《表4 不同降维方式对算法性能的影响》

  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

《增强边缘梯度特征局部量化策略驱动下的车标识别》

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

注:加粗字体表示最优结果。

对特征向量的降维，本文选择使用白化处理的PCA降维方法，为了验证WPCA的降维效果，分别用原特征向量、PCA降维后的特征向量和WPCA降维后的特征向量进行性能对比实验，结果如表4所示。从表4可以看出，无论哪种降维方法都对原特征向量（码本大小为70，block和滑动步长分别为10和5）进行了大幅度降维（降维后的维度默认为训练样本数），不仅使得识别速度有所提升，还有效地防止了分类训练的过拟合。另外，白化处理降低了PCA降维处理后的特征向量之间的相关性，减少了特征的冗余，同时使得所有特征向量具有相同的方差，降低了噪声对识别的影响。因此，WPCA不仅可以对特征向量有效地降维，还可以提高特征向量的鲁棒性，提高算法的整体识别效果。