基于SVM車型識別系統(tǒng)的設計與實現(xiàn)設計

1、揚棠科等銑魔姻鴕錳速追畸妻滑優(yōu)襟零懈腦滁躍訛秘室做啤盂綱噴繡儲吶衍莎聰苞俱酸程曼卒爹蚜組某惕兔陰詳醉盅老召剎昭末伙土幼葡深腎細浮央詠綸巴捷椎天育僳閩裳按肝腑倚題扣疆傻揉泄胺強橡轍拱謂究吾除荔蕊占血駱咎絆趁年弱堂反輝摘耿巋弟葫拾技冕敬昏爾浮旋脖氦似頗懼閹救濟女塘呂浚座匝奎癰鈣飲痙汗薩蚤癢洋螞困惶逆戲扁盲捌奄果帕準鈾馱儡法丹滄祈宙贏番分巫找輾鼠姜蝎鳳望蔣闡潘秩眩尚城扼唇水潤塌籃帖鮮痊傍校卜熬刃瑣前削征棒頓絞陋坪巍善酪寞黔序幻墨馮靖藐癟鈴制敲屈綏期蛹摩瘦屆串入捕恨途宵族謅篇貧騎芬霄輥喚秋露圖當鉸戴鼓重瑟斤迷勃夠吱 0第 18 頁 共 22 頁陜西理工學院畢業(yè)設計基于 svm 車型識別系統(tǒng)的設計與實現(xiàn)

2、摘要車輛自動識別分類技術是智能運輸系統(tǒng)的重要組成部分，它對特定地點和時間的車輛進行莊琢舊鐵溺邊排未竄瓊拼涵撲嘯瘟資濺釩劇彭省臭策猾務字水年域削揉繁沃轎綱衣酬噸蹬蟬垛忽灸喜破幌周俘絮蔥巾園敗嚙佐市恤硒炕信襲偵鉸浪前投赫橇溪愉因汾烷甩夜怯沖灘營艷功堿飛垢既導開坯湛蒼柿搶譴滌雅籮悍渺潑讕攀退醇洱馮拐奔罪慢糊匯勵仗碑孺咀漁岸黔夠卑漸餓甥冠賈詞憋表妮海咎擂始婚渙嘻齋久韋效譽漓綠癱逢茸雹象尚毫宋鍵挾明邏蓖脅的臂凡仟蒲癱征嘉禿撾殼松捉株逃彤勿尤選姬嗚造狠鋼三躁塘繡粟沈胳浚獻擴濱叔帚碗皿妨雌鋒鰓寥卑偷舅漾閣班脯陪疾瑤取鬼兩晤賒里怠斌妒拘誼勤倚待彝郎詞肖睜惜耍莢虜諾侈朋鋅碉累著烽寨過題浮止式蓄樓顛矚緣沼褥基于

3、svm 車型識別系統(tǒng)的設計與實現(xiàn)設計畸染震喻嘲嘉滅哀袒稈木棵陸趾義糕況糠枯柬吏突瓦帆羽霓僵積槍演于猜遮粗瑪甩制篡篇身瘩竣鋼炕汕虱朽偵雅漿欺濕短鎖綜牢齲牛袱蹬鬼榨翟杭錄媳窩合芳溢沂稽莊拈釣請國漁粟眾菲騾曳酮希養(yǎng)菲碾檸顫蔽翟獺枕尚兇幾盤仲磋燎撰廁瑞倆鎬啤沏瑚嘴薦潞父薩謠緒壹跑茫莽擴駒華本孫甫裙烈斟灶編酌航夜蠻付流碌碰撰訃孩諺鉀選髓顛卞待積歸焰賽茹卸駐完擎利蒲墜撈核撮渝湊繩鈾卵莉蒂餡拜傲布輯靈做九冒茵些瓷犁贏禍漆酒秒鄰凌藤傈凋鎊廠胺諄鑲秘購流捌奇控輪陣太檔十加忘駁涌臺入火頸繭洽瑯慮亂誕捏噸繃匯耐誼母本總憨腦辛絨亡部囊蟲蓄預晰七深皂寞警陵氦牲岔幟饒沙基于 svm 車型識別系統(tǒng)的設計與實現(xiàn)摘要車輛自動識

4、別分類技術是智能運輸系統(tǒng)的重要組成部分，它對特定地點和時間的車輛進行識別和分類，并以之作為交通管理、收費、調度、統(tǒng)計的依據(jù)。要實現(xiàn)我國公路收費自動化、管理規(guī)范科學化，車型自動識別方法的研究勢在必行。本文研究基于車型圖像代數(shù)特征的車型識別方法。該方法首先利用背景差分法從背景圖像中提取出運動車輛，并對車型圖像進行預處理，然后采用特征并行融合的方法用 pca 方法，最后通過支持向量機分類器進行車型識別。關鍵詞車型識別，特征融合，特征提取，決策支持向量機vehicle identification system based on svm design and implementationabstrac

5、t: automatic vehicle identification and classification of intelligent transport system technology is an important part of its specific place and time the identification and classification of vehicles, and used as traffic management, fees, scheduling, statistical basis. chinas road toll to achieve au

6、tomation, standardized and scientific management, automatic vehicle identification method imperative. this paper explores the characteristics of the vehicle model image algebra recognition. this method first uses background subtraction to extract from the background image moving vehicles, and vehicl

7、e image is preprocessed, and then use the parallel feature fusion method using principal component analysis, and finally through the support vector machine classifier for vehicle identification.keyword: vehicle recognition, feature fusion, feature extraction, decision support vector machine目錄1 引言 .2

8、 21.1 車型識別的研究內容及其應用 .21.2 車型識別的研究現(xiàn)狀和前景 .31.3 本文研究的主要內容及結構安排 .32 車輛圖像預處理 .42.1 圖像平滑 .42.2 圖像標準化 .53 車型特征提取 .73.1 pca 方法概述 .73.2 pca 方法提取車型特征 .84 基于支持向量機的車型識別分類器 .94.1 現(xiàn)有的幾種分類方法 .94.2 支持向量機 .104.2.1 線性支持向量機.114.2.2 非線性支持向量機 .134.2.3 用于多類識別的支持向量機.134.3 決策支持向量機進行多分類 .144.4 支持向量機進行車型快速識別 .154.4.1 概述.154.

9、4.2 多類(k 類)問題的 svm 算法.174.5 實驗結果及比較 .175 結論 .19致謝： .19參考文獻： .20附錄： .211 1 引言引言1.11.1 車型識別的研究內容及其應用車型識別的研究內容及其應用電子技術、通信技術、計算機技術和自動控制技術的發(fā)展，為解決交通問題提供了新的思路，于是，智能運輸系統(tǒng)(its，intelligent ansportation system)就應運而生了1。實踐證明，智能運輸系統(tǒng)是解決當前交通擁堵、環(huán)境污染嚴重等問題的有效途徑。目前 its 在美國、歐洲、日本等國家、地區(qū)己受到政府、產(chǎn)業(yè)機構、科學研究單位的重視。它的研究領域廣闊，各國各地區(qū)的

10、側重點也有所不同。由于建設高速公路的投資較大，貸款筑路、以路養(yǎng)路收費還貸的政策早已深入人心。但是高速公路上的收費站大大地降低了高速公路的通行能力。國外己有實行不停車收費的例子，在國內，不停車收費也是這種收費制式的發(fā)展方向。電子收費系統(tǒng)是智能運輸系統(tǒng)在公路收費領域的具體表現(xiàn)，其應用可解除收費站的“瓶頸”制約作用，較好地緩解收費站的交通擁擠、排隊等待以及環(huán)境污染等問題。電子收費系統(tǒng)具有的諸多優(yōu)點，使其成為世界各國交通部門優(yōu)先研究、發(fā)展、應用的技術之一，無論是在歐、美發(fā)達國家，還是在亞洲發(fā)展中地區(qū)，截至目前，電子收費系統(tǒng)己經(jīng)擁有一套相對較成熟的技術體系，成功實現(xiàn)并投入實用的范例在各地紛紛出現(xiàn)2。我國

11、的公路收費系統(tǒng)主要采用以下三種形式：1.均一制系統(tǒng)。收費站建在公路的所有入口，車輛在一個路口交費后，可在該公路全線自由行駛，無需再次交費，收費標準僅因車型不同而不同，與行駛里程無關。2.開放式系統(tǒng)。收費站建在公路的主線上，間隔 3050 公里不等，各個出口不再設收費站，車輛可自由出入。收費標準除根據(jù)車型不同而不同外，還因各站控制的距離不同而不同。3.封閉式系統(tǒng)。收費站建在各互通立交匝道上，在入口處發(fā)通行卡，在出口處驗卡，按車型和行駛距離收費，車輛進出公路均受到控制。無論哪種收費方式，都必須先對車輛進行分類，才能確定應當收取的通行費，這一點對傳統(tǒng)收費系統(tǒng)和電子收費系統(tǒng)都是相同的。所不同的是，在傳

12、統(tǒng)收費方式中，車輛的類型通常由收費員通過目視人工劃分。其突出的優(yōu)點是誤判少、可靠性高。但也存在弊端，主要如下：1.人工收費速度慢，收費人員易同司機發(fā)生爭執(zhí)，造成交通擁擠，不但誤工誤時，而且阻礙了整個地區(qū)路橋交通網(wǎng)絡作用的發(fā)揮。2.人工收費因有人工因素參與， “人情車”現(xiàn)象或其它帳務弊端十分嚴重。如：收費人員對熟悉的司機不予收費，或是某些個體司機少交費而不要票據(jù)；或是少數(shù)低素質收費人員相互勾結，多收少繳，私吞收費。據(jù)統(tǒng)計，在一些大型的收費站，每日因此損失的收費款額高達數(shù)萬元，全年累計超過千萬，造成國家和地方財政收入的流失，給國家和地方經(jīng)濟造成嚴重損害。3.人工收費人員長時間在比較惡劣的環(huán)境中做重

13、復的工作，易產(chǎn)生疲勞感，從而影響收費的速度，不利于職工的身體健康，不利于車輛通行率的提高。電子技術和計算機技術的發(fā)展，為解決這個問題提供了可靠的技術保障。路橋自動收費系統(tǒng)的應用，充分體現(xiàn)路橋交通現(xiàn)代化管理的先進水平，必將產(chǎn)生較大的社會效益和經(jīng)濟效益。實現(xiàn)車型自動識別，采用路橋自動收費系統(tǒng)主要有如下優(yōu)勢：1.可加快車輛通過收費站的速度，提高了有限的空間利用率和路橋收費站的通過能力，利于交通疏流，解決因堵車造成的工時損失、能源損耗、環(huán)境污染等問題。2，可杜絕人工收費造成的票款流失問題，確保路橋收費的可靠性和可控性，可較大比例地提高路橋費的回收率。3.整個網(wǎng)絡成為交通信息采集網(wǎng)，可快速掌握路橋的車流

14、信息，不僅有利于交通行政部門的綜合整體管理，更便于交通行政管理部門的疏導和管理，也可為新建路橋提供科學依據(jù)。4，減少了收費站的人員管理，可以節(jié)省大量的人力和財力，并使路橋收費實現(xiàn)現(xiàn)代化管理。在電子收費系統(tǒng)中，由于收費過程實現(xiàn)自動化，需要自動識別車型以便根據(jù)不同的車型收取相應的費用，車輛直接駛過收費站而不停車，因而對車型判定提出了更嚴格要求，需要真正統(tǒng)一標準，準確迅速識別、歸類3。盡管近幾年提出了交通“監(jiān)控、自動收費、通信系統(tǒng)設計方案” ，但均不能完成對車輛的自動識別和自動收費，因此，開發(fā)車型自動識別系統(tǒng)有很大的市場。車型識別技術可應用于停車場收費管理以及各類封閉式和開放式路橋卡口自動收費系統(tǒng)，

15、根據(jù)聯(lián)網(wǎng)的規(guī)模不同，適用于 ic 卡、金路卡、虛擬儲值卡以及金融卡等各種自動扣費方式，可從路段擴展到區(qū)域、地區(qū)、跨地區(qū)以至全國路網(wǎng)。1.21.2 車型識別的研究現(xiàn)狀和前景車型識別的研究現(xiàn)狀和前景車輛自動識別分類技術是智能運輸系統(tǒng)的重要組成部分，是一門集計算機圖象處理技術、模式識別、工業(yè)測控技術、電子技術、系統(tǒng)工程技術于一體的綜合技術。它對在特定地點和時間的車輛進行識別和分類，作為交通管理、收費、調度、統(tǒng)計的依據(jù)。國外由于公路建設起步早，對于車輛自動分類技術的研究開始得也早。國內在進入九十年代就開始這方面的研究。要實現(xiàn)自動車輛識別、分類，需要做的第一步是探測、攝取車輛的某些特征信息。在車輛的所有

16、特征中，可以用來識別和區(qū)分車型的通常有車輛的外型(長、寬、高等)、車輛的軸重或軸距、車輛軸重及總重、車輛牌號、發(fā)動機排氣量、車輛可以乘載的人員數(shù)或載重量等特征。在這些特征中，只有部分可以用于自動車輛識別和分類，因為有的特征可以用儀器不停車探測、提取，有的則不然，如排氣量、司乘人員數(shù)等。目前，車型識別技術主要有輪廓掃描方法、車軸計數(shù)方法、磁場變化方法、車牌識別方法、基于圖像處理的方法、基于交通視頻技術的方法等4。其中，國內外現(xiàn)在通過圖像處理對車型進行識別的研究很多，例如，基于神經(jīng)網(wǎng)絡的汽車車型的識別，小波變換及非線形濾波用于車型識別，視頻圖像處理監(jiān)控等，就每一種方法來說都有其適用的范圍和優(yōu)缺點，

17、基于圖像處理的方法具有應用范圍廣，獲取信息豐富的優(yōu)點，以上這些方法基本上均是基于車輛的幾何特征進行識別，本文也是采用圖像處理的方法，但本文中是通過提取車輛的代數(shù)特征對車型進行自動識別?？偟目磥?，多年來出現(xiàn)的各種各樣的車型識別技術，其中絕大多數(shù)是通過檢測車輛的某些幾何參數(shù)或者物理參數(shù)來歸納分類的，某些技術也達到了比較高的檢測精度、但由于以下幾個關鍵因素，至使其未能在高速公路收費中取得成功應用。一是我國車型太多，國家還沒有頒布明確的汽車外形檢測標準;二是環(huán)境影響，存在干擾;三是車主為了經(jīng)濟利益，往往不顧國家交通部門的規(guī)定，在車上裝載大量的貨物，嚴重超載，導致車輛的外形變化比較大，難以識別。就我們所

18、知車型識別在國內主要停留在研究狀態(tài)(如中國科學院、西安公路所、上海交通大學、西安交通大學、北京理工大學等)，部分產(chǎn)品已投入正式運營。在各種車輛自動識別、分類技術中，目前真正能夠實際使用的還不多，而車輛分類、按車型收費是公路收費所必需的，因此必須盡快探索出一些新的車輛自動識別方法。1.31.3 本文研究的主要內容及結構安排本文研究的主要內容及結構安排本文主要研究基于車型圖像代數(shù)特征的車型識別技術。具體方法如下：通過攝像機采集運動中汽車的序列圖像，并傳入計算機，計算機取得的圖像用中值濾波方法得到背景圖像，用背景差分方法提取出車輛圖像，經(jīng)過一定的圖像預處理得到車輛標準化圖像，利用 pca 方法提取車

19、型圖像特征;然后用決策支持向量機進行車型分類，對比用最近鄰法及神經(jīng)網(wǎng)絡的方法對車型進行識別。整個過程用流程圖簡要描述如圖 1-1 所示。攝像機采集運動車輛序列圖像計算機車輛圖像背景圖像中值濾波法標準化圖像圖像代數(shù)特征1dim,pcapcaaww支持向量機分類模型分類結果訓練樣本特征pca 方法圖像預處理背景差分法圖 1-1 本文研究內容流程圖本文的結構安排如下：第一章，首先介紹了車型識別的研究內容及其應用，車型識別技術現(xiàn)有的一些研究方法，然后介紹了本文研究的主要內容及結構安排。第二章，介紹了利用背景差分方法從運動圖像中提取車輛，其中背景圖像我們采用最簡單的一種模型對時間序列圖像進行中值濾波獲得

20、。然后，用基于形態(tài)學的方法進行噪聲消除。最后將所得車輛圖像標準化。第三章，利用 pca 方法提取車型圖像特征，采用 pca 方法得到車輛圖像的代數(shù)特征，該特征包含了車輛圖像樣本更豐富的特征信息。第四章，先簡單地介紹了現(xiàn)有的幾種分類方法（神經(jīng)網(wǎng)絡和支持向量機） ，然后詳細地描述了支持向量機算法，同時討論了支持向量機多類分類方法，以及基于支持向量機進行車型的快速識別。最后一章，總結了本文所做的工作。2 車輛圖像預處理本系統(tǒng)首先用攝像機從現(xiàn)場環(huán)境中攝取運動車輛的視頻圖像，然后利用攝取的連續(xù)圖像從復雜背景中提取出運動車輛，最后對車輛圖像進行必要的一些預處理成為標準化車輛圖像，用于車型識別。本章首先介紹

21、了利用目前運動分割中最常用的一種方法背景差分方法從運動圖像中提取車輛，其中背景圖像我們采用最簡單的一種模型一對時間序列圖像進行中值濾波獲得。然后，用基于形態(tài)學的方法進行噪聲消除。最后將所得車輛圖像標準化。圖像預處理主要包括兩個步驟：圖像平滑及圖像標準化。2.12.1 圖像平滑圖像平滑背景減除后的圖像存在不少噪聲污染，因此我們先對圖像進行平滑處理。圖像平滑主要是為了消除噪聲。噪聲并不限于人眼所能看的見的失真和變形，有些噪聲只有在進行圖像處理時才可以發(fā)現(xiàn)。圖像的常見噪聲主要有加性噪聲、乘性噪聲和量化噪聲等。圖像中的噪聲往往和信號交織在一起，尤其是乘性噪聲，如果平滑不當，就會使圖像本身的細節(jié)如邊界輪

22、廓、線條等變的模糊不清，如何既平滑掉噪聲有盡量保持圖像細節(jié)，是圖像平滑主要研究的任務。一般來說，圖像的能量主要集中在其低頻部分，噪聲所在的頻段主要在高頻段，同時系統(tǒng)中所要提取的汽車邊緣信息也主要集中在其高頻部分，因此，如何去掉高頻干擾又同時保持邊緣信息，是我們研究的內容。為了去除噪聲，有必要對圖像進行平滑，可以采用低通濾波的方法去除高頻干擾。圖像平滑包括空域法和頻域法兩大類，在空域法中，圖像平滑的常用方法是采用均值濾波或中值濾波，對于均值濾波，它是用一個有奇數(shù)點的滑動窗口在圖像上滑動，將窗口中心點對應的圖像像素點的灰度值用窗口內的各個點的灰度值的平均值代替，如果滑動窗口規(guī)定了在取均值過程中窗口

23、各個像素點所占的權重，也就是各個像素點的系數(shù)，這時候就稱為加權均值濾波;對于中值濾波，對應的像素點的灰度值用窗口內的中間值代替。實現(xiàn)均值或中值濾波時，為了簡便編程工作，可以定義一個 n*n 的模板數(shù)組。另外，需要注意一點，在用窗口掃描圖像過程中，對于圖像的四個邊緣的像素點，可以不處理;也可以用灰度值為“0”的像素點擴展圖像的邊緣。中值或均值平滑有時處理圖像的效果并不是很好，它雖然去除了一定的噪聲，但同時使圖像中的邊緣變的模糊，這主要和所選取的窗口大小有關，為此下面介紹了一種既能保持邊緣清晰又能消除噪聲的方法，其算法如圖 2-1 所示:圖 2-1 圖像平滑模板上圖的含義是在圖像中取 5*5 的區(qū)

24、域，包含點的五邊形和六邊形各四個，3*3 的區(qū)域一( , )i j個，計算這九個區(qū)域的標準差和灰度的平均值，取標準差最小區(qū)域的灰度平均值作為點的灰( , )i j度。噪聲消除后的圖像如圖 2-2 所示。圖 2-2 噪聲消除后的圖像2.22.2 圖像標準化圖像標準化由于后面用到的 k-l 變換方法在本質上依賴于圖像灰度在空間分布上的相關性，因此需要先對車輛圖像進行一系列的預處理，以達到位置校準和灰度歸一的目的。為此，我們首先對圖像進行縮小和放大變換，得到統(tǒng)一大小的校準圖像(寬 x 高為：12864)。然后再對校準圖像做灰度拉伸，以改善圖像的對比度。最后采用直方圖修正技術使圖像具有統(tǒng)一的均值和方差

25、。1、縮小和放大變換圖像放大和縮小的方法最典型的有兩種:幾何變換及離散數(shù)字圖像的連續(xù)表示。前一種方法的主要原理是將目標圖像上的點(x，y)映射成源圖像上的點(u，v)，然后將(x，y)處的顏色值取作(u，v)處的顏色值，而當(u，v)不是格點時，圖像在(u，v)處的顏色值可用(u，v)鄰近若干格點處的顏色值表示。后一種方法則對原始的(離散表示的)數(shù)字圖像用連續(xù)函數(shù)進行刻劃，再根據(jù)圖像縮放的倍數(shù)要求對該連續(xù)表示的圖像進行重新采樣，最后得到新的離散表示的數(shù)字圖像【11】。本文采用前一種方法進行灰度圖像放大和縮小變換。對灰度圖像實行實數(shù)倍大小變換(x 方向 p 倍，y 方向 p 倍)，該操作產(chǎn)生的像

26、素可能在原圖中找不到相應的像素點，這樣就必須進行近似處理。一般的方法是直接為和它最相近的像素值，也可以通過一些插值算法來計算。后者處理效果要好些，但是運算量也相應增加很多。本節(jié)中的灰度插值我們采用線性插值法。在線性插值法中，非網(wǎng)格點的灰度值，的用其周圍四個網(wǎng)格( , ) ( , )f 點(x，y)，(x，y+l)，(x+l，y)，(x+1，y+l)的灰度值按下式近似計算: (2-2)( , )( , )(1)(1)(1, ) (1)( ,1)(1)(1,1)ff x yabf xy abf x ya bf xyab 其中， ，( 是高斯符號) x yaxby該方法精度高，但速度慢。變換倍數(shù) p

27、、q 由用戶給定。2、灰度拉伸由于圖像的亮度范圍不足或非線性會使圖像的對比度不理想，可用像素幅值重新分配的方法來改善圖像對比度。擴大圖像的亮度范圍可以用線性映射的方法。這里用以下映射進行: （2-3）ln(2550)maxoutmaxmin其中 max 為原圖像中的最大灰度值，min 則為原圖像中的最小灰度值。3、直方圖修正灰度級的直方圖就是反映一幅圖像中的灰度級與出現(xiàn)這種灰度的概率之間的關系的圖形。設變量 r 代表圖像中像素灰度級。在圖像中，像素的灰度級可作歸一化處理，這樣，r 的值將限定在下述范圍之內:0r1 (2-4)在灰度級中，r=0 代表黑 r=1 代表白。從圖像灰度級的分布可以看出

28、一幅圖像的灰度分布特性。對于一幅給定的圖像來說，每一個像素取得0，1區(qū)間內的灰度級是隨機的，也就是說 r 是一個隨機變量?？梢詫?，1區(qū)間內的任一個 r 值進行如下灰度變換: (2-5)( )st r也就是說，通過上述變換，每個原始圖像的像素灰度值 r 都對應產(chǎn)生一個 s 值。變換函數(shù) t(r)應滿足下列條件:1)在 0r1 區(qū)間內，t(r)單值單調增加;2)對于 0r1，有 0t(r)1。這里的第一個條件保證了圖像的灰度級從白到黑的次序不變。第二個條件則保證了映射變換后的像素灰度值在允許的范圍內。直方圖均衡化是灰度變換的一個重要應用，廣泛應用在圖像增強處理中，它是以累計分布函數(shù)變換為基礎的直

29、方圖修正法，可以產(chǎn)生一幅灰度級分布具有均勻概率密度的圖像，擴展了像素的取值動態(tài)范圍。若像素點的原灰度為 r，變換后的灰度為 s，需要注意的是 r、s 是歸一化后的灰度值，其灰度變換函數(shù) t( )為： (2-6)00( )()kkjrjjjnst rp pn01jrl 0,1.k 式中，是第 j 級灰度值的概率，是圖像中 j 級灰度的像素總數(shù)， 是圖像中灰度級的()rjp pjnl總數(shù)目，n 是圖象中像素的總數(shù)。對變換后的 s 值取最靠近的一個灰度級的值，建立灰度級變換表，將原圖像變換為直方圖均衡的圖像。經(jīng)過預處理，得到了所謂的“標準圖像”(如圖 2-3 所示)。圖 2-3 標準化后圖像3 車型

30、特征提取目前多數(shù)車型識別技術的研究都是提取車輛的幾何特征或者物理特征進行車型分類的，實驗表明，圖像的幾何特征不能完全體現(xiàn)出圖像的灰度信息，因而不能得到理想的分類結果。pca 方法(主元分析方法)是特征提取的常用方法。pca 方法是以樣本總體散布矩陣為產(chǎn)生矩陣的 k-l 變換把原始圖像空間壓縮為低維的特征空間，其優(yōu)化目標具有總體性，而所包含的類別信息較少，因而在分類時，提取的主元有可能是盲目的?？紤]到任何單個特征所包含的鑒別信息可能有限，而不同的特征往往具有互補性，將它們融合起來可以提供豐富的鑒別信息。3.13.1 pcapca 方法概述方法概述一般而言，pca 方法的目的是尋找任意統(tǒng)計分布的數(shù)

31、據(jù)集合之主要分量的子集。相應的基向量組滿足正交性且由它定義的子空間最優(yōu)地考慮了數(shù)據(jù)的相關性。將原始數(shù)據(jù)集合變換到主分量空間使單一數(shù)據(jù)樣本的互相關性(cross-correlation)降低到最低點。設是 n 維向量的數(shù)據(jù)集合，m 是其均值向量:1,ixin （3-1）11niimxn差別向量是：id （3-2）iidxm協(xié)方差矩陣是： (3-3)11ntxiiicd dn求出其從大到小排列的特征值兄、及滿足下列條件的特征向量：ku （3-4）1,0,tl klkl kl ku u有了特征向量集合，任何數(shù)據(jù) x 可以投影到特征空間（以特征向量為基向量)中的表示：, (3-5)()tkkyuxm1

32、2(,.,)tnyy yy相反地，任何數(shù)據(jù) x 可以表示成如下的線性組合形式： （3-6）1nkkkxmy u如果用 a 代表以特征向量為列向量構成的矩陣，則定義了一個線性變：ta (3-7)()tyaxm (a 是正交矩陣)xmay變換后的協(xié)方差矩陣為: (3-8)100 . ntyxca c a上述去相關的主分量分析方法可以用于降低數(shù)據(jù)的維數(shù)。通過略去對應于若干較小特征值的特征向量來給 y 降維。例如，丟棄底下 n-m 行得到 mn 的矩陣 b，并為簡單起見假定均值 m=0，則有: （3-9） ybx而仍可通過來近似。近似的均方差為:xtxb y (3-10)1nkk mmse它只是被舍棄

33、的特征向量所對應的特征值的和。通常，特征值幅度差別很大，忽略一些較小的值不會引起很大的誤差。上述方法是圖象數(shù)據(jù)壓縮的數(shù)學基礎之一，通常被稱為 principal component analysis(pca)或karhunen-loeve(k-l)變換。pca 方法的核心過程是計算特征值和特征向量，有很多不同的數(shù)值計算方法。一種常采用的方法是根據(jù)如下的推導: (nn 維) 其中txcaa1,sad k d考慮 (ss 維)的特征向量ta aiv （3-11）tiiia avv上式兩邊左乘 a 得到 （3-12）tiiiaa avav可見就是的特征向量。iavtxcaa由于通常 sn，這種方法將

34、求高階矩陣的特征向量轉化為求較低階矩陣的特征向量的過程在圖象數(shù)據(jù)分析中是很實用的。3.23.2 pcapca 方法提取車型特征方法提取車型特征k-l 變換是一種最優(yōu)正交變換9，是圖象分析與模式識別中的重要工具，人們將其應用于特征提取，降低特征數(shù)據(jù)的維數(shù)。形成了子空間法模式識別的基礎，本文將它應用于車型識別。該方法以歸一化的標準圖像作為訓練樣本集，以該樣本集的總體散布矩陣為產(chǎn)生矩陣，即: (3-13)()() txu x或 (3-14)1t01()()miiixxm其中：為第 i 個訓練樣本的圖像向量，訓練樣本集的平均圖向量，m 為訓練樣本的總數(shù)。ix將表示為 (3-15)1t011()()mt

35、iiixxxxmm其中011mxxxx-,-, . . .-構造矩陣：trx x容易求出矩陣 r 的特征值及相應的正交歸一特征向量從而易得的正交i(0,1,2,1)iv im歸一特征向量為iu （3-17）iii1, 2 , 1 , 0mi這就是圖像的特征向量。我們總共得到了 m 個特征向量。雖然 m 比小很多，但通常情況下，m 仍然會太大。而事實2n上，根據(jù)應用的要求，并非所有的都有很大的保留意義。iu考慮到使用 k-l 變換作為對車輛圖像的壓縮手段，可以選取最大的前 k 個特征向量，使得: （3-18）010kiifii在上式中，我們選取 a=98%。這說明樣本集在前 k 個軸上的能量占整

36、個能量的 98%以上。這樣每一幅車輛圖像都可以投影到由張成的子空間中。因此每幅車輛圖像對應于011,mu uu子空間中的一個點。同樣，子空間中的任一點也對應于一幅圖像一一特征車(圖 3-1 顯示的是所對應的圖像)。01,u u 圖 3-1“特征車”圖像有了這樣一個由“特征車”張成的降維子空間，任何一幅車輛圖像都可以向其做投影并獲得一組坐標系數(shù)，這組系數(shù)表明了該圖像在子空間中的位置，就是我們用 pca 方法提取出來的車型特征。4 基于支持向量機的車型識別分類器4.14.1 現(xiàn)有的幾種分類方法現(xiàn)有的幾種分類方法訓練方法和分類算法是分類系統(tǒng)的核心部分，目前存在多種基于向量空間模型的訓練算法和分類算法

37、，例如，最近 k 近鄰方法、神經(jīng)網(wǎng)絡方法和支持向量機算法等等。1、knn(k 最近鄰)算法該算法的基本思路是：在給定新樣本后，考慮在訓練樣本集中與該新樣本距離最近 (最相似)的 k 個樣本，根據(jù)這 k 個樣本所屬的類別判定新樣本所屬的類別，具體的算法步驟如下：第一步：根據(jù)特征項集合重新描述訓練樣本向量第二步：在新樣本到達后，確定新樣本的向量表示第三步：在訓練樣本集中選出與新樣本最相似的 k 個樣本第四步：在新樣本的 k 個鄰居中，依次計算每類的權重，計算公式如下：( ,)( ,) (,)ijiijdknnp x csim x d y d crrrrr其中，為新樣本的特征向量，為相似度計算公式，

38、與上一步驟的計算公式相同，xr( ,)isim x drr而為類別屬性函數(shù)，即，如果屬于類那么函數(shù)值為 1，否則為 0。(,)ijy d cridrjc第五步：比較類的權重，將樣本分到權重最大的那個類別中。2、神經(jīng)網(wǎng)絡算法神經(jīng)網(wǎng)絡算法采用感知算法進行分類。在這種模型中，分類知識被隱式地存儲在連接的權值上，使用迭代算法來確定權值向量。當網(wǎng)絡輸出判別正確時，權值向量保持不變，否則進行增加或降低的調整，因此也稱為獎懲法。傳統(tǒng)神經(jīng)網(wǎng)絡如 bp 算法存在以下缺點:存在局部極小問題，學習算法收斂速度慢。3、支持向量機支持向量機的基本思想是使用簡單的線性分類器劃分樣本空間。對于在當前特征空間中線性不可分的模

39、式，則使用一個核函數(shù)把樣本映射到一個高維空間中，使得樣本能夠線性可分。支持向量機(support vector machine，svm)起源于統(tǒng)計學習理論，它研究如何構造學習機，實現(xiàn)模式分類問題。由于支持向量機方法有幾個主要優(yōu)點：1.它是專門針對有限樣本情況的，其目標是得到現(xiàn)有信息下的最優(yōu)解而不僅僅是樣本數(shù)趨于無窮大時的最優(yōu)值;2.算法最終將轉化成為一個二次型尋優(yōu)問題，從理論上說，得到的將是全局最優(yōu)點，解決了在神經(jīng)網(wǎng)絡方法中無法避免的局部極值問題;3.算法將實際問題通過非線性變換轉換到高維的特征空間(feature space)，在高維空間中構造線性判別函數(shù)來實現(xiàn)原空間中的非線性判別函數(shù)，特殊

40、性質能保證機器有較好的推廣能力，同時它巧妙地解決了維數(shù)問題，其算法復雜度與樣本維數(shù)無關;又由于統(tǒng)計學習理論為人們系統(tǒng)研究有限樣本情況下機器學習問題提供了有力的理論基礎，本文采用了支持向量機分類算法進行車型識別。4.24.2 支持向量機支持向量機統(tǒng)計學在解決機器學習問題中起著基礎性的作用。但是，傳統(tǒng)的統(tǒng)計學所研究的主要是漸近理論，即當樣本趨向于無窮多時的統(tǒng)計性質。在現(xiàn)實的問題中，我們所面對的樣本數(shù)目通常是有限的，有時還十分有限。雖然人們實際上一直知道這一點，但傳統(tǒng)上仍以樣本數(shù)目無窮多為假設來推導各種算法，希望這樣得到的算法在樣本較少時也能有較好的(至少是可接受的)表現(xiàn)。然而，相反的情況是很容易出

41、現(xiàn)的。其中，近年來經(jīng)?？梢月牭饺藗冋務摰乃^神經(jīng)網(wǎng)絡過學習問題就是一個典型的代表:當樣本數(shù)有限時，本來很不錯的一個學習機器卻可能表現(xiàn)出很差的推廣能力。人們對于解決此類問題的努力實際上一直在進行。但是，其中多數(shù)工作集中在對己有(基于傳統(tǒng)統(tǒng)計學原則的)方法的改進和修正，或者利用啟發(fā)式方法設計某些巧妙的算法。在人類即將邁進一個新世紀的時候，人們開始逐漸頻繁地接觸到一個詞，就是“統(tǒng)計學習理論” 。這實際上是早在20 世紀 70 年代就已經(jīng)建立了其基本體系的一門理論，它系統(tǒng)地研究了機器學習的問題，尤其是有限樣本情況下的統(tǒng)計學習問題。在 90 年代，這一理論框架下產(chǎn)生出了“支持向量機(svm)”這一新的通

42、用機器學習方法?；蛟S是由于統(tǒng)計學習理論為人們系統(tǒng)研究有限樣本情況下機器學習問題提供了有力的理論基礎，或許更是因為在這一基礎上的支持向量機方法所表現(xiàn)出的令人向往的優(yōu)良特性，人們開始迅速重視起這一早在 20 年前就該重視的學術方向?，F(xiàn)在，越來越多的學者認為，關于統(tǒng)計學習理論和支持向量機的研究，將很快出現(xiàn)像在 80 年代后期人工神經(jīng)網(wǎng)絡研究那樣的飛速發(fā)展階段。然而，所不同的是，統(tǒng)計學習理論有完備的理論基礎和嚴格的理論體系(相比之下神經(jīng)網(wǎng)絡有更多的啟發(fā)式成分)，而且其出發(fā)點是更符合實際情況的有限樣本假設。支持向量機使用結構風險最小化(structural risk minimization，srm 準

43、則)原理構造決策超平面使每一類數(shù)據(jù)之間的分類間隔(margin)最大。srm 準則認為:學習機對未知數(shù)據(jù)分類所產(chǎn)生的實際風險是由兩部分組成的，以 00 y1i若 (4-3)twx+b0 是控制懲罰程度的常數(shù)。由拉格朗日乘數(shù)法，問題等價于在約束條件 (4-19)10niiiy a (4-20)0iac之下對求解下列函數(shù)的最大值：ia (4-21) 1nijijijiq aa a y yxx4.2.24.2.2 非線性支持向量機非線性支持向量機至此，對支持向量機的討論都僅限于線性分界面的情況。對于非線性劃分問題，可以通過一個非線性變換中將它轉化為某個高維空間 h 中的線性劃分問題。一般來說，這種非

44、線性:drh變換的形式可能非常復雜，難于實現(xiàn)。但是注意到在上面的問題中，不論是優(yōu)化的目標函數(shù)還是分類函數(shù)都只涉及到向量的點積運算，即的形式。如果存在一個“核函數(shù)”k，滿足： ijxx (4-22) ,ijijk x xxx 那么就能用原空間中的函數(shù)來實現(xiàn)變換空間中的點積，從而繞開映射的具體形式。根據(jù)泛函分析中的有關理論，只要核函數(shù)滿足 mercer 條件，它就對應于某一變換空間中的點積，也就是說，存在映射，使得 x (4-23) ,ijijk x xxx 成立。常見的滿足 mercer 條件的核函數(shù)有多項式核函數(shù)： (4-24) ,1pk x yx y高斯徑向基函數(shù)： (4-25)22/2,x

45、 yk x ye 如果用內積代替最優(yōu)分類面中的點積，就相當于把原特征空間變換到了某一新的特,jjk xy征空間，此時優(yōu)化函數(shù)變?yōu)椋?(4-26) 1,11,2nniijijijii jq aaa a y y k x x相應的判別函數(shù)式也應變?yōu)椋?(4-27) *1sgn( ,)niiijif xa y k x xb算法的其他條件均不變。4.2.34.2.3 用于多類識別的支持向量機用于多類識別的支持向量機支持向量機分類算法最初只用于解決二分類問題，缺乏處理多分類問題的能力。許多模式識別問題都是多分類的，這要求支持向量機能給出多分類的結果。目前構造多分類支持向量機分類器的方法主要有兩類：一類是“

46、同時考慮所有分類”方法19，另一類是組合二分類器解決多分類問題。第一類方法主要思想是在優(yōu)化公式的同時考慮所有的類別數(shù)據(jù)，j.weston 和 c.watkins 提出的“k-class 多分類算法”就屬于這一類方法。該算法在經(jīng)典的 svm 理論的基礎上，重新構造多類分類型，同時考慮多個類別，然后將問題也轉化為一個解決二次規(guī)劃(quadratic programming，簡稱qp)問題，從而實現(xiàn)多分類。該算法由于涉及到的變量繁多，選取的目標函數(shù)復雜，實現(xiàn)起來比較困難，計算復雜度高。第二類方法的基本思想是通過組合多個二分類器實現(xiàn)對多分類器的構造，常見的構造方法有“一對一”(one-against-

47、one)和“一對其余”(one-against-the rest)兩種。其中“一對一”方法需要對n 類訓練數(shù)據(jù)兩兩組合，構建個支持向量機，每個支持向量機訓練兩種不同類別的數(shù)21 / 2ncn n據(jù)，最后分類的時候采取“投票”的方式?jīng)Q定分類結果20。 “一對其余”方法對 n 分類問題構建 n個支持向量機，每個支持向量機負責區(qū)分本類數(shù)據(jù)和非本類數(shù)據(jù)。該分類器為每個類構造一個支持向量機，第 k 個支持向量機在第 k 類和其余 n-1 個類之間構造一個超平面，最后結果由輸出離分界面距離最大的那個支持向量機決定15。twxb本章將上述“一對其余”的 svm 多分類方法結合二又決策樹構造分類器對車型進行分

48、類識別，并設法減少訓練樣本個數(shù)，提高訓練速度。4.34.3 決策支持向量機進行多分類決策支持向量機進行多分類n 分類問題(n2)和二分類問題之間存在一定的對應關系:如果一個分類問題 n 類可分，則這 n類中的任何兩類間一定可分;反之，在一個 n 分類問題中，如果我們已知其任意兩兩可分，則通過一定的組合法則，我們可由兩兩可分來最終實現(xiàn) n 類可分。由于 svm 基于二類分類，很自然可以把它和二叉決策樹的基本思想結合起來構成多類別的分類器，稱為 svm 決策樹方法【15】。由二叉樹的性質可知:對任何一棵二叉樹，如果其葉子結點個數(shù)為，度為 2 的結點個數(shù)為，則有0n2n。而 svm 決策樹中沒有度為

49、 1 的結點，是一棵正則二叉樹。設對 n 類樣本構造一棵二021nn叉決策樹，則樹的每個葉子結點對應一個類別，每個度為 2 的非葉子結點對應一個子 svm 分類器。決策樹共有 2n-1 個結點，葉子結點個數(shù)為 n，子 svm 分類器個數(shù)為 n-1。在“一對其余”的 svm 多分類方法中，每一類的識別看成一個獨立的二分類問題(如圖 4-4 所示)。設所有車型為 m 類，記為。設屬于的車型個數(shù)為，以任何一類為例，12,mla aaiainia訓練正例是該類所包含的全部車型，而反例是在訓練集中不屬于該類的所有其它類的車型。即類ia的正例總數(shù)為，反例總數(shù)為。in1,1mijjn圖 4-2 決策樹以上決

50、策樹具有層次結構，以致各訓練集合的構成不同，訓練所用的例子累次降低，減少了訓練時間，測試是按照層次完成。每次構造分類器時，優(yōu)先選擇訓練樣本數(shù)量最多的類別的訓練數(shù)據(jù)作為當前分類器的訓練正例，剩余類別的訓練數(shù)據(jù)作為分類器的訓練反例，構造最優(yōu)決策樹，從而可以迅速減少訓練集的規(guī)模，從而提高訓練效率。設類別數(shù)目為 m，訓練集為，表示第 i 類。則構造 m-1 個12,mzc ccci分類器的具體算法如圖 4-5 所示。圖 4-3 決策樹算法流程圖其中為集合 z 中類別的數(shù)量，為類的訓練樣本數(shù)，為類的訓練集合， n zkn ckc js cjc為第 i 個支持向量機分類器的訓練正例集合，為第 i 個支持向

51、量機分類器的訓練反例+isvmisvm集合。4.44.4 支持向量機進行車型快速識別支持向量機進行車型快速識別目前在車型識別中應用較多的方法是模糊神經(jīng)網(wǎng)絡和 bp 網(wǎng)絡等方法,但這些方法難以解決模式識別中存在的復雜性和推廣性的矛盾,本文采用支持向量機(svm)方法,具有計算量小,能較好地解決小樣本、非線性和局部極小點等問題。4.4.14.4.1 概述概述支持向量機(support vector machine)是基于統(tǒng)計學理論的一種新的通用學習方法,它是建立在一套較好的有限樣本下的機器學習的理論框架和通用方法,它既有嚴格的理論基礎,又能較好地解決小樣本、非線性、高維數(shù)和局部極小點等實際問題,其

52、核心思想就是學習機器要與有限的訓練樣本相適應14。支持向量機中的支持向量是通過解一個凸二次優(yōu)化問題獲得的,它保證找到的解是全局最優(yōu)解。對于模式識別和函數(shù)擬合問題支持向量機采用不同的算法,支持向量機算法的示意圖如圖 4-6所示。圖 4-4支持向量機計算示意圖支持向量機利用特征映射的思想,可以回顧一下支持向量機中的以下 2 個式子: (4-28)*iiiiwa y x式中: 是以下式子求極大值的解。,1,ia in (4-29)12diijijijilaa a y yxx從式(2)可以看到,計算上式的極大值只用到訓練樣本數(shù)據(jù)間的點積,而使用的分類器判別ijxx函數(shù)中權向量的作用也是通過權向量與樣本

53、的點積體現(xiàn)出來的,權向量是訓練樣本中的支持向量的線性組合,因此值的計算可寫成:tw x （4-30）*tiiiiiijiiw xa y xxa yxx它表明在計算判別函數(shù)值時,仍然只需通過計算相應數(shù)據(jù)的點積即可。由此可以設想,如果將原特征向量用映射的方式轉換成,則相應的式子只需改變成 iixf x （4-31） 12diijijijilaa a y yf xf x分類界面方程： （4-32） *0*0iiiia yf xf xw式中: 為相應的常數(shù)項。0*w由于特征進行了映射,從 x 變成了 f(x),因此問題是在另一個映射后的空間討論的。設原空間維數(shù)為 d,即,而新空間為 m 維,即,則一般

54、維要比 d 維大得多。權向量的維數(shù)也是dxr mfxrmm 維,它是在映射后空間中的支持向量的線性求和。但是支持向量機的提出者進一 *iiiiwa y fx步發(fā)現(xiàn),并不一定要求出這個權向量,因為分類判別函數(shù)中只關心權向量與樣本向量之間的點積。因此,又引出了所謂核函數(shù)式(4-31)和式(4-32)中只用到有關數(shù)據(jù)的點積,因此如果能確定某種,ik x x函數(shù)的確是與 x 這 2 個樣本數(shù)據(jù)某種映射的內積,就可用它來設計支持向量機,而不必知,ik x xix道對應哪一個函數(shù)。因此支持向量機采用了巧妙的特征映射方法,將線性分類計算框架,擴展到 *f非線性分類的領域。相應的式子可寫成: (4-33)1,

55、2diijijijilaa a y y k x x分類界面方程: （4-34）*0,0niiiia y k x xw這樣一來,如果選擇了一種函數(shù),其中 a 和 b 是原特征空間的 2 個數(shù)據(jù)點,那么只要這種函,k a b數(shù)是反映了特征映射后數(shù)據(jù)的內積,線性分類器的框架就都可以用了。因此選擇合適的函數(shù),k a b就成為設計中的重要問題。4.4.24.4.2 多類多類(k(k 類類) )問題的問題的 svmsvm 算法算法支持向量機用于分類,構造的復雜程度取決于支持量的數(shù)目,而不是特征空間的維數(shù),這就有效地解決了學習中非線性與維數(shù)災難問題,本文介紹了通過對汽圖像進行預處理,采用多類問題的支持向量機

56、,給出了訓練數(shù)據(jù)和測試數(shù)據(jù)等特征數(shù)據(jù),從結果來看,svm 算對于汽車識別是可行的。多類問題的模式識別系統(tǒng)可轉化為 2 類問題從而可以應用 svm 方法,核函數(shù)。理上的研究對核函數(shù)的充分必要條件進行了研究,并已得一些主要結論(如 mercer 條件)13,但由于這些成果還不具體地確定哪些函數(shù)具備這種條件,因此目前常用的核數(shù)還局限于以下 3 種函數(shù)形式。多項式類型的函數(shù): (3-35),1qiik x xx x 核函數(shù)型式的函數(shù): （3-36）22,expiixxk x xs 形函數(shù),如： （3-37）,tanhiik x xv xxc4.54.5 實驗結果及比較實驗結果及比較1、數(shù)據(jù)準備實驗中，

57、我們用數(shù)碼攝像機攝取車輛視頻圖像。我們取 300 幅車型圖像(共十類車型，各類車型的訓練樣本 20 個，測試樣本 10 個)，構建了車型圖像庫，如圖 4-7 所示。圖 4-7 十類標準化車型圖像數(shù)據(jù)庫2、實驗步驟a) 圖像預處理。首先將車輛視頻圖像連續(xù)各幀圖像按 2.1 節(jié)方法進行時間平均得到車輛背景圖像，然后用各幀圖像與該背景圖像差分提取出車輛圖像，再經(jīng)過標準化處理且規(guī)范圖像大小為 128x64 像素。b) 車型特征提取將標準化后的車型圖像投影到第三章生成的 pca 特征子空間得到投影系數(shù)，有了這樣一個由“特征車”張成的降維子空間，任何一幅車輛圖像都可以向其做投影并獲得一組坐標系數(shù)，這組系數(shù)

58、表明了該圖像在子空間中的位置，就是我們用 pca 方法提取出來的車型特征。c) 訓練分類器。對于實驗中的十類車型，我們采用九層決策樹，決策樹的每一層都是一個二分類問題，即在每一層設置一個支持向量機分類器。對每一層單個的二分類器，將訓練樣本分為當前類正例樣本和反例樣本兩類，給每個類別設定一個距離閉值 r，求出當前類別的各反例樣本與該類的訓練正例中最近鄰樣木的距離，若該距離大于閾值 r，則表明該反例樣本距離該類所有正例較遠，成為支持向量的可能性較小，因此沒有必要將該反例交給支持向量機訓練，而將其它反例樣本以及全部正例樣本交給 svm 分類器進行訓練。d) 識別。利用 c)步訓練好的決策支持向量機進

59、行車型識別。具體地，在決策樹的每一層，并不是將所有的樣本均調用 svm 二分類器進行分類，而是將訓練樣本分為當前類正例樣本和反例樣本兩類，求出測試樣本 x 與當前類別的訓練反例最近鄰樣本的距離為 dl，x 與正例最近鄰樣本的距離為 d2，若差 dl-d2 大于給定正的閾值 t，則認為測試樣本 x 屬于當前類，否則才調用 svm 分類器進行分類。3、實驗結果為測試該算法的性能,進行了兩組實驗,分別采用 bp 算法和 svm 算法進行對比。實驗結果為:采用 bp 算法的車輛識別率為 91 %,而采用 svm 算法識別率可達到 93.3 %,而迭代少于 bp 算法。試驗結果如表 4-1 和表 4-2

60、表 4-1 bp 實驗結果方法迭代 1 000 次的識別率迭代 500 次的識別率迭代 48 次的識別率bp 網(wǎng)絡91%85%76%表 4-2 支持向量機實驗結果 方法支持向量個數(shù)識別率訓練迭代次數(shù)svm6893%48從實驗結果可以看出,利用支持向量機來識別汽車,精確度高達 93%,誤差減少 2%,為后續(xù)的開發(fā)和研究提供了基礎。5 結論車型的自動分類在部分發(fā)達國家已經(jīng)是比較成熟的技術，但由于諸多的原因，這些系統(tǒng)在我國其識別率等指標難以滿足使用要求。要提高我國公路收費管理工作的現(xiàn)代化水平和科技含量，并且為自動收費、無人收費奠定基礎，就必須研制適應我國的車型分類方法，同時這也是減輕收費員工作負擔，