亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于曼哈頓距離加權(quán)協(xié)同表示分類的車輛識別

        2019-08-29 08:03:26
        計算機(jī)測量與控制 2019年8期
        關(guān)鍵詞:聲頻曼哈頓字典

        (上海大學(xué) 通信與信息工程學(xué)院,上海 200444)

        0 引言

        實現(xiàn)車輛類型的自動識別可以在現(xiàn)實中帶來很多的益處,比如軍事攻防、智慧城市等方面。對于車型識別的研究,很多都是基于圖像處理所進(jìn)行的[1-2],但是基于圖像的車輛識別可能受到遮擋、光照、隱蔽性不足等等影響,因此本文的研究主要是通過聲頻來進(jìn)行車輛目標(biāo)類型的分類識別。

        在模式識別中,分類算法起到了至關(guān)重要的作用。稀疏表示分類(SRC)[3]在人臉識別領(lǐng)域的應(yīng)用取得了很大的成功,基于SRC發(fā)展的算法在很多模式識別領(lǐng)域展開了廣泛的研究:Wen[4]等提出了一種基于新型字典的SRC方法用于人臉識別;張[5]等結(jié)合了多特征融合和SRC用于農(nóng)業(yè)害蟲識別;在聲頻車輛目標(biāo)識別領(lǐng)域,Wang[6]等采用SRC得到了不錯的分類識別結(jié)果等等。但是,SRC類型的算法可能在識別過程中比較耗時,Zhang[7-8]等在研究中發(fā)現(xiàn),在實際的人臉識別問題中,協(xié)同表示在稀疏表示分類算法中發(fā)揮了更大的作用,因此提出了協(xié)同表示分類(CRC)算法,相比于SRC,明顯地提高了人臉識別速度。同時,CRC算法框架還改進(jìn)了傳統(tǒng)框架中重構(gòu)殘差的計算公式,可一定程度提升分類精度。由于CRC的高效性,眾多圍繞著CRC的模式識別研究相繼展開:Yang[9]等提出了核版本的協(xié)同表示分類方法用于圖像分類;李[10]等提出了使用CRC來進(jìn)行步態(tài)的識別;王[11]等采用聲頻和振動信號多任務(wù)聯(lián)合的CRC來進(jìn)行車輛識別等等。

        在SRC的研究中,Lu[12]等發(fā)現(xiàn)將每一個訓(xùn)練樣本和測試信號的相似性考慮進(jìn)分類算法中將提升SRC的識別精度,因此提出了加權(quán)稀疏表示分類(WSRC)方法并在人臉識別中取得了較好的效果。保局性[13-14]對于分類器具有十分重要的意義,類似的,將保局性考慮進(jìn)CRC的加權(quán)類型的協(xié)同表示分類算法被廣泛的提出用于圖像領(lǐng)域的模式識別研究中[15-17]。

        在采用聲頻進(jìn)行車輛類型識別的領(lǐng)域,羅[18]等基于Lu[12]等的思想,提出了基于WSRC的車輛識別,證明了在聲頻車輛類型識別中,其基于保局性的加權(quán)編碼方式仍然可以對分類識別精度的提升起到很好的作用。由于保局性在聲頻車輛識別中的良好表現(xiàn)和CRC理論所展現(xiàn)出的高效性,本文在聲頻車輛目標(biāo)識別中,將加權(quán)編碼引入到CRC方法框架中,提出了在聲頻無線傳感器網(wǎng)絡(luò)下基于加權(quán)協(xié)同表示分類(WCRC)的車輛識別,用以提高車輛識別速度和精度。同時對于使用歐氏距離進(jìn)行加權(quán)編碼[18]造成的樣本相似性判斷不足,本文將曼哈頓距離引入加權(quán)編碼中以提升識別精度,進(jìn)一步提出了基于曼哈頓距離加權(quán)協(xié)同表示分類(本文稱之為Manhattan-WCRC)的聲頻車輛目標(biāo)識別。通過實驗,本文將在同等條件下通過和WSRC、CRC、SRC作對比,來驗證Manhattan-WCRC、WCRC在采用聲頻特征信號進(jìn)行車輛目標(biāo)類型識別中的可行性和優(yōu)勢。

        1 聲頻車輛目標(biāo)識別框架

        通過聲波來識別車輛目標(biāo)類型是可行的,但是車輛在行駛過程中產(chǎn)生的原始信號包含了大量的噪聲,所以在分類識別前需要進(jìn)行很多步驟的處理,本文總結(jié)了聲頻傳感器網(wǎng)絡(luò)下的車輛目標(biāo)識別框架。

        圖1 聲頻車輛目標(biāo)識別模型

        如圖1模型所示,具體分類識別過程由以下幾步組成:

        1)需要采集到車輛行駛過程中產(chǎn)生的有效聲波信號??梢酝ㄟ^在需要檢測的車輛目標(biāo)的行駛道路上搭建基于聲頻的無線傳感器網(wǎng)絡(luò)進(jìn)行聲頻信號的采集,再采用恒虛警率(CFAR)[19]算法,獲得原始聲頻數(shù)據(jù)中真正的有效信號。

        2)對采集到的經(jīng)過CFAR算法檢測的有效信號,進(jìn)行相關(guān)方面的預(yù)處理(主要包括預(yù)加重、分幀和加窗、以及端點檢測)。

        3)對于已經(jīng)預(yù)處理好后的聲頻車輛目標(biāo)信號使用MFCC[6](梅爾頻率倒譜系數(shù))進(jìn)行聲頻信號的特征提取。其中,MFCC算法是在聲音識別領(lǐng)域中最常見且行之有效的特征提取算法。

        4)將特征提取后的信號輸入到分類算法(包括訓(xùn)練集和待測信號),從而預(yù)測待測信號的所屬類別,以實現(xiàn)車輛類型識別的目的。由于分類算法在聲頻車輛目標(biāo)識別中占有非常重要的地位,本文主要研究了分類算法在車輛識別中的性能。

        2 稀疏和協(xié)同表示分類

        2.1 稀疏表示分類

        稀疏表示分類實質(zhì)上是通過將所有訓(xùn)練信號構(gòu)成字典,然后通過字典來對測試信號進(jìn)行稀疏表示得到測試信號的系數(shù)向量(字典對測試信號進(jìn)行稀疏表示后的向量),再將每個類的系數(shù)向量和每個類的字典進(jìn)行重構(gòu)與原測試信號求殘差,殘差最小那一類便是測試信號所歸屬的那一類。

        聲頻車輛目標(biāo)識別中的稀疏表示分類(SRC)方法框架總結(jié)如下:

        1)輸入包含了L個類別的訓(xùn)練集字典D(其中:信號特征維度為M,信號的個數(shù)為N,構(gòu)成了一個M×N矩陣):

        D=[D1,…,Di,…,DL]∈RM×Ni=1,2,…,L

        (1)

        其中:每一類訓(xùn)練樣本Di包含n個同類別的測試樣本:

        (2)

        接下來輸入一個要判斷類別的測試樣本x∈RM,和正則化參數(shù)λ。(下文中測試樣本x和訓(xùn)練字典D都以此為準(zhǔn),不再做詳細(xì)描述。)

        (3)

        在適當(dāng)?shù)摩?ε為信號的噪聲水平)和λ參數(shù)條件下,等價于以下的式子:

        (4)

        3)各類重構(gòu)殘差計算:

        (5)

        4)輸出識別結(jié)果:

        (6)

        2.2 協(xié)同表示分類

        Zhang[7-8]等指出在人臉識別中通常都是小樣本的問題,其每一類的字典都是欠完備的,通過每一類的欠完備字典單獨來表示測試樣本是不穩(wěn)定的??梢酝ㄟ^兩種方式來解決這個問題:1)將每一類訓(xùn)練字典都引入足夠多的樣本來構(gòu)成超完備字典,但是這在上述實際問題中已經(jīng)難以實現(xiàn)。2)在SRC中,實際上可以在一定1-范數(shù)稀疏約束下,通過所有類一起來協(xié)同表示測試樣本。

        其中Zhang[7-8]等分析指出,在SRC中對于提高分類識別率起主要作用的是協(xié)同表示,而不是1正則化項:

        (7)

        但是,當(dāng)樣本數(shù)變大時,式(7)將會變的不穩(wěn)定,因此SRC中通過施加1-范數(shù)稀疏約束來得到穩(wěn)定的解,但是求解1-范數(shù)最小化問題會比較耗時,可以采用2-范數(shù)來正則化系數(shù)向量的解(使得解穩(wěn)定,同時注入一定的稀疏性),從而大幅度降低運算時間,同時得到相對接近的識別結(jié)果。在CRC中,給出基于正則化最小二乘法的系數(shù)向量解法:

        (8)

        其中式(6)可以改寫為:

        (9)

        其中:

        P=(DTD+λ·I)-1DT

        (10)

        這里I為單位矩陣,矩陣P可以通過已知的訓(xùn)練字典提前計算好,加之矩陣計算的速度是非常快的,因此CRC的識別速度得到了明顯的提高。

        (11)

        聲頻車輛目標(biāo)識別中的協(xié)同表示分類(CRC)方法框架總結(jié)如下:

        1)輸入訓(xùn)練字典D、正則化參數(shù)λ。

        2)提前計算矩陣P:

        P=(DTD+λ·I)-1DT

        4)各類重構(gòu)殘差計算:

        5)輸出識別結(jié)果:

        3 加權(quán)協(xié)同表示分類

        3.1 加權(quán)編碼方法

        SRC在全局的表示過程中,忽略了輸入信號局部的分布結(jié)構(gòu),而局部保持特性(以下稱之為保局性)[13]在分類器里卻起到了比較有益的作用[14]。為了彌補(bǔ)SRC對于保局性的重視程度不足,Lu[12]等在人臉識別領(lǐng)域提出了加權(quán)稀疏表示分類(WSRC)算法,并且在精度上有不錯的提高。以上主要是針對圖像領(lǐng)域的工作,羅[18]等提出將WSRC引入了聲頻車輛目標(biāo)識別領(lǐng)域,通過測試信號和每一個訓(xùn)練樣本之間的相似度(基于歐氏距離)將稀疏表示后的系數(shù)向量添加不同的權(quán)值來提升識別效果?;谝陨纤龅墓ぷ鳎疚膶⒙曨l無線傳感器網(wǎng)絡(luò)下車輛識別中的WSRC的加權(quán)編碼方法總結(jié)如下:

        2)計算權(quán)值W。W為對角矩陣,其對角元素為:

        (12)

        其中:

        (13)

        3)分配權(quán)重,得到加權(quán)后的系數(shù)向量:

        (14)

        加權(quán)后的系數(shù)向量中,測試信號所歸屬類的系數(shù)向量部分和該類字典的重構(gòu)率會更好,相反的,和測試信號相似度更小(距離值更大)類部分對應(yīng)的系數(shù)向量和該類字典的重構(gòu)率會越差(即殘差會越大),從而拉開了兩者重構(gòu)率之間的差距,以達(dá)到提高識別率的目的。為方便對比,本文給出聲頻車輛目標(biāo)識別中的WSRC方法框架總結(jié)如下:

        1)輸入測試信號x、訓(xùn)練字典D、正則化參數(shù)λ。

        4)各類重構(gòu)殘差計算:

        (15)

        5)輸出識別結(jié)果:

        3.2 加權(quán)協(xié)同表示分類

        1)輸入訓(xùn)練字典D、正則化參數(shù)λ。

        2)提前計算矩陣P:

        P=(DTD+λ·I)-1DT

        5)各類重構(gòu)殘差計算:

        (16)

        6)輸出識別結(jié)果:

        4 曼哈頓距離加權(quán)協(xié)同表示分類

        曼哈頓距離(Manhattan distance)又稱作城市街區(qū)距離(City Block distance),以二維空間為例,如圖2可以看到,在擁有眾多街區(qū)的紐約曼哈頓,從A點到B點最短的距離為歐氏距離,但是實際的情況(因為街區(qū)房子的阻隔,不能直接由A到B抵達(dá)終點)可能需要經(jīng)過1或2路線的距離長度(其中路線1和路線2的長度是等價的)。其中路線1或2所代表的距離長度可能比路線3帶有更多的實際信息。受此啟發(fā),類比到聲頻車輛目標(biāo)識別領(lǐng)域,在加權(quán)編碼中引入曼哈頓距離來取代歐氏距離,從而提高測試信號和訓(xùn)練信號之間相似度的判斷能力,以提高加權(quán)協(xié)同表示分類方法的識別率。

        圖2 曼哈頓距離平面示意圖

        原加權(quán)編碼方法中基于歐氏距離進(jìn)行編碼:

        (17)

        接下來給出采用基于曼哈頓距離的加權(quán)編碼:

        (|a1-b1|+…+|ah-bh|+…|aM-bM|)S

        (18)

        其中,歐式距離(‖.‖2)對應(yīng)的為2-范數(shù),曼哈頓距離(‖.‖1)對應(yīng)的為1-范數(shù)。

        由式(17)、(18)可以看出,當(dāng)聲頻測試和訓(xùn)練特征信號之間的距離向量中存在一些較大的分量時,使用歐氏距離計算距離時,將會忽視掉一些較小值,但是這較小的分量仍然保持了一些相似性的判斷信息。使用曼哈頓距離計算車輛聲頻特征信號的距離時,會使得這些較小分量仍然可以一定程度地貢獻(xiàn)本身所包含的相似信息,從而提升加權(quán)效果。

        基于以上分析,本文提出了聲頻傳感器網(wǎng)絡(luò)下基于曼哈頓距離加權(quán)協(xié)同表示分類(Manhattan-WCRC)的車輛識別方法。下面給出本節(jié)所提方法框架的總結(jié)如下:

        1)輸入訓(xùn)練字典D、正則化參數(shù)λ。

        2)提前計算矩陣P:

        P=(DTD+λ·I)-1DT

        4)將表3中加權(quán)編碼方法的式(13)更新為采用曼哈頓距離加權(quán)編碼的式(18)。

        6)各類重構(gòu)殘差計算:

        7)輸出識別結(jié)果:

        5 實驗結(jié)果

        5.1 實驗設(shè)置

        為了驗證以上理論,本文進(jìn)行了采用聲頻特征信號進(jìn)行車輛目標(biāo)類型識別的Matlab仿真實驗,主要研究了不同分類算法的識別性能。本實驗數(shù)據(jù)集和文獻(xiàn)[18]一樣,主要包括兩種軍事車輛類型:重型輪式卡車(DW)和履帶車(AAV)??偣矠?80個經(jīng)過聲頻車輛目標(biāo)識別框架處理(特征提取后,分類算法前)后的數(shù)據(jù)。

        在分類識別實驗設(shè)置中,AAV總共包括90個特征信號樣本,DW也包括90個特征信號樣本。實驗中,將每一個AAV數(shù)據(jù)和DW數(shù)據(jù)分別設(shè)為標(biāo)簽0和1。隨機(jī)取每一類的n個樣本來作為訓(xùn)練集,剩下的每一類的90-n個樣本來作為測試集。這里,訓(xùn)練集總大小為2n,測試集總大小為2*(90-n)個,下文中以每一類訓(xùn)練樣本大小n來指代訓(xùn)練集大小。其中,n依次設(shè)置為20、30、40、50、60、70。以上的實驗框架如果只進(jìn)行單次實驗將會有誤差,最終實驗采用將以上實驗框架循環(huán)100次再取平均的辦法來獲得最終實驗結(jié)果。

        5.2 實驗結(jié)果與分析

        5.2.1 實驗一

        表1 SRC和不同殘差計算方式下的CRC識別率 %

        5.2.2 實驗二

        由于局部適配參數(shù)S在不同的分類器和樣本集上會有不同的尺度和對應(yīng)值,實驗中將WSRC、WCRC、Manhattan-WCRC的S值統(tǒng)一設(shè)為以下的尺度范圍值:S=0.001、0.005、0.01、0.05、0.1、0.5、1、5、10。并且基于以上實驗設(shè)置,給出了 WSRC、WCRC、Manhattan-WCRC不同S值下,訓(xùn)練集大小為n=20、30、40、50、60、70時的識別率。識別精度趨勢圖分別如圖3~5所示。

        圖3 不同S值下WSRC識別率趨勢圖

        圖4 不同S值下WCRC識別率趨勢圖

        圖5 不同S值下Manhattan-WCRC識別率趨勢圖

        由以上實驗可以看出:在訓(xùn)練集大小n為20、30、40、50、60、70時,WSRC的識別率在S=5附近取得較好的效果;在訓(xùn)練集大小n為20、30、40、50、60、70時,WCRC在S=1左右效果較好;在訓(xùn)練集大小n為20、30、40時,Manhattan-WCRC在S=1附近取得較好精度,在訓(xùn)練集大小n為50、60、70時,Manhattan-WCRC在S=0.5附近取得較好精度。

        5.2.3 實驗三

        由實驗二可以得到WSRC、WCRC、Manhattan-WCRC不同的S值。在本實驗中,WSRC在n為20、30、40、50、60、70時的S值設(shè)為5,WCRC在n為20、30、40、50、60、70時的S值設(shè)為1,Manhattan-WCRC在n為20、30、40時的S值設(shè)為1,在n為50、60、70時的S值設(shè)為0.5。

        下面給出了SRC、CRC、WSRC、WCRC、Manhattan-WCRC在每一類訓(xùn)練集大小n分別為20、30、40、50、60、70時的識別率(單位為%),如表2所示。

        表2 不同分類算法的識別率 %

        接下來,給出SRC、CRC、WSRC、WCRC、Manhattan-WCRC在n分別為20、30、40、50、60、70時,平均一個測試信號的識別速度(單位為ms),如表9所示。其中CRC類型算法中的矩陣P是可以根據(jù)訓(xùn)練集提前計算的(只需要在識別時輸入即可),因此矩陣P的計算在實驗中不計入識別所消耗時間。

        表3 不同分類算法的識別速度 ms

        從以上實驗結(jié)果可以看出,本文提出的在聲頻無線傳感器網(wǎng)絡(luò)下基于WCRC的車輛識別方法的識別速度明顯快于WSRC、SRC,接近于CRC(比CRC略差,主要是因為WCRC引入加權(quán)編碼,增加了小部分的計算負(fù)擔(dān),這一點在WSRC對比于SRC的運算時間損耗也可以看出),從而驗證了WCRC對于WSRC、SRC的計算速度優(yōu)勢。同時,本文進(jìn)一步所提的基于Manhattan-WCRC的車輛識別方法在仿真實驗中的識別速度和WCRC非常接近,證明了Manhattan-WCRC在車輛識別中仍然擁有很好的實時性。

        6 總結(jié)

        本文提出的聲頻傳感器網(wǎng)絡(luò)下基于加權(quán)協(xié)同表示分類(WCRC)的車輛識別方法相比于傳統(tǒng)的CRC方法精度上有了較大幅度的提升,并且在識別速度上沒有太大的影響(接近于CRC的識別速度)。與此同時,WCRC相較于WSRC、SRC在運算速度上有著非常明顯的加速,以及不錯的精度提升。以上結(jié)果驗證了將局部加權(quán)編碼引入CRC的可行性和優(yōu)勢。同時,本文進(jìn)一步提出的聲頻傳感器網(wǎng)絡(luò)下基于曼哈頓距離加權(quán)協(xié)同表示分類(Manhattan-WCRC)的車輛識別方法也有很好的表現(xiàn),對比WCRC,WSRC,CRC,SRC取得了最高的識別精度,同時識別速度和WCRC非常接近(明顯快于WSRC、SRC),驗證了將曼哈頓距離引入加權(quán)編碼的可行性和優(yōu)勢。在Matlab仿真模擬實驗中,Manhattan-WCRC,WCRC在擁有較好的識別精度下,又擁有非??斓淖R別速度。這對于在實際的聲頻傳感器網(wǎng)絡(luò)下進(jìn)行車輛類型的識別是非常有益的,可以在既保證精度的情況下,又能很好地加強(qiáng)識別的實時性,在推廣到實際應(yīng)用中將會有不錯的應(yīng)用前景。

        猜你喜歡
        聲頻曼哈頓字典
        開心字典
        家教世界(2023年28期)2023-11-14 10:13:50
        開心字典
        家教世界(2023年25期)2023-10-09 02:11:56
        一種新型蒸汽聲頻清灰裝置在鍋爐吹灰上的應(yīng)用
        翼柱型與環(huán)向開槽型燃燒室聲學(xué)特性對比
        對標(biāo)“曼哈頓”,叫板珠江新城!廣州海珠灣憑什么?
        初冬游河套
        我是小字典
        正版字典
        讀者(2016年14期)2016-06-29 17:25:50
        一種新的頻率降低技術(shù)——聲頻移轉(zhuǎn)
        曼哈頓中國城失火一人死亡
        国产主播一区二区三区蜜桃| 亚洲AⅤ樱花无码| 和少妇人妻邻居做爰完整版| 女同性恋一区二区三区av| 久久久www成人免费毛片| 少妇被粗大的猛进69视频| 五月天婷婷一区二区三区久久 | 中文不卡视频| 精品亚洲国产亚洲国产| 伊人久久精品无码av一区| 亚洲av第一页国产精品| 国产在线拍偷自拍偷精品| 99视频一区二区日本| 精品综合久久久久久888蜜芽| 装睡被陌生人摸出水好爽| yy111111少妇影院| 日本最新视频一区二区| 免费成人在线电影| 人妻久久一区二区三区蜜桃| 免费a级作爱片免费观看美国| 成人区视频| 午夜精品人妻中字字幕| 亚洲精品无码不卡在线播he| 2019最新国产不卡a| 一区二区三区国产高潮| 国产一区二区三区在线大屁股| 欧美午夜刺激影院| 亚洲AV无码久久久一区二不卡| 熟女不卡精品久久av| 亚洲成a人v欧美综合天堂| 中文字幕无码不卡免费视频| 中文字幕偷拍亚洲九色| 草逼短视频免费看m3u8| 乱人伦中文无码视频| 国产精品福利久久香蕉中文| 中文资源在线一区二区三区av| 亚洲av鲁丝一区二区三区黄| 亚州精品无码人妻久久| 青青操视频手机在线免费观看| 好吊妞无缓冲视频观看| 午夜一级在线|