基于视频的天气类别识别分类器设计

《基于视频的天气类别识别分类器设计 》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、基于视频的天气类别识别分类器设计彭旭东1,夏士明1,孙吉明2（1.解放军理工大学气象海洋学院，南京，211101；2.空军航空大学航理系，长春，130022）：通过实验发现SVM多分类（导向无环图）对于不同场景的天气类别识别能力较弱，而以随机森林为弱分类器构成的AdaBoost强分类器能有效提高对不同场景的识别能力。基于此，本文最终提出了基于视频的天气类别自动识别分类器的设计。关键词：天气类别；AdaBoost；SVMDevelopmentofAVideo-basedARGIN:0cm0cm2pt;mso-layout-grid-align:none"class=MsoNormalal

2、ign=center>PengXudong1,XiaShiming1,SunJiming2(1.InstituteofMeteorologyandOceanography,PLAUniversityofScienceandTechnology,Nanjing,211101;2.DepartmentofAviationTheory,AviationUniversityAirForce,Changchun,130022)Abstract：Itulti-classification(directedacyclicgraph)fordifferentscenariosofforestprove

3、theabilitytorecognizedifferentscenarios.Aboveall,thispaperproposedavideo-basedaticrecognitionclassifier.Keyso-break-type:section-break"clear=all>天气类别识别属于有监督的学习问题。常用的有监督分类器有支持向量机（SVM）和AdaBoost。常见的天气类别包括晴、多云、阴、雾、雨、雪等，因此本文的基于视频的天气类别识别是一个有监督的多分类问题。1AdaBoost分类器目前，基于视觉的天气类别研究主要采用SVM作为分类器。但SVM对于不同场景的天气

4、类别识别能力较弱。而以随机森林为弱分类器构成的AdaBoost强分类器能提高对不同场景的识别能力。AdaBoost强分类器是由多个弱分类器构成，每个弱分类器会按照既定规则选择部分样本构成训练集进行训练，因此每个训练样本都被赋予权重，以表明它被某个弱分类器选入训练集的概率。如果某样本点已经被准确地分类，那么在构造下一个训练集时，它被选中的概率将降低；相反，如果某样本点没有被正确分类，那么它的权重就将提高。通过该种方式，AdaBoost方法能够聚焦于那些较难区分的样本上。2验证方法为了验证方法的正确性，本文在主频为2.9GHz，内存为8GB的PC机上，采用Matlab2009a进行了分类识

5、别实验。实验数据为本文采集的视频数据，通过对视频数据进行采样得到图像序列。每组图像序列包含时间、天气类别、场景信息以及气象要素信息。在进行学习训练的过程中，将数据集按时间划分，即将每类天气下的数据按时间排序好，选择前面部分样本作为训练样本，将剩下的部分数据作为测试样本，主要是为了研究不同时段下的分类识别。因此本文的实验主要是研究不同分类器对相同场景的数据的区分能力。3验证结果首先直接采用SVM多分类器对天气类别进行分类。将训练样本集按时间排列，选择前一半采用不同核函数进行学习，后一半用于测试，从而找出效果最好的核函数。SVM多分类结果如表1所示，分别为SVM一对多、SVM一对一、SVM

6、导向无环图和SVM二叉树的分类效果，可以看出SVM一对一和SVM导向无环图的方法要明显优于SVM一对多的方法。一对一与导向无环图在本质上表1SVM多分类的识别结果5设计与研发2016.10是一致的。导向无环图是在一对一的基础上，让所有的两分类器按照一定方向进行排列，这样可以使得判别结果更公正。一对一是通过对所有两分类器进行判断，统计哪个类别出现的次数最多，有可能出现多个类别出现次数相同，这样就很难判断属于哪一类天气类别，而导向无环图可以克服这个不足。由于二叉树的性能取决如何构造二叉树，而二叉树的构造可人为设定也可以根据距离最大或最小原则构造，人为设定缺乏客观性，根据距离最大或最小原理稳

7、定性较差，因此本文重点研究导向无环图。为了比较SVM多分类（重点研究导向无环图）与AdaBoost强分类器的效果，以及AdaBoost强分类器（多棵决策树）是否的确比单棵决策树（CART）的效果要好。分别采用SVM导向无环图、CART（单棵决策树）和AdaBoostRF（随机森林为弱分类器，由很多棵决策树构成）作为分类器对相同场景进行学习训练，识别结果如表2所示。可以看出SVM导向无环图的识别率最高，另外AdaBoostRF的分类效果比CART