高 翔
(華盛頓大學(xué),華盛頓 西雅圖 98195)
隨著社會經(jīng)濟的快速發(fā)展,車輛已成為日常生活中必備的交通工具,雖方便了出行,但因此造成的交通事故也逐漸增多。所以要對車輛進行監(jiān)控定位,盡可能避免事故的發(fā)生。僅依靠監(jiān)控攝像對車輛進行監(jiān)控,很難做到實時監(jiān)控,也存在很大的局限性。因此,將全球定位系統(tǒng)應(yīng)用于車輛管理中,能實時獲取道路網(wǎng)上的車輛運動軌跡及實時位置,并將其精確地反饋到控制中心的電子地圖上,可對道路網(wǎng)上的車輛密度、流速、流量、流向等進行實時監(jiān)控,在降低行車延誤和車輛空駛的同時,保障行車安全、縮短旅行路上的時間等[1]。在對部分車輛進行定位時,受外界道路、相同車型、車輛顏色等因素的干擾,導(dǎo)致車輛定位不準(zhǔn)確、定位時間較長、定位速度較慢等,甚至有時無法進行定位,所以如何提升定位效率,就成為目前很多學(xué)者的研究重點[2]。
王玖玲等[3]利用車聯(lián)網(wǎng)進行輔助定位車輛,通過3 個輔助定位子系統(tǒng)獨立完成濾波估計,然后從中選擇一個較好的估計結(jié)果,最后以全局最優(yōu)合成結(jié)果來實現(xiàn)對車輛的定位增強。鮑文亮[4]提出基于特征地圖的車輛定位方法,利用擴展卡爾曼濾波方法來實現(xiàn)車輛定位,并通過高斯分布來描述車輛位置狀態(tài)的置信度,實現(xiàn)對車輛的實時估計。徐愛功等[5]利用組合系統(tǒng)實現(xiàn)對車輛的協(xié)同定位,利用北斗衛(wèi)星導(dǎo)航系統(tǒng)和無線載波通信技術(shù)的定位優(yōu)勢,通過擴展卡爾曼濾波的定位信息,實現(xiàn)對車輛的定位,但其易受環(huán)境中相同車型、車輛顏色等因素的影響,因此該方法的車輛定位效果還可進一步優(yōu)化。
本研究提出一種基于形態(tài)規(guī)則和機器學(xué)習(xí)的車輛定位信息冗余過濾方法。通過將形態(tài)規(guī)則篩選過后的目標(biāo)信息引入到貝葉斯網(wǎng)絡(luò)模型中,經(jīng)過重新組織固有的知識構(gòu)造,令其不斷對自身性能進行改善,從而提升執(zhí)行效率,完成對二次圖像數(shù)據(jù)的對比,實現(xiàn)對冗余信息的過濾。通過模擬測試和實際測試來完成試驗,其中實際測試以收集到的實景數(shù)據(jù)為基礎(chǔ),獲取不同方法的車輛定位結(jié)果。試驗結(jié)果表明,本研究所提出的方法具有較好的冗余信息過濾效果。
車輛的形態(tài)包含車輛的面積、與周圍區(qū)域的對比度、顏色、寬度、縱橫比、長度等基本信息,全都能與圖像內(nèi)其他非車輛的對象完成分離。所以,車輛的形態(tài)適合采用高分辨的衛(wèi)星圖像進行拍攝,其具體形態(tài)有以下3個特性。①位置特性。車輛位置是否位于道路路面。②幾何特性。車輛長寬高及縱橫比。③輻射度特性。車輛和背景、道路間的對比。
對各影像對象,若在特征空間內(nèi)最近的樣本對象為A 類,則將該對象劃分成A 類,具體分類步驟如下。①選取合適樣本的數(shù)據(jù),計算所有類別的均方差向量和均值向量。②對所有類的均值向量進行統(tǒng)計,將均值向量作為此類別在特征空間內(nèi)的中心位置,計算待分類圖像內(nèi)的所有像素點到各類地物的中心距離。
在線性分類器內(nèi),把輸入模式和特征空間的模板點間距作為重要的分類準(zhǔn)則。利用距離作為相似度時,距離越大,相似度就越小。簡單來說,最近相鄰的分類器處于n 維特征空間時,通過計算待分類的像元或圖像對象和訓(xùn)練數(shù)據(jù)內(nèi)所有類樣本像元,或圖像對象歐式距離,劃分至周圍最近的樣本所屬類內(nèi)。
在設(shè)置n 個像素的單元內(nèi),其第i 像素與第j 像素特征向量公式見式(1)。
該n 像素一共分成p 類,設(shè)置各種均值的特征向量分別是M1,M2,…,MP,具體公式見式(2)。
P類均方差為σ1,σ2,…,σp,具體公式見式(3)。
在第j 對象至第L 類特征空間中心絕對距離與歐式距離公式見式(4)、式(5)。
如果 Di< Dl(i = 1,2,…,p; i ≠ l),那么此對象為L類。
不同類別對象的特征值變化范圍,即方差大小不一,不能只根據(jù)對象到類中心距離進行劃分。另外,自然地物的類別點群分布不一定為球形或圓形,即不同方向的上半徑不同,所以距離量度在不同方向上有著差異,在對上述因素進行考慮的基礎(chǔ)上,可改進距離分類方法,從而提升分類精度。
歐式距離的計算公式見式(6)。
絕對距離的計算公式見式(7)。
式中:σij為第i個對象特征標(biāo)準(zhǔn)差。同樣,也能用 σij來替代σ2ij,或采用其他加權(quán)方法來完成車輛形態(tài)規(guī)則特征的提取。
在提取車輛圖像形態(tài)特征后,通過與車輛定位圖像內(nèi)其他信息特征進行對比分類,以便在濾波過程中去除冗余干擾。如圖1 所示,E → H 代表著節(jié)點E 對節(jié)點H 生成關(guān)聯(lián),而條件概率的分布能通過一個箭頭進行可視化表示。
圖 條件概率圖的模型
貝葉斯網(wǎng)絡(luò)模型可描述一個模型內(nèi)各種變量的關(guān)系,利用兩種隨機變量的獨立性,能將兩個變量融入貝葉斯網(wǎng)絡(luò)模型中,且通過添加滿足條件箭頭對二者進行連接[6]。
一個存在K 節(jié)點的貝葉斯網(wǎng)絡(luò),說明其具有K個隨機變量,即聯(lián)合概率分布圖模型內(nèi)的全部箭頭代表條件概率乘積,具體公式見式(8)。
式中:p(xk|pax)為xk父節(jié)點集合,x ={x1,…,xK}。而式(8)反過來則認(rèn)為葉貝斯網(wǎng)絡(luò)存在拆解性質(zhì)。
采用貝葉斯公式時,隨意的一個聯(lián)合概率都能采用式(9)來分解采用項條件的概率構(gòu)成。
貝葉斯網(wǎng)絡(luò)的局部獨立性是指貝葉斯網(wǎng)絡(luò)的拓?fù)錁?gòu)造不同,存在不一樣的性質(zhì)。
串行連接是指每個物理連接只支持2個節(jié)點,通過節(jié)點間串行連接,具體聯(lián)合分布公式見式(10)。
根據(jù)局部獨立性條件,獲得給定節(jié)點k 時,節(jié)點j 和節(jié)點i 是關(guān)于父節(jié)點k 條件獨立的,具體公式見式(11)[7]。
在貝葉斯網(wǎng)絡(luò)節(jié)點間發(fā)散連接,具體聯(lián)合分布公式見式(12)。
根據(jù)局部獨立性,在獲得給定節(jié)點k 時,那么節(jié)點j 和節(jié)點i 是關(guān)于父節(jié)點k 條件獨立的,具體公式見式(13)。
貝葉斯網(wǎng)絡(luò)表示節(jié)點間收斂連接,具體聯(lián)合分布公式見式(14)。
根據(jù)局部獨立性,能獲得給定節(jié)點k 時,節(jié)點j和節(jié)點i獨立,見式(15)。
全局獨立性可利用d -進行劃分后獲得。如果在任意貝葉斯網(wǎng)絡(luò)內(nèi),其中A、B、C為各不相交的集合,那么對A、B 在C 條件是否獨立的問題進行判斷,要考慮A 內(nèi)任意一個節(jié)點到B 內(nèi)任意節(jié)點全部可能的路徑。若有一個路經(jīng)在包含一個節(jié)點的情況時,可滿足以下的一個條件[8]。①貝葉斯網(wǎng)絡(luò)模型內(nèi)的節(jié)點通過收斂或串行的方式聚交至C 集合內(nèi)某個節(jié)點。②貝葉斯網(wǎng)絡(luò)模型內(nèi)的節(jié)點通過收斂或串行的方式聚交至C 集合內(nèi)不含有某個節(jié)點或后繼。若全部路經(jīng)被阻隔,則C 會被A 和B 所劃分,A和B會在C的條件下滿足獨立性。
在貝葉斯網(wǎng)絡(luò)內(nèi),若其他節(jié)點是條件情況時,那么此節(jié)點的條件概率公式見式(17)。
式中:全部和xi沒有關(guān)系的因子都可約去,僅剩下第i節(jié)點本身的條件概率p(xi|pak),和滿足以下性質(zhì)節(jié)點xk條件的概率分布,節(jié)點xi在p(xi|pak)條件的集合內(nèi),即xi為xk的父節(jié)點,而條件概率分布p(xi|pai)依賴于節(jié)點xi父節(jié)點,條件概率分布p(xk|pak)依賴節(jié)點xi父節(jié)點和子節(jié)點[9]。
將V =[u1,u2,…,un]作為冗余數(shù)據(jù)的特征向量,pi在車輛定位信息的分布空間中代表x(t),得到車輛定位信息流分?jǐn)?shù)的階Fourier變換[10],見式(18)。
式中:Aa為信息流幅值。提取定位信息的離散譜特征公式,見式(19)。
根據(jù)離散譜邊緣特征,通過值相關(guān)的匹配濾波方法,利用濾波來處理車輛定位信息內(nèi)冗余數(shù)據(jù)的調(diào)制分量。冗余數(shù)據(jù)濾波的函數(shù)公式見式(20)[11]。
式中:p為分?jǐn)?shù)階的傅里葉變換階數(shù),其時頻伸縮旋轉(zhuǎn)的向量角度為 α = pπ/2;Fα[?]為變換算子;Kp(t,u)為有限時間分量。以此獲得冗余數(shù)據(jù)的濾波輸出訓(xùn)練樣本集X=[X1,X2,…,Xk,…,KN]T,而車輛定位的信息流解析分量為Xk=[xk1,xk2,…,xkm,…,xkM][11]。
計算車輛定位信息內(nèi)冗余數(shù)據(jù)l 維特征向量X(l,ni)位于信息分布的子空間內(nèi)差分矩陣S?w,在計算特征空間的時頻分布交叉項內(nèi)第l個特征值λ1,λ2,…,λl以及對應(yīng)高維特征矢量Y =[y1,y2,…,yl]時。如果冗余數(shù)據(jù)處于高維空間內(nèi),差分矩陣S?w公式見式(21)。
式中:pi為第i 類冗余數(shù)據(jù)概率的密度函數(shù);ni為特征干擾項;mi為第i 類的車輛定位冗余信息具有ni個干擾項特征向量{Xk(i),k = 1,2,…,ni}。
為了降低交叉項所帶來的影響[12],通過 K-L 特征壓縮器對冗余數(shù)據(jù)進行特征過濾,冗余數(shù)據(jù)核函數(shù)的計算公式見式(22)。
利用上述處理方法,獲得車輛定位信息的任意概率分布函數(shù),見式(24)。
經(jīng)過上述處理分成,把車輛的定位信息冗余數(shù)據(jù)特征向量通過l 維降低至d 維,能有效去除冗余數(shù)據(jù),提升車輛的定位精度[11]。
為了驗證本研究所提出方法的有效性,通過相關(guān)試驗進行分析,計算機平臺的配置為CPU Inter Core2 Dou E7400 2.80 GHz、內(nèi)存8 GB、硬盤500 GB、操作系統(tǒng)為Windows 10。在平臺上將本研究所提出的方法進行模擬測試,通過觀察目標(biāo)定位后,清除冗余信息的效果如圖2所示。
圖2 模擬測試清除定位冗余信息數(shù)據(jù)圖
由圖2 可知,本研究所提出的方法可根據(jù)目標(biāo)形態(tài)規(guī)則來判斷哪些信息屬于冗余信息,且去除效果在理論上具有一定可信性。
在實際測試中,將黑色試驗車輛停入停車場內(nèi)(圖3 中方框所標(biāo)注的車輛),通過收集實景數(shù)據(jù),獲取停車場內(nèi)的車輛數(shù)據(jù),然后利用本研究所提出的方法、特征地圖定位法[4]和BDS/UWB 定位法[5]來過濾冗余信息,如圖3、4所示。
圖3 參考圖像
由圖3、圖4可知,試驗車輛停入停車場后,發(fā)現(xiàn)車輛與周圍顏色存在相同、位置停放區(qū)域相同、長度相同等冗余信息,所以該停車場非常符合試驗測試的要求。由圖4可知,特征地圖定位法和BDS/UWB定位法受車輛與周圍顏色相同、長度相同等冗余信息的干擾,導(dǎo)致過濾后的圖像中存在較多的漏識問題。而本研究通過引入形態(tài)規(guī)則,能有效分類提取類似車輛,通過機器學(xué)習(xí)算法對比分析,完成信息冗余過濾,圖像上冗余車輛矩形框遮蓋率達(dá)98%,僅剩與試驗車輛圖像規(guī)則相關(guān)或相似的有用圖像,這說明本研究提出的方法能精確過濾非目標(biāo)信息。
圖4 經(jīng)過冗余過濾處理后圖像
本研究提出的基于形態(tài)規(guī)則和機器學(xué)習(xí)的車輛定位信息冗余過濾方法,通過試驗進行模擬分析,能有效對車輛進行定位,同時經(jīng)過多次實際試驗證明,本研究所提出的方法具有較高的定位精度,不會因為冗余信息而造成定位不準(zhǔn)確,說明該方法的效果良好。不過隨著科技發(fā)展的日新月異,本研究提出的方法還要不斷進行優(yōu)化、更新,進一步提升定位精度,清除冗余信息,使其適用于各種區(qū)域。