利用支持向量机SVM★识别车辆类型.pdf

《利用支持向量机SVM★识别车辆类型.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、2006年1月重庆大学学报（自然科学版）Jan.2006第29卷第1期JournaIofChonggingUniversit（yNOturOIScienceEdition）VoI.29No.1文章编号：1000-582X（2006）01-0061-05**利用支持向量机SVM识别车辆类型1，21，21肖汉光，蔡从中，王万录（1.重庆大学应用物理系，重庆400030；2.新加坡国立大学计算科学系，新加坡117543）摘要：支持向量机（SupportVectorMachine，SVM）分类方法在实际二类分类问题的应用中显示出良好的学习和泛化能力，已被广泛地应用于多类分类问题的研究.以车辆轮廓特征为

2、对象，将二类分类*支持向量机SVM应用于多类车辆类型的识别，并与其它分类器的分类结果进行了对比.通过9次交叉*验证实验，结果表明SVM对车辆数据样本的测试准确率达到了85.59%，其分类性能优于其它分类器.关键词：支持向量机；车辆识别；轮廓特征中图分类号：TP18；U49文献标识码：A目前，人们生活水平普遍提高，车辆拥有量不断上的一种有监督的统计学习方法，被公认为小样本情况升，但道路建设的相对滞后使得交通更加拥挤.在有限下统计及其学习的经典.由于其不需要确定各类的条的道路资源下，利用智能交通系统进行车辆管理能有件概率密度和先验概率就能找到全局最优解，并且具效地缓解该类问题.智能交通的重要组成部

3、分是车辆有较好的泛化能力，所以被广泛的应用于诸多领域，如类型识别.对车辆类型识别而言，关键问题在于选择文本分类，手写体数字识别，语音识别，图像识别与目准确且有效的车体特征和模式识别方法.特征提取的标探测，人脸识别，商业时序预报，水文预报，空气质量有效性和准确性直接关系到识别系统的最终效果.现预报，地球空间物理和实验高能物理数据分析与处理，有的车辆特征提取方法包括图像特征提取，感应线圈肿瘤及癌症诊断，基因微阵列表达数据分析，药物设特征提取和声表面波特征提取等.感应线圈的应用原计，蛋白质-蛋白质相互作用预测以及蛋白质结构与［3-8］理是利用不同的车辆通过环形线圈时，其电感量输出功能预测等.目前，支

4、持向量机已经从2类分类问特征曲线不同来判断车的类型.但此种方法易受较多题发展到多类分类问题，最为常见的2种方式是：一对［9］的不定因素的影响，安装和维护感应线圈较为麻烦，使一（ONE-VS-ONE）和一对多（ONE-VS-［10］用周期短.随着计算机的发展，基于图像处理技术的车ALL）.也有通过向量增维将多类分类转换成两类辆特征（如汽车颜色、轮廓等）提取正迅速发展起来.分类的方法.笔者利用ONE-VS-ALL的方法，以汽利用汽车颜色特征进行车辆分类时，车辆的车身颜色车轮廓特征为对象，对车辆类型进行分类，并将获得的易受外围灯光颜色的影响和背景的干扰，且随着光线结果和其他类别分类器（贝叶斯分类方法

5、，神经网络［1］强度的变化其识别结果也会有所不同，因而该方法方法，决策树方法C4.5，最近邻方法（-NN）等）进的可信度不高.而汽车外部轮廓不易受外部环境的影行了比较.响，并且特征信息较多，识别准确率受单个特征变化的1支持向量机（SVM）分类原理影响不大.所以，车辆轮廓是一种较为可靠的识别特征.1.1线性可分情形支持向量机（SupportVectorMachine，SVM）是由假定对于给定的!个线性可分的训练样本（Train-［2］Vapnik及其合作者基于结构风险最小化原理提出ingsampIes）（!1，"1），（!2，"2），⋯，（!!，"!），"#E*收稿日期：2005-08-26基

6、金项目：重庆大学与新加坡国立大学国际合作研究资助项目作者简介：肖汉光（1980-），男，湖北石首人，重庆大学硕士研究生，新加坡国立大学访问学者，主要从事机器学习、模式识别和特征提取等研究工作.62重庆大学学报（自然科学版）2006年n｛-1，+1｝，存在权向量!及偏置（参见图b1），满足：aLT=!0-Z#iyi"i=0，（9）!·"i+bB1，yi=+1，（1）a!!=!0i=1Tn!·"i+bS-1，yi=-1，（2）aL=Z#iyi=0.（10）合并式（1）、式（2）即得abb=b0i=1Ty（i!·"i+b）B1，i=1，2，⋯，n.（3）将式（9）、式（10）代入式（8）可得nnn1

7、TL（!）=Z#i-ZZ#i#jyiy（j"i·"j），i=12i=1j=1S.t.#iB0，nZ#iyi=0.（11）i=1n通过求解式（11），即在约束#iB0和Z#iyi=0i=1下，求式（11）极大值，便可求出#i来.由式（9）可得，#iG0所对应的样本点才对权向量!0有贡献，这种样（图中圆点和方点分别代表-1类和+1类样本）本点正好落在最优边界OM上，其所对应的向量"i称图1超平面及边界