基于證據(jù)特征融合的車輛可信化識(shí)別方法研究

王 璐，楊浩杰，劉放美

（1.鐵道警察學(xué)院 圖像與網(wǎng)絡(luò)偵查系，鄭州 450053；2.鄭州輕工業(yè)大學(xué) 軟件學(xué)院，鄭州 450002）

隨著經(jīng)濟(jì)社會(huì)的不斷進(jìn)步和日益發(fā)展，車輛的保有量和使用量也逐漸提高，隨之而來(lái)的就是復(fù)雜的道路交通狀況以及頻發(fā)的道路交通事故，這不但給人們的交通出行造成了嚴(yán)重的影響，也給公安交通管理部門的道路交通安全監(jiān)管帶來(lái)了嚴(yán)峻的挑戰(zhàn)[1-2]。因而，車輛的有效監(jiān)管成為了道路交通安全領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容，而對(duì)車輛的精準(zhǔn)化識(shí)別則成為了車輛監(jiān)管過(guò)程中的一個(gè)關(guān)鍵。

1 現(xiàn)狀分析

在車輛目標(biāo)的識(shí)別方面，文獻(xiàn)[3]結(jié)合梅爾倒譜系數(shù)特征提取方法，提出了一種加權(quán)的基頻自適應(yīng)特征提取算法，通過(guò)對(duì)梅爾倒譜系數(shù)進(jìn)行自適應(yīng)的加權(quán)，提升了車輛識(shí)別過(guò)程中所提取特征的魯棒性。文獻(xiàn)[4]基于隨機(jī)游走推理模型，對(duì)高速公路上的風(fēng)險(xiǎn)車輛進(jìn)行了知識(shí)推理，通過(guò)知識(shí)圖譜的建模形式構(gòu)建了高速公路風(fēng)險(xiǎn)車輛推理模型，提高了告訴高速風(fēng)險(xiǎn)車輛的識(shí)別性能。文獻(xiàn)[5]基于細(xì)粒度圖像分類方法，采用深度可分離卷積技術(shù)，對(duì)圖像特征進(jìn)行了多樣化和局部化的特征檢測(cè)，實(shí)現(xiàn)了對(duì)車輛目標(biāo)的有效識(shí)別。文獻(xiàn)[6]針對(duì)車輛類型識(shí)別率較低的實(shí)際問(wèn)題，以ResNet18 網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，提出了一種基于多級(jí)特征融合的車輛識(shí)別方法，并對(duì)損失函數(shù)進(jìn)行了優(yōu)化和改進(jìn)。文獻(xiàn)[7]針對(duì)多視點(diǎn)車輛識(shí)別問(wèn)題，設(shè)計(jì)了一種基于交叉視距度量的視點(diǎn)自適應(yīng)網(wǎng)絡(luò)，通過(guò)構(gòu)造交叉視圖度量模塊，進(jìn)而提高了車輛識(shí)別的精準(zhǔn)度。

上述方法在車輛識(shí)別問(wèn)題中都能夠體現(xiàn)出較為優(yōu)越的識(shí)別性能，但當(dāng)前關(guān)于車輛識(shí)別的方法往往都是一次性的，在車輛信息多源化的復(fù)雜環(huán)境下，車輛目標(biāo)的相關(guān)特征量和特征參數(shù)都存在著一定的不確定性，這在影響車輛目標(biāo)識(shí)別的準(zhǔn)確性的同時(shí)，也會(huì)對(duì)所識(shí)別出的目標(biāo)身份的可信度問(wèn)題帶來(lái)了一定的挑戰(zhàn)。針對(duì)這一問(wèn)題，本文在深入研究集成分類模型的基礎(chǔ)上，提出了一種基于證據(jù)特征融合的車輛可信化識(shí)別方法，通過(guò)證據(jù)特征的深層次可信式融合，進(jìn)而提升車輛識(shí)別的準(zhǔn)確性和可信度。

2 集成分類模型

本文在具體設(shè)計(jì)上，以并行神經(jīng)網(wǎng)絡(luò)為架構(gòu)，構(gòu)建如圖1 所示的基于神經(jīng)網(wǎng)絡(luò)的集成分類模型。

圖1 集成分類模型拓?fù)浣Y(jié)構(gòu)示意圖Fig.1 Schematic diagram of integrated classification model topology

從該圖中可以看出，所構(gòu)建的集成分類模型拓?fù)浣Y(jié)構(gòu)中，以待識(shí)別目標(biāo)的n 個(gè)主要識(shí)別特征Xp=[X1，X2，X3，…，Xn]T作為神經(jīng)網(wǎng)絡(luò)的輸入樣本向量集，構(gòu)成其輸入層I 的n 個(gè)輸入神經(jīng)元，待識(shí)別目標(biāo)的m 種目標(biāo)類型Yp= [Y1，Y2，Y3，…，Ym]T作為神經(jīng)網(wǎng)絡(luò)的輸出向量值，構(gòu)成其輸出層K 的m 個(gè)輸出神經(jīng)元。首先考慮單個(gè)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型，設(shè)（t）、（t）分別為第t 次網(wǎng)絡(luò)迭代時(shí)輸入層I 到隱層J 的權(quán)值向量和閾值向量，（t）、（t）為第t 次網(wǎng)絡(luò)迭代時(shí)隱層J 到輸出層K 的權(quán)值向量和閾值向量，并且有：

式中：i=1，2，…，n；j=1，2，…，l；k=1，2，…，m；n 為輸入層節(jié)點(diǎn)數(shù)，l 為隱層節(jié)點(diǎn)數(shù)，m 為輸出層節(jié)點(diǎn)數(shù)。

對(duì)于輸入的樣本向量Xp，使用式（3）前向計(jì)算神經(jīng)網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和激勵(lì)輸出信號(hào)，輸出層K 所得到的激勵(lì)輸出信號(hào)即為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出向量YOp= [YO1，YO2，YO3，…，YOm]T。根據(jù)所求得的實(shí)際輸出YOp和期望輸出Yp，反向計(jì)算輸出層K 和隱層J 的局部梯度δKk（t）和δJj（t）：

然后，根據(jù)所求得的δKk（t）和δjJ（t），并采用加入動(dòng)量因子的方法，計(jì)算權(quán)值修正量Δω 和閾值修正量Δb，并對(duì)權(quán)值ω 和閾值b 進(jìn)行修正。對(duì)于輸出層，有：

而對(duì)于隱層，則有：

式中：η 為學(xué)習(xí)速率；α 為動(dòng)量因子。

根據(jù)上述的網(wǎng)絡(luò)迭代學(xué)習(xí)訓(xùn)練過(guò)程，對(duì)兩個(gè)神經(jīng)網(wǎng)絡(luò)進(jìn)行并行式的迭代訓(xùn)練。網(wǎng)絡(luò)訓(xùn)練完成后，保存訓(xùn)練好的權(quán)重值以及閾值等網(wǎng)絡(luò)參數(shù)。由于兩個(gè)不同神經(jīng)網(wǎng)絡(luò)的初始權(quán)重值ω 和閾值b 設(shè)置的隨機(jī)性以及網(wǎng)絡(luò)訓(xùn)練過(guò)程的迭代性，對(duì)于兩個(gè)不同神經(jīng)網(wǎng)絡(luò)而言，所訓(xùn)練好的帶有神經(jīng)網(wǎng)絡(luò)分類識(shí)別功能信息的網(wǎng)絡(luò)參數(shù)集也將會(huì)不同。

而在使用該網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行分類識(shí)別時(shí)，根據(jù)集成分類模型的拓?fù)浣Y(jié)構(gòu)特點(diǎn)，將神經(jīng)網(wǎng)絡(luò)作為基分類器，并以X= [X1，X2，X3，…，Xn]T為主要識(shí)別特征的待識(shí)別目標(biāo)分別輸入到兩個(gè)基分類器的輸入層，使其各自使用訓(xùn)練好的網(wǎng)絡(luò)參數(shù)集和對(duì)待識(shí)別目標(biāo)進(jìn)行初步的分類識(shí)別，并在輸出層分別得到初步的目標(biāo)分類識(shí)別結(jié)果集Y1= [YBPA1_1，YBPA1_2，YBPA1_3，…，YBPA1_m]T和Y2= [YBPA2_1，YBPA2_2，YBPA2_3，…，YBPA2_m]T。該目標(biāo)分類識(shí)別結(jié)果集作為神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，也將作為證據(jù)特征的形式，進(jìn)行后續(xù)的證據(jù)特征的融合處理。

3 證據(jù)特征融合模型

基于集成分類模型所得到的證據(jù)特征結(jié)果，可將其進(jìn)行進(jìn)一步的融合式的集成處理。本文采用D-S 證據(jù)理論[8]的思想，通過(guò)對(duì)證據(jù)特征的深入融合，進(jìn)而對(duì)集成分類模型進(jìn)行優(yōu)化。

3.1 證據(jù)特征融合理論

設(shè)辨識(shí)框架Θ 為非空有限集，且其集合中的元素兩兩互斥。冪集Θ 及其所有子集所組成的集合為2Θ。因而，則可以定義基本概率分配函數(shù)（BPA）為函數(shù)M：2Θ→［0，1］，且滿足：①對(duì)于空集?，有m（?）=0；②對(duì)于?A∈2Θ，ΣAm（A）=1。而對(duì)于所給定的某個(gè)待分類數(shù)據(jù)樣本i，則辨識(shí)框架Θ 內(nèi)的各個(gè)子集Al將會(huì)被賦值為mi（Al）（Al∈2Θ，l=1，2，…，2N），該值表示待分類數(shù)據(jù)樣本與各個(gè)目標(biāo)類型的匹配程度。設(shè)A1，A2，…，An是同一識(shí)別框架Θ 上的證據(jù)子集，m1，m2，…，mn分別是其所對(duì)應(yīng)的基本概率分配函數(shù)，則有：

其中，K 的表達(dá)式為

辨識(shí)框架Θ 中的任意子集Ai的證據(jù)可以合成A=A1∩A2∩…∩An的證據(jù)，亦即其正交和A=A1+A2+…+An。mi（Ai）表示對(duì)假設(shè)子集Ai的支持程度。如果A=?，則表明這n 個(gè)證據(jù)是沖突的，且有m（A）=0。K 表示n 個(gè)證據(jù)之間的沖突程度。

3.2 歸一化處理

在集成分類模型中，采用均方誤差ERMSE表征模型對(duì)待識(shí)別目標(biāo)的識(shí)別精準(zhǔn)度，從而在進(jìn)行歸一化構(gòu)造基本概率分派函數(shù)的過(guò)程中，將ERMSE指定為不確定信息的度量，則可設(shè)置不確定性子集的m（Θ）=ERMSE?？紤]到m 值較大時(shí)，其指數(shù)級(jí)的計(jì)算量也隨之劇增的情況，本文只將組合后的BPA 分配給m個(gè)待識(shí)別目標(biāo)類型和全集Θ，而m（Θ）則表示的是對(duì)“不確定是哪類目標(biāo)”這一假設(shè)的支持程度。

根據(jù)集成分類模型的期望輸出和實(shí)際輸出，有ERMSE為

設(shè)YOp_new為歸一化后的輸出向量集，則有：

則對(duì)實(shí)際輸出Y= [Y1，Y2，Y3，…，Ym]T，有：

3.3 證據(jù)特征融合

設(shè)Z1和Z2分別是m1（·）和m2（·）所對(duì)應(yīng)的辨識(shí)框架Y1=｛Y1_1，Y1_2，Y1_3，…，Y1_m，Θ1｝和Y2=｛Y2_1，Y2_2，Y2_3，…，Y2_m，Θ2｝上的兩個(gè)證據(jù)子集，則根據(jù)歸一化處理后的證據(jù)特征Y1（i）=［Y1_1（i），Y1_2（i），Y1_3（i），…，Y1_m（i）］T以及Y2（i）=［Y2_1（i），Y2_2（i），Y2_3（i），…，Y2_m（i）］T，可對(duì)其證據(jù)特征的融合，則有：

其中有：

4 車輛可信化識(shí)別算法框架

根據(jù)前述內(nèi)容的深入分析，可進(jìn)一步將基于證據(jù)特征融合的車輛可信化算法的流程框架描述為如圖2 所示的形式。

圖2 車輛可信化識(shí)別算法流程框架Fig.2 Framework of vehicle trusted identification algorithm

5 實(shí)驗(yàn)仿真和分析

5.1 實(shí)驗(yàn)準(zhǔn)備

為了進(jìn)一步評(píng)價(jià)所提出方法的可行性，本文對(duì)其進(jìn)行了實(shí)驗(yàn)仿真的驗(yàn)證。實(shí)驗(yàn)選用汽車（Automobile）、三輪車（Tricycle）和自行車（Bicycle）三類車輛圖像作為實(shí)驗(yàn)仿真對(duì)象，由于針對(duì)這三類車輛圖像的專用數(shù)據(jù)集相對(duì)較少，因而通過(guò)網(wǎng)絡(luò)搜集的方法，自制3000 張簡(jiǎn)單背景的車輛圖像作為數(shù)據(jù)集，其中每個(gè)類別的圖像各1000 張。而為了使實(shí)驗(yàn)具有較好的統(tǒng)計(jì)效果，所采用的數(shù)據(jù)集在3 個(gè)類別車輛圖像平均分配的情況下，隨機(jī)的分為2組，一組為包含2250 個(gè)數(shù)據(jù)的訓(xùn)練集，另一組為包含750 個(gè)數(shù)據(jù)的測(cè)試集。

同時(shí)，使用2 個(gè)基分類器以及本文所提出的可信化識(shí)別方法進(jìn)行對(duì)比分析，仿真結(jié)果觀察各種不同的方法在車輛目標(biāo)識(shí)別中的性能和效果。

5.2 實(shí)驗(yàn)結(jié)果的分析和討論

按照上述設(shè)計(jì)方法，進(jìn)行10 次仿真實(shí)驗(yàn)，每次仿真從數(shù)據(jù)集中隨機(jī)選擇數(shù)據(jù)。采用統(tǒng)計(jì)分析的方法對(duì)10 次實(shí)驗(yàn)的仿真結(jié)果進(jìn)行統(tǒng)計(jì)，各類型目標(biāo)不同方法的識(shí)別準(zhǔn)確率仿真實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如圖3～圖5 所示。

從圖3～圖5 可以看出，對(duì)于汽車（Automobile）、三輪車（Tricycle）和自行車（Bicycle）三類不同的車輛圖像目標(biāo)，本文所提出的方法相較于基分類器1和基分類器2 而言，在識(shí)別準(zhǔn)確率方面都能夠表現(xiàn)出較為明顯的提高，進(jìn)一步說(shuō)明本文所提方法能夠較為有效地提升車輛目標(biāo)的可信化識(shí)別性能。

圖3 車輛目標(biāo)（汽車）識(shí)別準(zhǔn)確率Fig.3 Vehicle target（Automobile） recognition accuracy

圖4 車輛目標(biāo)（三輪車）識(shí)別準(zhǔn)確率Fig.4 Vehicle target（Tricycle） recognition accuracy

圖5 車輛目標(biāo)（自行車）識(shí)別準(zhǔn)確率Fig.5 Vehicle target（Bicycle） recognition accuracy

為了更為定量地分析本文所提方法在三類不同車輛圖像目標(biāo)的準(zhǔn)確率提升情況，圖6～圖8 所示為所提方法相較于基分類器1 和基分類器2 的識(shí)別準(zhǔn)確率提高之百分比的仿真對(duì)比統(tǒng)計(jì)圖，其中的準(zhǔn)確率提高百分比的計(jì)算方法為

圖6 準(zhǔn)確率提高對(duì)比統(tǒng)計(jì)圖（汽車）Fig.6 Comparison statistics of accuracy improvement（Automobile）

圖7 準(zhǔn)確率提高對(duì)比統(tǒng)計(jì)圖（三輪車）Fig.7 Comparison statistics of accuracy improvement（Tricycle）

圖8 準(zhǔn)確率提高對(duì)比統(tǒng)計(jì)圖（自行車）Fig.8 Comparison statistics of accuracy improvement（Bicycle）

從圖6～圖8 中可以更為清晰地分析出本文所提出的方法在三類不同車輛目標(biāo)的識(shí)別準(zhǔn)確率方面的提升程度?？梢钥闯?，相比較于三類不同車輛目標(biāo)的識(shí)別準(zhǔn)確率而言，本文方法比兩個(gè)不同基分類器的識(shí)別準(zhǔn)確率都有所提升。由于進(jìn)行10 次仿真實(shí)驗(yàn)所涉及的訓(xùn)練集和測(cè)試集是按照三類車輛目標(biāo)平均分配的原則而隨機(jī)選取的，所以10 次仿真實(shí)驗(yàn)的識(shí)別準(zhǔn)確率提升情況也在一定的幅度范圍內(nèi)表現(xiàn)出了些許差異，這也更進(jìn)一步說(shuō)明本文方法在隨機(jī)數(shù)據(jù)集的情況下，仍能表現(xiàn)出較好的識(shí)別效果，進(jìn)而能夠有效地提高車輛目標(biāo)的可信化識(shí)別性能。

如表1 所示為本文方法的識(shí)別準(zhǔn)確率提高的數(shù)值統(tǒng)計(jì)結(jié)果。該表中給出了本文方法在三類車輛目標(biāo)的識(shí)別準(zhǔn)確率提升度的統(tǒng)計(jì)數(shù)據(jù)，分別為三類目標(biāo)識(shí)別準(zhǔn)確率提升度的最高值、最低值和平均值。從其平均值的角度，本文方法相較于兩個(gè)基分類器，能夠有效地提高各類目標(biāo)的識(shí)別準(zhǔn)確率。同時(shí)，本文方法所分類出的不確定目標(biāo)，還可使用相關(guān)方法對(duì)其進(jìn)行進(jìn)一步的目標(biāo)分類識(shí)別，從而體現(xiàn)出本文方法在提升目標(biāo)識(shí)別準(zhǔn)確率和處理不確定分類目標(biāo)兩個(gè)方面的優(yōu)勢(shì)。

表1 本文方法識(shí)別準(zhǔn)確率提升度統(tǒng)計(jì)表Tab.1 Statistical table of recognition accuracy improvement of the proposed method

6 結(jié)語(yǔ)

針對(duì)當(dāng)前復(fù)雜交通場(chǎng)景下的車輛可信化識(shí)別以及道路交通安全監(jiān)管的實(shí)際需求，本文提出了一種基于證據(jù)特征融合的車輛可信化識(shí)別方法。在所構(gòu)建的集成分類模型的基礎(chǔ)上，設(shè)計(jì)了證據(jù)特征融合算法，通過(guò)對(duì)證據(jù)特征的可信化融合，提升了車輛特征的表達(dá)能力和車輛識(shí)別的可信度。仿真分析結(jié)果表明，本文所提出的車輛可信化識(shí)別方法能夠有效地提高待識(shí)別車輛目標(biāo)的識(shí)別準(zhǔn)確率及其可信度，從而為車輛目標(biāo)的識(shí)別提供了更為高效性和可信性的保障，也為對(duì)不確定分類目標(biāo)的進(jìn)一步處理提供了可靠性依據(jù)。在本文的基礎(chǔ)上，下一步的工作重點(diǎn)將針對(duì)不確定分類的目標(biāo)進(jìn)行進(jìn)一步的可信化識(shí)別方面的研究，進(jìn)而更為有效地提升車輛目標(biāo)識(shí)別的精準(zhǔn)度。