针对轧辊偏心信号是混杂在各种随机干扰中的复杂高频周期信号,因FFT法对信号分析的局限性,提出了一种Root-MUSIC(Multiple Signal Classification)法和Prony法相结合的轧辊偏心信号估计新方法。利用Root-MUSIC法准确估计出偏心谐波的频率及谐波的个数,同时使用Prony方法估计出偏心信号的各次谐波幅值和相位。仿真结果验证了可行性和有效性,在信噪比较低的情况下仍能准确地同时估计出偏心谐波的频率、幅值及相位,尤其在频率分辨率和抗噪声上比FFT法具有优越性。
针对传统车牌特征提取及匹配不足,提出了基于尺度不变特征变换(Scale-invariant feature transform,SIFT)的车牌特征提取及(Best Bin First,BBF)匹配方法。通过构建车牌字符标准模板,采用SIFT算法提取标准模板和待检测车牌中每个字符的SIFT特征向量,主要包括车牌高斯差分(Difference of Gauss,DoG)空间极值点检测,去除边缘相应点和低对比点,确定特征向量的方向和生成车牌特征向量。利用BBF(Best Bin First)算法完成标准模板特征向量与待检测车牌特征向量匹配,并获取识别结果。最后给出实验分析,证明该算法的识别率。