有監督Kohonen網絡的車型識別方法*

紀　野， 李玉惠， 李　勃， 楊　敏

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500;2.云南省智能交通系統工程技術研究中心 智能圖像處理研究室，云南 昆明 650500)

?

有監督Kohonen網絡的車型識別方法*

紀野1,2， 李玉惠1,2， 李勃1,2， 楊敏1,2

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500;2.云南省智能交通系統工程技術研究中心 智能圖像處理研究室，云南 昆明 650500)

車型識別已成為智能交通系統研究中的一個重要內容。根據同類車型尺寸特征如長、寬、高特征值都具有相似性特點，利用已有車型數據庫，分別使用逆傳播(BP)神經網絡、支持向量機(SVM)網絡、有監督Kohonen網絡這三種神經網絡分類方法對車型尺寸特征進行分類，得到三個車型識別準確率并進行比較驗證。實驗結果表明:有監督Kohonen網絡的分類方法具有較高的車型識別精度，實驗效果明顯，車型識別準確率高。

智能交通系統； 車型識別； BP神經網絡； SVM網絡； 有監督Kohonen網絡

0　引　言

現代的交通管理，車型識別技術是交通參數統計中的重要依據，車型識別技術在現代化智能交通系統中，對于改善人們的生活質量方面有著重要的社會現實意義。在車型識別的方法中，Sun Z等人提出Haar小波特征與Gabor特征結合采用支持向量機(support vector machine,SVM)分類器進行車輛分類識別[1]；康維新等人結合車輛Harris 特征與 SIFT 特征，利用Hausdorff 距離進行車型識別[2]等，這些方法特征提取計算量較大，當數據庫中的車輛類型較多時，所需識別時間較長，限制了在實際中運用。Pearce G,何佳聰，蔡恒進等人利用汽車正面圖像和車標進行車輛分類識別，提高車型分類的準確性[3,4]，但研究結果受正面圖像角度偏移和圖像大小影響較大，在實際應用中有待改進。陳曦等人利用SVM進行心電圖(ECG)傳感器信號身份識別[5]準確率高，該方法也可應用于車型識別。本文實驗分別采用了BP神經網絡、SVM網絡、有監督Kohonen網絡三種分類方法對車型尺寸特征(長、寬、高)進行分類比較實驗，驗證了有監督Kohonen網絡的分類方法識別準確率高而且快速有效。

1　車型的識別

1.1數據準備

實驗的基礎是已經建好的車型數據庫，車型數據庫的數據有近2 000種常見車輛的基本參數，其中包含車輛的尺寸特征信息。在此基礎上，分別使用BP神經網絡、SVM網絡、有監督Kohonen網絡三種分類方法對已知車型的尺寸特征值進行分類。

1.2車型識別的算法流程

本文運用提取的尺寸特征對常見的轎車、微面、輕卡、客車四種車型進行了車型識別。

基于BP神經網絡的車型尺寸特征數據分類算法流程如圖1所示。

圖1　基于BP神經網絡的算法流程圖Fig 1　Flow chart of algorithm based on BP neural network

基于SVM網絡車型尺寸特征數據分類算法流程如圖2所示。

圖2　基于SVM網絡的算法流程圖Fig 2　Flow chart of algorithm based on SVM network

基于有監督Kohonen網絡的車型尺寸特征數據分類算法流程如圖3所示。

圖3　基于有監督Kohonen網絡的算法流程圖Fig 3　Flow chart of algorithm based on supervised Kohonen network

2　三種神經網絡分類方法研究

2.1BP神經網絡分類原理

BP神經網絡[6]是一種典型的多層前饋網絡(MFNN)，一般由輸入層、隱含層和輸出層組成。一個三層的BP神經網絡可以完成任意n維到m維的映射。BP學習算法由正向傳播和反向傳播組成。正向傳播中，輸入信號從輸入層經隱含層傳向輸出層。若輸出層得到了期望的輸出，學習算法結束；否則，轉至反向傳播。反向傳播是將誤差信號(樣本輸出與網絡輸出之差)按原連接通路反向計算，由梯度下降法調整各層神經元的權值與閾值，使誤差信號減小。

2.2SVM網絡分類原理

支持向量機實現原理[7]：通過某種事先選擇的非線性映射(核函數)將輸入向量映射到一個高維特征空間，在這個空間中構造最優分類超平面。SVM最初是針對兩個數據類別分類問題提出來的。對于樣本集(xi,yi),i=1,2,…,n;xi∈Rn;yi∈{-1,1}，構造分類面：WX+b=0，能將兩類樣本無錯誤分開，使兩類之間距離最大。W，X為n維向量，線性判別函數一般形式為g(x)=Wx+b，用同倍縮放W，b的方法進行歸一化，使離分類面最近的樣本滿足|g(x)|=1，兩類所有樣本都滿足|g(x)|≥1，兩類樣本分類間隔為2/‖W‖。

2.3有監督Kohonen網絡分類原理

有監督Kohonen網絡結構包含輸入層、競爭層和輸出層(節點個數同數據類別個數相同)三層前饋神經網絡，輸入層神經元個數同輸入樣本向量維數一致，競爭層節點呈二維陣列分布，輸出層節點個數同數據類別相同，每個節點代表一類數據。輸出層節點和競爭層節點通過權值全相連，數據輸入有監督Kohonen網絡，在權值調整時，不僅調整輸入層同競爭層優勝節點領域內節點權值，同時調整競爭層優勝節點領域內節點同輸出層節點權值。競爭層上的神經元計算輸入樣本與競爭層神經元權值之間的歐幾里得距離，距離最小的神經元為獲勝神經元。調整獲勝神經元和相鄰神經元權值，使獲得神經元及周邊權值靠近該輸入樣本。通過反復訓練，最終各個神經元的連接權值具有一定的分布，該分布把數據之間的相似性組織到代表各類的神經元上，使同類神經元具有相近的權系數，不同類的神經元權系數差別明顯。學習過程中，權值修改學習速率和神經元領域均在不斷減小，使同類神經元逐漸集中。有監督Kohonen網絡訓練步驟：

1)數據歸一化。

2)網絡初始化:初始化輸入層與競爭層之間權值wij、競爭層與輸出層之間權值wjk。

4)神經元選擇:把與輸入向量X距離最小的競爭層神經元c作為最優匹配輸出神經元。

5)權值調整[8]:調整輸入層同競爭層獲勝神經元領域內節點權值，即

wij=wij+η1(Xi-wij)

(1)

調整競爭層獲勝神經元領域內節點同輸出層節點權值，即

wjk=wjk+η2(Yk-wjk)

(2)

式中η1,η2為學習速率，Yk為樣本所屬類別。

6)判斷算法是否結束，若沒有結束，返回步驟(2)。

3　實驗結果分析

實驗中，用三種分類模型分別對車型數據庫中400個數據樣本做分類比較實驗。這400個車型尺寸特征數據包括第一類轎車數據100個、第二類輕卡數據100個、第三類微面數據100個、第四類客車數據100個。實驗選擇四種車型尺寸特征數據區分度明顯，避免車型數據區分度模糊，導致分類模型對測試數據分類錯誤的情況。三種分類方法中數據均為隨機選取，訓練數據300個，預測數據100個。

三種分類方法對應四種車型分類準確率的比較結果，如表1所示。

三種分類方法對四種車型分類預測錯誤情況均為四種車型之間分類預測錯誤。如圖4、圖5和圖6所示。

圖4　BP神經網絡分類圖Fig 4　BP neural network classification diagram

圖4中點線為實際車輛類別，實線為預測車輛類別。位于四種類別水平線上，實線與點線尖點重合為分類預測準確，錯開為分類預測錯誤。BP神經網絡實驗經多次預測分類，時間較短，準確率不穩定。

圖5中圓圈為實際車輛類別，星號為預測車輛類別。星號與圓圈重合為分類預測準確，錯開為分類預測錯誤。實驗經多次預測分類，時間較長，準確率穩定。

圖5　SVM網絡分類圖Fig 5　SVM network classification diagram

圖6中點線為實際車輛類別，實線為預測車輛類別。實線與點線重合為分類預測準確，錯開為分類預測錯誤。實驗經多次預測分類，時間適中，準確率趨于穩定。

圖6　有監督Kohonen網絡分類圖Fig 6　Supervised Kohonen network classification diagram

綜上所述，用Matlab軟件編程運算，得到表2所示分類結果。

表2　實驗結果比較分析

4　結束語

本文針對已有車型數據庫，分別用BP神經網絡、SVM網絡、有監督Kohonen網絡分類算法對車型尺寸特征進行分類，經多次實驗結果比較，最終采用有監督Kohonen網絡分類算法進行車型識別。三種分類算法，根據運行時間和準確度綜合考慮，有監督Kohonen網絡優于其他分類算法，算法實現簡單，運算量少，車型識別實驗也驗證該方法的可行性和可靠性。實驗結果表明，本文方法能有效提高車型識別率。

[1]Sun Z,Bebis G,Miller R.Improving the performance of on-road vehicle detection by combining Gabor and wavelet features[C]∥IEEE The 5th International Conference on Intelligent Transportation Systems,Singapore: IEEE,2002:130-135.

[2]康維新，曹宇亭，盛卓，等.車輛的 Harris 與 SIFT 特征及車型識別[J].哈爾濱理工大學學報，2012,17(3):69-73.

[3]Pearce G,Pears N.Automatic make and model recognition from frontal images of cars[C]∥The 8th IEEE International Confe-rence on Digital Object Identifier,Advanced Video and Signal-Based Surveillance (AVSS),Klagenfurt: IEEE,2011:373-378.

[4]何佳聰，蔡恒進，鄧娟，等.基于改進的HMAX算法的車型識別應用[J].計算機科學與應用，2012(2):233-239.

[5]陳曦，陳冠雄，沈海斌.基于SVM的ECG傳感器信號身份識別方法[J].傳感器與微系統，2014,33(10):40-43.

[6]史峰，王小川，郁磊，等.MATLAB神經網絡30個案例分析[M].北京:北京航空航天大學出版社，2010.

[7]梁燕.SVM分類器的擴展及其應用研究[D].長沙:湖南大學，2008:32-35.

[8]馬衛，馬全富.有監督的Kohonen神經網絡聚類算法在癌癥診斷中的應用[J].微電子學與計算機，2014,31(12):108-110.

李玉惠，通訊作者，E—mail：1484946977@qq.com。

Research on vehicle type identification method based on supervised Kohonen network*

JI Ye1,2, LI Yu-hui1,2, LI Bo1,2, YANG Min1,2

(1.School of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China;2.Intelligent Image Processing Research Department,Intelligent Transportation System Engineering Technology Research Center of Yunnan Province,Kunming 650500,China)

Vehicle type identification has become an important research content in intelligent transportation systems.According to the characteristics of size similar vehicle models such as long,width,height features value are similar characteristics,using the existing vehicle models database,respectively using three neural network classification methods,such as BP neural network,SVM network,supervised Kohonen network,to classify features of vehicle type size,obtain identification accuracy rate of three vehicle type and comparison and verification are carried out.Experimental results show that the classification method of supervised Kohonen network has high precision of vehicle identification,the experimental effect is obvious,and the accuracy rate of vehicle type identification is high.

intelligent transportation system; vehicle type identification; BP neural network; SVM network; supervised Kohonen network

2015—11—16

國家自然科學基金資助項目(61363043)

TP 183

A

1000—9787(2016)08—0012—03

紀野(1990-)，男，吉林省四平人，碩士研究生，主要研究方向為智能圖像處理。

DOI:10.13873/J.1000—9787(2016)08—0012—03