基于决策导向非循环图SVM的汽车车型识别

3 实验分析

本文用MATLAB7.0进行仿真实验，主要选取轿车、面包车、公交车和卡车作为车辆分类图像模式比对的实验类型，选取了280个样本(每类平均70个)，其中160个用于训练，120个用于测试。首先，构造了相应的SVM分类器，提取了180张车图像的特征值作为训练集，获取了最优分类面；然后，将剩余的120张汽车图像按照同样的过程进行特征值提取，再在训练好的支持向量机上进行分类，所得到的分类结果如表2所示，神经网络的实验结果如表3所示。

结果表明，与神经网络方法相比，DDAG SVM是一种对多类车进行分类切实可行的有效方法，不但分类精度高，而且识别效果也比较好。

为了解决对多类车的分类，本文提出了一种基于DDAG SVM对多种车型分类的方法，实验结果证明，DDAG SVM是一种对多类车进行分类切实可行的有效方法。由于实验中选用的车辆图片是以正侧面为主，与现实中任意方位角的车辆相比，还只是较特殊的一类，要具有普遍性，还得进一步继续深入研究。