车型主动分类一直是智能交通领域中的一个热点问题。主动辨认车辆类型对完成交通管理智能化具有重要意义。现在现已广泛运用的分类办法是选用地感线圈根据不同类型车辆经过线圈产生的电磁感应曲线不同这一原理进行分类。这种办法分类速度较低,差错较大,因而难以满足不泊车收费体系的要求。
跟着核算机硬件功能的不断提高,根据图画处理的车辆分类办法逐步得到注重,核算机对摄像机捕捉到的车辆图画进行处理得到车辆的外形信息,这些信息能够作为车型辨认根据进行车辆分类。现已选用的数据剖析办法有形式匹配和BP神经网络两种。前者是将得到的外形信息与体系中的车型形式库进行比对,输出匹配度最大的形式类型作为车辆类型[1];后者是将车辆信息输入到已练习好的神经网络分类器进行分类[2]。根据形式匹配的分类办法完成原理简略,可是挑选适宜的形式比较困难;选用BP神经网络的分类办法中,因为BP神经网络自身存在网络结构无规律可循、效果机理不明确并易堕入部分极小值等缺点然后约束了这种办法的运用。
支撑向量机是二十世纪90年代提出的一种新的学习机[3],具有较好的推行才能和非线性处理才能。本文给出一种根据支撑向量机的车型分类器的规划方案。
1 支撑向量机辨认理论
设为输入空间的某类别数据集,关于非线性可分状况而言,类别的鸿沟比较杂乱。引进从输入空间X到高维空间Y(特征空间)的非线性改换Φ将会简化类别鸿沟。Φ能够把X中具有杂乱几许形状的类鸿沟(掩盖该类别悉数数据集)映射为Y中的规矩球(掩盖改换后的相应类别悉数数据集)。假如期望输入空间X中类的鸿沟紧致围住本类数据集,就要在改换后空间Y中寻觅最小的闭合球。Y中的闭合球表述为:
其间∣∣●∣∣为欧式范数,a为球心。方针便是经过查找一切满足约束条件的a来最小化R2。
结构Lagrange函数如下:
这儿βj≥0,是Lagrange乘子。到达极小值的必要条件为:
把式(3)和式(4)代入式(2)消去r和a,就转化为它的Wolfe对偶问题:求式(5)中W关于变量βj的极大值。
在W到达极大值时,关于球内的数据和部分球上数据,βj=0;关于坐落球鸿沟的数据,βj>0。满足βj>0的数据便是支撑向量,它们界说了球的中心,如式(4)。
能够选用适宜的Mercer核函数代替内积Φ(xi)·Φ(xj),
现在首要的核函数有两种:
阶次为d的多项式核函数
其间C>0为常数。坐落球内(包含球上)的数据点,有ζj=0和βj<C;关于孤立数据点βj=C。
界说输入数据点x映射到特征空间内时到球心间隔为:
假如R(x)>R,那么x为孤立点或其它类点。
2体系完成
2.1图画收集和特征提取
运用两部CCD摄像机和图画收集卡取得同一车辆的两幅图画,根据双目视觉原理对两幅图画进行特征匹配,得到车辆的三维模型。根据摄像机标定矩阵和成像几许模型能够核算出车辆的三维数据:车长、车宽和车高。收集每一类别车辆图画若干,得到该类车辆练习样本作为车型分类器练习根据。
2.2 练习数据预处理
选用有导师练习的办法进行分类器练习,首要要确认练习样本所属类别。本文将车辆分为大型、中型和小型三类。依照前述办法获取100个车辆三维数据对,选用动态聚类办法K-Means对100个数据样本进行主动聚类[5],设定聚类类别数为3。从聚类成果挑选各类练习样本(每类10个),其他数据作为测验样本,练习样本见表1。
2.3 分类器规划
支撑向量机一般用于二类形式辨认,关于多类问题辨认才能缺乏。为了使二类分类器能用于多类形式,本文为每类车辆别离规划辨认器,然后经过表决器进行决议计划,如图1。
其间,SVM1、SVM2和SVM3别离为大、中和小型车的辨认器,输出成果别离为(大,非大)、(中,非中)和(小,非小)三个数对。表决器以三个辨认器的输出组成的向量作为输入进行归纳判别,输出车辆类型。表决器的表决表见表2。
关于每个SVM辨认器,遵从了相同的规划准则:首要选用有导师练习的办法进行练习,挑选适宜的参数q和C;然后运用测验样本测验辨认率。
本文以小型车辨认器SVM3为例阐明SVM辨认器的练习进程。
(1)标号:把归于小型车的练习样本标记为类别1,其他练习样本均标记为类别0;
(2)练习:挑选参数q和C进行循环,核算方针差错;
(3)完毕:当方针差错小于0.001时完毕循环;
(4)调整:根据练习成果,调整参数q和C;
(5)重复过程(2),直到得到满足的练习成果停止。
经过重复实验发现,参数q影响辨认器分类鸿沟的杂乱性,q越大分类鸿沟越杂乱,即支撑向量个数越多;参数C的取值改动改动辨认器对本类样本数据反常的忍受度,C越小忍受本类反常数据的才能越差。当20≤q≤70时,辨认器辨认类1所用的支撑向量数为3且坚持不变,因而令q为45(C=1)。支撑向量别离为(0.33 0.1405 0.141)、(0.33 0.1405 0.144)和(0.488 0.18 0.145)类似地,选取中型车辨认器q为60(C=1),辨认中型车所用支撑向量个数为5,别离为(0.708 0.2035 0.263)、(0.589 0.2495 0.295)、(0.6071 0.25 0.2978)、(0.7696 0.25 0.3114)和(0.8614 0.249 0.281); 选取大型车辨认器的q为30(C=1),辨认中型车所用支撑向量个数为4,别离为(0.975 0.2498 0.2704)、(0.894 0.23 0.332)、(1.198 0.248 0.3075)和(1.198 0.25 0.3647)。
2.4功能测验与成果剖析
选用测验样本对三个辨认器别离进行测验。测验样本由三种类型车辆数据组成,每类30个数据。测验分为辨认器独立测验和分类器联合测验两部分。在辨认器独立测验中,要调查每个辨认器对本类数据的辨认正确率和对其他类数据的辨认正确率,独立测验成果见表3;进行联合测验即对3个分类器与表决器全体进行车型分类测验,测验根据为表2。
对表3中的测验成果进行剖析,发现小型车辨认正确率适当高,为98.89%;而中型车辨认器和大型车辨认器辨认正确率别离为97.78%和96.67%。并且后两者对本类数据和其他数据均有错判现象产生。
因为本文规划的分类器选用了图1所示结构以及特别的表决表(表2),具有较强的容错才能,产生在小型车、中型车和大型车相邻类型之间的错判不会影响表决器的表决作业。只有当小型车辨认器和大型车辨认器均判为本类车时,表决器才输出“误判”。在联合测验时,分类器对90个测验样本的表决成果悉数正确。
本文选用根据支撑向量机的辨认理论规划了一种可运用于不泊车收费体系的车型主动分类器。该分类器与RFID(射频辨认)技能相结合,能大幅度提高路途通行才能,有用冲击各种做弊行为。