一種基于支持向量機的車型自動分類器設計方案

車型自動分類一直是智能交通領域中的一個熱點問題。自動識別車輛類型對實現交通管理智能化具有重要意義。目前已經廣泛應用的分類方法是采用地感線圈根據不同類型車輛通過線圈產生的電磁感應曲線不同這一原理進行分類。這種方法分類速度較低，誤差較大，因此難以滿足不停車收費系統的要求。

隨著計算機硬件性能的不斷提高，基于圖像處理的車輛分類方法逐漸得到重視，計算機對攝像機捕捉到的車輛圖像進行處理得到車輛的外形信息，這些信息可以作為車型識別依據進行車輛分類。已經采用的數據分析方法有模式匹配和BP神經網絡兩種。前者是將得到的外形信息與系統中的車型模式庫進行比對，輸出匹配度最大的模式類型作為車輛類型[1]；后者是將車輛信息輸入到已訓練好的神經網絡分類器進行分類[2]。基于模式匹配的分類方法實現原理簡單，但是選擇合適的模式比較困難；采用BP神經網絡的分類方法中，由于BP神經網絡本身存在網絡結構無規律可循、作用機理不明確并易陷入局部極小值等缺陷從而限制了這種方法的應用。

支持向量機是二十世紀90年代提出的一種新的學習機[3]，具有較好的推廣能力和非線性處理能力。本文給出一種基于支持向量機的車型分類器的設計方案。

1 支持向量機識別理論

設為輸入空間的某類別數據集，對于非線性可分情況而言，類別的邊界比較復雜。引入從輸入空間X到高維空間Y(特征空間)的非線性變換Φ將會簡化類別邊界。Φ可以把X中具有復雜幾何形狀的類邊界(覆蓋該類別全部數據集)映射為Y中的規則球(覆蓋變換后的相應類別全部數據集)。如果希望輸入空間X中類的邊界緊致包圍本類數據集，就要在變換后空間Y中尋找最小的閉合球。Y中的閉合球表述為：


其中∣∣●∣∣為歐式范數，a為球心。目標就是通過搜索所有滿足約束條件的a來最小化R2。
構造Lagrange函數如下：


這里βj≥0，是Lagrange乘子。達到極小值的必要條件為：


把式(3)和式(4)代入式(2)消去r和a，就轉化為它的Wolfe對偶問題：求式(5)中W關于變量βj的極大值。

在W達到極大值時，對于球內的數據和部分球上數據，βj=0；對于位于球邊界的數據，βj＞0。滿足βj＞0的數據就是支持向量，它們定義了球的中心,如式(4)。

可以采用合適的Mercer核函數替代內積Φ(xi)·Φ(xj),

目前主要的核函數有兩種：

階次為d的多項式核函數


其中C＞0為常數。位于球內(包括球上)的數據點，有ζj=0和βj＜C；對于孤立數據點βj=C。
定義輸入數據點x映射到特征空間內時到球心距離為:


如果R(x)＞R,那么x為孤立點或其它類點。

2系統實現

2.1圖像采集和特征提取

利用兩部CCD攝像機和圖像采集卡獲得同一車輛的兩幅圖像，基于雙目視覺原理對兩幅圖像進行特征匹配，得到車輛的三維模型。根據攝像機標定矩陣和成像幾何模型可以計算出車輛的三維數據：車長、車寬和車高。采集每一類別車輛圖像若干，得到該類車輛訓練樣本作為車型分類器訓練依據。

2.2 訓練數據預處理

采用有導師訓練的方法進行分類器訓練，首先要確定訓練樣本所屬類別。本文將車輛分為大型、中型和小型三類。按照前述方法獲取100個車輛三維數據對，采用動態聚類方法K-Means對100個數據樣本進行自動聚類[5]，設定聚類類別數為3。從聚類結果選擇各類訓練樣本(每類10個)，其余數據作為測試樣本，訓練樣本見表1。

2.3 分類器設計

支持向量機一般用于二類模式識別，對于多類問題識別能力不足。為了使二類分類器能用于多類模式,本文為每類車輛分別設計識別器，然后通過表決器進行決策，如圖1。

其中，SVM1、SVM2和SVM3分別為大、中和小型車的識別器，輸出結果分別為(大，非大)、(中，非中)和(小，非小)三個數對。表決器以三個識別器的輸出組成的向量作為輸入進行綜合判斷，輸出車輛類型。表決器的表決表見表2。

對于每個SVM識別器，遵循了相同的設計原則：首先采用有導師訓練的方法進行訓練，選擇合適的參數q和C；然后使用測試樣本測試識別率。

本文以小型車識別器SVM3為例說明SVM識別器的訓練過程。

(1)標號：把屬于小型車的訓練樣本標記為類別1，其余訓練樣本均標記為類別0；
(2)訓練：選擇參數q和C進行循環,計算目標誤差；
(3)結束：當目標誤差小于0.001時結束循環；
(4)調整：根據訓練結果，調整參數q和C;
(5)重復步驟(2),直到得到滿意的訓練結果為止。

通過反復試驗發現，參數q影響識別器分類邊界的復雜性，q越大分類邊界越復雜,即支持向量個數越多；參數C的取值變化改變識別器對本類樣本數據異常的容忍度，C越小容忍本類異常數據的能力越差。當20≤q≤70時，識別器識別類1所用的支持向量數為3且保持不變，因此令q為45(C=1)。支持向量分別為(0.33 0.1405 0.141)、(0.33 0.1405 0.144)和(0.488 0.18 0.145)類似地，選取中型車識別器q為60(C=1)，識別中型車所用支持向量個數為5，分別為(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); 選取大型車識別器的q為30(C=1)，識別中型車所用支持向量個數為4，分別為(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性能測試與結果分析

采用測試樣本對三個識別器分別進行測試。測試樣本由三種類型車輛數據組成，每類30個數據。測試分為識別器獨立測試和分類器聯合測試兩部分。在識別器獨立測試中，要考察每個識別器對本類數據的識別正確率和對其他類數據的識別正確率，獨立測試結果見表3；進行聯合測試即對3個分類器與表決器整體進行車型分類測試，測試依據為表2。


對表3中的測試結果進行分析，發現小型車識別正確率相當高,為98.89%；而中型車識別器和大型車識別器識別正確率分別為97.78%和96.67%。而且后兩者對本類數據和其他數據均有錯判現象發生。

由于本文設計的分類器采用了圖1所示結構以及特殊的表決表(表2)，具有較強的容錯能力，發生在小型車、中型車和大型車相鄰類型之間的錯判不會影響表決器的表決工作。只有當小型車識別器和大型車識別器均判為本類車時，表決器才輸出“誤判”。在聯合測試時，分類器對90個測試樣本的表決結果全部正確。

本文采用基于支持向量機的識別理論設計了一種可應用于不停車收費系統的車型自動分類器。該分類器與RFID(射頻識別)技術相結合，能大幅度提升道路通行能力，有效打擊各種作弊行為。