·上一文章：基于ARM9的CMOS图像采集系统的设计与实现
·下一文章：提高汽车引擎控制单元的测试速度
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。
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。
参考文献
[1] 李贵俊.运动车辆类型精确识别技术研究[D].成都：四川大学，2005.
[2] 罗彬，游志胜，曹刚.基于边缘直方图的快速汽车标志识别方法[J].计算应用研究，2004(6)：150-157.
[3] 王枚，王国宏，高小林，等.基于PCA和边缘不变矩的车标识别新方法[J].计算机工程与应用，2008，44(4)：224-229.
[4] 高倩.车标识别方法研究[D].大连：大连海事大学，2008.
[5] 宁莹莹，李文举，王新年.基于主成分分析和BP神经网络的车标识别[J].辽宁师范大学学报，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] 杨福生，洪波.独立分量分析的原理与应用[M].北京：清华大学出版社，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] 刘太安，梁永全.一种新的模糊支持向量机多分类算法[J].计算机应用研究，2008，25(7)：2041-2046.
[12] 鲍立威，何敏，沈平.关于BP模型的缺陷的讨论[J].模式识别与人工智能，1995，8(1)：1-4.
