汽車(chē)車(chē)牌定位識別完整設計

1 摘要

該項目要求基于FPGA完成車(chē)牌定位算法。本項目擬充分發(fā)掘FPGA并行運算在圖像處理領(lǐng)域的優(yōu)勢，實(shí)現基于A(yíng)dboost算法的車(chē)牌檢測硬件架構，最終完成車(chē)牌定位信息的實(shí)時(shí)輸出。

2 系統原理和技術(shù)特點(diǎn)

2.1 Adaboost車(chē)牌定位算法原理

Adaboost車(chē)牌定位算法的設計，分為離線(xiàn)訓練模塊和在線(xiàn)識別模塊如圖1所示，離線(xiàn)訓練模塊通過(guò)對大量正、負樣本的學(xué)習，形成一系列的弱分類(lèi)器（典型特征），然后依據權重把這些弱分類(lèi)器組合成強分類(lèi)器，如圖2(a)所示。實(shí)際應用時(shí)，若干個(gè)強分類(lèi)器構成如圖2(b)所示的Cascade結構，Cascade結構就像一個(gè)篩孔可變的篩子，開(kāi)始的篩孔很大，使得大多數車(chē)牌都能通過(guò)，在此基礎上盡量拋棄反例，位置越靠后的篩孔越復雜，即包含越多的弱分類(lèi)器，因而也具有更強的分類(lèi)能力。在線(xiàn)檢測模塊通過(guò)離線(xiàn)訓練模塊訓練好的Cascade結構分類(lèi)器，使用可以縮放的Haar特征，在待識別圖片上進(jìn)行多尺度的掃描，最后經(jīng)過(guò)后續處理輸出識別結果（車(chē)牌位置信息）。在線(xiàn)檢測算法流程如圖3所示。首先檢測當前窗口，若未通過(guò)分類(lèi)器則跳出；若通過(guò)所有分類(lèi)器則判定為車(chē)牌，然后檢測下一窗口。掃描完當前圖像以后，放大檢測窗口，重新掃描。

Adboost車(chē)牌定位算法基于Haar特征，Haar特征由一組矩形構成，圖4所示就是幾種Haar特征，黑白矩形內像素的灰度加權和是該特征的特征值。積分圖表示其圖像中任意一點(diǎn)，都是原始圖像中行號和列號均小于該點(diǎn)的像素點(diǎn)像素值之和。利用積分圖可以快速計算矩形的灰度和，即Sum=P1 +P4-P2-P3，其中Pi是積分圖中矩形頂點(diǎn)對應的積分值。多個(gè)Haar特征組成一個(gè)分類(lèi)器，多個(gè)分類(lèi)器級聯(lián)可以提高檢測精度。

通過(guò)對近30000車(chē)牌樣本的離線(xiàn)訓練，本實(shí)驗室已經(jīng)得到能夠適應復雜環(huán)境的Adaboost車(chē)牌特征（識別）庫，實(shí)現的Adboost車(chē)牌檢測算法在固定環(huán)境下拍照車(chē)輛圖像，車(chē)牌定位識別率可達99%。本次大賽將重點(diǎn)關(guān)注車(chē)牌Adaboost算法在線(xiàn)檢測的FPGA實(shí)現。

圖1 AdaBoost車(chē)牌定位算法框圖

（a）

（b）

圖2 (a)強分類(lèi)器構造 (b)Cascade結構圖

圖3 Adboost車(chē)牌定位算法流程圖

（1） （2） （3）

圖4（1）Harr特征 （2）積分圖 （3）灰度和

2.2系統工作原理

2.2.1 系統組成

如圖5，整個(gè)系統由FPGA完成車(chē)牌定位算法，配合外圍的視頻A/D，D/A、存儲器等芯片，完成圖像的采集和定位標記與原始圖像地疊加輸出。