版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
1、目前,車輛識(shí)別在科研和商業(yè)上引起了很大的關(guān)注,它在智能遷移系統(tǒng)中起到重要的作用,并已被廣泛地運(yùn)用于各種安全領(lǐng)域,例如:政府大樓,軍事陣地,國家邊防,交通堵塞,停車問題以及交通事故等。人們通過抽取車的屬性來對其進(jìn)行分類,車標(biāo)的形狀、牌照、顏色以及型號(hào)等都是車的屬性?,F(xiàn)有的大部分車輛分類系統(tǒng)都是通過車牌照來實(shí)現(xiàn),但是如果在霧天,車牌丟失或遮擋的情況下,將不能通過車牌照來對車輛分類識(shí)別。車的另一個(gè)重要的屬性是車標(biāo),它包括了車輛的重要信息,并且
2、不容易被改動(dòng),因此車標(biāo)在車輛識(shí)別中取到重要的作用。
因此本文提出采用車標(biāo)來對車輛進(jìn)行分類識(shí)別,這個(gè)方法基于支持向量基(SVM)分類方法,支持向量機(jī)是一個(gè)基于統(tǒng)計(jì)學(xué)的數(shù)據(jù)挖掘算法。支持向量機(jī)將向量映射到一個(gè)更高維的空間里,在這個(gè)空間里建立有一個(gè)最大間隔超平面。在分開數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面,分隔超平面使兩個(gè)平行超平面的距離最大化。假定平行超平面間的距離或差距越大,分類器的總誤差越小。并且利用集成學(xué)習(xí)來提高分類性
3、能。本文還通過欠采樣和對支持向量機(jī)的集成學(xué)習(xí)來提高分類算法的準(zhǔn)確率。
本文所使用的四種車標(biāo)類標(biāo),分別是“大眾”、“現(xiàn)代”、“尼桑”和“豐田”。首先建立支持向量機(jī)模型,從車標(biāo)圖像中抽取它的二維主成分(2DPCA)作為特征屬性,和主成分分析(PCA)不同的是,2DPCA基于二維矩陣,而PCA是一維的,這樣的話,原始圖像矩陣就不用轉(zhuǎn)換成向量了。然后從原始的車標(biāo)圖像矩陣中構(gòu)建圖像的協(xié)方差矩陣,支持向量機(jī)采用抽取的圖像的特征屬性作為輸入
4、,通過最大化車標(biāo)屬性之間的間隔,達(dá)到車輛分類的目的。
SVM利用抽取出來的屬性作為類標(biāo)分類器的輸入。現(xiàn)存多個(gè)使用SVM為基分類器的多標(biāo)記分類算法,其中一種是1-vs-all方法,本文在實(shí)驗(yàn)中采用這種方法,對每一個(gè)類標(biāo)均建立一個(gè)二值分類器來使得其與其他類標(biāo)區(qū)分開來。類標(biāo)預(yù)測時(shí),采用二值分類器對樣本進(jìn)行預(yù)測,選擇預(yù)測置信度最大的分類結(jié)果作為其最終的分類結(jié)果,本文采用的LIBSVM算法是著名的SVM工具。
通過對數(shù)據(jù)的預(yù)處
5、理,將樣本數(shù)據(jù)首先進(jìn)行標(biāo)準(zhǔn)化和規(guī)范化,以及填充缺失值,數(shù)據(jù)的預(yù)處理對分類效果的影響是很大的,原始樣本屬性的取值可能會(huì)相差很大,而SVM算法需要計(jì)算兩個(gè)樣本在空間中的距離,如果不經(jīng)過預(yù)處理,屬性取值范圍越大對距離計(jì)算結(jié)果的影響越大,因而會(huì)使得計(jì)算結(jié)果對其他取值范圍較小的屬性不公平。因此,標(biāo)準(zhǔn)化避免了數(shù)值計(jì)算中的困難,因?yàn)镾VM算法中的核函數(shù)通常依賴于屬性向量的內(nèi)積。本文采用的是線性的標(biāo)準(zhǔn)化方案,將屬性的取值均規(guī)范到[0,1]范圍內(nèi)。
6、> SVM分類效率依賴于核函數(shù)的選擇,本文采用最常用的RBF核函數(shù),RBF核函數(shù)將原始數(shù)據(jù)集轉(zhuǎn)換到高維空間,使得數(shù)據(jù)樣本線性可分?;赗BF核函數(shù)的LIBSVM方法,本文采用基于交叉驗(yàn)證的網(wǎng)格搜索方法來優(yōu)化參數(shù)C和γ,通過嘗試各種不同的參數(shù)值對(C,γ),選取交叉驗(yàn)證結(jié)果最好的參數(shù)值對作為最有的核函數(shù)參數(shù),在10折交叉驗(yàn)證中,對于“大眾”和“尼?!避嚇?biāo)數(shù)據(jù)集,參數(shù)C的最優(yōu)取值為C=2.0;對于“現(xiàn)代”和“豐田”車標(biāo)數(shù)據(jù)集,參數(shù)C的最優(yōu)
7、取值為C=4.0;針對這四種車標(biāo)數(shù)據(jù)集,參數(shù)γ的最有取值為γ=0.03125。本文采用五次5折交叉驗(yàn)證進(jìn)行實(shí)驗(yàn),重復(fù)迭代五次得到五個(gè)分類器。用這五個(gè)分類器分別對測試集進(jìn)行預(yù)測學(xué)習(xí),最后綜合這五個(gè)分類器的預(yù)測結(jié)果即為測試集的最終標(biāo)記結(jié)果。同時(shí),本文采用K均值聚類方法來提高分類正確率,因?yàn)楸疚牟捎?-vs-all的策略來處理多類標(biāo)問題,經(jīng)過K均值聚類得到的簇中,正類樣本和負(fù)類樣本達(dá)到平衡,然后在每個(gè)簇中構(gòu)建SVM分類器模型,最后綜合每個(gè)模型
8、的學(xué)習(xí)結(jié)果為最終的預(yù)測結(jié)果。
由于本文采用1-vs-all的策略來處理車標(biāo)數(shù)據(jù)集,對于屬于某一類的樣本其標(biāo)記為1,否者為0,這將導(dǎo)致數(shù)據(jù)集的非平衡問題,本文分別采用欠采樣技術(shù)和集成學(xué)習(xí)方法來處理車標(biāo)數(shù)據(jù)的非平衡問題。欠采樣技術(shù)從負(fù)樣本中隨機(jī)抽取一定量的數(shù)據(jù)樣本,并結(jié)合所有的正樣本構(gòu)成訓(xùn)練集,重復(fù)迭代10次構(gòu)成10個(gè)訓(xùn)練樣本集,根據(jù)每個(gè)訓(xùn)練集訓(xùn)練得到10個(gè)分類器,使用每個(gè)分類器對要測試的車標(biāo)數(shù)據(jù)集進(jìn)行預(yù)測,綜合每個(gè)分類器的預(yù)測結(jié)
9、果即為測試集的最終分類預(yù)測結(jié)果。本文抽取不同比率(50%,75%,85%)的負(fù)樣本數(shù)量作為訓(xùn)練集進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明從負(fù)樣本集中隨機(jī)選擇85%的負(fù)樣本子集協(xié)同正樣本集一起作為訓(xùn)練集得到取得很好的分類結(jié)果,且欠采樣技術(shù)提高了基于SVM的車標(biāo)分類識(shí)別性能。
Bagging集成學(xué)習(xí)通過多次重復(fù)有放回的采樣方法,從原始數(shù)據(jù)集中抽取一定量的數(shù)據(jù)樣本子集作為訓(xùn)練集,并基于每次獲得的訓(xùn)練集學(xué)習(xí)得到多個(gè)分類器。本文提出基于集成學(xué)習(xí)的SVM車
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲(chǔ)空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于Adaboost和SVM的車標(biāo)識(shí)別方法研究.pdf
- 基于PCA和SVM的車標(biāo)識(shí)別方法研究.pdf
- 快速車標(biāo)識(shí)別算法的研究.pdf
- 基于改進(jìn)SIFT算法的車標(biāo)識(shí)別.pdf
- 基于圖像配準(zhǔn)的車標(biāo)識(shí)別算法研究.pdf
- 基于灰度空間的車標(biāo)識(shí)別研究.pdf
- 基于智能圖像處理的車標(biāo)識(shí)別研究.pdf
- 基于SIFT的車標(biāo)識(shí)別技術(shù)研究.pdf
- 基于稀疏表示的車標(biāo)識(shí)別方法研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)和K鄰近算法的車標(biāo)識(shí)別.pdf
- 基于LS-SVM雷達(dá)目標(biāo)識(shí)別算法的FPGA設(shè)計(jì).pdf
- 基于視頻分析的車標(biāo)識(shí)別方法研究.pdf
- 車牌及車標(biāo)識(shí)別技術(shù)的研究.pdf
- 車牌與車標(biāo)識(shí)別技術(shù)的研究.pdf
- 自然場景中車標(biāo)識(shí)別.pdf
- 基于ADABOOST和BP的車標(biāo)識(shí)別方法研究.pdf
- 基于LS-SVM目標(biāo)識(shí)別的研究.pdf
- 基于預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的車標(biāo)識(shí)別研究.pdf
- 基于車標(biāo)識(shí)別的車型細(xì)分類技術(shù)研究.pdf
- 常見小型車車標(biāo)識(shí)別.pdf
評論
0/150
提交評論