紀(jì)　野， 李玉惠， 李　勃， 楊　敏

(1.昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500;2.云南省智能交通系統(tǒng)工程技術(shù)研究中心 智能圖像處理研究室，云南 昆明 650500)

?

有監(jiān)督Kohonen網(wǎng)絡(luò)的車型識別方法*

紀(jì)野1,2， 李玉惠1,2， 李勃1,2， 楊敏1,2

(1.昆明理工大學(xué) 信息工程與自動化學(xué)院，云南 昆明 650500;2.云南省智能交通系統(tǒng)工程技術(shù)研究中心 智能圖像處理研究室，云南 昆明 650500)

車型識別已成為智能交通系統(tǒng)研究中的一個重要內(nèi)容。根據(jù)同類車型尺寸特征如長、寬、高特征值都具有相似性特點(diǎn)，利用已有車型數(shù)據(jù)庫，分別使用逆?zhèn)鞑?BP)神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)(SVM)網(wǎng)絡(luò)、有監(jiān)督Kohonen網(wǎng)絡(luò)這三種神經(jīng)網(wǎng)絡(luò)分類方法對車型尺寸特征進(jìn)行分類，得到三個車型識別準(zhǔn)確率并進(jìn)行比較驗(yàn)證。實(shí)驗(yàn)結(jié)果表明:有監(jiān)督Kohonen網(wǎng)絡(luò)的分類方法具有較高的車型識別精度，實(shí)驗(yàn)效果明顯，車型識別準(zhǔn)確率高。

智能交通系統(tǒng)； 車型識別； BP神經(jīng)網(wǎng)絡(luò)； SVM網(wǎng)絡(luò)； 有監(jiān)督Kohonen網(wǎng)絡(luò)

0　引　言

現(xiàn)代的交通管理，車型識別技術(shù)是交通參數(shù)統(tǒng)計中的重要依據(jù)，車型識別技術(shù)在現(xiàn)代化智能交通系統(tǒng)中，對于改善人們的生活質(zhì)量方面有著重要的社會現(xiàn)實(shí)意義。在車型識別的方法中，Sun Z等人提出Haar小波特征與Gabor特征結(jié)合采用支持向量機(jī)(support vector machine,SVM)分類器進(jìn)行車輛分類識別[1]；康維新等人結(jié)合車輛Harris 特征與 SIFT 特征，利用Hausdorff 距離進(jìn)行車型識別[2]等，這些方法特征提取計算量較大，當(dāng)數(shù)據(jù)庫中的車輛類型較多時，所需識別時間較長，限制了在實(shí)際中運(yùn)用。Pearce G,何佳聰，蔡恒進(jìn)等人利用汽車正面圖像和車標(biāo)進(jìn)行車輛分類識別，提高車型分類的準(zhǔn)確性[3,4]，但研究結(jié)果受正面圖像角度偏移和圖像大小影響較大，在實(shí)際應(yīng)用中有待改進(jìn)。陳曦等人利用SVM進(jìn)行心電圖(ECG)傳感器信號身份識別[5]準(zhǔn)確率高，該方法也可應(yīng)用于車型識別。本文實(shí)驗(yàn)分別采用了BP神經(jīng)網(wǎng)絡(luò)、SVM網(wǎng)絡(luò)、有監(jiān)督Kohonen網(wǎng)絡(luò)三種分類方法對車型尺寸特征(長、寬、高)進(jìn)行分類比較實(shí)驗(yàn)，驗(yàn)證了有監(jiān)督Kohonen網(wǎng)絡(luò)的分類方法識別準(zhǔn)確率高而且快速有效。

1　車型的識別

1.1數(shù)據(jù)準(zhǔn)備

實(shí)驗(yàn)的基礎(chǔ)是已經(jīng)建好的車型數(shù)據(jù)庫，車型數(shù)據(jù)庫的數(shù)據(jù)有近2 000種常見車輛的基本參數(shù)，其中包含車輛的尺寸特征信息。在此基礎(chǔ)上，分別使用BP神經(jīng)網(wǎng)絡(luò)、SVM網(wǎng)絡(luò)、有監(jiān)督Kohonen網(wǎng)絡(luò)三種分類方法對已知車型的尺寸特征值進(jìn)行分類。

1.2車型識別的算法流程

本文運(yùn)用提取的尺寸特征對常見的轎車、微面、輕卡、客車四種車型進(jìn)行了車型識別。

基于BP神經(jīng)網(wǎng)絡(luò)的車型尺寸特征數(shù)據(jù)分類算法流程如圖1所示。

圖1　基于BP神經(jīng)網(wǎng)絡(luò)的算法流程圖Fig 1　Flow chart of algorithm based on BP neural network

基于SVM網(wǎng)絡(luò)車型尺寸特征數(shù)據(jù)分類算法流程如圖2所示。

圖2　基于SVM網(wǎng)絡(luò)的算法流程圖Fig 2　Flow chart of algorithm based on SVM network

基于有監(jiān)督Kohonen網(wǎng)絡(luò)的車型尺寸特征數(shù)據(jù)分類算法流程如圖3所示。

圖3　基于有監(jiān)督Kohonen網(wǎng)絡(luò)的算法流程圖Fig 3　Flow chart of algorithm based on supervised Kohonen network

2　三種神經(jīng)網(wǎng)絡(luò)分類方法研究

2.1BP神經(jīng)網(wǎng)絡(luò)分類原理

BP神經(jīng)網(wǎng)絡(luò)[6]是一種典型的多層前饋網(wǎng)絡(luò)(MFNN)，一般由輸入層、隱含層和輸出層組成。一個三層的BP神經(jīng)網(wǎng)絡(luò)可以完成任意n維到m維的映射。BP學(xué)習(xí)算法由正向傳播和反向傳播組成。正向傳播中，輸入信號從輸入層經(jīng)隱含層傳向輸出層。若輸出層得到了期望的輸出，學(xué)習(xí)算法結(jié)束；否則，轉(zhuǎn)至反向傳播。反向傳播是將誤差信號(樣本輸出與網(wǎng)絡(luò)輸出之差)按原連接通路反向計算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值與閾值，使誤差信號減小。

2.2SVM網(wǎng)絡(luò)分類原理

支持向量機(jī)實(shí)現(xiàn)原理[7]：通過某種事先選擇的非線性映射(核函數(shù))將輸入向量映射到一個高維特征空間，在這個空間中構(gòu)造最優(yōu)分類超平面。SVM最初是針對兩個數(shù)據(jù)類別分類問題提出來的。對于樣本集(xi,yi),i=1,2,…,n;xi∈Rn;yi∈{-1,1}，構(gòu)造分類面：WX+b=0，能將兩類樣本無錯誤分開，使兩類之間距離最大。W，X為n維向量，線性判別函數(shù)一般形式為g(x)=Wx+b，用同倍縮放W，b的方法進(jìn)行歸一化，使離分類面最近的樣本滿足|g(x)|=1，兩類所有樣本都滿足|g(x)|≥1，兩類樣本分類間隔為2/‖W‖。

2.3有監(jiān)督Kohonen網(wǎng)絡(luò)分類原理

有監(jiān)督Kohonen網(wǎng)絡(luò)結(jié)構(gòu)包含輸入層、競爭層和輸出層(節(jié)點(diǎn)個數(shù)同數(shù)據(jù)類別個數(shù)相同)三層前饋神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元個數(shù)同輸入樣本向量維數(shù)一致，競爭層節(jié)點(diǎn)呈二維陣列分布，輸出層節(jié)點(diǎn)個數(shù)同數(shù)據(jù)類別相同，每個節(jié)點(diǎn)代表一類數(shù)據(jù)。輸出層節(jié)點(diǎn)和競爭層節(jié)點(diǎn)通過權(quán)值全相連，數(shù)據(jù)輸入有監(jiān)督Kohonen網(wǎng)絡(luò)，在權(quán)值調(diào)整時，不僅調(diào)整輸入層同競爭層優(yōu)勝節(jié)點(diǎn)領(lǐng)域內(nèi)節(jié)點(diǎn)權(quán)值，同時調(diào)整競爭層優(yōu)勝節(jié)點(diǎn)領(lǐng)域內(nèi)節(jié)點(diǎn)同輸出層節(jié)點(diǎn)權(quán)值。競爭層上的神經(jīng)元計算輸入樣本與競爭層神經(jīng)元權(quán)值之間的歐幾里得距離，距離最小的神經(jīng)元為獲勝神經(jīng)元。調(diào)整獲勝神經(jīng)元和相鄰神經(jīng)元權(quán)值，使獲得神經(jīng)元及周邊權(quán)值靠近該輸入樣本。通過反復(fù)訓(xùn)練，最終各個神經(jīng)元的連接權(quán)值具有一定的分布，該分布把數(shù)據(jù)之間的相似性組織到代表各類的神經(jīng)元上，使同類神經(jīng)元具有相近的權(quán)系數(shù)，不同類的神經(jīng)元權(quán)系數(shù)差別明顯。學(xué)習(xí)過程中，權(quán)值修改學(xué)習(xí)速率和神經(jīng)元領(lǐng)域均在不斷減小，使同類神經(jīng)元逐漸集中。有監(jiān)督Kohonen網(wǎng)絡(luò)訓(xùn)練步驟：

1)數(shù)據(jù)歸一化。

2)網(wǎng)絡(luò)初始化:初始化輸入層與競爭層之間權(quán)值wij、競爭層與輸出層之間權(quán)值wjk。

4)神經(jīng)元選擇:把與輸入向量X距離最小的競爭層神經(jīng)元c作為最優(yōu)匹配輸出神經(jīng)元。

5)權(quán)值調(diào)整[8]:調(diào)整輸入層同競爭層獲勝神經(jīng)元領(lǐng)域內(nèi)節(jié)點(diǎn)權(quán)值，即

wij=wij+η1(Xi-wij)

(1)

調(diào)整競爭層獲勝神經(jīng)元領(lǐng)域內(nèi)節(jié)點(diǎn)同輸出層節(jié)點(diǎn)權(quán)值，即

wjk=wjk+η2(Yk-wjk)

(2)

式中η1,η2為學(xué)習(xí)速率，Yk為樣本所屬類別。

6)判斷算法是否結(jié)束，若沒有結(jié)束，返回步驟(2)。

3　實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)中，用三種分類模型分別對車型數(shù)據(jù)庫中400個數(shù)據(jù)樣本做分類比較實(shí)驗(yàn)。這400個車型尺寸特征數(shù)據(jù)包括第一類轎車數(shù)據(jù)100個、第二類輕卡數(shù)據(jù)100個、第三類微面數(shù)據(jù)100個、第四類客車數(shù)據(jù)100個。實(shí)驗(yàn)選擇四種車型尺寸特征數(shù)據(jù)區(qū)分度明顯，避免車型數(shù)據(jù)區(qū)分度模糊，導(dǎo)致分類模型對測試數(shù)據(jù)分類錯誤的情況。三種分類方法中數(shù)據(jù)均為隨機(jī)選取，訓(xùn)練數(shù)據(jù)300個，預(yù)測數(shù)據(jù)100個。

三種分類方法對應(yīng)四種車型分類準(zhǔn)確率的比較結(jié)果，如表1所示。

三種分類方法對四種車型分類預(yù)測錯誤情況均為四種車型之間分類預(yù)測錯誤。如圖4、圖5和圖6所示。

圖4　BP神經(jīng)網(wǎng)絡(luò)分類圖Fig 4　BP neural network classification diagram

圖4中點(diǎn)線為實(shí)際車輛類別，實(shí)線為預(yù)測車輛類別。位于四種類別水平線上，實(shí)線與點(diǎn)線尖點(diǎn)重合為分類預(yù)測準(zhǔn)確，錯開為分類預(yù)測錯誤。BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)經(jīng)多次預(yù)測分類，時間較短，準(zhǔn)確率不穩(wěn)定。

圖5中圓圈為實(shí)際車輛類別，星號為預(yù)測車輛類別。星號與圓圈重合為分類預(yù)測準(zhǔn)確，錯開為分類預(yù)測錯誤。實(shí)驗(yàn)經(jīng)多次預(yù)測分類，時間較長，準(zhǔn)確率穩(wěn)定。

圖5　SVM網(wǎng)絡(luò)分類圖Fig 5　SVM network classification diagram

圖6中點(diǎn)線為實(shí)際車輛類別，實(shí)線為預(yù)測車輛類別。實(shí)線與點(diǎn)線重合為分類預(yù)測準(zhǔn)確，錯開為分類預(yù)測錯誤。實(shí)驗(yàn)經(jīng)多次預(yù)測分類，時間適中，準(zhǔn)確率趨于穩(wěn)定。

圖6　有監(jiān)督Kohonen網(wǎng)絡(luò)分類圖Fig 6　Supervised Kohonen network classification diagram

綜上所述，用Matlab軟件編程運(yùn)算，得到表2所示分類結(jié)果。

表2　實(shí)驗(yàn)結(jié)果比較分析

4　結(jié)束語

本文針對已有車型數(shù)據(jù)庫，分別用BP神經(jīng)網(wǎng)絡(luò)、SVM網(wǎng)絡(luò)、有監(jiān)督Kohonen網(wǎng)絡(luò)分類算法對車型尺寸特征進(jìn)行分類，經(jīng)多次實(shí)驗(yàn)結(jié)果比較，最終采用有監(jiān)督Kohonen網(wǎng)絡(luò)分類算法進(jìn)行車型識別。三種分類算法，根據(jù)運(yùn)行時間和準(zhǔn)確度綜合考慮，有監(jiān)督Kohonen網(wǎng)絡(luò)優(yōu)于其他分類算法，算法實(shí)現(xiàn)簡單，運(yùn)算量少，車型識別實(shí)驗(yàn)也驗(yàn)證該方法的可行性和可靠性。實(shí)驗(yàn)結(jié)果表明，本文方法能有效提高車型識別率。

[1]Sun Z,Bebis G,Miller R.Improving the performance of on-road vehicle detection by combining Gabor and wavelet features[C]∥IEEE The 5th International Conference on Intelligent Transportation Systems,Singapore: IEEE,2002:130-135.

[2]康維新，曹宇亭，盛卓，等.車輛的 Harris 與 SIFT 特征及車型識別[J].哈爾濱理工大學(xué)學(xué)報，2012,17(3):69-73.

[3]Pearce G,Pears N.Automatic make and model recognition from frontal images of cars[C]∥The 8th IEEE International Confe-rence on Digital Object Identifier,Advanced Video and Signal-Based Surveillance (AVSS),Klagenfurt: IEEE,2011:373-378.

[4]何佳聰，蔡恒進(jìn)，鄧娟，等.基于改進(jìn)的HMAX算法的車型識別應(yīng)用[J].計算機(jī)科學(xué)與應(yīng)用，2012(2):233-239.

[5]陳曦，陳冠雄，沈海斌.基于SVM的ECG傳感器信號身份識別方法[J].傳感器與微系統(tǒng)，2014,33(10):40-43.

[6]史峰，王小川，郁磊，等.MATLAB神經(jīng)網(wǎng)絡(luò)30個案例分析[M].北京:北京航空航天大學(xué)出版社，2010.

[7]梁燕.SVM分類器的擴(kuò)展及其應(yīng)用研究[D].長沙:湖南大學(xué)，2008:32-35.

[8]馬衛(wèi)，馬全富.有監(jiān)督的Kohonen神經(jīng)網(wǎng)絡(luò)聚類算法在癌癥診斷中的應(yīng)用[J].微電子學(xué)與計算機(jī)，2014,31(12):108-110.

李玉惠，通訊作者，E—mail：1484946977@qq.com。

Research on vehicle type identification method based on supervised Kohonen network*

JI Ye1,2, LI Yu-hui1,2, LI Bo1,2, YANG Min1,2

(1.School of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China;2.Intelligent Image Processing Research Department,Intelligent Transportation System Engineering Technology Research Center of Yunnan Province,Kunming 650500,China)

Vehicle type identification has become an important research content in intelligent transportation systems.According to the characteristics of size similar vehicle models such as long,width,height features value are similar characteristics,using the existing vehicle models database,respectively using three neural network classification methods,such as BP neural network,SVM network,supervised Kohonen network,to classify features of vehicle type size,obtain identification accuracy rate of three vehicle type and comparison and verification are carried out.Experimental results show that the classification method of supervised Kohonen network has high precision of vehicle identification,the experimental effect is obvious,and the accuracy rate of vehicle type identification is high.

intelligent transportation system; vehicle type identification; BP neural network; SVM network; supervised Kohonen network

2015—11—16

國家自然科學(xué)基金資助項(xiàng)目(61363043)

TP 183

A

1000—9787(2016)08—0012—03

紀(jì)野(1990-)，男，吉林省四平人，碩士研究生，主要研究方向?yàn)橹悄軋D像處理。

DOI:10.13873/J.1000—9787(2016)08—0012—03