汽車車牌定位識別完整設計

1 摘要

該項目要求基於FPGA完成車牌定位算法。本項目擬充分發掘FPGA並行運算在圖像處理領域的優勢，實現基於Adboost算法的車牌檢測硬體架構，最終完成車牌定位信息的實時輸出。

2 系統原理和技術特點

2.1 Adaboost車牌定位算法原理

Adaboost車牌定位算法的設計，分為離線訓練模塊和在線識別模塊如圖1所示，離線訓練模塊通過對大量正、負樣本的學習，形成一系列的弱分類器（典型特徵），然後依據權重把這些弱分類器組合成強分類器，如圖2(a)所示。實際應用時，若干個強分類器構成如圖2(b)所示的Cascade結構，Cascade結構就像一個篩孔可變的篩子，開始的篩孔很大，使得大多數車牌都能通過，在此基礎上儘量拋棄反例，位置越靠後的篩孔越複雜，即包含越多的弱分類器，因而也具有更強的分類能力。在線檢測模塊通過離線訓練模塊訓練好的Cascade結構分類器，使用可以縮放的Haar特徵，在待識別圖片上進行多尺度的掃描，最後經過後續處理輸出識別結果（車牌位置信息）。在線檢測算法流程如圖3所示。首先檢測當前窗口，若未通過分類器則跳出；若通過所有分類器則判定為車牌，然後檢測下一窗口。掃描完當前圖像以後，放大檢測窗口，重新掃描。

Adboost車牌定位算法基於Haar特徵，Haar特徵由一組矩形構成，圖4所示就是幾種Haar特徵，黑白矩形內像素的灰度加權和是該特徵的特徵值。積分圖表示其圖像中任意一點，都是原始圖像中行號和列號均小於該點的像素點像素值之和。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對應的積分值。多個Haar特徵組成一個分類器，多個分類器級聯可以提高檢測精度。

通過對近30000車牌樣本的離線訓練，本實驗室已經得到能夠適應複雜環境的Adaboost車牌特徵（識別）庫，實現的Adboost車牌檢測算法在固定環境下拍照車輛圖像，車牌定位識別率可達99%。本次大賽將重點關注車牌Adaboost算法在線檢測的FPGA實現。

圖1 AdaBoost車牌定位算法框圖

（a）

（b）

圖2 (a)強分類器構造 (b)Cascade結構圖

圖3 Adboost車牌定位算法流程圖

（1） （2） （3）

圖4（1）Harr特徵 （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，整個系統由FPGA完成車牌定位算法，配合外圍的視頻A/D，D/A、存儲器等晶片，完成圖像的採集和定位標記與原始圖像地疊加輸出。