王　?！?蔡英鳳　 陳　龍　 江浩斌

(1江蘇大學(xué)汽車與交通工程學(xué)院, 鎮(zhèn)江212013)(2江蘇大學(xué)汽車工程研究院, 鎮(zhèn)江212013)

基于Haar-NMF特征和改進(jìn)SOMPNN的車輛檢測算法

王海1蔡英鳳2陳龍2江浩斌1

(1江蘇大學(xué)汽車與交通工程學(xué)院, 鎮(zhèn)江212013)(2江蘇大學(xué)汽車工程研究院, 鎮(zhèn)江212013)

摘要:為解決傳統(tǒng)基于Haar特征和自組織映射概率神經(jīng)網(wǎng)絡(luò)(SOMPNN)的車輛檢測算法中存在當(dāng)Haar特征向量維數(shù)過大時決策時間緩慢和因平滑因子σ單一易導(dǎo)致分類錯誤的2個不足,提出了一種用低維的Haar-NMF特征代替Haar特征和平滑因子自適應(yīng)修正的改進(jìn)SOMPNN(ISOMPNN)車輛檢測算法.首先用非負(fù)矩陣分解對Haar特征進(jìn)行降維，生成低維Haar-NMF特征;其次,以SOM輸出層神經(jīng)元的原型向量數(shù)作為修正因子,構(gòu)建了指數(shù)函數(shù)形式的平滑因子修正函數(shù),并以修正后的平滑因子訓(xùn)練SOMPNN分類器.實驗結(jié)果表明,與傳統(tǒng)的Haar+SOMPNN算法相比,采用Haar-NMF和ISOMPNN構(gòu)建的車輛檢測分類器在檢測率、誤檢率和檢測時間等性能指標(biāo)上都獲得明顯提升.

關(guān)鍵詞:車輛工程;車輛檢測;Haar特征;非負(fù)矩陣分解;改進(jìn)SOMPNN;高級駕駛輔助系統(tǒng)

道路車輛檢測是車輛主動安全領(lǐng)域中的核心技術(shù),未來將廣泛應(yīng)用于車輛輔助駕駛系統(tǒng)以及自主駕駛車輛中[1-3].然而由于車輛外觀的高度差異性,基于視覺的車輛檢測是模式識別中的難點.此外,從主動安全角度出發(fā),車輛檢測系統(tǒng)還需要具有較好的實時性和魯棒性,這就給車輛檢測算法提出了更高的要求.

目前以車輛檢測為代表的基于單目視覺的目標(biāo)檢測技術(shù)通常包含外形特征提取和分類學(xué)習(xí)2部分.外觀特征包括Haar小波[4]、方向梯度直方圖(HOG)[5]、Gabor濾波器特征[6]、表觀特征[7]和顏色特征[8]等.常用的分類學(xué)習(xí)方法有Adaboost集成學(xué)習(xí)[9]、支持向量機(SVM)[10]、神經(jīng)網(wǎng)絡(luò)(NN)[11]等.

現(xiàn)有基于Haar特征和SOMPNN的方法識別率較低且計算復(fù)雜度較高,本文將通過2個方面對其進(jìn)行改進(jìn):① 針對傳統(tǒng)Haar特征維數(shù)較大的缺點,采用非負(fù)矩陣分解(non-negativematrixfactorization,NMF)對其進(jìn)行降維,提出了Haar-NMF特征,顯著降低了特征維數(shù);② 目前SOMPNN算法中平滑因子σ均按照經(jīng)驗取單一值,阻礙了分類效果的進(jìn)一步提升,本文以自組織映射(SOM)輸出層神經(jīng)元的原型向量數(shù)作為修正因子,構(gòu)建了以指數(shù)函數(shù)為原型的平滑因子修正函數(shù),并以修正后的平滑因子訓(xùn)練SOMPNN分類器.

1算法結(jié)構(gòu)

本文算法的總體結(jié)構(gòu)如圖1所示.首先通過正負(fù)樣本生成Haar-NMF特征，然后通過訓(xùn)練改進(jìn)的SOMPNN分類器實現(xiàn)對車輛目標(biāo)的檢測.

圖1　算法總體結(jié)構(gòu)圖

2Haar-NMF特征

采用Haar特征對圖像樣本進(jìn)行表征時,Haar特征向量維數(shù)極大,如大小為24×24像素的圖像形成的特征向量高達(dá)117 941維.本文采用NMF對Haar特征向量進(jìn)行降維,生成Haar-NMF特征.NMF是一種在矩陣中所有元素均為非負(fù)數(shù)約束條件之下的矩陣分解方法.

Haar-NMF特征的計算流程如下[12]:

① 設(shè)H是維數(shù)為l的Haar特征向量.由于Haar特征向量并非所有元素都非負(fù),因此將其取絕對值并轉(zhuǎn)換為m×n的矩陣C形式, 其中l(wèi)=m×n.

② 對矩陣C進(jìn)行秩r的NMF分解,即

C=WHT

(1)

式中,W和H分別為m×r和n×r的非負(fù)基矩陣和系數(shù)矩陣.

③ 對矩陣W和H中每一個列向量v進(jìn)行歸一化處理.

④ 將所有列向量v級聯(lián)成Haar-NMF特征.

本文中,l=118 000,m=2 950,n=40,r=3,Haar-NMF特征的長度為9 085,特征維數(shù)減少了約92%,從而大大減輕了后續(xù)分類算法的計算量.

3概率神經(jīng)網(wǎng)絡(luò)分類器

概率神經(jīng)網(wǎng)絡(luò)(PNN)是Specht[13]提出的一種基于貝葉斯最小風(fēng)險準(zhǔn)則的神經(jīng)網(wǎng)絡(luò)模型,具有全局優(yōu)化的特點,被廣泛用于模式識別等應(yīng)用中[14].PNN實質(zhì)上是一個前饋的神經(jīng)網(wǎng)絡(luò),它由輸入層、模式層、求和層與輸出層構(gòu)成.此外,其結(jié)構(gòu)適用于并行計算,能夠保證網(wǎng)絡(luò)的快速計算.PNN拓?fù)浣Y(jié)構(gòu)如圖2所示.

圖2　PNN結(jié)構(gòu)圖

輸入層的功能是接收來自待判斷樣本的特征向量,并將特征向量傳遞給后續(xù)網(wǎng)絡(luò).因此,其神經(jīng)元數(shù)目和待判斷樣本的維數(shù)相等.由此可見,過高的特征向量維數(shù)會導(dǎo)致輸入層節(jié)點數(shù)過多.

模式層的功能是計算從輸入層獲得的特征向量與訓(xùn)練樣本集之中各個模式相匹配的概率值.因此,模式層神經(jīng)元的個數(shù)為各個類別訓(xùn)練樣本數(shù)之和,該層每個模式單元的輸出為

(2)

式中,Wi為輸入層到模式層連接的權(quán)值;X為輸入的特征向量.在模式層中,特征向量X的維數(shù)和決策時間成正比.

平滑因子σ的計算公式如下:

(3)

式中,m=1,2,…,M為樣本類別;Sm為每一類的樣本數(shù);x為樣本特征向量.

求和層的功能是根據(jù)式(2)計算模式層中數(shù)據(jù)屬于某個類的概率并進(jìn)行累計,從而得到分類模式的估計概率密度函數(shù).待判斷的每一個類別中只有一個求和層單元,該單元僅與屬于自己類的模式層單元相連接,并將其輸出相加.求和層單元的輸出與各類基于Kernel的密度估計成比例,最后通過輸出層的歸一化處理獲得各類的概率密度估計.

輸出層的功能是在求和層中各個分類模式的估計概率密度中選擇一個具有最大后驗概率密度的神經(jīng)元作為整個系統(tǒng)的輸出.輸出層神經(jīng)元是一種競爭神經(jīng)元,每個神經(jīng)元分別對應(yīng)一個數(shù)據(jù)類型即分類模式.概率密度函數(shù)最大的那個神經(jīng)元輸出為 1,其所對應(yīng)的那一類即為待識別的樣本類別,其他神經(jīng)元的輸出全為0.

由于PNN含有前饋網(wǎng)絡(luò)結(jié)構(gòu),因此與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)(如BP網(wǎng)絡(luò))、SVM和Adaboost等算法相比具有以下特點:

① 具有較為靈活的網(wǎng)絡(luò)結(jié)構(gòu)框架.在訓(xùn)練樣本發(fā)生變化如增加或減少時，重訓(xùn)練時間較其他方法需求小.

② 訓(xùn)練速度快.由于不需要傳統(tǒng)神經(jīng)網(wǎng)絡(luò)訓(xùn)練中所需的誤差反向傳播算法，其訓(xùn)練時間比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)快3～4個數(shù)量級.

③ 收斂性較好.針對任意分類問題，在滿足訓(xùn)練樣本數(shù)量足夠多的前提下，就可以保證獲得貝葉斯的最優(yōu)解.

4自適應(yīng)SOMPNN分類器

PNN雖然具有很多優(yōu)點,但因為其模式層神經(jīng)元個數(shù)等于各個類別訓(xùn)練樣本數(shù)之和,存在當(dāng)原始訓(xùn)練樣本數(shù)目大時決策時間長和耗費存儲空間大的缺點,極大地限制了其在大規(guī)模實際問題中的應(yīng)用.針對該不足,Yu等[15]提出了一種SOMPNN算法,即利用自組織網(wǎng)絡(luò)(SOM)通過競爭產(chǎn)生數(shù)量較少的樣本原型向量,再以原型向量輸入到PNN中進(jìn)行分類或預(yù)測.該方法大幅減少了決策時間,并在蛋白質(zhì)跨膜螺旋預(yù)測問題上得到了成功應(yīng)用.

4.1SOM

首先投資者的投資信心不足，投資農(nóng)業(yè)既要承擔(dān)氣候、環(huán)境等自然風(fēng)險，又要承擔(dān)市場銷售風(fēng)險，市場競爭力不強。其次農(nóng)村經(jīng)濟缺乏金融支持，農(nóng)民除在信用社獲得小額貸款外，在其他機構(gòu)很難獲得金融支持。一些涉農(nóng)企業(yè)由于無資產(chǎn)抵押，也很難獲得銀行貸款。再者，扶持政策多變，2018年開始，中央和省降低了對于無人飛機、自動導(dǎo)航駕駛系統(tǒng)等的補助標(biāo)準(zhǔn)。

4.2SOMPNN

將SOM輸出層的d維原型向量作為PNN的輸入向量,即構(gòu)成了SOMPNN模型.SOMPNN模型的學(xué)習(xí)過程簡述如下[15]:

設(shè)X=X1∪X2∪…∪Xm∪…∪XM為訓(xùn)練集,其中Xm為類別m的訓(xùn)練集,共有M類.對所有類別,采用文獻(xiàn)[15]的方法分別訓(xùn)練得到原型向量數(shù)目為Km的SOMm.令cm,k表示第k個輸出節(jié)點對應(yīng)的原型向量.

取代了原有以Xm中的訓(xùn)練樣本構(gòu)建PNN中的概率密度函數(shù)的方式，SOMPNN中的概率密度函數(shù)由SOMm中的原型向量直接構(gòu)建：

(4)

最終的PNN可統(tǒng)一表示為如下形式:

(5)

式中,pm為第m類的先驗概率.

最終決策時,新樣本x*所屬類別為

(6)

SOMPNN的一個缺陷是所有的概率密度函數(shù)都采用相同的平滑因子σ進(jìn)行計算，因而不能真實反應(yīng)各個輸入變量對正確分類結(jié)果的實際作用.通過分析發(fā)現(xiàn)，SOM輸出的原型向量數(shù)d能夠表明其含有信息的豐富程度.因此，d較大表明信息量豐富，則平滑因子可取較小數(shù)值，從而實現(xiàn)對概率密度函數(shù)更佳精確的逼近.反之，平滑因子則選取相對較大的數(shù)值.

基于此,本文提出了一種平滑因子自適應(yīng)修正的改進(jìn)SOMPNN(ISOMPNN)算法,以SOM輸出層神經(jīng)元的原型向量數(shù)Km作為修正因子,構(gòu)建了如下指數(shù)形式的平滑因子修正函數(shù):

(7)

式中,σ0為初始平滑因子,可由式(3)求得.

將平滑因子修正函數(shù)代入式(4),得到修正后的SOMPNN概率密度函數(shù):

(8)

5實驗與分析

5.1實驗

本文選取Caltech1999數(shù)據(jù)庫中的圖片和項目組實際采集的道路圖片共3 715幅,構(gòu)成正樣本.通過相應(yīng)的裁剪,正樣本統(tǒng)一歸一化至24×24像素.負(fù)樣本在1 000張不含車輛的圖片中產(chǎn)生,其尺寸、位置均隨機生成,共37 832個.部分正負(fù)樣本示例如圖3所示.測試圖片均為實際道路采集圖片,包含高速路、城市等多種路況,共2 360幅,其中含有車輛3 281輛.

用于車輛檢測器性能評價的實驗平臺為惠普工作站,其主要參數(shù)為：Intel酷睿2雙核2.67GHz處理器,2GB內(nèi)存,操作系統(tǒng)為WindowsXP,編程軟件為MicrosoftVisualStudio6.0.

5.2實驗結(jié)果與分析

為全面評價和比較本文構(gòu)建的基于Haar-NMF特征和ISOMPNN的車輛檢測分類器的性能,采用同樣的訓(xùn)練樣本和測試樣本,分別用3種算法(Haar+SOMPNN、Haar-NMF+SOMPNN、Haar-NMF+ISOMPNN)進(jìn)行了3組實驗.訓(xùn)練測試流程如圖4所示.

(a) 正樣本

(b) 負(fù)樣本

圖4　訓(xùn)練測試流程圖

本文選取分類器檢測時間、檢測率(RD)和誤檢率(RF)作為評價指標(biāo)，其中

式中,TP為正確識別車輛數(shù);AP為總車輛數(shù);FP為錯誤識別車輛數(shù);AS為所有樣本數(shù).

圖5給出了3 種算法的ROC曲線,在Haar+SOMPNN和Haar-NMF+SOMPNN方法中,平滑因子σ分別固定為2.7和2.56.而本文所提出的基于Haar-NMF+ISOMPNN算法的平滑因子σ則在[0,2.56]區(qū)間范圍內(nèi)自適應(yīng)變化.在晴好天氣、雨霧天氣和夜間3個數(shù)據(jù)庫上的分類器效果分別如表1所示.可看出,基于Haar+SOMPNN的算法檢測率高于采用Haar-NMF+SOMPNN的算法,低于采用Haar-NMF+ISOMPNN的算法,但檢測耗時最長.這是由于Haar-NMF特征相比Haar特征損失了一些信息量,基于Haar-NMF特征的方法的檢測耗時大大減少(3個數(shù)據(jù)庫中平均耗時減少約87%).本文算法由于進(jìn)行了平滑因子的自適應(yīng)修正,使SOMPNN結(jié)構(gòu)更加逼近樣本中蘊含的概率密度函數(shù)信息,因此具有最高的檢測率和最低的誤檢率,且耗時和采用Haar-NMF特征+SOMPNN的方法接近.綜上所述，本文算法在3種方法中具有最佳的車輛檢測效果.所有測試圖片分辨率為640×480像素.搜索方式為全幅圖片的滑動窗口法,滑動窗口尺寸以24×24像素為基礎(chǔ),以1.05倍率擴大.部分實際道路檢測效果如圖6所示,藍(lán)色窗口為正確檢出,紅色虛線窗口為漏檢或誤檢,可以看出漏檢和誤檢多發(fā)生在車輛部分遮擋及雨霧等視野不良天氣下.

圖5　3種算法的ROC曲線圖

表1　3種車輛檢測分類器性能比較

圖6部分實際道路檢測效果

6結(jié)語

本文深入分析了傳統(tǒng)基于Haar特征和SOMPNN的車輛檢測算法的2個不足,并相應(yīng)地提出了采用低維Haar-NMF特征和自適應(yīng)改進(jìn)SOMPNN的算法.實驗結(jié)果和分析表明,相較于原算法,以本文算法構(gòu)建的車輛檢測器具有更高的檢測率、更低的誤檢率和最少的檢測時間.

后續(xù)工作將集中在多幀圖像的車輛跟蹤算法上,通過分析車輛位置、速度參數(shù)在時間序列上的特點,進(jìn)一步將車輛檢測率提高到98%以上,以滿足前車追尾預(yù)警、智能車導(dǎo)航等相關(guān)應(yīng)用的要求.

參考文獻(xiàn) (References)

[1]馬雷, 臧俊杰, 張潤生. 不同光照條件下前方車輛識別方法[J]. 汽車工程, 2012, 36(4): 360-366, 332.DOI:10.3969/j.issn.1000-680X.2012.04.017.

MaLei,ZangJunjie,ZhangRunsheng.Frontvehicleidentificationunderdifferentlightingconditions[J]. Automotive Engineering, 2012, 36(4): 360-366, 332.DOI:10.3969/j.issn.1000-680X. 2012. 04.017. (inChinese)

[2]文學(xué)志,方巍,鄭鈺輝. 一種基于類Haar特征和改進(jìn)AdaBoost分類器的車輛識別算法[J]. 電子學(xué)報,2011, 39(5): 1121-1126.

WenXuezhi,FangWei,ZhengYuhui.AnalgorithmbasedonHaar-likefeaturesandimprovedAdaBoostclassifierforvehiclerecognition[J]. Acta Electronica Sinica, 2011, 39(5): 1121-1126. (inChinese)

[3]HanSH,AhnEY,KwakNY.Detectionofmultiplevehiclesinimagesequencesfordrivingassistancesystem[C]//International Conference on Computational Science and Its Application.Singapore, 2005:1122-1128.

[4]許慶,高峰,徐國艷. 基于Haar特征的前車識別算法[J]. 汽車工程, 2013, 35(4): 381-384.DOI:10.3969/j.issn.1000-680X.2013.04.018.

XuQing,GaoFeng,XuGuoyan.Analgorithmforfront-vehicledetectionbasedonHaar-likefeature[J]. Automotive Engineering, 2013, 35(4): 381-384.DOI:10.3969/j.issn.1000-680X.2013.04.018. (inChinese)

[5]吳鑫, 王桂英, 叢楊. 基于顏色和深度信息融合的目標(biāo)識別方法[J]. 農(nóng)業(yè)工程學(xué)報, 2013, 29(z1): 96-100.DOI:10.3969/j.issn.1002-6819.2013.z1.014.

WuXin,WangGuiying,CongYang.Objectrecognitionmethodbycombiningcoloranddepthinformation[J].Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(z1):96-100.DOI:10.3969/j.issn.1002-6819.2013.z1.014.(inChinese)

[6]WangH,ZhangWG,CaiYF.Designofaroadvehicledetectionsystembasedonmonocularvision[J]. Journal of Southeast University (English Edition), 2011, 27(2): 169-173.

[7]郭立君, 劉曦, 趙杰煜, 等. 結(jié)合運動信息與表觀特征的行人檢測方法[J]. 軟件學(xué)報, 2012, 23(2): 299-309.DOI:10.3724/SP.J.1001.2012.04030.

GuoLijun,LiuXi,ZhaoJieyu,etal.Pedestriandetectionmethodofintegratedmotioninformationandappearancefeatures[J]. Journal of Software, 2012, 23(2):299-309.DOI:10.3724/SP.J.1001.2012.04030.(inChinese)

[8]SunZ,BebisG,MillerR.On-roadvehicledetection:Areview[J]. IEEE Transactions on Pattern Analysis and Machine Inteligence, 2006, 28: 694-711.DOI:10.1109/TPAMI.2006.104.

[9]李云翀, 何克忠, 賈培發(fā). 基于陰影特征和Adaboost的前向車輛檢測系統(tǒng)[J]. 清華大學(xué)學(xué)報(自然科學(xué)版), 2007, 47(10): 1713-1716.

LiYunchong,HeKezhong,JiaPeifa.ForwardvehicledetectionbasedonshadowfeaturesandAdaboost[J]. Journal of Tsinghua University (Science and Technology), 2007, 47(10): 1713-1716. (inChinese)

[10]周辰雨, 張亞岐, 李健. 基于SVM的車輛識別技術(shù)[J]. 科技導(dǎo)報, 2012, 30(30): 53-57.DOI:10.3981/j.issn.1000-7857.2012.30.007.

ZhouChenyu,ZhangYaqi,LiJian.VehicleidentificationtechnologybasedonSVM[J]. Science & Technology Review, 2012, 30(30): 53-57.DOI:10.3981/j.issn.1000-7857.2012.30.007. (inChinese)

[11]WuCF,LinCJ,LeeCY.Applyingafunctionalneurofuzzynetworktoreal-timelanedetectionandfront-vehicledistancemeasurement[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C, 2012, 42(4): 577-589.

[12]孫銳, 陳軍, 高雋. 基于顯著性檢測與HOG-NMF特征的快速行人檢測方法[J]. 電子與信息學(xué)報, 2013, 35(8):1921-1926.DOI:10.3724/SP.J.1146.2012.01700.

SunRui,ChenJun,GaoJun.FastpedestriandetectionbasedonsaliencydetectionandHOG-NMFfeatures[J]. Journal of Electronics & Information Technology, 2013, 35(8):1921-1926.DOI:10.3724/SP.J.1146.2012.01700.(inChinese)

[13]SpechtDF.Enhancementtoprobabilisticneuralnetwork[C]//Proceeding of the IEEE International Joint Conference on Neural Networks.Baltimore,MD,USA, 1992: 761-768.

[14]明利特, 蔣蕓, 王勇,等. 基于鄰域粗糙集和概率神經(jīng)網(wǎng)絡(luò)集成的基因表達(dá)譜分類方法[J]. 計算機應(yīng)用研究, 2011, 28(12): 4440-4444.DOI:10.3969/j.issn.1001-3695.2011.12.010.

MingLite,JiangYun,WangYong,etal.Geneexpressionprofilesclassificationmethodbasedonneighborhoodroughsetandprobabilisticneuralnetworksensemble[J]. Application Research of Computers, 2011, 28(12): 4440-4444.DOI:10.3969/j.issn.1001-3695.2011.12.010. (inChinese)

[15]YuDJ,ShenHB,YangJY.SOMPNN:Anefficientnon-parametricmodelforpredictingtransmembranehelices[J]. Amino Acids, 2012, 42(6): 2195-2205.DOI:10.1007/s00726-011-0959-2.

[16]KohonenT.Theself-organizingmap[J]. Proceedings of IEEE, 1990, 78(1): 1461-1480.

VehicledetectionalgorithmbasedonHaar-NMFfeaturesandimprovedSOMPNN

WangHai1CaiYingfeng2ChenLong2JiangHaobin1

(1SchoolofAutomotiveandTrafficEngineering,JiangsuUniversity,Zhenjiang212013,China) (2AutomotiveEngineeringResearchInstitution,JiangsuUniversity,Zhenjiang212013,China)

Abstract:The traditional vehicle detection algorithm based on Haar features and self-organized mapping probability neural networks (SOMPNN) has two shortages: High-dimensional Haar features usually cause long decision time; the constant smooth factor σ of SOMPNN often causes false classification. To solve these problems, low-dimensional Haar-NMF(non-negative matrix factorization) features instead of Haar features and an improved SOMPNN(ISOMPNN) with adaptive smooth factor correction are adopted to build the vehicle detector. First, NMF is used to generate low-dimensional Haar-NMF features. Then, the neuron number of the output layer of SOM is set as a correction factor to build the smoothing factor correction function in the form of the exponential function. The SOMPNN classifier is trained with the corrected smoothing factor. Experimental results demonstrate that the performance of the Haar-NMF+ISOMPNN-based vehicle detection classifier is improved in the detection rate, false detection rate and detection time compared with the traditional Haar+SOMPNN-based algorithm.

Key words:automotive engineering; vehicle detection; Haar feature; nonnegative matrix factorization(NMF); improved SOMPNN; advanced driver assistant system(ADAS)

DOI:10.3969/j.issn.1001-0505.2016.03.008

收稿日期:2015-09-06.

作者簡介:王海(1983—)，男，博士，副教授，wanghai1019@163.com.

基金項目:國家自然科學(xué)基金資助項目(61573171, 61403172, 51305167)、江蘇省自然科學(xué)基金資助項目(BK20140555) 、中國博士后基金特別資助項目(2015T80511)、中國博士后基金資助項目(2014M561592)、江蘇省六大人才高峰資助項目(2014-DZXX-040, 2015-JXQC-012).

中圖分類號:TP391.4

文獻(xiàn)標(biāo)志碼:A

文章編號:1001-0505(2016)03-0499-06

引用本文: 王海，蔡英鳳，陳龍，等.基于Haar-NMF特征和改進(jìn)SOMPNN的車輛檢測算法[J].東南大學(xué)學(xué)報(自然科學(xué)版),2016,46(3):499-504.DOI:10.3969/j.issn.1001-0505.2016.03.008.