解析独立成分分析车标识别的原理与方法

由表1可见，本文提出的车标识别算法(即使训练样本只有33幅的小样本情况下)，识别率也能达到90.9%。当训练样本增至110幅时，识别率可达到97.3%，高于参考文献[5]方法的识别率。实验中的识别时间均为平均的识别时间，与参考文献[5]的识别方法相比，本文方法的识别速度更符合实时性的要求。其原因：在特征提取时，本文所用的ICA特征提取方法得到的基图像不仅是不相关的，而且是统计独立的，由此得到的图像更能表示车标的局部信息，并能抑制光照等对识别的影响。而参考文献[5]所用的PCA方法只是通过图像的总体协方差矩阵得到更多的总体信息。在分类器方面，本文所使用的FSVM是在传统SVM的基础上，根据不同输入样本对分类的贡献不同，赋以相应的隶属度，从而能正确估计样本对分类的贡献大小，抗噪声能力强，因此具有更高的识别率，其特征提取和分类器的设计更为合理、有效。而参考文献[5]所采用的BP神经网络存在局部极小点、三层网络隐节点数难确定等问题[12]，因此BP神经网络作为车标识别分类器时存在一定的局限性。

本文提出的车标识别方法在特征提取方面应用ICA方法，充分而有效提取了车标特征；在分类器设计方面，基于FSVM的分类器保证了较高的识别率、较强的抗噪能力和更短的训练时间。实验结果表明，本文提出的车标识别方法具有更高的识别率和更快的运算速度，具有应用价值。