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.