孫亞非 郭盛 李可

關(guān)鍵詞： 服務(wù)器; 狀態(tài)檢測(cè); RGBMR特征; 機(jī)器學(xué)習(xí); DBN; 無監(jiān)督訓(xùn)練

中圖分類號(hào)： TN711?34; TP391 ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? ?文章編號(hào)： 1004?373X（2019）04?0153?05

Research on server detection based on RGBMR features and DBN

SUN Yafei1，2， GUO Sheng2， LI Ke1

（1. School of Information Science and Engineering， Yanshan University， Qinhuangdao 066004， China;

2. Department of Information Engineering， Cangzhou Technical College， Cangzhou 061000， China）

Abstract： An intelligent detection system for servers in the computer room is proposed based on the hardware device and software system. In the view of the signal light characteristics of the server， a more effective signal light image feature known as the RGB maximum ratio （RGBMR） is put forward for the recognition algorithm. The deep belief network （DBN） is used to evaluate and recognize signal light images. One part of RGBMR feature data is used for training of the DBN model， and the other part is used for testing. A great amount of experimental analysis and the comparative study on the image recognition effects of the proposed algorithm versus HSV spatial features and HMM were conducted. The results prove that the proposed algorithm can detect the signal light status of servers in the computer room more accurately.

Keywords： server; condition detection; RGBMR feature; machine learning; DBN; unsupervised training

0 ?引 ?言

隨著電力系統(tǒng)信息化程度的不斷加深，其機(jī)房設(shè)備的種類和數(shù)量越來越多。設(shè)計(jì)一套高效便捷的智能化機(jī)房巡查系統(tǒng)，及時(shí)準(zhǔn)確地監(jiān)測(cè)各個(gè)機(jī)房設(shè)備的運(yùn)行狀態(tài)對(duì)電力企業(yè)內(nèi)各系統(tǒng)高效安全地運(yùn)行至關(guān)重要。易健翔等人 針對(duì)無線傳感器網(wǎng)絡(luò)技術(shù)在環(huán)境監(jiān)測(cè)中的應(yīng)用，研究并開發(fā)了基于無線傳感器網(wǎng)絡(luò)的電力信息機(jī)房監(jiān)測(cè)系統(tǒng)[1]。陳潛等人通過傳感器采集并遠(yuǎn)程傳輸機(jī)房溫度和圖像數(shù)據(jù)，設(shè)計(jì)了一種基于B/S架構(gòu)的嵌入式機(jī)房遠(yuǎn)程監(jiān)測(cè)系統(tǒng)[2]。

監(jiān)測(cè)機(jī)房設(shè)備運(yùn)行情況的一個(gè)核心任務(wù)是準(zhǔn)確識(shí)別工業(yè)相機(jī)捕獲的各系統(tǒng)服務(wù)器信號(hào)燈狀態(tài)圖像。目前國(guó)內(nèi)外學(xué)者對(duì)信號(hào)燈識(shí)別的研究主要側(cè)重于：

1） 信號(hào)燈的特征，主要包括信號(hào)燈的顏色特征和形狀特征;

2） 機(jī)器學(xué)習(xí)模式識(shí)別。顏色特征，如：基于HSV顏色空間[3]、RGB顏色空間[4]、HSI顏色空間[5]等，是識(shí)別信號(hào)燈狀態(tài)的重點(diǎn)研究?jī)?nèi)容。趙樹恩等針對(duì)復(fù)雜場(chǎng)景下交通燈信號(hào)的采集和辨識(shí)問題，提出了一種基于ZigBee技術(shù)的交通信號(hào)燈辨識(shí)系統(tǒng)[6]。蔡自興等將彩色圖像RGB特征轉(zhuǎn)換到Y(jié)CbCr空間并將其送入最近鄰分類器分類信號(hào)燈的類型，然后建立隱馬爾科夫模型來識(shí)別信號(hào)燈圖像[7]。Salti等從信號(hào)燈圖像的感興趣區(qū)域中提取RGB顏等特征，建立一套檢測(cè)和識(shí)別交通信號(hào)燈的系統(tǒng)，但是其識(shí)別效率和準(zhǔn)確度均有待提高[8]。

在識(shí)別交通信號(hào)燈狀態(tài)方面，目前常用的算法大多是利用其不同的方向形狀和顏色信息進(jìn)行檢測(cè)[9]。但與交通信號(hào)燈不同，服務(wù)器信號(hào)燈沒有可用的形狀特征，并且其更小分布更加密集，所以感知其狀態(tài)信息更為困難。國(guó)網(wǎng)麗水公司開發(fā)的信息機(jī)房巡視系統(tǒng)需要對(duì)設(shè)備狀態(tài)指示燈狀態(tài)進(jìn)行人工采集，再用后臺(tái)系統(tǒng)進(jìn)行智能化分析，其人員工作強(qiáng)度大且效率低。而目前國(guó)內(nèi)外在該領(lǐng)域自動(dòng)識(shí)別方面的研究較少，國(guó)外電力公司對(duì)機(jī)房信號(hào)燈的監(jiān)測(cè)大多采用的仍然是HIS分析等用于交通信號(hào)燈識(shí)別的方法，其識(shí)別準(zhǔn)確率較低[7?8]。本文提出一種基于圖像RGB極大比值（RGBMR）特征提取，運(yùn)用深度置信網(wǎng)絡(luò)（DBN）進(jìn)行評(píng)估識(shí)別的信號(hào)燈圖像識(shí)別新算法，并將該算法嵌入到硬件系統(tǒng)中，設(shè)計(jì)研究出一種智能化機(jī)房安全巡查系統(tǒng)，大量的應(yīng)用實(shí)驗(yàn)證明了本方法的有效性。

1 ?系統(tǒng)概述

本巡查系統(tǒng)主要由硬件系統(tǒng)和軟件系統(tǒng)兩部分構(gòu)成。硬件系統(tǒng)主要根據(jù)巡查安排，完成機(jī)房設(shè)備的自動(dòng)巡查作業(yè)，實(shí)時(shí)捕獲受監(jiān)測(cè)服務(wù)器的信號(hào)燈狀態(tài)，其主要包含軌道車裝置、云臺(tái)、工業(yè)相機(jī)、無線AP、交換機(jī)等。軟件系統(tǒng)基于Windows平臺(tái)進(jìn)行開發(fā)，采用B/S三層架構(gòu)，嵌入在控制中心系統(tǒng)中，能對(duì)機(jī)房現(xiàn)場(chǎng)進(jìn)行遠(yuǎn)程監(jiān)視并發(fā)送指令控制硬件系統(tǒng)動(dòng)作，根據(jù)需要對(duì)監(jiān)控相機(jī)捕獲到的數(shù)字圖像進(jìn)行分析、處理和識(shí)別。其構(gòu)架如圖1所示。

2 ?信號(hào)燈圖像識(shí)別算法流程

2.1 ?提取圖像RGBMR特征

機(jī)房服務(wù)器設(shè)備的信號(hào)燈主要有綠燈、紅燈及黃燈三種狀態(tài)，其分別對(duì)應(yīng)設(shè)備處于運(yùn)行正常、故障及有待檢查三種情況，所以判斷設(shè)備運(yùn)行情況的主要途徑就是準(zhǔn)確識(shí)別這3 種顏色信號(hào)燈的亮與滅。但服務(wù)器信號(hào)燈一方面其本身較小并發(fā)光，會(huì)對(duì)拍攝圖像形成很大干擾;另一方面，在一幅拍攝的圖像中往往分布有多個(gè)信號(hào)燈，拍攝時(shí)無法聚焦，造成其成像色彩對(duì)外部光線的變化非常敏感，所以從圖像中感知其狀態(tài)信息較為困難。鑒于現(xiàn)有的利用RGB特征值、HSV與HSI顏色空間特征值及顏色直方圖來識(shí)別信號(hào)燈的方法存在很大不足，本文提出了一種新的信號(hào)燈圖像顏色特征：RGB極大比值（RGBMR）。在信號(hào)燈圖像去噪后，其RGBMR特征的提取算法流程如下：

1） 運(yùn)用Kalman跟蹤算法提取并分割出圖像中包含有信號(hào)燈的各個(gè)感興趣區(qū)域（IR），每個(gè)IR中僅包含一個(gè)信號(hào)燈;

2） 計(jì)算彩色I(xiàn)R的像素點(diǎn)個(gè)數(shù)，并讀取其RGB三基色8位亮度值（0～255）;

3） 分別將各個(gè)像素的RGB三基色亮度值按從大到小的排序，讀取其前10%的RGB極大值，分別記為序列[RM10]，[GM10]，[BM10];

4） 分別計(jì)算前10%的RGB極大值序列[RM10]，[GM10]，[BM10]的平均值，結(jié)果分別記為[RMa]，[GMa]，[BMa];

5） 分別計(jì)算各極大平均值[RMa]，[GMa]，[BMa]的相對(duì)比值，即得到該IR的RGB極大比值，分別記為[MRr]，[MRg]，[MRb]，即：

[MRr=RMaRMa+GMa+BMaMRg=GMaRMa+GMa+BMaMRb=BMaRMa+GMa+BMa] （1）

2.2 ?DBN識(shí)別算法

DBN是一種基于概率生成的深度學(xué)習(xí)模型，其可以有效地通過各種非線性變換和近似的復(fù)雜非線性函數(shù)從原始數(shù)據(jù)中捕獲重要信息，適用于分類和評(píng)估。

2.2.1 ?DBN的結(jié)構(gòu)

DBN通過逐層堆疊一系列的限制玻爾茲曼機(jī)（RBM）來進(jìn)行構(gòu)建，如圖2所示。第1層（輸入層V）和第2層（隱含層H1）構(gòu)成了RBM1，第2層（隱含層H1）和第3層（隱含層H2）構(gòu)成了RBM2，以此往復(fù)。每個(gè)RBM由一個(gè)隱含層和一個(gè)可視層構(gòu)成，每層都是由二進(jìn)制隨機(jī)單元組成，這些單元只與不同層的單元相連接而不與同層內(nèi)單元相連接。可視單元與隱含單元的一個(gè)連接節(jié)的能量可以定義為：

[Ev，h;θ=-i=1Vj=1Hwijvihj-i=1Vbivi-j=1Haihj] （2）

式中：矩陣[w]表示可視層與隱含層之間的權(quán)重值;向量[a]和[b]分別是隱含單元 [hj]與可視單元[vi]的偏置;[θ=w，b，a]代表模型參數(shù)。

輸入節(jié)點(diǎn)數(shù)、隱含節(jié)點(diǎn)數(shù)、隱層數(shù)和輸出節(jié)點(diǎn)數(shù)是DBN模型最重要的參數(shù)。在本文中，DBN模型的體系結(jié)構(gòu)定義如下[10]：

[DBNparam1;param21，…，param2i;param3] ?（3）

式中：[param1]代表輸入節(jié)點(diǎn)數(shù);[param2i]代表第[i]隱含層的隱含節(jié)點(diǎn)數(shù);[param3]表示輸出節(jié)點(diǎn)數(shù)。

2.2.2 ?DBN訓(xùn)練

DBN的獨(dú)特結(jié)構(gòu)使得其能夠應(yīng)用對(duì)比散度（CD）算法通過訓(xùn)練一系列的RBMs而得到訓(xùn)練。初級(jí)訓(xùn)練過程可以概括為：每個(gè)RBM層是用子網(wǎng)RBM的激活概率作為輸入訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，而它的輸出作為下一RBM層的輸入。在無監(jiān)督的預(yù)訓(xùn)練后，第一層RBM被原始輸入數(shù)據(jù)所填充并作為實(shí)值輸入的GB?RBM，而其他層則為二進(jìn)制的或Bernoulli?Bernoulli RBM。最后，給出參數(shù)的更新規(guī)則如下：

[w←w+εwvihj0-vihj1a←a+εahj0-hj1b←b+εbvi0-vi1] （4）

式中，[εw]， [εa] 和 [εb]分別代表權(quán)值、隱含層偏置及可見層偏置的學(xué)習(xí)速率。具體的訓(xùn)練過程參閱文獻(xiàn)[11]。

對(duì)于服務(wù)器信號(hào)燈圖像識(shí)別而言，在生成性的預(yù)訓(xùn)練后，將結(jié)合其他的判別、學(xué)習(xí)等能夠有效微調(diào)權(quán)重值的關(guān)鍵步驟來改進(jìn)DBN的性能。

一個(gè)已被證明非常有效的進(jìn)行判別性微調(diào)的方法是在最后的RBM層之后加一個(gè)變量層，這個(gè)變量層內(nèi)的參數(shù)代表著期望標(biāo)簽值。因此，引入類似于標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN）的BP算法來調(diào)整所有的DBN網(wǎng)絡(luò)權(quán)值。以工業(yè)相機(jī)在巡查機(jī)房時(shí)采集到的大量包含紅、綠、黃三種狀態(tài)信號(hào)燈的圖像作為分析對(duì)象。

鑒于綠燈為正常狀態(tài)且數(shù)量最多，這里提取較大量綠燈圖像的RGBMR特征構(gòu)成訓(xùn)練數(shù)據(jù)集[NL]，來對(duì)初始化的DBN模型進(jìn)行無監(jiān)督訓(xùn)練以得到標(biāo)準(zhǔn)的DBN模型。

2.3 ?評(píng)估識(shí)別

DBN的特定結(jié)構(gòu)和非線性的學(xué)習(xí)過程使它能夠非常有效地從海量數(shù)據(jù)中獲取其本質(zhì)特征。獲得標(biāo)準(zhǔn)的DBN模型后，再分別提取一定數(shù)量的綠、紅、黃色信號(hào)燈圖像的RGBMR特征來構(gòu)成測(cè)試數(shù)據(jù)集[ML]，將[ML]輸入到第2.2節(jié)中訓(xùn)練完成的標(biāo)準(zhǔn)DBN模型中進(jìn)行評(píng)估分類，即可識(shí)別出每組數(shù)據(jù)各自對(duì)應(yīng)的圖像的信號(hào)燈狀態(tài)。

3 ?實(shí)驗(yàn)研究

3.1 ?信號(hào)燈識(shí)別實(shí)驗(yàn)

3.1.1 ?提取RGBMR數(shù)據(jù)集

實(shí)驗(yàn)在國(guó)網(wǎng)青島供電公司的信息機(jī)房?jī)?nèi)進(jìn)行，該機(jī)房?jī)?nèi)有50套機(jī)柜，設(shè)備類型和數(shù)量繁多。搭建信號(hào)燈識(shí)別實(shí)驗(yàn)系統(tǒng)如圖3所示，主要包含固定在機(jī)房頂部的軌道、軌道車，安裝在軌道車上的云臺(tái)及工業(yè)相機(jī)等裝置。實(shí)驗(yàn)中，向云臺(tái)發(fā)送自動(dòng)巡查指令，其沿著軌道自由移動(dòng)并上下升降，帶動(dòng)工業(yè)相機(jī)拍攝各個(gè)服務(wù)器信號(hào)燈的狀態(tài)圖像。實(shí)驗(yàn)中工業(yè)相機(jī)共捕獲了89張距離及光強(qiáng)亮度不一的服務(wù)器圖像，每張圖像中包含數(shù)個(gè)至數(shù)十個(gè)處于不同狀態(tài)信號(hào)燈。采用Kalman跟蹤算法提取圖像中包含信號(hào)燈的圖像區(qū)域并將其單獨(dú)切割出來，這些分離出的信號(hào)燈圖像顏色、亮度、距離、大小等均有差異，與實(shí)際巡查情況相符合，其部分圖像如圖4所示。

從分離出的單個(gè)信號(hào)燈圖像中隨機(jī)選取200張綠燈圖像作為訓(xùn)練樣本，再分別選取100張綠、紅及黃燈圖像作為測(cè)試樣本。提取訓(xùn)練樣本RGBMR特征構(gòu)成[200×3]的訓(xùn)練數(shù)據(jù)集[NL]，提取測(cè)試樣本RGBMR特征構(gòu)成[300×3]的測(cè)試數(shù)據(jù)集[ML]。圖5為綠紅黃燈圖像RGBMR平均值分布圖。由圖5可以發(fā)現(xiàn)，綠燈圖像的RGBMR值差異較大，其[MRr]，[MRg]，[MRb]均值分別為0.311，0.484及0.205;紅燈圖像的各值差異很小，均為0.33左右;黃燈圖像的[MRr]，[MRg]均值非常接近，均為0.36左右，但其[MRb]均值明顯較小，為0.269?？梢?，這三類圖像的RGBMR值分布情況差異較大，利用該特征能較容易地區(qū)分這三類圖像。

3.1.2 ?DBN建立及評(píng)估識(shí)別

本文中，DBN模型輸入節(jié)點(diǎn)的數(shù)目與RGMMR 數(shù)據(jù)集的維數(shù)相對(duì)應(yīng)，其值為3。由于模型用于圖像的評(píng)估識(shí)別，輸出節(jié)點(diǎn)設(shè)置為1。DBN從輸入數(shù)據(jù)獲取有用信息的能力是由隱層節(jié)點(diǎn)的數(shù)量所決定，太少的隱含節(jié)點(diǎn)通常無法給數(shù)據(jù)塑形，而太多的隱含節(jié)點(diǎn)則可能會(huì)導(dǎo)致過度擬合的問題，甚至最后導(dǎo)致評(píng)估性能的惡化。所以，將[NL]和[ML]分別作為訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集輸入到初DBN模型中，在一系列的實(shí)驗(yàn)研究分析后，得到具有平穩(wěn)、清晰且合理的評(píng)估結(jié)果的DBN模型構(gòu)造為：[DBN13;100，100，50，10;1]。

本文方法檢測(cè)結(jié)果如圖6所示，綠、紅、黃燈三類圖像樣本被明顯地分出類來，綠燈樣本的DBN評(píng)估值集中在0.8附近，紅燈評(píng)估值集中在0.4附近，而黃燈評(píng)估值則集中在0.5附近。根據(jù)DBN評(píng)估值來對(duì)圖像樣本進(jìn)行信號(hào)燈顏色分類識(shí)別，經(jīng)分析給出判定標(biāo)準(zhǔn)：

[Color=Green， DBNvalue∈0.75， 0.85Red， DBNvalue∈0.35， 0.45Yellow， DBNvalue∈0.45， 0.55Unrecognized， Other DBNvalues]

由此可知，如圖6中小紅圈標(biāo)記，在300個(gè)測(cè)試樣本中，只有兩個(gè)綠燈、一個(gè)紅燈及三個(gè)黃燈共計(jì)6個(gè)樣本出現(xiàn)分類識(shí)別錯(cuò)誤，其余樣本均獲得了正確結(jié)果。

3.2 ?對(duì)比研究實(shí)驗(yàn)

本文提出用RGBMR特征及DBN網(wǎng)絡(luò)模型進(jìn)行信號(hào)燈圖像識(shí)別取得了良好的效果。為了進(jìn)一步證明本方法的優(yōu)越性，分別進(jìn)行與圖像HSV特征及隱馬爾可夫模型（HMM）的對(duì)比研究實(shí)驗(yàn)。

3.2.1 ?與HSV特征對(duì)比分析

HSV（色相、飽和度和亮度）顏色空間適合人類的視覺特性，被廣泛地應(yīng)用于圖像的分類和識(shí)別領(lǐng)域。然而對(duì)于不同的信號(hào)燈圖像，其HSV空間中的V值差異并不大，所以只提取H，S特征的均值和方差來用以識(shí)別研究。在一系列的實(shí)驗(yàn)對(duì)比后，構(gòu)造適合于該類特征的DBN模型為[DBN24;100，100，50，50，10;1]。其識(shí)別結(jié)果如圖7所示。圖7表明，該方法能有效地把綠燈圖像識(shí)別出來并且準(zhǔn)確率在93%左右，但是其黃燈和紅燈的評(píng)估值卻位于同一個(gè)區(qū)間內(nèi)[0.9，1.2]，表明該方法無法有效地將紅燈和黃燈識(shí)別出來。

3.2.2 ?與HMM模型對(duì)比分析

隱馬爾可夫模型（HMM）是一種統(tǒng)計(jì)分析模型，其具有很強(qiáng)的時(shí)序模式分類能力和可靠的計(jì)算性能，成為數(shù)字圖像、信號(hào)處理的一個(gè)重要方向，現(xiàn)已成功地應(yīng)用于模式識(shí)別、故障診斷以及狀態(tài)評(píng)估等領(lǐng)域。與DBN模型的無監(jiān)督訓(xùn)練不同，HMM需要進(jìn)行有監(jiān)督訓(xùn)練，所以需要更多的樣本。實(shí)驗(yàn)中選取600例信號(hào)燈圖像樣本，其中綠、紅、黃燈各200例，為了得到更有說服力的實(shí)驗(yàn)結(jié)果，既提取本文提出的RGNMR特征，也提取第3.2.1節(jié)中所述的HSV特征進(jìn)行對(duì)比研究。每種狀態(tài)圖像樣本的前100組特征值用于HMM模型的有監(jiān)督訓(xùn)練，后100組特征用于測(cè)試。訓(xùn)練完成后，用參數(shù)優(yōu)化的HMM模型進(jìn)行檢測(cè)分析，其識(shí)別結(jié)果如表1所示?？梢姡琑GBMR特征結(jié)合HMM模型的方法對(duì)于黃燈的識(shí)別效果稍差，而對(duì)綠燈及紅燈的識(shí)別準(zhǔn)確度均在90%以上;HSV特征結(jié)合HMM模型對(duì)綠燈的識(shí)別率尚可，但對(duì)紅燈及黃燈的識(shí)別率卻較低，其綜合識(shí)別率也只有81.3%;而本文所提RGBMR特征結(jié)合DBN的方法的各項(xiàng)識(shí)別率均最高，對(duì)信號(hào)燈圖像的綜合識(shí)別率達(dá)到98%。

4 ?結(jié) ?語(yǔ)

本文提出一套智能化機(jī)房服務(wù)器檢測(cè)方法及系統(tǒng)。在識(shí)別服務(wù)器信號(hào)燈狀態(tài)方面，分析了目前較為普遍的利用不同形狀和顏色信息進(jìn)行檢測(cè)算法的不足，而目前國(guó)內(nèi)外在這方面的研究也較少。本文提出一種新的信號(hào)燈狀態(tài)圖像特征：RGBMR，在提取該特征數(shù)據(jù)之后運(yùn)用DBN網(wǎng)絡(luò)模型對(duì)信號(hào)燈圖像進(jìn)行評(píng)估檢測(cè)。經(jīng)過大量的實(shí)驗(yàn)分析，并與常用的圖像HSV空間特征及HMM模型檢測(cè)效果做了對(duì)比研究，結(jié)果表明，本文所提算法可以有效地應(yīng)用于檢測(cè)機(jī)房服務(wù)器的運(yùn)行狀態(tài)。大量的應(yīng)用實(shí)驗(yàn)結(jié)果證明了本方法的有效性。接下來的研究中，需要對(duì)系統(tǒng)和算法進(jìn)行優(yōu)化，使其能更快速準(zhǔn)確地進(jìn)行在線實(shí)時(shí)檢測(cè)。

參考文獻(xiàn)

[1] 易健翔，秦肖臻，汪秉文.基于WSN的電力信息機(jī)房監(jiān)測(cè)系統(tǒng)的設(shè)計(jì)[J].計(jì)算機(jī)與數(shù)字工程，2013，41（1）：135?137.

YI Jianxiang， QIN Xiaozhen， WANG Bingwen. Design of electric computer room monitoring system based on wireless sensor network [J]. Computer & digital engineering， 2013， 41（1）： 135?137.

[2] 陳潛，劉云，高利娟.基于嵌入式Linux的機(jī)房遠(yuǎn)程監(jiān)測(cè)系統(tǒng)研究[J].微計(jì)算機(jī)應(yīng)用，2011，32（6）：60?65.

CHEN Qian， LIU Yun， GAO Lijuan. Research of equipemnt room remote monitoring system based on embedded Linux [J]. Microcomputer applications， 2011， 32（6）： 60?65.

[3] CHOI J， AHN B T， KWEON I S. Crosswalk and traffic light detection via integral framework [C]// Proceedings of 19th Korea?Japan Joint Workshop on Frontiers of Computer Vision. Incheon： IEEE， 2013： 309?312.

[4] YU C， HUANG C， LANG Y. Traffic light detection during day and night conditions by a camera [C]// Proceedings of IEEE 10th International Conference on Signal Processing. Beijing： IEEE， 2010： 821?824.

[5] DIAZ?CABRERA M， CERRI P， SANCHEZ?MEDINA J. Suspended traffic lights detection and distance estimation using color features [C]// Proceedings of IEEE 15th International Conference on Intelligent Transportation Systems. Anchorage： IEEE， 2012： 1315?1320.

[6] 趙樹恩，張沙沙.基于ZigBee技術(shù)的交通信號(hào)燈辨識(shí)系統(tǒng)設(shè)計(jì)[J].計(jì)算機(jī)測(cè)量與控制，2014，22（12）：4066?4068.

ZHAO Shuen， ZHANG Shasha. Design of traffic lights identification system based on ZigBee [J]. Computer measurement & control， 2014， 22（12）： 4066?4068.

[7] 蔡自興，谷明琴.城市環(huán)境中交通信號(hào)燈準(zhǔn)確識(shí)別與狀態(tài)估計(jì)[J].控制與決策，2014，29（1）：163?167.

CAI Zixing， GU Mingqin. Accuracy recognition and state estimation for traffic light in urban environment [J]. control and decision， 2014， 29（1）： 163?167.

[8] SALTI S， PETRELLI A， TOMBARI F， et al. Traffic sign detection via interest region extraction [J]. Pattern recognition， 2015， 48（4）： 1039?1049.

[9] 佀君淑，朱文興，沙永賀.復(fù)雜背景下的交通信號(hào)燈綜合識(shí)別方法[J].山東大學(xué)學(xué)報(bào)（工學(xué)版），2014，44（2）：64?68.

SI Junshu， ZHU Wenxing， SHA Yonghe. A comprehensive method for traffic lights detection in complex background [J]. Journal of Shandong University （Engineering science）， 2014， 44（2）： 64?68.

[10] YIN A， LU J， DAI Z， et al. Isomap and deep belief network?based machine health combined assessment model [J]. Journal of mechanical engineering， 2016， 62（12）： 740?750.

[11] TRAN V T， ALTHOBIANI F， BALL A. An approach to fault diagnosis of reciprocating compressor valves using Teager?Kaiser energy operator and deep belief networks [J]. Expert systems with applications， 2014， 41（9）： 4113?4122.