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·