翟玉婷，賈世杰

（大連交通大學(xué) 電氣信息學(xué)院，遼寧 大連116028）

0 引 言

由于我國交通擁堵路況愈發(fā)嚴(yán)重，所以研究交通擁堵路況檢測技術(shù)，實現(xiàn)交通路況優(yōu)化具有重要意義[1]。傳統(tǒng)物理檢測方法如地磁感應(yīng)[2]、微波[3]、紅外線[4]、超聲波[5]、雷達[6]等存在設(shè)備安裝復(fù)雜、對道路破壞嚴(yán)重、不易維護等弊端。由于圖像具有方便獲取、攜帶信息量大等優(yōu)勢，并且支持向量機能夠有效預(yù)測分析圖像數(shù)據(jù)，所以本文試圖研究基于數(shù)字圖像和支持向量的交通路況檢測方法。

1 方案與算法

已有的基于機器學(xué)習(xí)的交通路況檢測方法雖能夠減少大量的數(shù)據(jù)統(tǒng)計工作，但是這種方法需要利用物理檢測方法獲得車流量信息作為訓(xùn)練數(shù)據(jù)，再與機器學(xué)習(xí)方法相結(jié)合從而達到交通路況檢測的目的，所以該方法仍然具有物理檢測方法的缺點。文獻[7]通過對交通路況圖像進行邊緣提取、去噪、邊緣修補以及面積對比等操作，實現(xiàn)交通路況檢測。這種方法盡管利用了圖像方便直觀的優(yōu)勢，但沒有在惡劣天氣情況下對交通擁堵路況檢測進行測試，不夠?qū)嵱谩?/p>

因此，本文克服了普通物理檢測方法的弊端，采用了基于支持向量機 （support vector machines，SVM）的方法對交通路況圖像進行分類，力圖實現(xiàn)不同天氣條件下交通路況檢測。由于塔式邊緣方向梯度直方圖 （pyramid histogram of edge orientation gradients，PHOG）特征能根據(jù)圖像形狀對圖像進行詳盡的表述。所以本文提取PHOG全局特征描述圖像，進而用SVM分類器實現(xiàn)交通路況圖像的分類，圖1為分類流程圖。本文重點是通過改變SVM分類器中的核函數(shù)及相關(guān)參數(shù)對4類不同程度的交通路況圖像進行分類，并討論其在各種不同天氣條件下的分類情況，經(jīng)實驗證明能夠取得較高的分類準(zhǔn)確率。

圖1 基于SVM交通路況圖像分類流程

1.1 塔式邊緣方向梯度直方圖 （PHOG）特征

塔式邊緣方向梯度直方圖是在方向梯度直方圖 （histogram of edge orientations gradients，HOG）[8]基礎(chǔ)上發(fā)展起來的。主要是將圖像進行四叉樹劃分，得到不同層級數(shù)L的圖像，把梯度方向劃分成N個區(qū)間；對每一層中所分成連接區(qū)域的HOG求和，最終形成圖像的PHOG特征向量。整個圖像PHOG向量的維數(shù)為式 （1）[9，10]。假定圖像劃分層級數(shù)L＝2，這時該層可分為42個連接區(qū)域，每個區(qū)域作為一個興趣單元，將梯度方向分成N＝8個區(qū)間，即在每個區(qū)域內(nèi)統(tǒng)計像素點歸一化梯度能得到8維的直方圖；再加上L＝0，L＝1這兩個層級圖像分出的40＋41個區(qū)域，最終PHOG特征描述符的維數(shù)為式 （2）

PHOG特征的形成主要有以下幾個過程:

（1）提取邊緣輪廓，對邊緣圖像計算梯度模以及角度方向，并進行鄰域標(biāo)號和角度量化；

（2）將梯度方向劃分為N個區(qū)間，并對圖像進行金字塔L層級劃分，形成每個層級的特征向量；

（3）將低層級到高層級的特征向量結(jié)合起來，形成維數(shù)為式 （1）的向量。

圖2即為待處理原圖像以及進行四叉樹劃分后圖像劃分層級數(shù)分別為L＝0，L＝1以及L＝2的邊緣劃分圖。圖3分別為圖2中各個劃分層級數(shù)L＝0，1，2對應(yīng)的梯度方向直方圖。由兩圖可知，當(dāng)層級數(shù)L不斷增加時，圖像所得到的特征向量的維數(shù)也逐漸增加，對原圖像的表述也更詳盡。

圖2 原圖像與各層級邊緣劃分

圖3 各層級梯度方向直方圖

1.2 支持向量機 （SVM）

支持向量機是基于統(tǒng)計學(xué)習(xí)理論的一種機器學(xué)習(xí)方法[11，12]。它由Vapnik等人提出，最初是一種二類分類模型，這種線性可分模型旨在找到一個最優(yōu)超平面能夠?qū)⒉煌悇e的實例加以完全區(qū)分，且具有最大的區(qū)分間隔。由于很多實例在線性空間不易區(qū)分，所以，可以通過空間變換，將實例變換到非線性空間，從而實現(xiàn)線性可分。此時關(guān)鍵性的問題就是核技巧，通過選擇不同的核函數(shù)來達到非線性到線性之間的轉(zhuǎn)換。

對二分類問題，如圖4所示，試用 “□”代表正實例，用 “△”代表負實例，其目的是求得能將正負實例正確分開的超平面ω·x＋k＝0，其中ω，k分別為超平面的法向量和截距。圖中能將正負實例正確劃分開的直線不止一條，此時，利用間隔最大化求最優(yōu)劃分超平面就成為核心問題，并且解ω＊·x＋k＊＝0是唯一的。相對應(yīng)的分類決策函數(shù)即為f（x）＝sign（ω＊·x＋k＊）。

圖4 二維空間二分類問題

由于大多實例在線性空間不是線性可分的，而將它們經(jīng)映射變換到非線性空間卻能實現(xiàn)線性可分，如圖5所示，這樣就能簡化在線性空間中求得最優(yōu)超曲面的計算。這時需要一個映射函數(shù)K（x，z）＝Φ（x）·Φ（z）實現(xiàn)原空間到新空間的轉(zhuǎn)換，這個映射函數(shù)即為核函數(shù)。常見核函數(shù)包括線性核函數(shù)、多項式核函數(shù)、高斯核函數(shù)、sigmoid核函數(shù)等[12，13]。

圖5 經(jīng)空間變換的非線性分類問題

本文試圖將PHOG特征描述符與支持向量機相結(jié)合在交通路況圖像分類上取得較高的分類準(zhǔn)確率，同時采用不同的核函數(shù)分別對理想交通路況圖像以及雨、雪、霧惡劣天氣情況下交通路況圖像進行進一步分類比較，提高分類準(zhǔn)確率。

2 實驗結(jié)果與討論

2.1 實驗設(shè)置

實驗在 matlab2008a環(huán)境下，主頻2.20GHz，內(nèi)存2GB，操作系統(tǒng)為windows XP的電腦上完成；所用圖像均為交通監(jiān)控圖像，分辨率為300＊300，分為四類 （非常暢通、暢通、擁堵以及非常擁堵）。表1為實驗所用交通路況示例圖像，每類圖像100幅左右。實驗對圖像提取PHOG特征描述符，然后運用SVM對圖像進行分類，SVM分類器為臺灣大學(xué)林智仁所開發(fā)的libsvm3.12。實驗每類從圖庫中隨機抽取50幅訓(xùn)練，10幅測試，分別對四組實驗 （理想訓(xùn)練理想測試、理想訓(xùn)練混合測試、混合訓(xùn)練理想測試、混合訓(xùn)練混合測試）進行對比，同時采用交叉驗證的方法得到平均準(zhǔn)確率。

表1 實驗所用交通路況示例圖像

實驗內(nèi)容包括:

（1）測試不同層級數(shù)L、不同核函數(shù)對分類性能的影響；

（2）不同核函數(shù)參數(shù)對四組實驗準(zhǔn)確率的影響；

（3）不同程度惡劣天氣條件下本文與文獻[7]對比實驗。

2.2 實驗結(jié)果與分析

在改變PHOG特征層級數(shù)L實驗中，實驗結(jié)果如圖6、圖7所示，圖6中可以看到在L＝3時采用兩種核函數(shù)得到的平均準(zhǔn)確率都達到最高，但是高斯核函數(shù)較多項式核準(zhǔn)確率更高；在L＝3和L＝4時采用高斯核函數(shù)分類平均準(zhǔn)確率均達到90%。此時對比圖7可知，L＝4時，分類所用的測試與訓(xùn)練時間要比其余情況長很多。實驗表明，將圖像劃分的層級數(shù)越多，獲取的特征描述符的維數(shù)越大，對圖像的表述也就越詳盡，當(dāng)然提取特征所用的時間也就越長。綜合考慮上述實驗中平均準(zhǔn)確率、分類時間以及不同核函數(shù)等方面，本文選用高斯核函數(shù)，同時選取L＝3作為圖像劃分層級數(shù)。

圖6 在不同層級數(shù)下分別運用高斯核和多項式核得出的平均分類正確率

圖7 不同層級數(shù)下分類所用的訓(xùn)練與測試時間

在確定了圖像劃分層級數(shù)后，再對高斯核函數(shù)寬度σ加以調(diào)整，四組實驗最終得到不同分類平均準(zhǔn)確率。為了能夠更直觀地分析高斯核函數(shù)寬度對各組實驗的影響，將實驗數(shù)據(jù)以折線圖形式表示，如圖8所示。在σ2＝0.001時，各組實驗平均準(zhǔn)確率達到最高，均在92%以上。圖中各組實驗平均準(zhǔn)確率均由低變高再變低，這是因為在σ較小時會有更多的訓(xùn)練樣本被當(dāng)做支持向量。此時出現(xiàn)過學(xué)習(xí)現(xiàn)象，泛化能力較差。而從四組實驗可以看出，混合訓(xùn)練理想測試一組的平均準(zhǔn)確率相對其他3組要高，原因是混合訓(xùn)練圖像中包含了理想情況下的圖像，因此用理想圖像做測試能夠取得相對較好的分類結(jié)果；然而對于理想訓(xùn)練混合測試這組實驗，由于訓(xùn)練圖像庫中不包含雨雪霧等惡劣天氣條件下的圖像，所以測試時遇到惡劣天氣的圖像容易被誤分為其他類，導(dǎo)致準(zhǔn)確率較其他3組略微偏低。

圖8 不同高斯核函數(shù)寬度在不同實驗組中平均準(zhǔn)確率折線

在以上實驗基礎(chǔ)上，為更好體現(xiàn)每一類圖像的分類效果，在σ2＝0.001分類平均準(zhǔn)確率最高的情況下，給出四類交通路況圖像分類結(jié)果的平均混淆矩陣，如表2所示。由該混淆矩陣可知，非常暢通、暢通以及非常擁堵這3類分類效果理想；但擁堵這一類分類效果相對較差，分類結(jié)果容易與非常擁堵混淆。其原因是擁堵情況與非常擁堵情況圖像中車輛數(shù)目均較多，從而提取的特征描述符較為相近，導(dǎo)致?lián)矶屡c非常擁堵兩類混淆，這也是需要進一步解決的問題。

表2 4類交通路況圖像分類結(jié)果的平均混淆矩陣

而對不同程度惡劣天氣情況下 （輕度惡劣、中度惡劣、重度惡劣）交通路況的檢測。分別用文獻[7]的方法與本文所用方法進行對比，圖9為兩種方法平均準(zhǔn)確率柱狀圖。數(shù)據(jù)表明在重度惡劣天氣情況下本文平均準(zhǔn)確率比文獻的平均準(zhǔn)確率要提高5%。

圖9 本文方法與文獻[7]方法在不同程度惡劣天氣情況下平均準(zhǔn)確率

3 結(jié)束語

本文為避免傳統(tǒng)物理檢測方法在圖像獲取、設(shè)備維護、對路面造成損壞等方面的弊端，采用PHOG特征表述圖像，使用SVM對交通路況圖像進行分類，測試了不同天氣條件下交通路況圖像的分類，提高了惡劣天氣條件下平均分類準(zhǔn)確率。當(dāng)然，仍存在一些需要解決的問題:①本文僅實現(xiàn)了4種擁堵狀態(tài)的識別，如何根據(jù)圖像內(nèi)容自動判別更多種擁堵狀態(tài)、預(yù)測擁堵指數(shù)等都有待進一步研究；②特征提取方面，本文選用的PHOG特征雖能對圖像進行表述，但特征提取時間較長，如何減少路況檢測所用時間也是需要解決的問題之一；③分類器方面，本文采用高斯核函數(shù)，屬于非線性核，較線性核復(fù)雜，如何對分類器核函數(shù)進行改進，尋求復(fù)雜度低，分類效果顯著的核函數(shù)，提高分類準(zhǔn)確率等也是需要繼續(xù)探討的問題。

[1]FAN Xiaoke.Research on the problem of urban traffic congestion[J].China Public Security （Academy Edition），2007 （1）:48－51 （in Chinese）.[樊曉珂.城市交通擁堵問題研究[J].中國公共安全 （學(xué)術(shù)版），2007 （1）:48－51.]

[2]RONG Mei，HUANG Huixian，XU Jianmin.Vehicle detection method based on magneto resistive sensors[J].Computer and Communications ISTIC，2011，29 （3）:43－46 （in Chinese）.[榮梅，黃輝先，徐建閩.基于地磁傳感器的車輛檢測算法[J].交通信息與安全，2011，29 （3）:43－46.]

[3]ZHANG Ning，LIN Ming.Design of microwave traffic flow detection system based on new－style signal source[J].Computer Engineering and Design，2012，33 （8）:3011－3015 （in Chinese）.[張寧，林明.基于新型信號源的微波車流量檢測器設(shè)計[J].計算機工程與設(shè)計，2012，33 （8）:3011－3015.]

[4]Iwasaki Y，Kawata S，Nakamiya T.Robust vehicle detection even in poor visibility conditions using infrared thermal images and its application to road traffic flow monitoring[J].Measurement Science and Technology，2011，22 （8）:085501－085510.

[5]Yani Z，Hui G.Development of ultrasonic vehicle detection sensor[J].Computer Measurement and Control，2011，19 （10）:2542－2548.

[6]Liu X，Sun Z，He H.On－road vehicle detection fusing radar and vision[C]／／IEEE International Conference on Vehicular Electronics and Safety，2011:150－154.

[7]LI Jia，YAN Yusong.Design and iimplementation of dynamic image－based traffic congestion state identification system[J].Computer Engineering and Design，2011，32 （4）:1366－1369（in Chinese）.[李佳，嚴(yán)余松.基于圖像的交通擁堵狀態(tài)識別系統(tǒng) 的 實 現(xiàn)[J]. 計 算 機 工 程 與 設(shè) 計，2011，32 （4）:1366－1369.]

[8]SHU C，Ding X，F(xiàn)ang C.Histogram of the oriented gradient for face recognition[J].Tsinghua Science and Technology，2011，16 （2）:216－224.

[9]YUAN Jie，WEI Baogang，WANG Lidong.An image retrieval method synthesizing PHOG shape description and wavelet pyramid energy distribution[J].Acta Electronica Sinica，2011，39（9）:2114－2119 （in Chinese）.[袁杰，魏寶剛，王李冬.一種綜合PHOG形狀和小波金字塔能量分布特征的圖像檢索方法[J].電子學(xué)報，2011，39 （9）:2114－2119.]

[10]JIA Shijie，KONG Xiangwei，F(xiàn)U Haiyan，et al.Auto classification of product images based on complementary features and class descriptor[J].Journal of Electronics and Information Technology，2010，32 （10）:2294－2300 （in Chinese）.[賈世杰，孔祥維，付海燕，等.基于互補特征和類描述的商品圖像自動 分 類[J]. 電 子 與 信 息 學(xué) 報，2010，32 （10）:2294－2300.]

[11]Deng N，Tian Y，Zhang C.Support vector machines:Optimization based theory，algorithms，and extensions[M].Boca Raton，F(xiàn)L:Chapman and Hall／CRC，2012.

[12]LI Hang.Statistical learning methods[M].Beijing:Tsinghua University Press，2012 （in Chinese）.[李航.統(tǒng)計學(xué)習(xí)方法[M].北京:清華大學(xué)出版社，2012.]

[13]Wu X，Kumar V.The top ten algorithms in data mining[M].Boca Raton，F(xiàn)L:Chapman and Hall／CRC，2009.