Optimize edilmiş çok sınıflı SVM ve grafik modeli ile birlikte akıllı ulaşım uygulaması
Wang Jian 1, Zhang Weihua 2, Li Yuexin 3
(1. Bilgisayar Bilimi ve Mühendisliği Okulu, Changshu Teknoloji Enstitüsü, Changshu 215500, Jiangsu, Çin;
2. Bilgi Mühendisliği Bölümü, Zhengzhou Chenggong Finans ve Ekonomi Üniversitesi, Zhengzhou 450000, Henan; 3. Bilgisayar ve Bilgi Mühendisliği Fakültesi, Hubei Üniversitesi, Wuhan 430064, Hubei)
Çok amaçlı destek vektör makinesi sınıflandırıcılarının sınıflandırma doğruluğunu iyileştirmek için, yönsüz grafik modeli optimizasyonu ile birleştirilmiş çok sınıflı bir destek vektör makinesi sınıflandırıcısı önerilmiştir. İlk olarak, eğitim verileri arasındaki benzerliği hesaplamak için kosinüs ölçümünü kullanın, eğitim verilerini ve benzerlik matrisini içeren yönlendirilmemiş bir grafik modeli oluşturun ve benzerlik kısıtlama matrisini çözün. Daha sonra, benzerlik kısıtlama matrisi, optimize edilmiş bir çok sınıflı destek vektör makinesi sınıflandırıcısı oluşturmak için çok sınıflı destek vektör makinesi tarafından çözülen amaç fonksiyonuna dahil edilir. Son olarak, optimize edilmiş çok sınıflı destek vektör makine sınıflandırıcısı, yaya ve araç hedeflerini tespit etmek için eğimli yön histogram özellikleriyle birlikte akıllı ulaşım alanında kullanılır. Deneyler, yaya ve araç hedeflerini tespit etmek için bu yöntemin hata oranının, klasik çok sınıflı destek vektör makinesi sınıflandırıcısından ve mevcut ana hedef tespit yöntemlerinden daha düşük olduğunu göstermektedir.
Çin Kütüphanesi Sınıflandırma Numarası: TN011; TP391
Belge tanımlama kodu: Bir
DOI: 10.16157 / j.issn.0258-7998.2017.02.032
Çince alıntı biçimi: Wang Jian, Zhang Weihua, Li Yuexin.Çok sınıflı SVM ve akıllı ulaşım uygulamasının grafik modeli ile birlikte optimize edilmesi.Elektronik Teknoloji Uygulaması, 2017, 43 (2): 132-136.
İngilizce alıntı biçimi: Wang Jian, Zhang Weihua, Li Yuexin. Grafik modeli ve bunun akıllı ulaşım üzerindeki uygulamasıyla birleştirilmiş optimal bir çok sınıflı SVM.Elektronik Tekniğin Uygulanması, 2017, 43 (2): 132-136.
0 Önsöz
İzleme teknolojisinin gelişmesiyle birlikte, akıllı ulaşımda bilgisayar vizyonuna dayalı araştırmalar yaygın bir ilgi görmüştür.Tipik uygulaması, bir trafik sahnesinde yaya ve araç olup olmadığını akıllıca tespit etmek için video veya görüntü verilerini kullanmaktır. Hedef tespiti için, özellik çıkarma ve sınıflandırma, hedef tespit etmenin iki temel bağlantısıdır. Kullanılan farklı özelliklere ve sınıflandırıcılara göre, yaya ve araç algılama alanındaki ana yöntemler, Haar özelliklerini ve Adaboost sınıflandırıcılarını birleştiren, Histogram of Oriented Gradient (HOG) özelliklerini ve destek vektörlerini birleştiren yöntemler olarak ikiye ayrılabilir. Destek Vektör Makinesi (SVM) sınıflandırıcı yöntemi, HOG özelliklerini ve derin ağ sınıflandırıcısını birleştirme yöntemi. Bunlar arasında, SVM sınıflandırıcı, küçük örneklemlerin öğrenme problemiyle etkili bir şekilde başa çıkabilir ve daha çok gerçek uygulama süreciyle ilgilenir. Birden çok hedefi sınıflandırmak için literatür, klasik SVM sınıflandırıcısını genişletir ve birden çok sınıflandırma hiper düzlemini aynı anda eğiterek birden çok hedefin sınıflandırma problemini çözen çok sınıflı bir SVM sınıflandırıcı önerir, böylece yayalar ve araçlar aynı anda tespit edilebilir. Amaçları. Çok sınıflı SVM sınıflandırıcı birden fazla hedefi sınıflandırdığında, farklı hedef veriler arasındaki farkın büyük olduğunu ve sınıf içindeki farkın küçük olduğunu, dolayısıyla eşit olarak ele alınmaması gerektiğini düşünürsek. Bu amaçla, bu makale, yönsüz bir grafik modeli ile birleştirilmiş çok sınıflı bir SVM sınıflandırıcı önermektedir.Çok sınıflı bir SVM sınıflandırıcıyı eğitirken, önce hedef veriler arasındaki benzerliği hesaplayın, benzerliğe dayalı bir yönsüz grafik modeli oluşturun ve ardından bir Hedef benzerlik kısıtlama matrisi, sınıflandırıcının çözümünü kısıtlar, böylece çok hedefli sınıflandırmanın doğruluğunu artırır. Bu belge, yaya ve araç algılaması için HOG özelliklerini ve optimize edilmiş çok sınıflı SVM sınıflandırıcılarını birleştirerek yaya ve araç algılamanın hata oranını azaltır.
1 Çok sınıflı SVM sınıflandırıcı, yönlendirilmemiş grafik modeliyle birlikte
Klasik SVM sınıflandırıcı bir ikili sınıflandırıcıdır, yani sınıflandırma sonucunun sadece iki kategorisi vardır. Birden çok hedef türünü ayırt etmek için, literatür SVM sınıflandırıcısını genişletir ve çok sınıflı bir SVM sınıflandırıcı önerir. Bu sınıflandırıcı yine de bir optimizasyon problemi olarak kabul edilebilir. Amaç, K optimal sınıflandırma hiper düzlemlerini bulmaktır. Amaç işlevi şu şekilde ifade edilebilir:
Bu şekilde, çok sınıflı bir SVM sınıflandırıcısının yapımı, denklemin (3) optimal çözüm problemine dönüştürülebilir.
Eğitim sürecinde özellik tanımlama yeteneğini geliştirmek için, bu makale, özellikle çok sınıflı SVM sınıflandırıcılarının eğitim sürecine benzerlik bilgileri içeren yönsüz bir grafik modelini tanıtarak, eğitim süreci sırasında eğitim verileri arasındaki benzerlik bilgilerinin girişini ele almaktadır. Ayrıntılı açıklama aşağıdaki gibidir.
Eğitim verileri, aşağıdaki gibi yönlendirilmemiş bir grafik modeli ile temsil edilebilir:
Bunlar arasında, X =, V, her özellik vektörü arasındaki benzerliği tanımlamak için kullanılan bir benzerlik matrisidir. Bu makale, iki eğitim özelliği vektörü arasındaki benzerliği açıklamak için kosinüs ölçüsünü kullanır ve şu şekilde ifade edilir:
Bunlar arasında vij, V matrisinin i'inci satırındaki ve j'inci sütunundaki öğedir.
Bu makale, aşağıdaki şekilde ifade edilen bir grafik Laplacian matrisi oluşturmak için V benzerlik matrisini kullanır:
Bunlar arasında D, benzerlik matrisi V tarafından üretilen köşegen matristir ve şu şekilde ifade edilir:
Bu nedenle, aşağıdaki şekilde ifade edilen eğitim verilerinin benzerliğini sınırlamak için grafik Laplacian matrisi L ve eğitim verilerinden bir benzerlik kısıtlama matrisi S oluşturulabilir:
Bu makale, benzerlik kısıtlama matrisi S'yi formül (1) 'e tanıtmaktadır; amaç, çok sınıflı SVM sınıflandırıcıları eğitirken eğitim özellikleri arasındaki benzerliği kapsamlı bir şekilde ele almak ve çok hedefli sınıflandırmanın doğruluğunu iyileştirmektir. Benzerlik kısıtlama matrisi S'yi tanıtmanın amaç işlevi şudur:
Formül (12) 'nin optimizasyon problemi şuna eşdeğer olabilir:
(19) ve (3) denklemleri karşılaştırıldığında, iki optimizasyon probleminin benzer olduğu görülebilir. Çok sınıflı SVM'nin optimizasyon problemini çözmek için, bu makale öncelikle şu şekilde ifade edilen özdeğer ayrıştırmasını gerçekleştirir:
Bunlar arasında, v, özdeğerlerden oluşan köşegen bir matristir ve özdeğerler azalan sırada düzenlenmiştir. U, özdeğerlere karşılık gelen özvektörlerden oluşan ortogonal bir matristir. Burada, aşağıdaki koşulları sağlayan, transpoze bir P matrisi tanımlıyoruz:
Akıllı ulaşımda 2 yaya ve araç algılama yöntemleri
Yayalar ve araçlar, akıllı ulaşım alanında en ilginç iki hedef. Bu yazıda, gradyan yön histogramının özelliklerini ve grafik modelin optimizasyonunu birleştiren çok sınıflı SVM sınıflandırıcı, görüntüdeki yaya ve araç hedeflerini otomatik olarak tespit eder.Temel süreç Şekil 1'de gösterilmiştir.
2.1 Renk alanı dönüşümü
Girdi görüntüsü genellikle renkli bir görüntüdür Yayalar ve araç hedefleri için, nesnenin renk dağılımının bozukluğundan dolayı görüntünün renk bilgisi, özelliklerin çözünürlüğünü etkili bir şekilde iyileştiremez, ancak algoritmanın hesaplama verimliliğini büyük ölçüde azaltabilir. Hesaplama verimliliği ve algılama performansını kapsamlı bir şekilde değerlendirdikten sonra, bu makale insan vücudu ve araç hedeflerini tespit etmek için görüntünün gri bilgisini kullanmayı seçiyor. Bu nedenle, renkli görüntünün önce gri tonlamalı bir görüntüye dönüştürülmesi gerekir.
2.2 Işık normalleştirme
Ortam aydınlatmasındaki farkın neden olduğu görüntü kontrastının eşitsizliğini önlemek için, görüntünün aydınlatma için normalleştirilmesi gerekir. Yayalar ve araç hedefleri için genellikle karekök Gama düzeltme yöntemleri kullanılır.
2.3 Gradyan modülü ve yönünün hesaplanması
Görüntü gradyanının hesaplanması genellikle görüntünün ve şablon görüntünün evrişimi ile gerçekleştirilir. Bu kağıt, görüntüdeki her pikselin (x, y) yatay ve dikey gradyan bileşenlerini hesaplamak için şablonu (-1, 0, 1) kullanır ve şu şekilde ifade edilir:
Bunlar arasında, gradyan yönü, esas olarak yayaların ve araçların gri dağılımının dekorasyon ve arka plan tarafından büyük ölçüde engellendiği ve yön işaretinin özelliğin sağlamlığını etkilediği göz önünde bulundurularak mutlak değer biçimini benimser.
2.4 Özellik çıkarma
Görüntüdeki her piksel için, gradyan yönünün histogram özelliğini çıkarın. Özellikle, ilk önce 0 ° ile 180 ° arasındaki yönü örnekleyin. Bu kağıt, yönü 10 yön bloğuna böler ve ardından her pikselde (6 × 6) hücresinde, bir histogram özellik vektörleri kümesi oluşturmak için farklı yön bloklarındaki gradyan modülü değerlerinin kümülatif toplamını hesaplayın; son olarak, şu şekilde ifade edilen özellik vektörü v (x, y) 'yi normalleştirin:
2.5 Özellik eğitimi ve sınıflandırma
Bu yazıda önerilen grafik modeli ile optimize edilen çok sınıflı SVM sınıflandırıcı, eğitim ve sınıflandırma için kullanılır. Eğitim aşamasında, sınıflandırıcının optimal parametrelerini çözmek için yaya numune seti, araç numune seti ve negatif numune seti sınıflandırıcıya gönderilir. Burada, K = 3 sınıflandırma kategorilerinin sayısı. Test aşamasında, doğrulanacak görüntü bloğu sınıflandırıcıya gönderilir ve görüntü bloğunun kategorisi çıkarılır.
3 Simülasyon ve analiz
Bu bölümde, bu yöntemin performansını doğrulamak için yaya ve araç tespiti için bir simülasyon deneyi tasarlanmıştır. İlk olarak, deneysel veri setinin değerlendirme göstergelerini tanıtın, ardından grafik modeli optimize edilmiş çok sınıflı SVM sınıflandırıcı (GMSVM olarak kısaltılır) ile literatürde önerilen klasik çok sınıflı SVM sınıflandırıcı (MSVM olarak kısaltılır) arasındaki performans farkını karşılaştırın; , Bu yazıda önerilen yaya ve araç algılama yöntemi (HOG + GMSVM olarak belirtilir) ile yaya ve araç algılama deneyindeki mevcut ana hedef algılama yöntemi arasındaki performans farkını karşılaştırın.
3.1 Veri seti ve değerlendirme göstergeleri
Şu anda, uluslararası alanda popüler olan birçok yaya veri kümesi vardır, ancak çok az araç veri kümesi vardır. Genel veri seti altında algoritma performansını objektif olarak değerlendirmek için. Bu makale, yalnızca yayaları değil aynı zamanda araçları da içeren Caltech yaya veri setini kullanır. Ancak yaya hedefi işaretlenir, ancak araç hedefi işaretlenmez. Resimde araç hedeflerini işaretleyin ve toplam 9312 araç hedefi dikdörtgenini işaretleyin. Veritabanı 11 alt gruba ayrılmıştır.Genel olarak eğitim için Set00 Set05 ve test için Set06 used Set10 kullanılır.
Yayaların ve araç hedeflerinin tespit performansı, hata oranı göstergeleri ile değerlendirilir.Yaya tespit hata oranı (ErrP), araç tespit hata oranı (ErrC) ve ortalama tespit hata oranı (ErrA) aşağıdaki şekilde tanımlanır:
Bunlar arasında, tespit edilen dikdörtgen çerçeve ile işaretli dikdörtgen çerçevenin konumu% 50'den fazla örtüştüğünde ve kategori tutarlı olduğunda tespit doğru kabul edilir.
3.2 GMSVM ve MSVM performans karşılaştırma analizi
GMSVM, klasik MSVM'nin bir iyileştirmesidir. Bu nedenle, bu bölüm öncelikle yaya ve araç algılama deneylerinde GMSVM ve MSVM arasındaki performans farklılıklarını karşılaştırır. Bunların arasında, özellik çıkarma, bu makalede açıklanan HOG özellik çıkarma yöntemini kullanır. Şekil 2, sınıflandırıcının farklı zamanlarında yaya ve araç tespiti için ErrP, ErrC ve ErrA üç göstergesini göstermektedir. Açıkçası, GMSVM'ye karşılık gelen üç hata oranı göstergesinin tümü, özellikle ErrC göstergesi olmak üzere MSVM'den daha düşüktür. Bunun ana nedeni, GMSVM'nin eğitim özelliklerinin benzerliğinin kısıtlamasını artırması, iki tür hedef özelliği, yayalar ve araçlar arasında ayrım yapma yeteneğini daha da artırması ve yanlış algılamaları azaltmasıdır.
3.3 Bu yöntemin performansının ve genel hedef tespit yöntemlerinin karşılaştırılması ve analizi
Bu yazıda yöntemin performansını daha fazla değerlendirmek için, bu yazıda yer alan yöntem, mevcut ana hedef tespit yöntemleri (özellikle yaya algılama yöntemleri) ile karşılaştırılmıştır. Şekil 3, bu makalede açıklanan insan-araç deneysel veri setindeki farklı yöntemlerin algılama hata oranı göstergelerini göstermektedir. Bunlar arasında eğitim ve test örnekleri aynıdır Deneyde karşılaştırmaya katılan yöntemler kaynak belgelerde açıklanan optimal parametreleri seçer.Yaya ve araçların tespitinde aynı yöntemin kullandığı özellikler ve parametreler aynıdır. Literatürde ve literatürde yaya ve araç tespiti, önce yaya hedeflerinin ayrı ayrı tespit edilmesi ve ardından araç hedeflerinin tespit edilmesi olmak üzere iki aşamada gerçekleştirilmektedir. Literatürde ve bu makalede yer alan yöntemler, iki tür hedefi, yayaları ve araçları aynı anda tespit etmektedir.
Yaya ve araç algılama sürecinde yöntemin üç hata oranı göstergesinin en düşük olduğu Şekil 3'ten görülebilmektedir. Karşılaştırmada yer alan üç yöntem, yaya algılama hata oranı göstergelerinde çok az farklılık gösterirken, araç algılama hata oranı göstergeleri oldukça farklıdır.Alteratürdeki araç algılama hata oranı, literatürde ve literatürde açıklanan yöntemlere göre nispeten düşük, ancak yine de bu makaledeki yöntemden daha yüksektir. . Üstelik bu yöntemin yaya ve araç hata tespit oranı göstergeleri arasındaki fark görece küçüktür. Genel olarak, bu makaledeki yöntem yayaları ve araçları tespit etmede daha etkilidir.
4. Sonuç
Bu makale, yönsüz grafik optimizasyonu ile birleştirilmiş çok sınıflı bir destek vektör makine sınıflandırıcısı önermektedir.Çok sınıflı bir destek vektör makinesi sınıflandırıcıyı eğitirken, her eğitim verisi arasındaki benzerliği hesaplamak için açı kosinüs ölçüsü kullanılır ve ardından eğitim verilerinin kendisi ile birleştirilir Yönlendirilmemiş bir grafik modeli oluşturun ve grafik modelindeki benzerlik kısıtlama matrisini oluşturmak ve çözmek için grafik Laplacian matrisini ve eğitim verilerini kullanın. Daha sonra benzerlik kısıtlama matrisi, optimize edilmiş bir çok sınıflı destek vektör makinesi sınıflandırıcısı oluşturmak için çok sınıflı destek vektör makinesi tarafından çözülen amaç fonksiyonuna dahil edilir. Son olarak, eğim yönünün histogram özelliğini ve grafik modelinin optimizasyonunu birleştiren çok sınıflı bir destek vektör makinesi sınıflandırıcısı, yaya ve araç hedeflerini tespit eder. Yaya ve araç hedefi tespit sonuçları, klasik çok sınıflı destek vektörü makine sınıflandırıcısı ve mevcut ana hedef tespit metotları ile karşılaştırıldığında, bu metodun tespit hata oranının düşük olduğunu göstermektedir. Ancak, mevcut algoritmanın hesaplama verimliliği yüksek değildir ve sonraki araştırmalarda çözülecektir.
Referanslar
QURESHI K N, ABDULLAH Akıllı ulaşım sistemleri üzerine bir H.A araştırması, Middle-East Journal of Scientific Research, 2013, 15 (5): 629-642.
DOLLAR P, APPEL R, BELONGIE S, ve diğerleri.Nesne algılama için hızlı özellikli piramitler.Pattern Analysis and Machine Intelligence, IEEE İşlemleri, 2014, 36 (8): 1532-1545.
ZHANG S, BAUCKHAGE C, CREMERS A. Bilgilendirilmiş haar benzeri özellikler yaya tespitini iyileştirir.IEEE Bilgisayarla Görü ve Örüntü Tanıma Konferansı Bildirileri, 2014: 947-954.
RAKATE GR, BORHADE SR, JADHAV PS, et al.Haar benzeri özellikler, Adaboost algoritması ve Edgelet-Shapelet.Computational Intelligence and Computing Research (ICCIC) kombinasyonunu kullanan gelişmiş yaya algılama sistemi, 2012 IEEE Uluslararası Konferansı, IEEE, 2012: 1-5.
Xu Yuan, Xu Xiaoliang, Li Cainian ve diğerleri, SVM sınıflandırıcı ve HOG özellik çıkarımını birleştiren yaya algılama Bilgisayar Mühendisliği, 2016, 42 (1): 56-60.
PRIOLETTI A, MOGELMOSE A, GRISLERI P, et al. Sürücü yardımı için parça tabanlı yaya algılama ve özellik tabanlı izleme: gerçek zamanlı, sağlam algoritmalar ve değerlendirme.Akıllı Ulaşım Sistemleri, IEEE İşlemleri, 2013, 14 (3) : 1346-1359.
Sun Rui, Hou Nenggan, Chen Haziran Özellik füzyonu ve çapraz çekirdekli SVM'ye dayalı hızlı yaya algılama yöntemi Optoelektronik Mühendisliği, 2014 (2): 53-62.
LI D, XU L, GOODMAN E D, ve diğerleri.Yaya algılama ve izleme için istatistiksel bir arka plan-ön plan çıkarma algoritması ve SVM sınıflandırıcısını entegre etmek. Entegre Bilgisayar Destekli Mühendislik, 2013, 20 (3): 201-216.
Sun Rui, Chen Jun, Gao Haziran Belirginlik tespiti ve HOG-NMF özelliklerine dayalı hızlı yaya algılama yöntemi.Elektronik ve Bilgi Dergisi, 2013, 35 (8): 1921-1926.
XU F. Hareket dengelemeye ve HOG / SVM sınıflandırıcıya dayalı yaya algılama. Akıllı İnsan-Makine Sistemleri ve Sibernetik (IHMSC), 20135. Uluslararası Konferans on.IEEE, 2013, 2: 334-337.
SUN D, WATADA J. Artırılmış HOG özelliklerine ve SVM'ye dayalı olarak trafik sahnesindeki yayaların ve araçların algılanması.Akıllı Sinyal İşleme (WISP), 2015 IEEE 9. Uluslararası Sempozyum, IEEE, 2015: 1-4.
OUYANG W, WANG X. Oklüzyon işleme ile yaya algılama için ayırt edici bir derin model Bilgisayar Görme ve Örüntü Tanıma (CVPR), 2012 IEEE Konferansı IEEE, 2012: 3258-3265.
OUYANG W, ZENG X, WANG X. Yaya tespitinde karşılıklı görünürlük ilişkisinin modellenmesi.IEEE Bilgisayarla Görme ve Örüntü Tanıma Konferansı Bildirileri, 2013: 3222-3229.
ZENG X, OUYANG W, WANG X. Yaya algılama için çok aşamalı bağlamsal derin öğrenme IEEE Uluslararası Bilgisayarla Görü Konferansı Bildirileri, 2013: 121-128.
WANG Z, XUE X. Çok sınıflı destek vektör makinesi Destek Vektör Makineleri Uygulamaları Springer International Publishing, 2014: 23-48.
DOLLAR P, WOJEK C, SCHIELE B, ve diğerleri.Yaya algılama: Son teknolojinin bir değerlendirmesi. Desen Analizi ve Makine Zekası, IEEE İşlemleri, 2012, 34 (4): 743-761.
