基于Adaboost和SIFT—SVM的兩階段車牌檢測

孫艷梅

摘 要：車牌識別技術是智能交通系統中研究的重要課題之一，車牌檢測是整個車牌識別系統至關重要的一步，決定著最終的識別率。該文主要研究了車牌檢測技術，應用了一種分兩階段的方法來檢測現實生活中的車牌圖像。車牌檢測（LPD）過程中，可能牌照的字符區域的初始集合，首先由第一級分類器分離，然后傳遞到第二級分類器來排除非字符區域。36個Adaboost分類器作為第一階段分類。在第二階段，從訓練子窗口得到的SIFT特征描述符訓練了SVM。結果得到了可觀的準確率和召回率。

關鍵詞：車牌檢測 SIFTSVM Adaboost算法

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2015）07（a）-0014-02

隨著我國經濟的日益發展和現代化進程的推進，機動車投放量的迅速增長已經給車輛管理帶來考驗。通過高新技術來改進交通管理系統及運輸系統才能從根本上改善道路的管理質量和通行狀況。車牌是機動車唯一可靠的標識，車牌識別已經在高速公路的收費管理控制、道路車輛檢查監控等場合得到廣泛的應用。高效率的車牌識別系統可以有效改善路網的通行狀況和服務質量并且降低人力的使用，它已經成為現代智能交通系統的重要組成部分。

車牌識別系統一般包括車牌檢測和車牌字符的識別兩大部分，車牌檢測（LPD）是在任何自動車輛核查系統的重要一步。它是用來車牌識別之前搜索圖像的車牌區域部分。如果沒有檢測到車牌區域或檢測錯誤，車牌識別就不可能成功。

1 系統架構

車牌檢測包括兩個階段，Adaboost組合分類器和SVM過濾器。最初，該研究者將灰度圖像通過Adaboost組合分類進行字符檢測。之后，得到一些檢測窗口，傳遞到第二階段的SVM過濾器除去所有非字符區域。最后，將得到過濾虛假圖像后的最終結果。

2 算法

2.1 Adaboost字符檢測

字符檢測器多尺度和多位置橫穿圖像檢測窗口。檢測窗口被縮放為1.2，20×28（寬×高）的最小尺寸。該功能可通過當前尺度因子縮放基本窗口功能很容易確定，這種操作可以在相同成本的任何尺度來完成。最終檢測輸出包含每個車牌周圍的多個車牌字符，因為LPD對檢測到的小規模變化是不敏感的。對于檢測到的所有的非車牌字符可以歸類為假陽性。在系統中，掃描圖像的每一個過程中，會獲得一些假陽性；為了減少這樣的假陽性，該研究者隨后采用SVM去除假陽性。

2.2 SIFT- SVM去除誤報

SIFT是一個位置直方圖為基礎的特征點，是不隨圖像縮放，旋轉，仿射畸變，3D視圖，噪音的變化和光照變化而改變。SIFT已經被證明是優秀的圖像匹配。最近的研究表明，它也有利于物體識別。候選關鍵點高斯由差分與尺度空間圖像卷積里檢測局部極值確定。這些關鍵點通常包含進行匹配的獨特信息。本文采用SVM作為分類器，由LIBSVM庫提供。SVM是解決二元分類問題的線性感知。一些監督學習算法通常適用于找到一個最佳的N維超平面。使用SVM在第二階段的目的是去除由第一階段Adaboost算法分類器被錯誤地認為是字符的區域。使用SIFT與SVM去除誤報，一組關鍵點從集合中的所有陰性樣品獲得，SVM訓練所有關鍵點128 SIFT描述符。檢測期間，從一個特定的子窗口得到SIFT特征，每個SIFT特征被傳遞到一個SVM訓練器，得到它是一個字符區域的概率大小。最終計算子窗口概率由對每個關鍵點的概率求和，最終概率除以由子窗口關鍵點數。如果非字符區的概率高于它是字符區的概率，則去除。偏置值用來使其更容易得到正輸出或負輸出。如下，其中Prob（char）指它是字符區域的概率，Prob（nchar）指它是非字符區域概率：

（1）

3 結果和討論

在該文中，該研究者采用徑向基函數（RBF）作為支持向量機的核函數。在使用RBF內核時，需要確定兩個參數：C和γ。在第一個實驗中，模型選擇被執行以搜索最佳C和γ通過使用交叉驗證操作的網格搜索。最好的結果是觀察到當C是32和γ為0.5的地方的交叉驗證精度為88%的訓練數據集上。

在第二個實驗中，通過對從SIFT正常化特征值縮放的SVM的輸入范圍測試。從實驗用不同的量程范圍，比較訓練有素的最好的C和γ參數SVM的命中率，和訓練有素的默認值的SVM。

在第三個實驗中，不同的比例因子進行測試及對查全率和精確率效應指出。本的比例因子用于在Adaboost算法人物檢測調整大小檢測窗口。

第四實驗是找到最佳的偏置指的是式（1）中，對偏置-0.5直到0.4測試。其結果是隨著0的偏差值，我們能夠獲得最佳的查全率和查準率。

從觀察發現，文字比20x28小未能通過第一階段檢測器檢測，因為訓練樣本具有20x28的最小分辨率。并且，由于36分類器在第一階段檢測器使用時，檢測速度不夠快（約5秒）。另外，由于掃描子窗口的比例是固定的，也有可能在與那太窄或太寬字符處理是問題。最后，由于窗口掃描方法的性質，這些太旋轉字符不能被檢測到。對于第二個階段的分類，縮放范圍為SIFT描述符被證明是非常重要的。它擴展到0和1之間會造成嚴重的信息損失，降低了檢測的準確性，如表1所示。

最后，表2示出了Adaboost算法和兩級分級之間的比較。結果表明，該系統能夠通過使用兩級分級以除去更多的假檢測。

4 結語

該文在做LPD時，使用Adaboost訓練檢測車牌字符，SVM訓練SIFT描述排除從前一階段獲得的虛假檢測的子窗口。實驗表明，Adaboost算法能夠檢測幾乎所有車牌字符，但假陽性比較高，經過第二階段，SVM訓練SIFT排除非車牌字符。未來工作中，單一的Adaboost分類器訓練所有36個字母數字和字母，而不需要單獨的36分類的Adaboost，以減少運行時間。

參考文獻

[1] A.Kuranov，R.Lienhart， et al.，“Empirical analysis of detection cascades of boosted classifiers for rapid object detection”，Lecture Notes in Computer Science，Springer-Verlag，Heidelberg，2003：294-304.

[2] 劉永春.基于SVM的車牌字符識別算法研究[J].四川理工學院學報（自然科學版）， 2012（4）：46-49.

[3] 李國立. 汽車牌照定位與字符分割的研究及實現[D].武漢：中南民族大學，2009.

[4] 趙健.基于AdaBoost及支持向量機的車牌識別系統的研究[D].杭州：浙江師范大學，2014.