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 ·695. 式核函数SVM分类器模型的样本训练学习测试，得 到基于径向基核函数与多项式核函数SVM分类器 模型较优参数如表1所示。 表1不同核函数的参数结果 Table 1 Parameters of different kernel functions 参数 径向基核函数 多项式核函数 C 1.672 9.122 0.129 一 d 3 利用训练得到的2个初始G0A-SVM分类器与多 项式核函数SVM分类器分别对视频进行车辆检测。 为了能够检测出不同尺寸的车辆，本文采用多 尺度检测方法。按一定的尺寸逐渐扩大检测窗口， 将图像中的一部分作为分类器的输入进行多尺度检 测。一般情况下同一辆车会在不同尺寸和相同尺寸 下被检测多次，本文遍历当前帧所检测到的运动车 辆，并用矩形窗口标记出来，要判断检测出的任意2 个矩形窗口的重叠率，设置一定的阈值。如果重叠 图5多项式核函数SVM分类器的车辆检测结果 率大于该阈值，则放弃该矩形窗口，一个运动车辆最 Fig.5 Vehicle detect results of the polynomial kernel 终只保留一个检测矩形窗口。 SVM classification 利用初始G0A-SVM分类器与多项式核函数 3.3SEMI-SVM分类器检测及实验结果 SVM分类器分别对一段时长为5min的交通视频 将多项式核函数SVM分类器与GOA-SVM分 (福州市五四路冶山路南路段，2014年4月13日， 类器分别对同一段时长为1h的交通视频（福州市 14:30~14:35)进行检测，并对单向车道进行车流量 五四路冶山路南路段，2014年4月13日，10：30~ 统计（如图4~5所示）。实验测试表明，2种SVM 11:30)开始半监督学习，将检测出来的包括车辆的 分类器检测准确率较低.错误检测的情况比较严重。 正样本和不包括车辆的负样本保存为图片。比较分 类器标记结果，将标记结果相同的样本加入样本库， 进行样本库更新。通过人工调整后最终共获得 3000个正样本和20000个负样本，用最终更新的样 本库训练多项式核函数SVM分类器与GOA-SVM 分类器，在2个分类器中选取检测结果精度较高的 分类器作为最终分类器记为SEMI-SVM分类器，即 基于半监督学习的多项式核函数SVM分类器与 G0A-SVM分类器协同进行分类的方法。 利用SEMI-SVM分类器对同一段时长为5min 的交通视频（福州市五四路冶山路南路段，2014年4 月13日，14：30~14：35)进行检测，并对单向车道进 行车流量统计（如图6所示）。实验测试表明，半监 督学习后的SVM分类器检测准确率有较大的提高， 检测结果得到较好改善，但是还存在较多的错误 检测。 3.4特定运动区域的SEMI-SVM优化方法车辆检 测实验结果及分析 图4GOA-SVM分类器的车辆检测结果 对交通视频作帧间差分，通过扩展得到运动区 Fig.4 Vehicle detect results of GOA-SVM classification 域，然后选取特定的运动区域利用训练好的SEMI-式核函数 ＳＶＭ 分类器模型的样本训练学习测试，得 到基于径向基核函数与多项式核函数 ＳＶＭ 分类器 模型较优参数如表 １ 所示。 表 １ 不同核函数的参数结果 Ｔａｂｌｅ １ Ｐａｒａｍｅｔｅｒｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｋｅｒｎｅｌ ｆｕｎｃｔｉｏｎｓ 参数 径向基核函数 多项式核函数 Ｃ １．６７２ ９．１２２ σ ０．１２９ — ｄ — ３ 利用训练得到的 ２ 个初始 ＧＯＡ⁃ＳＶＭ 分类器与多 项式核函数 ＳＶＭ 分类器分别对视频进行车辆检测。 为了能够检测出不同尺寸的车辆，本文采用多 尺度检测方法。 按一定的尺寸逐渐扩大检测窗口， 将图像中的一部分作为分类器的输入进行多尺度检 测。 一般情况下同一辆车会在不同尺寸和相同尺寸 下被检测多次，本文遍历当前帧所检测到的运动车 辆，并用矩形窗口标记出来，要判断检测出的任意 ２ 个矩形窗口的重叠率，设置一定的阈值。 如果重叠 率大于该阈值，则放弃该矩形窗口，一个运动车辆最 终只保留一个检测矩形窗口。 利用初始 ＧＯＡ⁃ＳＶＭ 分类器与多项式核函数 ＳＶＭ 分类器分别对一段时长为 ５ ｍｉｎ 的交通视频 （福州市五四路冶山路南路段，２０１４ 年 ４ 月 １３ 日， １４：３０～１４：３５）进行检测，并对单向车道进行车流量 统计（如图 ４ ～ ５ 所示）。 实验测试表明，２ 种 ＳＶＭ 分类器检测准确率较低，错误检测的情况比较严重。 图 ４ ＧＯＡ⁃ＳＶＭ 分类器的车辆检测结果 Ｆｉｇ．４ Ｖｅｈｉｃｌｅ ｄｅｔｅｃｔ ｒｅｓｕｌｔｓ ｏｆ ＧＯＡ⁃ＳＶＭ ｃｌａｓｓｉｆｉｃａｔｉｏｎ 图 ５ 多项式核函数 ＳＶＭ 分类器的车辆检测结果 Ｆｉｇ．５ Ｖｅｈｉｃｌｅ ｄｅｔｅｃｔ ｒｅｓｕｌｔｓ ｏｆ ｔｈｅ ｐｏｌｙｎｏｍｉａｌ ｋｅｒｎｅｌ ＳＶＭ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ３．３ ＳＥＭＩ⁃ＳＶＭ 分类器检测及实验结果 将多项式核函数 ＳＶＭ 分类器与 ＧＯＡ⁃ＳＶＭ 分 类器分别对同一段时长为 １ ｈ 的交通视频（福州市 五四路冶山路南路段，２０１４ 年 ４ 月 １３ 日，１０：３０ ～ １１：３０）开始半监督学习，将检测出来的包括车辆的 正样本和不包括车辆的负样本保存为图片。 比较分 类器标记结果，将标记结果相同的样本加入样本库， 进行样本库更新。 通过人工调整后最终共获得 ３ ０００个正样本和 ２０ ０００ 个负样本，用最终更新的样 本库训练多项式核函数 ＳＶＭ 分类器与 ＧＯＡ⁃ＳＶＭ 分类器，在 ２ 个分类器中选取检测结果精度较高的 分类器作为最终分类器记为 ＳＥＭＩ⁃ＳＶＭ 分类器，即 基于半监督学习的多项式核函数 ＳＶＭ 分类器与 ＧＯＡ⁃ＳＶＭ 分类器协同进行分类的方法。 利用 ＳＥＭＩ⁃ＳＶＭ 分类器对同一段时长为 ５ ｍｉｎ 的交通视频（福州市五四路冶山路南路段，２０１４ 年 ４ 月 １３ 日，１４：３０ ～ １４：３５）进行检测，并对单向车道进 行车流量统计（如图 ６ 所示）。 实验测试表明，半监 督学习后的 ＳＶＭ 分类器检测准确率有较大的提高， 检测结果得到较好改善，但是还存在较多的错误 检测。 ３．４ 特定运动区域的 ＳＥＭＩ⁃ＳＶＭ 优化方法车辆检 测实验结果及分析 对交通视频作帧间差分，通过扩展得到运动区 域，然后选取特定的运动区域利用训练好的 ＳＥＭＩ⁃ 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 ·６９５·