支持向量機(SVM)理論建立在結構風險最小化原理基礎上，對非線性、高維數(shù)的小樣
本問題有非常好的分類效果和學習推廣能力。本文設計了基于支持向量機的車型識別系統(tǒng)，系統(tǒng)通過對攝像機采集的視頻圖像進行運動目標檢測分割、特征提取與選擇、模式識別等處理，達到實時車型識別。試驗結果表明，該系統(tǒng)有很高的識別率和適應性。
關鍵詞：支持向量機；車型識別；特征提取；不變矩
我國高速公路收費是以車輛大小為依據(jù)的，在高速公路自動收費系統(tǒng)中，車型識別十
分重要。目前，已有的車型識別方法有：利用磁感應線圈、壓電傳感器、紅外線收發(fā)裝置等判斷車輛到來，獲取通行車輛的輪數(shù)、前、后輪距、軸距、車高等特征，然后實現(xiàn)車輛分類[1~2]；選用地感線圈作為傳感器，獲得大量樣本車輛感應曲線，對曲線數(shù)據(jù)進行分析，得到感應強度、高度、左右比重、上下比重、上升沿、下降沿、車長、凸凹性、峰值等特征，再利用模糊模式識別算法對車輛進行分類[3~4]。這類裝置通常被埋在路面下或直接安裝在路面上，盡管具有較高的識別率，計算量較小，但是安裝和維護都必然損壞路面，裝置本身的使用壽命較短，獲取的交通信息也比較少，有時對天氣和交通速度比較敏感。因此并沒有推廣開來；用可見光、紅外等對汽車拍照，應用圖像處理技術，獲取車型特征，然后實現(xiàn)車輛分類。但是從試驗結果來看，這種技術還很不成熟，如何將圖像處理及模式識別的新技術應用到車型識別系統(tǒng)中，進一步提高車型識別的效率，還需作大量的研究工作。支持向量機（Support Vector Machine，簡稱SVM）技術是一種基于結構風險最小化原則的模式分類方法，在解決小樣本、非線性及高維模式識別問題中表現(xiàn)出許多特有的優(yōu)勢。它由Vapnik 基于統(tǒng)計學習理論提出，結合經(jīng)驗風險和期望風險的平衡點，兼顧學習能力和推廣能力，可以很好地解決車型識別這類小樣本識別問題。本文研究了基于支持向量機的車型自動識別系統(tǒng)，系統(tǒng)通過對攝像機采集的視頻圖像進行運動目標檢測分割、特征提取與選擇、模式識別等處理，達到實時車型識別。