摘  要： 提出了一種新的車標識別方法。首先，利用獨立成分分析提取車標特征，然后，采用模糊支持向量機設計分類器進行車標識別。實驗結果表明，與現有車標識別方法相比，該方法識別率高、速度快。
關鍵詞： 車標識別；主成分分析；獨立成分分析；模糊支持向量機

　車輛識別技術是智能交通領域的重要研究課題，在橋梁路口自動收費、停車場無人管理、違章車輛自動記錄、盜搶車輛追查等領域都有廣泛的應用，具有重大的經濟價值和現實意義。車標識別是車輛識別技術的重要組成部分，其核心技術是車標定位和車標識別，在準確地定位車標后，車標圖像識別就成為一個關鍵問題?，F有的車標識別方法有：基于模板匹配[1]、基于邊緣直方圖[2]、基于邊緣不變矩[3]、基于SIFT特征[4]以及基于主成分分析和BP神經網絡[5]等方法。但是，基于模板匹配的方法在圖像傾斜的情況下效果不太理想；基于邊緣直方圖的方法提取的車標邊緣方向直方圖特征有時并不十分明顯，容易造成識別誤差；基于邊緣不變矩的方法雖然對圖像的平移、縮放和旋轉等不敏感，但計算量大且易受噪聲影響，使車標識別率受到影響；基于SIFT特征的方法算法復雜，時間復雜度高；基于主成分分析和BP神經網絡的方法對于模糊車標圖像識別率較低。因此，針對現有車標識別方法的不足，本文提出了一種新的車標識別方法。該方法的基本思想是，首先應用主成分分析PCA(Principal Component Analysis)進行數據降維，然后應用獨立成分分析ICA(Independent Component Analysis)提取車標特征，最后應用模糊支持向量機FSVM(Fuzzy Support Vector Machine)設計分類器。實驗結果表明，本文提出的車標識別方法比其他車標識別方法有更好的識別效果。
1 獨立成分分析及車標特征提取
1.1 獨立成分分析
　ICA是信號處理領域在20世紀90年代后期發展起來的一項新處理方法，最初是用于盲信號的分離，目前已廣泛應用于模式識別、數據壓縮、圖像分析等領域。ICA可以在不知道信號源和傳輸參數的情況下，根據輸入信號源的統計特征，僅觀測信號恢復或提取源信號。





3 實驗結果與分析
3.1 實驗對象
　目前在車標識別領域還沒有標準的車標圖像庫，因此本文采用自建的車標庫進行實驗。由于天氣或拍攝角度等因素的影響，所獲得的車標并非全部都是理想車標圖像。如圖2所示，其中第1列為理想車標，第2列為光照不均車標，第3列為含有噪聲的車標，第4列是由于車標定位分割不準以致圖像邊緣含有大量非車標信息，第5列是傾斜車標。

　自建的車標圖像庫共有大眾、本田在內的11種常見車標，每類有20幅圖像，存儲類型為BMP格式，每幅圖像的原始分辨率為39×32~101×109。為了方便數據處理，在預處理階段全部被歸一化為56×46，并全部進行灰度化處理。
3.2 實驗及結果分析
　本實驗在P4 CPU 2.66 GHz，512 MB內存，Matlab環境下進行。與參考文獻[1-4]的各車標識別方法相比較，參考文獻[5]提出的基于主成分分析和BP神經網絡的車標識別算法具有較高的識別率和較短的識別時間，因此，本文與基于主成分分析和BP神經網絡的車標識別方法作對比實驗。實驗時，兩種方法均依次取每類車標的前3幅、前6幅、前10幅圖像作為訓練樣本，其余的車標圖像作為測試樣本。參考文獻[5]中的BP神經網絡選擇S型函數(Sigmoid函數)作為激活函數。實驗結果如表1所示。

　由表1可見，本文提出的車標識別算法(即使訓練樣本只有33幅的小樣本情況下)，識別率也能達到90.9%。當訓練樣本增至110幅時，識別率可達到97.3%，高于參考文獻[5]方法的識別率。實驗中的識別時間均為平均的識別時間，與參考文獻[5]的識別方法相比，本文方法的識別速度更符合實時性的要求。其原因：在特征提取時，本文所用的ICA特征提取方法得到的基圖像不僅是不相關的，而且是統計獨立的，由此得到的圖像更能表示車標的局部信息，并能抑制光照等對識別的影響。而參考文獻[5]所用的PCA方法只是通過圖像的總體協方差矩陣得到更多的總體信息。在分類器方面，本文所使用的FSVM是在傳統SVM的基礎上，根據不同輸入樣本對分類的貢獻不同，賦以相應的隸屬度，從而能正確估計樣本對分類的貢獻大小，抗噪聲能力強，因此具有更高的識別率，其特征提取和分類器的設計更為合理、有效。而參考文獻[5]所采用的BP神經網絡存在局部極小點、三層網絡隱節點數難確定等問題[12]，因此BP神經網絡作為車標識別分類器時存在一定的局限性。
　本文提出的車標識別方法在特征提取方面應用ICA方法，充分而有效提取了車標特征；在分類器設計方面，基于FSVM的分類器保證了較高的識別率、較強的抗噪能力和更短的訓練時間。實驗結果表明，本文提出的車標識別方法具有更高的識別率和更快的運算速度，具有應用價值。
參考文獻
[1] 李貴俊.運動車輛類型精確識別技術研究[D].成都：四川大學，2005.
[2] 羅彬，游志勝，曹剛.基于邊緣直方圖的快速汽車標志識別方法[J].計算應用研究，2004(6)：150-157.
[3] 王枚，王國宏，高小林，等.基于PCA和邊緣不變矩的車標識別新方法[J].計算機工程與應用，2008，44(4)：224-229.
[4] 高倩.車標識別方法研究[D].大連：大連海事大學，2008.
[5] 寧瑩瑩，李文舉，王新年.基于主成分分析和BP神經網絡的車標識別[J].遼寧師范大學學報，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] 楊福生，洪波.獨立分量分析的原理與應用[M].北京：清華大學出版社，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] 劉太安，梁永全.一種新的模糊支持向量機多分類算法[J].計算機應用研究，2008，25(7)：2041-2046.
[12] 鮑立威，何敏，沈平.關于BP模型的缺陷的討論[J].模式識別與人工智能，1995，8(1)：1-4.