解析獨立成分分析車標識別的原理與方法

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。