基于動態貝葉斯網絡的障礙物辨識研究

劉順林 黃影平 劉述民

摘 要：依據對樣本的統計學習和對事物的先驗知識，在數據缺失或沒有樣本數據的情況下依然可以建立有效的分類器。從圖像中提取特征，篩選出所需特征，構建貝葉斯網絡模型，并計算各節點的條件概率。將所需數據傳入建好的網絡系統中，通過一系列推理判斷得到所需答案。實驗結果表明，利用動態貝葉斯網絡建立的障礙物辨識系統，能有效實現人和車輛等障礙物的辨識。

關鍵詞：動態貝葉斯網絡；特征提取；障礙物辨識

DOI：10.11907/rjdk.172656

中圖分類號：TP301

文獻標識碼：A 文章編號：1672-7800（2018）004-0025-03

Abstract：This paper employs dynamic Bayesian network for obstacle classification. The network is established based on statistical learning from the sample and prior knowledge. The classifier can tolerate the absence of data or lack of samples. By extracting the features from the image， we select the desired features， construct the Bayesian network model， and calculate the conditional probability of each node. We input the data into the established network and get the answer by relevant reasoning. The experimental results show that the obstacle classification system established by the dynamic Bayesian network can effectively realize the classification of obstacles such as pedestrian， vehicle and others.

Key Words：dynamic bayesian network； feature extraction； obstacle classification

0 引言

障礙物辨識作為智能汽車的核心技術，一直受到業界重視。對汽車前方的行人、車輛等物體進行探測和辨識，可以減少交通事故發生，從而保障行人安全。障礙物探測和辨識領域的研究成果較多：楊欣等[1]提出了一種基于集成學習改進的二叉樹支持向量機（BT-SVM）的多類分類方法；朱丹丹等[2]提出了基于樸素貝葉斯原理實現車載多障礙物的分類，實現對行人、車輛、騎自行車/摩托車等障礙物的分類；邵成猛[3]通過對盾構機的千斤頂總推力、刀盤馬達總扭矩和推進速度進行BP神經網絡構建，實現了無障礙物及混凝土樁、鉆孔灌注樁、工法樁等障礙物的分類和預測。目前較為通用的分類器如SVM[4]、AdaBoost[5]等都需要大量的樣本支撐，而貝葉斯網絡依靠統計學習和先驗知識，提高了數據缺失情況下的障礙物分類。

1 障礙物辨識系統組成

障礙物辨識系統組成如圖1所示。

系統分3個階段實現：①收集一定數量的樣本并對其進行前期處理，提取所需特征；②確立障礙物、類別和特征之間的關系，建立動態貝葉斯網絡結構，再計算各節點的條件概率表，實現網絡的參數學習；③輸入待測試目標的特征概率，判別出障礙物類型。

2 特征提取與選擇

形狀描述有基于幾何特征和基于輪廓形狀的方法，其中基于輪廓描述方法分為基于輪廓和基于區域兩大類[6-7]。這些方法包括矩形度、高度、細長度、球狀性、緊致度、Hu矩等形狀特征，本文主要采用矩形度、高度、細長度和球狀性4個特征。

2.1 矩形度

矩形度Ra反映了物體在最小外界矩形中的填充程度，表達為：

Ra=A0AR（1）

式（1）中，A0為輪廓包圍的圖像面積，AR為輪廓最小外接矩形面積，Ra的大小在0～1之間，矩形度可以用來區分矩形、圓形和不規則形狀。

2.2 細長度

細長度RHW反映了目標的外觀特性，其表達式為：

RHW=HW（2）

式（2）中，H和W分別為輪廓圖像最小外接矩形的高和寬，RHW大小在0～∝間變化，細長目標大于1，寬扁目標則小于1，用它可以將細長目標和寬扁目標區分開來。

2.3 球狀性

球狀性SP原為3D物體表面積和對應體積的比值，將其用于對2D目標的描述，其表達式為：

SP=RiRc（3）

式（3）中，Ri、Rc分別代表目標區域的內、外接圓的半徑，兩個圓心都位于區域的質心上，SP在0～1間變化。當目標為圓型區域時SP達到最大，它不受目標區域平移、旋轉和縮放的影響。

2.4 高度

根據統計數據，我國成年人身高[8-9]均值約1.70m，標準差8cm左右，能獨立活動于道路交通中的6～13歲青少年身高平均分布在1.1m～1.55m之間，可大致推算出行人的分布概率。通過各汽車公司網站統計出小型車尺寸分布情況，可大概估算出小型車輛的高度分布概率。

3 動態貝葉斯網絡設計

3.1 貝葉斯網絡原理

貝葉斯網絡（BN）是一種用于描述變量間不確定性因果關系的圖形網絡模型，由節點、有向連線和節點概率表組成，其中有向連線代表節點間的因果依賴關系，由于網絡結構中各節點不能形成閉合環，也稱為有向無環圖[10]。

貝葉斯網絡規定圖中的每個節點υi獨立于由υi的父節點給定的非υi后代節點構成的任何子節點集。給定一個隨機變量集V（υ1，υ2，…，υn），假設B（υi）表示υi的直接雙親節點，由概率論的鏈式規則可得變量υi（i=1，2，…，n）的聯合概率為：

動態貝葉斯網絡是描述一個隨時間改變和演化的系統模型，它的拓撲結構在每個時刻是相同的，不隨時間而改變。為了將靜態貝葉斯網絡擴展到動態貝葉斯網絡，可以引入時間節點，構成某一時刻的時間片結構，以表達對時間的依賴關系，其結構如圖2所示。再通過對每個時間片進行復制，并在相鄰時間片的狀態之間加入弧，將靜態貝葉斯網絡擴展為動態貝葉斯網絡。

3.2 貝葉斯辨識模型建立

建立貝葉斯辨識模型，首先需要建立結構模型，然后確定網絡參數。

為了將障礙物分成行人、車輛和其它目標，本文采用兩層網絡模型對障礙物進行識別。如圖3所示，第一層為根節點，假定變量為識別目標，總共有3種類別；第二層為葉節點，對應所選取的Ra、RHW、SP、Height等4個特征。

加入時間節點，形成靜態貝葉斯網絡（SBN）轉化為動態貝葉斯網絡（DBN）的中間結構。如圖4所示，圖中“Object”既是t時刻的總輸出節點，又是t+1時刻的輸入節點。為了將SBN連接成DBN，可將“Object”等效為圖4所示的“Prew”+“Object”合體，它們分別代表輸入節點和輸出節點，其概率分布一樣。通過狀態轉移的方式將中間結構連接成三時間片的動態貝葉斯網絡，其簡化結構如圖5所示。

網絡所需的概率一部分由歷史數據統計分析獲得，一部分通過對各特征進行統計分析獲取其分布規律，用正態分布進行模擬，得到各特征的正太概率密度函數。由于目前基于連續節點變量的貝葉斯網絡理論還不太成熟，且相關算法比較繁瑣，故在時間運用上需要將概率密度函數轉化為相應的離散概率表，部分概率表如表1、表2、表3所示。

4 實驗結果

從數據庫中提取40個樣本組成100張圖片進行測試，圖6所示為SBN的障礙物辨識狀態圖，圖中矩形框為各節點變量的觀測窗口，以柱狀圖和百分百的雙重形式顯示節點變量取不同值的概率。當輸入Height和SP兩節點的證據時，推理出“Object”節點中的“PD”概率較大，分類結果為行人。

相同條件下，圖7所示為DBN的障礙物辨識狀態，由圖可知在沒有新證據輸入之前，后續時間片的概率分布越來越均勻，體現了前一時刻的輸出對后續判斷影響越來越小。如果繼續輸入證據，則可提高系統辨識障礙物的能力，并在某一時刻圖像缺失的情況下，通過前后時刻的關聯性判別出障礙物。

5 結語

基于動態貝葉斯網絡的障礙物辨識系統對障礙物有良好的辨識能力，與SBN相比，DBN有著更豐富的決策機理，合理利用了障礙物的時空信息，將不同時刻的辨識結果聯系在一起，有效提高了系統的檢測率，降低了偶然誤判帶來的風險。該系統具有辨識能力強、運算復雜度低等優點。

參考文獻：

[1] 楊欣，沈志熙，黃席樾，等.智能車輛在城區交通場景中的多類障礙物識別[J].重慶大學學報，2009，32（7）：757-761.

[2] 朱丹丹，應捷，田謹.基于貝葉斯分類器的車載多類障礙物分類[J].信息技術，2016（1）：17-19.

[3] 邵成猛.基于BP神經網絡的盾構前方障礙物預測研究[J].鐵道建筑技術，2017（5）：11-12，31.

[4] 李紅蓮，王春花，袁保宗.一種改進的支持向量機NN-SVM[J].計算機學報，2003（8）：1015-1020.

[5] 付忠良.關于AdaBoost有效性的分析[J].計算機研究與發展，2008（10）：1747-1755.

[6] 束鑫.形狀分析新方法及其在圖像檢索中的應用研究[D].無錫：江南大學，2012.

[7] HU M K. Visual pattern recognition by moment invariants[J].IEEE Transactions on Information Theory，1962，8（1）：179-187.

[8] 楊剛，張安琪.大學生身高影響因素實證分析[J].河南工程學院學報：自然科學版，2013，25（3）：44-47.

[9] 楊曉光，李艷平，馬冠生，等.中國2002年居民身高和體重水平及近10年變化趨勢分析[J].中華流行病學雜志，2005，27（7）：489-493.

[10] HUANG Y P， ANTORY D， JONES R P. Bayesian belief network based fault diagnosis in automotive electronic systems[J]. International Symposium on Advanced Vehicle Control，2006（6）：469-475.

（責任編輯：杜能鋼）