基于特征加权模板快速提升的AdaBoost车牌字符识别算法.pdfVIP

第 27卷第 4期 安 徽 工 程 大 学 学 报 Vo1．27．No．4 2012年 12月 JournalofAnhuiPolytechnicUniversity Dec．，2Ol2 文章编号 ：1672—2477(2012)04—0045—04 基于特征加权模板快速提升的 AdaBoost车牌字符识别算法 刘余 霞 ，吕 虹 ，胡 涛 ，孙小虎 (1．安徽工程大学 电气工程学院，安徽 芜湖 241000； 2．安徽建筑工业学 院 电子与信息工程学 院，安徽 合肥 230022) 摘要 ：针对 国内车牌字符的多样性和识别效率不高的现状 ，文 中利用模板匹配和集成学习思想设计 了一种新 颖的识别算法．该算法 由特征加权模板 的方法构建弱分类器 ，经 AdaBoost快速提升成强分类器 ，利用图像 的 整体灰度信息，缩短大量 Haarlike特征的训练时间，克服单一特征弱分类器 的不稳定性．仿真实验表 明，该算 法 能够获得较好的字符识别率和稳定性． 关 键 词 ：模板匹配 ；AdaBoost算法 ；特征加权 ；字符识别 中图分类号 ：TP391 文献标识码 ：A 集成学习Boosting_】是一种用来提高弱分类算法准确度的方法．在众多的Boosting算法中，被关注 最多的是由Schapire提出的AdaBoost(AdaptiveBoosting)【算法 ，该算法是一种迭代算法，能 自适应地 将一组弱分类器提升为一个强分类器 ，已广泛应用于 图像处理领域 ，如人脸检测l3]、喷码图像识别 、数字识 别 ，成为研究热点． 鉴于 AdaBoost算法具有较好的识别能力和稳定性能，已被研究人员引入车牌字符识别中，并取得一 定 的进展．文献[4]将 AdaBoost算法用在车牌字符识别 中，并对算法 中可能存在的退化现象加 以改进 ；文 献 [5]用 BP网络作为字符分类器基弱分类器 ，由AdaBoost提升成强分类器 ，能够提高识别率 ；文献E6]改 进 AdaBoost中的错分样本的权重 ，提高算法的泛化能力．但是大多数文献或者以牺牲训练的时间来提高 精度 ，或者以单一特征来构建弱分类器 ，存在训练耗时与分类器性能不稳定等缺 陷．为进一步提高训练速 度和算法的稳定性 ，本文结合模板匹配和 AdaBoost思想 ，提出了AdaBoost—TM(简称AB—TM)算法 ，该算 法综合整幅图像的灰度信息 ，采用特征加权 的模板匹配思想_l7]，不仅改善了大多数 AdaBoost算法只是基 于单一特征训练弱分类器 的不稳定性 ，而且保证弱分类器能够快速 “提升”到强分类器． 1 特征加权的模板匹配算法 文献[7]提出基于特征加权的模板匹配模型，原理简单 、识别速度较快．该方法 的核心思想是 ：先对标 准模板和样本模板都进行特征加权改造 ，模板 中位于笔画 中心的点权重最高 ，位于笔画边缘 的点权重最 低 ，忽略模板模糊边缘信息，然后将样本模板与标准模板逐点匹配 ，按模糊识别规则识别． 考虑到模板 中笔画中心点和笔画边缘点的作用程度不 同，笔画中心的点对字符识别起突出作用，因此 在设计每一点权重时，都要计算该点周围八个点的信息，故用该点与周围八个点值之和作为该点的权重 ： 汁 1·J+1 w(i，)一 ∑ f(k，z) ， (1) ^一 1·l—j--1 式中， (i，J)为模板在点(，J)处 的权重和，i一 1，2，3，…，H 一1，J一2，3，…， 一1，这样笔画中间的重 要性就被突出，未对模糊干扰边缘计算权重．若是 32×16点阵，只需对内部的3O×14点阵进行加权改造． 将样本加权模板与标准加权模板逐点比较 ，当差别 (用 阈值 T评价)较小时匹配成功 ，大于阈值时不成功． 收稿 日期 ：2012—04—09 基金项 目：国家 自然科学基金资助项 目；安徽省教育厅 自然科学基金资助项