基于加权稀疏表示分类的车辆识别

不同种类的车辆自动识别能够在很大程度上给人们提供便利,而通过声波来区分车辆的类型是可行的。由于声频信号和自然信号一样都具有稀疏性,稀疏表示分类（SRC）算法同样适用于车辆声频识别领域。但是SRC算法没有考虑样本的局部性,即没有考虑测试样本和每一个训练样本之间的相似性,从而导致识别效果不够优异。为了解决以上不足,提出了一种基于加权稀疏表示分类（WSRC）的声频传感器网络下车辆识别方法。通过对声频测试样本和各个声频训练样本之间的距离制定一个权重标准,并将其考虑进权重分配,以提高识别精度。实验结果表明,WSRC的识别精度相比于SRC有了明显的提高。同时,WSRC也明显优于SVM、k-NN这些常见分类算法,验证了WSRC在声频传感器网络下车辆识别的可行性。

基于曼哈顿距离加权协同表示分类的车辆识别

加权稀疏表示分类(WSRC)在声频传感器网络下的车辆识别中取得了不错的效果;但是稀疏表示分类(SRC)中实际上起较大作用的是字典中所有类的协同表示,因此协同表示分类(CRC)被提出用来提升算法效率,CRC框架还改进了残差计算方式来提高识别精度;在WSRC中发现保局性对提升识别率起到很好的作用,因此在CRC中引入加权编码,提出了声频传感器网络下基于加权协同表示分类(WCRC)的车辆识别方法,取得了明显的速度(相比WSRC、SRC)以及不错的精度(对比WSRC、CRC、SRC)提升;同时针对欧氏距离对样本相似性判断的不足,将曼哈顿距离引入加权编码,进一步地提出了基于曼哈顿距离加权协同表示分类(Manhattan-WCRC)的车辆识别方法,取得了最高的识别率,而运算速度与WCRC接近。