车辆识别技术一直是智能交通领域的重要研究课题,在桥梁路口自动收费、停车场无人管理、违章车辆自动记录、盗抢车辆追查等领域都有广泛的应用,具有重大的经济价值和现实意义。车标识别是车辆识别技术的重要组成部分,其核心技术是车标定位和车标识别,在准确地定位车标后,车标图像识别就成为一个关键问题。现有的车标识别方法有:基于模板匹配[1]、基于边缘直方图[2]、基于边缘不变矩[3]、基于SIFT特征[4]以及基于主成分分析和BP神经网络[5]等方法。但是,基于模板匹配的方法在图像倾斜的情况下效果不太理想;基于边缘直方图的方法提取的车标边缘方向直方图特征有时并不十分明显,容易造成识别误差;基于边缘不变矩的方法虽然对图像的平移、缩放和旋转等不敏感,但计算量大且易受噪声影响,使车标识别率受到影响;基于SIFT特征的方法算法复杂,时间复杂度高;基于主成分分析和BP神经网络的方法对于模糊车标图像识别率较低。因此,针对现有车标识别方法的不足,本文提出了一种新的车标识别方法。该方法的基本思想是,首先应用主成分分析PCA(Principal Component Analysis)进行数据降维,然后应用独立成分分析ICA(Independent Component Analysis)提取车标特征,最后应用模糊支持向量机FSVM(Fuzzy Support Vector Machine)设计分类器。实验结果表明,本文提出的车标识别方法比其他车标识别方法有更好的识别效果。
1 独立成分分析及车标特征提取
1.1 独立成分分析
ICA是信号处理领域在20世纪90年代后期发展起来的一项新处理方法,最初是用于盲信号的分离,目前已广泛应用于模式识别、数据压缩、图像分析等领域。ICA可以在不知道信号源和传输参数的情况下,根据输入信号源的统计特征,仅观测信号恢复或提取源信号。