由表1可見，本文提出的車標(biāo)識別算法(即使訓(xùn)練樣本只有33幅的小樣本情況下)，識別率也能達(dá)到90.9%。當(dāng)訓(xùn)練樣本增至110幅時，識別率可達(dá)到97.3%，高于參考文獻(xiàn)[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(xiàn)[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(guān)的，而且是統(tǒng)計獨立的，由此得到的圖像更能表示車標(biāo)的局部信息，并能抑制光照等對識別的影響。而參考文獻(xiàn)[5]所用的PCA方法只是通過圖像的總體協(xié)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(tǒng)SVM的基礎(chǔ)上，根據(jù)不同輸入樣本對分類的貢獻(xiàn)不同，賦以相應(yīng)的隸屬度，從而能正確估計樣本對分類的貢獻(xiàn)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(shè)計更為合理、有效。而參考文獻(xiàn)[5]所采用的BP神經(jīng)網(wǎng)絡(luò)存在局部極小點、三層網(wǎng)絡(luò)隱節(jié)點數(shù)難確定等問題[12]，因此BP神經(jīng)網(wǎng)絡(luò)作為車標(biāo)識別分類器時存在一定的局限性。

本文提出的車標(biāo)識別方法在特征提取方面應(yīng)用ICA方法，充分而有效提取了車標(biāo)特征；在分類器設(shè)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(xùn)練時間。實驗結(jié)果表明，本文提出的車標(biāo)識別方法具有更高的識別率和更快的運算速度，具有應(yīng)用價值。