。其中第(2)步Haar－like特征的選取和計(jì)算對該步中強(qiáng)分類器的訓(xùn)練效率有著重要的影響。

3.1 Haar－like特征選取和計(jì)算

根據(jù)車牌的主要灰度分布特征，在利用改進(jìn)的AdaBoost算法訓(xùn)練強(qiáng)分類器的過程中選擇采用Haarlike特征訓(xùn)練車牌樣本。Haar－like特征是一種基于積分圖像的特征，主要用于灰度圖像中，該特征計(jì)算簡單，提取速度相對較快。本文最終選取了3類14種Haar－like基本特征原型［9］及由它們縮放和組合得到的復(fù)雜Haar－like特征。

圖2 3類基本Haar－like特征

上述Haar－like矩形特征的特征值是白色矩形像素和與黑色矩形像素和之差。由于訓(xùn)練樣本數(shù)量多且矩形特征數(shù)量龐大，如果每次計(jì)算特征值都要統(tǒng)計(jì)矩形內(nèi)所有像素之和，將大幅降低訓(xùn)練和檢測的速度，為此引入了積分圖像，只要遍歷圖像一次，就可以求得所有子窗口的特征值［10］。

圖3為積分圖值描述，圖3(a)中點(diǎn)(x，y)左上角所有像素值i(x'，y')的和為該點(diǎn)的積分圖ii(x，y)，且

圖3 積分圖

由定義可知，矩形區(qū)域D所有像素灰度積分可由矩形端點(diǎn)的積分圖像值得到，即sum(D)=(ii1+ii4)－(ii2+ii3)。故同理可求得所有Haar－like特征的特征值。

在AdaBoost算法的訓(xùn)練過程中，由上述Haarlike基本矩形特征生成了數(shù)以萬計(jì)的Haar－like矩形特征，通過迭代的方法從大量Harr－like特征中找到小部分關(guān)鍵的特征，并用其產(chǎn)生一些有效的分類器，利用大量分類能力一般的弱分類器，按權(quán)重疊加，構(gòu)成一個(gè)強(qiáng)分類器。

3.2 級聯(lián)分類器設(shè)計(jì)

2001年P(guān)aulV和Michael J首次提出了級聯(lián)AdaBoost人臉檢測方法，本文將級聯(lián)AdaBoost方法用于車牌檢測。首先利用HSV顏色模型構(gòu)建第一層強(qiáng)分類器，而在獲取后續(xù)每一層強(qiáng)分類器的過程中均采用一種積分圖的方法快速求出圖像的Haar－like特征，然后利用改進(jìn)的AdaBoost學(xué)習(xí)算法在每輪訓(xùn)練過程中選取出最優(yōu)Haar－like特征，并將由最優(yōu)的Haar－like特征生成的最佳弱分類器疊加成為強(qiáng)分類器，最后將各強(qiáng)分類器組合成級聯(lián)分類器用于車牌檢測。這種設(shè)計(jì)的主要思想是逐級提高檢測精度。

設(shè)級聯(lián)分類器共有N層，Hi(x)表示各層強(qiáng)分類器，級聯(lián)分類器的結(jié)構(gòu)如圖2所示。

圖4 級聯(lián)分類器結(jié)構(gòu)圖

圖4中的第一層分類器H1(x)是利用HSV顏色模型構(gòu)建的強(qiáng)分類器，即H1(x)=－sign［λ(x)－0.2］［λ(x)－0.72］，其余各層分類器是利用改進(jìn)后的AdaBoost算法結(jié)合Haar－like特征訓(xùn)練得到的強(qiáng)分類器。第一層強(qiáng)分類器對子窗口的圖像進(jìn)行分類后，如果分類結(jié)果為“T”(車牌)，那么可能包含車牌的子窗口就傳遞到下一個(gè)強(qiáng)分類器，并觸發(fā)下一個(gè)強(qiáng)分類器進(jìn)行處理，如此循環(huán)直到最后一個(gè)強(qiáng)分類器，這樣可以先排除大量不包含車牌的子窗口，從而提高了檢測速度。

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中的訓(xùn)練樣本取自車牌識別專用圖像庫的100張車牌圖像、網(wǎng)上下載的100張車牌圖像和50張非車牌圖像。在訓(xùn)練開始前將樣本圖像歸一化為48×16大小的標(biāo)準(zhǔn)圖像，再采用改進(jìn)的AdaBoost算法對其進(jìn)行學(xué)習(xí)，最終得到用于車牌圖像檢測的強(qiáng)分類器H(x)。實(shí)驗(yàn)中的測試樣本取自車牌識別專用圖像庫的200張車牌圖像和50張困難樣本圖像。實(shí)驗(yàn)首先采用傳統(tǒng)的AdaBoost算法和改進(jìn)的AdaBoost算法進(jìn)行比較，使用所得強(qiáng)分類器對車牌測試樣本集進(jìn)行檢測，并在MatlabR2009a平臺上進(jìn)行仿真［11］，取訓(xùn)練輪數(shù)為50，仿真實(shí)驗(yàn)結(jié)果如圖5和圖6所示。

圖5 傳統(tǒng)的AdaBoost算法所得誤檢率

圖6 改進(jìn)的AdaBoost算法所得誤檢率

隨后使用所得的級聯(lián)分類器對車牌測試樣本集進(jìn)行檢測，并采用傳統(tǒng)AdaBoost算法訓(xùn)練的級聯(lián)分類器與本文所得級聯(lián)分類器進(jìn)行比較，且訓(xùn)練所得強(qiáng)分類器均為10個(gè)。兩種級聯(lián)分類器的檢測結(jié)果如表1所示。

表1 兩種級聯(lián)分類器的正確檢測率和檢測時(shí)間比較

由圖5和圖6可以看出，改進(jìn)后的AdaBoost算法相比傳統(tǒng)AdaBoost算法在檢測率上有了較大提高，圖5中出現(xiàn)的曲線小幅度波動(dòng)且檢測率停滯不前的現(xiàn)象在圖6中也消失了，這證明采用新的權(quán)值更新規(guī)則及改進(jìn)弱分類器加權(quán)參數(shù)不僅能有效抑制過配現(xiàn)象的產(chǎn)生，同時(shí)也提高了算法檢測率。表1說明，采用本文設(shè)計(jì)的級聯(lián)分類器在檢測精度和速度上都要優(yōu)于采用傳統(tǒng)AdaBoost算法訓(xùn)練所得的級聯(lián)分類器。

5 結(jié)束語

通過對傳統(tǒng)AdaBoost算法的權(quán)值更新規(guī)則及弱分類器加權(quán)參數(shù)作了適當(dāng)改進(jìn)，并結(jié)合HSV顏色模型最終構(gòu)建了一種新型級聯(lián)分類器。實(shí)驗(yàn)證明，改進(jìn)的AdaBoost算法優(yōu)于傳統(tǒng)AdaBoost算法，在一定程度上有效抑制了過配現(xiàn)象，提高了車牌檢測率，且所得的級聯(lián)分類器在檢測精度和速度上要更優(yōu)于傳統(tǒng)AdaBoost算法訓(xùn)練所得的級聯(lián)分類器。

本文構(gòu)造的級聯(lián)分類器僅限于常見的藍(lán)底白字的小型民用汽車車牌，而沒有考慮到其他特殊種類的車牌，如軍用車輛車牌、外籍車輛車牌等，因此該方法只能檢測常見的藍(lán)底白字小型民用汽車車牌。下一步的工作就是通過研究更全面的算法來構(gòu)造功能更完善的級聯(lián)分類器，實(shí)現(xiàn)對各種顏色種類的車牌均能有效檢測，并可以自適應(yīng)判斷車牌顏色。

［1］潘秋萍，楊萬扣，孫長銀.基于Haar與MB－LBP特征的車牌檢測算法［J］.東南大學(xué)學(xué)報(bào)，2012(S1):75－76.

［2］苗立剛.基于最近鄰鏈的車牌檢測算法［J］.自動(dòng)化學(xué)報(bào)，2011，37(10):1272 －1278.

［3］吳子章，翁寧龍，劉冉.基于顏色融合和匹配濾波器的車牌檢測［J］.信息通信，2011(3):146－147.

［4］李紅林.基于改進(jìn)的HSV顏色模型及顏色均值對的車牌檢測與定位［J］.云南民族大學(xué)學(xué)報(bào)，2009，18(3):268－272.

［5］Louka Dlagnekov.License plate detection using adaboost［D］.Moskov:Unversity of Computer Science ＆ Engineering，2008.

［6］Zhang Xiangdong，Shen Peiyi，Xiao Yuli，et al.License plate－location using adaboost algorithm［C］.International Conference on Information and Automation，2010.

［7］徐麗珍.AdaBoost車牌檢測算法的優(yōu)化與實(shí)現(xiàn)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2013，23(6):86 －88.

［8］徐前，趙德安，趙建波.基于改進(jìn)的AdaBoost算法的人臉檢測與定位［J］.傳感器與微系統(tǒng)，2010，29(1):94－97.

［9］江偉堅(jiān)，郭躬德，賴智銘.基于新Haar－like特征的Ada-Boost人臉檢測算法［J］.山東大學(xué)學(xué)報(bào)，2014，44(2):43－47.

［10］Zheng Lihong，He Xiangjian，Bijan Samali，et al.An algorithm for accuracy enhancement of license plate recognition［J］.Journal of Computer and System Sciences，2013，79(3):245－255.

［11］穆爾.Matlab實(shí)用教程［M］.2版.高會(huì)生，劉童娜，李聰聰，譯.北京:電子工業(yè)出版社，2010.