基于Adaboost算法的車牌檢測方法研究及應用.pdf

1、視頻車牌檢測技術是智能交通領域中研究的熱點問題，它作為機器視覺及模式識別研究領域里長期關注的一個重要課題，具有極高的學術研究價值和重要的實際應用價值。同時，Adaboost算法是一種分類器算法，由于它具有算法簡單、學習精度高等優(yōu)點，提出后便在機器學習領域得到了極大的關注和應用。
　　 車牌檢測是車牌識別系統(tǒng)中一項關鍵技術。但是，目前檢測技術普遍存在檢測率低、誤警率高及分類器訓練耗時等問題。此外，基于級聯(lián)結構Adaboost算法分

2、類器是有效解決目標檢測問題的方法之一。然而，傳統(tǒng)Adaboost算法在訓練過程中要重復計算特征值和排序，這將占用相當多的訓練時間；其次，由于受訓練樣本數量的限制，傳統(tǒng)Adaboost算法在訓練過程中很容易出現過訓練問題，即訓練結果對訓練樣本嚴重收斂。這樣將導致訓練出來的分類器檢測精度不高，特別在使用級聯(lián)分類器進行性能檢測的過程中表現得極為明顯，具體表現為分類器對庫外車牌圖像的強烈排斥；最后，傳統(tǒng)Adaboost算法在更新樣本權重的步驟上

3、也存在著缺陷，導致訓練過程中極易出現分類器退化現象。因此，傳統(tǒng)Adaboost算法仍需進一步改進才能更適應于目標檢測問題。
　　 針對以上問題，設計一種改進Adaboost算法的優(yōu)化模型，該模型考慮了Adaboost算法的整體性能，綜合解決訓練耗時、過訓練及分類器退化等問題。首先，將特征值和排序結果進行緩存，這樣以后每一次迭代訓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計算，從而大大縮短了分類器訓練時間；其次，在訓

4、練過程中對訓練樣本進行及時更新，這樣保證了每一次輸出強分類器時都有新的樣本補充到訓練集中，從而使訓練出來的分類器具有較高的檢測精度；最后，對樣本權重的更新規(guī)則進行適當調整，使錯誤分類的樣本其權值不一定被增加，從而限制了困難樣本的權重過分增大。因此，改進后的Adaboost算法整體性能得到了大大提高，并使之更適用于目標檢測。
　　 實驗結果證明了改進后Adaboost算法的整體性能優(yōu)于傳統(tǒng)算法，它在提高檢測率的同時降低了誤警率，并