CN101964061B - 一种基于二类核函数支持向量机的车型识别方法 - Google Patents

Abstract

一种基于二类核函数支持向量机的车型识别方法，其特征在于包括以下步骤：(1)选取有效的车辆特征信息，对其进行标准化以用于支持向量机的训练和预测；(2)对要进行识别的车辆类型进行二进制编码，根据二进制编码构造支持向量机网络；(3)利用选定的车辆特征信息，对支持向量机网络中的每个二类支持向量机进行训练，同时选取针对此网络结构的最优参数对；(4)利用训练完成的支持向量机网络，输入待分类的样本特征向量，获得对其预测的结果，完成车型识别。本发明方法中的支持向量机网络利用了对车型的二进制编码，构造简单，易于实现；网络中支持向量机的数目少，从而提高了识别速度，并且具有较高的准确率，利于实际应用；同时，本发明中的二类支持向量机的参数选取方法结合了车型特征特点与支持向量机的经验数据，具有较高的适应度。

Description

一种基于二类核函数支持向量机的车型识别方法

技术领域

本发明一种基于二类核函数支持向量机的车型识别方法，涉及一种运用模式识别等技术进行车辆类型识别的方法，特别是利用支持向量机的车辆类型识别方法。

背景技术

车辆检测和识别技术是在交通监控中的一项重要研究课题，它具体涉及到计算机视觉、图像处理、数据挖掘和模式识别等领域。同时，它也是智能交通及智慧城市中一项基本的信息收集技术，是上层道路状况收集分析、交通决策制定等功能的基础。

由于车辆信息主要来自于交通监控的视频中，所以车辆检测的主要功能是将车辆信息从视频中提取出来；而车型识别则是通过分析已提取的车辆外形等特征，对车辆进行分类识别。因此，车辆检测又可看作车型识别的前提。目前，基于视频的车辆检测方法主要有背景减除法、帧差法和光流法等，这些技术均已比较成熟，准确率较高。通过车辆检查可以从图像或视频中提取出车辆的位置、轮廓或者车辆区域的频域信息等特征，然后利用这些特征，如车辆的长宽比、频域变换后的系数等，通过模式识别和数据挖掘等技术进行车辆分类、行为语义等进一步的分析。而本发明即主要针对利用已提取的车辆特征进行车型识别的问题，提出一种基于支持向量机的车型识别方法。

支持向量机是于20世纪90年代末提出的理论，经过不断地发展，其已被广泛地应用在模式识别和数据挖掘领域。支持向量机最早从用于线性划分的最优平面理论发展起来，主要用于根据输入的特征向量对目标样本进行分类。假设样本特征是一个n维的向量x_i，而分类结果y_i∈{0，1}表示分类后样本被划分的类别为0或1，即：

$\left\{\begin{array}{c}(x_i,y_i),i=1,\·\·\·,n,x\∈R^d\\ \mathrm{sgn}\left[f\left(x\right)\right]\end{array}\right.$

支持向量机即函数sgn[f(x)]，对于输入的特征向量x，支持向量机通过特征函数f(x)计算对应的输出值x′，然后通过判别函数sgn[x′]计算得出样本属于的类别(0或1)。早期的支持向量机只能对线性可分的二类问题进行分类，但是核函数方法的提出使其能处理非线性可分的问题。所谓的核函数方法即通过一个核函数将线性不可分的样本特征向量映射到一个高维空间从而使其线性可分；而通过由多个二类支持向量机构造的支持向量机网络，可以解决多类划分的问题。但是目前已有的方法存在两个缺点：一是支持向量机网络构造复杂；二是支持向量网络中支持向量机的数目较大，直接导致进行分类预测时速度慢、效率低，难以实际运用。

本发明中所述的方法是通过多个利用核函数方法的二类支持向量机构造支持向量机网络，根据选定的车辆外形特征进行多类车辆的类型识别的方法。本方法利用二进制编码方式进行支持向量机网络的构造，通过交叉验证确定最优参数，减少了向量机网络中向量机的数目，构造简单，时间效率高。

发明内容

本发明一种基于二类核函数支持向量机的车型识别方法，要解决的技术问题是：利用已获得的车辆特征信息，对多类车辆进行车型识别。本发明提出一种利用多个支持向量机构造支持向量机网络进行车型识别的方法，该方法对要进行识别的车辆类型进行二进制编码，根据编码构造支持向量机网络；该网络以选定的车辆特征向量为输入，能够快速高效地对车辆类型进行识别；支持向量机网络构造简单，利于实现，效率较高。

本发明解决其技术问题所采用的技术方案是：一种基于二类核函数支持向量机网络的车型识别方法，其包括以下步骤：

(1)选取有效的车辆特征信息，对其进行标准化以用于支持向量机的训练和预测；

(2)对要进行识别的车辆类型进行二进制编码，根据二进制编码构造支持向量机网络；

(3)利用选定的车辆特征信息，对支持向量机网络中的每个二类支持向量机进行训练，同时选取针对此网络结构的最优参数；

(4)利用训练完成的支持向量机网络，输入待分类的样本特征向量，获得对其预测的结果，完成车型识别。

所述步骤(1)中有效的特征信息是指已获得的车辆外形特征，主要包括以下6项：

1)长高比：车身长度与车辆顶部高度的比值；

2)轮排数：从车身侧面角度，车轮的数目；

3)轮长比：前后轮距离与车身长度之比；

4)顶长比：车辆顶部长度与车身总长度之比；

5)前后长度比：以车顶中线为界，车身前后部的长度比；

6)前后高度比：以车顶中线为界，车身前后部的平均高度比。

所述步骤(1)中特征信息的标准化是指根据每项特征值的最大值和最小值，将每项特征值的所有数据线性地转化到[0，1]区间。

所述步骤(2)中对车辆类型进行二进制编码是指为每个车辆类型分配一个二进制的编号，若对N种车辆类型进行识别，则需要进行

位的二进制编码。如要对四种车辆类型进行识别，则只需要进行两位的二进制编码，分别是00，01，10，11共四种。

所述步骤(2)中支持向量机网络构造是根据二进制编码进行的，根据二进制编码的位数，决定网络中二类向量机的数目；根据二进制编码每一位上的0/1值决定对应的支持向量机要区分的车辆类型。

所述步骤(3)中支持向量机网络中所有的二类支持向量机均采用径向基核函数，因此需要确定的参数包括惩罚参数C和核函数参数γ，其中径向基核函数公式如下：

$K(x_i,x)=e^{-\mathrm{\γ}{\left|\right|x_i-x\left|\right|}^2}.$

所述步骤(3)中支持向量机网络中所有的二类支持向量机均共用相同的参数C和γ，两者分别从倍比为2的等比数列中选取，即C∈[2¹²，2¹¹，2¹⁰，…，2^-2]和γ∈[2⁴，2³，2²，…，2^-10]，则参数C和γ共有225种组合，最终选取其预测准确率最高的一组。

所述步骤(3)中选取针对此网络结构的最优参数，使用交叉验证方法，即将训练用数据分成5等份，分别取其中4份训练，1份预测，记录其预测准确率；如此进行5次，取5次预测准确率的平均值作为最终的预测准确率。

本发明提出了一种新的构造二类支持向量机网络的方法，并将其应用到车型识别中。相对于现有技术，本发明中提出的方法具有以下优点：

(1)方法中的支持向量机网络利用了对车型的二进制编码，从而使得网络中支持向量机的数目远小于同类方法，从而提高了识别速度，并且具有较高的准确率；

(2)方法中通过二进制编码构造支持向量机网络，构造简单，易于实现，利于实际应用；

(3)方法中的二类支持向量机的参数选取方法结合车型特征与支持向量机的特点的经验数据，具有较高的适应度。

附图说明

图1为提出的车型识别方法流程图；

图2(a)为车型二进制编码的示意图，图2(b)为利用车型二进制编码构造支持向量机网络的示意图。

具体实施方式

下面结合附图及具体实施方式详细介绍本发明。

本发明涉及一种基于二类核函数支持向量机的车型识别方法，具体流程图如图1所示；大致可以分为以下四个步骤：

第一步、特征信息预处理。

选定用于车型识别的特征向量，并对其进行标准化处理；

为提高车型的识别率，需要根据车型的外形特点选取合适有效的特征。根据车型识别的经验与车辆外形的主要区分点，主要选择如下6项特征：

1)长高比：车身长度与车辆顶部高度的比值；

2)轮排数：从车身侧面角度，车轮的数目；

3)轮长比：前后轮距离与车身长度之比；

4)顶长比：车辆顶部长度与车身总长度之比；

5)前后长度比：以车顶中线为界，车身前后部的长度比；

6)前后高度比：以车顶中线为界，车身前后部的平均高度比。

除上述6项特征外，也可以选取其他可获得的特征，对于特定的车型，可以选取其所独有的特征用于识别，比如车辆上部的凹凸数目特征等，也可以利用对车辆区域进行频域变换后的系数作为特征进行车辆的识别。由于选取的特征需要作为特征向量输入支持向量机网络，所以需要对特征值进行标准化。选定特征后，对所有的特征值进行标准化处理，将其线性地转换到[0，1]区间，即对于每一种特征值x，分别取其最大值Max(x)和最小值Min(x)，其标准化后的值x′按照下式计算：

$\left\{\begin{array}{cc}{x}^{\′}=\frac{x-\mathrm{Min}\left(x\right)}{\mathrm{Max}\left(x\right)-\mathrm{Min}\left(x\right)}& \mathrm{Max}\left(x\right)\≠\mathrm{Min}\left(x\right)\\ x^{\′}=1& \mathrm{Max}\left(x\right)=\mathrm{Min}\left(x\right)\end{array}\right.$

完成特征值的标准化后，将所有的特征值组成特征向量，用于支持向量机的训练和预测。特征向量x如下式表示：

x＝{x₁，x₂，x₃，x₄，x₅，x₆}^T

其中x₁，x₂，…，x₆分别表示上述的6项特征标准化后的一个具体数值。

第二步、构造支持向量机网络。

首先对要进行识别的车型进行二进制编码，若实际要进行编码的车型有N种，那么最多需要

位二进制编码，即若要对四种车辆类型进行识别，则只需要进行两位的二进制编码，分别是00，01，10，11共四种。如图2(a)所示，假设要对8种车辆类型进行识别，则需要进行3位二进制编码。

支持向量机的构造如图2(b)所示，每一个二进制位上的值对应地决定了一个二类支持向量机的类别划分。如图中所示，二进制编码的第三位上的0/1值决定了第一层的支持向量机的类别划分，其中车型1，2，3，4类的第三位编码为0，所以二类支持向量机中的‘0’类实际包含了车型的1，2，3，4类，而相应的‘1’类包含了实际车型的5，6，7，8类；而二进制编码的第二位上的0/1值决定了第二层的支持向量机的类别划分，其中车型1，2，5，6类的第三位编码为0，所以二类支持向量机中的‘0’类实际包含了车型的1，2，5，6类，而相应的‘1’类包含了实际车型的3，4，7，8类。按照这样的方式，依次确定所有的二类支持向量机的类别划分，如图2(b)所示。

第三步、确定最优参数对，训练支持向量机网络。

支持向量机网络中所有的二类支持向量机均使用径向基核函数，其公式如下：

$K(x_i,x)=e^{-\mathrm{\γ}{\left|\right|x_i-x\left|\right|}^2}$

因此需要确定的参数包括支持向量机惩罚参数C和核函数参数γ。对于网络中不同的支持向量机，可以使用不同的参数以进一步提高其预测的准确度，但需要对每一个支持向量机单独进行交叉验证。所以在实际实施中，设定同一网络中所有二类支持向量机均使用相同的参数C和γ。而两者分别从倍比为2的等比数列中选取，即C∈[2¹²，2¹¹，2¹⁰，…，2^-2]和γ∈[2⁴，2³，2²，…，2^-10]，则参数对C和γ共有225种组合。

在构造完成支持向量机网络结构后，分别对每一个参数对进行M重交叉验证，即将训练数据均分为M份，取M-1份作为预测数据，另外1份作为训练数据，代入网络计算其预测正确率，如此迭代M次，最后取M次预测的平均正确率作为此参数对下的最终预测正确率。交叉验证可以使每一份数据均作为预测数据进行一次测试，从而提高了数据的利用率以及网络结构的适应度。实际实施中，需要根据数据量的多少决定M的具体数值，若数据量较少，可以选取M＝3；若数据量巨大，可以选取M＝8或M＝10，而通常情况下，根据数据量并结合SVM的训练经验数据，在这里可以选取M＝5进行交叉验证。

完成交叉验证后，选择其中预测正确率最高的参数对C和γ，将其代入支持向量机网络，使用所有训练数据对网络中的支持向量机进行训练。

第四步、输入待测特征向量，输出识别结果。

对于待测的车辆特征向量，将其输入支持向量机网络。支持向量机网络只需对其进行最多

次(假设有N种车型)的二类支持向量机预测，即可得到对其进行车型识别的结果。按照输出的编码值与车型编码表，可以得到实际的车型分类号。

另外在对车型进行编码时，可以预先考察车型两两间的相似度及其可能的数据量的比例，通过选取不同的编码方式，进一步提高本方法的识别正确率及识别速度。

Claims (1)

1.一种基于二类核函数支持向量机的车型识别方法，所述方法的特征在于包括以下步骤：

（1）选取有效的车辆特征信息，对其进行标准化以用于支持向量机的训练和预测；

（2）对要进行识别的车辆类型进行二进制编码，根据二进制编码构造支持向量机网络；

（3）利用选定的车辆特征信息，对支持向量机网络中的每个二类支持向量机进行训练，同时选取针对此网络结构的最优参数；

（4）利用训练完成的支持向量机网络，输入待分类的样本特征向量，获得对其预测的结果，完成车型识别；

其中，所述步骤（1）中有效的车辆特征信息是指已获得的车辆外形特征，包括长高比、轮排数，轮长比、顶长比、前后长度比、前后高度比共6项车身侧面特征数据；

其中，所述步骤（1）中车辆特征信息的标准化是指根据每种特征值的最大值和最小值，将每项特征值的所有数据线性地转换到[0,1]区间；

其中，所述步骤（2）中对车辆类型进行二进制编码是指为每个车辆类型分配一个二进制的编号，若对N种车辆类型进行识别，则需要进行位的二进制编码；

其中，所述步骤（2）中支持向量机网络构造是根据二进制编码进行的，根据二进制编码的位数，决定网络中二类向量机的数目；根据二进制编码每一位上的值决定对应的支持向量机要区分的车辆类型；

其中，所述步骤（3）中支持向量机网络中所有的二类支持向量机使用相同的惩罚参数C和径向核函数参数γ，两者分别从倍比为2的等比数列中选取，即C∈[2¹²,2¹¹,2¹⁰,...,2^-2]和γ∈[2⁴,2³,2²,...,2^-10]，因此参数C和γ共有225种组合；

其中，所述步骤（3）中选取针对此网络结构的最优参数，使用交叉验证方法，即将训练用数据分成M等份，分别取其中M-1份用于训练，另外1份用于预测，记录其预测准确率；如此进行M次，每一份数据均作为预测数据进行了一次测试，取M次预测准确率的平均值作为最终的预测准确率；最优参数对选择在交叉验证中最终的预测准确率最高的一组参数C和γ。

Images