解析独立成分分析车标识别的原理与方法

3 实验结果与分析

3.1 实验对象

目前在车标识别领域还没有标准的车标图像库，因此本文采用自建的车标库进行实验。由于天气或拍摄角度等因素的影响，所获得的车标并非全部都是理想车标图像。如图2所示，其中第1列为理想车标，第2列为光照不均车标，第3列为含有噪声的车标，第4列是由于车标定位分割不准以致图像边缘含有大量非车标信息，第5列是倾斜车标。

自建的车标图像库共有大众、本田在内的11种常见车标，每类有20幅图像，存储类型为BMP格式，每幅图像的原始分辨率为39×32~101×109。为了方便数据处理，在预处理阶段全部被归一化为56×46，并全部进行灰度化处理。

3.2 实验及结果分析

本实验在P4 CPU 2.66 GHz，512 MB内存，Matlab环境下进行。与参考文献[1-4]的各车标识别方法相比较，参考文献[5]提出的基于主成分分析和BP神经网络的车标识别算法具有较高的识别率和较短的识别时间，因此，本文与基于主成分分析和BP神经网络的车标识别方法作对比实验。实验时，两种方法均依次取每类车标的前3幅、前6幅、前10幅图像作为训练样本，其余的车标图像作为测试样本。参考文献[5]中的BP神经网络选择S型函数(Sigmoid函数)作为激活函数。实验结果如表1所示。