文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.2017.02.032
中文引用格式: 王劍,張偉華,,李躍新. 結(jié)合圖模型的優(yōu)化多類SVM及智能交通應(yīng)用[J].電子技術(shù)應(yīng)用,,2017,,43(2):132-136.
英文引用格式: Wang Jian,Zhang Weihua,,Li Yuexin. An optimal multi-class SVM combined with graph model and its application on intelligent transportation[J].Application of Electronic Technique,,2017,43(2):132-136.
0 引言
隨著監(jiān)控技術(shù)的發(fā)展,,智能交通中基于計(jì)算機(jī)視覺(jué)的研究受到廣泛關(guān)注,,其典型應(yīng)用是利用視頻或圖像數(shù)據(jù)智能檢測(cè)交通場(chǎng)景中是否存在行人和車輛[1]。對(duì)于目標(biāo)檢測(cè)而言,,特征提取和分類是目標(biāo)檢測(cè)的兩個(gè)關(guān)鍵環(huán)節(jié)[2],。按照所使用的特征和分類器的不同,行人和車輛檢測(cè)領(lǐng)域的主要方法可分為:結(jié)合Haar特征和Adaboost分類器的方法[3,,4],、結(jié)合方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征和支持向量機(jī)(Support Vector Machine,,SVM)分類器的方法[5-11],、結(jié)合HOG特征和深度網(wǎng)絡(luò)分類器的方法[12-14]。其中,,SVM分類器能有效處理小樣本的學(xué)習(xí)問(wèn)題,,在實(shí)際應(yīng)用過(guò)程中更受關(guān)注。為了分類多個(gè)目標(biāo),,文獻(xiàn)[15]對(duì)經(jīng)典的SVM分類器進(jìn)行擴(kuò)展,,提出一種多類SVM分類器,通過(guò)一次性訓(xùn)練多個(gè)分類超平面來(lái)解決多個(gè)目標(biāo)的分類問(wèn)題,這樣可以同時(shí)檢測(cè)行人和車輛目標(biāo),??紤]到多類SVM分類器在分類多個(gè)目標(biāo)時(shí),不同目標(biāo)數(shù)據(jù)之間的類間差異大而類內(nèi)差異小,,不宜同等對(duì)待,。為此,本文提出一種結(jié)合無(wú)向圖模型的多類SVM分類器,,在訓(xùn)練多類SVM分類器時(shí),,首先計(jì)算目標(biāo)數(shù)據(jù)之間的相似度,依據(jù)相似度構(gòu)建無(wú)向圖模型,,進(jìn)而求解一個(gè)目標(biāo)的相似度約束矩陣,,對(duì)分類器的求解進(jìn)行約束,從而提高多目標(biāo)的分類準(zhǔn)確度,。本文將HOG特征和優(yōu)化后的多類SVM分類器相結(jié)合進(jìn)行行人和車輛檢測(cè),,降低了行人和車輛檢測(cè)的錯(cuò)誤率。
1 結(jié)合無(wú)向圖模型的多類SVM分類器
經(jīng)典SVM分類器是一個(gè)二值分類器,,也即分類結(jié)果只有兩類,。為了便于區(qū)分多類目標(biāo),文獻(xiàn)[15]對(duì)SVM分類器進(jìn)行擴(kuò)展,,提出一種多類SVM分類器,。這種分類器仍然可以看作是一個(gè)最優(yōu)化問(wèn)題,目標(biāo)是尋找K個(gè)最優(yōu)的分類超平面,,目標(biāo)函數(shù)可以表示為:
這樣,,多類SVM分類器的構(gòu)建可以轉(zhuǎn)換為式(3)的最優(yōu)求解問(wèn)題。
為了在訓(xùn)練過(guò)程中增強(qiáng)特征的鑒別能力,,本文考慮在訓(xùn)練過(guò)程中引入訓(xùn)練數(shù)據(jù)之間的相似度信息,,具體是將包含相似度信息的無(wú)向圖模型引入到多類SVM分類器的訓(xùn)練過(guò)程。詳細(xì)描述如下,。
訓(xùn)練數(shù)據(jù)可以用一個(gè)無(wú)向圖模型表示,,為:
其中,X=[x1,,…,,xN],V是一個(gè)相似度矩陣,,用于描述各個(gè)特征向量之間的相似度,。本文采用余弦測(cè)度來(lái)描述兩個(gè)訓(xùn)練特征向量之間的相似度,表示為:
其中,,vij為矩陣V的第i行,、第j列的元素,。
本文用相似度矩陣V構(gòu)建一個(gè)圖拉普拉斯矩陣,表示為:
其中,,D是由相似度矩陣V生成的對(duì)角矩陣,,表示為:
于是,可以由圖拉普拉斯矩陣L和訓(xùn)練數(shù)據(jù)構(gòu)建一個(gè)相似度約束矩陣S,,用于約束訓(xùn)練數(shù)據(jù)的相似度,,表示為:
本文將相似度約束矩陣S引入到式(1)中,目的是在訓(xùn)練多類SVM分類器時(shí)能綜合考慮訓(xùn)練特征之間的相似度,,提高多目標(biāo)分類精度,。引入相似度約束矩陣S的目標(biāo)函數(shù)為:
式(12)的優(yōu)化問(wèn)題可以等價(jià)為:
對(duì)比式(19)和式(3),可以發(fā)現(xiàn)兩個(gè)優(yōu)化問(wèn)題是相似的,。為了解決多類SVM的優(yōu)化問(wèn)題,本文首先進(jìn)行特征值分解,,表示為:
其中,,v是由特征值組成的一個(gè)對(duì)角矩陣,且特征值采用降序排列,。U是一個(gè)正交矩陣,,由特征值對(duì)應(yīng)的特征向量組成。這里再定義一個(gè)轉(zhuǎn)置矩陣P,,滿足如下條件:
2 智能交通中的行人和車輛檢測(cè)方法
行人和車輛是智能交通領(lǐng)域最為關(guān)注的兩類感興趣目標(biāo),。本文結(jié)合梯度方向直方圖特征和圖模型優(yōu)化的多類SVM分類器自動(dòng)檢測(cè)圖像中的行人和車輛目標(biāo),基本流程如圖1所示,。
2.1 顏色空間變換
輸入圖像一般為彩色圖像,,對(duì)于行人和車輛目標(biāo)而言,由于對(duì)象的顏色分布無(wú)序,,圖像的顏色信息并不能有效提升特征的分辨能力,,卻能大幅降低算法的運(yùn)算效率。在綜合考慮運(yùn)算效率和檢測(cè)性能后,,本文選擇利用圖像的灰度信息檢測(cè)人體和車輛目標(biāo),。因此,首先需要將彩色圖像轉(zhuǎn)換為灰度圖像,。
2.2 光照歸一化
為了避免環(huán)境光照差異造成的圖像對(duì)比度不均勻問(wèn)題,,需對(duì)圖像進(jìn)行光照歸一化處理。對(duì)于行人和車輛目標(biāo)而言,,常采用平方根的Gamma校正方法,。
2.3 梯度模值與方向計(jì)算
圖像梯度的計(jì)算常采用圖像與模板圖像卷積的方式進(jìn)行,本文采用模板(-1,,0,,1)計(jì)算圖像中各個(gè)像素點(diǎn)(x,,y)的水平和垂直梯度分量,表示為:
其中,,梯度的方向采用絕對(duì)值形式,,主要是考慮到行人和車輛的灰度分布受裝飾和背景的干擾大,方向的符號(hào)影響特征的穩(wěn)健性,。
2.4 特征提取
對(duì)于圖像中的每一個(gè)像素點(diǎn),,提取梯度方向直方圖特征,具體地,,先對(duì)0°~180°的方向進(jìn)行采樣,,本文將方向等分為10個(gè)方向塊;然后在每一個(gè)像素點(diǎn)所處的單元格(6×6)內(nèi),,求不同方向塊上梯度模值的累加和,,形成一組直方圖特征向量;最后再對(duì)特征向量v(x,,y)進(jìn)行歸一化,,表示為:
2.5 特征訓(xùn)練與分類
采用本文提出的圖模型優(yōu)化的多類SVM分類器進(jìn)行訓(xùn)練和分類。在訓(xùn)練階段,,將行人樣本集,、車輛樣本集和負(fù)樣本集送入分類器,求解分類器的最優(yōu)參數(shù),。這里,,分類類別數(shù)K=3。在測(cè)試階段,,將待驗(yàn)證的圖像塊送入分類器,,輸出該圖像塊的類別。
3 仿真與分析
本節(jié)設(shè)計(jì)了行人和車輛檢測(cè)的仿真實(shí)驗(yàn),,用于驗(yàn)證本文方法的性能,。首先,介紹實(shí)驗(yàn)數(shù)據(jù)集合評(píng)價(jià)指標(biāo),;然后,,對(duì)比本文提出的圖模型優(yōu)化多類SVM分類器(簡(jiǎn)記為GMSVM)和文獻(xiàn)[15]提出的經(jīng)典多類SVM分類器(簡(jiǎn)記為MSVM)的性能差異;最后,,對(duì)比本文提出的行人和車輛檢測(cè)方法(記為HOG+GMSVM)與目前主流的目標(biāo)檢測(cè)方法的性能在行人和車輛檢測(cè)實(shí)驗(yàn)中的性能差異,。
3.1 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)
目前,國(guó)際上流行的行人數(shù)據(jù)集很多,,但車輛數(shù)據(jù)集較少,。為了在通用數(shù)據(jù)集下客觀評(píng)價(jià)算法性能。本文選用Caltech行人數(shù)據(jù)集[16],,該數(shù)據(jù)集中不僅還有行人,,也包含車輛,。但行人目標(biāo)已標(biāo)記,而車輛目標(biāo)未標(biāo)記,。對(duì)圖像中的車輛目標(biāo)進(jìn)行標(biāo)記,,共標(biāo)記出9 312個(gè)車輛目標(biāo)矩形框。該數(shù)據(jù)庫(kù)分為11個(gè)子集,,一般選用Set00~Set05子集進(jìn)行訓(xùn)練,,Set06~Set10子集進(jìn)行測(cè)試。
行人和車輛目標(biāo)的檢測(cè)性能用錯(cuò)誤率指標(biāo)進(jìn)行評(píng)價(jià),,定義行人檢測(cè)錯(cuò)誤率(ErrP),、車輛檢測(cè)錯(cuò)誤率(ErrC)和平均檢測(cè)錯(cuò)誤率(ErrA)如下:
其中,當(dāng)檢測(cè)到的矩形框與標(biāo)記的矩形框位置重合度超過(guò)50%且類別一致時(shí)才認(rèn)為檢測(cè)正確,。
3.2 GMSVM與MSVM性能對(duì)比分析
GMSVM是對(duì)經(jīng)典的MSVM的改進(jìn),,因此,本節(jié)先對(duì)比GMSVM與MSVM在行人和車輛檢測(cè)實(shí)驗(yàn)中的性能差異,,其中,,特征提取都采用本文所述的HOG特征提取方法。圖2給出了分類器不同時(shí)行人和車輛檢測(cè)的ErrP,、ErrC和ErrA 3項(xiàng)指標(biāo),。很明顯,,GMSVM對(duì)應(yīng)的3項(xiàng)錯(cuò)誤率指標(biāo)都低于MSVM,,尤其是ErrC指標(biāo)。究其原因,,主要是GMSVM增加了訓(xùn)練特征相似度的約束,,進(jìn)一步增強(qiáng)了行人和車輛兩類目標(biāo)特征之間的區(qū)分能力,降低了誤檢現(xiàn)象,。
3.3 本文方法與主流目標(biāo)檢測(cè)方法的性能對(duì)比分析
為進(jìn)一步評(píng)價(jià)本文方法性能,,將本文方法與目前主流的目標(biāo)檢測(cè)方法(尤其是行人檢測(cè)方法)進(jìn)行對(duì)比。圖3展示了不同方法在本文所述的人車實(shí)驗(yàn)數(shù)據(jù)集上的檢測(cè)錯(cuò)誤率指標(biāo),。其中,,訓(xùn)練和測(cè)試樣本都是相同的,實(shí)驗(yàn)中參與對(duì)比的方法選擇其來(lái)源文獻(xiàn)中所述的最優(yōu)參數(shù),,同一方法在檢測(cè)行人和車輛時(shí)所用的特征以及參數(shù)都是相同的,。文獻(xiàn)[3]和文獻(xiàn)[14]的行人和車輛檢測(cè)分兩步進(jìn)行,先單獨(dú)檢測(cè)行人目標(biāo),,再檢測(cè)車輛目標(biāo),。文獻(xiàn)[11]和本文方法一次檢測(cè)行人和車輛兩類目標(biāo)。
由圖3可見(jiàn),,本文方法在行人和車輛檢測(cè)過(guò)程中的3個(gè)錯(cuò)誤率指標(biāo)都是最低的,。參與對(duì)比的3種方法其行人檢測(cè)錯(cuò)誤率指標(biāo)差異不明顯,,而車輛檢測(cè)錯(cuò)誤率指標(biāo)差異較大,文獻(xiàn)[11]的車輛檢測(cè)錯(cuò)誤率相對(duì)而言低于文獻(xiàn)[3]和文獻(xiàn)[14]所述方法,,但仍然高于本文方法,。而且,本文方法的行人和車輛錯(cuò)誤檢測(cè)率指標(biāo)差異相對(duì)較小,??偟膩?lái)說(shuō),本文方法檢測(cè)行人和車輛的效果更好,。
4 結(jié)束語(yǔ)
本文提出了一種結(jié)合無(wú)向圖優(yōu)化的多類支持向量機(jī)分類器,,在訓(xùn)練多類支持向量機(jī)分類器時(shí),利用夾角余弦測(cè)度計(jì)算各個(gè)訓(xùn)練數(shù)據(jù)之間的相似度,,再結(jié)合訓(xùn)練數(shù)據(jù)本身構(gòu)建無(wú)向圖模型,,并在圖模型中利用圖拉普拉斯矩陣和訓(xùn)練數(shù)據(jù)構(gòu)建和求解相似度約束矩陣。然后將相似度約束矩陣引入多類支持向量機(jī)求解的目標(biāo)函數(shù),,構(gòu)建優(yōu)化的多類支持向量機(jī)分類器,。最后結(jié)合梯度方向直方圖特征和圖模型優(yōu)化的多類支持向量機(jī)分類器檢測(cè)行人和車輛目標(biāo)。行人和車輛目標(biāo)檢測(cè)結(jié)果表明,,相對(duì)于經(jīng)典的多類支持向量機(jī)分類器和目前主流的目標(biāo)檢測(cè)方法,,本文方法的檢測(cè)錯(cuò)誤率低。然而目前算法的運(yùn)算效率不高,,將在后續(xù)研究中解決,。
參考文獻(xiàn)
[1] QURESHI K N,ABDULLAH A H.A survey on intelligent transportation systems[J].Middle-East Journal of Scientific Research,,2013,,15(5):629-642.
[2] DOLLAR P,APPEL R,,BELONGIE S,,et al.Fast feature pyramids for object detection[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,,2014,,36(8):1532-1545.
[3] ZHANG S,BAUCKHAGE C,,CREMERS A.Informed haar-like features improve pedestrian detection[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,,2014:947-954.
[4] RAKATE G R,BORHADE S R,,JADHAV P S,,et al.Advanced pedestrian detection system using combination of Haar-like features,Adaboost algorithm and Edgelet-Shapelet[C].Computational Intelligence & Computing Research(ICCIC),,2012 IEEE International Conference on.IEEE,,2012:1-5.
[5] 徐淵,,許曉亮,李才年,,等.結(jié)合SVM分類器與HOG特征提取的行人檢測(cè)[J].計(jì)算機(jī)工程,,2016,42(1):56-60.
[6] PRIOLETTI A,,MOGELMOSE A,,GRISLERI P,et al.Part-based pedestrian detection and feature-based tracking for driver assistance:real-time,,robust algorithms,,and evaluation[J].Intelligent Transportation Systems,IEEE Transactions on,,2013,,14(3):1346-1359.
[7] 孫銳,侯能干,,陳軍.基于特征融合和交叉核SVM的快速行人檢測(cè)方法[J].光電工程,,2014(2):53-62.
[8] LI D,XU L,,GOODMAN E D,,et al.Integrating a statistical background-foreground extraction algorithm and SVM classifier for pedestrian detection and tracking[J].Integrated Computer-Aided Engineering,2013,,20(3):201-216.
[9] 孫銳,,陳軍,高雋.基于顯著性檢測(cè)與HOG-NMF特征的快速行人檢測(cè)方法[J].電子與信息學(xué)報(bào),,2013,,35(8):1921-1926.
[10] XU F.Pedestrian detection based on motion compensation and HOG/SVM classifier[C].Intelligent Human-Machine Systems and Cybernetics(IHMSC),,2013 5th International Conference on.IEEE,,2013,2:334-337.
[11] SUN D,,WATADA J.Detecting pedestrians and vehicles in traffic scene based on boosted HOG features and SVM[C].Intelligent Signal Processing(WISP),,2015 IEEE 9th International Symposium on.IEEE,2015:1-4.
[12] OUYANG W,,WANG X.A discriminative deep model for pedestrian detection with occlusion handling[C].Computer Vision and Pattern Recognition(CVPR),,2012 IEEE Conference on.IEEE,2012:3258-3265.
[13] OUYANG W,,ZENG X,,WANG X.Modeling mutual visibility relationship in pedestrian detection[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2013:3222-3229.
[14] ZENG X,,OUYANG W,,WANG X.Multi-stage contextual deep learning for pedestrian detection[C].Proceedings of the IEEE International Conference on Computer Vision,,2013:121-128.
[15] WANG Z,XUE X.Multi-class support vector machine[M].Support Vector Machines Applications.Springer International Publishing,,2014:23-48.
[16] DOLLAR P,,WOJEK C,SCHIELE B,,et al.Pedestrian detection:An evaluation of the state of the art[J].Pattern Analysis and Machine Intelligence,,IEEE Transactions on,2012,,34(4):743-761.
作者信息:
王 劍1,,張偉華2,李躍新3
(1.常熟理工學(xué)院 計(jì)算機(jī)科學(xué)與工程學(xué)院,,江蘇 常熟215500,;
2.鄭州成功財(cái)經(jīng)學(xué)院 信息工程系,河南 鄭州450000,;3.湖北大學(xué) 計(jì)算機(jī)與信息工程學(xué)院,,湖北 武漢430064)