耿庆田, 于繁华, 王宇婷, 赵宏伟， 赵 东

(1. 长春师范大学 计算机科学与技术学院, 长春 130032； 2. 吉林大学 计算机科学与技术学院, 长春 130012)

为了有效打击利用车辆套牌的犯罪行为, 工作人员需要借助车辆其他特征对车辆进行甄别. 因此车标识别技术被广泛关注. 目前, 已有多种车标识别技术, 如： 李文举等[1]给出了用二维主元分析(2DPCA)技术和独立成分分析(ICA)技术以及支持向量机(SVM)的车标识别方法； 文献[2]采用方向梯度直方图(HOG)特征进行车标识别； Sam等[3]使用Modest AdaBoost组合技术实现车标识别. 这些方法虽然改善了特征提取, 但人为因素较多. 为了减少对图像特征选取的主观干扰， 并提高车标识别的实时性, 本文提出一种基于尺度不变特征变换(SIFT)的车标识别算法. 该算法利用SIFT算子对图像的视角、 平移、 放射、 亮度、 旋转等不变特性进行特征提取, 并采用BP神经网络算法自主选取车标图像特征进行学习识别. 仿真实验结果表明, 该车标识别方法识别速度快、 识别率高, 具有一定的实用价值.

1 SIFT算法特征提取

1.1 SIFT算法

传统图像识别算法中特征点的提取主要通过对角和边沿像素点的特征进行检测, 该方法对复杂环境中特征点检测强度较弱. 尺度不变特征变换算法(SIFT)是一种局部的匹配算法, 在利用高斯模糊函数建立的不同尺度空间上查找关键点[4]. 该算法对图像属性变化(包括旋转、 平移、 大小、 亮度)具有不变性, 采用DoG(difference of Gaussian)算法对图像局部特征进行提取完成相应任务[5]. SIFT算子采用的二维……