基于核距离的稀疏表示的交通标识识别.pdf

《基于核距离的稀疏表示的交通标识识别.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第３１卷第３期计算机应用与软件Ｖｏｌ３１Ｎｏ．３２０１４年３月ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅＭａｒ．２０１４基于核距离的稀疏表示的交通标识识别王铿张重阳齐朗晔（南京理工大学计算机科学与技术学院江苏南京２１００９４）摘要提出一种新的基于核距离的稀疏表示识别方法，方法分为两个阶段：首先计算测试样本与训练样本之间的核距离，并挑选出Ｍ近邻；然后将测试样本用挑选的Ｍ近邻进行线性表示，根据每类训练样本的贡献进行分类。在德国交通标识数据库上的对比实验表明，该方法的识别率优于传统的ＰＣＡ、ＬＤＡ和ＯＭＰ方法，识别率达到９４．２％。关键词模式识别核距离稀疏表示线性组合交通标

2、识识别中图分类号ＴＰ３９１．４１文献标识码ＡＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００３８６ｘ．２０１４．０３．０３９ＴＲＡＦＦＩＣＳＩＧＮＲＥＣＯＧＮＩＴＩＯＮＩＮＳＰＡＲＳＥＲＥＰＲＥＳＥＮＴＡＴＩＯＮＢＡＳＥＤＯＮＫＥＲＮＥＬＤＩＳＴＡＮＣＥＷａｎｇＫｅｎｇＺｈａｎｇＣｈｏｎｇｙａｎｇＱｉＬａｎｇｙｅ（ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ２１００９４，Ｊｉａｎｇｓｕ，Ｃｈｉｎａ）ＡｂｓｔｒａｃｔＷｅｐｒｅｓｅｎｔａｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄ

3、ｉｎｓｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎｗｈｉｃｈｉｓｂａｓｅｄｏｎｋｅｒｎｅｌｄｉｓｔａｎｃｅ．Ｔｈｅｍｅｔｈｏｄｃａｎｂｅｄｉｖｉｄｅｄｉｎｔｏｔｗｏｐｈａｓｅｓ．Ｆｉｒｓｔ，ｉｔｃａｌｃｕｌａｔｅｓｔｈｅｋｅｒｎｅｌｄｉｓｔａｎｃｅｂｅｔｗｅｅｎｔｈｅｔｅｓｔｓａｍｐｌｅａｎｄｔｈｅｔｒａｉｎｉｎｇｓａｍｐｌｅｓａｎｄｓｅｌｅｃｔｓｔｈｅＭｎｅａｒｅｓｔｎｅｉｇｈｂｏｕｒｓ．ＴｈｅｎｉｔｕｓｅｓｔｈｅｄｅｔｅｒｍｉｎｅｄＭｎｅａｒｅｓｔｎｅｉｇｈｂｏｕｒｓａｓｔｈｅｌｉｎｅａｒｒｅｐｒｅｓｅｎｔａｔｉｏｎｏｆｔｈｅｔｅｓｔｓａｍｐｌｅ，ａｎｄｃｌａｓｓｉｆｉｅｓａｃｃｏｒｄｉｎｇ

4、ｔｏｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｏｆｅａｃｈｃｌａｓｓｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅ．ＣｏｍｐａｒａｔｉｖｅｅｘｐｅｒｉｍｅｎｔｓｍａｄｅｏｎＧｅｒｍａｎｔｒａｆｆｉｃｓｉｇｎｄａｔａｂａｓｅｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｂｅｔｔｅｒｔｈａｎｔｒａｄｉｔｉｏｎａｌｍｅｔｈｏｄｓｓｕｃｈａｓＰＣＡ，ＬＤＡａｎｄＯＭＰｉｎｔｅｒｍｓｏｆｒｅｃｏｇｎｉｔｉｏｎｒａｔｅ，ｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｒｅａｃｈｅｓ９４．２％．ＫｅｙｗｏｒｄｓＰａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎＫｅｒｎｅｌｄｉｓｔａｎｃｅＳｐａｒｓｅｒｅｐｒｅｓｅｎｔａｔｉｏｎＬｉｎｅａｒｃｏｍｂｉｎａｔｉｏｎＴ

5、ｒａｆｆｉｃｓｉｇｎｒｅｃｏｇｎｉｔｉｏｎ献［１７］在此基础上提出了一种基于两个阶段的稀疏表示算法０引言（ＴＰＴＳＲ），其识别准确率高于ＰＣＡ、ＬＤＡ、ＯＭＰ算法。由于交通标识都是在自然环境下采集的，图像包含许多的背景噪声，并且ＰＣＡ和ＬＤＡ方法也是两种经典的线性变换方法，已经广泛具有一定的遮挡和运动模糊，因此需要大量的训练样本集才能［１－５］达到一定的识别准确率。由于训练样本集数量太大，导致了地应用在特征提取上，有学者也将其应用在了交通标识识［４，５］ＴＰＴＳＲ算法并不适用于交通标识识别。别上。通过ＰＣＡ方法变换得到的不同类之间的方差最大，而通过ＬＤＡ方法变换得到的不同类之间的距离最大。

6、变换方基于以上，本文提出一种基于核距离的稀疏表示的方法法用全部的训练样本集转换成一个变换空间，每一个测试样本（ＫＴＳＲ），并应用到交通标识识别中。首先计算训练样本与测试用这个变换空间表示，然后计算测试样本与训练样本之间的距样本的核距离，根据核距离挑选出测试样本的Ｍ近邻，然后用离，最后用适当的分类器进行分类。Ｍ近邻的线性组合来表示测试样本，根据每个训练样本的贡献在信号处理领域中，基于冗余字典的稀疏表示已经被证明进行分类。利用核距离进行相似性度量从而挑选出最接近测试是一个很好的认知、表示、压缩高维度信号工具，是一个快速发样本的Ｍ个训练样本会对第二阶段的准确分类非常有帮助。展的领域。稀疏表示的成

7、功应用是基于自然信号可以被表示实验结果显示，本文提出的方法适用于训练样本集很大的交通（或逼近）成冗余字典的线性组合，而这个线性组合的系数是稀标识识别中，并且准确率高于ＰＣＡ、ＬＤＡ、ＯＭＰ算法的准确率。［６］疏的。基于稀疏表示的信号表示、信号恢复、分类算法已经被提出，并达到了目前最好的效果［７－１０］。其中，基于稀疏表示１基于核距离的稀疏表示方法的分类方法（ＳＲＣ）也已经成功地应用到人脸识别中。相比较传在这一部分中，我们