基于DM642的紋理檢測與Adaboost分類器相結合的車牌定位①

陳存弟, 劉金清, 劉 引, 蔡淑寬, 何世強, 周曉童, 鄧淑敏, 吳慶祥

(福建師范大學 光電與信息工程學院 醫學光電科學與技術教育部重點實驗室, 福州 350007)通訊作者: 劉金清, E-mail: jqliu8208@fjnu.edu.cn

基于DM642的紋理檢測與Adaboost分類器相結合的車牌定位①

陳存弟, 劉金清, 劉 引, 蔡淑寬, 何世強, 周曉童, 鄧淑敏, 吳慶祥

(福建師范大學 光電與信息工程學院 醫學光電科學與技術教育部重點實驗室, 福州 350007)通訊作者: 劉金清, E-mail: jqliu8208@fjnu.edu.cn

智能交通系統(Intelligent Transportation System, 簡稱ITS)是一種實時、準確、高效的綜合交通運輸管理系統, 而車牌識別(License Plate Recognition LPR)技術是智能交通系統的關鍵技術之一. 為了在嵌入式系統中實現車牌的實時檢測, 研究了基于TMS320DM642的車牌檢測、定位與識別技術. 本文提出一種基于紋理檢測和Adaboost分類器相結合的車牌定位算法, 針對該算法與DM642的結合進行了系統設計, 并且基于EMCV與Opencv圖像處理庫進行了代碼移植. 該系統很好的避免了單獨紋理檢測的定位無方向性和單獨Adaboost分類的定位不完整性的缺點, 較好的提高了定位準確率, 且定位后的車牌圖像能夠基于TCP協議發送到PC服務器, 實現遠程的車輛車牌的定位和監控.

TMS320DM642; 紋理檢測; Adaboost分類; EMCV; Opencv

車牌識別系統分為車牌定位、字符分割和字符識別三個部分, 其中車牌定位的準確率直接影響后續的識別. 為了提高車牌定位的速度和準確性, 國內提出了相關的車牌定位算法, 如基于車牌紋理特征[1-7], 車牌顏色[2,4,8], 車牌固有特征分類[8,9], 數學形態學[10]等方法.

根據車牌固有的紋理特性, 本文提出一種基于紋理檢測和Adaboost[11]分類器相結合的方法實現車牌定位, 其中紋理檢測過程中結合圖像形態學處理實現車牌的粗定位, 而Adaboost分類器是繼紋理檢測后的多個粗定位區域篩選出真正存在的車牌. 最后借助EMCV和Opencv庫實現車牌定位算法在DM642的移植, 并以DM642平臺為客戶端, PC為服務器, 將車牌定位后的車牌圖像以幀方式傳向服務器.

1 基于紋理檢測的車牌

盡管車牌背景復雜多變, 但是標準車牌中的7個字符排布具有不變性, 絕大部分車牌的圖像經邊緣提取后都能清晰的看到車牌字符的紋理特性, 而且邊緣提取后的紋理相對比較密集, 字符與字符之間的間隙有規律可尋, 依據該特性能夠濾除邊緣提取后絕大多數的偽車牌區域的白像素, 結合形態學處理獲取各個粗定位車牌區域的連通域, 根據車牌的長寬比等固定特性進一步濾除大部分的偽車牌區域. 本文使用的邊緣提取算法是基于Canny算子.

如圖1所示, 紋理檢測的具體步驟:

(1) 對灰度化后的車牌圖像進行Canny邊緣檢測.

(2) 去除圖像中由白像素連接的橫長直線. 因為邊緣提取后的車牌區域中的字符極少會含有連續的橫長直線. 本文算法中規定的橫長直線定義為連續的15個像素, 如果找到則將圖像中的整行白像素置0.

(3) 針對行像素, 連接有可能的車牌區域的橫直線.步驟(2)結束后, 圖像中剩下的點都是散布的白像素, 其中車牌區域的密度最大. 這一步, 設置整幅圖像每兩點不相連白像素允許的最大跳變距離Tmax, 還設置不相連的多個兩點允許的跳變個數為Hmin. 目的是將在同一行中兩點小于Tmax并且跳變數大于Hmin的初始位置連接起來. 關于Tmax的設置, 由于在一張具有背景的圖片中,車牌區域只是鑲嵌在圖像中的極小部分, 而且標準車牌都有7個字符, 每個字符都有相應的筆畫, 這使得跳變間隔允許設置的非常小, 在定位過程中, 只需根據特定的車牌識別場所, 通過先驗數據進行統計來調整Tmax即可得到更好的設置值. 關于Hmin的設置, 車牌經Canny邊緣提取后, 車牌區域每兩個相鄰行跳躍點間距小于Tmax的點數至少有12個(考慮到某個字符筆畫會有斷裂現象), 將Hmin設置為8, 是為了找出滿足跳變點數大于8的區域, 即是可能的車牌區域, 直到找到大于Tmax的點即記下該終止點. 程序實現過程中, 設置一個記錄數組不斷記錄每行的跳躍點, 記錄前都要初始化數組為0. 設檢測到的兩個跳躍間隔為T, 檢測到跳躍的點數為H, 若滿足則將始末兩點之間像素置為白像素, 如圖1(d). 本文采集樣本大小為2560*1920, 樣本攝像頭與車牌相距為1.5m-2m, 為了與DSP板配套的攝像頭分辨率相吻合, PC上模擬定位前將圖像縮小成720*540, 經實驗統計, 取值比較合理. 本文設置的Tmax=30,Hmin=8.

圖1 紋理檢測圖

(4) 針對列像素, 連接有可能的車牌區域的豎直線.同樣設置每列中兩點不相連白像素允許的最大跳變距離Tmax, 還設置不相連的多個兩點允許的跳變個數為Hmin. 目的是將在同一列中兩點小于Tmax并且跳變數大于Hmin的初始位置連接起來, 還消除掉單獨的長橫直線. 繼步驟(3)后, 車牌區域的白色線條已經非常密集,上下線條間距基本為1個像素, 設置Tmax=10, Hmin=2已經完全滿足上下連線要求, 如圖1(e).

(5) 對預留下的區域進行形態學處理. 對區域進行適度的膨脹處理, 并消除長寬比小于3的區域(一般車牌長寬比大于3)和極小與極大的連通區域.

(6) 將最終連通域對應的灰度圖像保留下來, 供Adaboost“過濾”, 因為紋理檢測的無方向性, 保留下來的區域還不能完全確定為車牌區域.

2 Adboost分類器濾除偽車牌區域

Adaboost算法基本思想是針對同一個訓練集訓練不同的分類器, 然后把這些弱分類器(類似于決策樹)集合起來構成強分類器. 車牌定位過程中使用Adaboost算法挑選出一些能代表車牌的矩形特征, 按照加權投票的方式將弱分類器構造為一個強分類器, 再將訓練得到的若干強分類器串聯組成一個級聯結構的分類器,能有效地提高分類器分類的速度.

2.1 Haar-like特征提取[12,13]

如圖2所示, 車牌提取的特征是用Haar-like特征,分為三類: 邊緣特征、線性特征、中心特征和對角特征, 組合成特征模板. 特征模板內有白色和黑色兩種矩形, 設置模板的特征值為白色矩形像素和與黑色矩形像素和之差. Haar-like特征反映車牌圖像灰度變化情況. 如車牌字符與車牌背景, 車牌背景與車牌邊框等.由于車牌中存在大量的水平、垂直和對角結構, 而矩形特征對邊緣和線段較為敏感, 故能使用于車牌的特征提取.

2.2 Haar-like特征的計算-積分圖[12,13]

圖2 Haar-like特征

矩形特征的計算量非常大, 特別在圖像較大時, 實時性要求較高的情況下, 直接提取像素點灰度值再計算特征值無法滿足實時要求, 故引入積分圖. 積分圖就是只遍歷一次圖像就可以求出圖像中所有區域像素和的快速算法.

積分圖的構造方式是位置(i, j)處的值是原圖像(i,j)左上角方向所有像素的和. 以表示源圖像,I(i,j)表示積分圖.

積分圖構造算法:

(3) 逐行掃描圖像, 遞歸計算每個像素坐標(i, j)中第i行和S(i, j)和積分圖I(i, j).

(4) 如果i還不等于圖像寬度, 則返回(3)繼續計算積分圖; 否則圖像積分圖就構造好保存在I(i, j)中.

如圖3所示, 積分圖構造好后, 圖像中任何矩陣區域的像素累加和都可以通過簡單運算得到.

圖3 積分圖

設A, B, C, D區域中右下角的坐標分別為a, b, c, d.計算D區域的像素和

2.3 訓練過程

Adaboost分類器算法按規模和功能來劃分, 從小到大分為三類: 弱分類器, 強分類器和級聯分類器.

2.3.1 弱分類器[13]

最初的弱分類器可能只是一個最基本的Haar-like特征, 計算輸入圖像的Haar-like特征值和最初的弱分類器的特征值比較, 以此來判斷輸入圖像是不是車牌. 其準確率只要大于50%就可以, 這樣對于每一輪訓練過后, 根據本輪分類器對所有樣本的分類結果修改每個樣本的權重, 使分類錯誤的權重增加, 并投入下一輪的訓練過程.

一個弱分類器由下式表示:

其中x表示圖片, fi表示當前特征, hj(x)表示弱分類器,θj表示閾值, pj=±1指明不等式的方向. 式中fi和θj決定一個分類器, 訓練一個分類器, 就是根據當前的權重分布, 找到一個最優的閾值, 使得這個弱分類器對所有訓練樣本的分類誤差和最低. 一個弱分類器僅僅對應一個特征, 那么每一輪弱分類器的訓練過程其實就是選擇一個最好的將車牌樣本和非車牌分離出來的矩形特征. 訓練時對于每一個特征都要確定一個最優閾值, 使得該閾值對所有樣本的分類效果最好. 每一輪訓練過程都可以得到一個在當前權重分布下分類效果最好的特征, 而該特征所對應的弱分類器就是該輪所選出的最優弱分類器.

訓練詳細過程[12,13]:

(1) 給定一組車牌的正負樣本圖片(f1, g1), (f2,g2)……(fn, gn), 其中fi是待訓練的圖片, gi指出該圖片的真偽性, 1為車牌圖像, 0為非車牌圖像.

(3) 對于給定的分類器數目Num, for t=1, 2...Num

① 歸一化權重:

② 對每一個特征j訓練一個分類器hj(x), 根據權重計算誤差:

③ 選擇誤差最小的弱分類器ht.

④ 更新權重:

當樣本fi被正確分類時, ei=0, 否則ei=1且

2.3.2 訓練強分類器[12,13]

Adaboost分類器包含許多弱分類器, 按照一定的方式將這些弱分類器串聯起來就形成一個強分類器.經過Num此訓練后, 得到Num個最優弱分類器. 將這Num個分類器按下列公式組成一個強分類器.

當使用這個強分類器進行檢測時, 相當于讓該分類器中的多個弱分類器篩選, 再對篩選結果好的弱分類器設置大的權重, 篩選結果差的弱分類器設置較小的權重, 以此來達到好的分類效果.

2.3.3 訓練級聯分類器

多個強分類器級聯起來形成一個級聯分類器[14],以達到更高的檢測速度和更高的誤檢率. 每一級分類器都是一個強分類器, 每一個強分類器都能檢測出大多數的車牌區域而排除大部分的非車牌區域. 這樣在后面的強分類器計算量變少, 因而提高檢測速率. 具體訓練方法[12,14].

2.3.4 訓練樣本的制作

訓練過程中, 需要收集正樣本和負樣本, 正樣本是從含有車牌的圖像中剪切出來的子圖, 負樣本是不包含車牌的任意背景圖, 最好選擇車輛背景作為樣本, 無須歸一化和灰度化. 截取2363張正樣本, 然后歸一化大小為50*14的樣本并灰度化即可. 訓練過程使用opencv庫中自帶的opencv_haartraining.exe opencv_createsample.exe和convert_cascade.exe文件. 正負樣本如圖4所示.

圖4 正負樣本

結果如圖5所示, 本文定位方法綜合紋理檢測和Adboost分類器方法, 首先紋理檢測能完整包含車牌區域, Adaboost分類器能正確區分出紋理檢測后子圖的真偽車牌, 起到過濾作用.

圖5 本文算法車牌定位圖

3 基于DM642[15]的車牌檢測系統設計實現

3.1 系統構成

車牌定位系統的設計與實現, 本文硬件平臺選用的是北京瑞泰公司的ICETEK-DM642開發板, 主要用到開發板外圍器件有4路視頻端口, 4M*64_Bit SDRAM, 存儲多達32幀圖像, 8-32位Flash, 10-100 M以太網口, 板上JTAG仿真接口. 開發環境是CCS2.2, 編程語言是C/C++語言.

DM642是TI公司C6000系列高性能數字媒體處理器, 時鐘頻率高達720 MHz, 本文設置時鐘頻率為600 MHz, 處理能力為4800MIPS. 64個32_Bit通用寄存器,8個獨立功能單元, 6個算數邏輯單元(ALU 32/40bit), 每個單元支持每時鐘周期32bit算術操作, 雙16位bit或4個8bit算數操作. 兩個乘法器支持每時鐘周期4個16x16的乘法[15].

3.2 車牌定位硬件系統的設計

3.2.1 硬件系統框架設計

如圖6所示, 本系統硬件以TMS320DM642為核心,輔以視頻解碼和視頻編碼等外設芯片. 圖像采集由CCD攝像頭采集大小為720*576的視頻信號, 經視頻解碼器A/D轉換為YUV信號, 由EDMA搬運視頻數據交予DM642進行相應的車牌定位處理, 處理后得到的定位數據和定位車牌區域圖像存在SDRAM中, 最后將定位結果用TCP/IP協議發送到PC服務器, 還傳向LCD實現回顯功能.

圖6 系統硬件框圖

3.2.2 基于DSP/BIOS的軟件系統框架設計

軟件系統框架, 如圖7所示.

圖7 系統軟件框圖

(1) DSP/BIO: 軟件框架的搭建是基于TI公司提供的DSP/BIOS簡易實時嵌入式操作系統. 系統基本運行機制類似于UCOS-II嵌入式實時操作系統.

DSP/BIOS可剪裁, 提供諸如任務調度和優先級管理、進程間通信和存儲器管理等功能. 具有小型化和模塊化的特點使得可以編譯連接到應用程序中, 而不是采用獨立運行的方式工作, 可以看做是代碼庫.

(2) Cache分配: DM642片內內存采用兩級高速緩存(Cache)結構, 程序和數據擁有各自獨立的高速緩存.

片內的第一級程序緩存L1P和數據緩存L1D大小都為16K bytes. CPU與L1P和L1D直接相連[12], 因此這兩塊Cache都工作在CPU全速訪問狀態. 程序和數據共享的第二級存儲器為L2, 大小為256Kbytes, L2的分段和大小分配可以由用戶決定. 本文設置的二級緩存128Kbytes作為緩存, 其余的128Kbytes作為程序和數據的緩存區.

(3) RF5結構

RF5是一種DSP軟件開發的起步代碼參考框架, 它以DSP/BIOS為基礎, 主要實現三個功能, 存儲管理, 線程模型和通道封裝, 共有4個基本數據處理部分: 任務(task)、通道(channel)、單元(cell)和XDAIS算法. 通常一個任務中可以包括一個或多個通道, 每個通道中可以包括一個或多個單元, 而每個單元則封裝有一個XDAIS算法. 單元封裝XDAIS算法算法的作用在于: 提供算法與外部世界的一個標準接口, 每個單元執行一個簡單的ICELL接口, 通過該接口執行算法. 通道可以執行多個單元, 每個任務可以同時處理多個通道.

RF5的線程通信依靠SCOM消息和郵箱(MBX), 算法之間的通信基于cell單元. SCOM消息和MBX分別類似于UCOS-II的消息隊列和郵箱. SCOM用于任務之間交換信息, 有對應的存儲空間實現信息在任務間的讀取操作. Cell單元同樣基于數據緩存區, 且存在一個內部cell通信對象, 每個cell的輸入和輸出隊列均指向該ICC對象.

如圖8所示, 車牌定位系統有4個主要任務, 每個任務都有靜態緩存區, TSK_process有一個通道, 通道內有一個cell單元, 存放的是JPEG算法.

圖8 車牌定位系統的RF5視頻傳輸框架

(4) 視頻采集和顯示驅動能確保攝像頭采集過來的圖像數據運行良好. 通過對輸入視頻數據的存儲管理, 輸入的視頻數據能夠由DM642的Vport口解碼后通過EDMA存儲到SDRAM中, 這個過程通過輸入視頻接口的設備驅動程序完成. 在配置輸入視頻接口的設備驅動程序時, 開設3個視頻緩存區, 設備驅動程序管理這些緩沖區用于實時視頻數據的采集. 輸出視頻數據的存儲管理也需要3個緩沖區. 初始化是將視頻口驅動程序準備好, 并從視頻口驅動程序申請一個輸入緩沖區和一個輸出緩沖區; 進入主循環后, 首先通過DMA調用將輸入緩沖區的數據讀出、處理, 再將數據存儲到輸出緩沖區中, 然后向視頻口驅動程序切換輸入和輸出緩沖區. 輸入和輸出視頻數據的存儲管理是實際上采用“乒乓”模式.

(5) 一旦BIOS、CSL、DMA、RF5框架結構和視頻驅動初始化完成后, BIOS便調度程序啟動系統, 按程序中線程的優先級運行各個任務. 輸入任務從SDRAM中讀取一幀視頻數據, 然后通過SCOM傳給處理任務, 處理任務接受到視頻數據后, 便開始運行車牌定位算法. 由于視頻數據傳送過來的是YUV圖像數據,Y分量表示的是圖像的亮度圖, 即是灰度圖, 而車牌定位算法中正好是采用灰度圖進行信息提取處理. 經過車牌定位的紋理檢測和Adaboost算法處理后, 將定位出來車牌區域圖像編碼經JPEG編碼發送到網絡任務,同時將未經過編碼的圖像發送到輸出任務. 網絡任務主要完成TCP/IP協議的搭建, 通過socket套接字實現TCP/IP協議的接口調用. TI推出NDK(Network Develop’s Kit)開發套件, 目的是提供一個完整的TCP/IP功能環境. 基于NDK模塊, 視頻數據得以發送到基于VS平臺搭建的PC網絡服務器中經JPEG解碼后顯示. 輸出任務接收到視頻數據后回顯車牌區域的幀圖像.

3.3 系統軟件工具

TI公司的DSP集成開發環境CCS2.2提供了基于C語言系統的編譯、鏈接和調試工具, 并能進行系統仿真和實時跟蹤, 為DSP程序的設計和開發提供了極大的方便.

3.4 系統代碼移植

由于CCS平臺調試程序需要通過JTAG將代碼下載到DM642后才能查看算法運行的有效性, 這無非給調試帶來很大的困難, 而且會花費很多時間在程序下載上, 會大大降低開發速度. 本文先在PC環境下, 調用計算機視覺Opencv函數庫, 在Visual Studio 2010下仿真實驗. 算法的實驗效果達到預期的要求后, 便開始著手移植到DSP. CCS2.2支持C/C++編程, 而Opencv函數庫的源代碼正是開源的C/C++代碼, 這無非給開發帶來方便. 但是Opencv還不能完全適用于特定的DSP開發環境, 故有必要對其進行裁剪和優化. EMCV是Opencv分離出來的一個適合TI DM64x系列DSP上運行的計算機視覺庫, 提供了跟Opencv完全一致的函數接口, 移植EMCV能夠把Opencv中少量的算法移植到DSP, 但是在車牌定位過程中使用到Canny邊沿檢測算法, 圖像的縮小放大(Resize)算法和Adaboost算法等, 這些算法在EMCV庫中并不帶有, 因此在移植EMCV后還要在Opencv中裁剪出EMCV中沒有的算法. 本文使用的是Opencv1.0版本結合EMCV移植到DSP, 最后裁剪出來車牌定位真正需要的算法, 這樣就能大大降低程序的代碼量.

在程序移植過程中, 由于車牌定位采用的Adaboost分類器文件是.xml格式文件, 在CCS中無法讀取該文件, 因此本文讀取分類器的方式改為讀取.txt文件. 移植后, 讀取Adaboost分類器使用cvLoadHaar ClassifierCascade()函數, 檢測車牌區域使用cvHaarDetect Objects()函數.

4 系統優化

由于系統實時性要求特別高, 因此需要針對DM642的硬件特性對算法和配置進行相應的優化. 本文首先將EMCV庫和Opencv庫文件的C++文件改為C文件, 然后主要針對C語言和CCS提供的編譯器優化選項進行優化, 方法如下:

(1) 浮點轉定點運算[12,16]: 由于DM642是定點型DSP, 將程序中的浮點運算轉為定點運算后, 程序運行速度大大提高.

(2) EDMA搬移視頻數據[12]: EMCV可以在CPU不參與的情況下完成數據的復制.

(3) 使用內聯函數[12]: 頻繁的函數調用將導致系統額外開銷的增多, 將一些功能簡單的函數寫成內聯函數能大大增加系統運行速度.

(4) 使用編譯器選項進行優化[12,17]: 在編譯器中提供了若干等級和種類的自動優化選項.

●-O3: 表示可得到的最好程度的優化, 編譯器將執行各種優化循環的方法, 包括軟件流水、循環展開

●-pm: 聯合所有源程序文件在程序級優化代碼

本文采用了-O3和-pm優化選項, 使車牌定位速度大大提升.

5 算法的比較

(1) 結果如圖9所示, 單獨紋理檢測定位, 由于車牌背景復雜多變, 且易受環境和光照等影響, 難免會檢測出多個誤判的車牌區域, 本文將紋理檢測方法所帶造成的誤判稱為無方向性, 但是優點是檢測出的車牌區域中, 能夠包含整體的車牌, 如圖9(a), 而不會只檢測到一部分的車牌區域. 帶有偽區域張數定義為在車牌定位過程中的誤檢區域, 如圖9(b)單獨紋理檢測剪切出的偽區域.

圖9 單獨紋理檢測

(2) 結果如圖10所示, 如果只單獨使用Adaboost分類器方法, 就有以下缺點:

① 雖然Adaboost將強分類器級聯起來提高運行速度, 但這是相對于不將強分類級聯起來比較的. 一幀720x576的圖像數據, Adaboost分類器檢測時大部分的時間都花在積分圖上, 這勢必增加檢測時間.

② Adaboost分類器雖然能夠準確的識別某個區域有車牌, 但是有時候無法完全把車牌區域標識出來, 所以把這樣的定位視為失敗, 也就是說會導致車牌區域定位不完整, 這讓接下來的車牌分割與識別順利完成增加難度.

圖10 單獨Adaboost檢測

(3) 紋理檢測和Adaboost算法相結合

將紋理檢測得到的包含有車牌的小部分區域圖像輸入到Adaboost算法中進行過濾處理, 既能夠克服單獨Adaboost分類的定位區域不完整性, 而且能夠避免單獨檢測的無方向性, 大大提高了車牌定位的準確性.

定位過程, 紋理檢測與Adaboost相結合的方法相對于單獨Adaboost方法稍微快, 因為單獨Adaboost檢測需要計算整幅圖像的卷積圖, 而本文算法只是對紋理檢測后的子圖計算卷積圖, 并且紋理檢測后的子圖遠遠小于原圖. 紋理檢測與Adaboost相結合的方法檢測一幀圖像需要300 ms左右, 而單獨使用Adaboost算法定位需要400 ms左右. 整個系統運行后, 紋理檢測與Adaboost相結合的方法1秒能夠運行3-4幀, 而單獨使用Adaboost算法定位1秒能夠運行2-3幀.

6 DM642上檢測結果和PC服務器顯示結果

車牌在DM642上檢測結果在PC服務器上和LCD顯示器上顯示, 如圖11所示.

圖11 定位顯示結果

本文的定位準確率評判標準: 不僅能夠定位出車牌位置, 而且定位出來的矩形區域必須具有完整性. 定位的準確率與帶有偽區域張數是兩個獨立的量, 因為有些圖像能準確定位到車牌卻帶有一些誤檢的子圖,誤檢的子圖可以在車牌字符分割后得到的字符個數來確定是否是車牌, 故本文將帶有偽區域但能正確定位到車牌的圖像設為正確定位圖像. 本文在PC機上模擬定位, 樣本采自福建師范大學校內201張不同場景下的車牌圖像, 比較本文的定位算法與單獨使用紋理檢測方法和單獨使用Adaboost算法的準確率, 結果如表1所示.

表1 實驗結果比較

本文算法定位方法中錯誤定位7張, 其中2張是攝像頭與車牌間距比較近, 導致紋理檢測錯誤, 進而Adaboost分類算法無法過濾, 5張是車牌定位有斷裂現象, 如圖12(a). 剩下的194張中有2張定位正確, 但是帶有偽區域, 是因為Adaboost分類算法誤檢所致, 如圖12(b).

圖12 本文定位斷裂圖(a)和帶偽區域圖(b)

實驗表明, 紋理檢測和Adaboost相結合的方法很好的避免了紋理檢測的無方向性和單獨Adaboost分類定位的不完整性, 能大大剔除偽區域. 單獨紋理檢測過程, 為了能保證車牌區域不被濾除, 將檢測條件設置稍微寬松, 主要能保證在檢測到的所有子圖中存在車牌即可, 但這會造就帶有的偽區域張數特別多(58張), 又由于本文算法是基于紋理檢測后用A d a b o o s t進行過濾, 故準確率與單獨紋理檢測的準確率相同, 但非常大的優點能把偽區域張數剔除. 單獨Adaboost定位, 雖然能絕大部分定位到車牌區域, 但出現車牌不完整現象很嚴重, 導致準確率降到87.5%, 而且帶有54張偽區域. 若將帶有偽區域的圖片視為定位錯誤, 完全定位到有192張, 正確率也能達到95.5%, 而單獨紋理檢測和Adaboost定位正確率大大下降.

7 結束語

本文介紹了基于DM642的車牌實時檢測系統, 雖然本文只實現了車牌定位部分, 但是, 整個系統框架完全適用于車牌的整個識別系統. 定位部分提出一種基于車牌紋理特性檢測和Adaboost分類器相結合的車牌定位方法, 該方法相對于單獨紋理檢測和單獨Adaboost分類檢測, 定位準確率大大提高, 并且保證了車牌定位的完整性, 并且采用EMCV與Opencv圖像處理庫方法將代碼移植在DM642上, 使得本定位算法能夠實現實時定位的效果. 在確保車牌定位準確率的情況下, 能為接下來的車牌分割和車牌識別的順利進行提供了保障.

1丁亞男. 基于圖像分解的車牌定位算法. 電子科技, 2014,27(1): 42–44.

2萬燕, 徐勤燕, 黃蒙蒙. 復雜背景中基于紋理和顏色的車牌定位研究. 計算機應用與軟件, 2013, 30(10): 259–262, 316.[doi: 10.3969/j.issn.1000-386x.2013.10.089]

3郭延祥, 陳耀武. 基于邊緣檢測和顏色紋理直方圖的車牌定位方法. 計算機科學與探索, 2014, 8(6): 719–726.

4孫紅, 郭凱. 融合字符紋理特征與RGB顏色特征的車牌定位. 光電工程, 2015, 42(6): 14–19.

5柴曉榮, 劉錦高. 基于紋理分析的精確車牌定位算法. 計算機系統應用, 2010, 19(2): 160–163.

6穆長江, 苑瑋琦. 基于紋理特征的車牌定位方法. 控制工程, 2004, 11(6): 574–576.

7潘勇, 趙佳樂, 徐志剛, 等. 基于紋理特征的低照度環境下車牌定位與識別算法. 公路交通科技, 2015, 32(7): 140–148.

8張曉娜, 何仁, 陳士安, 等. 基于主動學習Adaboost算法與顏色特征的車牌定位. 交通運輸工程學報, 2013, 13(1): 121–126.

9曾毅. 遺傳算法在車牌定位中的應用. 福建電腦, 2015, (7):88–90.

10陳佳. 基于形態學的車牌定位方法的研究與應用[碩士學位論文]. 衡陽: 南華大學, 2015.

11Freund Y, Schapire RE. A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 1997, 55(1): 119–139.

12聶江浩. 基于DM642的人臉檢測系統的設計與實現[碩士學位論文]. 重慶: 重慶大學, 2009.

13Viola P, Jones M. Rapid object detection using a boosted cascade of simple features. Proc. of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Kauai, HI, USA. 2001. I-511–I-518.

14Lienhart R, Kuranov A, Pisarevsky V. Empirical analysis of detection cascades of boosted classifiers for rapid object detection. Lecture Notes in Computer Science. Berlin,Heidelberg. Springer. 2003. 297–304.

15TMS320DM642 Video/Imaging Fixed-Point Digital Signal Processor (SPRS200J). Texas Instruments, 2005.

16C Fast RTS Library User Guide (Rev 1.0). Texas Instruments,2008.

17TMS320C6000 Optimizing Compiler User’s Guide(SPRU187L). Texas Instruments, 2004.

Vehicle Plate Location by the Texture Recognition and Adaboost Classifier Based on DM642

CHEN Cun-Di, LIU Jin-Qing, LIU Yin, CAI Shu-Kuan, HE Shi-Qiang, ZHOU Xiao-Tong, DENG Shu-Min,
WU Qing-Xiang
(Key Laboratory of OptoElectronic Science and Technology for Medicine of Ministry of Education, College of Photonic and Electronic Engineering, Fujian Normal University, Fuzhou 350007, China)

The Intelligent transportation system is a real-time, accurate and efficient integrated transportation management system, with the LPR(License Plate Recognition) as one of its key technologies. In order to realize the real-time detection of license plate in the embedded systems, the license plate detection, location and recognition technology based on TMS320DM642 are studied. This paper proposes a kind of license plate location algorithm by combining texture detection with the Adaboost classifier. The system design combining with DM642 is based on EMCV and Opencv image processing library to come true coding porting. The system avoids the non-directional under the condition of only texture detection and the non-integrity under the condition of only Adaboost Classification, it also improves the accuracy of the positioning. In addition, the license plate image which has been located can be sent to the PC server by the TCP protocol.Then the license plate location and monitoring of remote vehicles can be realized.

TMS320DM642; texture detection; Adaboost classifier; EMCV; Opencv

陳存弟,劉金清,劉引,蔡淑寬,何世強,周曉童,鄧淑敏,吳慶祥.基于DM642的紋理檢測與Adaboost分類器相結合的車牌定位.計算機系統應用,2017,26(7):56–64. http://www.c-s-a.org.cn/1003-3254/5853.html

國家自然科學基金(61179011); 福建教育廳項目(JAS151254); 福建師大項目(I201502019)

2016-10-30; 收到修改稿時間: 2016-12-05