基于Adaboost算法的车牌检测在OpenCV上的研究与实现精选.pdf

2010年3月 广西师范学院学报：自然科学版 Mar．2011 of TeachersEducation ScienceEditionV01．28No．1 第28卷第l期 JournalGuangxi University：Natural 文章编号：1002—8743(2011)01—0109—04 邓 育林 、(广西师范学院计算机与信息工程学院，广西南宁530023) 源计算机视觉库。该文给出了在OpenCV上利用Adaboost算法，实现车辆车牌检测的完整实验过程，包括样本的 建立、训练级联分类器、以及利用训好的分类器进行目标检测。 关键词：Adaboost算法；OpenCV；车牌检测 中图分类号：TP301．6文献标识码：A 引 言 目标检测是近年来计算机视觉、图像处理、模式识别等领域的一个重点研究课题。其中，人脸检测、 车牌检测定位与识别在区域安防、视频监控、智能交通等多项系统中有重要应用。目前在目标检测中以 Adaboost算法的运用较为成熟，检测的速度及识别的效果较好。AdaBoost(AdaptiveBoosting)是1997 弱分类器通过一定方法叠加，构成一个分类能力较强的强分类器。2001年，PaulViola幢儿副等提出了一 出的算法基础，本文的研究也是基于此。 2 Adaboost算法 Adaboost算法本身是通过改变数据分布来实现的，它根据每次训练集中每个样本的分类是否正确， 以及上次的总体分类准确率，来确定样本的权值，将每次训练得到的弱分类器融合起来，作为最后的决 策分类器。 算法描述 给定训练样本集{(z，，Y。)，(z：，Y：)，……，(z。，Y。)}，其中：Y；=1，0分别对应正样本和负样本。 i=1／(2m)。其中，P、m分别为正、负样本的数目。 FD，．t=1，2，……，T(经过T轮迭代) 1)权重归一化：叫州=i≠生一2)对每一个特征．『(即Haar—like特征)，训练一个弱分类器： ／,j=17．／2,．J ^，(z)：j1。 矿岛z(z)岛谚 【0 otherwise 其中，岛=1或一1称为偏置，决定不等式的方向；Z(z)为第J个特征的特征值(即用积分图方式计算 的Haar—like特征值)；只是阈值。所谓训练一个弱分类器，即确定适当的允和只，使其目标函数￡j= 收藕日期：2010—12～04 作者简介：邓育林(1975一)，女，讲师，研究：模式识别 万方数据 ·110· 广西师范学院学报：自然科学版 第28卷 ∑名。叫¨Ih(z；)一y；I达到最小。 3)从第2)步获得的弱分类器中选择出最优的h，(z)，即具有最小的e。。 4)更新样本的权重：∞。。．。=叫“∥一气其中，若样本zi被h。正确分类，则ei=0，反之e；=1，尼= e。／1一￡。。这使得正确分类样本的权重降低而错分样本的权重增加，从而使下一轮迭代更关注于错分样 本。 最后得到的强分类器由T个弱分类器线性叠加： 1∑■蛐啦)≥o．5∑■ H(z)：j 其中口。=log麦 lo o￡^已r叫i卵 3车牌检测的OpenCV实验 车牌检测，是指从含有车辆的图像文件或视频中检测定位出车辆的牌照，是智能交通系统的一项重 处理和计算机视觉方面的很多通用算法b】，拥有包括300多个C函数的跨平台的中、高层API。因此， 是进行计算机视觉相关系统开发和研究实验的有利工具。 本实验实现了在VS2008+OpenCV2．1平台上进行车牌检测的完整过程。包括样本的建立、训练 级联分类器、以及利用训好的分类器进行目标检测。 3．1样本的建立 训练分类器需要分别建立正样本集和负样本集描述文件。 建。 步骤 a)先建立一个正样本描述文件(．dat／．txt)，用于描述样本图片文件名(含路径)、