陳炳權(quán)， 劉宏立

(1．湖南大學(xué)電氣與信息工程學(xué)院，中國 長沙 410082；2．吉首大學(xué)物理科學(xué)與信息工程學(xué)院，中國 吉首 416000)

傳統(tǒng)的模式分類方法諸如模板匹配、支持向量機(jī)(SVM)等用于車型分類[1-4]，通常先提取車型分類所需要的特征，然后通過人工智能方法進(jìn)行分類，這些仍然是目前主要的分類方式[5]．曾有人嘗試將輪廓曲線用傅里葉描繪子來表示，用最小距離分類器分類車輛，從而簡化分類器的設(shè)計．Huges根據(jù)形狀參數(shù)的不變矩特征分類車輛，Hollis 則使用了Maitra不變矩特征，從而增強(qiáng)了系統(tǒng)對灰度強(qiáng)度的不變性，更有利于利用神經(jīng)網(wǎng)絡(luò)方法的分類．學(xué)習(xí)分類方法是機(jī)器學(xué)習(xí)的一個重要研究領(lǐng)域，其目的是從已知類別的數(shù)據(jù)中估計出它們的相關(guān)性以便對未來數(shù)據(jù)準(zhǔn)確分類．由于傳統(tǒng)學(xué)習(xí)分類方法受到基于樣本無限的限制，到了20世紀(jì)60年代，Vapnik 等人開始進(jìn)一步研究小樣本情況下的機(jī)器學(xué)習(xí)問題，至90年代中期，有限樣本情況下的機(jī)器學(xué)習(xí)理論研究逐步成熟起來，形成了統(tǒng)計學(xué)習(xí)理論(Statistical Learning Theory, 簡稱SLT)，其代表性標(biāo)志就是Vapnik 和他的合作者所提出的支持向量機(jī)算法，該理論指出了在小樣本情況下學(xué)習(xí)機(jī)器的經(jīng)驗風(fēng)險和期望風(fēng)險之間的關(guān)系，從而提出了結(jié)構(gòu)風(fēng)險最小化(Structural Risk Minimization, 簡稱SRM)的機(jī)器學(xué)習(xí)原則，使得有可能找到復(fù)雜程度和有限樣本相適應(yīng)的且泛化能力最好的學(xué)習(xí)機(jī)器[6-7]．

筆者分別采用了神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法，用不變矩作為識別特征，對白天陰雨環(huán)境下的車輛進(jìn)行車型識別處理．經(jīng)過比較可知：不變矩特征能有效的反映出車輛的類型，并且相對于神經(jīng)網(wǎng)絡(luò)，采用支持向量機(jī)方法的檢測算法能更加有效地對車輛進(jìn)行識別．

1 支持向量機(jī)方法

圖1 平分最近點法

空間分類問題常常采取“平分”最近點的策略，圖1給出的2類點，先分別作它們的凸殼，再找到這2個凸殼的最近點c和d，作線段cd的垂直平分線，以此直線把平面劃分成2部分．

尋求2個凸殼的最近點c和d是該法的關(guān)鍵，通過求解1個最優(yōu)化問題就可以解決，其線性可分支持機(jī)算法如下[8-9]：

(i)設(shè)已知訓(xùn)練集T={(x1,y1),(x2,y2),…,(xl,yl)}∈(X×Y)l,其中：xi∈X=Rn,yi∈Y={1,-1},i=1,2,…，l;

(ii)構(gòu)造并求解最優(yōu)化問題：

(1)

(2)

αi≥0,i=1,…，l，

(3)

(iv)構(gòu)造分劃超平面(w*·x)+b*=0，由此求得決策函數(shù)：

f(x)=sgn((w*·x)+b*)．

(4)

2 結(jié)構(gòu)矩及其近似算法

Chen的矩僅被應(yīng)用到計算區(qū)域邊界的不變矩，將Chen的矩定義擴(kuò)展到包含有限數(shù)目的光滑曲線的復(fù)雜結(jié)構(gòu)或骨架上，定義如下[9]：

(5)

(6)

其中c1+c2…+cn代表由任意n條曲線組成的結(jié)構(gòu)，從(5)至(6)式推導(dǎo)得到7個滿足平移、縮放和旋轉(zhuǎn)不變的矩，其中：

φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3(η21+η03)2]-(η30-3η21)×(η21+η03)

[3(η30+η12)2-(η21+η03)2]，

(7)

(8)

(7)不僅描述了Hu的區(qū)域矩所能描述的形狀特征，而且還描述Hu的區(qū)域矩不適合描述的簡單或復(fù)雜的、封閉或不封閉的骨架特征．為了對結(jié)構(gòu)矩進(jìn)行數(shù)值計算，將(7)和(8)式離散化為：

(9)

(10)

為了減少(7)式所產(chǎn)生的誤差，利用矩之間的比值來消除(8)式的比例因子μ00，則

(11)

(11)式顯然保持縮放不變特性，同理可知：

(12)

(11)至(12)式滿足任意結(jié)構(gòu)的平移、縮放和旋轉(zhuǎn)不變的矩公式，可以用于結(jié)構(gòu)的識別．在數(shù)字圖像上計算(11)和(12)式時，取Δs=1，即為結(jié)構(gòu)矩的近似算法．對于一幅N×M個像素點的結(jié)構(gòu)圖，采用(11)式和(12)式的近似算法需要對每個點掃描1次，而采用(7)式則每個點可能搜索2次以上，且須額外占用N×M個點的存儲空間用于標(biāo)記每個點的連通情況．(11)和(12)式是2至3階結(jié)構(gòu)矩的近似計算公式，同理可得4階及以上的高階結(jié)構(gòu)矩的近似計算公式用于結(jié)構(gòu)識別．

3 車型識別過程

車型分類問題實質(zhì)是一個多目標(biāo)圖像的分割問題[10-13]，而支持向量機(jī)方法卻是針對2類分類問題提出的，目前常用的多類支持向量機(jī)方法有：第1類是優(yōu)化求解法，第2類是通過構(gòu)建和組合多個2類分類器來實現(xiàn)多類分類[14]．

筆者采用了不變矩作為識別特征，對已經(jīng)分割出來的車輛沿著縱橫2個方向進(jìn)行投影，從而得到灰度直方圖，然后將這些投影數(shù)據(jù)代入不變矩的計算公式中，求出車輛的特征向量．之后通過1對1方法將2類支持向量機(jī)推廣到多類支持向量機(jī)，即按照第2類分類的處理方法：先將車輛分成“大型車輛”和“中小型車輛”，然后將“大型車輛”分成“拖掛”和“大型”，再將“中小型車輛”分成“中型”和“小型”，最后再將每類分成“客車”和“貨車”．利用Matlab中的支持向量機(jī)工具箱進(jìn)行的實驗如圖2，圖1在車輛沿橫縱軸方向上投影的不變矩特征中分別取其一階結(jié)構(gòu)矩作為分類特征，對車輛按照“大型車輛”(用圓圈標(biāo)識)和“中小型車輛”(用方框線標(biāo)識)進(jìn)行分類，2個坐標(biāo)軸分別代表沿著圖像的橫軸和縱軸2個方向上投影后計算出來的一階結(jié)構(gòu)矩特征．

(a) 原始數(shù)據(jù) (b) 利用線形核進(jìn)行分類 (c) 利用線形核進(jìn)行分類(引入松弛變量c后)圖2 大型車輛和中小型車輛分類

圖2(b)利用線形核對這些原始數(shù)據(jù)進(jìn)行分類，效果非常理想．圖2(c)引入了1個點“12”，為了能夠?qū)@種情況進(jìn)行處理，必須引入松弛變量c，以便將點“12”這樣的無意義點丟棄，從而保證分類器的范化性．通過實驗可以看出，當(dāng)σ比較小時，分類效果較好，但是范化性較差；當(dāng)σ比較大時，分類效果較差，但是范化性得到提高．圖3對車輛按照“貨車”(用方框標(biāo)識)和“客車”(用十字線標(biāo)識)進(jìn)行分類演示，此時分類與車輛的大小無關(guān)，文中采用了一階相對不變矩特征．這2個不變矩特征都經(jīng)過了歸一化處理，以便其大小保持在0～10之間．

(a) 原始數(shù)據(jù) (b)利用線形核進(jìn)行分類(引入松弛變量c后)圖3 直線上2類點的線性劃分

圖4～5描述了本系統(tǒng)中對車型分類的實現(xiàn)過程，所進(jìn)行的實驗都是在陰雨天環(huán)境下進(jìn)行拍攝的， 光照不足．視頻拍攝中時，人站在建筑物從上向下拍攝，拍攝環(huán)境非常類似于道路旁安置的監(jiān)控攝像機(jī)．

圖4 摩托車分類的可視化結(jié)果

圖5 小型汽車分類的可視化結(jié)果

為了驗證筆者設(shè)計方法的可靠性，分別采用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法，針對不同的工作環(huán)境、不同的交通場景進(jìn)行車型識別對比實驗．經(jīng)過比較可以確定：不變矩特征能夠有效地反映出車輛的類型；相對于神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)方法能更加有效地對車輛進(jìn)行識別．表1為陰雨環(huán)境下車型識別算法的處理結(jié)果．筆者分別采用了支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)作為學(xué)習(xí)分類器，其中支持向量機(jī)選擇了σ2=9的徑向基核函數(shù)、c=40作為其模型，神經(jīng)網(wǎng)絡(luò)采用2層結(jié)構(gòu)：輸入層16個節(jié)點、隱含層26個節(jié)點．在模型訓(xùn)練階段，人工選取了包含5類車型共250個訓(xùn)練樣本．在測試階段，采用訓(xùn)練階段得到的模型對包含5類車型共250個樣本進(jìn)行了測試．從表1中可以看出，在小樣本情況下，支持向量機(jī)可以獲得比神經(jīng)網(wǎng)絡(luò)更高分類精度．同時可知：對2種分類器，大客車、小客車和摩托車的分類精度較現(xiàn)有的分類精度得到較大提高，而貨車分類精度普遍較低，究其原因是大客車、小客車和摩托車與其他類型的車輛在特征上差別較大，而貨車種類較多，雖然它們與大客車、小客車和摩托車的特征差別較大，但其特征差別較小，易導(dǎo)致錯分類．

表1 陰雨環(huán)境下車型分類評價結(jié)果

4 結(jié)語

針對交通車輛種類多、特征差異大、樣本獲取代價高等因素造成車輛分類難度大的問題，筆者選擇了結(jié)構(gòu)矩為車輛特征，以支持向量機(jī)方法為學(xué)習(xí)分類器，并獲得了較高的車輛分類精度，在一定程度上解決了車輛分類難的問題．神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車型識別處理與支持向量機(jī)方法對照可知：相對于神經(jīng)網(wǎng)絡(luò)，采用支持向量機(jī)方法的檢測算法能更加有效地對車輛進(jìn)行識別，分類精度得到了較大的提高，且魯棒性好實時性強(qiáng)．

參考文獻(xiàn)：

[1] 章毓晉.圖像分割[M].北京:科學(xué)出版社,2001.

[2] GONZALZ R C，WOODS R E. 數(shù)字圖象處理[M].2版.阮秋琦, 阮宇智，譯.北京:電子工業(yè)出版社, 2003.

[3] 劉 東. ITS中的車輛檢測技術(shù)[J]. 公安大學(xué)學(xué)報:自然科學(xué)版,2000,20(4): 36-39.

[4] 王廣君.基于局部最大熵的多目標(biāo)圖像分割方法[J].華中理工大學(xué)學(xué)報, 2000,28(12): 4-5.

[5] ANASTASIOS D D, NIKOLAOS D D, KLIMIS S N,etal. An efficient fully unsupervised video object segmentation scheme using an adaptive neural-network classifier architecture[J]. IEEE Transactions on Neural Networks, 2003,14(3):227-231.

[6] SERGIOS T, KONSTANTINOS K. 模式識別[M].2版.李晶皎,譯.北京:電子工業(yè)出版社, 2004.

[7] VAPNIK V N. 統(tǒng)計學(xué)習(xí)理論的本質(zhì)[M].張學(xué)工,譯. 北京：清華大學(xué)出版社, 2000.

[8] XIE L. Research video processing technique in Intelligent transportation system[D]. Wuhan:Huazhong University of Science and Technology, 2006.

[9] PASTORE J I, MOLER E G，BALLARIN V L. Segmentation of brain magnetic resonance images through morphological operators and geodesic distance[J].Digital Signal Processing, 2005,15(2): 153-160.

[10] 陳振華,劉成云,常發(fā)亮.基于生物視覺顯著性的車輛車型識別[J].計算機(jī)科學(xué),2010,37(2):207-208,224.

[11] 周 磊,馮玉田.最小二乘分解法在車輛識別中的應(yīng)用[J].計算機(jī)仿真,2009,26(7):274-277.

[12] 高彥宇，尹怡欣.一種基于支持向量機(jī)和半監(jiān)控期望最大算法的分級圖像標(biāo)識方法[J].自動化學(xué)報,2010,36(7):960-967.

[13] 楊立玲,胡躍明,王 婷,等.基于小波結(jié)構(gòu)矩的圖像識別算法[J].半導(dǎo)體技術(shù),2009,34(11):1 103-1 106.

[14] HSUC W，LIN C J. A Comparison of methods for multi-class support vector machines[J]. IEEE Transactions on Neural Networks, 2002,13(2): 415-425.