1 摘要
该项目要求根据FPGA完结车牌定位算法。本项目拟充沛开掘FPGA并行运算在图画处理范畴的优势，完结根据Adboost算法的车牌检测硬件架构，终究完结车牌定位信息的实时输出。
2 体系原理和技能特色
2.1 Adaboost车牌定位算法原理
Adaboost车牌定位算法的规划，分为离线练习模块和在线辨认模块如图1所示，离线练习模块经过对很多正、负样本的学习，构成一系列的弱分类器（典型特征），然后根据权重把这些弱分类器组合成强分类器，如图2(a)所示。实践应用时，若干个强分类器构成如图2(b)所示的Cascade结构，Cascade结构就像一个筛孔可变的筛子，开端的筛孔很大，使得大多数车牌都能经过，在此基础上尽量扔掉反例，方位越靠后的筛孔越杂乱，即包括越多的弱分类器，因此也具有更强的分类才能。在线检测模块经过离线练习模块练习好的Cascade结构分类器，运用可以缩放的Haar特征，在待辨认图片上进行多标准的扫描，最终经过后续处理输出辨认成果（车牌方位信息）。在线检测算法流程如图3所示。首要检测当时窗口，若未经过分类器则跳出；若经过一切分类器则判定为车牌，然后检测下一窗口。扫描完当时图画今后，扩大检测窗口，从头扫描。
Adboost车牌定位算法根据Haar特征，Haar特征由一组矩形构成，图4所示便是几种Haar特征，是非矩形内像素的灰度加权和是该特征的特征值。积分图表明其图画中恣意一点，都是原始图画中行号和列号均小于该点的像素点像素值之和。使用积分图可以快速核算矩形的灰度和，即Sum=P1 +P4-P2-P3，其间Pi是积分图中矩形极点对应的积分值。多个Haar特征组成一个分类器，多个分类器级联可以进步检测精度。
经过对近30000车牌样本的离线练习，本实验室现已得到可以习惯杂乱环境的Adaboost车牌特征（辨认）库，完结的Adboost车牌检测算法在固定环境下摄影车辆图画，车牌定位辨认率可达99%。本次大赛将要点重视车牌Adaboost算法在线检测的FPGA完结。
图1 AdaBoost车牌定位算法框图
（a）
（b）
图2 (a)强分类器结构 (b)Cascade结构图
图3 Adboost车牌定位算法流程图
（1） （2） （3）
图4（1）Harr特征 （2）积分图 （3）灰度和
2.2体系作业原理
2.2.1 体系组成
如图5，整个体系由FPGA完结车牌定位算法，合作外围的视频A/D，D/A、存储器等芯片，完结图画的收集和定位符号与原始图画地叠加输出。
