基于Adaboost算法的車牌檢測方法研究及應(yīng)用.pdf

1、視頻車牌檢測技術(shù)是智能交通領(lǐng)域中研究的熱點問題，它作為機(jī)器視覺及模式識別研究領(lǐng)域里長期關(guān)注的一個重要課題，具有極高的學(xué)術(shù)研究價值和重要的實際應(yīng)用價值。同時，Adaboost算法是一種分類器算法，由于它具有算法簡單、學(xué)習(xí)精度高等優(yōu)點，提出后便在機(jī)器學(xué)習(xí)領(lǐng)域得到了極大的關(guān)注和應(yīng)用。
　　 車牌檢測是車牌識別系統(tǒng)中一項關(guān)鍵技術(shù)。但是，目前檢測技術(shù)普遍存在檢測率低、誤警率高及分類器訓(xùn)練耗時等問題。此外，基于級聯(lián)結(jié)構(gòu)Adaboost算法分

2、類器是有效解決目標(biāo)檢測問題的方法之一。然而，傳統(tǒng)Adaboost算法在訓(xùn)練過程中要重復(fù)計算特征值和排序，這將占用相當(dāng)多的訓(xùn)練時間；其次，由于受訓(xùn)練樣本數(shù)量的限制，傳統(tǒng)Adaboost算法在訓(xùn)練過程中很容易出現(xiàn)過訓(xùn)練問題，即訓(xùn)練結(jié)果對訓(xùn)練樣本嚴(yán)重收斂。這樣將導(dǎo)致訓(xùn)練出來的分類器檢測精度不高，特別在使用級聯(lián)分類器進(jìn)行性能檢測的過程中表現(xiàn)得極為明顯，具體表現(xiàn)為分類器對庫外車牌圖像的強(qiáng)烈排斥；最后，傳統(tǒng)Adaboost算法在更新樣本權(quán)重的步驟上

3、也存在著缺陷，導(dǎo)致訓(xùn)練過程中極易出現(xiàn)分類器退化現(xiàn)象。因此，傳統(tǒng)Adaboost算法仍需進(jìn)一步改進(jìn)才能更適應(yīng)于目標(biāo)檢測問題。
　　 針對以上問題，設(shè)計一種改進(jìn)Adaboost算法的優(yōu)化模型，該模型考慮了Adaboost算法的整體性能，綜合解決訓(xùn)練耗時、過訓(xùn)練及分類器退化等問題。首先，將特征值和排序結(jié)果進(jìn)行緩存，這樣以后每一次迭代訓(xùn)練只需從緩存中讀取排序后的特征值序列，以減少不必要的重復(fù)計算，從而大大縮短了分類器訓(xùn)練時間；其次，在訓(xùn)

4、練過程中對訓(xùn)練樣本進(jìn)行及時更新，這樣保證了每一次輸出強(qiáng)分類器時都有新的樣本補(bǔ)充到訓(xùn)練集中，從而使訓(xùn)練出來的分類器具有較高的檢測精度；最后，對樣本權(quán)重的更新規(guī)則進(jìn)行適當(dāng)調(diào)整，使錯誤分類的樣本其權(quán)值不一定被增加，從而限制了困難樣本的權(quán)重過分增大。因此，改進(jìn)后的Adaboost算法整體性能得到了大大提高，并使之更適用于目標(biāo)檢測。
　　 實驗結(jié)果證明了改進(jìn)后Adaboost算法的整體性能優(yōu)于傳統(tǒng)算法，它在提高檢測率的同時降低了誤警率，并