基于Haar-NMF特征和改进SOMPNN的车辆检测算法

为解决传统基于Haar特征和自组织映射概率神经网络(SOMPNN)的车辆检测算法中存在当Haar特征向量维数过大时决策时间缓慢和因平滑因子σ单一易导致分类错误的2个不足,提出了一种用低维的Haar-NMF特征代替Haar特征和平滑因子自适应修正的改进SOMPNN(ISOMPNN)车辆检测算法.首先用非负矩阵分解对Haar特征进行降维,生成低维Haar-NMF特征;其次,以SOM输出层神经元的原型向量数作为修正因子,构建了指数函数形式的平滑因子修正函数,并以修正后的平滑因子训练SOMPNN分类器.实验结果表明,与传统的Haar+SOM PNN算法相比,采用Haar-NM F和ISOM PNN构建的车辆检测分类器在检测率、误检率和检测时间等性能指标上都获得明显提升.