【正文】 bestg = 2^log2g。 % if (cv = bestcv), % bestcv = cv。, num2str(2^log2g)]。, num2str(2^log2c), 39。 % for log2c = 10:10, % for log2g = 10:10, % cmd = [39。 test_wine = test_wine39。,2)。,2)。wine_labels(154:178)]。 test_wine_labels = [wine_labels(31:59)。wine(96:130,:)。wine_labels(131:153)]。 第 21 頁 共 22 頁 train_wine_labels = [wine_labels(1:30)。wine(60:95,:)。 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].技術現(xiàn)代電子技術， 20209:4243. [3]潘大任 .海關車輛自動識別系統(tǒng)研究 [J].四川大學學報， 19996:529534. [4]王年，任彬等 .基于神經網絡的汽車車型圖像自動識別 [J].中國圖像圖形學報， 1999(8):668672. 第 20 頁 共 22 頁 [5]陶青萍，陶白云 .基于模糊神經網絡的汽車類型自動識別分類系統(tǒng) [J].計算機工程與應用， 1998， 11:7881. [6]彭玉樓，胡小兵 .一種基于小波、分形與神經網絡的汽車車型識別方法 [J].長沙電力學院學報， 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)大學學報， 1998， 12:550554 [8]王亮，胡衛(wèi)明，譚鐵牛 .人運動的視覺分析綜述 [J].計算機學報， 2020， 25(3):225237. [9]邊肇棋，張學工 .模式識別 [M].北京 :清華大學出版社， 2020， 136227. [10]姚慶棟，畢厚杰，王兆華等 .圖像編碼基礎 [M].浙江大學出版社， 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].軟件學報 ,(6):570574. [12]王煦法等 .C 語言圖像處理程序設計 [J].中國科學技術大學出版社， 1994， 207210 [13]吳長奇 ,朱紅 .車道識別技術 [J].電子測量技術 ,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)督聚類相結合的中文網頁分類器 [J].計算機學報， 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。 。 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。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 。 相對當前多數(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。 5 結論 車型的自動分類在部分發(fā)達國家已經是比較成熟的技術，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。實驗結果為 :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。具體地，在決策樹的每一層，并不是將所有的樣本均調用 SVM 二分類器進行分類，而是將訓練樣本分為當前類正例樣本和反例樣本兩類，求出測試樣本 x與當前類 別的訓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屬于當前類，否則才調用 SVM 分類器進行分類。 第 19 頁 共 22 頁 d) 識別。 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，即在每一層設置一個支持向量機分類器。 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。 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) 圖像預處理。 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。多類問題的模式識別系統(tǒng)可轉化 為 2 類問題從而可以應用 SVM 方法 ,核函數(shù)。因此選擇合適的 ? ?,kab 函數(shù)就成為設計中的重要問題。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域。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向量 ,因為分類判別函數(shù)中只關心權向量與樣本向量之間的點積。設原空間維數(shù)為 d,即 dXR? ,而新空間為 m 維 ,即 ? ? mf X R? ,則一般 m 維要比 d 維大得多。由此可以設想 ,如果將原特征向量用映射的方式轉換成 ? ?iix f x? ,則相應的式子只需改變成 ? ? ? ?12D i i j i j i jiL a a a y y f x f x? ? ??? （ 431） 分類界面方程： ? ? ? ?* 0 *0i i ii a y f x f x w? ? ?? （ 432） 式中 : 0*w 為相應的常數(shù)項。 第 16 頁 共 22 頁 圖 44 支持向量機計算示意圖 支持向量機利用特征映射的思想 ,可以回顧一下支持向量機中的以下 2 個式子 : **i i iiW a y x?? (428) 式中 : , 1, ,ia i n? 是以下式子求極大值的解。支持向量機中的支持向量是通過解一個凸二次優(yōu)化問題獲得的 ,它保證找到的解是全局最優(yōu)解。 支持向量機進行車型快速識別 目前在車型識別中應用較多的方法是模糊神經網絡和 BP 網絡等方法 ,但這些方法難以解決模式識別中存在的復雜性和推廣性的矛盾 ,本文采用支持向量機 (SVM)方法 ,具有計算量小 ,能較好地解決小樣本、非線性和局部極小點等問題。則構造 m1 個分類器的具體算法如圖 45 所示。 每次構造分類器時，優(yōu)先選擇訓練樣本數(shù)量最多的類別的訓練數(shù)據(jù)作為當前分類器的訓練正例，剩余類別的訓練數(shù)據(jù)作為分類器的訓練反例，構造最優(yōu)決策樹，從而可以迅速減少訓練集的規(guī)模，從而提高訓練效率。即 ia 類的正例總數(shù)為 iN ，反例總數(shù)為1, 1mijjN???。設所有車型為 m 類，記為 ? ?12, , , mL a a a? 。決策樹共有2N1 個結點，葉子結點個數(shù)為 N，子 SVM 分類器個數(shù)為 N1。而 SVM 決策樹中沒有度為 1 的結點，是一棵正則二叉樹。由于 SVM 基于二類分類，很自然可以把它和二叉決策樹的基本思想結合起來構成多類別的分類器，稱為 SVM 決策樹方法 【 15】 。 N 分類問題 (N2)和二分類問題之間存在一定的對應關系 :如果一個分類問題 N 類可分，則這 N類中的任何兩類間一定可分 。該分類器為每個類構造一個支持向量機， 第 14 頁 共 22 頁 第 k 個支持向量機在第 k 類和其余 n1 個類之間構造一個超平面，最后結果由輸出離分界面距離Tw x b??最大的那個支持向量機決定[15]。其中“一對一”方法需要對 n類訓練數(shù)據(jù)兩兩組 合，構建 ? ?2 1 / 2nC n n??個支持向量機，每個支持向量機訓練兩種不同類別的數(shù)據(jù)，最后分類的時候采取“投票”的方式決定分類結果 [20]。該算法由于涉及到的變量繁多，選取的目標函數(shù)復雜，實現(xiàn)起來比較困難，計算復雜度高。 第一類方法主要思想是在優(yōu)化公式的同時考慮所有的類別數(shù)據(jù)， 和 提出的“ KClass 多分類算法”就 屬于這一類方法。許多模式識別問題都是多分類的，這要求支持向量機能給出多分類的結果。 常見的滿足 Mercer 條件的核函數(shù)有多項式核函數(shù)： ? ? ? ?,1pK x y x y? ? ? (424) 高斯徑向基 函數(shù)： ? ? 2 2/2, xyK x y e ???? (425) 如果用內積 ? ?,jjK x y 代替最優(yōu)分類面中的點積，就相當于把原特征空間變換到了某一新的特征空間，此時優(yōu)化函數(shù)變?yōu)椋? ? ? ? ?1 , 11 ,2nni i j i j i ji i jQ a a a a y y K x x?????? (426) 相應的判別函數(shù)式也應變?yōu)椋? ? ? **1s g n ( , )n i i i jif x a y K x x b??????? (427) 算法的其他條件均不變。如果存在一個“核函數(shù)” K，滿足： ? ? ? ? ? ?,i j i jK x x x x? ? ?? (422) 那么就能用原空間中的函數(shù)來實現(xiàn)變換空間中的點積，從而繞開映射 ? 的具體形式。 一般來說，這種非線性變換的形式可能非常復雜，難于實現(xiàn)