474 智能系统学报 第5卷 低漏检率。 域3为真实车牌的可信度最高，故将车牌区域3作为 对于虚警，采用车牌号码验证的方法，即利用 最终的车牌定位结果。 AdaBoost算法训练出的大数字检测器（训练该检测器 的正样本为车牌中的车牌号码0~9，共1500个)去 牌域1 检测每个候选车牌区域中出现的车牌号码（可通过相 个牌区域2 对于车牌区域的位置信息和相对尺寸排除一部分虚 警，以提高车牌号码信息的可信度)，最后通过车牌号 码信息排除虚警区域，此外，这里检测出的车牌号码 年牌区域3 位置信息还可以为以后的车牌字符分割提供重要的 参考信息.如图6所示，车牌区域1中共检测出1个 图6利用AdaBoost车牌检测器得到的检测结果 车牌号码，车牌区域2中共检测出0个车牌号码，车 Fig.6 The detection results by AdaBoost classifier 牌区域3中共检测出4个车牌号码，由此可知车牌区 表1多种车牌定位方法的检测精度对比 Table 1 Comparison results about license plate location methods on location performance 多 正常图像(545幅) 曝光图像(354幅) 阴影图像(500幅)》 所有图像(1399幅) 定位方法 定位率漏检率虚警率定位率漏检率虚警率 定位率漏检率虚警率 定位率漏检率虚警率 连通域方法 87.71.8 10.5 76.6 2.5 20.9 81.8 6.0 12.2 82.8 3.5 13.7 Gray+AdaBoost's] 98.51.30.2 95.53.70.8 87.612.40.0 93.9 5.8 0.3 DoG+AdaBoost 97.42.60.0 97.52.20.3 93.86.0 0.2 96.2 3.7 0.1 本文方法 100.00.00.0 99.40.30.3 96.63.20.2 98.7 1.2 0.1 注：所有测试样本均为灰度图像；方法2,3、4均采用本文中提出车牌号码信息验证的方法排除虚警 表2多种车牌定位方法的平均检测时间对比 Table 2 Comparison results about license plate location methods on average time consuming ms 检测方法 连通域方法 Gray AdaBoost DoG+AdaBoost 本文方法 平均检测时间 38 95 93 135 注：测试平台为Intel Core(TM)2 Duo CPU E74002.80GHz,2 GB RAM.图像尺寸为1024×500 和Gray+AdaBoost分类器构成一个2级车牌检测 4 实验结果及分析 器，从而取得了更好的检测效果 由表1可知基于AdaBoost算法的车牌检测器 定位效果要明显优于基于连通域(connected compo- 5结束语 nents)算法的车牌检测器，这是由算法本身特点导 提出一种基于DoG图像的AdaBoost车牌检测 致的.1)基于连通域的车牌检测器是在二值图像上 算法，利用该算法与文献[5]中提出的算法构成一 对连通块进行统计，根据连通块信息确定车牌区域， 个二级车牌检测器对车辆图像进行车牌检测并结合 该方法对图像二值化效果很敏感.2)有些日文车牌 车牌区域的车牌号码信息对车牌区域进行校验，以 中只存在1个或2个车牌号码，直接用连通块信息 实现车牌区域的精确定位.实验结果表明本文采用 分析很容易产生虚警.3)基于AdaBoost算法的车牌 的车牌定位方法在各种光照条件下表现得都很鲁 检测器由于训练阶段准备的训练数据代表性比较强 棒，具有很高的实用价值.由于采用的是2级检测 (包含多种光照条件、多种颜色和不同角度（±15° 器，所以车牌的平均定位时间会有所增加，在实际系 范围)的正样本)，故其适应性非常强.通过车牌中 统中，目标检测的实时性是很重要的一个指标，如何 大数字信息对检测到的车牌区域进行验证，使该类 平衡检测器的检测精度和时间花费，将是下一步工 检测器虚警率非常低.4)DoG+AdaBoost分类器在 作的重点 曝光和阴影条件下表现优于Gray+AdaBoost分类 器，而Gray+AdaBoost分类器在正常光照条件下表 参考文献： 现要相对好一些，所以利用DoG+AdaBoost分类器 [1]HONGLIANG B,CHANGPING L.A hybrid licenseplate