【導(dǎo)讀】[摘要]車輛自動識別分類技術(shù)是智能運輸系統(tǒng)的重要組成部分，它對特定地點和時間的車輛進行識別和分類，并以之作為交通管理、收費、調(diào)度、統(tǒng)計的依據(jù)。要實現(xiàn)我國公路收費自動化、管理規(guī)范科學(xué)化，車型自動識別方。法的研究勢在必行。該方法首先利用背景差分法從背景圖像中提。取出運動車輛，并對車型圖像進行預(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分類器。是解決當(dāng)前交通擁堵、環(huán)境污染嚴重等問題的有效途徑。目前ITS在美國、歐洲、日本等國家、地。區(qū)己受到政府、產(chǎn)業(yè)機構(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)路收費還貸的政策早已深入人心。公路上的收費站大大地降低了高速公路的通行能力。停車收費也是這種收費制式的發(fā)展方向。電子收費系統(tǒng)是智能運輸系統(tǒng)在公路收費領(lǐng)域的具體表現(xiàn)，電子收費系統(tǒng)具有的諸多優(yōu)點，使其成為世界各國交通部門優(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??。但是支持向量機的提出者進一步發(fā)現(xiàn) ,并不一定要求出這個權(quán)向量 ,因為分類判別函數(shù)中只關(guān)心權(quán)向量與樣本向量之間的點積。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個樣本數(shù)據(jù)某種映射的內(nèi)積 ,就可用它來設(shè)計支持向量機 ,而不必知道對應(yīng)哪一個 函數(shù) ??*f 。因此支持向量機采用了巧妙的特征映射方法 ,將線性分類計算框架 ,擴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 個數(shù)據(jù)點 ,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)計中的重要問題。 多類 (k類 )問題的 SVM算法 支持向量機用于分類 ,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 ,本文介紹了通過對汽圖像進行預(yù)處理 ,采用多類問題的支持向量機 ,給出了訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)等特征數(shù)據(jù) ,從結(jié)果來看 ,SVM 算對于汽車識別是可行的。多類問題的模式識別系統(tǒng)可轉(zhuǎn)化 為 2 類問題從而可以應(yīng)用 SVM 方法 ,核函數(shù)。理上的研究對核函數(shù)的充分必要條件進行了研究 ,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)準備 實驗中，我們用數(shù)碼攝像機攝取車輛視頻圖像。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，測試樣本 10 個 )，構(gòu)建了車型圖像庫，如圖 47 所示。 第 18 頁 共 22 頁 圖 47 十類標準化車型圖像數(shù)據(jù)庫 實驗步驟 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)方法進行時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)過標準化處理且規(guī)范圖像大小為 128x64 像素。 b) 車型特征提取 將標準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。 對于實驗中的十類車型，我們采用九層決策樹，決策樹的每一層都是一個二分類問題，即在每一層設(shè)置一個支持向量機分類器。對每一層單個的二分類器，將訓(xùn)練樣本 分為當(dāng)前類正例樣本和反例樣本兩類，給每個類別設(shè)定一個距離閉值 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，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 分類器進行訓(xùn)練。 第 19 頁 共 22 頁 d) 識別。 利用 c)步訓(xùn)練好的決策支持向量機進行車型識別。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，則認為測試樣本 x屬于當(dāng)前類，否則才調(diào)用 SVM 分類器進行分類。 實驗結(jié)果 為測試該算法的性能 ,進行了兩組實驗 ,分別采用 BP 算法和 SVM 算法進行對比。實驗結(jié)果為 :采用 BP 算法的車輛識別率為 91 %,而采用 SVM 算法識別率可達到 %,而迭代少于 BP 算法。試驗結(jié)果如表 41 和表 42 表 41 BP實驗結(jié)果 方法 迭代 1 000 次的識別率 迭代 500 次的識別率 迭代 48 次的識別率 BP 網(wǎng)絡(luò) 91% 85% 76% 表 42 支持向量機實驗結(jié)果 方法 支持向量個數(shù) 識別率 訓(xùn)練迭代次數(shù) SVM 68 93% 48 從實驗結(jié)果可以看出 ,利用支持向量機來識別汽車 ,精確度高達 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 車型的自動分類在部分發(fā)達國家已經(jīng)是比較成熟的技術(shù)，但由于諸多的原因，這些系統(tǒng)在我國其識別率等指標難以滿足使用要求。要提高我國公路收費管理工作的現(xiàn)代化水平和科技含量，并且為自動收費、無人收費奠定基礎(chǔ)，就必須研制適應(yīng)我國的車型分類方法，同時這也是減輕收費員工作負擔(dān)，減少收 費員數(shù)量的有效手段，因此，對該技術(shù)進行深入研究勢在必行。 相對當(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)特征的車型識別技術(shù)。在車輛檢測階段，本文采用對時間序列圖像中值濾波方法獲得運動車輛背景圖像，用背景差分方法提取出車輛圖像，經(jīng)過預(yù)處理得到車輛標準化圖像 。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 。在識別階段，本文采用支持向量機分類器，利用決策樹方法構(gòu)造決策支持向量機解決車型識別的多分類問題。 本文實踐了通過提取車輛圖像的代數(shù)特征對車型進行識別，同時在不斷提高支持 向量機的分類效率方面做了一些努力，但本文還存在以下缺點和不足： ，本文中涉及到的車輛類型遠遠不夠，也不十分準確。 ，所取的車輛圖像數(shù)量不夠，質(zhì)量較差。 。 下一步的工作目標是解決支持向量機分類器在訓(xùn)練過程中的計算復(fù)雜度問題 ,研究利用新的算法降低計算復(fù)雜度 ,提高收斂速率。 參考文獻： [1]黃衛(wèi)，陳里得 .智能運輸系統(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 費站車型識別 [J].技術(shù)現(xiàn)代電子技術(shù)， 20209:4243. [3]潘大任 .海關(guān)車輛自動識別系統(tǒng)研究 [J].四川大學(xué)學(xué)報， 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識別 [J].中國圖像圖形學(xué)報， 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)的汽車類型自動識別分類系統(tǒng) [J].計算機工程與應(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)的汽車車型識別方法 [J].長沙電力學(xué)院學(xué)報， 2020， 11:2931. [7]李建小波變換及非線性濾波用于汽車車型識別 [J].山東工業(yè)大學(xué)學(xué)報， 1998， 12:550554 [8]王亮，胡衛(wèi)明，譚鐵牛 .人運動的視覺分析綜述 [J].計算機學(xué)報， 2020， 25(3):225237. [9]邊肇棋，張學(xué)工 .模式識別 [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 ,(6):570574. [12]王煦法等 .C 語言圖像處理程序設(shè)計 [J].中國科學(xué)技術(shù)大學(xué)出版社， 1994， 207210 [13]吳長奇 ,朱紅 .車道識別技術(shù) [J].電子測量技術(shù) ,2020(4):4344. [14]李偉紅 ,陳偉民 ,龔衛(wèi)國 .一種人臉特征選擇新方法的研究 [J].電子測量與儀器學(xué)報 ,2020,20(2)： 1620. [15]李曉黎，劉繼敏，史忠植 .基于支持向量機與無監(jiān)督聚類相結(jié)合的中文網(wǎng)頁分類器 [J].計算機學(xué)報， 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 %