專利名稱：一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法
技術(shù)領(lǐng)域：
本發(fā)明屬于智能交通監(jiān)測和管理的信息自動采集技術(shù)領(lǐng)域，具體涉及一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法。
背景技術(shù)：
車輛檢測和識別技術(shù)是智能交通系統(tǒng)研究的關(guān)鍵技術(shù)之一，它為智能交通系統(tǒng)提供了必要的信息來源，為智能交通系統(tǒng)快速發(fā)展提供良好條件，是進(jìn)行交通監(jiān)測和管理的信息基礎(chǔ)。車輛識別技術(shù)在很多交通系統(tǒng)中已經(jīng)成為一個重要的環(huán)節(jié)，目 前在應(yīng)用中亟需一套更為準(zhǔn)確高效的車型識別方法。車輛檢測器作為智能交通信息采集的基礎(chǔ)設(shè)施，其性能直接影響車輛檢測與識別的效果。目前國內(nèi)外對車輛檢測工具的研究和應(yīng)用以感應(yīng)線圈和視頻圖像為主，基于這兩類檢測器的車型檢測分類方法取得了一定的效果，然而兩者的工程應(yīng)用仍有局限性。單點(diǎn)式地磁感應(yīng)器具有安裝、維修方便，不易遭到破壞，不受氣候影響以及集成化高等優(yōu)點(diǎn)，相比于其他設(shè)備具有更為良好的發(fā)展前景。目前國內(nèi)外研究的車型識別算法大部分圍繞著K近鄰算法、模糊數(shù)據(jù)融合和BP神經(jīng)網(wǎng)絡(luò)算法等進(jìn)行，然而這些車型分類方法存在算法效率不高、分類準(zhǔn)確率不高或者建立識別模式不系統(tǒng)等問題。同時缺乏對波形特征提取和選擇的探索和研究，而此過程往往決定了分類方法的效率和準(zhǔn)確率。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，用于解決目前缺少準(zhǔn)確、高效并系統(tǒng)的車型識別方法，不能為交通系統(tǒng)提供質(zhì)量良好的數(shù)據(jù)的問題。具體要解決的技術(shù)問題是，對地磁感應(yīng)器采集的不同車型感應(yīng)曲線進(jìn)行特征提取和選擇，并將選擇的特征組合用于對多類車型的識別。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是建立一種依靠車型地磁感應(yīng)曲線最優(yōu)特征組合，基于微粒群算法優(yōu)化的聚類支持向量機(jī)車型識別方法，具體步驟如下
(1)通過單點(diǎn)式地磁感應(yīng)器設(shè)定采集頻率，采集需要分類識別的車型地磁感應(yīng)波形數(shù)據(jù)，所述采集的感應(yīng)波形數(shù)據(jù)為去噪聲的線性波形，并且對其作了車速歸一化處理，得到的可用格式為線性波形上所有極值點(diǎn)橫縱坐標(biāo)，建立二叉樹多車型分類模式；
(2)根據(jù)采集的感應(yīng)波形數(shù)據(jù)，單點(diǎn)式地磁感應(yīng)器輸出的信息為離散點(diǎn)向量，通過數(shù)據(jù)融合方法將線性波形輸出的若干個數(shù)值點(diǎn)橫縱坐標(biāo)轉(zhuǎn)化為若干個單獨(dú)特征，提取出包括波形的結(jié)構(gòu)特征、頻譜特征和數(shù)值特征三大類特征；
(3)根據(jù)提取的三大類特征，建立干擾波的篩選方法，篩選出有效的波形樣本，設(shè)定當(dāng)最大波動不大于20或者峰谷數(shù)不大于3時即可認(rèn)為是干擾波，判斷為無效波形，得到初步提取的結(jié)構(gòu)特征、頻譜特征和數(shù)值特征；初步提取后，采用K-W檢驗(yàn)對單個特征的統(tǒng)計(jì)聚散度進(jìn)行計(jì)算評價，并刪除其中不滿足假設(shè)檢驗(yàn)的不顯著特征，并按照平均數(shù)方差法規(guī)則對其規(guī)范化，建立有效的樣本庫；
(4)建立多層特征選擇模式,融合Filter-Filter-Wrapper模式,對步驟(3)提取的初始特征進(jìn)行特征評估和選擇，挑選出最優(yōu)特征組合；其中=Filter-Filter-Wrapper模式的第一層Filter為基于ReliefF算法的權(quán)值過濾，第二層Filter為基于特征間相關(guān)系數(shù)的去冗余式過濾，第三層Wrapper為利用分類器的交叉驗(yàn)證準(zhǔn)確率對Top-K的特征組合進(jìn)行最優(yōu)特征組合搜尋，即在提取的初始特征中挑選出最有利于車型識別的特征組合。(5)考慮線性不可分情況，建立非線性軟間隔分類器，即建立基于聚類支持向量機(jī)的車型識別算法，并采用微粒群算法對分類函數(shù)中的核函數(shù)參數(shù)f和懲罰系數(shù)C進(jìn)行優(yōu)化，建立微粒群優(yōu)化的聚類支持向量機(jī)二類分類器；
(6)二叉樹上的每個樹節(jié)點(diǎn)都需利用微粒群優(yōu)化的聚類支持向量機(jī)二類分類器對支持向量機(jī)進(jìn)行訓(xùn)練，獲得二叉樹中所有二類車型分類器；
(7)根據(jù)分類模式，通過二叉樹上所有二類車型分類器建立完整的分類決策樹，對未知車型的波形從決策樹自上而下遍歷，到達(dá)每個分類節(jié)點(diǎn)進(jìn)行判斷，直到到達(dá)葉子節(jié)點(diǎn)，最終識別出車型。本發(fā)明中，步驟(I)中單點(diǎn)式地磁感應(yīng)器采集的波形是時域信號，通過快速傅里葉變換算法得到相應(yīng)波的頻譜分布，找出含噪聲的時域信號的頻率組成和能量。本發(fā)明中，步驟(I)建立的二叉樹多車型分類模式，分類樹上節(jié)點(diǎn)可以為車型組合，也可以為單獨(dú)的車型。本發(fā)明中，步驟(2)中所述結(jié)構(gòu)特征、頻譜特征和數(shù)值特征三大類特征，包括 結(jié)構(gòu)特征波峰數(shù)、波谷數(shù)、峰谷數(shù)、負(fù)波谷數(shù)、最小值相對位置、最大值相對位置、次小
值與最小值之比。頻譜特征傅里葉變換后的最大能量、最大能量對應(yīng)的頻率。數(shù)值特征最大值、最小值、總值、平均值、最大值與最小值之比絕對值、波動最大幅值與平均值之比、方差、波持續(xù)時間。本發(fā)明中，步驟(3)中初步提取的結(jié)構(gòu)特征、頻譜特征和數(shù)值特征用特征向量形
式表示，即X = [SlfX2fX3, ,..Xi],其中I代表一個特征。本發(fā)明中，步驟⑶中所述平均數(shù)方
差法，即對于結(jié)構(gòu)特征、頻譜特征和數(shù)值特征，先求出所有樣本該特征的均值和方差，將原始特征樣本數(shù)值減去均值后再除以方差，得到規(guī)范化后的特征樣本數(shù)值。增加分類變量Ii，
得到初始特征向量1 =,其中n為經(jīng)過K-W檢驗(yàn)后的特征數(shù)目。本發(fā)明中，步驟(4)中所述評估具體為
(1)按照分類的要求，整理不同類型車型的特征數(shù)據(jù)，利用ReliefF算法處理特征數(shù)據(jù)，得到每個特征的權(quán)重，建立原始特征集合的權(quán)重向量；
(2)按照權(quán)值的大小從大到小排列，生成正序權(quán)重向量，根據(jù)權(quán)重的大小范圍情況設(shè)定權(quán)值閾值，將權(quán)值大于或等于設(shè)定閾值的特征取出，組成新的權(quán)重向量，按對應(yīng)的權(quán)重獲得新的序列特征向量；
(3)根據(jù)泊松相關(guān)系數(shù)的算式求出中兩兩特征相關(guān)度，參考特征向量的維數(shù)和特征相關(guān)度設(shè)定適當(dāng)閾值，獲得相關(guān)度大于或等于閾值特征對；(4)刪去步驟(3)中特征對中特征權(quán)值較小的特征，獲得去冗余的特征組合。本發(fā)明中，步驟(4)中若Filter-Filter獲得特征有n個,貝U需要評估的特征組合對象為從n個特征中，權(quán)值排名前三(Top-3)的特征組合(視具體情況而定，一般情況下從Top-3開始)開始，依照Top-k機(jī)制建立的n-2個特征組合。采用10折交叉驗(yàn)證(C-V)，也就是將全部樣本分為10組，進(jìn)行10次以“9組為學(xué)習(xí)樣本I組為檢驗(yàn)樣本”的交叉驗(yàn)證，獲得10次分類準(zhǔn)確率的平均值作為C-V準(zhǔn)確率。根據(jù)搜尋策略，C-V準(zhǔn)確率最高且維度較小的組合為最優(yōu)特征組合。本發(fā)明中，步驟(5)中建立非線性軟間隔分類器，即聚類支持向量機(jī)(C-SVM)。具體來說就是利用懲罰參數(shù)C控制錯分樣本，建立軟間隔的分類超平面。本發(fā)明中，步驟(5)中聚類支持向量機(jī)的建立，具體為建立聚類支持向量機(jī)
的訓(xùn)練樣本集，樣本的數(shù)量為^ ;車型分類器輸入的參數(shù)是一個V維特征向量
組合爐；根據(jù)上文的二叉樹分類模式，每一步為二類劃分，即xe{-l+l}。在
建立多維度分類決策函數(shù)時，按照C-SVM的算法思想引入松弛變量和懲罰因子來解決非線性分類問題來建立最優(yōu)分類決策面，并且允許一定的分類錯誤(軟間隔)；為了將復(fù)雜的最優(yōu)化問題的求解簡化為對原有樣本數(shù)據(jù)的內(nèi)積運(yùn)算，引入了徑向基(RBF)核函數(shù)，
權(quán)利要求
1.一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于具體步驟如下 (1)通過單點(diǎn)式地磁感應(yīng)器設(shè)定采集頻率，采集需要分類識別的車型地磁感應(yīng)波形數(shù)據(jù)，所述采集的感應(yīng)波形數(shù)據(jù)為去噪聲的線性波形，并且對其作了車速歸一化處理，得到的可用格式為線性波形上所有極值點(diǎn)橫縱坐標(biāo)，建立二叉樹多車型分類模式； (2)根據(jù)采集的感應(yīng)波形數(shù)據(jù)，單點(diǎn)式地磁感應(yīng)器輸出的信息為離散點(diǎn)向量，通過數(shù)據(jù)融合方法將線性波形輸出的若干個數(shù)值點(diǎn)橫縱坐標(biāo)轉(zhuǎn)化為若干個單獨(dú)特征，提取出包括波形的結(jié)構(gòu)特征、頻譜特征和數(shù)值特征三大類特征； (3)根據(jù)提取的三大類特征，建立干擾波的篩選方法，篩選出有效的波形樣本，設(shè)定當(dāng)最大波動不大于20或者峰谷數(shù)不大于3時即可認(rèn)為是干擾波，判斷為無效波形，得到初步提取的結(jié)構(gòu)特征、頻譜特征和數(shù)值特征；初步提取后，采用K-W檢驗(yàn)對單個特征的統(tǒng)計(jì)聚散度進(jìn)行計(jì)算評價，并刪除其中不滿足假設(shè)檢驗(yàn)的不顯著特征，并按照平均數(shù)方差法規(guī)則對其規(guī)范化，建立有效的樣本庫； (4)建立多層特征選擇模式,融合Filter-Filter-Wrapper模式,對步驟(3)提取的初始特征進(jìn)行特征評估和選擇，挑選出最優(yōu)特征組合；其中=Filter-Filter-Wrapper模式的第一層Filter為基于ReliefF算法的權(quán)值過濾，第二層Filter為基于特征間相關(guān)系數(shù)的去冗余式過濾，第三層Wrapper為利用分類器的交叉驗(yàn)證準(zhǔn)確率對Top-K的特征組合進(jìn)行最優(yōu)特征組合搜尋，即在提取的初始特征中挑選出最有利于車型識別的特征組合； (5)考慮線性不可分情況，建立非線性軟間隔分類器，即建立基于聚類支持向量機(jī)的車型識別算法，并采用微粒群算法對分類函數(shù)中的核函數(shù)參數(shù)C和懲罰系數(shù)C進(jìn)行優(yōu)化，建立微粒群優(yōu)化的聚類支持向量機(jī)二類分類器； (6)二叉樹上的每個樹節(jié)點(diǎn)都需利用微粒群優(yōu)化的聚類支持向量機(jī)二類分類器對支持向量機(jī)進(jìn)行訓(xùn)練，獲得二叉樹中所有二類車型分類器； (7)根據(jù)分類模式，通過二叉樹上所有二類車型分類器建立完整的分類決策樹，對未知車型的波形從決策樹自上而下遍歷，到達(dá)每個分類節(jié)點(diǎn)進(jìn)行判斷，直到到達(dá)葉子節(jié)點(diǎn)，最終識別出車型。
2.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(I)中單點(diǎn)式地磁感應(yīng)器采集的波形是時域信號，通過快速傅里葉變換算法得到相應(yīng)波的頻譜分布，找出含噪聲的時域信號的頻率組成和能量。
3.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(I)建立的二叉樹多車型分類模式，分類樹上節(jié)點(diǎn)可以為車型組合，也可以為單獨(dú)的車型。
4.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(2)中所述結(jié)構(gòu)特征、頻譜特征和數(shù)值特征三大類特征，包括 結(jié)構(gòu)特征波峰數(shù)、波谷數(shù)、峰谷數(shù)、負(fù)波谷數(shù)、最小值相對位置、最大值相對位置、次小值與最小值之比； 頻譜特征傅里葉變換后的最大能量、最大能量對應(yīng)的頻率； 數(shù)值特征最大值、最小值、總值、平均值、最大值與最小值之比絕對值、波動最大幅值與平均值之比、方差、波持續(xù)時間。
5.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(3)中初步提取的結(jié)構(gòu)特征、頻譜特征和數(shù)值特征用特征向量形式表示，即X = [x1；x2,K3,…Xi],其中^代表一個特征。
6.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(3)中所述平均數(shù)方差法，即對于結(jié)構(gòu)特征、頻譜特征和數(shù)值特征，先求出所有樣本該特征的均值和方差，將原始特征樣本數(shù)值減去均值后再除以方差，得到規(guī)范化后的特征樣本數(shù)值；增加分類變量p得到初始特征向量1 =,其中n為經(jīng)過K-WI檢驗(yàn)后的特征數(shù)目。
7.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(4)中所述評估具體為 (1)按照分類的要求，整理不同類型車型的特征數(shù)據(jù)，利用ReliefF算法處理特征數(shù)據(jù)，得到每個特征的權(quán)重，建立原始特征集合的權(quán)重向量； (2)按照權(quán)值的大小從大到小排列，生成正序權(quán)重向量，根據(jù)權(quán)重的大小范圍情況設(shè)定權(quán)值閾值，將權(quán)值大于或等于設(shè)定閾值的特征取出，組成新的權(quán)重向量，按對應(yīng)的權(quán)重獲得新的序列特征向量； (3)根據(jù)泊松相關(guān)系數(shù)的算式求出中兩兩特征相關(guān)度，參考特征向量的維數(shù)和特征相關(guān)度設(shè)定適當(dāng)閾值，獲得相關(guān)度大于或等于閾值特征對； (4)刪去步驟(3)中特征對中特征權(quán)值較小的特征，獲得去冗余的特征組合。
8.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(4)中若Filter-Filter獲得特征有n個,貝U需要評估的特征組合對象為從n個特征中，權(quán)值排名前三(Top-3)的特征組合開始，依照Top-k機(jī)制建立的n-2個特征組合； 采用10折交叉驗(yàn)證C-V，也就是將全部樣本分為10組，進(jìn)行10次以9組為學(xué)習(xí)樣本I組為檢驗(yàn)樣本的交叉驗(yàn)證，獲得10次分類準(zhǔn)確率的平均值作為C-V準(zhǔn)確率。
9.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(5)中聚類支持向量機(jī)的建立，具體為建立聚類支持向量機(jī)的訓(xùn)練樣本集( 乃)L1,樣本的數(shù)量為;車型分類器輸入的參數(shù)是一個J維特征向量組；根據(jù)上文的二叉樹分類模式，每一步為二類劃分，即乃€ {-1，+1};在建立多維度分類決策函數(shù)時，按照C-SVM的算法思想引入松弛變量和懲罰因子來解決非線性分類問題來建立最優(yōu)分類決策面，并且允許一定的分類錯誤(軟間隔)；為了將復(fù)雜的最優(yōu)化問題的求解簡化為對原有樣本數(shù)據(jù)的內(nèi)積運(yùn)算，引入了徑向基(RBF)核函數(shù)，JfOU) =炫,式中f為支持向量的值、為需分類的樣本值，為核函數(shù)參數(shù)；每個支持向量構(gòu)成一個RBF的中心，其位置、個數(shù)以及連接權(quán)值都是通過訓(xùn)練過程來確定。
10.根據(jù)權(quán)利要求I所述的一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，其特征在于步驟(7)中，首先對未知車型的波形進(jìn)行有效性判別；若為有效波形，則從決策樹自上而下遍歷，到達(dá)每個分類節(jié)點(diǎn)時，首先將未知車型的波形進(jìn)行特征提取和規(guī)范化，分離出此分類節(jié)點(diǎn)上二類車型的最優(yōu)特征組合，將特征組合輸入進(jìn)分類器C-SVM中，進(jìn)行二類判斷，判斷結(jié)束后進(jìn)入下一個節(jié)點(diǎn)，如果達(dá)到葉子節(jié)點(diǎn)則獲得識別最終結(jié)果，結(jié)束識別過程。
全文摘要
本發(fā)明涉及一種在地磁感應(yīng)器上基于支持向量機(jī)的車型識別方法，具體步驟如下通過地磁感應(yīng)器采集需識別的車型波形數(shù)據(jù)；將波形提取為若干數(shù)值化的特征，篩選出有效數(shù)據(jù)，并將特征規(guī)范化；根據(jù)提取的特征進(jìn)行多層特征選擇，挑選出最優(yōu)特征組合；建立基于聚類支持向量機(jī)的車型分類算法，并采用微粒群算法優(yōu)化分類函數(shù)中的參數(shù)；建立二叉樹分類模式，訓(xùn)練每個分類節(jié)點(diǎn)上的分類器，建立完整的分類決策樹；輸入待識別車型地磁感應(yīng)波形，獲得對其的識別結(jié)果。本發(fā)明建立了一種波形特征提取與選擇的模式，同時采用的基于支持向量機(jī)的分類算法以及微粒群優(yōu)化算法，均大大提高了機(jī)器學(xué)習(xí)的效能，使其能夠快速準(zhǔn)確地識別車型。
文檔編號G08G1/017GK102779281SQ20121020843
公開日2012年11月14日 申請日期2012年6月25日 優(yōu)先權(quán)日2012年6月25日
發(fā)明者何堯, 孫立軍, 杜豫川, 陳韜 申請人:同濟(jì)大學(xué)