CN102880881A - 一种基于二类支持向量机和遗传算法的轿车车型识别方法 - Google Patents
一种基于二类支持向量机和遗传算法的轿车车型识别方法 Download PDFInfo
- Publication number
- CN102880881A CN102880881A CN2012103586913A CN201210358691A CN102880881A CN 102880881 A CN102880881 A CN 102880881A CN 2012103586913 A CN2012103586913 A CN 2012103586913A CN 201210358691 A CN201210358691 A CN 201210358691A CN 102880881 A CN102880881 A CN 102880881A
- Authority
- CN
- China
- Prior art keywords
- support vector
- vector machines
- class support
- binary
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Abstract
本发明公开一种基于二类支持向量机和遗传算法的轿车车型识别方法,对待识别的轿车的长、宽、高、轴距的特征值进行归一化处理,组成特征向量;对每个轿车车型分配一个二进制编号,根据所得的二进制编码构造二类支持向量机网络,对得到的二类支持向量机网络中的每个二类支持向量机训练,使用遗传算法对二类支持向量机的惩罚参数c和核函数参数γ进行寻优,获得最优参数c和γ;将特征向量输入训练完成的二类支持向量机网络,采用最优参数c和γ对训练完成的二类支持向量机网络进行预测,完成轿车车型识别;减少了二类支持向量机网络中的向量机数目,使得所需支持向量机数目远小于同类方法,提高了识别速度,提高了算法效率。
Description
技术领域
本发明属于模式分类技术领域,特别涉及一种基于二类支持向量机和遗传算法的轿车车型识别方法。
背景技术
交通信息采集是构建智能交通系统动态交通信息平台的基础,而车型是交通信息的重要组成部分。路桥、停车场收费系统、路桥管理和监控系统等都需要进行车型识别。在智能交通管理系统中,车型识别系统能够自动、实时地检测经过车辆并识别汽车的车型、车牌、车标的交通管理系统,可以被广泛应用于道路通行车辆信息记录、高速公路自动收费、电子警察监控、停车场安全管理、肇事、嫌疑、被盗车辆的追踪、定位等。
目前,车辆信息的获取渠道主要来自交通监控的视频,所以车辆检测的主要功能是从视频中把车辆信息提取出来;而车型识别则是分析已经提取的车辆外形等特征,从而对车辆进行分类识别。现阶段基于视频的车辆检测方法主要通过从图像和视频中得到车辆位置、车辆轮廓、车辆长宽等特征,再使用模式识别或数据挖掘等技术进一步进行分类、行为语义等分析。相关的理论和算法主要有:(1)基于动态时间弯曲算法的车型分类方法;(2)采用特征分离的模糊模式识别进行线圈车型识别;(3)基于BP神经网络的线圈车型识别方法。这些方法主要针对大车型的识别,如对货车、大型客车等大车型的识别取得了较好的效果,而对于同一车型中的各种类型车辆,比如别克旗下的君威、君越、凯越等不同轿车车型的识别准确率较低。
支持向量机(SVM)是在Vapnik等人所建立的以解决有限样本机器学习问题为目标的统计学习理论的基础上发展起来的一种新的学习机器,它是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以获得最好的推广能力。由于其在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,因此广泛应用于模式识别和数据挖掘等领域。支持向量机主要用于根据输入的特征向量对目标样本进行分类,比如设数据样本 x 为n个d维特征向量,分类结果y i∈{-1,1}表示分类后样本被划分为-1或1两类,即:
支持向量机即函数,通过训练集样本 x ,支持向量机训练得到特征函数f(x),而对应目标样本 x ',通过判别函数即可计算出样本所属的类别(-1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,但是核函数技巧的提出改变这个状况。所谓核函数技巧就是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中,在这个高维空间类样本能够线性可分;而通过由多个二类支持向量机构造的二类支持向量机网络,可以解决多类划分问题。但是目前已存在的轿车车型识别方法主要有两个缺点:1)支持向量机网络构造复杂,网络中支持向量机数目较大,导致分类预测效率低。2)支持向量机参数的选取至今仍没有一个统一标准,大多数情况下依靠经验和试凑的方法来寻找,这样不仅费时而且很难得到满意的结果,难以推广实际应用。
发明内容
本发明中所述方法是为了克服上述现有技术的缺点,主要针对已经提取的轿车车辆特征对车型进行细分识别的问题,提出了一种基于二类支持向量机和遗传算法的轿车车型识别方法,根据选定的轿车车辆外形特征进行多类轿车车辆类型的识别,减少二类支持向量机网络中的向量机数目,提高算法效率。
本发明采用的技术方案是包含以下步骤:
(1)选择待识别的轿车的长、宽、高、轴距这四项特征值,并对其进行归一化处理后组成特征向量;
(2)对待识别的每个轿车车型分配一个二进制编号,对n种轿车车辆类型进行识别时,进行位的二进制编码;根据所得的二进制编码构造二类支持向量机网络,由二进制编码的位数决定网络中二类支持向量机的数目,由二进制编码每一位上的0或1的值决定对应的二类支持向量机要区分的车辆类型;
(3)对得到的二类支持向量机网络中的每个二类支持向量机进行训练,并使用遗传算法对二类支持向量机的惩罚参数c和核函数参数γ进行寻优,获得的最优参数c和γ;
(4)将所述特征向量输入训练完成的二类支持向量机网络,采用最优参数c和γ对训练完成的二类支持向量机网络进行预测,输出识别结果,完成轿车车型识别。
相对于现有技术,本发明所提出的方法具有以下几个优点:
1、本发明通过多个利用核函数方法的二类支持向量机构造的二类支持向量机网络,利用了轿车车型的二进制编码进行二类支持向量机的构造,减少了二类支持向量机网络中的向量机数目,使得所需支持向量机数目远小于同类方法,提高了识别速度,提高了算法效率。
2、本发明通过遗传算法选择二类支持向量机的参数,使用遗传算法对二类支持向量机的参数进行优化,避免了传统支持向量机选取参数的盲目性和低效性。
附图说明
图1 是提出的轿车车型识别方法流程图;
图2 是利用轿车车型二进制编码构造支持向量网络的示意图;
图3 是遗传算法参数寻优方法流程图。
具体实施方式
本发明的具体流程图如图1所示;分为以下四个步骤:
步骤1:特征信息预处理。
本步骤选定用于轿车车型识别的特征值,并对其进行归一化处理。
综合考虑车型的外形特点和获取难度,基于车型识别的经验和车型的主要区分点,主要选择轿车的长、宽、高、轴距这四项特征作为特征值。
对选定的特征值进行归一化处理,将其线性转化到[0,1]区间,转化公式如下:
其中x为归一化前的特征值,max(x)和min(x)分别表示对x取最大值和最小值,x'为归一化后的特征值。
步骤2,构造二类支持向量机网络。
首先对要进行识别的轿车车型进行二进制编码,对轿车车辆类型进行二进制编码是指为每个轿车类型分配一个二进制编号。如果需要对n种轿车车辆类型进行识别,就要进行位的二进制编码。比如要对四种轿车类型进行识别,就只需进行两位的二进制编码,分别为00,01,10,11。如表1所示,假设要对8种轿车类型进行识别,则需要进行3位二进制编码。
表1
然后,根据所得的二进制编码构造二类支持向量机网络,根据二进制编码的位数,决定网络中二类支持向量机的数目,由二进制编码每一位上的0或1的值决定对应的二类支持向量机要区分的车辆类型。如图2所示,每个二进制位上的值对应地决定一个二类支持向量机的类别划分。如二进制编码的第一位上的0/1决定了第一层的二类支持向量机的类别划分,其中第一层二类支持向量机中的‘0’类包含了车型的1、2、3和4类,‘1’类包含了车型的5、6、7和8类;二进制编码的第二位上的0/1决定了第二层的二类支持向量机的类别划分,结合第一层的类别划分,‘00’类包含了车型的1和2类;‘01’类包含了车型的3和4类;‘10’类包含了车型的5和6类,‘11’类包含了车型的7和8类。依照这样的方式,确定了所有的二类支持向量机的类别划分。二进制编码的第三位上的0/1决定了第三层的二类支持向量机的类别划分,结合前两层的类别划分,‘000’类包含了车型的1类;‘001’类包含了车型的2类;‘010’类包含了车型的3类;‘011’类包含了车型的4类;‘100’类包含了车型的5类;‘101’类包含了车型的6类;‘110’类包含了车型的7类;‘111’类包含了车型的8类。
步骤3,利用归一化好的轿车车辆特征向量对步骤2得到的二类支持向量机网络中的每个二类支持向量机进行训练,并使用遗传算法对二类支持向量机参数进行寻优。
利用归一化好的轿车车辆特征向量,利用LibSVM工具包中的svm-train子程序即可获得一个SVM分类模型。其中每个二类支持向量机均采用径向基函数,其公式如下:,为样本特征向量。因此在训练时需要确定的参数为二类支持向量机惩罚参数c和核函数参数γ。
使用遗传算法对每个二类支持向量机的核函数参数γ和惩罚参数c进行优化,具体步骤如下,如图3所示:
(1)设置种群规模和迭代次数,对待优化的惩罚参数c和核函数参数γ进行编码。本发明综合考虑效率和准确率,取种群规模为18。在本发明在参数寻优时首先对待估参数进行编码形成染色体,即把参数优化问题转化成基因编码的形式。根据惩罚因子c和径向基函数γ可能的取值范围,选取,。c和γ分别用12位和15为的二进制串表示,所以c和γ的参数组合可以用27位二进制串编码表示。
(2)设置遗传算法适应度函数,交叉变异概率和进化代数,生成c,γ初始种群。
种群规模是指种群中个体的数量,对算法来说非常关键。本发明综合考虑效率和准确率,取种群规模为18。根据具体情况,设计适应度函数为:。其中,accuracy为支持向量机训练样本集上的交叉验证准确率。本发明设定交叉概率取值范围为[0.3,0.4],设定变异概率为0.03。
(3)输入训练样本数据和参数c,γ,计算每个染色体的适应度值,并计算每个染色体的选择概率。适应度值可用LibSVM 工具包中的svm-predict子程序获得。根据得到的适应度值计算每个染色体的选择概率。
(4)根据适应度函数和交叉、变异概率值对参数c,γ的种群进行选择、复制、交叉和变异操作,获取参数c,γ的新种群。
(5)判断进化代数是否满足,如未满足,继续从(3)重复运行,否则转入下一步。
(6)输出获得的最优参数c和γ。
步骤4,利用步骤3中训练完成的二类支持向量机网络,输入待分类的样本集,输入待测归一化好的轿车车辆特征向量,输出识别结果,完成轿车车型识别。
对于待测归一化好的轿车车辆特征向量,将其输入第3步得到的二类支持向量机网络,利用步骤3得到的最优参数c和γ进行预测。二类支持向量机网络只需对其进行最多次(假设有n种轿车车型)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,可以得到实际的轿车车型分类号。
另外在对轿车车型进行编码时,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。
以上所述的实例只是用于说明本发明,而不构成对本发明的限制。本领域的技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种修改和变更,这些修改和变更仍然在本发明的保护范围内。
Claims (3)
1.一种基于二类支持向量机和遗传算法的轿车车型识别方法,其特征是包括如下步骤:
(1)选择待识别的轿车的长、宽、高、轴距这四项特征值,并对其进行归一化处理后组成特征向量;
(2) 对待识别的每个轿车车型分配一个二进制编号,对n种轿车车辆类型进行识别时,进行 位的二进制编码;根据所得的二进制编码构造二类支持向量机网络,由二进制编码的位数决定网络中二类支持向量机的数目,由二进制编码每一位上的0或1的值决定对应的二类支持向量机要区分的车辆类型;
(3)对得到的二类支持向量机网络中的每个二类支持向量机进行训练,使用遗传算法对二类支持向量机的惩罚参数c和核函数参数γ进行寻优,获得最优参数c和γ;
(4)将所述特征向量输入训练完成的二类支持向量机网络,采用最优参数c和γ对训练完成的二类支持向量机网络进行预测,输出识别结果,完成轿车车型识别。
2.根据权利要求1所述的一种基于二类支持向量机和遗传算法的轿车车型识别方法,其特征是:步骤(2)中的每个二进制位上的值对应地决定一个二类支持向量机的类别划分。
3.根据权利要求1所述的一种基于二类支持向量机和遗传算法的轿车车型识别方法,其特征是:步骤(3)中,使用遗传算法对二类支持向量机的惩罚参数c和核函数参数γ进行寻优的方法是:
1)设置种群规模和迭代次数,对待优化的惩罚参数c和核函数参数γ进行编码;
2)设置遗传算法适应度函数,交叉变异概率和进化代数,生成c,γ初始种群;
3)输入训练样本数据和参数c,γ,计算每个染色体的适应度值,并计算每个染色体的选择概率;
4)根据适应度函数和交叉、变异概率值对参数c,γ的种群进行选择、复制、交叉和变异操作,获取参数c,γ的新种群;
5)判断进化代数是否满足,如未满足,继续从第3)步重复运行,否则输出获得的最优参数c和γ。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103586913A CN102880881A (zh) | 2012-09-25 | 2012-09-25 | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012103586913A CN102880881A (zh) | 2012-09-25 | 2012-09-25 | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102880881A true CN102880881A (zh) | 2013-01-16 |
Family
ID=47482198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012103586913A Pending CN102880881A (zh) | 2012-09-25 | 2012-09-25 | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102880881A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN106446834A (zh) * | 2016-09-27 | 2017-02-22 | 东软集团股份有限公司 | 一种基于图像的车型识别方法及装置 |
CN108805207A (zh) * | 2018-06-13 | 2018-11-13 | 江苏电力信息技术有限公司 | 一种大型施工车辆扬臂检测算法 |
CN108875909A (zh) * | 2018-01-22 | 2018-11-23 | 深圳市铱硙医疗科技有限公司 | 医学影像的分类方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
US20110001615A1 (en) * | 2009-07-06 | 2011-01-06 | Valeo Vision | Obstacle detection procedure for motor vehicle |
CN101964061A (zh) * | 2010-09-02 | 2011-02-02 | 北京航空航天大学 | 一种基于二类核函数支持向量机的车型识别方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102324037A (zh) * | 2011-09-06 | 2012-01-18 | 天津工业大学 | 一种基于支持向量机和遗传算法的镜头边界检测方法 |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
-
2012
- 2012-09-25 CN CN2012103586913A patent/CN102880881A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464964A (zh) * | 2007-12-18 | 2009-06-24 | 同济大学 | 一种设备故障诊断的支持向量机模式识别方法 |
US20110001615A1 (en) * | 2009-07-06 | 2011-01-06 | Valeo Vision | Obstacle detection procedure for motor vehicle |
CN101964061A (zh) * | 2010-09-02 | 2011-02-02 | 北京航空航天大学 | 一种基于二类核函数支持向量机的车型识别方法 |
CN102005135A (zh) * | 2010-12-09 | 2011-04-06 | 上海海事大学 | 基于遗传算法优化的支持向量回归船舶交通流量预测方法 |
CN102360528A (zh) * | 2011-07-01 | 2012-02-22 | 上海慧昌智能交通系统有限公司 | 基于多普勒交通雷达进行车型识别的方法 |
CN102324037A (zh) * | 2011-09-06 | 2012-01-18 | 天津工业大学 | 一种基于支持向量机和遗传算法的镜头边界检测方法 |
CN102646199A (zh) * | 2012-02-29 | 2012-08-22 | 湖北莲花山计算机视觉和信息科学研究院 | 复杂场景中的车型识别方法 |
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104537382A (zh) * | 2015-01-12 | 2015-04-22 | 杭州电子科技大学 | 基于遗传算法优化支持向量机的肌电信号步态识别方法 |
CN106446834A (zh) * | 2016-09-27 | 2017-02-22 | 东软集团股份有限公司 | 一种基于图像的车型识别方法及装置 |
CN108875909A (zh) * | 2018-01-22 | 2018-11-23 | 深圳市铱硙医疗科技有限公司 | 医学影像的分类方法及装置 |
CN108805207A (zh) * | 2018-06-13 | 2018-11-13 | 江苏电力信息技术有限公司 | 一种大型施工车辆扬臂检测算法 |
CN108805207B (zh) * | 2018-06-13 | 2020-08-04 | 江苏电力信息技术有限公司 | 一种大型施工车辆扬臂检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shao et al. | Traffic flow prediction with long short-term memory networks (LSTMs) | |
Huttunen et al. | Car type recognition with deep neural networks | |
Ma et al. | Driving style recognition and comparisons among driving tasks based on driver behavior in the online car-hailing industry | |
CN101729872B (zh) | 一种基于视频监控图像自动判别道路交通状态的方法 | |
CN101329734B (zh) | 基于k-l变换和ls-svm的车牌字符识别方法 | |
CN102999756B (zh) | 基于gpu实现pso-svm对道路标志的识别方法 | |
Yao et al. | A support vector machine with the tabu search algorithm for freeway incident detection | |
Shang et al. | A hybrid method for traffic incident duration prediction using BOA-optimized random forest combined with neighborhood components analysis | |
CN101944174B (zh) | 车牌字符的识别方法 | |
CN104951764B (zh) | 基于二次谱聚类和hmm-rf混合模型的高速车辆行为识别方法 | |
CN114330868A (zh) | 基于自注意力的个性化增强图卷积网络的客流预测方法 | |
CN103366602A (zh) | 从数字摄像头图像确定停车场占用情况的方法 | |
CN103617429A (zh) | 一种主动学习分类方法和系统 | |
CN108665703B (zh) | 基于宏观基本图的路网状态转换点判别方法 | |
CN112732905B (zh) | 一种基于知识图谱的交通事故分析与防控方法及系统 | |
CN101964061B (zh) | 一种基于二类核函数支持向量机的车型识别方法 | |
CN109558969A (zh) | 一种基于AdaBoost-SO的VANETs车辆事故风险预测模型 | |
CN107729938A (zh) | 一种基于公交接驳辐射区特征的轨道站点分类方法 | |
CN105335757A (zh) | 一种基于局部特征聚合描述符的车型识别方法 | |
CN104598774A (zh) | 基于logistic与相关信息熵的特征基因选择方法 | |
CN104794496A (zh) | 一种改进mRMR算法的遥感特征优选算法 | |
CN103426004B (zh) | 基于纠错输出编码的车型识别方法 | |
CN104298832A (zh) | 一种基于rfid技术的路网交通流分析方法 | |
CN102880881A (zh) | 一种基于二类支持向量机和遗传算法的轿车车型识别方法 | |
CN112990545A (zh) | 一种高速公路交织区交通安全状态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C05 | Deemed withdrawal (patent law before 1993) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130116 |