1 摘要 该项目要求基于FPGA完成车牌定位算法。本项目拟充分发掘FPGA并行运算在图像处理领域的优势，实现基于Adboost算法的车牌检测硬件架构，最终完成车牌定位信息的实时输出。
2 系统原理和技术特点 2.1 Adaboost车牌定位算法原理 Adaboost车牌定位算法的设计，分为离线训练模块和在线识别模块如图1所示，离线训练模块通过对大量正、负样本的学习，形成一系列的弱分类器（典型特征），然后依据权重把这些弱分类器组合成强分类器，如图2(a)所示。实际应用时，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，开始的筛孔很大，使得大多数车牌都能通过，在此基础上尽量抛弃反例，位置越靠后的筛孔越复杂，即包含越多的弱分类器，因而也具有更强的分类能力。在线检测模块通过离线训练模块训练好的Cascade结构分类器，使用可以缩放的Haar特征，在待识别图片上进行多尺度的扫描，最后经过后续处理输出识别结果（车牌位置信息）。在线检测算法流程如图3所示。首先检测当前窗口，若未通过分类器则跳出；若通过所有分类器则判定为车牌，然后检测下一窗口。扫描完当前图像以后，放大检测窗口，重新扫描。
Adboost车牌定位算法基于Haar特征，Haar特征由一组矩形构成，图4所示就是几种Haar特征，黑白矩形内像素的灰度加权和是该特征的特征值。积分图表示其图像中任意一点，都是原始图像中行号和列号均小于该点的像素点像素值之和。利用积分图可以快速计算矩形的灰度和，即Sum=P1 +P4-P2-P3，其中Pi是积分图中矩形顶点对应的积分值。多个Haar特征组成一个分类器，多个分类器级联可以提高检测精度。
通过对近30000车牌样本的离线训练，本实验室已经得到能够适应复杂环境的Adaboost车牌特征（识别）库，实现的Adboost车牌检测算法在固定环境下拍照车辆图像，车牌定位识别率可达99%。本次大赛将重点关注车牌Adaboost算法在线检测的FPGA实现。
图1 AdaBoost车牌定位算法框图
（a）
（b）
图2 (a)强分类器构造 (b)Cascade结构图 | 
