李繼琰

摘 要

車型分類識別能夠為公路養(yǎng)護、維修、擁堵預(yù)判等提供有效的數(shù)據(jù)支持，對公路管理部門有著重要意義。研究了基于流形學(xué)習(xí)算法及車尾圖像的車型識別，并與傳統(tǒng)車型識別方法進行了比較，實驗結(jié)果表明流形學(xué)習(xí)算法具有更高的識別率。

關(guān)鍵詞

車型識別;流形學(xué)習(xí);局部線性嵌入;局部保持映射

中圖分類號： TP391.41 ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A

DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 08 . 02

0 引言

截至2019年6月我國汽車保有量達(dá)到了2.5億輛，對公路交通造成了巨大壓力。隨著信息技術(shù)、計算機技術(shù)、衛(wèi)星定位、人工智能等領(lǐng)域的快速發(fā)展，智能交通系統(tǒng)也從理論階段走向了實用階段。智能交通系統(tǒng)在疏導(dǎo)流量、安全監(jiān)控、提高路橋通行效率、減少交通事故等方面發(fā)揮著巨大作用，而車型識別是智能交通系統(tǒng)的一個重要組成部分。目前主要的車型識別方法有地埋線圈檢測法、紅外線檢測法、基于圖像的檢測法。地埋線圈檢測法需要破壞路面，影響通行，且使用壽命較短，檢測精度受車速、車軸數(shù)量影響較大，識別精度不高。紅外線檢測法一般設(shè)置于路面兩側(cè)，不能進行多車道檢測?；趫D像的檢測方法，近年來由于計算機運算速度的大幅提高及智能交通系統(tǒng)中圖像獲取簡單，已越來越多的得以應(yīng)用。

基于圖像的車型識別方法主要有基于SIFT特征[1]的方法、基于Haar特征[2]的方法、基于HOG特征[3]的方法等。流形學(xué)習(xí)是一種非線性機器學(xué)習(xí)方法，對非線性數(shù)據(jù)集有獨特優(yōu)勢。但是其大部分算法復(fù)雜度高，不能應(yīng)對新增樣本點，實用性較差。后來出現(xiàn)的線性流形學(xué)習(xí)算法是非線性流形學(xué)習(xí)算法的線性逼近，既保留了非線性方法的優(yōu)勢，算法復(fù)雜度又有所下降，且很容易處理新增樣本。常見的非線性流形學(xué)習(xí)算法有等距映射[4]（ISOMAP）、局部線性嵌入[5]（LLE）、拉普拉斯特征映射[6]（LE）、局部切空間排序[7]（LTSA）等，主要的線性流形學(xué)習(xí)算法有局部保持映射[8]（LPP）、鄰域保持嵌入[9]（NPE）、鄰域保持映射[10]（NPP）等。由于車輛圖像采集時受光照、遮擋、行人等多方面的因素影響，數(shù)據(jù)集呈現(xiàn)非線性特性，更適用流形學(xué)習(xí)方法。

由于夜間車輛前燈光的影響，很難獲得清晰的車輛頭部圖像，而汽車尾部圖像受燈光影響較小，容易獲取更清晰的圖像。江蘇蘇通大橋是江蘇東部最重要的長江過江通道，日均車流量超過10萬輛，基于其視頻車流量檢測系統(tǒng)，獲取了大量車輛尾部圖像。實際管理中，一般只需要了解客貨車比例，而不需要特別精細(xì)的車型類別。將車輛尾部圖像分成貨車和客車兩類，采用流形學(xué)習(xí)算法進行特征提取，采用k-NN分類器進行分類識別，取得了較好的識別效果。

1 流形學(xué)習(xí)算法概述

若數(shù)據(jù)均勻采樣于一個嵌入在高維歐氏空間中的低維流形上，流形學(xué)習(xí)算法的目的就是要找到這一低維流形，實現(xiàn)特征提取。

1.1 LLE算法

LLE算法從局部出發(fā)，認(rèn)為低維流形上的任一點，可通過其鄰域點的線形組合去表示，而各鄰域間的重疊部分表示了鄰域間的連接信息，從高維到低維映射時此線性關(guān)系不變。LLE算法對稀疏采樣不適用，需要充分采樣。具體算法步驟如下：

由表1可知，兩種流形學(xué)習(xí)算法的識別效果均高于傳統(tǒng)方法，LLE算法效果最好，基于SIFT特征的方法效果最差。LPP算法的效果雖然稍差于LLE，但其算法復(fù)雜度低于LLE，更適合實際應(yīng)用。

4 結(jié)束語

對公路上行進的車輛進行車型分類，能夠為公路養(yǎng)護、維修、擁堵預(yù)判提供有效的數(shù)據(jù)支持，對公路管理部門有著重要意義?；谲囄矆D像信息，研究了采用流形學(xué)習(xí)方法的車型識別，并和傳統(tǒng)方法進行了比較。實驗結(jié)果表明，流形學(xué)習(xí)算法在基于車尾圖像的車型識別中，相比傳統(tǒng)方法能夠獲得更高的識別率，具有實用價值。

參考文獻

[1]Lowe D G. Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision， 2004， 60（2）：91-110.

[2]張雪芹，方婷，李志前，等.基于類Haar特征和AdaBoost的車輛識別技術(shù)[J].華東理工大學(xué)學(xué)報：自然科學(xué)版，2016，42（2）：260-265.

[3]Xu Y， Yu G， Wang Y， et al. A Hybrid Vehicle Detection Method Based on Viola-Jones and HOG + SVM from UAV Images[J]. Sensors， 2016，16（8）：1325.

[4]Tenenbaum J B， Silva V， Langford J C. A global geometric framework for nonlinear dimensionality reduction. Science， 2000， 290（5500）： 2319-2323.

[5]Roweis S T， Saul L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science， 2000， 290（5500）： 2323-2326.

[6]Belkin M and Niyogi P. Laplacian eigenmaps for dimensionality reduction and data representation[J]. Neural Computation， 2003，15（6）： 1373-1396.

[7]Zhang Zhen-yue， Zha Hong-yuan. Principal manifold and nonlinear dimension reduction via local tangent space alignment[J]. SIAM Journal of Scientific Computing， 2004， 26（1）： 313-338.

[8]He X F， Yan S C， Hu Y X， et al.. Face recognition using Laplacian faces[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence， 2005， 27（3）： 328-340.

[9]He X F， Cai D， Yan S C， et al.. Neighborhood preserving embedding[C]. Proc. 10th IEEE. Conf. Computer Vision， Beijing， China， 2005， 2： 1208-1213.

[10]Pang Y W， Zheng L， Liu Z K， et al.. Neighborhood preserving projections （NPP）： a novel linear dimension reduction method[C]. ICIC 2005， Part I， Lecture Notes in Computer Science， Springer， Berlin， 2005， vol. 3644， 117-125.