正在加载图片...
·692· 智能系统学报 第10卷 8(h)=6X(): 分类面,即得 (2) f)sign(Y.a.K(X.X))+b(6) 8(k)= (h-bsine+bsp)X(w-bsire +bsuep) i=1 (3) bp 式中:α:为拉格朗日乘数,可以得到原优化问题相 式中:cn为细胞单元的维数,bs为块的大小,cs为 对应的对偶问题,每个约束条件在原问题中所对应 细胞单元的大小,bp为块的移动步长,h和w为图 的Lagrange乘子: 像的高度与宽度。 b=Y- Y.a.K(X:.X,) (7) 本文中训练分类器的样本图像是从交通视频中 i=1 式中K(X,X)为核函数。 截取包含车辆的正样本和不包含车辆的负样本,样 研究表明,对SVM分类器而言,核函数的选择 本图像归一化为64×128像素,每个细胞单元大小 是决定其性能的关键因素[9。选择不同的核函数 为8×8像素,每个块的大小为16×16像素,每个像 将影响分类器的效率与精度。目前应用最广泛的核 素点的梯度划分为9个方向,块的移动步长为8个 函数主要有[20; 像素。因此,每个样本图像提取的HOG特征有 1)Sigmoid核函数,表达式为 3780维特征,将该特征用于SVM分类器进行学习 K(X;,X)=tanh [b(X:,X)c] (8) 与分类。 2)多项式核函数,表达式为 2.2SVM学习及其参数优化 K(X,X)=(X·X+1)4,d=1,2,3…(9) SVM分类是通过一个非线性映射将作为学习 3)径向基核函数,表达式为 样本的交通视频图像的各个属性分量映射到高维特 征空间F中,然后利用结构风险最小化原则在F中 K(X)=exp( (10) 2c2 找到间隔最大的超平面,能将给定的视频车辆训练 多项式核函数属于全局核函数,具有全局特性。 样本进行正确的分类[)。其中,超平面和样本的最 径向基核函数属于局部核函数,具有局部性。Sg 大距离即为构造超平面的依据。 moid核函数由于参数选择尤为困难,一般不被采 交通视频车辆检测的训练集{(X,Y)Ik=1, 用。由于交通视频车辆检测过程存在着强非线性的 2,…,l}由2类组成。其中,X∈R为输入,Y∈ 特点,因此本文采用径向基核函数与多项式核函数 {-1,1}为类别判别输出,如果X∈R为有车辆,则 建立车辆检测模型,并对径向基核函数处理模型进 标记为(Yk=1);如果无车辆,则标记为负(Y=-1)。 行调优。 训练的目标就是构造一个判别函数G(X)=W·X+ 径向基核函数SVM处理模型具有很好的小样 b作为分类面对交通视频样本数据能较准确进行分 本学习能力及泛化性能,但需要对模型惩罚参数C 类,并且要求分类间隔最大化,就需使ⅡW‖或 和核函数参数σ进行调优,提高分类准确率,得到 ‖W‖2最小;要让分类面对所有样本数据进行正确 比较理想的检测结果。本文采用遗传算法对分类器 分类,需满足条件Y[(W·X)+b]-1≥0,对任意样 模型参数进行优选,实现模型参数的最优化,从而提 本空间的{X,Y}。 高分类器检测的准确率,能够避免过度学习与欠学 对于线性可分的样本,可以引入松弛变量:≥0 习状态的情况,提高在不同场景下交通视频的自适 来构造分类超平面,此时目标函数为 应性。模型参数自动寻优算法(GOA-SVM)的基本 w+c 步骤如下: (4) i=】 输入:遗传算法运行参数,包括种群规模、进化 Y:[(W·X,)+b]-1+:≥0 (5) 代数等; 式中:C为惩罚因子,当C=0时,就是线性可分 输出:全局最优的(C,σ〉参数集: 问题。 Begin: 为了更有效地处理图像属性与交通视频有无车 1)建立区域扫描器,并指定<C,σ>参数对的寻 辆的分类问题之间的非线性关系,本文选用径向基 优计算取值范围: 核函数将样本属性在低维空间的非线性问题映射成 2)随机产生初始种族群P(t),并转换为实值向 高维特征空间的线性问题,并在新空间中求解最优 量,同时通过SVM训练模型准确度计算各参数对的g(h)= cDim ×( bSize cSize ) 2 (2) g(k)= (h-bSize +bStep )×(w-bSize +bStep ) b 2 Step (3) 式中:cDim为细胞单元的维数,bSize为块的大小,cSize为 细胞单元的大小,bStep为块的移动步长,h 和 w 为图 像的高度与宽度。 本文中训练分类器的样本图像是从交通视频中 截取包含车辆的正样本和不包含车辆的负样本,样 本图像归一化为 64×128 像素,每个细胞单元大小 为 8×8 像素,每个块的大小为 16×16 像素,每个像 素点的梯度划分为 9 个方向,块的移动步长为 8 个 像素。 因此, 每个样本图像提取的 HOG 特征有 3 780维特征,将该特征用于 SVM 分类器进行学习 与分类。 2.2 SVM 学习及其参数优化 SVM 分类是通过一个非线性映射将作为学习 样本的交通视频图像的各个属性分量映射到高维特 征空间 F 中,然后利用结构风险最小化原则在 F 中 找到间隔最大的超平面,能将给定的视频车辆训练 样本进行正确的分类[18] 。 其中,超平面和样本的最 大距离即为构造超平面的依据。 交通视频车辆检测的训练集{(Xk,Yk ) | k = 1, 2,…,l} 由 2 类组成。 其中,Xk ∈R d 为输入,Yk ∈ {-1,1}为类别判别输出,如果 Xk∈R d 为有车辆,则 标记为(Yk = 1);如果无车辆,则标记为负(Yk = -1)。 训练的目标就是构造一个判别函数 G(X)= W·X+ b 作为分类面对交通视频样本数据能较准确进行分 类,并且要求分类间隔最大化,就需使 ‖ W ‖ 或 ‖W‖2 最小;要让分类面对所有样本数据进行正确 分类,需满足条件 Yi[(W·Xi)+b]-1≥0,对任意样 本空间的{Xk,Yk}。 对于线性可分的样本,可以引入松弛变量 ζi≥0 来构造分类超平面,此时目标函数为 min w,b,ζ 1 2 ‖w‖2 + C∑ n i = 1 ζi (4) Yi[(W·Xi) + b] - 1 + ζi ≥ 0 (5) 式中:C 为惩罚因子,当 C = 0 时,就是线性可分 问题。 为了更有效地处理图像属性与交通视频有无车 辆的分类问题之间的非线性关系,本文选用径向基 核函数将样本属性在低维空间的非线性问题映射成 高维特征空间的线性问题,并在新空间中求解最优 分类面,即得 f(X) = sign(∑ n i = 1 YiαiK(Xi,X)) + b ∗ (6) 式中:αi 为拉格朗日乘数,可以得到原优化问题相 对应的对偶问题,每个约束条件在原问题中所对应 的 Lagrange 乘子: b ∗ = Yj - ∑ n i = 1 YiαiK(Xi,Xj) (7) 式中 K(Xi,Xj)为核函数。 研究表明,对 SVM 分类器而言,核函数的选择 是决定其性能的关键因素[19] 。 选择不同的核函数 将影响分类器的效率与精度。 目前应用最广泛的核 函数主要有[20] : 1)Sigmoid 核函数,表达式为 K(Xi,Xj) = tanh [b(Xi,Xj) + c] (8) 2)多项式核函数,表达式为 K(Xi,Xj) = (Xi·Xj + 1) d ,d = 1,2,3… (9) 3) 径向基核函数,表达式为 K(Xi,Xj) = exp( - ‖Xi - Xj‖2 2σ 2 ) (10) 多项式核函数属于全局核函数,具有全局特性。 径向基核函数属于局部核函数,具有局部性。 Sig⁃ moid 核函数由于参数选择尤为困难,一般不被采 用。 由于交通视频车辆检测过程存在着强非线性的 特点,因此本文采用径向基核函数与多项式核函数 建立车辆检测模型,并对径向基核函数处理模型进 行调优。 径向基核函数 SVM 处理模型具有很好的小样 本学习能力及泛化性能,但需要对模型惩罚参数 C 和核函数参数 σ 进行调优,提高分类准确率,得到 比较理想的检测结果。 本文采用遗传算法对分类器 模型参数进行优选,实现模型参数的最优化,从而提 高分类器检测的准确率,能够避免过度学习与欠学 习状态的情况,提高在不同场景下交通视频的自适 应性。 模型参数自动寻优算法(GOA⁃SVM)的基本 步骤如下: 输入:遗传算法运行参数,包括种群规模、进化 代数等; 输出:全局最优的〈C,σ〉参数集; Begin: 1)建立区域扫描器,并指定<C,σ>参数对的寻 优计算取值范围; 2)随机产生初始种族群 P(t),并转换为实值向 量,同时通过 SVM 训练模型准确度计算各参数对的 ·692· 智 能 系 统 学 报 第 10 卷
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有