潘秋萍 楊萬(wàn)扣 孫長(zhǎng)銀

(東南大學(xué)自動(dòng)化學(xué)院，南京 210096)

車牌識(shí)別系統(tǒng)(license plate recognition，LPR)作為智能交通的重要組成部分，具有重要的實(shí)用價(jià)值和廣泛的應(yīng)用前景.LPR主要包括車牌檢測(cè)、字符分割、字符識(shí)別3個(gè)部分.車牌檢測(cè)是最為關(guān)鍵的環(huán)節(jié)，其檢測(cè)精度和速度直接影響整個(gè)車牌識(shí)別系統(tǒng)的性能［1］.

目前車牌檢測(cè)的算法有很多，主要分為2大類:一類是基于車牌規(guī)則特征的檢測(cè)方法［2-3］，一類是基于統(tǒng)計(jì)學(xué)習(xí)的檢測(cè)方法［4-5］.前者復(fù)雜度小，使用廣泛，但是不適合復(fù)雜背景下的檢測(cè).后者適用于復(fù)雜背景下的檢測(cè)，它的魯棒性優(yōu)于基于規(guī)則特征的車牌檢測(cè)算法，但是它需要的樣本多，樣本選取較難，特征提取要求高，計(jì)算量大.AdaBoost算法能夠?qū)崟r(shí)地檢測(cè)到車牌，檢測(cè)精度高，且有較高的魯棒性.

傳統(tǒng)的AdaBoot算法使用單一的Haar特征［6］作為分類器，需要大量的特征來(lái)達(dá)到較高的檢測(cè)率和較低的誤檢率，訓(xùn)練耗時(shí).另外AdaBoot算法訓(xùn)練過程中的權(quán)重更新規(guī)則使得學(xué)習(xí)算法專注于比較難分類的樣本，但是當(dāng)訓(xùn)練樣本包含有噪聲、光照、污漬的樣本時(shí)，這些樣本的權(quán)重就會(huì)呈指數(shù)增長(zhǎng)，最終會(huì)導(dǎo)致權(quán)值分布嚴(yán)重扭曲的現(xiàn)象，降低了算法的檢測(cè)性能［7］.為解決傳統(tǒng)的AdaBoost算法訓(xùn)練耗時(shí)和權(quán)值扭曲的現(xiàn)象，左景龍等人提出了一種基于 MB-LBP［8］特征的 AdaBoost算法［9］.但是計(jì)算一個(gè)MB-LBP特征的時(shí)間大于Haar特征，選擇出來(lái)的MB-LBP特征的分類能力下降，甚至低于某些Haar特征.

本文提出融合Haar特征和MB-LBP特征的AdaBoost算法并應(yīng)用于車牌檢測(cè):1)以車牌中的數(shù)字單獨(dú)作為訓(xùn)練樣本［10］，給出的新算法檢測(cè)的是數(shù)字區(qū)域；2)采用非最大抑制［11］合并窗口，得到候選的車牌區(qū)域；3)通過區(qū)域內(nèi)的灰度跳變次數(shù)［12］來(lái)輔助判斷，最終確定是否為車牌區(qū)域.

1 基于Haar與MB-LBP特征的AdaBoot算法

1.1 弱分類器的構(gòu)造

Haar特征是一種矩形特征，特征值定義為白色矩形區(qū)域內(nèi)所有的像素灰度值之和減去黑色矩形區(qū)域內(nèi)所有像素灰度值之和.它對(duì)邊緣、線段比較敏感.由于有不同類型的矩形，加上不同的尺寸和位置組合，一幅圖像的Haar特征數(shù)目遠(yuǎn)多于其像素的數(shù)目，因此，選擇適當(dāng)?shù)腍aar特征十分關(guān)鍵.本文選擇了一些合適的Haar特征(見圖1)以兼訓(xùn)練速度和檢測(cè)精度.

MB-LBP(multi-block local binary patterns)算子是LBP算子的一種推廣.LBP對(duì)中心像素與其八鄰域像素的大小關(guān)系進(jìn)行編碼.MB-LBP是對(duì)3×3的大方塊，通過比較中心子塊的平均灰度與其周圍八鄰域子塊的平均灰度計(jì)算特征值(見圖2).MB-LBP改進(jìn)了原始LBP特征只能描述小范圍的圖像信息以及易受噪聲影響的缺點(diǎn)，從而捕捉圖像中更多的細(xì)節(jié)變化.

可形式化描述為

圖1 本文使用的幾種Haar特征

圖2 MB-LBP特征值

式中，gc是中心子塊的灰度平均值，gi(i=1，1，…8)是周圍八鄰域的灰度平均值.

MB-LBP特征值是非十進(jìn)制的，為了有效融合Haar與MB-LBP特征，需要對(duì)Haar特征的弱分類器構(gòu)造進(jìn)行修改.

MB-LBP采用多分枝樹形結(jié)構(gòu)來(lái)構(gòu)造弱分類器.這個(gè)樹形結(jié)構(gòu)包括256個(gè)分支，每一個(gè)分支的函數(shù)值與MB-LBP特征值一一對(duì)應(yīng).

式中，xi表示第i個(gè)樣本的MB-LBP特征值，可由式(1)得到.aj表示相應(yīng)的判決系數(shù):

yi∈{+1，－1}，+1表示正樣本，－1表示負(fù)樣本.

由式(5)知 aj∈［－1，+1］，當(dāng) aj＞0 時(shí)，表明MB-LBP特征值為j的樣本是正樣本的可能性比是負(fù)樣本的可能性大.

同理，把Haar特征特征值劃分為N個(gè)區(qū)域，計(jì)算每個(gè)區(qū)域的 aj(j=1，2，…，N)的值.

2個(gè)特征的誤差計(jì)算均為

每一個(gè)Haar特征的誤差為

每一個(gè)MB-LBP特征的誤差為

弱分類器旨在找出使得誤差和最小的fHarr(x)或者是fMB-LBP(x).

1.2 強(qiáng)分類器的構(gòu)造

具體算法描述如下:

1)(x1，y1)，(x2，y2)，…，(xN，yN)為訓(xùn)練樣本，其中包含了m個(gè)正樣本，l個(gè)負(fù)樣本yi∈{+1，－1}，+1表示正樣本，－1表示負(fù)樣本.xi代表第i個(gè)樣本.

3) 對(duì)于 t=1，2，…，T，p=0，q=0(p，q 分別為MB-LBP，Haar構(gòu)成的弱分類器的個(gè)數(shù)).

②搜索最佳的 Haar特征，使得誤差和(式(8))最小，并構(gòu)造弱分類器fHarr(x)；搜索最佳的MB-LBP特征，使得誤差和(式(9))最小，并構(gòu)造弱分類器fMB-LBP(x).

③ 如果 eHarr≤eMB-LBP，

式中，F(xiàn)MB-LBP(x)和FHarr(x)分別是由MB-LBP特征和Haar特征構(gòu)成的強(qiáng)分類器.

4)得到強(qiáng)分類器:

其中，THTESH是強(qiáng)分類器的閾值.

2 窗口合并與篩選

本文基于 Haar與MB-LBP特征的AdaBoot算法先檢測(cè)車牌中的數(shù)字，故檢測(cè)后的窗口是一些候選的數(shù)字，并不是最終的車牌區(qū)域.本文采用非最大抑制(non-maximum suppression)合并這些窗口.并通過計(jì)算灰度跳變次數(shù)來(lái)篩選候選區(qū)域，更好地除去干擾.

3 實(shí)驗(yàn)結(jié)果與分析

選取了從車牌上分割出來(lái)的數(shù)字3500張作為正樣本，2391個(gè)負(fù)樣本.訓(xùn)練樣本被歸一化成18×30的像素大小，正樣本是數(shù)字，負(fù)樣本是從背景區(qū)域隨機(jī)選取的不含數(shù)字的子區(qū)域.

測(cè)試環(huán)境為 Intel(R)1.8 GHz CPU，2 G 內(nèi)存，操作系統(tǒng)是Window XP，VC2008.實(shí)驗(yàn)中，我們用了4層級(jí)聯(lián)強(qiáng)分類器，前3層分別是基于圖像的平均灰度、像素值方差、邊緣信息的分類器.后3層分別用了10個(gè)弱分類器，其中MB-LBP特征2個(gè)，Haar特征8個(gè).得到一個(gè)弱分類器的時(shí)間大致為48 s；檢測(cè)時(shí)間是將測(cè)試圖片歸一化到352×288大小，采用的是步進(jìn)為1像素的滑動(dòng)窗口檢測(cè).實(shí)驗(yàn)從數(shù)據(jù)庫(kù)中隨機(jī)挑選了154張車牌，檢測(cè)出了146個(gè)車牌，檢測(cè)率為94.8%.同時(shí)誤檢出2個(gè)非車牌區(qū)域.幾種方法的實(shí)驗(yàn)結(jié)果如表1所示.檢測(cè)方法中的一些中間過程見圖3.

4 結(jié)論

本文給出了一種聯(lián)合 Haar與MB-LBP特征的AdaBoot算法用于車牌檢測(cè).這種新的車牌檢測(cè)方法不僅選取少量的特征，并且克服權(quán)值扭曲的現(xiàn)象，具有較快的檢測(cè)速度、較高的檢測(cè)率和較低的誤檢率.

表1 幾種方法的檢測(cè)性能比較

圖3 檢測(cè)方法的中間過程圖

References)

［1］Anagnastopoulos C-N E，Anagnastopoulos I E，Psoroulas I D，et al.License plate recognition from still image and video sequences:a survey［J］.IEEE Transactions on Intelligent Transportation Systems，2008，9(3):377-391.

［2］卓均飛，胡煜.基于邊緣檢測(cè)和投影法的車牌定位算法研究［J］.科技通報(bào)，2010，26(3):438-441.Zhuo Junfei，Hu Yu.Research of license plate locating method based on edge detective and projection ［J］.Bulletin of Science and Technology，2010，26(3):438-441.(in Chinese)

［3］黃穎，王子新，詹璇，等.一種基于灰度圖像二值化的車牌定位算法［J］.電腦知識(shí)與技術(shù)，2010，6(2):394-396.Huang Ying，Wang Zixin，Zhan Xuan，et al.An algorithm of license plate localization based on gray images binarization［J］.Computer Knowledge and Technology，2010，6(2):394-396.(in Chinese)

［4］Sun Zehang，Bebis G，Miller R.On-road vehicle detection:a review ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(5):694-711.

［5］Chang Wenchung，Chou Chiwei.Online boosting for vehicle detection［J］.IEEE Transactions on Systems，2010，40(3):892-902.

［6］趙楠.基于AdaBoost算法的人臉檢測(cè)［D］.北京:北京大學(xué)，2005.

［7］方義秋，盧道兵，葛君偉.車牌檢測(cè)級(jí)聯(lián)分類器快速訓(xùn)練算法［J］.重慶郵電大學(xué)學(xué)報(bào):自然科學(xué)版，2010，22(1):104-107.Fang Yiqiu，Lu Daobing，Ge Junwei.Improved license plate detection method based on AdaBoost algorithm［J］.Chongqing University of Posts and Telecommunications:Natural Science，2010，22(1):104-107.(in Chinese)

［8］Zhang Lun，Chu Rufeng，Xiang Shiming，et al.Face detection based on multi-block LBP representation［C］//Lecture Notes in Computer Science.Springer，2007，4642:11-18.

［9］左景龍，孫長(zhǎng)銀，楊萬(wàn)扣.一種基于二值模式特征的人臉檢測(cè)算法［J］.科技通報(bào)，2011，27(5):652-656.Zuo Jinglong，Sun Changyin，Yang Wankou.A face detection algorithm based on MB-LBP features［J］.Bulletin of Science and Technology，2011，27(5):652-656.(in Chinese)

［10］Netzer Y，Wang T，Coates A，et al.Reading digits in natural images with unsupervised feature learning［C/OL］//NIPS Workshop on Deep Learning and Unsupervised Feature Learning.(2011)［2012-04-05］.http://static.googleusercontent.com/external_content/untrusted_dlcp/research.google.com/zh-CN//pubs/archive/37648.pdf.

［11］Dalal N.Finding people in images and videos［D］.Institut National Polytechnique de Grenoble，2006.

［12］Zhang Xiangdong，Shen Peiyi，Bai Jianhua，et al.License plate location based on AdaBoost［C］//International Conference on Information and Automation.Harbin，China，2010:1705-1710.