一種面向“互聯網+”智能交通管理的車輛類型識別方法

呂林濤+李志勛+呂暉+袁琴琴+高環

摘 要： 針對現有智能交通管理中車輛類型識別方法存在分類器效率較低等諸多問題，通過構造一種新的分類器，建立了一種智能交通車輛類型識別新方法。首先采用邊緣梯度直方圖進行圖像特征提取，然后通過融合糾錯編碼技術和K?近鄰分類器構造新分類器實現車輛類型的分類。通過大量實驗仿真分析比對表明，該方法不僅能將多類分類問題轉化成多個兩分類問題，而且使車輛類型識別效率提高了2%，魯棒性好。因此，該方法在“互聯網+”智能交通管理中具有廣闊的應用前景和推廣價值。

關鍵詞： 邊緣方向直方圖； 糾錯編碼； K?近鄰分類器； 智能交通； 車輛類型識別

中圖分類號： TN911?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2017）13?0184?03

Abstract： Since the available vehicle type identification methods of the intelligent traffic management have various problems， such as low classifier efficiency， a new classifier was constructed to establish a vehicle type identification method for intelligent traffic. The edge gradient histogram is used to extract the image characteristics. The error correction coding technology and K?nearest neighbor classifier are fused to construct the new classifier to classify the vehicle types. The analysis and comparison results of a large number of experimental simulation show that the method can transform the multi?class classification problem into the multiple binary classification problem， make the vehicle type identification efficiency increased by 2%， and has the characteristic of good robustness. The method used in ″Internet+″ intelligent traffic management has broad application prospect and high promotion value.

Keywords： edge orientation histogram； error correction coding； K?nearest neighbor classifier； intelligent traffic； vehicle type identification

0 引 言

當前，“互聯網+”智能交通車輛管理中車輛類型識別方法是人們研究與關注的熱點。車型識別問題在交通監控和調度、路橋收費管理等領域一直有著重要的應用，是計算機視覺、圖像處理技術與模式識別的融合，是智能交通領域中一項非常重要的技術。

目前廣泛采用的車輛識別算法大多數仍是通過各種裝置獲得車輛重量參數或側面幾何形狀的特征參數（如車長、車寬、長寬比、輪軸數等），然后采用模板匹配或神經網絡[1?2]等方法對其參數特征進行車型分類，但算法的車輛類型識別率不高，不能適應“互聯網+”智能交通管理的要求。因此，研究一種交通車輛類型識別率高、魯棒性好的算法具有重要的現實意義和廣闊的應用前景。

1 基于ECC?KNN分類器的智能交通車輛類型

識別方法

本文提出的ECC?KNN分類器的車輛識別方法主要包括車輛邊緣直方圖特征提取算法和ECC?KNN算法。

1.1 基于邊緣直方圖的車輛特征提取算法

邊緣直方圖[3?4]（Edge Orientation HistoGRAMS，EOH）是基于圖像邊緣的統計特征，它具有能夠準確地反映圖像的邊緣和紋理信息并且提取特征速度較快等特點，因此本文采用EOH進行車輛圖像特征提取。其實現思想是：首先構造的灰度圖像I，sobel算子和其次通過和算子分別對圖像I進行邊緣特征提取?；诖怂枷耄O采集圖像I中的樣本像素為（其中表示像素所在行數和列數，），并假設得到和方向的梯度分別是和，則樣本像素點的梯度幅值和梯度方向特征提取算法描述如下：

1.2 基于ECC?KNN的車輛特征分類算法

本文通過融合糾錯編碼技術和K?近鄰分類器構造新車輛類型的分類器，并實現車輛類型的高效分類。

1.2.1 基于糾錯編碼的分類算法

糾錯碼[5] （Error Correcting Code，ECC）是在傳輸過程中發生錯誤后能在收端自行發現或糾正的碼。文獻[6]最先將ECC應用到解決多分類問題，其思想是把一種多類分類問題轉換成多個兩分類問題。有效的ECC編碼必須滿足兩個條件：編碼矩陣的行之間不相關；編碼矩陣的列之間不相關且不互補。因此對于類分類問題，編碼長度必須滿足。ECC編碼分類算法描述如下：

Step1：對待分類樣本的類別（Label）進行編碼，把所有的目標分類隨機劃分為A，B兩部分，把劃分到A的那些實例的標號改成0，其他實例的標號改成1；

Step2：用更改標號以后的訓練集來訓練該二值分類器。重復這個過程10次，則產生了10個不同的二值分類器；

Step3：分類結果如果是1，則對劃分到對應分類器的B部分的目標分類投一票，最后目標分類票數最高的作為最終的分類結果。對樣本類別進行編碼，編碼矩陣如表1所示。

1.1.2 融合ECC?KNN技術構造車輛類型分類的算法

K?近鄰分類器[7?9]（K?Nearest neighborhood classifier，KNN）是一種基于統計的分類方法。其基本思想是：根據相似度判據考察待識別對象的個最相似樣本，這個最相似元中哪一類的樣本最多，就將歸于哪一類。因此，ECC?KNN分類算法描述如下：

Step1：對已知的類標按照表1的編碼矩陣進行編碼，把多類問題轉化成若干個兩類分類問題；

Step2：對已經提取的EOH特征訓練KNN分類器，得到10個KNN分類器（KNN1，KNN2，…，KNN10）；

Step3：對待識別的目標提取EOH特征，依次輸入到10個KNN分類器中得到一組編碼，對該編碼進行反編碼。如果KNN1輸出的結果為1，如表1所示，則對對應的類標（類4、類5）加1票，否則對其余三類加1票；如果KNN2輸出的結果為1，如表1所示，則對對應的類標（類1、類5）加1票，否則對其余三類加1票；依次類推，最終五個類標中票數最高的類就是該樣本的分類結果。

2 實驗仿真分析比對

（1） 基于邊緣直方圖的交通車輛特征提取算法應用

本文選取的樣本車輛如圖1（a）所示，基于邊緣直方圖的車輛特征提取算法應用效果如圖1（b）所示。

（2） 融合ECC?KNN技術構造交通車輛類型分類算法應用

在圖1中，其車輛樣本特征值為11010101001，通過融合ECC?KNN技術構造車輛類型分類的算法應用結果如圖2所示。

（3） 本文方法與其他方法的仿真比對

本文選取獨立訓練樣本和待識別樣本集，其中訓練樣本集包括 73輛小汽車，73輛面包車，89輛卡車，89輛公交車，48輛越野車共計372個樣本。ECC?KNN算法與傳統KNN算法的識別率比對如表2和圖3所示。

3 結 語

本文通過邊緣直方圖提取車輛的邊緣特征，然后融合ECC和KNN構造的分類器實現交通車輛的車型識別，并取得了良好的分類效果。將372個樣本進行實驗仿真，并將本文方法與傳統的識別方法對比，本文方法可提高識別效率2%。因此，本文方法不僅分類準確而且還有很好的魯棒性，很好地解決了智能交通車輛的車型識別問題，在“互聯網+”智能交通管理中具有廣闊的應用前景和推廣價值。

參考文獻

[1] 張津劍，顧曉東.自適應注意力選擇與脈沖耦合神經網絡相融合的沙漠車輛識別[J].計算機輔助設計與圖形學學報，2014，26（1）：56?64.

[2] 王啟軍，胡瑞敏，王中元.基于邊界紋理一致性的幀內模板匹配預測算法[J].計算機工程，2012，38（6）：227?229.

[3] ZHAO Chihang， ZHANG Xiaozheng， ZHANG Yunsheng， et al. Recognizing driving postures by combined features of contourlet transform and edge orientation histogram ，and random subspace classifier ensembles [J]. Journal of intelligent and fuzzy systems， 2014， 27（4）： 2011?2021.

[4] 劉海媚，王玲，李蘭花.基于方向邊緣幅值的尺度塊LBP人臉識別[J].計算機工程與應用，2015，51（17）：177?181.

[5] KOJO T， TAWADA M， YANAGISAWA M， et al. A write?reducing and error?correcting code generation method for non?volatile memories [C]// Proceedings of 2014 IEEE Asia?Pacific Conference on Circuits and Systems. Ishigaki： IEEE， 2014： 304?307.

[6] DIETTERICH T G. Machine learning research： four current directions [J]. AI magazine， 1997， 18（4）： 97?136.

[7] BATHELT R， SOLLER T， BENKERT K， et al. Accelerated processing route for KNN based piezoceramics [J]. Advances in applied ceramics， 2013， 112（7）： 430?435.

[8] 劉紅健，胡蓉.K近鄰和最小二乘支持向量機相融合的人臉識別[J].激光雜志，2014，35（11）：23?25.

[9] 孫偉偉，劉春，李巍岳.聯合改進拉普拉斯特征映射和K?近鄰分類器的高光譜影像分類[J].武漢大學學報（信息科學版），2015，40（9）：1151?1156.