CN102779281B - 一种在地磁感应器上基于支持向量机的车型识别方法 - Google Patents

Abstract

本发明涉及一种在地磁感应器上基于支持向量机的车型识别方法，具体步骤如下：通过地磁感应器采集需识别的车型波形数据；将波形提取为若干数值化的特征，筛选出有效数据，并将特征规范化；根据提取的特征进行多层特征选择，挑选出最优特征组合；建立基于聚类支持向量机的车型分类算法，并采用微粒群算法优化分类函数中的参数；建立二叉树分类模式，训练每个分类节点上的分类器，建立完整的分类决策树；输入待识别车型地磁感应波形，获得对其的识别结果。本发明建立了一种波形特征提取与选择的模式，同时采用的基于支持向量机的分类算法以及微粒群优化算法，均大大提高了机器学习的效能，使其能够快速准确地识别车型。

Description

一种在地磁感应器上基于支持向量机的车型识别方法

技术领域

本发明属于智能交通监测和管理的信息自动采集技术领域，具体涉及一种在地磁感应器上基于支持向量机的车型识别方法。

背景技术

车辆检测和识别技术是智能交通系统研究的关键技术之一，它为智能交通系统提供了必要的信息来源，为智能交通系统快速发展提供良好条件，是进行交通监测和管理的信息基础。车辆识别技术在很多交通系统中已经成为一个重要的环节，目前在应用中亟需一套更为准确高效的车型识别方法。

车辆检测器作为智能交通信息采集的基础设施，其性能直接影响车辆检测与识别的效果。目前国内外对车辆检测工具的研究和应用以感应线圈和视频图像为主，基于这两类检测器的车型检测分类方法取得了一定的效果，然而两者的工程应用仍有局限性。单点式地磁感应器具有安装、维修方便，不易遭到破坏，不受气候影响以及集成化高等优点，相比于其他设备具有更为良好的发展前景。

目前国内外研究的车型识别算法大部分围绕着K近邻算法、模糊数据融合和BP神经网络算法等进行，然而这些车型分类方法存在算法效率不高、分类准确率不高或者建立识别模式不系统等问题。同时缺乏对波形特征提取和选择的探索和研究，而此过程往往决定了分类方法的效率和准确率。

发明内容

本发明的目的在于提供一种在地磁感应器上基于支持向量机的车型识别方法，用于解决目前缺少准确、高效并系统的车型识别方法，不能为交通系统提供质量良好的数据的问题。具体要解决的技术问题是，对地磁感应器采集的不同车型感应曲线进行特征提取和选择，并将选择的特征组合用于对多类车型的识别。

本发明解决其技术问题所采用的技术方案是：建立一种依靠车型地磁感应曲线最优特征组合，基于微粒群算法优化的聚类支持向量机车型识别方法，具体步骤如下：

(1)通过单点式地磁感应器设定采集频率，采集需要分类识别的车型地磁感应波形数据，所述采集的感应波形数据为去噪声的线性波形，并且对其作了车速归一化处理，得到的可用格式为线性波形上所有极值点横纵坐标，建立二叉树多车型分类模式；

(2)根据采集的感应波形数据，单点式地磁感应器输出的信息为离散点向量，通过数据融合方法将线性波形输出的若干个数值点横纵坐标转化为若干个单独特征，提取出包括波形的结构特征、频谱特征和数值特征三大类特征；

(3)根据提取的三大类特征，建立干扰波的筛选方法，筛选出有效的波形样本，设定当最大波动不大于20或者峰谷数不大于3时即可认为是干扰波，判断为无效波形，得到初步提取的结构特征、频谱特征和数值特征；初步提取后，采用K-W检验对单个特征的统计聚散度进行计算评价，并删除其中不满足假设检验的不显著特征，并按照平均数方差法规则对其规范化，建立有效的样本库；

(4)建立多层特征选择模式，融合Filter-Filter-Wrapper模式，对步骤(3)提取的初始特征进行特征评估和选择，挑选出最优特征组合；其中：Filter-Filter-Wrapper模式的第一层Filter为基于ReliefF算法的权值过滤，第二层Filter为基于特征间相关系数的去冗余式过滤，第三层Wrapper为利用分类器的交叉验证准确率对Top-K的特征组合进行最优特征组合搜寻，即在提取的初始特征中挑选出最有利于车型识别的特征组合。

(5)考虑线性不可分情况，建立非线性软间隔分类器，即建立基于聚类支持向量机的车型识别算法，并采用微粒群算法对分类函数中的核函数参数                                                和惩罚系数C进行优化，建立微粒群优化的聚类支持向量机二类分类器；

(6)二叉树上的每个树节点都需利用微粒群优化的聚类支持向量机二类分类器对支持向量机进行训练，获得二叉树中所有二类车型分类器；

(7)根据分类模式，通过二叉树上所有二类车型分类器建立完整的分类决策树，对未知车型的波形从决策树自上而下遍历，到达每个分类节点进行判断，直到到达叶子节点，最终识别出车型。

本发明中，步骤(1)中单点式地磁感应器采集的波形是时域信号，通过快速傅里叶变换算法得到相应波的频谱分布，找出含噪声的时域信号的频率组成和能量。

本发明中，步骤(1)建立的二叉树多车型分类模式，分类树上节点可以为车型组合，也可以为单独的车型。

本发明中，步骤(2)中所述结构特征、频谱特征和数值特征三大类特征，包括

结构特征：波峰数、波谷数、峰谷数、负波谷数、最小值相对位置、最大值相对位置、次小值与最小值之比。

频谱特征：傅里叶变换后的最大能量、最大能量对应的频率。

数值特征：最大值、最小值、总值、平均值、最大值与最小值之比绝对值、波动最大幅值与平均值之比、方差、波持续时间。

本发明中，步骤(3)中初步提取的结构特征、频谱特征和数值特征用特征向量形式表示，即，其中代表一个特征。本发明中，步骤(3)中所述平均数方差法，即对于结构特征、频谱特征和数值特征，先求出所有样本该特征的均值和方差，将原始特征样本数值减去均值后再除以方差，得到规范化后的特征样本数值。增加分类变量，得到初始特征向量，其中n为经过K-W检验后的特征数目。

本发明中，步骤(4)中所述评估具体为： 

(1)  按照分类的要求，整理不同类型车型的特征数据，利用ReliefF算法处理特征数据，得到每个特征的权重，建立原始特征集合的权重向量；

(2)  按照权值的大小从大到小排列，生成正序权重向量，根据权重的大小范围情况设定权值阈值，将权值大于或等于设定阈值的特征取出，组成新的权重向量，按对应的权重获得新的序列特征向量；

(3)  根据泊松相关系数的算式求出中两两特征相关度，参考特征向量的维数和特征相关度设定适当阈值，获得相关度大于或等于阈值特征对；

(4)  删去步骤(3)中特征对中特征权值较小的特征，获得去冗余的特征组合。

本发明中，步骤(4)中若Filter-Filter获得特征有n个，则需要评估的特征组合对象为从n个特征中，权值排名前三(Top-3)的特征组合(视具体情况而定，一般情况下从Top-3开始)开始，依照Top-k机制建立的n-2个特征组合。采用10折交叉验证（C-V），也就是将全部样本分为10组，进行10次以“9组为学习样本1组为检验样本”的交叉验证，获得10次分类准确率的平均值作为C-V准确率。根据搜寻策略，C-V准确率最高且维度较小的组合为最优特征组合。

本发明中，步骤(5)中建立非线性软间隔分类器，即聚类支持向量机(C-SVM)。具体来说就是利用惩罚参数C控制错分样本，建立软间隔的分类超平面。

本发明中，步骤(5)中聚类支持向量机的建立，具体为：建立聚类支持向量机的训练样本集，样本的数量为n；车型分类器输入的参数是一个d维特征向量组合；根据上文的二叉树分类模式，每一步为二类划分，即。在建立多维度分类决策函数时，按照C-SVM的算法思想引入松弛变量和惩罚因子来解决非线性分类问题来建立最优分类决策面，并且允许一定的分类错误（软间隔）；为了将复杂的最优化问题的求解简化为对原有样本数据的内积运算，引入了径向基（RBF）核函数，，式中为支持向量的值，为需分类的样本值，为核函数参数。每个支持向量构成一个RBF的中心，其位置、个数以及连接权值都是通过训练过程来确定。

鉴于C-SVM的分类性能很大程度上由其中的惩罚系数C和核函数参数决定，采用启发式算法微粒群优化算法（PSO）在两个参数的参数空间中搜寻最优或者近似最优的值，不仅提高了搜寻的速度，还有效地提高了分类模型的分类精度和适用广度。

经过上述过程及样本学习训练，建立识别相应两类车型的二类C-SVM分类器。

本发明中，步骤(7)中，首先对未知车型的波形进行有效性判别。若为有效波形，则从决策树自上而下遍历，到达每个分类节点时，首先将未知车型的波形进行特征提取和规范化，分离出此分类节点上二类车型的最优特征组合，将特征组合输入进分类器C-SVM中，进行二类判断，判断结束后进入下一个节点，如果达到叶子节点则获得识别最终结果，结束识别过程。

本发明的有益效果在于，本发明能够显著提高数据融合处理的效率、机器学习的能力和车型分类的准确率，有较高的车型识别的可靠度，可用于车型识别的推广。

附图说明

图1为提出的车型识别方法流程图。

图2为建立二类车型分类器核心技术流程图。

图3为地磁感应波形以及部分提取特征的示意图。

图4为二叉树分类模式示意图。

具体实施方式

下面结合附图和具体实施方式对本发明作详细说明。

实施例1：本发明涉及一种应用到单点式地磁检测器中基于聚类支持向量机的车型分类识别方法，具体流程如图1所示。大致可以分为5个主要步骤：

第一步，确定分类车型的覆盖范围以及分类模式。

确定了需要分类的车型或车型组合后，则要通过单点式地磁检测设备采集相应车型的波形数据。

选用二叉树作为多种车型的分类模式，如图4所示，即每一分类节点通过特征选择方法获取相应最优的特征组合，再进行二类车型样本的学习并建立聚类支持向量机（C-SVM）分类器以进行二类车型分类。

图4中，分类子树上节点可以为车型组合，也可以为单独的车型。对两个分类对象，如车型1和车型组合C根据图1中流程建立优化的二类车型分类器C-SVM(1,C)。最后根据先前的建立的分类二叉树确定是否完成所有分类节点上的二类分类器建立，若是，则完成决策树的建立，否则对不同的两个分类对象重复相同的工作流程，直到建立完整的车型识别分类决策树。

第二步是建立相应车型的有效样本库，是建立分类决策树的前提。第三步和第四步，则是建立一个二类分类器的完整过程。

第二步，特征提取与规范化，建立有效样本库。

单点地磁检测器输出的信息为离散点向量。波形信号的特征提取的目的在于，通过数据融合方法，将离散点向量原始输出转换成若干个单独特征表示，使用特征向量描述整个波形性质和特点。

考虑车型的结构区分点、波形的结构形状差异以及波形转换经验，提取的波形分类特征可分为三大类：结构特征、频谱特征和数值特征。

结构特征包括波峰数、波谷数、峰谷数、负波谷数、最小值相对位置、最大值相对位置      和次小值与最小值之比，图3展示了波形的形式以及结构特征的取定示意。

频谱特征包括频域信号中的最大能量值和最大能量对应的频率。地磁感应器采集的波形是一种时域信号，通过快速傅里叶变换算法得到相应波的频谱分布，找出含噪声的时域信号的频率组成和能量。

数值特征包括波形中的最大值、最小值、总值、平均值、最大值与最小值之比的绝对值、最大幅值与平均值之比、方差和波持续时间。波形的数值特征能够通过具体数值还原波的信息，从而能够更广更深地探索不同车型的波形差异。

按照当最大波动幅值不大于20或者峰谷数不大于3为干扰波时的准则筛选有效的波形样本，建立机器学习的样本库。

初步提取的17个特征用特征向量形式表示，即，其中代表一个特征。初步提取后，采用K-W检验（Kruskal and Wallis Test）对单个特征的统计聚散度进行计算评价，并删除其中不满足假设检验的不显著特征。

采用平均数方差法使其规范化，即对于每一种特征，先求出所有样本该特征的均值和方差，将原始特征样本数值减去均值后再除以方差，得到规范化后的特征样本数值。增加分类变量，得到初始特征向量，其中n为经过K-W检验后的特征数目。

第三步，采用组合式特征评估方法Filter-Filter-Wrapper模式对提取的初始特征进行科学合理的评估，挑选出分类效果良好的最优特征组合。

如图2中特征提取与选择子过程中Filter-Filter-Wrapper模式的内容，特征选择为一个多层次的组合式评估，

首先，通过ReliefF算法对初始的特征进行逐一的评估，得到每个特征的“分类权值”，权值的大小反应了该特征的分类能力，权值越大说明该特征越适合分割两类的样本。

接着，需要通过相关系数来评估两两特征的相关度，以除去其中冗余的特征，以降低特征向量维度。得到全部特征中每两个特征的相关度，当相关度达到一定阈值时认为两个特征具有较强相关性，反映对象同一本质属性。通过剔除其中权值较小的特征，保留权值较大的特征的规则来去除冗余特征。

综上，Filter-Filter模式的步骤和规则如下：

1)   按照分类的要求，整理不同类型车型的特征数据，利用ReliefF算法处理特征数据，得到每个特征的权重，建立原始特征集合的权重向量；

2)   按照权值的大小从大到小排列，生成正序权重向量，根据权重的大小范围情况设定权值阈值，将权值大于或等于设定阈值的特征取出，组成新的权重向量，按对应的权重获得新的序列特征向量；

3)   根据泊松相关系数的算式求出中两两特征相关度，参考特征向量的维数和特征相关度设定适当阈值，获得相关度大于或等于阈值特征对；

4)   删去步骤3)中特征对中特征权值较小的特征，获得去冗余的特征组合。

Filter-Filter特征评估后得到的特征进行组合，使用Wrapper特征选择思想进行特征组合的优选，以获得最优特征组合。

Wrapper选择规则简而言之就是建立对“特征组合”的评估方法，而评估选择需要采用适当的评估函数，在模式识别中函数一般为分类器，即根据分类器的错误率评估各个特征组合的效能。

若Filter-Filter获得特征有n个，则需要评估的特征组合对象为从n个特征中，权值排名前三(Top-3)的特征组合(视具体情况而定，一般情况下从Top-3开始)开始，依照Top-k机制建立的n-2个特征组合。采用10折交叉验证（C-V），也就是将全部样本分为10组，进行10次以“9组为学习样本1组为检验样本”的交叉验证，获得10次分类准确率的平均值作为C-V准确率。根据搜寻策略，C-V准确率最高且维度较小的组合为最优特征组合。

第四步，如图2车型识别分类算法子过程所示，建立参数经过微粒群算法优化的C-SVM车型分类器。

考虑线性不可分情况，建立非线性软间隔分类器，即聚类支持向量机(C-SVM)。具体来说就是利用惩罚参数C控制错分样本，建立软间隔的分类超平面。

建立聚类支持向量机的训练样本集，样本的数量为n；车型分类器输入的参数是一个d维特征向量组合；根据上文的二叉树分类模式，每一步为二类划分，即。在建立多维度分类决策函数时，按照C-SVM的算法思想引入松弛变量和惩罚因子来解决非线性分类问题来建立最优分类决策面，并且允许一定的分类错误（软间隔）；为了将复杂的最优化问题的求解简化为对原有样本数据的内积运算，引入了径向基（RBF）核函数，，式中为支持向量的值，为需分类的样本值，为核函数宽度。每个支持向量构成一个RBF的中心，其位置、个数以及连接权值都是通过训练过程来确定。

鉴于C-SVM的分类性能很大程度上由其中的惩罚系数C和核函数参数决定，采用启发式算法微粒群优化算法（PSO）在两个参数的参数空间中搜寻最优或者近似最优的值，不仅提高了搜寻的速度，还有效地提高了分类模型的分类精度和适用广度。

经过上述过程及样本学习训练，建立识别相应两类车型的二类C-SVM分类器。

最终，对于二叉树上每个分类节点按照上面第三步和第四步的过程建立C-SVM分类器，进而获得完整的车型分类识别决策树，如图4所示。

第五步，根据得到的完整车型分类识别决策树，进行未知的车型识别。

首先对未知车型的波形进行有效性判别。若为有效波形，则从决策树自上而下遍历，到达每个分类节点时，首先将未知车型的波形进行特征提取和规范化，分离出此分类节点上二类车型的最优特征组合，将特征组合输入进分类器C-SVM中，进行二类判断，判断结束后进入下一个节点，如果达到叶子节点则获得识别最终结果，结束识别过程。

实施例2：

（1）确定分类车型并采集数据及处理

在内环高架线下路段（近武夷路）路南向北方向的外车道用单点式地磁检测器采集了城市道路中各个车型地磁波形样本，确定了对中小型车、大客车和大货车三种车型的分类，对样本的有效性进行筛选，选出了正常和不受干扰车型波形样本共430个，其中中小型车360辆，公交车69辆，大货车1辆，但对大货车进行独立样本库的建立，即额外采集了30个大货车样本。

（2）特征提取和选择

以中小型车和大型车的分类器建立为例进行说明。

依靠Matlab软件，依次对两类车型的波形样本进行规范化处理、数据整理、最优特征组合选择，选出了最优的特征组合，包括总值、峰谷数、最大值、负波谷数、波持续时间五个特征。

（3）分类器建立

通过对采集的中小型车和大型车样本的学习，得到了C-SVM分类决策函数。采用种群数量为20的PSO搜寻C-SVM最优参数，获得最优惩罚系数4.215和核函数宽度10的C-SVM分类器，整个过程耗时142秒。

（4）车型判别

对于大型货车和大型客车的分类器建立也如上述过程，最终获得完整的车型分类识别决策树。通过单点式地磁检测器重新采集了车辆波形共125个，作为测试数据，得到的分类识别结果如表1所示。

表1

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于具体步骤如下：

(1)通过单点式地磁感应器设定采集频率，采集需要分类识别的车型地磁感应波形数据，所述采集的感应波形数据为去噪声的线性波形，并且对其作了车速归一化处理，得到的可用格式为线性波形上所有极值点横纵坐标，建立二叉树多车型分类模式；

(2)根据采集的感应波形数据，单点式地磁感应器输出的信息为离散点向量，通过数据融合方法将线性波形输出的若干个极值点横纵坐标转化为若干个单独特征，提取出包括波形的结构特征、频谱特征和数值特征三大类特征；

(3)根据提取的三大类特征，建立干扰波的筛选方法，筛选出有效的波形样本，设定当最大波动不大于20或者峰谷数不大于3时即可认为是干扰波，判断为无效波形，得到初步提取的结构特征、频谱特征和数值特征；初步提取后，采用K-W检验对单个特征的统计聚散度进行计算评价，并删除其中不满足假设检验的不显著特征，并按照平均数方差法规则对其规范化，建立有效的样本库；

(4)建立多层特征选择模式，融合Filter-Filter-Wrapper模式，对步骤(3)提取的初始特征进行特征评估和选择，挑选出最优特征组合；其中：Filter-Filter-Wrapper模式的第一层Filter为基于ReliefF算法的权值过滤，第二层Filter为基于特征间相关系数的去冗余式过滤，第三层Wrapper为利用分类器的交叉验证准确率对Top-K的特征组合进行最优特征组合搜寻，即在提取的初始特征中挑选出最有利于车型识别的特征组合；具体包括以下步骤：

(4.1) 按照分类的要求，整理不同类型车型的特征数据，利用ReliefF算法处理特征数据，得到每个特征的权重，建立原始特征集合的权重向量；

(4.2) 按照权值的大小从大到小排列，生成正序权重向量，根据权重的大小范围情况设定权值阈值，将权值大于或等于设定阈值的特征取出，组成新的权重向量，按对应的权重获得新的序列特征向量；

(4.3) 根据泊松相关系数的算式求出两两特征相关度，参考特征向量的维数和特征相关度设定适当阈值，获得相关度大于或等于阈值的特征对；

(4.4) 删去步骤(4.3)中特征对中特征权值较小的特征，获得去冗余的特征组合；

若Filter-Filter获得特征有n个，则需要评估的特征组合对象为从n个特征中，权值排名前三即Top-3的特征组合开始，依照Top-k机制建立的n-2个特征组合；

采用10折交叉验证，也就是将全部样本分为10组，进行10次以9组为学习样本1组为检验样本的交叉验证，获得10次分类准确率的平均值作为交叉验证准确率；

(5)考虑线性不可分情况，建立非线性软间隔分类器，即建立基于聚类支持向量机的车型识别算法，并采用微粒群算法对分类函数中的核函数参数                                                和惩罚系数C进行优化，建立微粒群优化的聚类支持向量机二类车型分类器；

其中：聚类支持向量机的建立，具体为：初步提取的结构特征、频谱特征和数值特征用特征向量形式表示，即，其中代表一个特征；建立聚类支持向量机的训练样本集，表示第个车辆样本，训练样本的输入数据由第个车辆波形特征向量和第个车辆实际车型类别构成；以d维特征向量组合表示，其中R代表参数为一个多维向量，以一个整形数据表示，样本的数量为n；二类车型分类器输入的参数是一个d维特征向量组合；根据二叉树分类模式，每一步为二类划分，即；在建立多维度分类决策函数时，按照C-SVM的算法思想引入松弛变量和惩罚因子来解决非线性分类问题来建立最优分类决策面，并且允许一定的分类错误软间隔；为了将复杂的最优化问题的求解简化为对原有样本数据的内积运算，引入了径向基RBF核函数，，式中为支持向量的值，为需分类的样本值，为核函数参数；每个支持向量构成一个径向基RBF核函数的中心，其位置、个数以及连接权值都是通过训练过程来确定；

(6)二叉树上的每个树节点都需利用微粒群优化的聚类支持向量机二类车型分类器对支持向量机进行训练，获得二叉树中所有二类车型分类器；

(7)根据分类模式，通过二叉树上所有二类车型分类器建立完整的分类决策树，对未知车型的波形从决策树自上而下遍历，到达每个分类节点进行判断，直到到达叶子节点，最终识别出车型。

2.根据权利要求1所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(1)中单点式地磁感应器采集的波形是时域信号，通过快速傅里叶变换算法得到相应波的频谱分布，找出含噪声的时域信号的频率组成和能量。

3.根据权利要求1所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(1)建立的二叉树多车型分类模式，二叉树上节点为车型组合，或为单独的车型。

4.根据权利要求1所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(2)中所述结构特征、频谱特征和数值特征三大类特征，包括

结构特征：波峰数、波谷数、峰谷数、负波谷数、最小值相对位置、最大值相对位置、次小值与最小值之比；

频谱特征：傅里叶变换后的最大能量、最大能量对应的频率；

数值特征：最大值、最小值、总值、平均值、最大值与最小值之比的绝对值、波动最大幅值与平均值之比、方差、波持续时间。

5.根据权利要求1所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(3)中所述平均数方差法，即对于结构特征、频谱特征和数值特征，先求出所有样本该特征的均值和方差，将原始特征样本数值减去均值后再除以方差，得到规范化后的特征样本数值；增加分类变量，得到初始特征向量，其中n为经过K-W检验后的特征数目。

6.根据权利要求1所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(7)中，首先对未知车型的波形进行有效性判别；若为有效波形，则从决策树自上而下遍历，到达每个分类节点时，首先将未知车型的波形进行特征提取和规范化，分离出此分类节点上二类车型的最优特征组合，将特征组合输入进分类器C-SVM中，进行二类判断，判断结束后进入下一个节点，如果达到叶子节点则获得识别最终结果，结束识别过程。