مقاله #524

چکیده

این مقاله یک الگوریتم جدید برای سیستم تشخیص خودرو را پیشنهاد می کند. این سیستم تشخیص مبتنی بر ویژگی‌های استخراج شده حاصل از تبدیل کورولت تصویر و دستیابی به انحراف استاندارد ماتریس ضرایب کورولت در مقیاس‌های مختلف و جهت‌های مختلف است. تبدیل کورولت یک تبدیل چند مقیاسی با عناصر فریم نمایه شده توسط پارامترهای محل، مقیاس و جهت گیری است و دارای خواص محلی سازی زمان-فرکانس موجک‌هاست و همچنین درجه بسیار بالایی از جهت گیری و ناهمسانگردی را از خود نشان می دهد. این مقاله سه نوع مختلف از طبقه بندها برای تشخیص خودرو را ارائه می کند: ماشین‌های بردار پشتیبان (یک در مقابل یک)، k نزدیکترین همسایه و ماشین‌های بردار پشتیبان (یک در مقابل همه). علاوه بر این، سیستم تشخیص ارائه شده با استفاده از اطلاعاتِ مقیاس‌های مختلف به عنوان بردار ویژگی، بدست می آید. بنابراین، ما می توانیم مهم ترین مقیاس‌ها را از نظر داشتن اطلاعات مفید مشخص کنیم. آزمایش‌های عددی انجام شده برای تشخیص وسایل نقلیه حاکی از برتری کورولت و پردازش انحراف استاندارد مرتبط با ساختار ماشین بردار پشتیبان (یک در مقابل یک) هستند. نتایج حاصل از این آزمون نشان دهنده میزان تشخیص بالای مدل خودرو در این سیستم تشخیص هستند. در زمان استفاده از اطلاعات مقیاس‌های 3 و 4، ضرایب ماتریس کورولت حدود 99٪ است. ما یک مجموعه داده که شامل 300 تصویر از 5 کلاس مختلف از وسایل نقلیه است را جمع آوری کرده ایم. این 5 کلاس از وسایل نقلیه عبارتند از: پژو 206، پژو 405، پراید، رنو 55 و پیکان. ما 230 تصویر را به عنوان مجموعه داده آموزشی و 70 تصویر را به عنوان مجموعه داده تست مورد بررسی قرار می دهیم.