解析獨立成分分析車(chē)標識別的原理與方法

車(chē)輛識別技術(shù)是智能交通領(lǐng)域的重要研究課題，在橋梁路口自動(dòng)收費、停車(chē)場(chǎng)無(wú)人管理、違章車(chē)輛自動(dòng)記錄、盜搶車(chē)輛追查等領(lǐng)域都有廣泛的應用，具有重大的經(jīng)濟價(jià)值和現實(shí)意義。車(chē)標識別是車(chē)輛識別技術(shù)的重要組成部分，其核心技術(shù)是車(chē)標定位和車(chē)標識別，在準確地定位車(chē)標后，車(chē)標圖像識別就成為一個(gè)關(guān)鍵問(wèn)題?，F有的車(chē)標識別方法有：基于模板匹配[1]、基于邊緣直方圖[2]、基于邊緣不變矩[3]、基于SIFT特征[4]以及基于主成分分析和BP神經(jīng)網(wǎng)絡(luò )[5]等方法。但是，基于模板匹配的方法在圖像傾斜的情況下效果不太理想；基于邊緣直方圖的方法提取的車(chē)標邊緣方向直方圖特征有時(shí)并不十分明顯，容易造成識別誤差；基于邊緣不變矩的方法雖然對圖像的平移、縮放和旋轉等不敏感，但計算量大且易受噪聲影響，使車(chē)標識別率受到影響；基于SIFT特征的方法算法復雜，時(shí)間復雜度高；基于主成分分析和BP神經(jīng)網(wǎng)絡(luò )的方法對于模糊車(chē)標圖像識別率較低。因此，針對現有車(chē)標識別方法的不足，本文提出了一種新的車(chē)標識別方法。該方法的基本思想是，首先應用主成分分析PCA(Principal Component Analysis)進(jìn)行數據降維，然后應用獨立成分分析ICA(Independent Component Analysis)提取車(chē)標特征，最后應用模糊支持向量機FSVM(Fuzzy Support Vector Machine)設計分類(lèi)器。實(shí)驗結果表明，本文提出的車(chē)標識別方法比其他車(chē)標識別方法有更好的識別效果。

1 獨立成分分析及車(chē)標特征提取

1.1 獨立成分分析

ICA是信號處理領(lǐng)域在20世紀90年代后期發(fā)展起來(lái)的一項新處理方法，最初是用于盲信號的分離，目前已廣泛應用于模式識別、數據壓縮、圖像分析等領(lǐng)域。ICA可以在不知道信號源和傳輸參數的情況下，根據輸入信號源的統計特征，僅觀(guān)測信號恢復或提取源信號。