基于貝葉斯網絡的車輛定位冗余信息過濾方法研究

高 翔

（華盛頓大學，華盛頓 西雅圖 98195）

0 引言

隨著社會經濟的快速發展，車輛已成為日常生活中必備的交通工具，雖方便了出行，但因此造成的交通事故也逐漸增多。所以要對車輛進行監控定位，盡可能避免事故的發生。僅依靠監控攝像對車輛進行監控，很難做到實時監控，也存在很大的局限性。因此，將全球定位系統應用于車輛管理中，能實時獲取道路網上的車輛運動軌跡及實時位置，并將其精確地反饋到控制中心的電子地圖上，可對道路網上的車輛密度、流速、流量、流向等進行實時監控，在降低行車延誤和車輛空駛的同時，保障行車安全、縮短旅行路上的時間等［1］。在對部分車輛進行定位時，受外界道路、相同車型、車輛顏色等因素的干擾，導致車輛定位不準確、定位時間較長、定位速度較慢等，甚至有時無法進行定位，所以如何提升定位效率，就成為目前很多學者的研究重點［2］。

王玖玲等［3］利用車聯網進行輔助定位車輛，通過3 個輔助定位子系統獨立完成濾波估計，然后從中選擇一個較好的估計結果，最后以全局最優合成結果來實現對車輛的定位增強。鮑文亮［4］提出基于特征地圖的車輛定位方法，利用擴展卡爾曼濾波方法來實現車輛定位，并通過高斯分布來描述車輛位置狀態的置信度，實現對車輛的實時估計。徐愛功等［5］利用組合系統實現對車輛的協同定位，利用北斗衛星導航系統和無線載波通信技術的定位優勢，通過擴展卡爾曼濾波的定位信息，實現對車輛的定位，但其易受環境中相同車型、車輛顏色等因素的影響，因此該方法的車輛定位效果還可進一步優化。

本研究提出一種基于形態規則和機器學習的車輛定位信息冗余過濾方法。通過將形態規則篩選過后的目標信息引入到貝葉斯網絡模型中，經過重新組織固有的知識構造，令其不斷對自身性能進行改善，從而提升執行效率，完成對二次圖像數據的對比，實現對冗余信息的過濾。通過模擬測試和實際測試來完成試驗，其中實際測試以收集到的實景數據為基礎，獲取不同方法的車輛定位結果。試驗結果表明，本研究所提出的方法具有較好的冗余信息過濾效果。

1 基于形態規則的車輛定位信息提取

1.1 車輛形態規則

車輛的形態包含車輛的面積、與周圍區域的對比度、顏色、寬度、縱橫比、長度等基本信息，全都能與圖像內其他非車輛的對象完成分離。所以，車輛的形態適合采用高分辨的衛星圖像進行拍攝，其具體形態有以下3個特性。①位置特性。車輛位置是否位于道路路面。②幾何特性。車輛長寬高及縱橫比。③輻射度特性。車輛和背景、道路間的對比。

1.2 車輛形態特征提取

對各影像對象，若在特征空間內最近的樣本對象為A 類，則將該對象劃分成A 類，具體分類步驟如下。①選取合適樣本的數據，計算所有類別的均方差向量和均值向量。②對所有類的均值向量進行統計，將均值向量作為此類別在特征空間內的中心位置，計算待分類圖像內的所有像素點到各類地物的中心距離。

在線性分類器內，把輸入模式和特征空間的模板點間距作為重要的分類準則。利用距離作為相似度時，距離越大，相似度就越小。簡單來說，最近相鄰的分類器處于n 維特征空間時，通過計算待分類的像元或圖像對象和訓練數據內所有類樣本像元，或圖像對象歐式距離，劃分至周圍最近的樣本所屬類內。

在設置n 個像素的單元內，其第i 像素與第j 像素特征向量公式見式（1）。

該n 像素一共分成p 類，設置各種均值的特征向量分別是M1,M2,…,MP，具體公式見式（2）。

P類均方差為σ1,σ2,…,σp，具體公式見式（3）。

在第j 對象至第L 類特征空間中心絕對距離與歐式距離公式見式（4）、式（5）。

如果 Di< Dl(i = 1,2,…,p; i ≠ l)，那么此對象為L類。

不同類別對象的特征值變化范圍，即方差大小不一，不能只根據對象到類中心距離進行劃分。另外，自然地物的類別點群分布不一定為球形或圓形，即不同方向的上半徑不同，所以距離量度在不同方向上有著差異，在對上述因素進行考慮的基礎上，可改進距離分類方法，從而提升分類精度。

歐式距離的計算公式見式（6）。

絕對距離的計算公式見式（7）。

式中：σij為第i個對象特征標準差。同樣，也能用 σij來替代σ2ij，或采用其他加權方法來完成車輛形態規則特征的提取。

2 機器學習下的車輛定位信息冗余過濾

2.1 機器學習圖模型關聯建立

在提取車輛圖像形態特征后，通過與車輛定位圖像內其他信息特征進行對比分類，以便在濾波過程中去除冗余干擾。如圖1 所示，E → H 代表著節點E 對節點H 生成關聯，而條件概率的分布能通過一個箭頭進行可視化表示。

圖 條件概率圖的模型

貝葉斯網絡模型可描述一個模型內各種變量的關系，利用兩種隨機變量的獨立性，能將兩個變量融入貝葉斯網絡模型中，且通過添加滿足條件箭頭對二者進行連接［6］。

一個存在K 節點的貝葉斯網絡，說明其具有K個隨機變量，即聯合概率分布圖模型內的全部箭頭代表條件概率乘積，具體公式見式（8）。

式中：p(xk|pax)為xk父節點集合，x ={x1,…,xK}。而式（8）反過來則認為葉貝斯網絡存在拆解性質。

采用貝葉斯公式時，隨意的一個聯合概率都能采用式（9）來分解采用項條件的概率構成。

貝葉斯網絡的局部獨立性是指貝葉斯網絡的拓撲構造不同，存在不一樣的性質。

串行連接是指每個物理連接只支持2個節點，通過節點間串行連接，具體聯合分布公式見式（10）。

根據局部獨立性條件，獲得給定節點k 時，節點j 和節點i 是關于父節點k 條件獨立的，具體公式見式（11）［7］。

在貝葉斯網絡節點間發散連接，具體聯合分布公式見式（12）。

根據局部獨立性，在獲得給定節點k 時，那么節點j 和節點i 是關于父節點k 條件獨立的，具體公式見式（13）。

貝葉斯網絡表示節點間收斂連接，具體聯合分布公式見式（14）。

根據局部獨立性，能獲得給定節點k 時，節點j和節點i獨立，見式（15）。

全局獨立性可利用d -進行劃分后獲得。如果在任意貝葉斯網絡內，其中A、B、C為各不相交的集合，那么對A、B 在C 條件是否獨立的問題進行判斷，要考慮A 內任意一個節點到B 內任意節點全部可能的路徑。若有一個路經在包含一個節點的情況時，可滿足以下的一個條件［8］。①貝葉斯網絡模型內的節點通過收斂或串行的方式聚交至C 集合內某個節點。②貝葉斯網絡模型內的節點通過收斂或串行的方式聚交至C 集合內不含有某個節點或后繼。若全部路經被阻隔，則C 會被A 和B 所劃分，A和B會在C的條件下滿足獨立性。

在貝葉斯網絡內，若其他節點是條件情況時，那么此節點的條件概率公式見式（17）。

式中：全部和xi沒有關系的因子都可約去，僅剩下第i節點本身的條件概率p(xi|pak)，和滿足以下性質節點xk條件的概率分布，節點xi在p(xi|pak)條件的集合內，即xi為xk的父節點，而條件概率分布p(xi|pai)依賴于節點xi父節點，條件概率分布p(xk|pak)依賴節點xi父節點和子節點［9］。

2.2 定位信息的冗余過濾算法

將V =[u1,u2,…,un]作為冗余數據的特征向量，pi在車輛定位信息的分布空間中代表x(t)，得到車輛定位信息流分數的階Fourier變換［10］，見式（18）。

式中：Aa為信息流幅值。提取定位信息的離散譜特征公式，見式（19）。

根據離散譜邊緣特征，通過值相關的匹配濾波方法，利用濾波來處理車輛定位信息內冗余數據的調制分量。冗余數據濾波的函數公式見式（20）［11］。

式中：p為分數階的傅里葉變換階數，其時頻伸縮旋轉的向量角度為 α = pπ/2；Fα[?]為變換算子；Kp(t,u)為有限時間分量。以此獲得冗余數據的濾波輸出訓練樣本集X=[X1,X2,…,Xk,…,KN]T，而車輛定位的信息流解析分量為Xk=[xk1,xk2,…,xkm,…,xkM]［11］。

計算車輛定位信息內冗余數據l 維特征向量X(l,ni)位于信息分布的子空間內差分矩陣S?w，在計算特征空間的時頻分布交叉項內第l個特征值λ1,λ2,…,λl以及對應高維特征矢量Y =[y1,y2,…,yl]時。如果冗余數據處于高維空間內，差分矩陣S?w公式見式（21）。

式中：pi為第i 類冗余數據概率的密度函數；ni為特征干擾項；mi為第i 類的車輛定位冗余信息具有ni個干擾項特征向量{Xk(i),k = 1,2,…,ni}。

為了降低交叉項所帶來的影響［12］，通過 K-L 特征壓縮器對冗余數據進行特征過濾，冗余數據核函數的計算公式見式（22）。

利用上述處理方法，獲得車輛定位信息的任意概率分布函數，見式（24）。

經過上述處理分成，把車輛的定位信息冗余數據特征向量通過l 維降低至d 維，能有效去除冗余數據，提升車輛的定位精度［11］。

3 試驗仿真證明

為了驗證本研究所提出方法的有效性，通過相關試驗進行分析，計算機平臺的配置為CPU Inter Core2 Dou E7400 2.80 GHz、內存8 GB、硬盤500 GB、操作系統為Windows 10。在平臺上將本研究所提出的方法進行模擬測試，通過觀察目標定位后，清除冗余信息的效果如圖2所示。

圖2 模擬測試清除定位冗余信息數據圖

由圖2 可知，本研究所提出的方法可根據目標形態規則來判斷哪些信息屬于冗余信息，且去除效果在理論上具有一定可信性。

在實際測試中，將黑色試驗車輛停入停車場內（圖3 中方框所標注的車輛），通過收集實景數據，獲取停車場內的車輛數據，然后利用本研究所提出的方法、特征地圖定位法［4］和BDS/UWB 定位法［5］來過濾冗余信息，如圖3、4所示。

圖3 參考圖像

由圖3、圖4可知，試驗車輛停入停車場后，發現車輛與周圍顏色存在相同、位置停放區域相同、長度相同等冗余信息，所以該停車場非常符合試驗測試的要求。由圖4可知，特征地圖定位法和BDS/UWB定位法受車輛與周圍顏色相同、長度相同等冗余信息的干擾，導致過濾后的圖像中存在較多的漏識問題。而本研究通過引入形態規則，能有效分類提取類似車輛，通過機器學習算法對比分析，完成信息冗余過濾，圖像上冗余車輛矩形框遮蓋率達98%，僅剩與試驗車輛圖像規則相關或相似的有用圖像，這說明本研究提出的方法能精確過濾非目標信息。

圖4 經過冗余過濾處理后圖像

4 結語

本研究提出的基于形態規則和機器學習的車輛定位信息冗余過濾方法，通過試驗進行模擬分析，能有效對車輛進行定位，同時經過多次實際試驗證明，本研究所提出的方法具有較高的定位精度，不會因為冗余信息而造成定位不準確，說明該方法的效果良好。不過隨著科技發展的日新月異，本研究提出的方法還要不斷進行優化、更新，進一步提升定位精度，清除冗余信息，使其適用于各種區域。