潘秋萍 杨万扣 孙长银

(东南大学自动化学院，南京 210096)

车牌识别系统(license plate recognition，LPR)作为智能交通的重要组成部分，具有重要的实用价值和广泛的应用前景.LPR主要包括车牌检测、字符分割、字符识别3个部分.车牌检测是最为关键的环节，其检测精度和速度直接影响整个车牌识别系统的性能［1］.

目前车牌检测的算法有很多，主要分为2大类:一类是基于车牌规则特征的检测方法［2-3］，一类是基于统计学习的检测方法［4-5］.前者复杂度小，使用广泛，但是不适合复杂背景下的检测.后者适用于复杂背景下的检测，它的鲁棒性优于基于规则特征的车牌检测算法，但是它需要的样本多，样本选取较难，特征提取要求高，计算量大.AdaBoost算法能够实时地检测到车牌，检测精度高，且有较高的鲁棒性.

传统的AdaBoot算法使用单一的Haar特征［6］作为分类器，需要大量的特征来达到较高的检测率和较低的误检率，训练耗时.另外AdaBoot算法训练过程中的权重更新规则使得学习算法专注于比较难分类的样本，但是当训练样本包含有噪声、光照、污渍的样本时，这些样本的权重就会呈指数增长，最终会导致权值分布严重扭曲的现象，降低了算法的检测性能［7］.为解决传统的AdaBoost算法训练耗时和权值扭曲的现象，左景龙等人提出了一种基于 MB-LBP［8］特征的 AdaBoost算法［9］.但是计算一个MB-LBP特征的时间大于Haar特征，选择出来的MB-LBP特征的分类能力下降，甚至低于某些Haar特征.

本文提出融合Haar特征和MB-LBP特征的AdaBoost算法并应用于车牌检测:1)以车牌中的数字单独作为训练样本［10］，给出的新算法检测的是数字区域；……