呂林濤+李志勛+呂暉+袁琴琴+高環(huán)

摘 要： 針對(duì)現(xiàn)有智能交通管理中車輛類型識(shí)別方法存在分類器效率較低等諸多問題，通過構(gòu)造一種新的分類器，建立了一種智能交通車輛類型識(shí)別新方法。首先采用邊緣梯度直方圖進(jìn)行圖像特征提取，然后通過融合糾錯(cuò)編碼技術(shù)和K?近鄰分類器構(gòu)造新分類器實(shí)現(xiàn)車輛類型的分類。通過大量實(shí)驗(yàn)仿真分析比對(duì)表明，該方法不僅能將多類分類問題轉(zhuǎn)化成多個(gè)兩分類問題，而且使車輛類型識(shí)別效率提高了2%，魯棒性好。因此，該方法在“互聯(lián)網(wǎng)+”智能交通管理中具有廣闊的應(yīng)用前景和推廣價(jià)值。

關(guān)鍵詞： 邊緣方向直方圖； 糾錯(cuò)編碼； K?近鄰分類器； 智能交通； 車輛類型識(shí)別

中圖分類號(hào)： TN911?34； TP391.4 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）13?0184?03

Abstract： Since the available vehicle type identification methods of the intelligent traffic management have various problems， such as low classifier efficiency， a new classifier was constructed to establish a vehicle type identification method for intelligent traffic. The edge gradient histogram is used to extract the image characteristics. The error correction coding technology and K?nearest neighbor classifier are fused to construct the new classifier to classify the vehicle types. The analysis and comparison results of a large number of experimental simulation show that the method can transform the multi?class classification problem into the multiple binary classification problem， make the vehicle type identification efficiency increased by 2%， and has the characteristic of good robustness. The method used in ″Internet+″ intelligent traffic management has broad application prospect and high promotion value.

Keywords： edge orientation histogram； error correction coding； K?nearest neighbor classifier； intelligent traffic； vehicle type identification

0 引 言

當(dāng)前，“互聯(lián)網(wǎng)+”智能交通車輛管理中車輛類型識(shí)別方法是人們研究與關(guān)注的熱點(diǎn)。車型識(shí)別問題在交通監(jiān)控和調(diào)度、路橋收費(fèi)管理等領(lǐng)域一直有著重要的應(yīng)用，是計(jì)算機(jī)視覺、圖像處理技術(shù)與模式識(shí)別的融合，是智能交通領(lǐng)域中一項(xiàng)非常重要的技術(shù)。

目前廣泛采用的車輛識(shí)別算法大多數(shù)仍是通過各種裝置獲得車輛重量參數(shù)或側(cè)面幾何形狀的特征參數(shù)（如車長、車寬、長寬比、輪軸數(shù)等），然后采用模板匹配或神經(jīng)網(wǎng)絡(luò)[1?2]等方法對(duì)其參數(shù)特征進(jìn)行車型分類，但算法的車輛類型識(shí)別率不高，不能適應(yīng)“互聯(lián)網(wǎng)+”智能交通管理的要求。因此，研究一種交通車輛類型識(shí)別率高、魯棒性好的算法具有重要的現(xiàn)實(shí)意義和廣闊的應(yīng)用前景。

1 基于ECC?KNN分類器的智能交通車輛類型

識(shí)別方法

本文提出的ECC?KNN分類器的車輛識(shí)別方法主要包括車輛邊緣直方圖特征提取算法和ECC?KNN算法。

1.1 基于邊緣直方圖的車輛特征提取算法

邊緣直方圖[3?4]（Edge Orientation HistoGRAMS，EOH）是基于圖像邊緣的統(tǒng)計(jì)特征，它具有能夠準(zhǔn)確地反映圖像的邊緣和紋理信息并且提取特征速度較快等特點(diǎn)，因此本文采用EOH進(jìn)行車輛圖像特征提取。其實(shí)現(xiàn)思想是：首先構(gòu)造的灰度圖像I，sobel算子和其次通過和算子分別對(duì)圖像I進(jìn)行邊緣特征提取?；诖怂枷耄O(shè)采集圖像I中的樣本像素為（其中表示像素所在行數(shù)和列數(shù)，），并假設(shè)得到和方向的梯度分別是和，則樣本像素點(diǎn)的梯度幅值和梯度方向特征提取算法描述如下：

1.2 基于ECC?KNN的車輛特征分類算法

本文通過融合糾錯(cuò)編碼技術(shù)和K?近鄰分類器構(gòu)造新車輛類型的分類器，并實(shí)現(xiàn)車輛類型的高效分類。

1.2.1 基于糾錯(cuò)編碼的分類算法

糾錯(cuò)碼[5] （Error Correcting Code，ECC）是在傳輸過程中發(fā)生錯(cuò)誤后能在收端自行發(fā)現(xiàn)或糾正的碼。文獻(xiàn)[6]最先將ECC應(yīng)用到解決多分類問題，其思想是把一種多類分類問題轉(zhuǎn)換成多個(gè)兩分類問題。有效的ECC編碼必須滿足兩個(gè)條件：編碼矩陣的行之間不相關(guān)；編碼矩陣的列之間不相關(guān)且不互補(bǔ)。因此對(duì)于類分類問題，編碼長度必須滿足。ECC編碼分類算法描述如下：

Step1：對(duì)待分類樣本的類別（Label）進(jìn)行編碼，把所有的目標(biāo)分類隨機(jī)劃分為A，B兩部分，把劃分到A的那些實(shí)例的標(biāo)號(hào)改成0，其他實(shí)例的標(biāo)號(hào)改成1；

Step2：用更改標(biāo)號(hào)以后的訓(xùn)練集來訓(xùn)練該二值分類器。重復(fù)這個(gè)過程10次，則產(chǎn)生了10個(gè)不同的二值分類器；

Step3：分類結(jié)果如果是1，則對(duì)劃分到對(duì)應(yīng)分類器的B部分的目標(biāo)分類投一票，最后目標(biāo)分類票數(shù)最高的作為最終的分類結(jié)果。對(duì)樣本類別進(jìn)行編碼，編碼矩陣如表1所示。

1.1.2 融合ECC?KNN技術(shù)構(gòu)造車輛類型分類的算法

K?近鄰分類器[7?9]（K?Nearest neighborhood classifier，KNN）是一種基于統(tǒng)計(jì)的分類方法。其基本思想是：根據(jù)相似度判據(jù)考察待識(shí)別對(duì)象的個(gè)最相似樣本，這個(gè)最相似元中哪一類的樣本最多，就將歸于哪一類。因此，ECC?KNN分類算法描述如下：

Step1：對(duì)已知的類標(biāo)按照表1的編碼矩陣進(jìn)行編碼，把多類問題轉(zhuǎn)化成若干個(gè)兩類分類問題；

Step2：對(duì)已經(jīng)提取的EOH特征訓(xùn)練KNN分類器，得到10個(gè)KNN分類器（KNN1，KNN2，…，KNN10）；

Step3：對(duì)待識(shí)別的目標(biāo)提取EOH特征，依次輸入到10個(gè)KNN分類器中得到一組編碼，對(duì)該編碼進(jìn)行反編碼。如果KNN1輸出的結(jié)果為1，如表1所示，則對(duì)對(duì)應(yīng)的類標(biāo)（類4、類5）加1票，否則對(duì)其余三類加1票；如果KNN2輸出的結(jié)果為1，如表1所示，則對(duì)對(duì)應(yīng)的類標(biāo)（類1、類5）加1票，否則對(duì)其余三類加1票；依次類推，最終五個(gè)類標(biāo)中票數(shù)最高的類就是該樣本的分類結(jié)果。

2 實(shí)驗(yàn)仿真分析比對(duì)

（1） 基于邊緣直方圖的交通車輛特征提取算法應(yīng)用

本文選取的樣本車輛如圖1（a）所示，基于邊緣直方圖的車輛特征提取算法應(yīng)用效果如圖1（b）所示。

（2） 融合ECC?KNN技術(shù)構(gòu)造交通車輛類型分類算法應(yīng)用

在圖1中，其車輛樣本特征值為11010101001，通過融合ECC?KNN技術(shù)構(gòu)造車輛類型分類的算法應(yīng)用結(jié)果如圖2所示。

（3） 本文方法與其他方法的仿真比對(duì)

本文選取獨(dú)立訓(xùn)練樣本和待識(shí)別樣本集，其中訓(xùn)練樣本集包括 73輛小汽車，73輛面包車，89輛卡車，89輛公交車，48輛越野車共計(jì)372個(gè)樣本。ECC?KNN算法與傳統(tǒng)KNN算法的識(shí)別率比對(duì)如表2和圖3所示。

3 結(jié) 語

本文通過邊緣直方圖提取車輛的邊緣特征，然后融合ECC和KNN構(gòu)造的分類器實(shí)現(xiàn)交通車輛的車型識(shí)別，并取得了良好的分類效果。將372個(gè)樣本進(jìn)行實(shí)驗(yàn)仿真，并將本文方法與傳統(tǒng)的識(shí)別方法對(duì)比，本文方法可提高識(shí)別效率2%。因此，本文方法不僅分類準(zhǔn)確而且還有很好的魯棒性，很好地解決了智能交通車輛的車型識(shí)別問題，在“互聯(lián)網(wǎng)+”智能交通管理中具有廣闊的應(yīng)用前景和推廣價(jià)值。

參考文獻(xiàn)

[1] 張津劍，顧曉東.自適應(yīng)注意力選擇與脈沖耦合神經(jīng)網(wǎng)絡(luò)相融合的沙漠車輛識(shí)別[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（1）：56?64.

[2] 王啟軍，胡瑞敏，王中元.基于邊界紋理一致性的幀內(nèi)模板匹配預(yù)測(cè)算法[J].計(jì)算機(jī)工程，2012，38（6）：227?229.

[3] ZHAO Chihang， ZHANG Xiaozheng， ZHANG Yunsheng， et al. Recognizing driving postures by combined features of contourlet transform and edge orientation histogram ，and random subspace classifier ensembles [J]. Journal of intelligent and fuzzy systems， 2014， 27（4）： 2011?2021.

[4] 劉海媚，王玲，李蘭花.基于方向邊緣幅值的尺度塊LBP人臉識(shí)別[J].計(jì)算機(jī)工程與應(yīng)用，2015，51（17）：177?181.

[5] KOJO T， TAWADA M， YANAGISAWA M， et al. A write?reducing and error?correcting code generation method for non?volatile memories [C]// Proceedings of 2014 IEEE Asia?Pacific Conference on Circuits and Systems. Ishigaki： IEEE， 2014： 304?307.

[6] DIETTERICH T G. Machine learning research： four current directions [J]. AI magazine， 1997， 18（4）： 97?136.

[7] BATHELT R， SOLLER T， BENKERT K， et al. Accelerated processing route for KNN based piezoceramics [J]. Advances in applied ceramics， 2013， 112（7）： 430?435.

[8] 劉紅健，胡蓉.K近鄰和最小二乘支持向量機(jī)相融合的人臉識(shí)別[J].激光雜志，2014，35（11）：23?25.

[9] 孫偉偉，劉春，李巍岳.聯(lián)合改進(jìn)拉普拉斯特征映射和K?近鄰分類器的高光譜影像分類[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2015，40（9）：1151?1156.