文档介绍：计 算 机 工 程 2008 年 6 月
第 34 卷 第 11 期 建模，这些特征都需要有一定的目标和非目标区分性。
随着公路基础建设以及汽车工业的发展和车辆数量的不 Adaboost 算法用于车标定位检测时，需要从车标图像中抽取
断增加，智能交通系统的应用日益广泛，并取得了巨大的经 大量的简单特征。本检测器选择由文献[5] 提出的扩展
济和社会效益。 Haar-like 的特征，该特征适用于车标定位检测，如图 1 所示。
车标定位是在车辆图像中定位出车标的位置。由于车辆
图像都采集于自然环境中，而自然环境中车标和背景的成像
条件是不可控制的，随机变化的因素(尤其是光照条件)和复
杂的背景信息给目标搜索带来巨大困难。不同光照条件下，
车标亮度、明暗对比度都有很大变化。同时，车标区域在整
幅图像中所占的比例较小，要从整幅图像中定位出车标区域
必然要在大量的背景信息中进行搜索，而且由于实时性的要
求，通常要求算法能快速、准确地完成车标定位。如果没有
1 Haar-like
高效率的搜索方法，就需要耗费大量的计算时间和存储空间。 图 特征
所以，车标定位技术一直以来是车标识别系统的一个关键技