新闻中心

EEPW首页 > 消费电子 > 设计应用 > 基于支持向量机方法的车型分类技术

基于支持向量机方法的车型分类技术

作者:葛威,王飞时间:2008-08-22来源:中电网收藏

  0引言

本文引用地址:http://www.eepw.com.cn/article/87263.htm

  系统是随着公路交通的迅速发展而发展起来的,它是以交通流为基础完成各种功能。经过近年来的发展,的研究取得了诸多成果,但车型的准确分类一直是中的难点问题。目前具有功能的检测器主要有:压电式检测器、磁感应式检测器、检测器以及检测器等。与其他类型的检测器相比,检测器具有安装简单、维修方便、投资成本低以及可获信息多等优点,目前已成为系统研究的热点。

  基于方法主要包括两大类:一类是直接利用车辆的轮廓或像素的空域分布特征进行分类,如模板匹配算法等;另一类是从待识别车辆图像中提取出能描述该类型的车辆又能与其他类型的车辆进行区分的特征,利用某种分类器对特征进行分类,以实现的目的。由于交通车辆种类多、特征差异大,采用模板匹配算法进行车型分类时需要大量的模板,况且对每一车辆,所有的模板都必须对其匹配打分,选取匹配度最大的模板作为该车辆的类型,这使得算法繁琐耗时,不利于满足系统实时性要求。因此,该方法在现实中应用较少,而主要采用第2类方法。采用第2类方法进行车型分类时,分类器的选择很关键。目前多数车型分类算法中都采用了神经网络作为分类器,但其目前遇到了网络模型难以确定、容易出现过学习与欠学习以及局部最优等问题。由Vapnik等人发展的SVM(较支持向量机)方法被看做是对传统学习分类方法的一个较好的替代,特别在小样本、非线性情况下,具有较好的泛化性能。SVM方法建立在统计学习理论的VC维(Vapnik-Cher-vonenkis Dimension)理论和结构风险最小化原理基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以获得最好的泛化能力。作为一种新的学习分类方法,SVM方法目前已经在人脸识别、纹理分类等领域得到了成功的应用。

  本文采用了SVM方法对车型分类进行了研究,并从核函数、模型参数等方面对其分类性能进行了分析。 

  1 SVM方法

  1.1两类SVM

  考虑n维两类非线性分类情况。给定训练样本集:{(xi,yi),i=1,2,…,l},其中,xi∈Rn,yi ∈{+1,-1}。首先通过一个非线性映射将输入数据空间映射到高维特征空间:

  在高维特征空间中,如果训练样本集线性可分,则存在分类超平面+6=0将训练样本正确分开。通过规范化权向量w和偏移量b,有下列不等式成立:
 
  高维特征空间中任意训练样本点到分类超平面的距离为:
 
  所以,两类训练样本中距分类超平面的最小距离均为1/‖w‖,亦即两类的分类间隔(margin)为2/‖w‖。因此,寻找最优的分类超平面,就是在式(3)约束条件下寻找分类间隔最大的超平面,也就是寻找权向量范数‖w‖最小的超平面。

  在高维特征空间中,如果训练样本集线性不可分,或事先不知道它是否线性可分,将允许存在一定数量的误分类样本,引入非负松弛变量ξi,i=1,2,…,l,则式(3)变为:
 
  式中:若ξi=0,表示对应的训练样本被正确地分类;若ξi>0,表示对应的训练样本被误分类。

  为了得到一个最大间距的分类超平面,可以将上述问题转化为线性约束条件下的二次规划问题:


   式中:C>0,是一个自定义的惩罚参数,控制着对误分样本的惩罚程度,C越大,惩罚就越大,对误分样本的约束程度就越高。

  通过Lagrangian乘子法,式(6)可以转化为如下对偶问题:
 
  由式(9)和式(10)可知,当ξi=0,亦即样本被正确分类时,0≤λi*

  这样,最优分类函数可以写为:


 
  由式(11)可知,计算分类函数只涉及高维特征空间中的输入向量与SV的内积。因此,甚至没有必要知道非线性映射φ的具体形式,而只需要它的内积运算即可。假定高维特征空间的内积为:


 
  称式(12)的内积为核函数,它将高维特征空间的内积运算转化为低维输入空间上的一个简单的函数运算。统计学习理论指出,根据Hilbert-Schmidt原理,只要一种运算满足Mercer条件,它就可以作为核函数。



  1.2多类SVM

  SVM方法是针对两类分类问题提出的,如何将两类分类推广到多类分类是SVM方法研究的重要内容之一。目前主要有两种方法来解决这个问题:

  a)直接求解一个含多类问题的优化问题,相对其他方法而言,该方法需要较长的时间来求解一个大的优化问题。

  b)通过构造或组合多个两类分类器来实现多类问题的分类,其中包括两种方法:一种是一对多(one-against-the rest)方法,它的实现策略是针对N类分类问题构造N个两类SVM分类器,第i(1≤i≤N)个SVM分类器将第i个类中的训练样本作为正的训练样本,而将其他训练样本作为负的训练样本,最终的分类结果是N个两类分类器中输出为最大的那一类;另一种是一对一(one-against-one)方法,它是在N类训练样本中构造所有可能的两类分类器,每一个分类器仅仅在N类中的两类训练样本上训练,结果共构造Ⅳ(N-1)/2个分类器。对所有组合进行投票,得票最多的类为测试样本所属的类。Huang等人研究表明,一对多方法需要的训练时间较一对一方法长。本文通过一对一方法将两类SVM推广到多类SVM。

  2车型分类

  本文的车型分类标准是按交通部规定,分为典型的7种:大客、小客、大货、中货、小货、托挂以及摩托

  2.1输人空间

  SVM方法是一种学习分类方法,因此,输入空间的选择对其分类性能有着重要的影响。根据交通检测的实际情况,经过长期观察,结合大量实验,从定位出来的车辆中(见图1)提取了由长度和宽度2个几何特征、7个不变矩特征和5个由灰度共生矩阵导出的纹理特征共14个特征形成SVM的输入向量x。


上一页 1 2 3 下一页

评论


相关推荐

技术专区

关闭