基于特征融合的车型检测新算法

引用本文

耿庆田, 于繁华, 王宇婷, 高琦坤. 基于特征融合的车型检测新算法[J].吉林大学学报（工学版）, 2018,48(3): 929-935
GENG Qing-tian, YU Fan-hua, WANG Yu-ting, GAO Qi-kun. New algorithm for vehicle type detection based on feature fusion[J]. Journal of Jilin University Engineering and Technology Edition, 2018,48(3): 929-935 复制到剪切板

Doi:10.13229/j.cnki.jdxbgxb20170934
Permissions

基于特征融合的车型检测新算法

耿庆田^1,², 于繁华¹, 王宇婷², 高琦坤¹

1.长春师范大学计算机科学与技术学院,长春 130032

2.吉林大学计算机科学与技术学院,长春 130012

通讯作者：于繁华(1970-),男,教授,博士.研究方向:智能计算与人工智能.E-mail:ccsyyfh@163.com

作者简介:耿庆田(1972-),男,副教授,博士.研究方向:计算机网络与智能信息系统.E-mail:qtgeng@163.com

基金:吉林省省级产业创新专项基金项目(2016C078); 吉林省产业技术研究和开发专项基金项目(2017C031-2)吉林省教育厅“十三五”科学技术研究项目(2018269).

摘要

为提高车型检测速度与精确度,本文首先通过对HOG特征进行改进,提出了分层HOG对称算法,得到了分层的HOG对称特征,并将该特征与LBP特征结合,获得二者的融合特征;然后,将融合特征作为支持向量机(SVM)分类器的训练样本,采用主成分分析(PCA)法约减维数降低分类器的复杂程度;最后,使用SVM对车辆外型特征进行检测,获得检测结果。仿真实验数据表明:该算法提高了特征提取的速度,并改善了特征检测的精度,使原始车辆图像的检测实时性得到提升;处理速度均值为26.2帧/s,准确率均值达到94.58%,比传统的HOG特征提高了7.98%。本文方法能有效提高车型检测检测的正确率,减少高维特征带来的计算时间消耗。

关键词: 计算机应用; 车型检测; HOG特征; LBP特征; 特征提取; 主成分分析; 支持向量机

中图分类号:TP391.4 文献标志码:A 文章编号:1671-5497(2018)03-0929-07

New algorithm for vehicle type detection based on feature fusion

GENG Qing-tian^1,², YU Fan-hua¹, WANG Yu-ting², GAO Qi-kun¹

1.Department of Computer Science and Technology, Changchun Normal University, Changchun 130032, China

2.College of Computer Science and Technology, Jilin University, Changchun 130012,China

Abstract

To increase the speed and accuracy of vehicle recognition, an improved hierarchical Histogram of Oriented Gradient (HOG) symmetry algorithm was proposed. First, the HOG features are improved to get the hierarchical HOG symmetry features which are fused with Local Binary Pattern (LPB) features to get the fusion features. Second, the fusion features are taken as the training sample of Support Vector Machine (SVM) classifier. Meanwhile, the Principal Component Analysis (PCA) is used to reduce the dimensions for decreasing the complexity of the classifier. Finally, the SVM is used to recognize the appearance features of the vehicle. Simulation results show that the proposed vehicle type recognition algorithm can not only increase the feature extraction speed but also improve the detection accuracy, enhancing the real-time recognition of original vehicle images. The mean processing speed is about 26.2 frames/s and the accuracy is about 94.58%, increasing by 7.98% in comparison to traditional HOG feature extraction algorithm. The method can effectively increase the accuracy of vehicle recognition and also reduce the computing time caused by high dimensional features.

Keyword: computer application; vehicle type recognition; HOG feature; LBP feature; feature extraction; principal component analysis(PCA); support vector machine(SVM)

文章图片

0 引言

随汽车数量日益增多, 交通系统的压力也越来越大。汽车车型检测作为智能交通中的关键技术, 无论在交通管控还是在交通事故认定等方面等有广泛的应用。目前, 常用的汽车车型检测方法有:基于地磁感应器的车型检测^[1]、基于SIFT特征的车型检测^{[2, 3]}、基于小波分析的车型检测^[4]、基于特征点的车型检测^[5]、奇异值方法用于汽车车型检测^[6]、基于神经网络的汽车车型检测^[7]、基于模式匹配算法的车型检测^[8]以及基于纹理特征的汽车车型检测^[9]。以上检测方法能满足工程级实时性的要求, 但由于特征维数高, 导致检测速度慢, 或由于环境背景复杂, 导致检测率低。基于分类器的车型检测方法经常用于机器学习、云计算理论、人工智能等智能算法, 但一般要求较大的训练样本。

本文提出了一种基于改进HOG特征提取并与LBP特征结合的车型检测方法, 通过改进HOG特征并与LBP特征相融合, 既提高了特征提取的速度, 又改善了特征检测的精度, 同时采用主成分分析(PCA)法约减维数来降低分类器的复杂性, 提高图像检测速度。该方法改进了传统的单一特征提取方法。仿真实验结果表明:该方法对车辆轮廓外型检测有较好的实时性和较高的精确度。

1 改进的HOG特征算法

1.1 HOG特征对称处理

梯度方向直方图(Histogram of oriented gradient, HOG)^[10]特征算子经常被用在模式检测与图像处理领域, 通过用梯度的方向密度分布对目标物体的外形进行精确的描述, 来实现对被检测图像中的目标物体特征向量的提取。因此, HOG特征提取从静止图像的目标检测到智能交通系统的动态目标检测均被广泛采用。

利用车辆轮廓对称性特点, 本文使用HOG特征将原始车辆图像分为几个对称区域, 如图1所示。

	Figure Option View Download New Window
	图1 图像HOG特征的对称性Fig.1 Symmetry of HOG features in an image

由图1可知HOG1与HOG2, HOG3与HOG4分别对称。由此可设 $S_{1}, S_{2}$ 分别为对称特征的对称向量, 则 $S_{1}$ 与 $S_{2} S_{1}, S_{2}$ 分别为对称特征的对称向量, 则 $S_{1}$ 与 $S_{2}$ 也是对称关系。

如图2所示, 每个HOG特征可通过8个Bin通道获得, 但HOG特征与HOG向量需调整维数才能完全对应, 过程如下:

$\begin{array}{l} H_{L} = [h_{l 1} h_{l 2} h_{l 3} h_{l 4} h_{l 5} h_{l 6} h_{l 7} h_{l 8}]^{T} (1) \\ H_{R} = [h_{r 1} h_{r 2} h_{r 3} h_{r 4} h_{r 5} h_{r 6} h_{r 7} h_{r 8}]^{T} (2) \\ {\bar{H}}_{R} = [h_{r 5} h_{r 4} h_{r 3} h_{r 2} h_{r 1} h_{r 6} h_{r 7} h_{r 8}]^{T} = \\ [{\bar{h}}_{r 1} {\bar{h}}_{r 2} {\bar{h}}_{r 3} {\bar{h}}_{r 4} {\bar{h}}_{r 5} {\bar{h}}_{r 6} {\bar{h}}_{r 7} {\bar{h}}_{r 8}]^{T} (3) \end{array}$

	Figure Option View Download New Window
	图2 通道变化范围Fig.2 Channel variation range

式中: $H_{L} 、 H_{R}$ 分别表示左、右侧HOG特征向量, ${\bar{H}}_{R}$ 表示调整后右侧HOG特征向量。

由图1得出 $H_{L} 与 {\bar{H}}_{R}$ 对称, 并由此计算出对称向量 $S_{1} 和 S_{2}$

$\begin{array}{l} S_{1} = [s_{11} s_{12} s_{13} s_{14} s_{15} s_{16} s_{17} s_{18}] (4) \\ S_{1 j} = \{\begin{array}{l} \frac{\frac{h_{li}}{\overset{8}{\sum_{k = 1}} h_{lk}}}{\frac{h_{rj}}{\overset{8}{\sum_{k = 1}} h_{rk}}}; & \frac{h_{li}}{\overset{8}{\sum_{k = 1}} h_{lk}} < \frac{h_{rj}}{\overset{8}{\sum_{k = 1}} h_{rk}} \\ \frac{\frac{h_{rj}}{\overset{8}{\sum_{k = 1}} h_{rk}}}{\frac{h_{lj}}{\overset{8}{\sum_{k = 1}} h_{lk}}}; & Other \end{array} (5) \end{array}$

式中: $S_{1 j}$ 表示图像中左右像素 $h_{ij}$ 与 ${\bar{h}}_{rj}$ 的对称关系。将 $S_{1}$ 和 $S_{2}$ 向量组合即能算出对称特征的对称向量。

1.2 对HOG称特征进行分层处理

为使HOG特征进一步适应环境的变化, 提高车型图像的检测率, 本文在对HOG特征做对称向量处理的基础上进行分层处理, 如图3所示。

	Figure Option View Download New Window
	图3 HOG对称特征的分层过程Fig.3 Hierarchy process of HOG symmetric feature

具体算法如下:

(1)将第1层HOG特征的32维向量做对称处理, 可得到16维对称向量。

(2)将灰度图像等分为4个单元, 每单元等分为8个Bin通道, 由此得到第1层的32维向量。

(3)将灰度图像分成9个块区域, 得到9× 32=288维向量。

(4)最后将所得向量串接得到336维分层HOG对称向量。

2 特征融合车型检测算法

虽然HOG特征可用来描述被检测物体的特征, 但在复杂环境及光照因素的影响下, 会使基于HOG特征的检测算法的检测率下降, 本文融合LBP(Local binary pattern)^{[11, 12]}特征来消除由于环境复杂和光照因素的影响导致采用HOG特征时检测率下降的缺点。为提高车型的检测率及检测速度, 提出了基于HOG+LBP多特征融合的车型检测算法, 该算法先通过PCA算法对HOG特征进行降维改进, 提高特征提取速度, 然后利用改进的HOG+ LBP特征提高检测精度。

2.1 LBP特征

LBP特征具有灰度、尺度、旋转等不变性, 因此对复杂背景和光照因素具有较好的鲁棒性, 被用来表示图像信息的特征描述算子。LBP特征值定义

$\begin{array}{l} LBP = \overset{n}{\sum_{i = 1}} S (I_{i} - I_{o}) \times 2^{i} (6) \\ S (x) = \{\begin{array}{l} 1, x \geq 0 \\ 0, x < 0 \end{array} (7) \end{array}$

具体计算过程如图4所示, 设3* 3窗口的中心像素点的灰度值为80, 且为阈值, 与其相邻的窗口像素点的灰度值若大于阈值则标记为1, 否则标记为0, 由此得到LBP的二进制编码00110010, 转换为十进制即得50。

	Figure Option View Download New Window
	图4 LBP特征值计算过程Fig.4 LBP eigenvalue calculation process

由于上述计算过程不能包含任意区域, 不能精确计算复杂背景的目标图像的特征值, 因此Ojala等^[12]提出任意邻域的思想, 并用圆形区域代替方形区域, 其计算过程如下:

设T为区域内各像素灰度值的联合分布:

$T = t (G_{1}, G_{2}, \dots, G_{k}) (8)$

式中:G_o为区域中心像素点的灰度值, 即阈值; G_k为与中心像素点相邻的k个取样点, 则G_k的坐标为:

$(x_{k}, y_{k}) = (x_{o} + R \cos (2 π k / h), y_{o} - R \sin (2 πk / h)) (9)$

式中:(x_o, y_o)为区域中心点坐标; R为邻域半径; h、k分别为采样点数量和序号。则式(9)变为:

$T = t (G_{1}, G_{2} - G_{o}, \dots, G_{k} - G_{o}) (10)$

假设G_o与(G_k-G_o)相互独立, 则式(10)变为:

$T = t (G_{o}) (G_{1} - G_{o}, \dots, G_{k} - G_{o}) (11)$

根据LBP特征值具有灰度不变性, 而t(G_o)仅表示亮度分布, 它与区域特征值不相关, 可忽略不计, 式(11)可简化为:

$T \approx t (G_{1} - G_{o}, \dots, G_{k} - G_{o}) (12)$

为满足LBP算子尺度不变特性, 本文忽略差值大小关注差值的正负属性, 则式(12)变为:

$T \approx t (S (G_{1} - G_{o}), \dots, S (G_{k} - G_{o})) (13)$

用LBP(x_o, y_o)表示以(x_o, y_o)为中心点邻域的纹理信息, 则有:

$\begin{array}{l} LBP (x_{o}, y_{o}) = \overset{k}{\sum_{k = 1}} S (G_{k} - G_{o}) 2^{k + 1} (14) \\ T \approx t (LBP (x_{o}, y_{o})) (15) \end{array}$

2.2 LBP特征提取

为提高抽取特征值的精度, 本文在HOG特征的基础上引入LBP特征, 其特征提取过程如图5所示。

	Figure Option View Download New Window
	图5 LBP特征提取过程Fig.5 LBP feature extraction process

2.3 PCA算法

在图像检测过程中, 采用原始特征空间的高维度进行模型训练会使计算复杂度大大增加, 导致样本的统计特性无法估计。因此需降低原始特征的维数。本文采用主成分分析(Principal component analysis, PCA)^[13]法实现特征提取, 以达到“ 约减维数” 的目的, 从而提高图像检测速度。

理想情况下, 样本x的特征空间没有冗余信息, 利用PCA算法可表示为:

$\begin{array}{l} y = M^{T} x (16) \\ 则, x = My = \overset{K}{\sum_{i = 1}} y_{i} m_{i} (17) \end{array}$

式中:M=(m₁, m₂, …, m_K)是R^K特征空间的一组基底, 对前k项的x进行估算, 得:

$\hat{x} = My = \overset{K}{\sum_{i = 1}} y_{i} m_{i} (18)$

由此产生的均方误差为:

$\begin{array}{l} φ = E [{(x - \hat{x})}^{T} (x - \hat{x})] = E [\overset{K}{\sum_{i = k + 1}} (y_{i}^{2})] = \\ \overset{K}{\sum_{i = k + 1}} {m^{T}}_{i} E (x \hat{x}) m_{i} = \overset{K}{\sum_{i = k + 1}} {m^{T}}_{i} S m_{i} (19) \end{array}$

根据Lagrange Multiplier算法, 在满足式(20)的条件下可得到均方误差极大值表达式(21):

$\begin{array}{l} (S - a_{i} I) m_{i} = 0 (20) \\ i = k + 1, k + 2, \dots, K \\ G = \overset{K}{\sum_{i = k + 1}} {m^{T}}_{i} S m_{i} - \overset{K}{\sum_{i = k + 1}} a_{i} ({m^{T}}_{i} m_{i} - 1) (21) \end{array}$

式中: $y_{i} = {m_{i}}^{T} x, i = 1, 2, \dots, K; S$ 为x的协方差矩阵; m_i为特征向量。

若用k个特征向量表示x, 则其均方误差为

$φ = \overset{K}{\sum_{i = k + 1}} a_{i} (22)$

式中:当 $a_{i}$ 的值越小, 对应的特征向量信息减损越少。

本文通过改进HOG特征并与LBP特征结合来对车型进行检测, 既提高了特征提取的速度, 又改善了特征检测的精度, 同时采用PCA法约减维数降低了分类器的复杂程度, 具体融合降维过程如图6所示。

	Figure Option View Download New Window
	图6 特征融合流程图Fig.6 Feature fusion flow chart

2.4 SVM模型训练

支持向量机^{[14, 15, 16, 17]}(Supper vector machine, SVM)是一种机器学习算法, 以统计学为基础, 使用最小化分类模型的结构风险和经验风险, 在样本量不多的情况下, 也能实现较好的分类效果。即SVM是通过在样本空间计算出一个最优的平面把不同的样本区分开, 如图7所示。由于SVM更适合于图像检测过程中的特征值分类, 因此本文选用SVM作为分类器。

	Figure Option View Download New Window
	图7 SVM分类示意图Fig.7 SVM classification schematic diagram

分类器常用的核函数包括:

$\begin{array}{l} K (x, y) = \tan (a (x, y) + b) (23) \\ K (x, y) = [(x, y) + 1] d (24) \\ K (x, y) = \exp (\frac{- | x - y |^{2}}{d^{2}}) (25) \\ K (x, y) = x, y (26) \end{array}$

SVM通过分类样本的学习训练, 而后达到完成分类的工作。如图8所示, $H$ 为分类面, $H_{1} 、 H_{2}$ 都平行于 $H, H_{1} 、 H_{2}$ 是通过各类样本且距 $H$ 最近点的超平面。若 $H$ 满足分类间隔最大, 则 $H$ 为最优分类面。间隔越远, 该分类器的推广能力就越强。

	Figure Option View Download New Window
	图8 最优分类面示意图Fig.8 Optimal classification plane schematic diagram

设训练样本集为S, 则

$\begin{array}{l} S = {(x_{1}, y_{1}), (x_{2}, y_{2}), \dots, (x_{n}, y_{n})} \\ y_{i} \in {- 1, 1} (27) \end{array}$

最优分割平面方程定义为:

$w^{T} x + b = 0 (28)$

由SVM的定义, 若样本线性可分, 则需满足:

$y_{i} (w^{T} x_{i} + b) \geq 1 (29)$

分隔间隔表示为:

$δ_{jiange} = y_{i} (w^{T} x_{i} + b) (30)$

式中:y_i表示所属类别, 取值范围为[-1, 1]; x_i是针对样本的特征向量。

分类器用于分类的函数简写为:

$f (x) = wx + b (31)$

设阈值为0, 由于样本所在类已确定, 则有wx+b> 0, y_i> 0, 所以f(x_i)> 0; 反之, 有wx+b< 0, y_i< 0, 同样f(x_i)> 0。则有y_i(wx_i+b) > 0始终成立, 用|f(x_i)|表示, 说明几何间隔可用分类间隔表示:

$δ_{jihejiange} = | f (x) | / ‖ w ‖ (32)$

对分类间隔进行调整后, 得到最优分类面, 如图8所示。

图8中, $H_{1} 、 H_{2}$ 两个分类面之间距离即是式(32)中所定义的几何间隔。

当样本发生错误分类时, 错误分类的次数T为:

$T \leq {(\frac{2 R}{δ})}^{2} (33)$

式中:R=‖ x_i‖ , i=1, 2, …, n, x_i为第i个样本的特征向量。

特征向量大小的最大值R即为‖ x_i‖ 中的最大值。由式(33)得:错误分类次数与几何间隔为反比关系。为减少错误分类的次数, 就要求有较大的几何间隔, 故而, 将任务调整为:

$\{\begin{array}{l} \min f (w, b) = \frac{1}{2} ‖ w ‖^{2} \\ s.t. y_{i} (w^{T} x + b) - 1 \geq 0 \end{array} (34)$

此类问题的求解可通过拉格朗日方法解决。利用拉格朗日乘子法, 构造拉格朗日函数为:

$\begin{array}{l} L (w, b, a) = \\ \frac{1}{2} ‖ w ‖^{2} - \overset{n}{\sum_{i = 1}} a_{i} [y_{i} (w^{T} x_{i} + b) - 1] (35) \end{array}$

式中:a_i为拉格朗日因子, 分别对w、b求解偏导数:

$\{\begin{array}{l} \frac{\partial L}{\partial w} = 0 \Rightarrow w = \overset{n}{\sum_{i = 1}} a_{i} y_{i} x_{i} \\ \frac{\partial L}{\partial b} = 0 \Rightarrow w = \overset{n}{\sum_{i = 1}} a_{i} y_{i} \end{array} (36)$

将式(36)的结果代回式(35), 得:

$L (w, b, a) = \frac{1}{2} \overset{n}{\sum_{i = 1}} a_{i} - \frac{1}{2} \overset{n}{\sum_{i, j = 1}} a_{i} a_{j} y_{i} y_{j} {x^{T}}_{i} x_{j} (37)$

对式(37)进行最值求解, 结果即为所需的目标函数。

3 仿真实验对比及分析

3.1 检测率对比及分析

实验的车辆图像采用UIUC大学车型识别图库, 训练样本数为2218, 其中负样本数为986, 使用SVM分别在HOG特征、LBP特征和融合改进的HOG+LBP特征3种不同特征条件下, 每次任意选取1000幅图像进行测试, 仿真实验结果如表1所示。

表1 车型检测实验结果 Table 1 Model identification experimental results %

从仿真实验结果来看, 在车型检测的3个算法当中, 采用融合改进的HOG+LBP特征后的新特征的准确率最高, 达到了95.6%, 平均准确率达到94.58%。基于HOG特征方法的准确率最高达到86.4%, 平均检测率达到86.4%。基于LBP特征准确率最高达到76.6%, 平均准确率达到74.96%。以上实验数据表明, 本文提出的特征融合算法更能精确描述图像中的车型信息。

3.2 检测时间对比及分析

对于3种方法的检测时间的优劣, 本文在分辨率大小不同的正负样本中每次任意选取1000幅图片用于测试(检测时间单位是s), 结果如图9和图10所示。

	Figure Option View Download New Window
	图9 正样本检测时间对比图Fig.9 Time contrast diagram of positive sample detection

	Figure Option View Download New Window
	图10 负样本检测时间对比图Fig.10 Time contrast diagram of negative sample detection

从检测时间对比图来看, 在图像分辨率不同的条件下, 本文提出的检测方法所用的时间最短, 图像分辨率的值越高, 检测时间的差距就越大。

4 结束语

本文根据智能交通系统中车辆检测精度高、速度快的要求, 提出了基于改进HOG特征并融合LBP特征的车型检测方法, 在车型检测过程中, 根据车型所关联的外部轮廓特征, 对HOG特征算法进行改进并融合LBP特征提取, 最后结合支持向量机进行分类检测。经过仿真实验测试, 结果表明, 本文所提出的车型检测算法具有较高的检测率, 并且对光线、部分遮挡噪声有较强的抗干扰性。从需求使用上来看, 是现实可用、低投入高效率的应用方法; 从技术使用上来看, 是传统与现代相结合的有意义的尝试。

The authors have declared that no competing interests exist.

参考文献

文献列表

[1]	He H, Mao C Q, Pan H Y, et al. Vehicle detection system based on magnetoresistive sensor[J]. App- lied Mechanics & Materials, 2015, 743: 277-280. [本文引用:1]
[2]	Wang P, Li X, Lv Z, et al. Vehicle outline detect- ion based on improved SIFT algorithm[J]. Intern- ational Journal of Earth Sciences & Engineering, 2015, 8(1): 396-400. [本文引用:1]
[3]	Mu K, Hui F, Zhao X, et al. Multiple vehicle de- tection and tracking in highway traffic surveyance video based on SIFT feature matching[J]. Journal of Information Processing Systems, 2016, 12(2): 183-195. [本文引用:1]
[4]	Abadi E A J, Amiri S A, Goharimanesh M, et al. Vehicle model recognition based on using image processing and wavelet analysis[J]. International Journal on Smart Sensing & Intelligent Systems, 2015, 29(9): 156-161. [本文引用:1]
[5]	Song M. Vehicle model recognition based on SURF[J]. Journal of Information & Computational Science, 2015, 12(17): 6249-6256. [本文引用:1]
[6]	魏小鹏, 于万波, 金一粟. 奇异值方法用于汽车车型识别[J]. 中国图象图形学报, 2003, 8(1): 50-53. Wei Xiao-peng, Yu Wan-bo, Jin Yi-su, et al. Car shape recognition based on matrix singular value[J]. Journal of Image & Graphics, 2003, 8(1): 50-53. [本文引用:1]
[7]	He D, Lang C, Zhang C, et al. Vehicle detection and classification based on convolutional neural network[C]∥ACM International Conference on Internet Multimedia Computing and Service, New York, 2015: 3-8. [本文引用:1]
[8]	Hsieh J W, Chen L C, Chen D Y, et al. Symmetrical SURF and its applications to vehicle detect- ion and vehicle make and model recognition[J]. Transactions on Intelligent Transportation Systems, IEEE, 2014, 15(1): 6-20. [本文引用:1]
[9]	Mejia-Inigo R, Barilla-Perez M E, Montes-Ven- egas H A, et al. Color-based texture image seg- mentation for vehicle detection[C]∥IEEE International Conference on Electrical Engineering, Computing Science and Automatic Control, cce. New York, 2011: 1-6. [本文引用:1]
[10]	王丹, 张祥合. 基于HOG和SVM的人体行为仿生识别方法[J]. 吉林大学学报: 工学版, 2013, 43(增刊1): 489-492. Wang Dan, Zhang Xiang-he. Biomimetic recognition method of human behavior based on HOG and SVM[J]. Journal of Jilin University(Engineering and Technology Edition), 2013, 43(Sup. 1): 489-492. [本文引用:1]
[11]	李宗民, 公绪超, 刘玉杰, 等. 多特征联合建模的视频对象分割技术研究[J]. 计算机学报, 2013, 36(11): 2356-2363. Li Zong-min, Gong Xu-chao, Liu Yu-jie, et al. Video object segmentation research based on features joint modeling[J]. Chinse Journal of Computers, 2013, 36(11): 2356-2363. [本文引用:1]
[12]	王莹, 李文辉, 傅博, 等. 基于水平分量优先原则的RDW-LBP人脸识别算法[J]. 吉林大学学报: 工学版, 2011, 41(3): 750-757. Wang Ying, Li Wen-hui, Fu Bo, et al. Face recognition algorithm using RDW-LBP based on horizontal component prior principle[J]. Journal of Jilin University(Engineering and Technology Edition), 2011, 41(3): 750-757. [本文引用:2]
[13]	于海琦, 刘真, 田全慧, 等. 一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型[J]. 液晶与显示, 2016, 31(2): 201-207. Yu Hai-qi, Liu Zhen, Tian Quan-hui, et al. Spectral characterization model of liquid crystal display based on GA-BP neural network and PCA[J]. Chinese Journal of Liquid Crystals and Displays, 2016, 31(2): 201-207. [本文引用:1]
[14]	黄璇, 郭立红, 李姜, 等. 磷虾群算法优化支持向量机的威胁估计[J]. 光学精密工程, 2016, 24(6): 1448-1454. Huang Xuan, Guo Li-hong, Li Jiang, et al. Threat assessment of SVM optimized by Krill Herd algorithm[J]. Opt Precision Eng, 2016, 24(6): 1448-1454. [本文引用:1]
[15]	林琳, 陈虹, 陈建, 等. 基于多核SVM-GMM的短语音说话人识别[J]. 吉林大学学报: 工学版, 2013, 43(2): 504-509. Lin Lin, Chen Hong, Chen Jian, et al. Speaker recognition with short utterances based on multiple kernel SVM-GMM[J]. Journal of Jilin University(Engineering and Technology Edition), 2013, 43(2): 504-509. [本文引用:1]
[16]	孙轶轩, 邵春福, 岳昊, 等. 基于SVM灵敏度的城市交通事故严重程度影响因素分析[J]. 吉林大学学报: 工学版, 2014, 44(5): 1315-1320. Sun Yi-xuan, Shao Chun-fu, Yue Hao, et al. Urban traffic accident severity analysis based on sensitivity analysis of SVM[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(5): 1315-1320. [本文引用:1]
[17]	代琨, 于宏毅, 仇文博, 等. 基于SVM的网络数据无监督特征选择算法[J]. 吉林大学学报: 工学版, 2015, 45(2): 576-582. Dai Kun, Yu Hong-yi, Qiu Wen-bo, et al. Unsupervised feature selection algorithm based on support vector machine for network data[J]. Journal of Jilin University(Engineering and Technology Edition), 2015, 45(2): 576-582. [本文引用:1]

2015

0.0

... 目前,常用的汽车车型检测方法有:基于地磁感应器的车型检测^[1]、基于SIFT特征的车型检测^[2,3]、基于小波分析的车型检测^[4]、基于特征点的车型检测^[5]、奇异值方法用于汽车车型检测^[6]、基于神经网络的汽车车型检测^[7]、基于模式匹配算法的车型检测^[8]以及基于纹理特征的汽车车型检测^[9] ...

2015

0.0

2016

0.0

2015

0.0

2015

0.0

2003

0.0

. 2003, 8(1):50-53

Car shape recognition based on matrix singular value

奇异值方法用于汽车车型识别

Wei Xiao-peng , Yu Wan-bo , Jin Yi-su

魏小鹏, 于万波, 金一粟

2015

0.0

2014

0.0

2011

0.0

2013

0.0

. 2013, 43(增刊1):489-492

Biomimetic recognition method of human behavior based on HOG and SVM

基于HOG和SVM的人体行为仿生识别方法

Wang Dan , Zhang Xiang-he

王丹, 张祥合

... 1 HOG特征对称处理梯度方向直方图(Histogram of oriented gradient,HOG)^[10]特征算子经常被用在模式检测与图像处理领域,通过用梯度的方向密度分布对目标物体的外形进行精确的描述,来实现对被检测图像中的目标物体特征向量的提取 ...

2013

0.0

. 2013, 36(11):2356-2363

Video object segmentation research based on features joint modeling

多特征联合建模的视频对象分割技术研究

Li Zong-min , Gong Xu-chao , Liu Yu-jie

李宗民, 公绪超, 刘玉杰

... 2 特征融合车型检测算法虽然HOG特征可用来描述被检测物体的特征,但在复杂环境及光照因素的影响下,会使基于HOG特征的检测算法的检测率下降,本文融合LBP(Local binary pattern)^[11,12]特征来消除由于环境复杂和光照因素的影响导致采用HOG特征时检测率下降的缺点 ...

2011

0.0

. 2011, 41(3):750-757

Face recognition algorithm using RDW-LBP based on horizontal component prior principle

基于水平分量优先原则的RDW-LBP人脸识别算法

Wang Ying , Li Wen-hui , Fu Bo

王莹, 李文辉, 傅博

摘　要：首先分析了人脸图像不同的方向性细节对识别率的影响，提出了水平分量优先原则。结合该原则提出了一种基于多尺度区域性方向性加权的规范型二元局部纹理描述算子RDW—LBP的鲁棒人脸识别算法。算法通过多尺度Haar小波分解，提取多级尺度分量和含有最多有效识别细节的一级水平细节分量，组成待分析系数子图矩阵M。计算矩阵M的RDW-LBP纹理特征图谱，结合子区域剖分，连接子区域特征共同组成人脸图像特征向量，最后使用基于Chi-Square距离的分类器进行识别。

... 由于上述计算过程不能包含任意区域,不能精确计算复杂背景的目标图像的特征值,因此Ojala等^[12]提出任意邻域的思想,并用圆形区域代替方形区域,其计算过程如下: ...

2016

0.0

. 2016, 31(2):201-207

Spectral characterization model of liquid crystal display based on GA-BP neural network and PCA

一种基于GA-BP神经网络结合PCA的LCD显示器光谱特征化模型

Yu Hai-qi , Liu Zhen , Tian Quan-hui

于海琦, 刘真, 田全慧

... 本文采用主成分分析(Principal component analysis,PCA)^[13]法实现特征提取,以达到#cod#x0201c ...

2016

0.0

. 2016, 24(6):1448-1454 DOI:doi:10.3788/OPE.20162406.1448

Threat assessment of SVM optimized by Krill Herd algorithm

磷虾群算法优化支持向量机的威胁估计

Huang Xuan , Guo Li-hong , Li Jiang

黄璇, 郭立红, 李姜

摘　要：为提高目标威胁估计的预测精度,在传统支持向量机优化方法的基础上,提出了采用磷虾群算法优化支持向量机的威胁估计方法。介绍了磷虾群算法和支持向量机的原理,并基于此采用磷虾群算法对支持向量机中的惩罚参数和核函数参数进行优化,寻找最优的惩罚参数和核函数参数;建立磷虾群优化支持向量机的目标威胁估计模型,并实现基于该模型的目标威胁估计算法。采集90组原始数据组成训练集、30组数据组成测试集,对该目标威胁估计算法进行仿真实验。实验结果显示,磷虾群算法优化支持向量机的预测误差为0.002 91,小于采用粒子群算法或萤火虫算法优化的支持向量机。结果表明,磷虾群优化支持向量机的目标威胁估计方法可以有效地完成目标威胁估计。

... 4 SVM模型训练支持向量机^{[14,15,16,17]}(Supper vector machine,SVM)是一种机器学习算法,以统计学为基础,使用最小化分类模型的结构风险和经验风险,在样本量不多的情况下,也能实现较好的分类效果 ...

2013

0.0

. 2013, 43(2):504-509

Speaker recognition with short utterances based on multiple kernel SVM-GMM

基于多核SVM-GMM的短语音说话人识别

Lin Lin , Chen Hong , Chen Jian

林琳, 陈虹, 陈建

A linear combination of several kernels is used to construct multiple kernel space. In multiple kernel space, Support Vector Machine (SVM) classifiers are designed to identify speakers with short utterances. Multiple kernel mapping can solve the problem of single kernel mapping, such as the selection of kernel function and parameters. Besides, multiple kernel mapping can increase discriminative power among different speakers and improve the performance of classifiers. In simulation experiment, Gaussian Mixture Model (GMM) was used to get GMM supervector as speakers' final feature parameters. Experiment results show that under the condition of short utterances and two noisy environments, the performance and robustness of the multiple SVM-GMM speaker recognition algorithm are better than that of SVM-GMM algorithm.

运用多个核函数的线性组合构造多核空间,在多核空间上设计了基于支持向量机的说话人分类器,实现短语音说话人识别。多核映射能够解决单核映射核函数及其参数选择的难题,增加说话人的可区分性,提高分类器的性能。算法中结合了高斯混合模型(GMM),并以GMM超向量作为说话人的最终特征参数进行仿真实验。实验表明,在短语音和两种噪声环境中,基于多核SVM-GMM的短语音说话人识别算法较SVM-GMM算法能得到更好的识别性能和鲁棒性。

2014

0.0

. 2014, 44(5):1315-1320 DOI:doi:10.7964/jdxbgxb201405015

Urban traffic accident severity analysis based on sensitivity analysis of SVM

基于SVM灵敏度的城市交通事故严重程度影响因素分析

Sun Yi-xuan , Shao Chun-fu , Yue Hao

孙轶轩, 邵春福, 岳昊

摘　要：基于某中小城市4881起交通事故现场数据,构建了基于＂道路交通事故信息系统＂事故数据的特征变量集;以一般事故、严重事故作为二分类标签,建立事故严重程度支持向量机（SVM）分类识别模型,并分别通过网格搜索法、遗传算法进行模型核参数寻优;最后,通过单因素局部灵敏度分析方法,研究各个特征变量对模型测试集分类精度的影响,进一步确定事故严重程度的核心影响因素。结果表明：SVM模型在训练集和测试集上的分类精度均在80%左右,表现出良好的分类识别效果和泛化能力;事故属性、车辆属性中有8个特征变量,显著影响SVM模型的分类精度。

2015

0.0

. 2015, 45(2):576-582 DOI:doi:10.13229/j.cnki.jdxbgxb201502035

Unsupervised feature selection algorithm based on support vector machine for network data

基于SVM的网络数据无监督特征选择算法

Dai Kun , Yu Hong-yi , Qiu Wen-bo

代琨, 于宏毅, 仇文博

摘　要：面向线性不可分的未知格式网络数据,提出了一种基于支持向量机的无监督特征选择算法。该算法通过非线性映射函数将不可分的网络数据映射到高维空间中,然后在高维空间中进行无监督的特征选择。该算法在特征选择之前不需要人工构造候选特征集合,直接从原始网络数据中自动地选择关键特征。利用人工数据集和网络数据集进行的实验结果表明：本文算法在特征选择可行性和有效性方面都有良好的表现。