李繼琰

摘 要

車(chē)型分類(lèi)識(shí)別能夠?yàn)楣佛B(yǎng)護(hù)、維修、擁堵預(yù)判等提供有效的數(shù)據(jù)支持，對(duì)公路管理部門(mén)有著重要意義。研究了基于流形學(xué)習(xí)算法及車(chē)尾圖像的車(chē)型識(shí)別，并與傳統(tǒng)車(chē)型識(shí)別方法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明流形學(xué)習(xí)算法具有更高的識(shí)別率。

關(guān)鍵詞

車(chē)型識(shí)別;流形學(xué)習(xí);局部線性嵌入;局部保持映射

中圖分類(lèi)號(hào)： TP391.41 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 08 . 02

0 引言

截至2019年6月我國(guó)汽車(chē)保有量達(dá)到了2.5億輛，對(duì)公路交通造成了巨大壓力。隨著信息技術(shù)、計(jì)算機(jī)技術(shù)、衛(wèi)星定位、人工智能等領(lǐng)域的快速發(fā)展，智能交通系統(tǒng)也從理論階段走向了實(shí)用階段。智能交通系統(tǒng)在疏導(dǎo)流量、安全監(jiān)控、提高路橋通行效率、減少交通事故等方面發(fā)揮著巨大作用，而車(chē)型識(shí)別是智能交通系統(tǒng)的一個(gè)重要組成部分。目前主要的車(chē)型識(shí)別方法有地埋線圈檢測(cè)法、紅外線檢測(cè)法、基于圖像的檢測(cè)法。地埋線圈檢測(cè)法需要破壞路面，影響通行，且使用壽命較短，檢測(cè)精度受車(chē)速、車(chē)軸數(shù)量影響較大，識(shí)別精度不高。紅外線檢測(cè)法一般設(shè)置于路面兩側(cè)，不能進(jìn)行多車(chē)道檢測(cè)?；趫D像的檢測(cè)方法，近年來(lái)由于計(jì)算機(jī)運(yùn)算速度的大幅提高及智能交通系統(tǒng)中圖像獲取簡(jiǎn)單，已越來(lái)越多的得以應(yīng)用。

基于圖像的車(chē)型識(shí)別方法主要有基于SIFT特征[1]的方法、基于Haar特征[2]的方法、基于HOG特征[3]的方法等。流形學(xué)習(xí)是一種非線性機(jī)器學(xué)習(xí)方法，對(duì)非線性數(shù)據(jù)集有獨(dú)特優(yōu)勢(shì)。但是其大部分算法復(fù)雜度高，不能應(yīng)對(duì)新增樣本點(diǎn)，實(shí)用性較差。后來(lái)出現(xiàn)的線性流形學(xué)習(xí)算法是非線性流形學(xué)習(xí)算法的線性逼近，既保留了非線性方法的優(yōu)勢(shì)，算法復(fù)雜度又有所下降，且很容易處理新增樣本。常見(jiàn)的非線性流形學(xué)習(xí)算法有等距映射[4]（ISOMAP）、局部線性嵌入[5]（LLE）、拉普拉斯特征映射[6]（LE）、局部切空間排序[7]（LTSA）等，主要的線性流形學(xué)習(xí)算法有局部保持映射[8]（LPP）、鄰域保持嵌入[9]（NPE）、鄰域保持映射[10]（NPP）等。由于車(chē)輛圖像采集時(shí)受光照、遮擋、行人等多方面的因素影響，數(shù)據(jù)集呈現(xiàn)非線性特性，更適用流形學(xué)習(xí)方法。

由于夜間車(chē)輛前燈光的影響，很難獲得清晰的車(chē)輛頭部圖像，而汽車(chē)尾部圖像受燈光影響較小，容易獲取更清晰的圖像。江蘇蘇通大橋是江蘇東部最重要的長(zhǎng)江過(guò)江通道，日均車(chē)流量超過(guò)10萬(wàn)輛，基于其視頻車(chē)流量檢測(cè)系統(tǒng)，獲取了大量車(chē)輛尾部圖像。實(shí)際管理中，一般只需要了解客貨車(chē)比例，而不需要特別精細(xì)的車(chē)型類(lèi)別。將車(chē)輛尾部圖像分成貨車(chē)和客車(chē)兩類(lèi)，采用流形學(xué)習(xí)算法進(jìn)行特征提取，采用k-NN分類(lèi)器進(jìn)行分類(lèi)識(shí)別，取得了較好的識(shí)別效果。

1 流形學(xué)習(xí)算法概述

若數(shù)據(jù)均勻采樣于一個(gè)嵌入在高維歐氏空間中的低維流形上，流形學(xué)習(xí)算法的目的就是要找到這一低維流形，實(shí)現(xiàn)特征提取。

1.1 LLE算法

LLE算法從局部出發(fā)，認(rèn)為低維流形上的任一點(diǎn)，可通過(guò)其鄰域點(diǎn)的線形組合去表示，而各鄰域間的重疊部分表示了鄰域間的連接信息，從高維到低維映射時(shí)此線性關(guān)系不變。LLE算法對(duì)稀疏采樣不適用，需要充分采樣。具體算法步驟如下：

由表1可知，兩種流形學(xué)習(xí)算法的識(shí)別效果均高于傳統(tǒng)方法，LLE算法效果最好，基于SIFT特征的方法效果最差。LPP算法的效果雖然稍差于LLE，但其算法復(fù)雜度低于LLE，更適合實(shí)際應(yīng)用。

4 結(jié)束語(yǔ)

對(duì)公路上行進(jìn)的車(chē)輛進(jìn)行車(chē)型分類(lèi)，能夠?yàn)楣佛B(yǎng)護(hù)、維修、擁堵預(yù)判提供有效的數(shù)據(jù)支持，對(duì)公路管理部門(mén)有著重要意義?；谲?chē)尾圖像信息，研究了采用流形學(xué)習(xí)方法的車(chē)型識(shí)別，并和傳統(tǒng)方法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，流形學(xué)習(xí)算法在基于車(chē)尾圖像的車(chē)型識(shí)別中，相比傳統(tǒng)方法能夠獲得更高的識(shí)別率，具有實(shí)用價(jià)值。

參考文獻(xiàn)

[1]Lowe D G. Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision， 2004， 60（2）：91-110.

[2]張雪芹，方婷，李志前，等.基于類(lèi)Haar特征和AdaBoost的車(chē)輛識(shí)別技術(shù)[J].華東理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，42（2）：260-265.

[3]Xu Y， Yu G， Wang Y， et al. A Hybrid Vehicle Detection Method Based on Viola-Jones and HOG + SVM from UAV Images[J]. Sensors， 2016，16（8）：1325.

[4]Tenenbaum J B， Silva V， Langford J C. A global geometric framework for nonlinear dimensionality reduction. Science， 2000， 290（5500）： 2319-2323.

[5]Roweis S T， Saul L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science， 2000， 290（5500）： 2323-2326.

[6]Belkin M and Niyogi P. Laplacian eigenmaps for dimensionality reduction and data representation[J]. Neural Computation， 2003，15（6）： 1373-1396.

[7]Zhang Zhen-yue， Zha Hong-yuan. Principal manifold and nonlinear dimension reduction via local tangent space alignment[J]. SIAM Journal of Scientific Computing， 2004， 26（1）： 313-338.

[8]He X F， Yan S C， Hu Y X， et al.. Face recognition using Laplacian faces[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence， 2005， 27（3）： 328-340.

[9]He X F， Cai D， Yan S C， et al.. Neighborhood preserving embedding[C]. Proc. 10th IEEE. Conf. Computer Vision， Beijing， China， 2005， 2： 1208-1213.

[10]Pang Y W， Zheng L， Liu Z K， et al.. Neighborhood preserving projections （NPP）： a novel linear dimension reduction method[C]. ICIC 2005， Part I， Lecture Notes in Computer Science， Springer， Berlin， 2005， vol. 3644， 117-125.