解析獨(dú)立成分分析車標(biāo)識(shí)別的原理與方法

由表1可見(jiàn)，本文提出的車標(biāo)識(shí)別算法(即使訓(xùn)練樣本只有33幅的小樣本情況下)，識(shí)別率也能達(dá)到90.9%。當(dāng)訓(xùn)練樣本增至110幅時(shí)，識(shí)別率可達(dá)到97.3%，高于參考文獻(xiàn)[5]方法的識(shí)別率。實(shí)驗(yàn)中的識(shí)別時(shí)間均為平均的識(shí)別時(shí)間，與參考文獻(xiàn)[5]的識(shí)別方法相比，本文方法的識(shí)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(tǒng)計(jì)獨(dú)立的，由此得到的圖像更能表示車標(biāo)的局部信息，并能抑制光照等對(duì)識(shí)別的影響。而參考文獻(xiàn)[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。在分類器方面，本文所使用的FSVM是在傳統(tǒng)SVM的基礎(chǔ)上，根據(jù)不同輸入樣本對(duì)分類的貢獻(xiàn)不同，賦以相應(yīng)的隸屬度，從而能正確估計(jì)樣本對(duì)分類的貢獻(xiàn)大小，抗噪聲能力強(qiáng)，因此具有更高的識(shí)別率，其特征提取和分類器的設(shè)計(jì)更為合理、有效。而參考文獻(xiàn)[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(jié)點(diǎn)數(shù)難確定等問(wèn)題[12]，因此BP神經(jīng)網(wǎng)絡(luò)作為車標(biāo)識(shí)別分類器時(shí)存在一定的局限性。

本文提出的車標(biāo)識(shí)別方法在特征提取方面應(yīng)用ICA方法，充分而有效提取了車標(biāo)特征；在分類器設(shè)計(jì)方面，基于FSVM的分類器保證了較高的識(shí)別率、較強(qiáng)的抗噪能力和更短的訓(xùn)練時(shí)間。實(shí)驗(yàn)結(jié)果表明，本文提出的車標(biāo)識(shí)別方法具有更高的識(shí)別率和更快的運(yùn)算速度，具有應(yīng)用價(jià)值。