《表2 本文方法与文献[6]识别率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于指数权重局部聚合向量特征的轮毂型号识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

（%）

通过表2和表3可以发现本文算法在识别率和识别速度上都要优于文献[6]。在识别率方面，文献[6]中使用了形状识别和随机游走，形状识别对明显的轮辐形状才有较好的识别效果，但会导致对轮毂图片的全局信息把握不全，且当多种不同型号轮毂的轮辐形状比较相似时，会加大误识别率；对于识别速度而言，形状识别和随机游走都是比较耗时的算法，形状识别需要把轮辐形状依次旋转一定的角度，并在待识别图中逐步遍历计算最小距离以取得最相似的形状。随机游走是对每一个像素点都要向邻域像素进行游走，且每游走一步都要进行像素值的判断并进行统计，故形状识别和随机游走相结合的方法时间耗费较长。而本文算法是直接提取全图的Sift特征进行量化统计得到VLAD向量，既能考虑图片的全局特征又能快速得到量化特征，并且80%以上的时间耗费在sift特征提取方面。表4为直接VLAD与指数权重VLAD识别率对比分析。