解析獨(dú)立成分分析車標(biāo)識(shí)別的原理與方法

車輛識(shí)別技術(shù)是智能交通領(lǐng)域的重要研究課題，在橋梁路口自動(dòng)收費(fèi)、停車場無人管理、違章車輛自動(dòng)記錄、盜搶車輛追查等領(lǐng)域都有廣泛的應(yīng)用，具有重大的經(jīng)濟(jì)價(jià)值和現(xiàn)實(shí)意義。車標(biāo)識(shí)別是車輛識(shí)別技術(shù)的重要組成部分，其核心技術(shù)是車標(biāo)定位和車標(biāo)識(shí)別，在準(zhǔn)確地定位車標(biāo)后，車標(biāo)圖像識(shí)別就成為一個(gè)關(guān)鍵問題。現(xiàn)有的車標(biāo)識(shí)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(jīng)網(wǎng)絡(luò)[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(biāo)邊緣方向直方圖特征有時(shí)并不十分明顯，容易造成識(shí)別誤差；基于邊緣不變矩的方法雖然對(duì)圖像的平移、縮放和旋轉(zhuǎn)等不敏感，但計(jì)算量大且易受噪聲影響，使車標(biāo)識(shí)別率受到影響；基于SIFT特征的方法算法復(fù)雜，時(shí)間復(fù)雜度高；基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的方法對(duì)于模糊車標(biāo)圖像識(shí)別率較低。因此，針對(duì)現(xiàn)有車標(biāo)識(shí)別方法的不足，本文提出了一種新的車標(biāo)識(shí)別方法。該方法的基本思想是，首先應(yīng)用主成分分析PCA(Principal Component Analysis)進(jìn)行數(shù)據(jù)降維，然后應(yīng)用獨(dú)立成分分析ICA(Independent Component Analysis)提取車標(biāo)特征，最后應(yīng)用模糊支持向量機(jī)FSVM(Fuzzy Support Vector Machine)設(shè)計(jì)分類器。實(shí)驗(yàn)結(jié)果表明，本文提出的車標(biāo)識(shí)別方法比其他車標(biāo)識(shí)別方法有更好的識(shí)別效果。

1 獨(dú)立成分分析及車標(biāo)特征提取

1.1 獨(dú)立成分分析

ICA是信號(hào)處理領(lǐng)域在20世紀(jì)90年代后期發(fā)展起來的一項(xiàng)新處理方法，最初是用于盲信號(hào)的分離，目前已廣泛應(yīng)用于模式識(shí)別、數(shù)據(jù)壓縮、圖像分析等領(lǐng)域。ICA可以在不知道信號(hào)源和傳輸參數(shù)的情況下，根據(jù)輸入信號(hào)源的統(tǒng)計(jì)特征，僅觀測信號(hào)恢復(fù)或提取源信號(hào)。