本发明涉及一种车型识别分类的方法，特别涉及基于信息熵增益率与fisher线性判别的车型识别分类方法。
背景技术：
中国车型识别的分类标准是按照交通运输部在“公路交通情况调查机动车车型分类”中根据划分作为依据的。其中一级分类将汽车分为小型车，中型车，大型车和特大型车四类。车型识别在交通情况调查，道路规划，道路预警等交通领域有广泛的应用，因而成为各国研究的热点。传统的车型识别数据来源主要通过地感线圈，激光，图像等方法获得，但是这些方法有成本高，维护复杂，受外界环境干扰大等缺点。使用微波采集车型数据具有成本低，维护方便，受外界环境影响小的优点。
微波传感器多普勒效应来获取车长和车速。多普勒效应是指物体辐射的波长因为波源和观测者的相对运动而产生变化，在运动的波源前面，波被压缩，波长变得较短，频率变得较高的一种现象。微波传感器不停的发射微波，当微波遇到车辆后会立即反射或散射波，由于存在多普勒效应,反射或散射波将产生多普勒频移，利用产生频移的波与本振波进行混频再经过适当的电子电路处理即可得到车辆的运动速度，微波将车辆通过的时间与车速相乘得到车辆的长度，同时，微波还能获取车道信息，微波传感器与车辆的距离信息。我们将微波获取的数据统称为车型数据。传统方法将微波传感器获取的车长，车速，车道信息作为分类器的特征，使用fisher线性判别方法加入到分类器中对车型进行分类，但是分类准确率不理想。
技术实现要素：
本发明为了解决现有技术存在的问题，提出了一种基于信息熵增益率与fisher线性判别的车型识别分类方法。将信息熵增益率引入到fisher线性判别方法中，形成新的分类方法，以克服现有技术存在的缺陷，提高微波数据的车型分类精度。
本发明为实现发明目的提出的基于信息熵增益率与fisher线性判别的车型识别分类方法，包含以下步骤：
步骤1：使用微波采集车型数据，所述车型数据包括车长、车速、车道数据、传感器与车辆的距离，然后根据微波采集的车型数据，求出每个车型对应的车道信息熵增益率：首先运用信息熵理论求出每个车型对应的车道信息熵，通过信息增益准测算出车道信息对车型数据样本的信息增益；为了避免信息增益准则对可取车型较多的车道有偏好，在每个车型对应的车道信息熵增益基础上进一步求出每个车型对应的车道信息熵增益率。
①运用信息熵理论求出每个车型对应的车道信息熵，车道信息熵可以表示为：
式中h表示指定车型的信息熵，u指定车型数据的样本集，n为指定车道，其范围通常为车道数，x指定车型且车道为n对应的数据样本集，p(x)表示某车道车辆在车型数据样本集中指定车型出现的概率。
②通过信息增益准测算出车道信息对车型数据样本的信息增益，车型数据样本的信息增益可以表示为：
式中gain(s,a)为指定车型车道对车型数据样本的信息增益，|s|为指定车型数据样本集矩阵，a指的是车道，|sn|为指定车型在指定车道数据样本集矩阵，h(s)表示指定车型的信息熵，h(sn)为指定车型在指定车道数据的信息熵。
③为了避免信息增益准则对可取车型较多的车道有偏好，在每个车型对应的车道信息熵增益基础上进一步求出信息熵增益率，表示为：
gain_ratio(s,a)＝gain(s,a)/iv(a)
iv(a)为车型的固有值，车型的取值数目越多，则iv(a)越大，这样就能避免信息增益准则对可取数目较多的iv(a)有偏好。
步骤2：将熵信息增益率与类内散度矩阵相结合，得到新的车型分类器：求出车型样本集的类内散度矩阵和类间散度矩阵；将步骤1得到的每个车型对应的车道信息熵增益率作为权值加入到对应类的类内散度矩阵中，形成新的类内散度矩阵；使用将新的类内散度矩阵代入fisher线性分类器中，形成新的车型分类器。
①求指定车型类别i的数据样本类内散度矩阵，类内散度矩阵si表示为：
式中mi为车型类别i(其取值范围为车型类别数)样本均值向量。xi为类别i的车型数据样本集，(x-mi)t为(x-mi)的转置矩阵。
求指定车型数据类间散度矩阵，类间散度矩阵sb表示为：
sb＝(mi-mj)(mi-mj)t
式中i，j为车型类别，mi，mj分别为对应类的样本均值向量。
②将步骤1求得的每个车型对应的车道信息熵增益率作为车型数据样本的类内散度矩阵的权值，求出总的类内散度矩阵。总的类内散度矩阵sw表示为：
sw＝gain_ratio(ui,a)*si+gain_ratio(uj,a)*sj
ui，uj为车型类别i，j对应的数据样本集，si，sj为车型类别i，j对应的类内散度矩阵。
③根据fisher线性分类理论,将需要分类的两类车型数据投影到一个平面，投影后，各类样本内部尽可能密集，各类样本尽可能离得远。这就意味着投影后，类间散度矩阵越大越好，类间散度矩阵越大越好。即类间散度矩阵与类间散度矩阵的比值越大越好。
stb＝wtsbw
stw＝wtsww
式中stb，stw分别为投影后的类间散度矩阵和总的类内散度矩阵，w为fisher线性分类投影向量，wt为w的转置。类间散度矩阵与类间散度矩阵的比值即求jf(w)最大值。使得jf(w)最大化的w即可。jf(w)最大化的w可以表示为：
将w代入到fisher线性分类器中，即为新的车型分类器。与传统的fisher线性分类器不同，新的分类器采取了一种全新的总类内散度矩阵计算方法。
本发明专门针对微波数据车型分类提出的方法。具有以下特征：1)将微波传感器与被测车辆的距离作为特征加入到分类中,充分考虑不同车型对车道偏好的因素，提高了车型分类精度。
2)将车道信息熵增益率作为类内散度矩阵权值，得到新的fisher线性判别的车型分类器，提高了车型分类精度。本发明可以直接用于微波数据的车型分类。
本发明将信息熵增益率与fisher线性判别相结合，得到更有判别能力的分类器，以此提高分类器的分类精度。此外，本文将微波传感器与被测车辆的距离作为特征加入到分类中，进一步提高车型分类精度。
具体实施方式
下面结合实施例，对本发明作进一步详细说明。
实施例：
1、将微波传感器安装在高速公路上，获得车辆的车长，车速，车道数据，传感器与车辆的距离等信息。通过人工识别的方法得出这些车辆的车型，以保证车型的准确性，并将这些数据与车型一起，一部分作为车型识别分类的训练样本集。
2、基于信息熵增益率与fisher线性判别的车型识别分类方法只能解决车型两类分类问题，在实际实施过程中，需要将车型分类为小型车，中型车，大型车和特大型车四类。在基于信息熵增益率与fisher线性判别的车型识别分类方法的基础上，使用多组一对一的方法，解决型识别四类分类问题，具体实施步骤如下：
①将车型识别分类训练样本集中的小型车和中型车数据分类取出，运用信息熵理论分别求出小型车和中型车对应的车道信息熵，通过信息增益准测算出车道信息对车型数据样本的小型车和中型车信息增益；为了避免信息增益准则对可取车型较多的车道有偏好，在熵增益基础上进一步求出信息熵增益率。分别求出车型样本集的小车类内散度矩阵和中型车的类内散度矩阵以及它们的类间散度矩阵；将小型车和中型车对应的车道信息熵增益率作为权值加入到对应的类内散度矩阵中，形成新的总类内散度矩阵；使用将新的总类内散度矩阵代入fisher线性分类器中，形成新的小型车和中型车分类器。
②同①中的步骤，分别得出小型车和大型车分类器、小型车和特大型车分类器、中型车和大型车分类器、中型车和特大型车分类器、大型车和特大型车分类器。
③将车型数据放入①和②生成的6个分类器，得到6个分类结果，采取投票法，选取分类结果次数最多的车型，作为该车型数据的最终车型。
3、将车型识别分类的测试样本集，分别按照传统的fisher线性分类器和步骤2使用基于信息熵增益率与fisher线性判别的车型识别分类方法分类，并与测试样本集中的正确车型对比，得出两种分类器的分类准确率。经过实验，传统的fisher线性分类器分类准确率是81.23％，使用基于信息熵增益率与fisher线性判别的车型识别分类方法分类的准确率提高到92.58％。实验表明，较之于传统的fisher线性判别方法，基于信息熵增益率与fisher线性判别的车型识别分类方法对分类准确率有明显的提高。