解析独立成分分析车标识别的原理与方法

车辆识别技术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。

3 实验结果与分析

3.1 实验对象

目前在车标识别领域还没有标准的车标图像库，因此本文采用自建的车标库进行实验。由于天气或拍摄角度等因素的影响，所获得的车标并非全部都是理想车标图像。如图2所示，其中第1列为理想车标，第2列为光照不均车标，第3列为含有噪声的车标，第4列是由于车标定位分割不准以致图像边缘含有大量非车标信息，第5列是倾斜车标。

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。