基于2DPOA.IOA和SVM的车标识别新方法.PDF

第34卷第2期 辽宁师范大学学报(自然科学版) V01．34No．2 2011年6月 of Normal ScienceEdition) Jun． 2011 JournalLiaoning University(Natural 文章编号：1000—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：TP39l 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[11；基于边缘直方图的车标识别方法Ez]；基于PCA的车标识别方法[3。们；基于SIFT特征的 车标识别方法嘲等．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)t钉是在传统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)口]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)IS]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，劂镜发挥各自的优势，有幂珏于提高识别性能，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． P，M。工为训练样本的平均图像，贝Ij有： 设有M个车标训练样本．第歹个训练样本为zJ，弓∈R“1，j一1,，wP M ． ==击∑ztz。丽五矗 u’(1) 协方差矩阵C为： 一 c_击蚤(≈--)T(刁__)