（1)
[0044] 其中，或者k和1分别为遮阳板图像样本数量和非遮阳板图像样本 数量。
[0045] 然后，对所有图像样本的误差权重进行归一化处理，并对每一个MB-LBP特征训练 对应的弱分类器，计算每一个MB-LBP特征弱分类器相对于所有MB-LBP特征弱分类器的加 权错误率，选择加权错误率最小的MB-LBP特征弱分类器添加到强分类器中。
[0046] 众所周知，Adaboost算法是一种迭代算法，需要经过多轮的弱分类器训练最终生 成强分类器。在新一轮弱分类器训练之前需要根据前一轮弱分类器的训练结果更新图像样 本的误差权重。本申请实施例为了避免遮阳板形态多样化、遮阳板上放置奇特物品以及光 照、噪声等影响，采取了新的误差权重更新方式，具体为： LlN 丄UOldsysy A yJ^ rVJ JM
[0047]
公式（2)
[0048] 其中，wt+1, i为计算第t+1轮弱分类器时第i个图像样本的误差权重；w t, i为计算 第t轮弱分类器时第i个图像样本的误差权重；yi为第i个图像样本的标签，可以取+1或 者-I ;ft(X1)为第i个图像样本经过第t轮弱分类器训练后得到的分类结果；β t为现有 Adaboost算法的误差权重调整因子；α ,为本申请新增的权重调整速率因子。
[0049]
公式（3)[0050] ε t为第t轮弱分类器训练时的最小加权错误率。
[0051] 公式（4)
[0052] 公式（5)
[0053] Wt为误差权重门限值；N为图像样本数量。
[0054] 本申请实施例中，将误差权重门限值作为误差权重调整的分界线。当第t轮误差 权重小于误差权重门限值时，线性放大权重调整速率，当第t轮误差权重大于误差权重门 限值时，认为当前图像样本与正常的遮阳板图像样本差别过大，线性缩小权重调整速率。对 于遮阳板这种较单调的目标来说，权重调整速率因子比非线性或者传统方案更加适合单调 目标，因此，训练出的遮阳板分类器在普通道路场景中的遮阳板检出率更高。
[0055] 在通过上述方法获得新一轮的误差权重后，计算新一轮的弱分类器，选择新一轮 中加权错误率最小的MB-LBP特征弱分类器添加到强分类器中。如此循环，直至完成一个强 分类器的训练。
[0056] 在完成一个强分类器训练后，更新非遮阳板图像样本，进行下一个强分类器训练， 直到达到预设的正检率和误检率要求，停止分类器训练，将多个强分类器级联构成遮阳板 分类器。
[0057] 步骤102,获取待检测图像。
[0058] 步骤103,转化所述待检测图像为灰度图像。
[0059] 步骤104,通过定位所述灰度图像中车窗右上角的位置确定车窗位置。
[0060] 本申请实施例通过定位车窗右上角的位置来确定车窗位置，该方法比采用线段检 测定位车窗位置更加准确，具体定位过程如下：
[0061] 首先，生成车窗右上角定位滤波器。该车窗右上角定位滤波器的生成过程如下：
[0062] 1)收集大量包含车窗右上角的图片样本和不包含车窗右上角的图片样本。
[0063] 2)根据收集的图片样本中的车牌位置确定车窗右上角的候选区域。
[0064] 本申请实施例可通过现有技术手段获取图片样本中的车牌信息，包括车牌颜色、 车牌坐标等信息。假设车牌的中心点坐标为（X p，Yp)，车牌宽度为Width，则车窗右上角候选 区域（坐标原点默认为车窗左上角）的左上角坐标为（X p+Width，Yp-4XWidth)，右下角坐 标为（Xp+2. 5XWidth，Yp-2. 5XWidth)。
[0065] 3)根据车窗右上角的候选区域对收集的图片样本进行二分类。
[0066] 例如，采用SVM(Support Vector Machine,支持向量机）进行二分类。
[0067] 4)根据分类结果获取距离二分类分界面较远的包含车窗右上角的图片样本。
[0068] 本申请实施例通过引入松弛变量I1剔除距离分界面较近的图片样本。经过大量 实验验证，若不引入松弛变量，将所有包含车窗右上角的图片样本作为车窗右上角定位滤 波器的训练图片样本，则生成的车窗右上角定位滤波器的定位准确率较低；而将距离分界 面较远的包含车窗右上角的图片样本作为车窗右上角定位滤波器的训练图片样本，生成的 车窗右上角定位滤波器的定位准确率较高，可提升约5%。具体可参见如下二分类函数：
[0069] yj^xj+b]彡 1-ξ ; 公式（6)
[0070] 其中，图片样本特征向量;w为权重向量；b为偏置为图片样本距离超平面 的距离；ξ i为松弛变量。
[0071] 5)对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行归一化处 理。
[0072] 具体为，首先对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行 灰度化处理；然后进行对数增强预处理，以减弱阴影及强光的影响；再规范为均值为〇、方 差为1的图片样本。
[0073] 6)对归一化处理后的包含车窗右上角的图片样本标定车窗右上角位置。
[0074] 7)统计所有标定的车窗右上角位置生成车窗右上角定位滤波器。
[0075] 可通过加权计算得到最终的车窗右上角定位滤波器，具体为：
[0076] 公式（7)
[0077] 公式（8)
[0078] 公式（9)
[0079] 其中，Xl、yi为标定的车窗右上角位置；Xpy ni为包含车窗右上角的图片样本的中心 位置；％为滤波器的权重系数；I |a| I表示对进行归一化处理；a' i为归一化处理后的滤 波器权重系数；η为包含车窗右上角的图片样本数量y)为第i张车窗右上角图片样 本对应的定位滤波器。
[0080] 由公式（8)可以看出，当标定的车窗右上角的位置距离图片样本中心位置越近， 该图片样本对应的滤波器权重系数越大。这是由于在进行车窗右上角标定时，会特意将车 窗右上角作为图片样本的中心，因此，当标定的车窗右上角距离图片样本中心越近时，认为 从该图片样本求出的定位滤波器越重要，相应地，为该图片样本滤波器分配的权重系数越 大。
[0081] 此外，本申请实施例中的定位滤波器是为了得到下述公式（10)的滤波结果而设 定，因此，在完成对每一张包含车窗右上角的图片样本的标定后，即可获得对应图片样本的 定位滤波器Ii i (X，y)。
[0082] 通过上述处理过程生成车窗右上角定位滤波器后，利用该车窗右上角定位滤波器 对步骤103输出的灰度图像进行滤波，可得到如下滤波后的函数：
[0083]
公式（10)
[0084] 其中，f(x，y)为步骤103输出的灰度图像。
[0085] 根据滤波结果g(x，y)取最大值所处位置（H1)为车窗右上角的位置，从而完成 车窗位置的定位。
[0086] 步骤105,根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小 检测窗口。
[0087] 本申请实施例利用车牌信息设置遮阳板的最大检测窗口和最小检测窗口。具体可 通过人工标定大量车辆图片样本的方式，计算遮阳板宽度与车牌宽度的比值关系，例如，在 一种优选的方式中，遮阳板宽度与车牌宽度的比值范围在1. 05~1. 40之间，因此，可根据 该比值范围在已知车牌信息的情况下确定遮阳板的最大检测窗口和最小检测窗口。
[0088] 步骤106,在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述 遮阳板的检测窗口进行缩放。
[0089] 步骤107,利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗 位置的上部三分之一图像进行多尺度遮阳板检测。
[0090] 利用前述训练得到的遮阳板分类器对步骤104定位的车窗位置的上部三分之一 图像进行多尺度检测（通过缩放得到的多个检测窗口进行检测），可初步确定遮阳板图像。 本申请实施例仅对车窗位置的上部三分之一图像进行遮阳板检测主要是考虑到遮阳板相 对