第4卷第3期 智能系统学报 Vol.4 No.3 2009年6月 CAAI Transactions on Intelligent Systems Jn.2009 doi:10.3969/j.issn.16734785.2009.03.014 基于GA-RBF神经网络及边界不变特征的车辆识别 张涛，费树岷，李晓东 (东南大学复杂工程系统测量与控制教育部重，点实验室，江苏南京210096) 摘要：修正的边界不变矩在目标旋转、缩放和平移过程中能保持不变性.将其作为车辆目标的识别特征，并且利用 遗传算法(GA)优化径向基函数(BF)神经网络参数，能很好地实现对车辆目标的识别.实验表明，该方法在复杂背 景下对目标的识别具有很强的鲁棒性，能快速准确地识别车辆类型；并且边界不变特征的引入，减少了数据运算量， 提高了识别效率. 关键词：车辆识别：遗传算法：径向基函数网络：边界矩不变量 中图分类号：TP391.41文献标识码：A文章编号：1673-4785(2009)03027805 Vehicle recognition using boundary invariants and a genetic algorithm trained radial basis function neural network ZHANG Tao,FEI Shu-min,LI Xiao-dong (Key Laboratory of Measurement and Control of Complex Systems of Engineering of Ministry of Education,Southeast University,Nan- jng210096,China） Abstract:A method for vehicle recognition using the modified boundary invariant moments and a genetic algorithm trained radial basis function (GA-RBF)neural network was developed.The modified boundary invariant moments have the accustomed invariance for rotation,scaling and translation of targets,which can be used as the invariant characteristic vectors.Using these features as the inputs of a neural network,the vehicle targets can then be recog- nized accurately.In order to improve recognition accuracy and speed,the genetic algorithm (GA)was used to op- timize the RBF parameters:centers,variance,and numbers of hidden nodes.Experimental results indicated that this method,which introduces invariants based on boundaries,yields robust target recognition with greatly reduced computation time and improved efficiency. Keywords:vehicle recognition;genetic algorithms;radial basis function neural network;boundary invariant mo- ments 车辆识别对于高速公路收费额的确定、大型停 辆的代数特征（如不变矩特征）进行识别，可以在一 车场管理及公路交通监视控制等都具有非常重要的 定程度上解决上述问题，增强识别的鲁棒性：但是提 意义，同时它也是智能交通系统的一个重要组成部 取代数特征时，往往需要增加较多的计算量和存储 分.目前对车辆的识别方法基本上可以分为3类： 负担，实时性较差.3)基于学习的方法5.这种方 1)基于边缘轮廓型1).这种方法主要依据车辆本 法的本质是利用神经网络对大量的车辆图像进行训 身具有的明显的边缘特征，对车辆的外围轮廓进行 练，然后通过分类器进行分类， 提取，从而进行不同车型的识别.该方法实现简单、 本文以修正的边界不变矩作为目标识别特征， 直观，但是当不同车型的轮廓区别不大，或遇到干扰 并采用遗传算法(GA)优化的径向基函数(RBF)神 边缘提取不准确，车辆角度有少许变化时，该方法的 经网络对车辆特征进行学习、分类.实验表明该方法 识别性能有所下降2)基于代数特征型34).提取车 能够克服一些环境的影响，取得较好的识别效果. 1基于边界的不变矩特征 收稿日期：200803-10. 基金项目：国家自然科学基金重点资助项目(60835001) 不变矩在目标形态和位置发生变化后仍然保持 通信作者：张涛.E-mail:tzhangcn@gmal.com
第3期 张涛，等：基于GA-RBF神经网络及边界不变持征的车辆识别 .279· 不变.其中，H山u氏不变矩广泛运用于模式识别和 2 基于自适应遗传算法(AGA)的 图像分类领域.Hu不变矩的计算是基于区域的，计 RBF网络学习算法 算量很大.利用目标边界计算不变矩是降低计算量 的有效途径，并且使用轮廓序列的矩比基于面积的 运用自适应遗传算法对RBF网络优化就是要 矩会获得较低概率的误分类.Chcm)证明了连续情 对网络隐层节点数、每一隐层节点的中心参数c:和 况下基于边界的不变矩的RST(otation、scale、trans- 宽度参数δ：进行优化，使网络能完成从输人空间到 lation)不变性.由于实际处理的是数字图像，所以采 输出空间的映射，从而保证RBF网络的泛化能 用离散化后的不变量作为目标的识别特征91) 力1214) 对于边界提取后的数字图像，图像的p+q阶矩 2.1RBF神经网络 mg和中心矩分别为 采用的RBF网络的输入层的节点数由提取的 m=∑xyAs, 待识别图像的特征向量维数决定.由于有7个不变 (1) (syeC 矩，因此，输入节点数为7.输出层节点由识别的类 %n=∑(x-x)P(y-yA. (2) 别数确定，文章只对轿车和卡车进行识别；所以可以 (s,y)ec 设定1个输出层节点，输出0代表目标为轿车，输出 式中：x=2io/nm6o,y=m61/m6- 1代表目标为卡车.其结构如图1所示. 归一化中心矩为 a(x) %=w()学1 (3) 式中：△s为离散化的单位孤长，根据像素的联通域 a.(x) 可取为1或2，这里△s=1,则式(1)、式(2)简化为 nmn=∑xy, (4) (x,)后C a(x) =∑(x-x)P(y-y) (5) (s,y)eC 图1径向高斯函数网络拓扑结构 式中：x=mio/mio,y=m81/nm6o- Fig.1 Architecture of a conventional RBF neural network 在此基础上，可以计算出基于边界的不变矩： 输入层节点传递输入信号到隐层，隐层节点由 中1=402+L20, 高斯核函数描述，而输出层通常由简单的线性函数 刻画.因此，该网络的响应函数为 2=(he+2w）2+41, =(0-3h12)2+(321-4)2, x)=cxp[-‖x]. 26号 中4=(u0-hn)2+(a1-h)2, 式中：x为输人样本；c:为第i个隐层节点的高斯核 =(0-312)(0+h2)[(0+u12)2 函数的中心值；δ：是第i个隐层节点的变量，称标准 3(2+4g)2]+(321-has)(1+4g） 化常数，或基宽度；m为网络隐层节点的个数；ω：是 第i个隐层节点到输出节点的权值， [(30+u2)2-(a+3)2], 2.2染色体的设计与编码 中s=(uo-he)[(u0+hn)2-(h:+he)2]+ 遗传算法在解决数值优化的问题时，采用二进 4u1(30+12)(21+g), 制的编码并不能取得较好的结果，因此本文采用了 中，=(31-ho)(0+h2)[(0+h12)2- 基于实数的染色体编码方式。这样避免了因网络取 3(z+hog）2]-(hg-321)(z1+he）· 值范围不明确，难以进行编码的困难；也取消了编 码、译码过程，提高了学习算法的速度；同时十进制 [(30+h2)2-(h21+h)2]. 数字串的引入，在数字串长度不变(GA的计算量不 由于在离散情况下比例不变性不成立，因此需 变)的情况下，计算精度可以大为提高。 要对这7个不变矩进行修正，修正后的不变矩将具 2.3适应度函数的构造 有比例、旋转和平移不变性， 遗传算法中以个体适应度的大小来确定该个体 进行修正的矩计算式如下： 被遗传到下一代个体中的概率适应度函数是遗传 中'1=中，'2=中2/， 算法指导搜索的惟一信息，它的好坏是衡量算法优 中'3=中3/中1，中'4=中4/φ1， 劣的关键.这里，将适应度函数取为输出端的平方误 中'5=中5/i,中'6=中6/1，中'1=中/1 差的倒数1)，即对的i个个体的适应度为
280 智能系统学报 第4卷 f=1/∑(y(x0)-fx0)2 ;并且选出最大的适应度对应个体，转到6)，否则 执行5). 这样选取的适应度函数比较直观地反映了每个个体 5)对这7个不变矩进行选择、交换、变异等自 性能的好与差 适应遗传操作.然后回转到3). 2.4复制操作 6)对选出最大的适应度对应的个体继续执行 复制操作会直接影响遗传算法的性能，文章采 梯度下降法若干次，直到得到满足精度要求的中心 用基于适应度比例的选择策略.假定个体r()的适 参数和宽度参数 应度为，则其复制概率为 7)利用训练好的GA-RBF网络对目标图像进 P=f/∑ 行识别，输出结果 式中：f是染色体r()的适应度值；∑∫为群体的个 3实验结果与分析 体适应度的总和. 首先采用赌轮选择方式来实现按照概率P,)选 3.1对目标车辆进行边界不变矩提取 择个体r(i).然后选用最佳保留(elitist model)选择 采用2类汽车图像进行识别，学习的样本图像 机制，即将当前解中适应度最高的个体复制到下一 和识别图像全部来自卡内基梅隆大学数据库中提供 代群体中，以保证遗传算法终止时得到的最后结果 的视频序列.视频拍摄过程中，摄像机的拍摄角度和 一定是历代出现过的最高适应度的个体6 相机位置没有变化，图像大小为768×576.首先对 2.5交换和变异操作 视频图像进行背景减法提取出包含车辆轮廓的矩形 交换操作和变异操作是遗传算法中2个起重要 图像，对数字图像进行边缘检测，提取车辆的边界不 作用的算子.自适应遗传算法是根据个体的具体情 变矩如图2~5所示 况，自适应地改变交换概率P。、变异概率P·这样能 保持多样性，防治早熟收敛，可以提高算法的计算速 度和精度P。、Pm分别为 Imet-f f>fagi (a)卡4车i )卡42 {c)卡车3 P。= 图2卡车原始样本 ffogi Pm三 f<fog 式中：∫m是群体的最大适应度值，∫是群体的平均 a)卡在1 h)卡车2 (c)卡车3 卡午4 适应度值，厂是用于交换的2个串中较大适应度者，∫ 是待变异个体的适应度值， 图3卡车训练样本 Fig.3 Truck training samples 在这里，k1=k3=1,2=k4=0.5.在实际应用 中，P。常取0.5~1.0，Pm常取0.005~0.05. 2.6算法实现 具体实现步骤如下： 1)提取目标车辆的边界不变矩， (a,轿车1 轿车2 (c)轿车3 d轿年4 2)将提取出的7个边界不变矩作为初始群体， 图4轿车原始样本 3)利用梯度下降法对这7组初始参数分别进 Fig.4 Car original samples 行预训练，然后利用最小二乘法学习网络的隐含层 节点到输出层节点的权值.计算种群中每一个个体 的适应度，并将不满足可行域条件的隐节点删除 (可行域约束条件是：隐节点对应的权重为预设 (a)轿车I (h)轿年2 {c)轿车3 (轿车4 值).重复执行此操作，直到所有节点都为可行域节 图5轿车训练样本 点。 Fig.5 Car training samples 4)如果种群中大多数个体的隐节点数的个数 表1和表2分别为卡车样本和轿车样本的边界 相同（如95%以上），并将此相同的隐层节点数记为
第3期 张涛，等：基于GA-RBF神经网络及边界不变持征的车辆识别 .281 不变矩.从表中数据可以看出，当目标车辆发生位移 的网络所属类别判定为卡车样本.若几个网络输出 变化时，不变矩的值保持相对稳定；但是也不是严格 值相等，且都接近0，则可判别出为轿车类别. 保持不变，而是在一定范围内有所波动.造成这种波 图6和图7表示在晴天条件下对轿车和卡车进 动的原因是由于整个处理过程中存在多种噪声和误 行识别，用矩形符号标识轿车，用圆形符号标识卡 差因素.在离散边界不变矩的计算中，当△s0时， 车.图8和图9表示在雨天以及雾天等恶劣天气条 式(2)才能完全和连续情况等效；而实际计算时△： 件下车辆目标的识别，从图中可以看出，识别的结果 取的是固定值，这就导致了不变矩的计算误差，不变 基本令人满意.识别率在晴天的情况下可达到90% 性降低.另外，由于实际中几乎还不可能获得完全理 左右，在恶劣天气下能够达到80%，主要原因是在 想的分割结果，错误的分割往往发生在目标边界处， 恶劣天气下，外界因素影响了图像的边缘提取，也就 这对不变矩的计算也会产生影响， 影响到了图像边界不变矩的计算 表1卡车样本的边界不变矩的典型值 Table 1 Typical values of moment invariants based on truck boundary 边界不变距 卡车1 卡车2 卡车3 卡车4 4.9649 4.9645 4.9632 4.9521 中 11.8923 11.5326 1L.6381 11.7114 图6晴天对轿车的识别 19.678119.3199 19.4329 19.4829 Fig.6 Car recognition in sunny weather 中4 19.192019.279519.606019.0039 真 38.6539 39.293239.273938.7813 24.252024.140924.225824.0796 华 38.6268 38.708239.114439.0187 表2轿车样本的边界不变矩的典型值 图7晴天对卡车的识别 Table 2 Typical values of moment invariants based on car Fig.7 Truck recognition in sunny weather boundary 边界不变距轿车1 轿车2 轿车3 轿车4 中1 5.2481 5.2816 5.2158 5.2920 13.8649 13.8934 13.7265 13.7676 的 23.4923 23.4009 23.4192 23.4331 4 22.1716 21.8085 21.8675 21.6666 图8雨天对轿车的识别 Fig.8 Car recognition in rainy weather 44.167044.7301 44.077144.5926 % 29.405429.756129.395429.5524 45.500945.729045.245645.0032 3.2目标的GA-RBF网络识别 对每种典型外形的车各准备50个样本，30个 样本构成学习集，另20个样本构成测试集，计算样 图9雾天对轿车的识别 本的边界不变矩特征作为网络输入。 Fig.9 Car recognition in misty weather 网络输入层的每个节点对应样本的一个特征， 采用上面方法提取的基于目标边界的不变矩作为识 4 结束语 别特征，输出层采用单输出型，即输出层的节点只有 将边界不变特征作为车辆目标的识别特征，运 一个·为每类模式建立一个这样的网络，输入训练样 用改进遗传算法的径向基高斯函数网络，建立合理 本分别进行训练，将属于这轿车一类的训练样本的 的网络结构，通过对实际视频序列图像进行识别，实 期望输出设为0，卡车类别的期望输出设为1.识别 验表明结果基本令人满意.另外，由于采用基于边界 时，将待识别的样本输入到每个网络，输出最接近1 的不变矩作为识别特征，降低了数据处理量，提高了
.282. 智能系统学报 第4卷 识别效率.该方法在复杂背景下对目标的识别具有 乡 很强的鲁棒性，能快速准确地识别车辆类型.下一步 [12]卢涛，陈德钊.径向基网络的研究进展和评述[J]. 的工作是增加识别车辆车型的种类以及围绕如何提 计算机工程与应用，2005,41(4)：6062 高算法的效率及实时性方面做进一步的研究， LU Tao,CHEN Dezhao.A process review of radial basis function networks[J].Computer Engineering and Applica- 参考文献： tions,2005,41(4):60-62. [1]XIA Limin.Vehicle recognition using boosting neural net- [13]陈国良.遗传算法及其应用[M].北京：人民邮电出版 work classifiers C]//Proceedings of the Sixth World Con- 社，1996. gress on Intelligent Control and Automation.Dalian,China, [14]HACHINO T,DEGUCHI K,TAKATA H.Identification of 2006:9641-9644. hammerstein model using radial basis function networks [2]GOYAL A,VERMA B.A neural network based approach and genetic algorithm[C]//The Proceedings of the 5th A- for the vehicle classification[C]//Proceedings of Computa- sian Control Conference.Melbourne,Australia,2004:20- tional Intelligence in Image and Signal Processing.Honolu- 的1 m,USA,2007:226-231. [15]李红利，张晓形，兰立柱，等.基于遗传算法的RBF神 [3]SHIN P,JASSO H,TILAK S,et al.Automatic vehicle 经网络的优化设计方法[J].计算机仿真，2003,20 type classification using strain gauge sensors[C]//Interna- (11):6769. tional Conference on Pervasive Computing and Communica LI Hongli,ZHANG Xiaotong,LAN Lizhu,et al.A opti- tions Workshops.White Plains,USA,2007:425-428. mum design of RBF neural networks based on genetic algo- [4]LIM T R,GUNTORO A T.Car recognition using Gabor fil- rithms[J].Computer Simulation,2003,20(11):67-69. ter feature extraction[C//IEEE Asia-Pacific Conference on [16]LEUNG H,DUBASH N,XIE N.Detection of small ob- Circuits and Systems.Singapore,2002:451-455. jects in clutter using a GA-RBF ncural network[J].IEEE [5]KI Y K,BAIK D K.Vehicle-classification algorithm for Transactions on Aerospace and Electronic Systems,20)2, single-loop detectors using neural networks [J].IEEE 38(1):98-118. Transactions on Vchicular Technology,2006,55(6): 作者简介： 1704-1711. 张涛，男，1981年生，博士研究 [6]LIN C T,YEH C M,CHUNG J F,et al.Support vector 生，主要研究方向为计算机视觉、图像 based fuzzy neural network for pattern classification [J]. 处理、模式识别等.发表学术论文6篇。 IEEE Transactions on Fuzzy Systems,2006,14(1):31- 41. [7]HU M K.Visual pattern recognition by moment invariants [J].IEEE Transactions on Information Theory,1962,8 (2):179-187. 费树岷，男，1961年生，教授，博士 [8]CHEN CC.Improved moment invariants for shape diserimi- 生导师，博士后，主要研究方向为非线 nation[J].Pattern Recognition,1993,26(5):683-686. 性控制系统设计和综合，混杂系统分 [9]王连亮，陈怀新，图像识别的R$TC不变矩[J].数据采 析、建模与控制，神经网络控制，时滞系 集与处理，2006,21(2)：225-229. 统控制等.近年来，参与国家自然科学 WANG Lianliang,CHEN Huaixin.Moment invariants of 基金（含重点）项目4项、国家“863”高 RSTC for image recognition[J].Joural of Data Acquisition 科技发展计划项目2项，实际应用项目10项.发表学术论文 &Processing,2006,21(2):225-229. 90余篇，出版专著（合著）1部. [10]TORRES-MENDEZ L A,RUIZ-SUAREZ J C,SUCAR L 李晓东，男，1974年生，博士研究 E,et al.Translation,rotation,and scale invariant object 生，主要研究方向为图像处理、模式识 recognition[J].IEEE Transactions on Systems,Man and 别等.发表学术论文9篇 Cybernetics,2000,30(1):125-130. [11]张坤华，王敬儒，张启衡，基于边界不变特征的扩展目 标识别方法[J].光电工程，2005,32(8)：1-5. ZHANG Kunhua,WANG Jingru,ZHANG Qiheng.Meth- od for recognizing extended target based on boundary invar- iants[J].Opto-Electronic Engineering,2005,32(8):1-