第4期 史晓鹏，等：灰度直方图与LDA的路况分类 .331· 归入距离和最小的类别.表2给出了相同测试样本 表3用可信度描述图6的分类结果 使用改进K近邻算法的分类结果统计 Table 3 Results of Fig.6 with reliability 对此表2与表1可以看出，由于充分利用了类 标定分类待分类样本与3类样本距离和 分类结果 别内所有训练样本，改进K-近邻算法使分类结果准 结果结果 畅通 缀行 拥堵 可信度/% 确率有所提升. 畅通畅通5.88961.35460 81.3 表2改进K-近邻算法分类结果统计 畅通畅通3.32322.9774 0 52.9 Table 2 Results of using improved K-NN algorithm 畅通缓行3.35393.5472 0 51.4 分类结果符合标定幅数不符合标定幅数 一致率/% 4 结论 畅通 34 3 91.9 实践证明，使用路况图像灰度直方图统计特征， 缓行 5 88.6 结合LDA降维与改进K-近邻的分类器能够良好地 拥堵 37 2 94.8 进行实时路况分类，分类效果与交管局实时发布路 此外，由于路况评价因人而异，本文在使用改进 况信息相当.主要优越性概括如下. K-近邻算法得到的3个距离和的同时，去除距离和 1)无需二次投人与占用道路，有效利用现有监 最大者，计算待分类样本属于另外2类的百分比，作 控摄像头资源。 为当前分类结果的可信度，为孤立的分类结果添加 2)路况图像灰度直方图提取与LDA降维算法 人性化的参考 计算复杂度低、效率高、分类效果良好. 图6显示了3幅标定为畅通的场景，表3依次 3)改变了传统的孤立分类，分类结果人性化 中列举了这3幅场景用可信度描述的分类结果.对 虽然LDA算法对灰度特征向量降维效果良好， 比表3中的第1、2行可以看出，分类结果与标定结 但是由于3种典型路况训练样本的选取因人而异， 果相符合，可信度52.9%表明尽管当前路况分类结 即同一幅路况图像，不同人会给出不同分类结果，因 果为畅通，但畅通和缓行的可信度比例已经接近1： 此在实际应用中，要合理选取标定的训练样本.此 1,这为人们对路况分类结果的理解提供了参考，帮 外，由于路况图像中灰度特性只反应了静止场景特 助理解当前路况的畅通程度；对比表中的第2、3行 征，且这种特征会因光照影响而发生变化；因此，在 可以看出，当可信度较低时，分类结果不能代表当前 今后的研究工作中，应结合前后帧图像考虑动态场 实际路况，实际路况介于畅通和缓行之间.由此可 景，并研究去除光照影响的方法， 见，可信度反映了分类结果与实际路况的相似程度. 参考文献： [1]钟石泉，马寿峰，贺国光。交通诱导系统路网状态描述 方法及仿真研究[J].系统工程学报，2009,24(1)：25 31. ZHONG Shiquan,MA Shoufeng,HE Guoguang.Descrip- tion and simulation of dynamic route guidance system road network[J].Journal of System Engineering,2009,24(1): 25-31. [2]叶青.道路交通参数检测系统设计[J].中南公路工程， 2005,30(4):110-112. YE Qing.Design of traffic flow parameter detection system [J].Central South Highway Engineering,2005,30(4): 110-112. [3]WANG Guolin,XIAO Deyun.Review on vehicle detection based on video for traffic surveillance[C]//Proceedings of the IEEE International Conference on Automation and Logis- tics.Qingdao,China:IEEE Press,2008:2961-2965. [4]SHI Wei,WU Jian,ZHOU Shaolin,et al.Variable message 图6标定为畅通的场景 sign and dynamic regional traffic guidance[J].Intelligent Fig.6 Scenes of tagging unobstructed Transportation System Magazine,2009,1(3):15-21