本发明涉及一种智能视频监控技术，特别涉及一种道路多目标分类方法。
背景技术：
智能汽车的研究方兴未艾，环境辨识是智能汽车的基本模块，也是智能车开展自主驾驶的前提。环境辨识的一项基本任务是对障碍物的探测与辨识。现有的研究侧重于对单一类型障碍物的探测，而对多类型障碍物的探测并且识别的研究较少。而对于行驶在城区道路环境下的智能车来说，不仅要对前方目标进行探测，并且还要辨识它们的类型。
目前通用的分类器有决策树、神经网络、支持向量机、adaboost等。其分类决策依据均来自于对样本数据的学习，故需以大量的类样本为支撑。考虑到目标种类的多样性、环境的复杂性以及外形的不确定性，仅依靠对样本学习得到的分类规则受样本容量及空间分布的影响较大。而贝叶斯网络则有着强大的不确定知识的表达能力，在分类决策过程中，可充分利用先验知识及统计学习两方面的信息，使推理规则更加灵活和有效，这也使得在数据缺失或没有样本数据的情况下依然可以建立有效的分类器。但是，传统的贝叶斯网络分类器是将所有变量都视为离散变量，可是变量的离散化处理不可避免地会存在信息缺失，且在道路多目标数据的处理和分析中，连续变量的离散化会导致搜索空间和计算量的急剧增加。因此道路多目标分类问题仍是智能汽车系统中的一个难题。
技术实现要素：
为了解决上述难题，本发明提供了一种既存在离散节点又存在连续节点的混合贝叶斯网络的道路多目标分类方法。
为实现上述目的，本发明采用了如下技术方案：
一种道路多目标分类方法，该方法是：将训练样本应用基于约束的npc算法对混合贝叶斯网络结构进行学习，对网络结构中的离散变量和连续变量分别进行参数学习获得网络中每一个节点的分布，将两类参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路多目标进行分类。
具体包括如下步骤：
1)建立数据集，包括用于训练分类算法模型的训练数据集和用于对分类算法测试的测试数据集；
2)将待识别目标分类类别设为m类，提取目标的n个分类特征，将分类特征划分为离散变量和连续变量两类；
amn是包含每个特征所有类别信息的二维矩阵：
其中ai,j为第i类目标第j个特征的值，将{a1,a2,…,an}作为混合贝叶斯网络中相应节点的取值；
3)导入训练数据集，应用基于约束的结构学习方法npc算法对混合贝叶斯网络的结构进行学习；应用贝叶斯网络参数学习方法来获得每一个节点的分布p(xi|c)，对于离散变量和连续变量分别进行参数学习；
将上述获得的两类参数进行合并，获得混合贝叶斯网络；
4)将测试数据集导入获得的混合贝叶斯网络中，对城市道路目标进行分类。
上述技术方案中，进一步的，所述的步骤2)中所述的分类特征为目标的遮挡情况(occlude)、长度(length)、宽度(width)、高度(height)和观测角度(alpha)五个特征，其中，目标的遮挡情况为离散变量，目标的长度、宽度、高度及观测角度为连续变量。
进一步的，所述的步骤3)中通过依赖分析确定节点之间的关系，若节点间有依赖关系则保留此无向边，否则去掉节点之间的这条边；具体的，通过卡方统计量做假设检验来确定边的存在与否，从而确定贝叶斯网络的框架，然后再根据独立检验中产生的分割集确定边的方向；对于任何连接似乎有悖常理或解析模糊区域时可与用户交互进行，用户可以利用这个机会决定无向连接的方向性并解决它的模糊区域。
进一步的，对于离散变量，其条件概率表cpt采用多维矩阵表示，为：e(θi,j,k|d,bs,ξ)
＝(ni,j,k+1)(ni,j+ri-ni,j,k-1)/(ni,j+ri)2(ni,j+ri+1)
其中，θi,j,k表示条件概率表；ξ表示若干假设；d为数据集；bs为网络结构；ri为离散随机变量xi所有可能的取值个数，如果用ωi,j表示变量xi的第j个父节点，vi,k为变量xi的取值，则ni,j,k为数据集d中变量xi取值为vi,k同时父节点为ωi,j的样本出现的次数，ni,j的计算公式为
对于离散变量的每个特征，参数学习的结果是一个m×k大小的的二维矩阵：m1＝cptm×k；
对于连续变量，其条件概率分布为：
其中，c代表类别标签，连续变量符合一元正态分布，即xi～n(μi,σi)，其正态分布的均值μi和方差σi两个重要参数从训练样本中直接计算得到；当样本数据不完备时，可以通过em算法来解决混合贝叶斯网络参数的学习问题；
对于连续变量的每个特征，参数学习的结果是一个m×2大小的二维矩阵m2＝cpdm×2＝<μi，σi>,i∈{1,2,…,m}。
对两类参数m1和m2进行合并，得到参数网络θ＝<m1，m2>；其中，m1为m×k大小的条件概率表cptm×k的二维矩阵；m2为m×2大小的条件概率分布cpdm×2的二维矩阵。
本发明的有益效果是：
根据本发明涉及的基于混合贝叶斯网络的道路多目标分类方法，通过基于约束的npc算法对混合贝叶斯网络的结构进行学习，再对离散变量和连续变量分别进行参数学习获得网络中每一个节点的分布，然后将参数进行合并，最后将测试样本用于该网络将城市道路目标进行分类。它一方面摒弃了对高分辨率及近景图像的需求，通过使用道路目标简单的低层次特征，例如：高度，宽度和观测角度等，大大减少了计算量，并能实时运行。另一方面混合贝叶斯网络结构的构建避免了传统的贝叶斯网络分类器中将所有变量都视为离散变量，这样将造成目标信息损失，同时在道路多目标数据的处理和分析中导致搜索空间的和计算量的急剧增加。而连续节点和离散节点共存的贝叶斯网络才更符合实际。
附图说明
图1为本发明实施例的逻辑原理图；
图2为本发明实施例的混合贝叶斯网络结构示意图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
本实施例提供了一种道路多目标分类方法，如附图1所示，通过导入训练样本应用基于约束的npc算法对混合贝叶斯网络结构进行学习；然后对网络结构中的离散变量和连续变量分别进行参数学习来获得网络中每一个节点的分布，再将参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路目标分成八类。具体实施步骤如下：
1)使用kitti的3d目标检测基准数据集对本分类方法进行测试。该数据集全部为真实路面场景，数据采集场景丰富，每帧点云中通过专业标注人员标注出八类障碍物，：pedestrian、car、van、truck、cyclist、person_sitting、tram和misc。而且还有各种程度的遮挡与截断。经整理将整个数据集分为两个部分——1个训练数据集和1个测试数据集。其中训练数据集用于算法模型的训练，含目标障碍物共约20000个；测试数据集用于分类算法的测试，含目标障碍物共约20570个。
2)辨识目标设计了两套方案如表1所示，方案一将目标细分为8类，分别为行人、坐着的人、小汽车、卡车、货车、骑行者、电车及混合车。方案二将目标粗分为3类，即将方案一中的坐着的人合并到行人类别中，货车、卡车合并到小汽车类别中，有轨电车和混合型车忽略。
表1辨识目标方案
3)实验是在huginexpert平台下进行，选取训练数据集中20000个道路目标信息数据作为贝叶斯分类器的训练样本。其中包括有14035个小汽车(car)，2263行人(pedestrian)，1461个货车(van)，528个卡车(truck)、834个骑行者(cyclist)，117个坐着的人(person_sitting)，265个电车(tram)和497个混合车(misc)。
3)贝叶斯网络的结构在模型的精确程度上是至关重要的。学习贝叶斯网络的最佳结构需要指数时间，因为一组给定节点的大量可能结构的数目在节点的数目上是超指数的。我们采用基于约束的结构学习方法npc算法对网络结构进行学习，设置所有变量的先验概率分布随机产生，利用卡方分布构造条件独立检验的统计量，显著性水平设置为0.05。em参数学习迭代次数设为10,使用贝叶斯信息准则(bic)函数作为打分函数。生成的混合贝叶斯网络结构如图2所示:为一个五层六个节点组成的混合贝叶斯网络模型。图中每个节点详细描述如下：假定变量c为离散变量，其取值为所有可能的目标类型，用根节点表示，待识别的目标类型如表1所示，观测变量为激光雷达和视觉传感器观测到的运动目标的特征，用子节点来表示。分别为离散变量occlude(目标是否遮挡)、连续变量length(目标长度)、width(目标宽度)、height(目标高度)及alpha(目标观测角度，范围：-π～π)。
3)混合贝叶斯网络参数学习的步骤如下：
(1)从训练样本集d＝{d1,d2,…,dm}中获得道路目标的特征子集x＝{x1，x2，…，xn}；
(2)提取目标特征：amn是包含每个特征所有类别信息的二维矩阵：
其中ai,j为第i类目标第j个特征的值，一般将{a1,a2,…,an}作为网络中相应节点的取值；
(3)获取各类样本的类别标签c＝{c1,c2,…,cm}；
(4)确认每个节点的变量类型，即将x划分为离散节点集xdiscrete和连续节点集xcontinual两个子集；
(5)对xdiscrete按离散贝叶斯网络的方法做离散化处理；
(6)分别进行离散节点和连续节点的参数学习，对xdiscrete中的每个特征，参数学习的结果是一个m×k大小的二维矩阵m1＝cptmk(条件概率表)。对xcontinual中的每个特征，参数学习的结果是一个m×2大小的二维矩阵m2＝cpd＝<μi，σi>,i∈{1,2,…,m}(条件概率分布)。
(7)将参数m1和m2合并，得到参数网络θ＝<m1，m2>。
4)统计得到训练样本中连续变量特征值的均值和方差以及离散变量的条件概率表。
5)将测试样本输入到训练好的网络结构中对测试目标进行分类。
测试数据集是由20570个测试目标组成，其中包括表1方案一中8个目标，分别由14707个小汽车，2224个行人，1453个货车，566个卡车、793个骑行者，105个坐着的人，246个电车和476个混合车组成。产生的混淆矩阵如表2所示，它显示了观测到的状态与预测的匹配程度，误差率为4.08％。第一行说明2224个行人样本有2213个被正确分类，6个错分为混合车，5个错分为坐着的人。分类目标的准确率与其他方法的比较如表3所示。可以看出本方法对行人、汽车、电车以及骑行者的分类效果较好，而对货车、卡车及混合车的分类准确率相对较低。而将本方法应用于表1方案二中3个目标，产生的混淆矩阵如表4所示，误差率为0.08％，汽车类的16727个样本全部被正确分类。这样分类特征明显，所以分类精度明显提高。
表2八类目标的混淆矩阵
表3准确率(precision)与其他方法的比较
本表中所涉及的其他方法具体参见后续文献。
表4三类目标的混淆矩阵
[1]沈志熙,黄席樾等.基于boosting的智能车辆多类障碍识别[j].计算机工程.2009,35(14):241-242
[2]silviubota,sergiunedevschi.matthiaskonig.aframeworkforobjectdetection,trackingandclassificationinurbantrafficscenariosusingstereovision[j].ieeeinternationalconferenceonintelligentcomputercommunication&processing,2009:153-156.
[3]chug-weiliangandchia-fengjuang.movingobjectclassificationusingacombinationofstaticappearancefeaturesandspatialandtemporalentropyvaluesofopticalflows[j].ieeetransactionsofintelligenttransportationsystems,2015,16(6):3453-3464.
[4]mehrankafaiandbirbhanu.dynamicbayesiannetworksforvehicleclassificationinvideo[c].ieeetransactionsonindustrialinformatics,2012,vol.8,no.1:100-109.
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。