专利名称：一种在地磁感应器上基于支持向量机的车型识别方法
技术领域：
本发明属于智能交通监测和管理的信息自动采集技术领域，具体涉及一种在地磁感应器上基于支持向量机的车型识别方法。
背景技术：
车辆检测和识别技术是智能交通系统研究的关键技术之一，它为智能交通系统提供了必要的信息来源，为智能交通系统快速发展提供良好条件，是进行交通监测和管理的信息基础。车辆识别技术在很多交通系统中已经成为一个重要的环节，目 前在应用中亟需一套更为准确高效的车型识别方法。车辆检测器作为智能交通信息采集的基础设施，其性能直接影响车辆检测与识别的效果。目前国内外对车辆检测工具的研究和应用以感应线圈和视频图像为主，基于这两类检测器的车型检测分类方法取得了一定的效果，然而两者的工程应用仍有局限性。单点式地磁感应器具有安装、维修方便，不易遭到破坏，不受气候影响以及集成化高等优点，相比于其他设备具有更为良好的发展前景。目前国内外研究的车型识别算法大部分围绕着K近邻算法、模糊数据融合和BP神经网络算法等进行，然而这些车型分类方法存在算法效率不高、分类准确率不高或者建立识别模式不系统等问题。同时缺乏对波形特征提取和选择的探索和研究，而此过程往往决定了分类方法的效率和准确率。
发明内容
本发明的目的在于提供一种在地磁感应器上基于支持向量机的车型识别方法，用于解决目前缺少准确、高效并系统的车型识别方法，不能为交通系统提供质量良好的数据的问题。具体要解决的技术问题是，对地磁感应器采集的不同车型感应曲线进行特征提取和选择，并将选择的特征组合用于对多类车型的识别。本发明解决其技术问题所采用的技术方案是建立一种依靠车型地磁感应曲线最优特征组合，基于微粒群算法优化的聚类支持向量机车型识别方法，具体步骤如下
(1)通过单点式地磁感应器设定采集频率，采集需要分类识别的车型地磁感应波形数据，所述采集的感应波形数据为去噪声的线性波形，并且对其作了车速归一化处理，得到的可用格式为线性波形上所有极值点横纵坐标，建立二叉树多车型分类模式；
(2)根据采集的感应波形数据，单点式地磁感应器输出的信息为离散点向量，通过数据融合方法将线性波形输出的若干个数值点横纵坐标转化为若干个单独特征，提取出包括波形的结构特征、频谱特征和数值特征三大类特征；
(3)根据提取的三大类特征，建立干扰波的筛选方法，筛选出有效的波形样本，设定当最大波动不大于20或者峰谷数不大于3时即可认为是干扰波，判断为无效波形，得到初步提取的结构特征、频谱特征和数值特征；初步提取后，采用K-W检验对单个特征的统计聚散度进行计算评价，并删除其中不满足假设检验的不显著特征，并按照平均数方差法规则对其规范化，建立有效的样本库；
(4)建立多层特征选择模式,融合Filter-Filter-Wrapper模式,对步骤(3)提取的初始特征进行特征评估和选择，挑选出最优特征组合；其中=Filter-Filter-Wrapper模式的第一层Filter为基于ReliefF算法的权值过滤，第二层Filter为基于特征间相关系数的去冗余式过滤，第三层Wrapper为利用分类器的交叉验证准确率对Top-K的特征组合进行最优特征组合搜寻，即在提取的初始特征中挑选出最有利于车型识别的特征组合。(5)考虑线性不可分情况，建立非线性软间隔分类器，即建立基于聚类支持向量机的车型识别算法，并采用微粒群算法对分类函数中的核函数参数f和惩罚系数C进行优化，建立微粒群优化的聚类支持向量机二类分类器；
(6)二叉树上的每个树节点都需利用微粒群优化的聚类支持向量机二类分类器对支持向量机进行训练，获得二叉树中所有二类车型分类器；
(7)根据分类模式，通过二叉树上所有二类车型分类器建立完整的分类决策树，对未知车型的波形从决策树自上而下遍历，到达每个分类节点进行判断，直到到达叶子节点，最终识别出车型。本发明中，步骤(I)中单点式地磁感应器采集的波形是时域信号，通过快速傅里叶变换算法得到相应波的频谱分布，找出含噪声的时域信号的频率组成和能量。本发明中，步骤(I)建立的二叉树多车型分类模式，分类树上节点可以为车型组合，也可以为单独的车型。本发明中，步骤(2)中所述结构特征、频谱特征和数值特征三大类特征，包括 结构特征波峰数、波谷数、峰谷数、负波谷数、最小值相对位置、最大值相对位置、次小
值与最小值之比。频谱特征傅里叶变换后的最大能量、最大能量对应的频率。数值特征最大值、最小值、总值、平均值、最大值与最小值之比绝对值、波动最大幅值与平均值之比、方差、波持续时间。本发明中，步骤(3)中初步提取的结构特征、频谱特征和数值特征用特征向量形
式表示，即X = [SlfX2fX3, ,..Xi],其中I代表一个特征。本发明中，步骤⑶中所述平均数方
差法，即对于结构特征、频谱特征和数值特征，先求出所有样本该特征的均值和方差，将原始特征样本数值减去均值后再除以方差，得到规范化后的特征样本数值。增加分类变量Ii，
得到初始特征向量1 =,其中n为经过K-W检验后的特征数目。本发明中，步骤(4)中所述评估具体为
(1)按照分类的要求，整理不同类型车型的特征数据，利用ReliefF算法处理特征数据，得到每个特征的权重，建立原始特征集合的权重向量；
(2)按照权值的大小从大到小排列，生成正序权重向量，根据权重的大小范围情况设定权值阈值，将权值大于或等于设定阈值的特征取出，组成新的权重向量，按对应的权重获得新的序列特征向量；
(3)根据泊松相关系数的算式求出中两两特征相关度，参考特征向量的维数和特征相关度设定适当阈值，获得相关度大于或等于阈值特征对；(4)删去步骤(3)中特征对中特征权值较小的特征，获得去冗余的特征组合。本发明中，步骤(4)中若Filter-Filter获得特征有n个,贝U需要评估的特征组合对象为从n个特征中，权值排名前三(Top-3)的特征组合(视具体情况而定，一般情况下从Top-3开始)开始，依照Top-k机制建立的n-2个特征组合。采用10折交叉验证(C-V)，也就是将全部样本分为10组，进行10次以“9组为学习样本I组为检验样本”的交叉验证，获得10次分类准确率的平均值作为C-V准确率。根据搜寻策略，C-V准确率最高且维度较小的组合为最优特征组合。本发明中，步骤(5)中建立非线性软间隔分类器，即聚类支持向量机(C-SVM)。具体来说就是利用惩罚参数C控制错分样本，建立软间隔的分类超平面。本发明中，步骤(5)中聚类支持向量机的建立，具体为建立聚类支持向量机
的训练样本集，样本的数量为^ ;车型分类器输入的参数是一个V维特征向量
组合炉；根据上文的二叉树分类模式，每一步为二类划分，即xe{-l+l}。在
建立多维度分类决策函数时，按照C-SVM的算法思想引入松弛变量和惩罚因子来解决非线性分类问题来建立最优分类决策面，并且允许一定的分类错误(软间隔)；为了将复杂的最优化问题的求解简化为对原有样本数据的内积运算，引入了径向基(RBF)核函数，
权利要求
1.一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于具体步骤如下 (1)通过单点式地磁感应器设定采集频率，采集需要分类识别的车型地磁感应波形数据，所述采集的感应波形数据为去噪声的线性波形，并且对其作了车速归一化处理，得到的可用格式为线性波形上所有极值点横纵坐标，建立二叉树多车型分类模式； (2)根据采集的感应波形数据，单点式地磁感应器输出的信息为离散点向量，通过数据融合方法将线性波形输出的若干个数值点横纵坐标转化为若干个单独特征，提取出包括波形的结构特征、频谱特征和数值特征三大类特征； (3)根据提取的三大类特征，建立干扰波的筛选方法，筛选出有效的波形样本，设定当最大波动不大于20或者峰谷数不大于3时即可认为是干扰波，判断为无效波形，得到初步提取的结构特征、频谱特征和数值特征；初步提取后，采用K-W检验对单个特征的统计聚散度进行计算评价，并删除其中不满足假设检验的不显著特征，并按照平均数方差法规则对其规范化，建立有效的样本库； (4)建立多层特征选择模式,融合Filter-Filter-Wrapper模式,对步骤(3)提取的初始特征进行特征评估和选择，挑选出最优特征组合；其中=Filter-Filter-Wrapper模式的第一层Filter为基于ReliefF算法的权值过滤，第二层Filter为基于特征间相关系数的去冗余式过滤，第三层Wrapper为利用分类器的交叉验证准确率对Top-K的特征组合进行最优特征组合搜寻，即在提取的初始特征中挑选出最有利于车型识别的特征组合； (5)考虑线性不可分情况，建立非线性软间隔分类器，即建立基于聚类支持向量机的车型识别算法，并采用微粒群算法对分类函数中的核函数参数C和惩罚系数C进行优化，建立微粒群优化的聚类支持向量机二类分类器； (6)二叉树上的每个树节点都需利用微粒群优化的聚类支持向量机二类分类器对支持向量机进行训练，获得二叉树中所有二类车型分类器； (7)根据分类模式，通过二叉树上所有二类车型分类器建立完整的分类决策树，对未知车型的波形从决策树自上而下遍历，到达每个分类节点进行判断，直到到达叶子节点，最终识别出车型。
2.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(I)中单点式地磁感应器采集的波形是时域信号，通过快速傅里叶变换算法得到相应波的频谱分布，找出含噪声的时域信号的频率组成和能量。
3.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(I)建立的二叉树多车型分类模式，分类树上节点可以为车型组合，也可以为单独的车型。
4.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(2)中所述结构特征、频谱特征和数值特征三大类特征，包括 结构特征波峰数、波谷数、峰谷数、负波谷数、最小值相对位置、最大值相对位置、次小值与最小值之比； 频谱特征傅里叶变换后的最大能量、最大能量对应的频率； 数值特征最大值、最小值、总值、平均值、最大值与最小值之比绝对值、波动最大幅值与平均值之比、方差、波持续时间。
5.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(3)中初步提取的结构特征、频谱特征和数值特征用特征向量形式表示，即X = [x1；x2,K3,…Xi],其中^代表一个特征。
6.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(3)中所述平均数方差法，即对于结构特征、频谱特征和数值特征，先求出所有样本该特征的均值和方差，将原始特征样本数值减去均值后再除以方差，得到规范化后的特征样本数值；增加分类变量p得到初始特征向量1 =,其中n为经过K-WI检验后的特征数目。
7.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(4)中所述评估具体为 (1)按照分类的要求，整理不同类型车型的特征数据，利用ReliefF算法处理特征数据，得到每个特征的权重，建立原始特征集合的权重向量； (2)按照权值的大小从大到小排列，生成正序权重向量，根据权重的大小范围情况设定权值阈值，将权值大于或等于设定阈值的特征取出，组成新的权重向量，按对应的权重获得新的序列特征向量； (3)根据泊松相关系数的算式求出中两两特征相关度，参考特征向量的维数和特征相关度设定适当阈值，获得相关度大于或等于阈值特征对； (4)删去步骤(3)中特征对中特征权值较小的特征，获得去冗余的特征组合。
8.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(4)中若Filter-Filter获得特征有n个,贝U需要评估的特征组合对象为从n个特征中，权值排名前三(Top-3)的特征组合开始，依照Top-k机制建立的n-2个特征组合； 采用10折交叉验证C-V，也就是将全部样本分为10组，进行10次以9组为学习样本I组为检验样本的交叉验证，获得10次分类准确率的平均值作为C-V准确率。
9.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(5)中聚类支持向量机的建立，具体为建立聚类支持向量机的训练样本集( 乃)L1,样本的数量为;车型分类器输入的参数是一个J维特征向量组；根据上文的二叉树分类模式，每一步为二类划分，即乃€ {-1，+1};在建立多维度分类决策函数时，按照C-SVM的算法思想引入松弛变量和惩罚因子来解决非线性分类问题来建立最优分类决策面，并且允许一定的分类错误(软间隔)；为了将复杂的最优化问题的求解简化为对原有样本数据的内积运算，引入了径向基(RBF)核函数，JfOU) =炫,式中f为支持向量的值、为需分类的样本值，为核函数参数；每个支持向量构成一个RBF的中心，其位置、个数以及连接权值都是通过训练过程来确定。
10.根据权利要求I所述的一种在地磁感应器上基于支持向量机的车型识别方法，其特征在于步骤(7)中，首先对未知车型的波形进行有效性判别；若为有效波形，则从决策树自上而下遍历，到达每个分类节点时，首先将未知车型的波形进行特征提取和规范化，分离出此分类节点上二类车型的最优特征组合，将特征组合输入进分类器C-SVM中，进行二类判断，判断结束后进入下一个节点，如果达到叶子节点则获得识别最终结果，结束识别过程。
全文摘要
本发明涉及一种在地磁感应器上基于支持向量机的车型识别方法，具体步骤如下通过地磁感应器采集需识别的车型波形数据；将波形提取为若干数值化的特征，筛选出有效数据，并将特征规范化；根据提取的特征进行多层特征选择，挑选出最优特征组合；建立基于聚类支持向量机的车型分类算法，并采用微粒群算法优化分类函数中的参数；建立二叉树分类模式，训练每个分类节点上的分类器，建立完整的分类决策树；输入待识别车型地磁感应波形，获得对其的识别结果。本发明建立了一种波形特征提取与选择的模式，同时采用的基于支持向量机的分类算法以及微粒群优化算法，均大大提高了机器学习的效能，使其能够快速准确地识别车型。
文档编号G08G1/017GK102779281SQ20121020843
公开日2012年11月14日 申请日期2012年6月25日 优先权日2012年6月25日
发明者何尧, 孙立军, 杜豫川, 陈韬 申请人:同济大学