基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型設計

樊曉宇 (安徽科技學院機電與車輛工程學院，安徽 鳳陽 233100)

基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型設計

樊曉宇 (安徽科技學院機電與車輛工程學院，安徽 鳳陽 233100)

為了提高車輛識別的準確性，采用BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型對多源信息中的目標車輛進行信息識別。研究結果表明，采用基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型可以使車輛識別的不確定性基本概率賦值下降到0.001，較好地解決了只用單一傳感器進行車輛識別時存在的準確性和穩(wěn)定性差的問題。

多傳感器信息融合技術；車輛識別；BP神經(jīng)網(wǎng)絡；D-S證據(jù)理論

多傳感器信息融合技術是指對多個傳感器的信息進行綜合處理，從而獲得更為精確、可靠的信息[1-2]。目前，在車輛識別模型中常利用多傳感器信息融合技術將各個傳感器提供的信息融合,這樣可以彌補單個傳感器的局限性。由于D-S(Dempster-Shafe)證據(jù)理論具有無需先驗概率、推理形式簡單等優(yōu)點，而BP神經(jīng)網(wǎng)絡具有很強的非線性泛化和映射能力[3]，為了提高車輛識別模型識別車輛的準確性，筆者基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論對車輛識別模型進行了設計?安徽科技學院青年基金項目(ZRC2013339)。。

1 D-S證據(jù)理論與BP神經(jīng)網(wǎng)絡

1.1D-S證據(jù)理論

D-S證據(jù)理論的證據(jù)合成規(guī)則可以為不確定信息的合成提供依據(jù)，其具體內(nèi)容如下：設BL1和BL2是同一識別框架Ψ上的2個信任函數(shù)，其基本概率分配分別為m1和m2，相應的焦元分別為A1、A2、…、Ak和B1、B2、…、Br，K為沖突因子，其反映證據(jù)間沖突程度的大小,令:

(1)

式中，φ表示空集；i=1,2,…,k，j=1,2,…,r。融合后的基本概率賦值為：

(2)

若K=1，m1和m2完全沖突，無法組合基本概率賦值；若K≠1，m確定一個基本概率賦值。該規(guī)則的合成結果反映了同一識別框架中幾個不同證據(jù)間的聯(lián)合支持程度。

設n個傳感器，每個傳感器有r個測量周期，識別框架中有意義的識別有k個(A1,A2,…,Ak)，每個傳感器在各自測量周期的后驗基本概率數(shù)為msj(Ai)，i=1,2,…,k；j=1,2,…,r；s=1,2,…,n；msj(Ai)表示第s個傳感器在第j個測量周期對Ai的后驗可信任度分配。運用多傳感器信息融合技術的具體步驟如下：①計算每一個周期所有傳感器的各個融合的后驗可信任度分配；②基于可信任度分配計算總的融合后驗可信任度分配；③根據(jù)具體應用，用D-S證據(jù)理論組合后進行決策。設A1,A2∈Ψ，若滿足m(A1)=max{m(Ai),Ai∈Ψ},m(A2)=max{m(Ai),Ai∈Ψ,Ai≠A1}時：

(3)

則A1為判決結果，其中E1、E2分別為預先設定的閾值。

1.2BP神經(jīng)網(wǎng)絡

BP神經(jīng)網(wǎng)絡是基于誤差反向傳播并對連接權進行學習的多層前向神經(jīng)網(wǎng)絡，其具有很強的非線性泛化和映射能力。通常情況下，BP神經(jīng)網(wǎng)絡由一個輸入層、多個隱含層和一個輸出層構成，各層之間由傳遞信息的連接權連接。

圖1 車輛識別模型架構圖

在實際車輛信息識別應用中，BP神經(jīng)網(wǎng)絡工作過程如下[4]：由樣本選取信息從輸入層經(jīng)隱含層逐層計算各單元的輸出值并傳向輸出層；若輸出層沒得到期望的輸出值，則將誤差沿原連接通道反向傳播并修改各層神經(jīng)元的連接權值，達到期望目標。

2 車輛識別模型架構

BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型架構圖如圖1所示。在該車輛識別模型中具有2個采集器，即車輛圖像采集器和車牌采集器。車輛圖像采集器所采集的信息通過圖像處理模塊進行圖像特征值的提取，從而獲得到圖像特征的變量因子。車輛車牌采集器所采集的信息通過提取車牌特征值來獲得車牌特征的變量因子。對圖像和車牌特征的變量因子篩選后經(jīng)由數(shù)據(jù)采集卡送入計算機進行運算， 即可得到車輛綜合識別結果，包括車輛的車主姓名等綜合信息。

3 基本可信度的確定

基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型的設計過程中，目標車輛車主等綜合信息應具有最大的可信度，該可信度值與其他類別可信度值的差須大于預先設定的閾值E，并且該可信度值經(jīng)變換后得到的檢測值須處在不確定性區(qū)間的長度內(nèi)。在D-S證據(jù)理論的約束下，車輛車主等綜合信息識別的基本可信度分配方法是：在車輛識別模型中，存在一個待識別信息的目標車輛，用信號特征提取技術[5]從目標車輛中提取出能反映目標車輛圖像和車牌特征的若干特征參數(shù)，再將上述參數(shù)送入BP神經(jīng)網(wǎng)絡的輸入層。在車輛識別模型中車輛圖像采集器和車輛車牌采集器所采集到的數(shù)據(jù)經(jīng)過圖像和數(shù)字信號處理后，提取出車輛的圖像特征和車牌數(shù)字特征向量。在該車輛識別模型中，BP神經(jīng)網(wǎng)絡的網(wǎng)絡結構包括2個輸入端和1個輸出端。這樣，只要通過提供足夠多的車輛樣本模式供BP神經(jīng)網(wǎng)絡進行學習，便能完成由二維輸入空間到三維輸出空間的非線性映射。在車輛識別模型中，車輛圖像采集器和車輛車牌采集器每采集一次目標車輛的信息，經(jīng)過圖像和數(shù)字信號處理便可得到車輛圖像和車牌的特征向量，將得到的圖像和車牌的特征向量作為BP神經(jīng)網(wǎng)絡的輸入，經(jīng)過BP神經(jīng)網(wǎng)絡的運算能得到2個數(shù)值矩陣。最后，把上述數(shù)值矩陣經(jīng)過歸一化處理，分別作為車輛圖像采集器和車輛車牌采集器的基本可信度分配。

4 試驗結果分析

為了驗證基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型的準確性，假設1的車主是F1，2的車主是F2，3的車主是F3，4的車主是F4， 車輛識別框架為Ψ={1,2,3,4}。車輛識別模型中采用車輛圖像采集器和車輛車牌采集器。

利用BP神經(jīng)網(wǎng)絡分別對車輛識別模型中車輛圖像采集器和車輛車牌采集器檢測出的結果進行基本可信度的分配。首先，利用參考指標中比較有代表性的車輛樣本數(shù)據(jù)對BP神經(jīng)網(wǎng)絡進行訓練。當訓練到100次左右時訓練停止，BP神經(jīng)網(wǎng)絡的訓練精度為10-5，達到了事先設定的目標誤差要求。將車輛識別模型中第一次車輛圖像采集器和車輛車牌采集器所采集到的圖像和車牌數(shù)據(jù)輸入到BP神經(jīng)網(wǎng)絡，在輸出端獲得車輛圖像采集器的基本可信度分配的概率Pi(i=1,2,3,4)，P1、P2、P3和P4分別表示識別樣本車輛的車主可能為F1、F2、F3或F4的概率，其值分別為0.181、0.401、0.216、0.191。Wq(q=1,2)表示模擬不確定的概率(在實際生活中可看作是使用假車牌的車輛)，且W1為0.12。同時，在BP神經(jīng)網(wǎng)絡輸出端得到車輛車牌采集器的基本可信度分配的概率Pj(j=1,2,3,4)分別為0.202、0.158、0.299、0.171，W2為0.104。按D-S證據(jù)理論，對車輛圖像采集器和車輛車牌采集器融合所得到目標車輛識別的概率值為：

同理算得：P2=0.107,P3=0.091,P4=0.055。若χij表示發(fā)生沖突的概率，則χij=PiPj。可得χ12=0.029,χ13=0.054,χ14=0.031,χ21=0.081,χ23=0.12,χ24=0.069,χ31=0.044,χ32=0.034,χ34=0.037,χ41=0.039,χ42=0.03,χ43=0.057。若車輛圖像采集器和車輛車牌采集器的證據(jù)沖突因子為K，融合后的基本概率值為m(P1)、m(P2)、m(P3)和m(P4)。由式(1)算得沖突因子K=χ12+χ13+χ14+χ21+χ23+χ24+χ31+χ32+χ34+χ41+χ42+χ43=0.625。由式(2)算得2個采集器證據(jù)融合后對目標識別車輛的基本概率賦值如下：m(P1)=0.155；m(P2)=0.285；m(P3)=0.243；m(P4)=0.147；m(W)=0.001。可見，不確定性基本概率賦值W下降到0.001。同時，基本概率賦值m(P2) 最大，最終目標識別車輛的決策結果為P2，即目標識別車輛的車主是F2。這個結果與只用一個圖像采集器的車輛識別

圖2 100輛車輛識別試驗結果比較圖

結果一致，而與只用一個車牌采集器結果不一致，說明經(jīng)過BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型在車輛識別的準確性和穩(wěn)定性方面比只用一個采集器的車輛識別有改進。結果表明，該車輛識別模型的輸出誤差在允許的范圍之內(nèi)，提高了車輛識別的準確性。

利用車輛識別模型進一步對100輛不同類型和車牌車輛的車主進行識別，并與只用圖像采集器或車牌采集器的車輛識別方式進行比較(見圖2)。從圖2可以看出，采用基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型對100 輛不同類型和車牌車輛的車主進行10次識別的準確度平均值為96，而只用圖像采集器和只用車牌采集器進行車輛識別的準確度平均值分別為85和68，說明前者車輛識別準確性更高。

5 結 語

采用基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型應用于車輛識別，既利用了BP神經(jīng)網(wǎng)絡的自適應能力，又利用了D-S證據(jù)理論對不精確信息的推理能力。研究表明，利用車輛識別模型對不同采集器檢測的同一目標車輛數(shù)據(jù)進行信息融合識別，提高了目標車輛的識別精度，較好地解決了只用單一傳感器進行車輛識別時存在的準確性和穩(wěn)定性差的問題。因此，基于BP神經(jīng)網(wǎng)絡與D-S證據(jù)理論的車輛識別模型具有可行性。

[1]康耀紅.數(shù)據(jù)融合理論與應用[M].西安：西安電子科技大學出版社，1997.

[2]Lawrence A K.多傳感器數(shù)據(jù)融合理論及應用[M].北京：北京理工大學出版社，2004.

[3]高雋.人工神經(jīng)網(wǎng)絡原理及仿真實例[M].北京，機械工業(yè)出版社，2005：50-88.

[4]聞新，周露，李翔，等.Matlab神經(jīng)網(wǎng)絡仿真與應用[M].北京:科學出版社，2003.

[5]張永懷，劉君華.采用BP神經(jīng)網(wǎng)絡及其改進算法改善傳感器特性[J].傳感技術學報，2002，9：185-188.

[編輯] 李啟棟

TP212

A

1673-1409(2013)25-0094-03

2013-06-12

樊曉宇(1981-)，男，助教，博士生，現(xiàn)主要從事通信、傳感系統(tǒng)優(yōu)化設計，信號與信息處理方面的教學與研究工作。