基于2DPCA-ICA和SVM的车标识别新方法.pdfVIP

第 34卷第 2期 辽宁师范大学学报(自然科学版) Vo1．34 NO．2 201i年 6月 JournalofLiaoningNormalUniversity (NaturalScienceEdition) Jun． 2011 文章编号：i000—1735【2011)02—0166—04 基于2DPOA．IOA和SVM的车标识别新方法 李文举， 孙娟红， 韦丽华， 李 侠 (辽宁师范大学 计算机与信息技术学院，辽宁 大连 116081) 摘 要 ：为了进一步提高车标识别率，提出了一种新的车标识别方法．首先应用二维主元分析技术进行数据降维，然 后应用独立成分分析技术提取车标图像的特征，最后应用支持向量机技术设计分类器进行车标识别．实验结果表明， 和现有方法相比，所提出的车标识别方法具有更高的识别率、更快的运算速度． 关键词 ：车标识别 ；二维主元分析 ；独立成分分析 ；支持向量机 中图分类号：TP391 文献标识码 ：A 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之一，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主要有： 基于模板匹配 的车标识别方法E ；基于边缘直方 图的车标识别方法E。；基于 PCA的车标识别方法 q；基于 SIFT特征的 车标识别方法[5]等．这些方法促进了车标识别技术的发展，但在图像倾斜、图像存在噪声等情况下效果并不理想，计算量 也较大． 二维主元分析 (2DPCA)E是在传统PCA基础上改进的一种数据降维方法，由于不须将图像矩阵转换成向量，直接 利用二维图像矩阵求协方差矩阵，简化了特征值与特征向量的计算，保留了图像的结构信息，提高了算法的运算速度．独 立成分分析 (ICA)Ⅲ是基于高阶统计特征的去相关多元数据处理方法，能将图像信号分解成若干个相对独立的分量 ，可 用于 目标图像的特征提取．支持向量机(SVM)Es]是在统计学习理论基础上发展起来 的求解模式识别和函数估计问题的 有效工具，它可以在有限样本的情况下，得到现有信息的最优解，克服了神经网络中的局部极值 问题．如果将 2DPCA、 ICA和 SVM结合起来进行车标识别 ，则能发挥各 自的优势，有利于提高识别性能．因此 ，笔者提 出了一种新 的车标识别 方法 ，其基本思想是将 2DPCA和 ICA技术相结合进行车标 的特征提取，采用 SVM 技术设计分类器．实验结果表明，该 方法具有较好的车标识别效果． 1 基于2DPCA 的车标 图像数据 降维 2DPCA的基本思想是直接利用二维数据矩阵求协方差矩阵，然后求其特征值和特征向量，选取其中最大的几个特 征值对应的特征 向量组成 向量组作为投影矩阵，投影后 的量称为主元 ． 设有 M个车标训练样本 ，第 J个训练样本为 』， ∈R ，一 1，…，M，z为训练样本 的平均 图像 ，则有 ： 一 1 37南 z (1) 协方差矩阵C为： M ． C一击…』∑(xj—)(而一) (2) ； 1 计算 c的特征值 (i一 1，2，…，，z)，1≥ 2≥ … ≥ ，以及对应的标准正交特征 向量 U (i= 1，2，…，)，令 U= [M1 “2 … “]，贝0有 ：