汽車車牌定位識(shí)別完整設(shè)計(jì)

1 摘要

該項(xiàng)目要求基于FPGA完成車牌定位算法。本項(xiàng)目擬充分發(fā)掘FPGA并行運(yùn)算在圖像處理領(lǐng)域的優(yōu)勢(shì)，實(shí)現(xiàn)基于Adboost算法的車牌檢測(cè)硬件架構(gòu)，最終完成車牌定位信息的實(shí)時(shí)輸出。

2 系統(tǒng)原理和技術(shù)特點(diǎn)

2.1 Adaboost車牌定位算法原理

Adaboost車牌定位算法的設(shè)計(jì)，分為離線訓(xùn)練模塊和在線識(shí)別模塊如圖1所示，離線訓(xùn)練模塊通過對(duì)大量正、負(fù)樣本的學(xué)習(xí)，形成一系列的弱分類器（典型特征），然后依據(jù)權(quán)重把這些弱分類器組合成強(qiáng)分類器，如圖2(a)所示。實(shí)際應(yīng)用時(shí)，若干個(gè)強(qiáng)分類器構(gòu)成如圖2(b)所示的Cascade結(jié)構(gòu)，Cascade結(jié)構(gòu)就像一個(gè)篩孔可變的篩子，開始的篩孔很大，使得大多數(shù)車牌都能通過，在此基礎(chǔ)上盡量拋棄反例，位置越靠后的篩孔越復(fù)雜，即包含越多的弱分類器，因而也具有更強(qiáng)的分類能力。在線檢測(cè)模塊通過離線訓(xùn)練模塊訓(xùn)練好的Cascade結(jié)構(gòu)分類器，使用可以縮放的Haar特征，在待識(shí)別圖片上進(jìn)行多尺度的掃描，最后經(jīng)過后續(xù)處理輸出識(shí)別結(jié)果（車牌位置信息）。在線檢測(cè)算法流程如圖3所示。首先檢測(cè)當(dāng)前窗口，若未通過分類器則跳出；若通過所有分類器則判定為車牌，然后檢測(cè)下一窗口。掃描完當(dāng)前圖像以后，放大檢測(cè)窗口，重新掃描。

Adboost車牌定位算法基于Haar特征，Haar特征由一組矩形構(gòu)成，圖4所示就是幾種Haar特征，黑白矩形內(nèi)像素的灰度加權(quán)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(hào)和列號(hào)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(jì)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(duì)應(yīng)的積分值。多個(gè)Haar特征組成一個(gè)分類器，多個(gè)分類器級(jí)聯(lián)可以提高檢測(cè)精度。

通過對(duì)近30000車牌樣本的離線訓(xùn)練，本實(shí)驗(yàn)室已經(jīng)得到能夠適應(yīng)復(fù)雜環(huán)境的Adaboost車牌特征（識(shí)別）庫，實(shí)現(xiàn)的Adboost車牌檢測(cè)算法在固定環(huán)境下拍照車輛圖像，車牌定位識(shí)別率可達(dá)99%。本次大賽將重點(diǎn)關(guān)注車牌Adaboost算法在線檢測(cè)的FPGA實(shí)現(xiàn)。

圖1 AdaBoost車牌定位算法框圖

（a）

（b）

圖2 (a)強(qiáng)分類器構(gòu)造 (b)Cascade結(jié)構(gòu)圖

圖3 Adboost車牌定位算法流程圖

（1） （2） （3）

圖4（1）Harr特征 （2）積分圖 （3）灰度和

2.2系統(tǒng)工作原理

2.2.1 系統(tǒng)組成

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