正在加载图片...
第5期 蒋新华,等:半监督SVM分类算法的交通视频车辆检测方法 ·693. 个体适应度函数值F(t): 帧进行1次检测标记,选择k个置信度最大的正、负 for(i=0,i<=最大进化代数,i计+) 样本,得到结果U2: U→U2 3)进行选择、交叉及变异操作: 5)对比U。,和U,将标记结果一致的样本放入 4)计算新群体的个体适应度,并提取当前最佳 样本库U中; 适应度的(C,σ〉参数集; Ua,∩U,→U 6)将U'+L组成新的样本库,重新训练分类器 End hi,h2: 1.3半监督SVM学习算法 while(视频未结束) 本文综合Co-training算法与Tri-training算法的 7)得到用新样本库训练的分类器h,'、h2',比较 思想,提出一种半监督SVM学习算法(SEM- h,'与h,'选择检测结果好的分类器作为最终分类器 SVM)。该算法在同一个交通视频样本库中提取 h3输出。 HOG特征训练遗传算法优化后的径向基核函数 End GOA-SVM分类器,提取LBP特征训练多项式核函 其中,SEMI-SVM算法要求有2个不同类型的 数SVM分类器。利用这2个分类器分别对未标记 分类器进行协同训练,若采用相同的分类器就变成 的交通视频样本进行识别,从中选择置信度比较高 了自训练算法。该算法中虽然采用的2个分类器都 的正、负样本。比较2个分类器的标记结果,将标记 是SVM分类器,但由于这里选取不同的核函数,可 结果一致的样本重新加入到原样本库中,更新样本 认为是2个不同分类器进行协同训练。 库,重新训练分类器:如此循环上述步骤,直至视频 由于该学习算法是利用2个不同分类器对同一 结束。选取识别效果好的一个分类器作为最终分类 个未标记样本视频进行检测并标记,若2次标记结 器输出并进行后续检测。这样不仅能让科研人员从 果相同,说明正确标记该未知样本的置信度就比较 繁重的人工标记样本的工作中得到解放,而且能够 高,则将该标记作为新的样本加入到样本库中就更 动态更新样本库,大大增加自适应性,提高检测 有价值。 准确率。 SEMI-SVM学习算法的基本步骤如下: 2特定运动区域的SEMI-SVM优化方法 输入:已标记样本库:L={(x1,y1),(x2, y2),…,(x,y)} 本文采用的车辆检测方法是先对全图作帧间差 未标记样本库: 分,通过扩展补偿得到运动区域,然后选取特定的运 U={山1,2,…,u}(未标记样本库来自交通视 动区域利用已训练好的分类器进行检测。 频) 1)对图像进行帧间差分及二值化阈值分割。 输出:SEMI-SVM分类器h 设I(m,n,t)为t时刻的图像序列,(m,n)表示 Begin: 图像中坐标为(m,n)的像素点,选取视频序列,连续 1)从已标记样本库L中提取HOG特征训练径 的3帧1(m,n,t-1),I(m,n,t)和1(m,n,t+1),利用 向基核函数G0A-SVM分类器h1; 式(11)、(12)分别对相邻的帧作帧间差分: 2)从已标记样本库L中提取LBP特征训练多 D.-1(m,n)=|I(m,n,t)-I(m,n,t-1)(11) 项式核函数SVM分类器h2; D+1(m,n)=I(m,n,t+1)-I(m,n,t)(12) do 式中D(m,n)为差分图像。 选取适当的阈值T对得到的差分图像D(m,n) 3)用分类器h,对未标记视频样本库U每隔m 进行二值化如下: 帧进行1次检测标记,选择k个置信度最大的正、负 255,D.-1(m,n)≥T b4-(m,n)= (13) 样本,得到结果U; 0,D.-(m,n)<T U→Ua (255,(D+1.(m,n)≥T b+1(m,n)= (14) 4)用分类器h,对未标记视频样本库U每隔m (0,D+1.(m,n)<T个体适应度函数值 F(t); for(i = 0,i< =最大进化代数,i++) { 3)进行选择、交叉及变异操作; 4)计算新群体的个体适应度,并提取当前最佳 适应度的〈C,σ〉参数集; } End 1.3 半监督 SVM 学习算法 本文综合 Co⁃training 算法与 Tri⁃training 算法的 思想, 提 出 一 种 半 监 督 SVM 学 习 算 法 ( SEMI⁃ SVM)。 该算法在同一个交通视频样本库中提取 HOG 特征训练遗传算法优化后的径向基核函数 GOA⁃SVM 分类器,提取 LBP 特征训练多项式核函 数 SVM 分类器。 利用这 2 个分类器分别对未标记 的交通视频样本进行识别,从中选择置信度比较高 的正、负样本。 比较 2 个分类器的标记结果,将标记 结果一致的样本重新加入到原样本库中,更新样本 库,重新训练分类器;如此循环上述步骤,直至视频 结束。 选取识别效果好的一个分类器作为最终分类 器输出并进行后续检测。 这样不仅能让科研人员从 繁重的人工标记样本的工作中得到解放,而且能够 动态更新样本库, 大大增加自适应性, 提高检测 准确率。 SEMI⁃SVM 学习算法的基本步骤如下: 输入: 已 标 记 样 本 库: L = {( x1 , y1 ), ( x2 , y2 ),...,(xi,yi)} 未标记样本库: U= {u1 ,u2 ,…,un } (未标记样本库来自交通视 频) 输出:SEMI⁃SVM 分类器 h3 Begin: 1)从已标记样本库 L 中提取 HOG 特征训练径 向基核函数 GOA⁃SVM 分类器 h1 ; 2)从已标记样本库 L 中提取 LBP 特征训练多 项式核函数 SVM 分类器 h2 ; do { 3)用分类器 h1 对未标记视频样本库 U 每隔 m 帧进行 1 次检测标记,选择 k 个置信度最大的正、负 样本,得到结果 Uh1 ; U → Uh1 4)用分类器 h2 对未标记视频样本库 U 每隔 m 帧进行 1 次检测标记,选择 k 个置信度最大的正、负 样本,得到结果 Uh2 ; U → Uh2 5)对比 Uh1和 Uh2 ,将标记结果一致的样本放入 样本库 U′中; Uh1 ∩ Uh2 → U′ 6)将 U′+L 组成新的样本库,重新训练分类器 h1 ,h2 ; }while(视频未结束) 7)得到用新样本库训练的分类器 h1 ′、h2 ′,比较 h1 ′与 h2 ′选择检测结果好的分类器作为最终分类器 h3 输出。 End 其中,SEMI⁃SVM 算法要求有 2 个不同类型的 分类器进行协同训练,若采用相同的分类器就变成 了自训练算法。 该算法中虽然采用的 2 个分类器都 是 SVM 分类器,但由于这里选取不同的核函数,可 认为是 2 个不同分类器进行协同训练。 由于该学习算法是利用 2 个不同分类器对同一 个未标记样本视频进行检测并标记,若 2 次标记结 果相同,说明正确标记该未知样本的置信度就比较 高,则将该标记作为新的样本加入到样本库中就更 有价值。 2 特定运动区域的 SEMI⁃SVM 优化方法 本文采用的车辆检测方法是先对全图作帧间差 分,通过扩展补偿得到运动区域,然后选取特定的运 动区域利用已训练好的分类器进行检测。 1)对图像进行帧间差分及二值化阈值分割。 设 I(m,n,t)为 t 时刻的图像序列,(m,n)表示 图像中坐标为(m,n)的像素点,选取视频序列,连续 的 3 帧 I(m,n,t-1),I(m,n,t)和 I(m,n,t+1),利用 式(11)、(12)分别对相邻的帧作帧间差分: Dt,t-1(m,n) = I(m,n,t) - I(m,n,t - 1) (11) Dt+1,t(m,n) = I(m,n,t + 1) - I(m,n,t) (12) 式中 D(m,n)为差分图像。 选取适当的阈值 T 对得到的差分图像 D(m,n) 进行二值化如下: bt,t-1(m,n) = 255,Dt,t-1(m,n) ≥ T {0,Dt,t-1(m,n) < T (13) bt+1,t(m,n) = 255,(Dt+1,t(m,n) ≥ T {0,Dt+1,t(m,n) < T (14) 第 5 期 蒋新华,等:半监督 SVM 分类算法的交通视频车辆检测方法 ·693·
<<向上翻页向下翻页>>
©2008-现在 cucdc.com 高等教育资讯网 版权所有