【導(dǎo)讀】[摘要]車輛自動(dòng)識(shí)別分類技術(shù)是智能運(yùn)輸系統(tǒng)的重要組成部分，它對(duì)特定地點(diǎn)和時(shí)間的車輛進(jìn)行識(shí)別和分類，并以之作為交通管理、收費(fèi)、調(diào)度、統(tǒng)計(jì)的依據(jù)。要實(shí)現(xiàn)我國(guó)公路收費(fèi)自動(dòng)化、管理規(guī)范科學(xué)化，車型自動(dòng)識(shí)別方。法的研究勢(shì)在必行。該方法首先利用背景差分法從背景圖像中提。取出運(yùn)動(dòng)車輛，并對(duì)車型圖像進(jìn)行預(yù)處理，然后采用特征并行融合的方法用PCA方法，最后通過支持向量機(jī)分類器。是解決當(dāng)前交通擁堵、環(huán)境污染嚴(yán)重等問題的有效途徑。目前ITS在美國(guó)、歐洲、日本等國(guó)家、地。區(qū)己受到政府、產(chǎn)業(yè)機(jī)構(gòu)、科學(xué)研究單位的重視。由于建設(shè)高速公路的投資較大，貸款筑路、以路養(yǎng)路收費(fèi)還貸的政策早已深入人心。公路上的收費(fèi)站大大地降低了高速公路的通行能力。停車收費(fèi)也是這種收費(fèi)制式的發(fā)展方向。電子收費(fèi)系統(tǒng)是智能運(yùn)輸系統(tǒng)在公路收費(fèi)領(lǐng)域的具體表現(xiàn)，電子收費(fèi)系統(tǒng)具有的諸多優(yōu)點(diǎn)，使其成為世界各國(guó)交通部門優(yōu)先研究、發(fā)展、應(yīng)用的技術(shù)

　　

【正文】 X R? ,則一般 m 維要比 d 維大得多。權(quán)向量的維數(shù)也是 m維 ,它是在映射后空間中的支持向量的線性求和 ? ?**i i iiw a y f x??。但是支持向量機(jī)的提出者進(jìn)一步發(fā)現(xiàn) ,并不一定要求出這個(gè)權(quán)向量 ,因?yàn)榉诸惻袆e函數(shù)中只關(guān)心權(quán)向量與樣本向量之間的點(diǎn)積。因此 ,又引出了所謂核函數(shù) ? ?,iK x x 式 (431)和式 (432)中只用到有關(guān)數(shù)據(jù)的點(diǎn)積 ,因此如果能確定某種函 第 17 頁 共 22 頁 數(shù) ? ?,ik x x 的確是 ix 與 x這 2個(gè)樣本數(shù)據(jù)某種映射的內(nèi)積 ,就可用它來設(shè)計(jì)支持向量機(jī) ,而不必知道對(duì)應(yīng)哪一個(gè) 函數(shù) ??*f 。因此支持向量機(jī)采用了巧妙的特征映射方法 ,將線性分類計(jì)算框架 ,擴(kuò)展到非線性分類的領(lǐng)域。相應(yīng)的式子可寫成 : ? ?1 ,2D i i j i j i jiL a a a y y k x x???? (433) 分類界面方程 : ? ?**0,0n i i ii a y k x x w??? （ 434） 這樣一來 ,如果選擇了一種函數(shù) ? ?,kab ,其中 a 和 b 是原特征空間的 2 個(gè)數(shù)據(jù)點(diǎn) ,那么只要這種函數(shù)是反映了特征映射后數(shù)據(jù)的內(nèi)積 ,線性分類器的框架就都可以用了。因此選擇合適的 ? ?,kab 函數(shù)就成為設(shè)計(jì)中的重要問題。 多類 (k類 )問題的 SVM算法 支持向量機(jī)用于分類 ,構(gòu)造的復(fù)雜程度取決于支持量的數(shù)目 ,而不是特征空間的維數(shù) ,這就有效地解決了學(xué)習(xí)中非線性與維數(shù)災(zāi)難問題 ,本文介紹了通過對(duì)汽圖像進(jìn)行預(yù)處理 ,采用多類問題的支持向量機(jī) ,給出了訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)等特征數(shù)據(jù) ,從結(jié)果來看 ,SVM 算對(duì)于汽車識(shí)別是可行的。多類問題的模式識(shí)別系統(tǒng)可轉(zhuǎn)化 為 2 類問題從而可以應(yīng)用 SVM 方法 ,核函數(shù)。理上的研究對(duì)核函數(shù)的充分必要條件進(jìn)行了研究 ,并已得一些主要結(jié)論 (如 Mercer 條件 )[13],但由于這些成果還不具體地確定哪些函數(shù)具備這種條件 ,因此目前常用的核數(shù)還局限于以下 3 種函數(shù)形式。 多項(xiàng)式類型的函數(shù) : ? ?,1qiik x x x x? ? ? ? ??? (335) 核函數(shù)型式的函數(shù) : ? ? 22, e x p ii xxk x x ?????????? （ 336） S 形函數(shù) ,如： ? ? ? ?, ta n hiik x x v x x c? ? ? （ 337） 數(shù)據(jù)準(zhǔn)備 實(shí)驗(yàn)中，我們用數(shù)碼攝像機(jī)攝取車輛視頻圖像。我們?nèi)?300 幅車型圖像 (共十類車型，各類車型的訓(xùn)練樣本 20 個(gè)，測(cè)試樣本 10 個(gè) )，構(gòu)建了車型圖像庫，如圖 47 所示。 第 18 頁 共 22 頁 圖 47 十類標(biāo)準(zhǔn)化車型圖像數(shù)據(jù)庫 實(shí)驗(yàn)步驟 a) 圖像預(yù)處理。 首先將車輛視頻圖像連續(xù)各幀圖像按 節(jié)方法進(jìn)行時(shí)間平均得到車輛背景圖像，然后用各幀圖像 與該背景圖像差分提取出車輛圖像，再經(jīng)過標(biāo)準(zhǔn)化處理且規(guī)范圖像大小為 128x64 像素。 b) 車型特征提取 將標(biāo)準(zhǔn)化后的車型圖像投影到第三章生成的 PCA特征子空間得到投影系數(shù)，有了這樣一個(gè)由“特征車”張成的降維子空間，任何一幅車輛圖像都可以向其做投影并獲得一組坐標(biāo)系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，就是我們用 PCA方法提取出來的車型特征。 c) 訓(xùn)練分類器。 對(duì)于實(shí)驗(yàn)中的十類車型，我們采用九層決策樹，決策樹的每一層都是一個(gè)二分類問題，即在每一層設(shè)置一個(gè)支持向量機(jī)分類器。對(duì)每一層單個(gè)的二分類器，將訓(xùn)練樣本 分為當(dāng)前類正例樣本和反例樣本兩類，給每個(gè)類別設(shè)定一個(gè)距離閉值 R，求出當(dāng)前類別的各反例樣本與該類的訓(xùn)練正例中最近鄰樣木的距離，若該距離大于閾值 R，則表明該反例樣本距離該類所有正例較遠(yuǎn)，成為支持向量的可能性較小，因此沒有必要將該反例交給支持向量機(jī)訓(xùn)練，而將其它反例樣本以及全部正例樣本交給 SVM 分類器進(jìn)行訓(xùn)練。 第 19 頁 共 22 頁 d) 識(shí)別。 利用 c)步訓(xùn)練好的決策支持向量機(jī)進(jìn)行車型識(shí)別。具體地，在決策樹的每一層，并不是將所有的樣本均調(diào)用 SVM 二分類器進(jìn)行分類，而是將訓(xùn)練樣本分為當(dāng)前類正例樣本和反例樣本兩類，求出測(cè)試樣本 x與當(dāng)前類 別的訓(xùn)練反例最近鄰樣本的距離為 dl， x與正例最近鄰樣本的距離為 d2，若差dld2 大于給定正的閾值 t，則認(rèn)為測(cè)試樣本 x屬于當(dāng)前類，否則才調(diào)用 SVM 分類器進(jìn)行分類。 實(shí)驗(yàn)結(jié)果 為測(cè)試該算法的性能 ,進(jìn)行了兩組實(shí)驗(yàn) ,分別采用 BP 算法和 SVM 算法進(jìn)行對(duì)比。實(shí)驗(yàn)結(jié)果為 :采用 BP 算法的車輛識(shí)別率為 91 %,而采用 SVM 算法識(shí)別率可達(dá)到 %,而迭代少于 BP 算法。試驗(yàn)結(jié)果如表 41 和表 42 表 41 BP實(shí)驗(yàn)結(jié)果 方法 迭代 1 000 次的識(shí)別率 迭代 500 次的識(shí)別率 迭代 48 次的識(shí)別率 BP 網(wǎng)絡(luò) 91% 85% 76% 表 42 支持向量機(jī)實(shí)驗(yàn)結(jié)果 方法 支持向量個(gè)數(shù) 識(shí)別率 訓(xùn)練迭代次數(shù) SVM 68 93% 48 從實(shí)驗(yàn)結(jié)果可以看出 ,利用支持向量機(jī)來識(shí)別汽車 ,精確度高達(dá) 93%,誤差減少 2%,為后續(xù)的開發(fā)和研究提供了基礎(chǔ)。 5 結(jié)論 車型的自動(dòng)分類在部分發(fā)達(dá)國(guó)家已經(jīng)是比較成熟的技術(shù)，但由于諸多的原因，這些系統(tǒng)在我國(guó)其識(shí)別率等指標(biāo)難以滿足使用要求。要提高我國(guó)公路收費(fèi)管理工作的現(xiàn)代化水平和科技含量，并且為自動(dòng)收費(fèi)、無人收費(fèi)奠定基礎(chǔ)，就必須研制適應(yīng)我國(guó)的車型分類方法，同時(shí)這也是減輕收費(fèi)員工作負(fù)擔(dān)，減少收 費(fèi)員數(shù)量的有效手段，因此，對(duì)該技術(shù)進(jìn)行深入研究勢(shì)在必行。 相對(duì)當(dāng)前多數(shù)研究重在提取車輛的幾何特征或者物理特征，本文研究了基于車型圖像代數(shù)特征的車型識(shí)別技術(shù)。在車輛檢測(cè)階段，本文采用對(duì)時(shí)間序列圖像中值濾波方法獲得運(yùn)動(dòng)車輛背景圖像，用背景差分方法提取出車輛圖像，經(jīng)過預(yù)處理得到車輛標(biāo)準(zhǔn)化圖像 。在車輛特征提取階段，利用 PCA方法提取車型圖像代數(shù)特征 。在識(shí)別階段，本文采用支持向量機(jī)分類器，利用決策樹方法構(gòu)造決策支持向量機(jī)解決車型識(shí)別的多分類問題。 本文實(shí)踐了通過提取車輛圖像的代數(shù)特征對(duì)車型進(jìn)行識(shí)別，同時(shí)在不斷提高支持 向量機(jī)的分類效率方面做了一些努力，但本文還存在以下缺點(diǎn)和不足： ，本文中涉及到的車輛類型遠(yuǎn)遠(yuǎn)不夠，也不十分準(zhǔn)確。 ，所取的車輛圖像數(shù)量不夠，質(zhì)量較差。 。 下一步的工作目標(biāo)是解決支持向量機(jī)分類器在訓(xùn)練過程中的計(jì)算復(fù)雜度問題 ,研究利用新的算法降低計(jì)算復(fù)雜度 ,提高收斂速率。 參考文獻(xiàn)： [1]黃衛(wèi)，陳里得 .智能運(yùn)輸系統(tǒng) (ITS)概論 [M].北京 :人民交通出版社， 1999. [2]張海峰，段穎妮 .道橋收 費(fèi)站車型識(shí)別 [J].技術(shù)現(xiàn)代電子技術(shù)， 20209:4243. [3]潘大任 .海關(guān)車輛自動(dòng)識(shí)別系統(tǒng)研究 [J].四川大學(xué)學(xué)報(bào)， 19996:529534. [4]王年，任彬等 .基于神經(jīng)網(wǎng)絡(luò)的汽車車型圖像自動(dòng)識(shí)別 [J].中國(guó)圖像圖形學(xué)報(bào)， 1999(8):668672. 第 20 頁 共 22 頁 [5]陶青萍，陶白云 .基于模糊神經(jīng)網(wǎng)絡(luò)的汽車類型自動(dòng)識(shí)別分類系統(tǒng) [J].計(jì)算機(jī)工程與應(yīng)用， 1998， 11:7881. [6]彭玉樓，胡小兵 .一種基于小波、分形與神經(jīng)網(wǎng)絡(luò)的汽車車型識(shí)別方法 [J].長(zhǎng)沙電力學(xué)院學(xué)報(bào)， 2020， 11:2931. [7]李建小波變換及非線性濾波用于汽車車型識(shí)別 [J].山東工業(yè)大學(xué)學(xué)報(bào)， 1998， 12:550554 [8]王亮，胡衛(wèi)明，譚鐵牛 .人運(yùn)動(dòng)的視覺分析綜述 [J].計(jì)算機(jī)學(xué)報(bào)， 2020， 25(3):225237. [9]邊肇棋，張學(xué)工 .模式識(shí)別 [M].北京 :清華大學(xué)出版社， 2020， 136227. [10]姚慶棟，畢厚杰，王兆華等 .圖像編碼基礎(chǔ) [M].浙江大學(xué)出版社， 1993. [11]孫慶杰，張曉鵬，吳恩華 .一種基于 Bezier 插值曲面的圖像放大方法 [J].軟件學(xué)報(bào) ,(6):570574. [12]王煦法等 .C 語言圖像處理程序設(shè)計(jì) [J].中國(guó)科學(xué)技術(shù)大學(xué)出版社， 1994， 207210 [13]吳長(zhǎng)奇 ,朱紅 .車道識(shí)別技術(shù) [J].電子測(cè)量技術(shù) ,2020(4):4344. [14]李偉紅 ,陳偉民 ,龔衛(wèi)國(guó) .一種人臉特征選擇新方法的研究 [J].電子測(cè)量與儀器學(xué)報(bào) ,2020,20(2)： 1620. [15]李曉黎，劉繼敏，史忠植 .基于支持向量機(jī)與無監(jiān)督聚類相結(jié)合的中文網(wǎng)頁分類器 [J].計(jì)算機(jī)學(xué)報(bào)， 2020,24(l):6268. [16]Foresti,GL,Murino,V,Regazzoni, recognition and tracking from road image sequences[J]. IEEE Transactions，Vehicular Technology， Jan. 1999:301318 [17]LiPton A,Fujiyoshi H and patil target classification and tracking from realtime video. In:Proc IEEE Workshop on Applications of Computer Vision,Princeton,NJ,1998,814. [18]Anderson C,Bert P and Vander wal G. Change detection and tracking using pyramids transformation techniques. In:Proe SPIE Conference on Intelligent Robots and Computer Vision,Cambridge,MA, 1985,579:7278. [19] and Support Vector Machines[J].In ,editor,Proceedings of ESANN99, Press,1999. [20]J II approach to polychotomous classification[J].Technical report, Department of Statistics, Stanford, 1996. 附錄： load wine_SVM。 train_wine = [wine(1:30,:)。wine(60:95,:)。wine(131:153,:)]。 第 21 頁 共 22 頁 train_wine_labels = [wine_labels(1:30)。wine_labels(60:95)。wine_labels(131:153)]。 test_wine = [wine(31:59,:)。wine(96:130,:)。wine(154:178,:)]。 test_wine_labels = [wine_labels(31:59)。wine_labels(96:130)。wine_labels(154:178)]。 train_wine = normalization(train_wine39。,2)。 test_wine = normalization(test_wine39。,2)。 train_wine = train_wine39。 test_wine = test_wine39。 % bestcv = 0。 % for log2c = 10:10, % for log2g = 10:10, % cmd = [39。v 5 c 39。, num2str(2^log2c), 39。 g 39。, num2str(2^log2g)]。 % cv = svmtrain(train_wine_labels, train_wine, cmd)。 % if (cv = bestcv), % bestcv = cv。 bestc = 2^log2c。 bestg = 2^log2g。 % end % end %