论文部分内容阅读
[摘要] 提出了一種结合车牌定位和跟踪的快速动态车牌定位算法。在层次型AdaBoost检测算法的基础上，结合提出的一种基于线性预测的车牌跟踪算法来缩小搜索空间，使得检测速度提高到16帧/秒。还设计了一种结合层次型AdaBoost 算法、双阈值判决构造强分类器的检测器训练方法，可以方便地应用于物体定位技术上。
[关键词] 车牌定位 Adaboost算法 阈值 分类器
一、引言
汽车车牌的定位技术是实现车辆身份识别的关键步骤，是近年来计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一。20世纪90年代以来，我国开始对车牌定位进行深入研究，并取得了一定成效。其中基于统计模型的方法取得了很好的效果，本文采用Adaboost 方法训练得到了一个层次型车牌检测器，并结合本文提出的一种基于线性预测的车牌跟踪方法来提高车牌检测速度。
二、层次型Adaboost的动态车牌定位
考虑到速度和检测率的要求，本文在文献算法的基础上，设计了一个基于层次型AdaBoost检测算法的静态车牌检测器。该检测器采用本文设计的一种结合层次型AdaBoost算法、双阈值判决构造强分类器的检测器训练方法训练得到。层次型检测器分为多层，每一层都是AdaBoost算法训练得到的一个强分类器，经过阈值调整，使得每一层都能让几乎全部车牌样本通过，而拒绝很大一部分非车牌样本。本文将层次型检测训练方法和检测器训练加速方法结合，设计了弱分类器采用双阈值判决的方法。由于每个双阈值的弱分类器的错误率下降,分类能力更强,在Adaboost车牌定位系统中可以用较少的弱分类器组成强分类器,从而简化系统结构。这样一方面可以减少训练时间,另一方面也可以提高强分类器的检测(分类)速度。
我们将采用上述训练方法得到的车牌检测器应用于检测视频输入，检测速度为16帧/秒，达到了实时检测系统的要求。但是本实验室的动态车牌识别系统，需要单机进行多路动态车牌检测。单机运行多路动态车牌检测不仅使得检测算法速度降低，而且会占用大量的CPU 资源，跟踪过程如下:
1.设定搜索范围R＝全图，车牌可能大小范围SR＝(0，∞)；
2.对R区域内存在的SR范围大小的车牌进行搜检测;
3.每隔m帧，重新设定搜索范围R以及SR;
4.如果检测到车牌，则保存车牌信息，并根据前帧信息预测未检到车牌在下帧中的存在区域和可能大小，融合所有已检到的上述信息，得到R和SR；如果未检测到车牌，则设定R＝全图，SR＝(0，∞)，以避免连续丢帧的情况发生。转(2)。(m=5)
三、实验结果
我们随机抽取现场拍摄到的含车辆和不含车辆图像，得到真样本3500幅，假样本1500。当错误样本数目达到100时,采用双阈值弱分类器的系统只需要不到50个弱分类器,而使用单阈值分类器需要100个以上的弱分类器。大大简化了Adaboost车牌定位系统结构,使得搜索窗口范围缩小了60%，车牌大小范围缩小了42%，检测速度可以提高约1. 5倍,总的训练速度比传统方法提高约17倍。实验结果表明该跟踪算法无论在速度上还是在检测效果上都具有很好的效果。具有很强的鲁棒性。
参考文献：
[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
[关键词] 车牌定位 Adaboost算法 阈值 分类器
一、引言
汽车车牌的定位技术是实现车辆身份识别的关键步骤，是近年来计算机视觉与模式识别技术在智能交通领域应用的重要研究课题之一。20世纪90年代以来，我国开始对车牌定位进行深入研究，并取得了一定成效。其中基于统计模型的方法取得了很好的效果，本文采用Adaboost 方法训练得到了一个层次型车牌检测器，并结合本文提出的一种基于线性预测的车牌跟踪方法来提高车牌检测速度。
二、层次型Adaboost的动态车牌定位
考虑到速度和检测率的要求，本文在文献算法的基础上，设计了一个基于层次型AdaBoost检测算法的静态车牌检测器。该检测器采用本文设计的一种结合层次型AdaBoost算法、双阈值判决构造强分类器的检测器训练方法训练得到。层次型检测器分为多层，每一层都是AdaBoost算法训练得到的一个强分类器，经过阈值调整，使得每一层都能让几乎全部车牌样本通过，而拒绝很大一部分非车牌样本。本文将层次型检测训练方法和检测器训练加速方法结合，设计了弱分类器采用双阈值判决的方法。由于每个双阈值的弱分类器的错误率下降,分类能力更强,在Adaboost车牌定位系统中可以用较少的弱分类器组成强分类器,从而简化系统结构。这样一方面可以减少训练时间,另一方面也可以提高强分类器的检测(分类)速度。
我们将采用上述训练方法得到的车牌检测器应用于检测视频输入，检测速度为16帧/秒，达到了实时检测系统的要求。但是本实验室的动态车牌识别系统，需要单机进行多路动态车牌检测。单机运行多路动态车牌检测不仅使得检测算法速度降低，而且会占用大量的CPU 资源，跟踪过程如下:
1.设定搜索范围R＝全图，车牌可能大小范围SR＝(0，∞)；
2.对R区域内存在的SR范围大小的车牌进行搜检测;
3.每隔m帧，重新设定搜索范围R以及SR;
4.如果检测到车牌，则保存车牌信息，并根据前帧信息预测未检到车牌在下帧中的存在区域和可能大小，融合所有已检到的上述信息，得到R和SR；如果未检测到车牌，则设定R＝全图，SR＝(0，∞)，以避免连续丢帧的情况发生。转(2)。(m=5)
三、实验结果
我们随机抽取现场拍摄到的含车辆和不含车辆图像，得到真样本3500幅，假样本1500。当错误样本数目达到100时,采用双阈值弱分类器的系统只需要不到50个弱分类器,而使用单阈值分类器需要100个以上的弱分类器。大大简化了Adaboost车牌定位系统结构,使得搜索窗口范围缩小了60%，车牌大小范围缩小了42%，检测速度可以提高约1. 5倍,总的训练速度比传统方法提高约17倍。实验结果表明该跟踪算法无论在速度上还是在检测效果上都具有很好的效果。具有很强的鲁棒性。
参考文献：
[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