基于adaboost的汽车牌照快速定位new

《基于adaboost的汽车牌照快速定位new》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第第第32卷卷卷第第第12期期期计计计算算算机机机工工工程程程2006年年年6月月月Vol.3212ComputerEngineeringJune2006人工智能及识别技术文章编号10003428(2006)12018702文献标识码A中图分类号TP391基于Adaboost的汽车牌照快速定位潘石柱殳伟群王令群同济大学控制理论与控制工程学院上海200092摘摘摘要要要Adaboost算法在人脸定位系统中已经取得了巨大的成功该算法简单可靠学习精度高解决了实时检测的速度和精度的矛盾而汽车牌照定位是汽车牌照识别系统的首要环节定位的准确

2、性和快速性对系统起着关键性的作用该文提出了基于Adaboost的汽车牌照定位算法目的是为了寻求一种新的更加高效的车牌定位方法实验结果证明了该方法的可行性关键词牌照定位Adaboost矩形特征弱分类器强分类器VehicleLicenseRapidLocationBasedonAdaboostPANShizhu,SHUWeiqun,WANGLingqun(SchoolofControlTheoryandControlEngineering,TongjiUniversity,Shanghai200092)AbstractThealgo

3、rithmofAdaboosthasalreadyachievedagreatsuccessinsystemoffacelocation,it’ssimplereliableandaccurate.Thisalgorithmsolvesthecontradictionbetweenspeedandprecisioninreal-timeobjectdetection.Ontheotherhand.Thelocationofthevehiclelicenseplateisprimarystepinthevehiclelicense

4、platerecognitionsystemandtheaccuracyoflocatingplaysanimportantroleinthissystem.SothispaperpresentsanewalgorithmtolocatethelicenseplatebasedonAdaboostinordertosearchanewefficientwayoflicenseplatelocation.Theresultofexperimentsprovesthatthealgorithmisfeasible.KeywordsV

5、ehiclelocationlicense;Adaboost;Characterofrectangle;Weakclassifier;Strongclassifier[1]Adaboost算法是一种分类器算法是由YoavFreund真样本假样本和RobertE.Schapire在1995年提出的由于它具有算法简单学习精度高等优点提出后便在机器学习领域得到极大的关分类器离线注和应用HolgerSchwenk和YoshuaBengio于1997年提出[2]了基于Adaboost神经网络的在线字符识别PaulViola和Michael

6、Jones于2001年提出了基于Adaboost的人脸检测算在线[3]法ChenXiangrong于2004年提出了基于Adaboost的自然待检窗口在线识别模块结果[4]环境中的文字检测与读取这些应用的实际应用表明图图图1系统组成Adaboost算法能够从根本上解决实时运动目标检测的速度问Adaboost算法是利用大量的分类能力一般的简单分类器题同时有较好的识别效果通过一定方法叠加起来构成一个分类能力很强的强分类器[5]目前车牌定位主要的方法有直线边缘检测基于理论证明只要每个简单分类器分类能力比随机猜测好当神经网络的车牌定位方

7、法基于颜色的牌照定位方法和基于简单分类器个数趋向于无穷时强分类器的错误率将趋于0灰度的检测方法等它们都在某一方面取得了很好的效果在车牌定位系统中通过移动窗口法获得大量的包含车但是普遍存在着运算量大占用时间多误差率高和多目标牌真样本和不包含车牌假样本的子窗口然后从子性能差的不足在此背景条件下本文提出了将Adaboost算窗口内提取能够反映该窗口性质的特征而最终目的是通过法应用于车牌定位系统目的为了解决检测速度定位精度这些特征判别该子窗口内是否包含着车牌所以该系统是和处理多目标的问题个典型的二值分类问题1Adaboost算法1.2算

8、法的训练1.1算法的基本原理已知有n个训练样本{,},,{,}xy11>xynn,其中教师汽车牌照定位算法可分为离线训练模块和在线识别模y=}1,0{对应着样本有无牌照同时在训练样本中共有m个i块如图1所示离线训练模块是通过对大量的真样本和假假样本l个真样本待分