基于Adaboost算法的車牌檢測(cè)方法研究及應(yīng)用.pdf

1、視頻車牌檢測(cè)技術(shù)是智能交通領(lǐng)域中研究的熱點(diǎn)問題，它作為機(jī)器視覺及模式識(shí)別研究領(lǐng)域里長期關(guān)注的一個(gè)重要課題，具有極高的學(xué)術(shù)研究?jī)r(jià)值和重要的實(shí)際應(yīng)用價(jià)值。同時(shí)，Adaboost算法是一種分類器算法，由于它具有算法簡(jiǎn)單、學(xué)習(xí)精度高等優(yōu)點(diǎn)，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(cè)是車牌識(shí)別系統(tǒng)中一項(xiàng)關(guān)鍵技術(shù)。但是，目前檢測(cè)技術(shù)普遍存在檢測(cè)率低、誤警率高及分類器訓(xùn)練耗時(shí)等問題。此外，基于級(jí)聯(lián)結(jié)構(gòu)Adaboost算法分

2、類器是有效解決目標(biāo)檢測(cè)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(jì)算特征值和排序，這將占用相當(dāng)多的訓(xùn)練時(shí)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(duì)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(cè)精度不高，特別在使用級(jí)聯(lián)分類器進(jìn)行性能檢測(cè)的過程中表現(xiàn)得極為明顯，具體表現(xiàn)為分類器對(duì)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(cè)問題。
　　 針對(duì)以上問題，設(shè)計(jì)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(shí)、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(jì)算，從而大大縮短了分類器訓(xùn)練時(shí)間；其次，在訓(xùn)

4、練過程中對(duì)訓(xùn)練樣本進(jìn)行及時(shí)更新，這樣保證了每一次輸出強(qiáng)分類器時(shí)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(cè)精度；最后，對(duì)樣本權(quán)重的更新規(guī)則進(jìn)行適當(dāng)調(diào)整，使錯(cuò)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(cè)。
　　 實(shí)驗(yàn)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(cè)率的同時(shí)降低了誤警率，并