一種基于支持向量機的車(chē)型自動(dòng)分類(lèi)器設計方案

車(chē)型自動(dòng)分類(lèi)一直是智能交通領(lǐng)域中的一個(gè)熱點(diǎn)問(wèn)題。自動(dòng)識別車(chē)輛類(lèi)型對實(shí)現交通管理智能化具有重要意義。目前已經(jīng)廣泛應用的分類(lèi)方法是采用地感線(xiàn)圈根據不同類(lèi)型車(chē)輛通過(guò)線(xiàn)圈產(chǎn)生的電磁感應曲線(xiàn)不同這一原理進(jìn)行分類(lèi)。這種方法分類(lèi)速度較低，誤差較大，因此難以滿(mǎn)足不停車(chē)收費系統的要求。

隨著(zhù)計算機硬件性能的不斷提高，基于圖像處理的車(chē)輛分類(lèi)方法逐漸得到重視，計算機對攝像機捕捉到的車(chē)輛圖像進(jìn)行處理得到車(chē)輛的外形信息，這些信息可以作為車(chē)型識別依據進(jìn)行車(chē)輛分類(lèi)。已經(jīng)采用的數據分析方法有模式匹配和BP神經(jīng)網(wǎng)絡(luò )兩種。前者是將得到的外形信息與系統中的車(chē)型模式庫進(jìn)行比對，輸出匹配度最大的模式類(lèi)型作為車(chē)輛類(lèi)型[1]；后者是將車(chē)輛信息輸入到已訓練好的神經(jīng)網(wǎng)絡(luò )分類(lèi)器進(jìn)行分類(lèi)[2]?；谀Ｊ狡ヅ涞姆诸?lèi)方法實(shí)現原理簡(jiǎn)單，但是選擇合適的模式比較困難；采用BP神經(jīng)網(wǎng)絡(luò )的分類(lèi)方法中，由于BP神經(jīng)網(wǎng)絡(luò )本身存在網(wǎng)絡(luò )結構無(wú)規律可循、作用機理不明確并易陷入局部極小值等缺陷從而限制了這種方法的應用。

支持向量機是二十世紀90年代提出的一種新的學(xué)習機[3]，具有較好的推廣能力和非線(xiàn)性處理能力。本文給出一種基于支持向量機的車(chē)型分類(lèi)器的設計方案。

1 支持向量機識別理論

設為輸入空間的某類(lèi)別數據集，對于非線(xiàn)性可分情況而言，類(lèi)別的邊界比較復雜。引入從輸入空間X到高維空間Y(特征空間)的非線(xiàn)性變換Φ將會(huì )簡(jiǎn)化類(lèi)別邊界。Φ可以把X中具有復雜幾何形狀的類(lèi)邊界(覆蓋該類(lèi)別全部數據集)映射為Y中的規則球(覆蓋變換后的相應類(lèi)別全部數據集)。如果希望輸入空間X中類(lèi)的邊界緊致包圍本類(lèi)數據集，就要在變換后空間Y中尋找最小的閉合球。Y中的閉合球表述為：


其中∣∣●∣∣為歐式范數，a為球心。目標就是通過(guò)搜索所有滿(mǎn)足約束條件的a來(lái)最小化R2。
構造Lagrange函數如下：


這里βj≥0，是Lagrange乘子。達到極小值的必要條件為：


把式(3)和式(4)代入式(2)消去r和a，就轉化為它的Wolfe對偶問(wèn)題：求式(5)中W關(guān)于變量βj的極大值。

在W達到極大值時(shí)，對于球內的數據和部分球上數據，βj=0；對于位于球邊界的數據，βj＞0。滿(mǎn)足βj＞0的數據就是支持向量，它們定義了球的中心,如式(4)。

可以采用合適的Mercer核函數替代內積Φ(xi)·Φ(xj),

目前主要的核函數有兩種：

階次為d的多項式核函數


其中C＞0為常數。位于球內(包括球上)的數據點(diǎn)，有ζj=0和βj＜C；對于孤立數據點(diǎn)βj=C。
定義輸入數據點(diǎn)x映射到特征空間內時(shí)到球心距離為:


如果R(x)＞R,那么x為孤立點(diǎn)或其它類(lèi)點(diǎn)。

2系統實(shí)現

2.1圖像采集和特征提取

利用兩部CCD攝像機和圖像采集卡獲得同一車(chē)輛的兩幅圖像，基于雙目視覺(jué)原理對兩幅圖像進(jìn)行特征匹配，得到車(chē)輛的三維模型。根據攝像機標定矩陣和成像幾何模型可以計算出車(chē)輛的三維數據：車(chē)長(cháng)、車(chē)寬和車(chē)高。采集每一類(lèi)別車(chē)輛圖像若干，得到該類(lèi)車(chē)輛訓練樣本作為車(chē)型分類(lèi)器訓練依據。

2.2 訓練數據預處理

采用有導師訓練的方法進(jìn)行分類(lèi)器訓練，首先要確定訓練樣本所屬類(lèi)別。本文將車(chē)輛分為大型、中型和小型三類(lèi)。按照前述方法獲取100個(gè)車(chē)輛三維數據對，采用動(dòng)態(tài)聚類(lèi)方法K-Means對100個(gè)數據樣本進(jìn)行自動(dòng)聚類(lèi)[5]，設定聚類(lèi)類(lèi)別數為3。從聚類(lèi)結果選擇各類(lèi)訓練樣本(每類(lèi)10個(gè))，其余數據作為測試樣本，訓練樣本見(jiàn)表1。

2.3 分類(lèi)器設計

支持向量機一般用于二類(lèi)模式識別，對于多類(lèi)問(wèn)題識別能力不足。為了使二類(lèi)分類(lèi)器能用于多類(lèi)模式,本文為每類(lèi)車(chē)輛分別設計識別器，然后通過(guò)表決器進(jìn)行決策，如圖1。

其中，SVM1、SVM2和SVM3分別為大、中和小型車(chē)的識別器，輸出結果分別為(大，非大)、(中，非中)和(小，非小)三個(gè)數對。表決器以三個(gè)識別器的輸出組成的向量作為輸入進(jìn)行綜合判斷，輸出車(chē)輛類(lèi)型。表決器的表決表見(jiàn)表2。

對于每個(gè)SVM識別器，遵循了相同的設計原則：首先采用有導師訓練的方法進(jìn)行訓練，選擇合適的參數q和C；然后使用測試樣本測試識別率。

本文以小型車(chē)識別器SVM3為例說(shuō)明SVM識別器的訓練過(guò)程。

(1)標號：把屬于小型車(chē)的訓練樣本標記為類(lèi)別1，其余訓練樣本均標記為類(lèi)別0；
(2)訓練：選擇參數q和C進(jìn)行循環(huán),計算目標誤差；
(3)結束：當目標誤差小于0.001時(shí)結束循環(huán)；
(4)調整：根據訓練結果，調整參數q和C;
(5)重復步驟(2),直到得到滿(mǎn)意的訓練結果為止。

通過(guò)反復試驗發(fā)現，參數q影響識別器分類(lèi)邊界的復雜性，q越大分類(lèi)邊界越復雜,即支持向量個(gè)數越多；參數C的取值變化改變識別器對本類(lèi)樣本數據異常的容忍度，C越小容忍本類(lèi)異常數據的能力越差。當20≤q≤70時(shí)，識別器識別類(lèi)1所用的支持向量數為3且保持不變，因此令q為45(C=1)。支持向量分別為(0.33 0.1405 0.141)、(0.33 0.1405 0.144)和(0.488 0.18 0.145)類(lèi)似地，選取中型車(chē)識別器q為60(C=1)，識別中型車(chē)所用支持向量個(gè)數為5，分別為(0.708 0.2035 0.263)、(0.589 0.2495 0.295)、(0.6071 0.25 0.2978)、(0.7696 0.25 0.3114)和(0.8614 0.249 0.281); 選取大型車(chē)識別器的q為30(C=1)，識別中型車(chē)所用支持向量個(gè)數為4，分別為(0.975 0.2498 0.2704)、(0.894 0.23 0.332)、(1.198 0.248 0.3075)和(1.198 0.25 0.3647)。

2.4性能測試與結果分析

采用測試樣本對三個(gè)識別器分別進(jìn)行測試。測試樣本由三種類(lèi)型車(chē)輛數據組成，每類(lèi)30個(gè)數據。測試分為識別器獨立測試和分類(lèi)器聯(lián)合測試兩部分。在識別器獨立測試中，要考察每個(gè)識別器對本類(lèi)數據的識別正確率和對其他類(lèi)數據的識別正確率，獨立測試結果見(jiàn)表3；進(jìn)行聯(lián)合測試即對3個(gè)分類(lèi)器與表決器整體進(jìn)行車(chē)型分類(lèi)測試，測試依據為表2。


對表3中的測試結果進(jìn)行分析，發(fā)現小型車(chē)識別正確率相當高,為98.89%；而中型車(chē)識別器和大型車(chē)識別器識別正確率分別為97.78%和96.67%。而且后兩者對本類(lèi)數據和其他數據均有錯判現象發(fā)生。

由于本文設計的分類(lèi)器采用了圖1所示結構以及特殊的表決表(表2)，具有較強的容錯能力，發(fā)生在小型車(chē)、中型車(chē)和大型車(chē)相鄰類(lèi)型之間的錯判不會(huì )影響表決器的表決工作。只有當小型車(chē)識別器和大型車(chē)識別器均判為本類(lèi)車(chē)時(shí)，表決器才輸出“誤判”。在聯(lián)合測試時(shí)，分類(lèi)器對90個(gè)測試樣本的表決結果全部正確。

本文采用基于支持向量機的識別理論設計了一種可應用于不停車(chē)收費系統的車(chē)型自動(dòng)分類(lèi)器。該分類(lèi)器與RFID(射頻識別)技術(shù)相結合，能大幅度提升道路通行能力，有效打擊各種作弊行為。