基于獨(dú)立成分分析和模糊支持向量機(jī)的車標(biāo)識(shí)別新方法

車輛識(shí)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(fèi)、停車場(chǎng)無人管理、違章車輛自動(dòng)記錄、盜搶車輛追查等領(lǐng)域都有廣泛的應(yīng)用，具有重大的經(jīng)濟(jì)價(jià)值和現(xiàn)實(shí)意義。車標(biāo)識(shí)別是車輛識(shí)別技術(shù)的重要組成部分，其核心技術(shù)是車標(biāo)定位和車標(biāo)識(shí)別，在準(zhǔn)確地定位車標(biāo)后，車標(biāo)圖像識(shí)別就成為一個(gè)關(guān)鍵問題。現(xiàn)有的車標(biāo)識(shí)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標(biāo)邊緣方向直方圖特征有時(shí)并不十分明顯，容易造成識(shí)別誤差；基于邊緣不變矩的方法雖然對(duì)圖像的平移、縮放和旋轉(zhuǎn)等不敏感，但計(jì)算量大且易受噪聲影響，使車標(biāo)識(shí)別率受到影響；基于SIFT特征的方法算法復(fù)雜，時(shí)間復(fù)雜度高；基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)于模糊車標(biāo)圖像識(shí)別率較低。因此，針對(duì)現(xiàn)有車標(biāo)識(shí)別方法的不足，本文提出了一種新的車標(biāo)識(shí)別方法。該方法的基本思想是，首先應(yīng)用主成分分析PCA(Principal Component Analysis)進(jìn)行數(shù)據(jù)降維，然后應(yīng)用獨(dú)立成分分析ICA(Independent Component Analysis)提取車標(biāo)特征，最后應(yīng)用模糊支持向量機(jī)FSVM(Fuzzy Support Vector Machine)設(shè)計(jì)分類器。實(shí)驗(yàn)結(jié)果表明，本文提出的車標(biāo)識(shí)別方法比其他車標(biāo)識(shí)別方法有更好的識(shí)別效果。
1 獨(dú)立成分分析及車標(biāo)特征提取
1.1 獨(dú)立成分分析
　ICA是信號(hào)處理領(lǐng)域在20世紀(jì)90年代后期發(fā)展起來的一項(xiàng)新處理方法，最初是用于盲信號(hào)的分離，目前已廣泛應(yīng)用于模式識(shí)別、數(shù)據(jù)壓縮、圖像分析等領(lǐng)域。ICA可以在不知道信號(hào)源和傳輸參數(shù)的情況下，根據(jù)輸入信號(hào)源的統(tǒng)計(jì)特征，僅觀測(cè)信號(hào)恢復(fù)或提取源信號(hào)。

3 實(shí)驗(yàn)結(jié)果與分析
3.1 實(shí)驗(yàn)對(duì)象
　目前在車標(biāo)識(shí)別領(lǐng)域還沒有標(biāo)準(zhǔn)的車標(biāo)圖像庫(kù)，因此本文采用自建的車標(biāo)庫(kù)進(jìn)行實(shí)驗(yàn)。由于天氣或拍攝角度等因素的影響，所獲得的車標(biāo)并非全部都是理想車標(biāo)圖像。如圖2所示，其中第1列為理想車標(biāo)，第2列為光照不均車標(biāo)，第3列為含有噪聲的車標(biāo)，第4列是由于車標(biāo)定位分割不準(zhǔn)以致圖像邊緣含有大量非車標(biāo)信息，第5列是傾斜車標(biāo)。

　自建的車標(biāo)圖像庫(kù)共有大眾、本田在內(nèi)的11種常見車標(biāo)，每類有20幅圖像，存儲(chǔ)類型為BMP格式，每幅圖像的原始分辨率為39×32~101×109。為了方便數(shù)據(jù)處理，在預(yù)處理階段全部被歸一化為56×46，并全部進(jìn)行灰度化處理。
3.2 實(shí)驗(yàn)及結(jié)果分析
　本實(shí)驗(yàn)在P4 CPU 2.66 GHz，512 MB內(nèi)存，Matlab環(huán)境下進(jìn)行。與參考文獻(xiàn)[1-4]的各車標(biāo)識(shí)別方法相比較，參考文獻(xiàn)[5]提出的基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的車標(biāo)識(shí)別算法具有較高的識(shí)別率和較短的識(shí)別時(shí)間，因此，本文與基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的車標(biāo)識(shí)別方法作對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)時(shí)，兩種方法均依次取每類車標(biāo)的前3幅、前6幅、前10幅圖像作為訓(xùn)練樣本，其余的車標(biāo)圖像作為測(cè)試樣本。參考文獻(xiàn)[5]中的BP神經(jīng)網(wǎng)絡(luò)選擇S型函數(shù)(Sigmoid函數(shù))作為激活函數(shù)。實(shí)驗(yàn)結(jié)果如表1所示。

　由表1可見，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。
參考文獻(xiàn)
[1] 李貴俊.運(yùn)動(dòng)車輛類型精確識(shí)別技術(shù)研究[D].成都：四川大學(xué)，2005.
[2] 羅彬，游志勝，曹剛.基于邊緣直方圖的快速汽車標(biāo)志識(shí)別方法[J].計(jì)算應(yīng)用研究，2004(6)：150-157.
[3] 王枚，王國(guó)宏，高小林，等.基于PCA和邊緣不變矩的車標(biāo)識(shí)別新方法[J].計(jì)算機(jī)工程與應(yīng)用，2008，44(4)：224-229.
[4] 高倩.車標(biāo)識(shí)別方法研究[D].大連：大連海事大學(xué)，2008.
[5] 寧瑩瑩，李文舉，王新年.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的車標(biāo)識(shí)別[J].遼寧師范大學(xué)學(xué)報(bào)，2010，33(2)：179-184.
[6] HY V A， OJA E. Independent component analysis：algorithm and application[J]. Neural Networks， 2000，13(4-5)：411-430.
[7] 楊福生，洪波.獨(dú)立分量分析的原理與應(yīng)用[M].北京：清華大學(xué)出版社，2006.
[8] INOUET T，ABE S. Fuzzy support vector machines for patter classification[C]. Proceding of International Joint Conference on Neural Networks.Washington DC：[s.n.]，2001：1449-1455.
[9] TSUJINISHI D，ABE S. Fuzzy least squares support vector machines for multiclass problems[J]. Neural Networks，2003， 16(5-6)：758-792.
[10] Lin Chunfu ， Wang Shengde . Fuzzy support vector machinew[J]. IEEE Transactions on Neural Networks，2002，13(2)：464-471.
[11] 劉太安，梁永全.一種新的模糊支持向量機(jī)多分類算法[J].計(jì)算機(jī)應(yīng)用研究，2008，25(7)：2041-2046.
[12] 鮑立威，何敏，沈平.關(guān)于BP模型的缺陷的討論[J].模式識(shí)別與人工智能，1995，8(1)：1-4.