王忠民，張 瑤，衡 霞

WANG Zhongmin,ZHANG Yao,HENG Xia

西安郵電大學(xué) 計(jì)算機(jī)學(xué)院，西安 710121

School of Computer Sience&Technology,Xi’an University of Posts&Telecommunications,Xi’an 710121,China

1 引言

隨著社會(huì)經(jīng)濟(jì)的進(jìn)步和道路交通的發(fā)展，駕車已經(jīng)成為大眾出行的首選方式，伴隨而至的交通安全問(wèn)題也隨之成為社會(huì)關(guān)注的焦點(diǎn)。已有研究表明不良駕駛行為是導(dǎo)致交通事故的一個(gè)主要原因，隨意變道、掉頭行駛等駕駛行為是交通事故的重要誘因；超速行駛、緊急制動(dòng)等駕駛行為也增加了不良事故發(fā)生的可能性。實(shí)時(shí)監(jiān)測(cè)駕駛者行為并予以警示，能夠及時(shí)警示不良駕駛行為并遏制交通事故的發(fā)生，對(duì)構(gòu)建健康安全的交通環(huán)境有重要意義。

近年來(lái)，利用移動(dòng)終端進(jìn)行駕駛行為識(shí)別方面已有較多的研究，大多使用移動(dòng)設(shè)備中內(nèi)置的多種傳感器實(shí)時(shí)采集行駛數(shù)據(jù)，構(gòu)建識(shí)別模型達(dá)到預(yù)警效果。文獻(xiàn)[1]使用定制感知平臺(tái)，并接入汽車控制系統(tǒng)，結(jié)合加速度計(jì)、GPS采集的行車信息，檢測(cè)包括左右轉(zhuǎn)彎、剎車、加速等駕駛行為。由于專用的感知平臺(tái)難以普及，也無(wú)法進(jìn)行數(shù)據(jù)統(tǒng)計(jì)進(jìn)行進(jìn)一步處理，難以進(jìn)行推廣。文獻(xiàn)[2]針對(duì)安全駕駛和惡意駕駛兩種駕車風(fēng)格，使用動(dòng)態(tài)時(shí)間扭曲和傳感器融合來(lái)檢測(cè)、識(shí)別和記錄車輛行為。通過(guò)傳感器的相關(guān)軸內(nèi)數(shù)據(jù)融合到單個(gè)分類器，利用歐拉表示與標(biāo)準(zhǔn)模板比較進(jìn)行行為分類。但在實(shí)際應(yīng)用中因駕駛行為沒(méi)有固定模式，難以使用單一的模板作為標(biāo)準(zhǔn)識(shí)別駕駛行為。文獻(xiàn)[3]提出利用手機(jī)內(nèi)置的加速度傳感器采集到的行駛數(shù)據(jù)，計(jì)算一段時(shí)間里水平加速度最大值和最小值之間的差值來(lái)判斷車輛在水平方向上是否有搖擺直行或轉(zhuǎn)彎幅度大等危險(xiǎn)行為?？紤]手機(jī)放置位置的不確定性，極大程度地降低了行為識(shí)別的自適應(yīng)性。為了解決這個(gè)問(wèn)題，文獻(xiàn)[4]提出了加速度計(jì)重定向的方法，將加速度數(shù)據(jù)從設(shè)備坐標(biāo)系轉(zhuǎn)換至行車坐標(biāo)系，但與手動(dòng)固定設(shè)備姿態(tài)的檢測(cè)方法相比，識(shí)別率還有待提高。為了增加識(shí)別的準(zhǔn)確性，文獻(xiàn)[5]通過(guò)對(duì)多個(gè)傳感器數(shù)據(jù)進(jìn)行降噪處理，再對(duì)數(shù)據(jù)進(jìn)行區(qū)間劃分形成候選行為事件，并利用基于分類規(guī)則的機(jī)器學(xué)習(xí)方法對(duì)候選行為時(shí)間提取的行為特征進(jìn)行學(xué)習(xí)分類。但多個(gè)傳感器數(shù)據(jù)增加了時(shí)間復(fù)雜度，必將影響實(shí)際應(yīng)用的實(shí)時(shí)性。文獻(xiàn)[6]通過(guò)判定一段時(shí)長(zhǎng)內(nèi)的車間距和車道線距離的方差變化確定方差模型輸出，并作為貝葉斯模型輸入，綜合方差模型輸出與貝葉斯網(wǎng)絡(luò)預(yù)測(cè)結(jié)果，最終判定當(dāng)前駕駛行為是否存在危險(xiǎn)。該方法在降低時(shí)間復(fù)雜度的情況下，識(shí)別效率還有待進(jìn)一步提高。

綜合以上因素，為了同時(shí)解決手機(jī)方位的自適應(yīng)并提高駕駛行為的辨識(shí)效能，提出使用智能手機(jī)內(nèi)置傳感器采集的實(shí)時(shí)數(shù)據(jù)，通過(guò)稀疏濾波直接優(yōu)化樣本特征映射的稀疏性，從而改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的首層輸入，以更好的特征表達(dá)來(lái)識(shí)別行為。實(shí)驗(yàn)表明，在使用稀疏濾波-神經(jīng)網(wǎng)絡(luò)的組合模型后，駕駛行為的識(shí)別效果更加優(yōu)異。

2 稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)（SF-CNN）

基于稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)識(shí)別駕駛行為模型由數(shù)據(jù)預(yù)處理優(yōu)化特征、調(diào)整網(wǎng)絡(luò)標(biāo)簽構(gòu)建識(shí)別模型、輸入數(shù)據(jù)進(jìn)行行為識(shí)別等三部分組成，該方法的結(jié)構(gòu)圖如圖1所示。

利用智能手機(jī)內(nèi)置的加速度傳感器和陀螺儀，采集駕駛者駕駛過(guò)程中的原始加速度信號(hào)和角度變化信息。將原始數(shù)據(jù)所處的手機(jī)坐標(biāo)系利用歐拉角轉(zhuǎn)換，投影至與手機(jī)方向無(wú)關(guān)的統(tǒng)一的大地坐標(biāo)系中，以避免手機(jī)放置方位對(duì)分類器的影響。利用合加速度，提取加速度信息，經(jīng)校準(zhǔn)及線性變換角速度ω1,ω2，獲取角速度信息。數(shù)據(jù)初始化完畢，稀疏濾波訓(xùn)練數(shù)據(jù)，獲得的權(quán)值矩陣作為神經(jīng)網(wǎng)絡(luò)的輸入。訓(xùn)練出識(shí)別模型的網(wǎng)絡(luò)映射，用五類標(biāo)記數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行微調(diào)，提高識(shí)別駕駛行為性能。

圖1 稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)模型

2.1 稀疏濾波算法

稀疏濾波（Sparse Filtering）是Ngiam等人[7]提出的一種優(yōu)化特征分布的無(wú)監(jiān)督特征學(xué)習(xí)算法。在眾多的特征匹配或特征設(shè)計(jì)任務(wù)中，由于需要大量的超參數(shù)調(diào)諧，致使當(dāng)前的許多特征學(xué)習(xí)算法難以使用。例如稀疏受限波爾茲曼機(jī)（Sparse Restricted Boltzmann Machine，SRBM）具有高達(dá)6個(gè)的超參數(shù)和難以控制的目標(biāo)函數(shù)，才可以使得調(diào)諧和監(jiān)視收斂。

2.1.1 無(wú)監(jiān)督特征學(xué)習(xí)

傳統(tǒng)特征學(xué)習(xí)算法很大程度上試圖構(gòu)建真實(shí)數(shù)據(jù)分布的近似模型，如去噪自動(dòng)編碼器（Denoising Autoencoder，DA）、受限波爾茲曼機(jī)（Restricted Boltzmann Machine，RBM）、獨(dú)立主成分分析（Independent Component Analysis，ICA）等，雖然在一些任務(wù)中有良好的特征表示，但因需要調(diào)整各種超參數(shù)而難以實(shí)現(xiàn)。本文旨在構(gòu)建一個(gè)簡(jiǎn)單有效的特征學(xué)習(xí)算法，簡(jiǎn)化調(diào)整范圍。因此，僅關(guān)注特征的一些關(guān)鍵屬性：

（1）樣本內(nèi)稀疏（Population Sparsity）：用少量特征描述樣本。即特征矩陣的每一列（一個(gè)樣本）中只有少數(shù)非零項(xiàng)，其他值都為零。

（2）樣本間稀疏（Lifetime Sparsity）：特征存在于少數(shù)樣本內(nèi)。即在特征矩陣中，每一行（一種特征）應(yīng)該只有少量的非零元素。

（3）分散稀疏（High Dispersal）：特征分布較為均勻。即每種特征具有相似的統(tǒng)計(jì)特性。

這些特征分布性質(zhì)在以往的神經(jīng)網(wǎng)絡(luò)科學(xué)文獻(xiàn)中已被探討[8-12]，例如SRBM[8]將特征的預(yù)期激活約束作為目標(biāo)值；ICA[12-13]規(guī)范了每個(gè)特征的約束，并進(jìn)一步優(yōu)化其學(xué)習(xí)特征的樣本間稀疏性；k均值[14]可以被看作是強(qiáng)制執(zhí)行樣本間稀疏，其中每個(gè)聚類質(zhì)心僅對(duì)應(yīng)一個(gè)特征，即在每個(gè)樣本中僅有一個(gè)特征被激活。由以往的研究注意到，神經(jīng)代碼的表征傳統(tǒng)上被視為特征分布的屬性，而不是作為數(shù)據(jù)分布建模的方式。

圖2 稀疏濾波處理示意圖

2.1.2 稀疏濾波算法模型

以上討論的特征學(xué)習(xí)方法都可以被視為生成特定的特征分布，而稀疏濾波采用特征分布導(dǎo)向的方法，深化特征分布的理想性能。為了清楚起見(jiàn)，假設(shè)樣本矩陣為X∈RN×M，其中N為樣本向量維數(shù)，M 為樣本數(shù)量，W 為待求權(quán)值矩陣，Nf為特征向量維數(shù)，則X的特征矩陣即整個(gè)網(wǎng)絡(luò)的輸出就可以表示為：

根據(jù)稀疏濾波屬性，首先對(duì)每一行進(jìn)行L2歸一化，即對(duì)A矩陣進(jìn)行行歸一得：

然后對(duì)每一列進(jìn)行L2歸一化，即對(duì)RS矩陣進(jìn)行列歸一化得：

以此來(lái)保證每個(gè)樣本的特征具有稀疏性，得到最終的目標(biāo)函數(shù)：

為了實(shí)現(xiàn)稀疏濾波，使用了由兩層組成的深度稀疏濾波器，層1為大小16×16的數(shù)據(jù)塊進(jìn)行訓(xùn)練，首先對(duì)自然數(shù)據(jù)進(jìn)行歸一化，獲得特征數(shù)據(jù)的絕對(duì)值，作為后續(xù)層的輸入。第二層再次歸一化得到稀疏特性。由兩層深度稀疏過(guò)濾計(jì)算得到優(yōu)化后的特征，通過(guò)逐層貪婪算法計(jì)算最終輸出。如圖2為稀疏濾波的處理示意圖。

2.2 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)通過(guò)層與層之間局部連接構(gòu)成多層深度網(wǎng)絡(luò)。信息通常在網(wǎng)絡(luò)的不同層上傳遞，并且在每個(gè)層處，利用可訓(xùn)練過(guò)濾器和局部鄰域聚集操作，產(chǎn)生易于觀察的數(shù)據(jù)分布特征。整個(gè)卷積網(wǎng)絡(luò)構(gòu)架如圖3所示，該網(wǎng)絡(luò)包括兩個(gè)卷積層，兩個(gè)池化層和全連接層，在實(shí)驗(yàn)中，用稀疏濾波后得到16×16的數(shù)據(jù)塊，作為卷積神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行行為識(shí)別，通過(guò)第一個(gè)卷積核為1×1×5的卷積和池化至第二個(gè)卷積核為2×2×10的卷積和池化到全鏈接層，最終得到駕駛行為標(biāo)簽。其中卷積層采用ReLu函數(shù)作為激活函數(shù)，如式（5）：

式中表示點(diǎn)(x,y)處通過(guò)卷積核計(jì)算得到的神經(jīng)元激活度，n是該層中的核總數(shù)，其余為超參數(shù)，由實(shí)驗(yàn)驗(yàn)證，選取如表1的參數(shù)設(shè)置，以達(dá)到在使用不同核計(jì)算神經(jīng)元輸入的過(guò)程中創(chuàng)造對(duì)最大激活度的競(jìng)爭(zhēng)。

圖3 卷積神經(jīng)網(wǎng)絡(luò)模型

表1 歸一化參數(shù)設(shè)置

為了得到更好的識(shí)別性能，在網(wǎng)絡(luò)構(gòu)建過(guò)程中，使用稀疏濾波器訓(xùn)練數(shù)據(jù)，達(dá)到加速訓(xùn)練和快速收斂的效果，具備更好的泛化能力。過(guò)濾器和局部鄰域聚集操作交替使用，使低水平數(shù)據(jù)輸入可以自動(dòng)構(gòu)建高級(jí)別特征表示。

對(duì)于最終層輸出的損失估計(jì)，使用CNN架構(gòu)中的交叉熵?fù)p耗，避免學(xué)習(xí)減速：

其中xj和 pj分別是第 j個(gè)輸入和輸出，K是輸出神經(jīng)元數(shù)量，tj是第 j類的目標(biāo)標(biāo)簽。當(dāng)反向傳播時(shí)，通過(guò)偏導(dǎo)數(shù)計(jì)算損耗梯度：

其中δj代表輸出層中的損耗梯度，將作為誤差返回傳播至最頂部的全連接層。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)數(shù)據(jù)集采集

本文是以內(nèi)置ARM處理器的智能手機(jī)作為嵌入式系統(tǒng)硬件平臺(tái)，搭載帶寬為8～1 000 Hz，靈敏度為32～256 LBS/g的三軸加速度傳感器，角速度量程為-100～+100 rad/s的陀螺儀，操作系統(tǒng)為Android5.0。在該平臺(tái)上搭建輕量級(jí)行為數(shù)據(jù)采集器，能滿足日常駕駛行為數(shù)據(jù)采集需求。實(shí)驗(yàn)采集了5名用戶的駕駛行為數(shù)據(jù)，分別為點(diǎn)火、熄火、勻速行駛、靜止和減速行駛等五種駕駛行為。采樣頻率為100 Hz，采集到包含不同行為的數(shù)據(jù)樣本共4 960份，如表2所示。

表2 不同駕駛行為樣本數(shù)據(jù)

在4 960份的樣本數(shù)據(jù)中，每種駕駛行為數(shù)據(jù)按照7∶3進(jìn)行劃分，生成實(shí)驗(yàn)的訓(xùn)練集和測(cè)試集。數(shù)據(jù)初始化后，實(shí)驗(yàn)采用了軟絕對(duì)函數(shù)作為激活函數(shù)，設(shè)置 ε=10-8，使用L-BFGS[15]包來(lái)優(yōu)化稀疏濾波目標(biāo)，直到收斂。通過(guò)測(cè)量算法的每次迭代函數(shù)值的相對(duì)變化比較不同特征數(shù)的收斂效能，當(dāng)該變化下降到低于預(yù)設(shè)閾值時(shí)停止。

在特征學(xué)習(xí)之前，先將訓(xùn)練數(shù)據(jù)隨機(jī)抽樣形成的局部接收?qǐng)鰷p去自身的平均值，去除DC分量。通過(guò)稀疏濾波學(xué)習(xí)的第一層，類似Gabor的邊緣檢測(cè)器，使用貪婪層式方法學(xué)習(xí)標(biāo)準(zhǔn)稀疏特征。再經(jīng)過(guò)相同算法學(xué)習(xí)第二層特征，得到優(yōu)化特征。圖4為第二層使用稀疏過(guò)濾學(xué)習(xí)池單元。顯示每個(gè)第二層單元最強(qiáng)連接的第一層單元。

圖4 稀疏過(guò)濾池單元

至此，特征分布完成了稀疏性的優(yōu)化分布。

3.2 稀疏濾波特征性能

實(shí)驗(yàn)首先從數(shù)據(jù)集中抽取大小為w×w的數(shù)據(jù)塊，進(jìn)行ZAC白化。學(xué)習(xí)的特征數(shù)為K（即單層網(wǎng)絡(luò)中隱含層的個(gè)數(shù)）。訓(xùn)練完成后，進(jìn)行卷積提取，并進(jìn)行四個(gè)象限劃分采取平均聚合以減少特征維數(shù)。表3列出了w=8、12、16以及特征數(shù) K=200、400、800情況下圖像分類的正確率。

表3 稀疏濾波下駕駛行為的特征性能%

該實(shí)驗(yàn)針對(duì)五種駕駛行為，點(diǎn)火、勻速行駛、靜止、減速行駛、熄火，分別調(diào)整實(shí)驗(yàn)特征數(shù)和數(shù)據(jù)分塊大小。從實(shí)驗(yàn)結(jié)果可以看出，對(duì)于每一種駕駛行為，特征數(shù)增加，識(shí)別率有所提高，如點(diǎn)火行為，在數(shù)據(jù)分塊為8時(shí)，特征數(shù)為400比特征數(shù)為200的識(shí)別率提高了2.78%；靜止行為在數(shù)據(jù)分塊為8時(shí)，特征數(shù)800比特征數(shù)為400的識(shí)別率提高了2.1%。對(duì)于每一種駕駛行為，數(shù)據(jù)分塊越小，分類準(zhǔn)確率有所提高，如勻速行駛行為，在特征數(shù)為400時(shí)，數(shù)據(jù)分塊為8比數(shù)據(jù)分塊為12的識(shí)別率提高了1.74%；熄火行為在特征數(shù)為800時(shí)，數(shù)據(jù)分塊為8比數(shù)據(jù)分塊為16的識(shí)別率提高了1.51%。實(shí)驗(yàn)結(jié)果表明，數(shù)據(jù)分塊數(shù)越小，特征數(shù)越大，駕駛行為的識(shí)別效果會(huì)更佳。

3.3 SF-CNN識(shí)別模型

稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)模型，以引入稀疏濾波來(lái)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)輸入，主要保存邊沿、點(diǎn)和節(jié)點(diǎn)信息。為了評(píng)價(jià)SF-CNN網(wǎng)絡(luò)模型在識(shí)別駕駛行為時(shí)的性能，篩選出多種常見(jiàn)的算法進(jìn)行對(duì)比實(shí)驗(yàn)。借鑒上組實(shí)驗(yàn)結(jié)論，選取數(shù)據(jù)分塊大小為8，特征數(shù)為800，進(jìn)行對(duì)比實(shí)驗(yàn)。

獨(dú)立成分分析算法將混合信息分離出獨(dú)立信號(hào)，或盡可能使用獨(dú)立信號(hào)對(duì)其他信號(hào)進(jìn)行表征，但在分量數(shù)目太多時(shí)會(huì)影響計(jì)算的速度；K-means算法是典型的基于原型的目標(biāo)函數(shù)聚類方法，從原始數(shù)據(jù)中隨機(jī)選取K作為質(zhì)心，利用求極值的方法得到迭代運(yùn)算的調(diào)整規(guī)則，使得評(píng)價(jià)指標(biāo)最小，而K的選取較難估計(jì)；傳統(tǒng)的CNN網(wǎng)絡(luò)，由于數(shù)據(jù)量較大，收斂速率可能有所下降。將實(shí)驗(yàn)數(shù)據(jù)依次放入三種傳統(tǒng)算法，統(tǒng)計(jì)每種算法的輸出結(jié)果，并與SF-CNN進(jìn)行對(duì)比，得到駕駛行為識(shí)別準(zhǔn)確率對(duì)比如圖5所示。

圖5 不同算法識(shí)別效能對(duì)比

由圖5可以看出，在數(shù)據(jù)分塊為8，特征數(shù)為800的實(shí)驗(yàn)條件下，傳統(tǒng)算法與SF-CNN均獲得更高的識(shí)別率。其中靜止行為識(shí)別率最高達(dá)100%，相比ICA算法，點(diǎn)火行為的識(shí)別率提高5.83%，有較大改善；而與K-means算法相比，減速行駛行為的識(shí)別率提高9.31%，增長(zhǎng)明顯；對(duì)于靜止行為，SF-CNN相比CNN算法識(shí)別率提高2.8%，減速行駛行為提高2.77%。

同時(shí)在幾種算法的實(shí)驗(yàn)過(guò)程中，通過(guò)測(cè)量每次迭代的函數(shù)值的相對(duì)變化大小，由于不需要耗時(shí)調(diào)整超參數(shù)，SF-CNN模型相較于其他傳統(tǒng)算法收斂至預(yù)設(shè)閾值更加迅速，如圖6所示。

圖6 不同算法收斂時(shí)效對(duì)比

通過(guò)以上實(shí)驗(yàn)的交叉驗(yàn)證，稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)在大容量的數(shù)據(jù)實(shí)驗(yàn)條件下，對(duì)于車輛在行駛過(guò)程中的駕駛行為識(shí)別上，具有較高的識(shí)別能力，改善了傳統(tǒng)算法在此條件下容易過(guò)度擬合以及泛化能力較差等問(wèn)題。同時(shí)，在數(shù)據(jù)分塊的復(fù)雜性問(wèn)題較之傳統(tǒng)算法，仍表現(xiàn)出較快的收斂速率。結(jié)果分析表明，由稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成的聯(lián)合模型，在車輛行駛過(guò)程中，對(duì)駕駛行為的識(shí)別速度和識(shí)別效果更佳。

4 總結(jié)

稀疏濾波-卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了行駛車輛駕駛行為的識(shí)別，該模型將特征學(xué)習(xí)的輸入數(shù)據(jù)由建模估計(jì)轉(zhuǎn)變?yōu)閮?yōu)化分布。利用稀疏濾波后特征分布的稀疏性作為直接特征，放入神經(jīng)網(wǎng)絡(luò)進(jìn)行行為識(shí)別。具有特征選取簡(jiǎn)單、調(diào)節(jié)參數(shù)少、數(shù)據(jù)處理維度高、信號(hào)區(qū)分性好等優(yōu)點(diǎn)。分類結(jié)果驗(yàn)證了該方法的有效性與可行性，對(duì)規(guī)范駕駛行為，養(yǎng)成良好的駕駛習(xí)慣，同時(shí)將交通事故防患于未然，具有實(shí)際的應(yīng)用參考價(jià)值。在現(xiàn)實(shí)生活中車輛行駛可能遇到過(guò)近跟馳、換道、超車等多輛車同時(shí)行駛時(shí)產(chǎn)生的復(fù)雜駕駛行為，下一步將研究結(jié)合攝像頭、GPS等多種傳感器數(shù)據(jù)，對(duì)多輛車駕駛狀況進(jìn)行模擬，提高識(shí)別的多樣性，使識(shí)別網(wǎng)絡(luò)更加智能化，為駕駛者提供安全輔助。

參考文獻(xiàn)：

[1]Mitrovic D.Reliable method for driving events recognition[J].IEEE Transactions on Intelligent Transportation System，2005，6（2）：198-205.

[2]Paefgen J，Kehr F，Zhai Y，et al.Driving behavior analysis with smartphone：Insights from a controlled field study[C]//Proceedings of the 11th International Conference on Mobile and Ubiquitous Multimedia，2012：31-36.

[3]任靜文.基于智能手機(jī)終端的駕駛行為風(fēng)格檢測(cè)[D].成都：電子科技大學(xué)，2014.

[4]Saiprasert C，Pholprasit T，Pattara-Atikom W.Detecting driving events using smartphone[C]//20th ITS World Congress，2013.

[5]Johnson D A，Trivedi M M.Driving style recognition using a smartphone as a sensor platform[C]//14th International IEEE Conference on Intelligent Transportation Systems（ITSC），2011：1609-1615.

[6]彭金栓，詹盛，徐磊，等.基于神經(jīng)網(wǎng)絡(luò)和貝葉斯濾波器的危險(xiǎn)駕駛行為識(shí)別[J].武漢理工大學(xué)學(xué)報(bào)，2013（11）：85-89.

[7]Ngiam J，Pang W K，Chen Z，et al.Sparse filtering[C]//Int Conf on Neural Information Processing Systems，2011：1125-1133.

[8]Lee H，Ekanadham C，Ng A Y.Sparse deep belief net model for visual area v2[C]//Int Conf on Neural Information Processing Systems，2007.

[9]Field D J.What is the goal of sensory coding?[J].Neural Computation，1994，6（4）：559-601.

[10]Willmore B，Tolhurst D J.Characterizing the sparseness of neural codes[J].Network，2001，12（3）：255-270.

[11]Schwartz O，Simoncelli E P.Natural signal statistics and sensory gain control[J].Nature Neuroscience，2001，4：819-825.

[12]van Hateren J H，van der Schaaf A.Independent component filters of natural images compared with simple cells in primary visual cortex[J].Biological Sciences，1998，265（1394）：359-366.

[13]Bell A J，Sejnowski T J.The“independent components”of natural scenes are edge filters[J].Vision Res，1997，37（23）：3327-3338.

[14]Coates A，Lee H，Ng A Y.An analysis of single-layer networks in unsupervised feature learning[C]//Int Conf on AISTATS，2011.

[15]Schmidt M.minFunc[EB/OL].[2016-11-12].http：//www.cs.ubc.ca/?schmidtm/Software/minFunc.html.

[16]Krause J，Gebru T，Deng J，et al.Learning features and parts for fine-grained recognition[C]//2014 22nd International Conference on Pattern Recognition（ICPR），2014：26-33.

[17]Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification with deep convolutional neural networks[C]//Int Conf on Neural Information Processing Systems，2012：1097-1105.