一種在地磁感應器上基於支持向量機的車型識別方法
2023-09-27 07:14:15
專利名稱：一種在地磁感應器上基於支持向量機的車型識別方法
技術領域：
本發明屬於智能交通監測和管理的信息自動採集技術領域，具體涉及一種在地磁感應器上基於支持向量機的車型識別方法。
背景技術：
車輛檢測和識別技術是智能交通系統研究的關鍵技術之一，它為智能交通系統提供了必要的信息來源，為智能交通系統快速發展提供良好條件，是進行交通監測和管理的信息基礎。車輛識別技術在很多交通系統中已經成為一個重要的環節，目 前在應用中亟需一套更為準確高效的車型識別方法。車輛檢測器作為智能交通信息採集的基礎設施，其性能直接影響車輛檢測與識別的效果。目前國內外對車輛檢測工具的研究和應用以感應線圈和視頻圖像為主，基於這兩類檢測器的車型檢測分類方法取得了一定的效果，然而兩者的工程應用仍有局限性。單點式地磁感應器具有安裝、維修方便，不易遭到破壞，不受氣候影響以及集成化高等優點，相比於其他設備具有更為良好的發展前景。目前國內外研究的車型識別算法大部分圍繞著K近鄰算法、模糊數據融合和BP神經網絡算法等進行，然而這些車型分類方法存在算法效率不高、分類準確率不高或者建立識別模式不系統等問題。同時缺乏對波形特徵提取和選擇的探索和研究，而此過程往往決定了分類方法的效率和準確率。
發明內容
本發明的目的在於提供一種在地磁感應器上基於支持向量機的車型識別方法，用於解決目前缺少準確、高效並系統的車型識別方法，不能為交通系統提供質量良好的數據的問題。具體要解決的技術問題是，對地磁感應器採集的不同車型感應曲線進行特徵提取和選擇，並將選擇的特徵組合用於對多類車型的識別。本發明解決其技術問題所採用的技術方案是建立一種依靠車型地磁感應曲線最優特徵組合，基於微粒群算法優化的聚類支持向量機車型識別方法，具體步驟如下
(1)通過單點式地磁感應器設定採集頻率，採集需要分類識別的車型地磁感應波形數據，所述採集的感應波形數據為去噪聲的線性波形，並且對其作了車速歸一化處理，得到的可用格式為線性波形上所有極值點橫縱坐標，建立二叉樹多車型分類模式；
(2)根據採集的感應波形數據，單點式地磁感應器輸出的信息為離散點向量，通過數據融合方法將線性波形輸出的若干個數值點橫縱坐標轉化為若干個單獨特徵，提取出包括波形的結構特徵、頻譜特徵和數值特徵三大類特徵；
(3)根據提取的三大類特徵，建立幹擾波的篩選方法，篩選出有效的波形樣本，設定當最大波動不大於20或者峰谷數不大於3時即可認為是幹擾波，判斷為無效波形，得到初步提取的結構特徵、頻譜特徵和數值特徵；初步提取後，採用K-W檢驗對單個特徵的統計聚散度進行計算評價，並刪除其中不滿足假設檢驗的不顯著特徵，並按照平均數方差法規則對其規範化，建立有效的樣本庫；
(4)建立多層特徵選擇模式,融合Filter-Filter-Wrapper模式,對步驟(3)提取的初始特徵進行特徵評估和選擇，挑選出最優特徵組合；其中=Filter-Filter-Wrapper模式的第一層Filter為基於ReliefF算法的權值過濾，第二層Filter為基於特徵間相關係數的去冗餘式過濾，第三層Wrapper為利用分類器的交叉驗證準確率對Top-K的特徵組合進行最優特徵組合搜尋，即在提取的初始特徵中挑選出最有利於車型識別的特徵組合。(5)考慮線性不可分情況，建立非線性軟間隔分類器，即建立基於聚類支持向量機的車型識別算法，並採用微粒群算法對分類函數中的核函數參數f和懲罰係數C進行優化，建立微粒群優化的聚類支持向量機二類分類器；
(6)二叉樹上的每個樹節點都需利用微粒群優化的聚類支持向量機二類分類器對支持向量機進行訓練，獲得二叉樹中所有二類車型分類器；
(7)根據分類模式，通過二叉樹上所有二類車型分類器建立完整的分類決策樹，對未知車型的波形從決策樹自上而下遍歷，到達每個分類節點進行判斷，直到到達葉子節點，最終識別出車型。本發明中，步驟(I)中單點式地磁感應器採集的波形是時域信號，通過快速傅立葉變換算法得到相應波的頻譜分布，找出含噪聲的時域信號的頻率組成和能量。本發明中，步驟(I)建立的二叉樹多車型分類模式，分類樹上節點可以為車型組合，也可以為單獨的車型。本發明中，步驟(2)中所述結構特徵、頻譜特徵和數值特徵三大類特徵，包括 結構特徵波峰數、波谷數、峰谷數、負波谷數、最小值相對位置、最大值相對位置、次小
值與最小值之比。頻譜特徵傅立葉變換後的最大能量、最大能量對應的頻率。數值特徵最大值、最小值、總值、平均值、最大值與最小值之比絕對值、波動最大幅值與平均值之比、方差、波持續時間。本發明中，步驟(3)中初步提取的結構特徵、頻譜特徵和數值特徵用特徵向量形
式表示，即X = [SlfX2fX3, ,..Xi],其中I代表一個特徵。本發明中，步驟⑶中所述平均數方
差法，即對於結構特徵、頻譜特徵和數值特徵，先求出所有樣本該特徵的均值和方差，將原始特徵樣本數值減去均值後再除以方差，得到規範化後的特徵樣本數值。增加分類變量Ii，
得到初始特徵向量1 =,其中n為經過K-W檢驗後的特徵數目。本發明中，步驟(4)中所述評估具體為
(1)按照分類的要求，整理不同類型車型的特徵數據，利用ReliefF算法處理特徵數據，得到每個特徵的權重，建立原始特徵集合的權重向量；
(2)按照權值的大小從大到小排列，生成正序權重向量，根據權重的大小範圍情況設定權值閾值，將權值大於或等於設定閾值的特徵取出，組成新的權重向量，按對應的權重獲得新的序列特徵向量；
(3)根據泊松相關係數的算式求出中兩兩特徵相關度，參考特徵向量的維數和特徵相關度設定適當閾值，獲得相關度大於或等於閾值特徵對；(4)刪去步驟(3)中特徵對中特徵權值較小的特徵，獲得去冗餘的特徵組合。本發明中，步驟(4)中若Filter-Filter獲得特徵有n個,貝U需要評估的特徵組合對象為從n個特徵中，權值排名前三(Top-3)的特徵組合(視具體情況而定，一般情況下從Top-3開始)開始，依照Top-k機制建立的n-2個特徵組合。採用10折交叉驗證(C-V)，也就是將全部樣本分為10組，進行10次以「9組為學習樣本I組為檢驗樣本」的交叉驗證，獲得10次分類準確率的平均值作為C-V準確率。根據搜尋策略，C-V準確率最高且維度較小的組合為最優特徵組合。本發明中，步驟(5)中建立非線性軟間隔分類器，即聚類支持向量機(C-SVM)。具體來說就是利用懲罰參數C控制錯分樣本，建立軟間隔的分類超平面。本發明中，步驟(5)中聚類支持向量機的建立，具體為建立聚類支持向量機
的訓練樣本集，樣本的數量為^ ;車型分類器輸入的參數是一個V維特徵向量
組合爐；根據上文的二叉樹分類模式，每一步為二類劃分，即xe{-l+l}。在
建立多維度分類決策函數時，按照C-SVM的算法思想引入鬆弛變量和懲罰因子來解決非線性分類問題來建立最優分類決策面，並且允許一定的分類錯誤(軟間隔)；為了將複雜的最優化問題的求解簡化為對原有樣本數據的內積運算，引入了徑向基(RBF)核函數，
權利要求
1.一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於具體步驟如下 (1)通過單點式地磁感應器設定採集頻率，採集需要分類識別的車型地磁感應波形數據，所述採集的感應波形數據為去噪聲的線性波形，並且對其作了車速歸一化處理，得到的可用格式為線性波形上所有極值點橫縱坐標，建立二叉樹多車型分類模式； (2)根據採集的感應波形數據，單點式地磁感應器輸出的信息為離散點向量，通過數據融合方法將線性波形輸出的若干個數值點橫縱坐標轉化為若干個單獨特徵，提取出包括波形的結構特徵、頻譜特徵和數值特徵三大類特徵； (3)根據提取的三大類特徵，建立幹擾波的篩選方法，篩選出有效的波形樣本，設定當最大波動不大於20或者峰谷數不大於3時即可認為是幹擾波，判斷為無效波形，得到初步提取的結構特徵、頻譜特徵和數值特徵；初步提取後，採用K-W檢驗對單個特徵的統計聚散度進行計算評價，並刪除其中不滿足假設檢驗的不顯著特徵，並按照平均數方差法規則對其規範化，建立有效的樣本庫； (4)建立多層特徵選擇模式,融合Filter-Filter-Wrapper模式,對步驟(3)提取的初始特徵進行特徵評估和選擇，挑選出最優特徵組合；其中=Filter-Filter-Wrapper模式的第一層Filter為基於ReliefF算法的權值過濾，第二層Filter為基於特徵間相關係數的去冗餘式過濾，第三層Wrapper為利用分類器的交叉驗證準確率對Top-K的特徵組合進行最優特徵組合搜尋，即在提取的初始特徵中挑選出最有利於車型識別的特徵組合； (5)考慮線性不可分情況，建立非線性軟間隔分類器，即建立基於聚類支持向量機的車型識別算法，並採用微粒群算法對分類函數中的核函數參數C和懲罰係數C進行優化，建立微粒群優化的聚類支持向量機二類分類器； (6)二叉樹上的每個樹節點都需利用微粒群優化的聚類支持向量機二類分類器對支持向量機進行訓練，獲得二叉樹中所有二類車型分類器； (7)根據分類模式，通過二叉樹上所有二類車型分類器建立完整的分類決策樹，對未知車型的波形從決策樹自上而下遍歷，到達每個分類節點進行判斷，直到到達葉子節點，最終識別出車型。
2.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(I)中單點式地磁感應器採集的波形是時域信號，通過快速傅立葉變換算法得到相應波的頻譜分布，找出含噪聲的時域信號的頻率組成和能量。
3.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(I)建立的二叉樹多車型分類模式，分類樹上節點可以為車型組合，也可以為單獨的車型。
4.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(2)中所述結構特徵、頻譜特徵和數值特徵三大類特徵，包括 結構特徵波峰數、波谷數、峰谷數、負波谷數、最小值相對位置、最大值相對位置、次小值與最小值之比； 頻譜特徵傅立葉變換後的最大能量、最大能量對應的頻率； 數值特徵最大值、最小值、總值、平均值、最大值與最小值之比絕對值、波動最大幅值與平均值之比、方差、波持續時間。
5.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(3)中初步提取的結構特徵、頻譜特徵和數值特徵用特徵向量形式表示，即X = [x1；x2,K3,…Xi],其中^代表一個特徵。
6.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(3)中所述平均數方差法，即對於結構特徵、頻譜特徵和數值特徵，先求出所有樣本該特徵的均值和方差，將原始特徵樣本數值減去均值後再除以方差，得到規範化後的特徵樣本數值；增加分類變量p得到初始特徵向量1 =,其中n為經過K-WI檢驗後的特徵數目。
7.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(4)中所述評估具體為 (1)按照分類的要求，整理不同類型車型的特徵數據，利用ReliefF算法處理特徵數據，得到每個特徵的權重，建立原始特徵集合的權重向量； (2)按照權值的大小從大到小排列，生成正序權重向量，根據權重的大小範圍情況設定權值閾值，將權值大於或等於設定閾值的特徵取出，組成新的權重向量，按對應的權重獲得新的序列特徵向量； (3)根據泊松相關係數的算式求出中兩兩特徵相關度，參考特徵向量的維數和特徵相關度設定適當閾值，獲得相關度大於或等於閾值特徵對； (4)刪去步驟(3)中特徵對中特徵權值較小的特徵，獲得去冗餘的特徵組合。
8.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(4)中若Filter-Filter獲得特徵有n個,貝U需要評估的特徵組合對象為從n個特徵中，權值排名前三(Top-3)的特徵組合開始，依照Top-k機制建立的n-2個特徵組合； 採用10折交叉驗證C-V，也就是將全部樣本分為10組，進行10次以9組為學習樣本I組為檢驗樣本的交叉驗證，獲得10次分類準確率的平均值作為C-V準確率。
9.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(5)中聚類支持向量機的建立，具體為建立聚類支持向量機的訓練樣本集( 乃)L1,樣本的數量為;車型分類器輸入的參數是一個J維特徵向量組；根據上文的二叉樹分類模式，每一步為二類劃分，即乃€ {-1，+1};在建立多維度分類決策函數時，按照C-SVM的算法思想引入鬆弛變量和懲罰因子來解決非線性分類問題來建立最優分類決策面，並且允許一定的分類錯誤(軟間隔)；為了將複雜的最優化問題的求解簡化為對原有樣本數據的內積運算，引入了徑向基(RBF)核函數，JfOU) =炫,式中f為支持向量的值、為需分類的樣本值，為核函數參數；每個支持向量構成一個RBF的中心，其位置、個數以及連接權值都是通過訓練過程來確定。
10.根據權利要求I所述的一種在地磁感應器上基於支持向量機的車型識別方法，其特徵在於步驟(7)中，首先對未知車型的波形進行有效性判別；若為有效波形，則從決策樹自上而下遍歷，到達每個分類節點時，首先將未知車型的波形進行特徵提取和規範化，分離出此分類節點上二類車型的最優特徵組合，將特徵組合輸入進分類器C-SVM中，進行二類判斷，判斷結束後進入下一個節點，如果達到葉子節點則獲得識別最終結果，結束識別過程。
全文摘要
本發明涉及一種在地磁感應器上基於支持向量機的車型識別方法，具體步驟如下通過地磁感應器採集需識別的車型波形數據；將波形提取為若干數值化的特徵，篩選出有效數據，並將特徵規範化；根據提取的特徵進行多層特徵選擇，挑選出最優特徵組合；建立基於聚類支持向量機的車型分類算法，並採用微粒群算法優化分類函數中的參數；建立二叉樹分類模式，訓練每個分類節點上的分類器，建立完整的分類決策樹；輸入待識別車型地磁感應波形，獲得對其的識別結果。本發明建立了一種波形特徵提取與選擇的模式，同時採用的基於支持向量機的分類算法以及微粒群優化算法，均大大提高了機器學習的效能，使其能夠快速準確地識別車型。
文檔編號G08G1/017GK102779281SQ20121020843
公開日2012年11月14日 申請日期2012年6月25日 優先權日2012年6月25日
發明者何堯, 孫立軍, 杜豫川, 陳韜 申請人:同濟大學