解析獨立成分分析車標識別的原理與方法

車輛識別技術是智能交通領域的重要研究課題，在橋梁路口自動收費、停車場無人管理、違章車輛自動記錄、盜搶車輛追查等領域都有廣泛的應用，具有重大的經(jīng)濟價值和現(xiàn)實意義。車標識別是車輛識別技術的重要組成部分，其核心技術是車標定位和車標識別，在準確地定位車標后，車標圖像識別就成為一個關鍵問題?，F(xiàn)有的車標識別方法有：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[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標邊緣方向直方圖特征有時并不十分明顯，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，使車標識別率受到影響；基于SIFT特征的方法算法復雜，時間復雜度高；基于主成分分析和BP神經(jīng)網(wǎng)絡的方法對于模糊車標圖像識別率較低。因此，針對現(xiàn)有車標識別方法的不足，本文提出了一種新的車標識別方法。該方法的基本思想是，首先應用主成分分析PCA(Principal Component Analysis)進行數(shù)據(jù)降維，然后應用獨立成分分析ICA(Independent Component Analysis)提取車標特征，最后應用模糊支持向量機FSVM(Fuzzy Support Vector Machine)設計分類器。實驗結果表明，本文提出的車標識別方法比其他車標識別方法有更好的識別效果。

1 獨立成分分析及車標特征提取

1.1 獨立成分分析

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