解析獨立成分分析車(chē)標識別的原理與方法

由表1可見(jiàn)，本文提出的車(chē)標識別算法(即使訓練樣本只有33幅的小樣本情況下)，識別率也能達到90.9%。當訓練樣本增至110幅時(shí)，識別率可達到97.3%，高于參考文獻[5]方法的識別率。實(shí)驗中的識別時(shí)間均為平均的識別時(shí)間，與參考文獻[5]的識別方法相比，本文方法的識別速度更符合實(shí)時(shí)性的要求。其原因：在特征提取時(shí)，本文所用的ICA特征提取方法得到的基圖像不僅是不相關(guān)的，而且是統計獨立的，由此得到的圖像更能表示車(chē)標的局部信息，并能抑制光照等對識別的影響。而參考文獻[5]所用的PCA方法只是通過(guò)圖像的總體協(xié)方差矩陣得到更多的總體信息。在分類(lèi)器方面，本文所使用的FSVM是在傳統SVM的基礎上，根據不同輸入樣本對分類(lèi)的貢獻不同，賦以相應的隸屬度，從而能正確估計樣本對分類(lèi)的貢獻大小，抗噪聲能力強，因此具有更高的識別率，其特征提取和分類(lèi)器的設計更為合理、有效。而參考文獻[5]所采用的BP神經(jīng)網(wǎng)絡(luò )存在局部極小點(diǎn)、三層網(wǎng)絡(luò )隱節點(diǎn)數難確定等問(wèn)題[12]，因此BP神經(jīng)網(wǎng)絡(luò )作為車(chē)標識別分類(lèi)器時(shí)存在一定的局限性。

本文提出的車(chē)標識別方法在特征提取方面應用ICA方法，充分而有效提取了車(chē)標特征；在分類(lèi)器設計方面，基于FSVM的分類(lèi)器保證了較高的識別率、較強的抗噪能力和更短的訓練時(shí)間。實(shí)驗結果表明，本文提出的車(chē)標識別方法具有更高的識別率和更快的運算速度，具有應用價(jià)值。