基于BP神经网络与D-S证据理论的车辆识别模型设计

樊晓宇 (安徽科技学院机电与车辆工程学院，安徽 凤阳 233100)

基于BP神经网络与D-S证据理论的车辆识别模型设计

樊晓宇 (安徽科技学院机电与车辆工程学院，安徽 凤阳 233100)

为了提高车辆识别的准确性，采用BP神经网络与D-S证据理论的车辆识别模型对多源信息中的目标车辆进行信息识别。研究结果表明，采用基于BP神经网络与D-S证据理论的车辆识别模型可以使车辆识别的不确定性基本概率赋值下降到0.001，较好地解决了只用单一传感器进行车辆识别时存在的准确性和稳定性差的问题。

多传感器信息融合技术；车辆识别；BP神经网络；D-S证据理论

多传感器信息融合技术是指对多个传感器的信息进行综合处理，从而获得更为精确、可靠的信息[1-2]。目前，在车辆识别模型中常利用多传感器信息融合技术将各个传感器提供的信息融合,这样可以弥补单个传感器的局限性。由于D-S(Dempster-Shafe)证据理论具有无需先验概率、推理形式简单等优点，而BP神经网络具有很强的非线性泛化和映射能力[3]，为了提高车辆识别模型识别车辆的准确性，笔者基于BP神经网络与D-S证据理论对车辆识别模型进行了设计❶安徽科技学院青年基金项目(ZRC2013339)。。

1 D-S证据理论与BP神经网络

1.1D-S证据理论

D-S证据理论的证据合成规则可以为不确定信息的合成提供依据，其具体内容如下：设BL1和BL2是同一识别框架Ψ上的2个信任函数，其基本概率分配分别为m1和m2，相应的焦元分别为A1、A2、…、Ak和B1、B2、…、Br，K为冲突因子，其反映证据间冲突程度的大小,令:

(1)

式中，φ表示空集；i=1,2,…,k，j=1,2,…,r。融合后的基本概率赋值为：

(2)

若K=1，m1和m2完全冲突，无法组合基本概率赋值；若K≠1，m确定一个基本概率赋值。该规则的合成结果反映了同一识别框架中几个不同证据间的联合支持程度。

设n个传感器，每个传感器有r个测量周期，识别框架中有意义的识别有k个(A1,A2,…,Ak)，每个传感器在各自测量周期的后验基本概率数为msj(Ai)，i=1,2,…,k；j=1,2,…,r；s=1,2,…,n；msj(Ai)表示第s个传感器在第j个测量周期对Ai的后验可信任度分配。运用多传感器信息融合技术的具体步骤如下：①计算每一个周期所有传感器的各个融合的后验可信任度分配；②基于可信任度分配计算总的融合后验可信任度分配；③根据具体应用，用D-S证据理论组合后进行决策。设A1,A2∈Ψ，若满足m(A1)=max{m(Ai),Ai∈Ψ},m(A2)=max{m(Ai),Ai∈Ψ,Ai≠A1}时：

(3)

则A1为判决结果，其中E1、E2分别为预先设定的阈值。

1.2BP神经网络

BP神经网络是基于误差反向传播并对连接权进行学习的多层前向神经网络，其具有很强的非线性泛化和映射能力。通常情况下，BP神经网络由一个输入层、多个隐含层和一个输出层构成，各层之间由传递信息的连接权连接。

图1 车辆识别模型架构图

在实际车辆信息识别应用中，BP神经网络工作过程如下[4]：由样本选取信息从输入层经隐含层逐层计算各单元的输出值并传向输出层；若输出层没得到期望的输出值，则将误差沿原连接通道反向传播并修改各层神经元的连接权值，达到期望目标。

2 车辆识别模型架构

BP神经网络与D-S证据理论的车辆识别模型架构图如图1所示。在该车辆识别模型中具有2个采集器，即车辆图像采集器和车牌采集器。车辆图像采集器所采集的信息通过图像处理模块进行图像特征值的提取，从而获得到图像特征的变量因子。车辆车牌采集器所采集的信息通过提取车牌特征值来获得车牌特征的变量因子。对图像和车牌特征的变量因子筛选后经由数据采集卡送入计算机进行运算， 即可得到车辆综合识别结果，包括车辆的车主姓名等综合信息。

3 基本可信度的确定

基于BP神经网络与D-S证据理论的车辆识别模型的设计过程中，目标车辆车主等综合信息应具有最大的可信度，该可信度值与其他类别可信度值的差须大于预先设定的阈值E，并且该可信度值经变换后得到的检测值须处在不确定性区间的长度内。在D-S证据理论的约束下，车辆车主等综合信息识别的基本可信度分配方法是：在车辆识别模型中，存在一个待识别信息的目标车辆，用信号特征提取技术[5]从目标车辆中提取出能反映目标车辆图像和车牌特征的若干特征参数，再将上述参数送入BP神经网络的输入层。在车辆识别模型中车辆图像采集器和车辆车牌采集器所采集到的数据经过图像和数字信号处理后，提取出车辆的图像特征和车牌数字特征向量。在该车辆识别模型中，BP神经网络的网络结构包括2个输入端和1个输出端。这样，只要通过提供足够多的车辆样本模式供BP神经网络进行学习，便能完成由二维输入空间到三维输出空间的非线性映射。在车辆识别模型中，车辆图像采集器和车辆车牌采集器每采集一次目标车辆的信息，经过图像和数字信号处理便可得到车辆图像和车牌的特征向量，将得到的图像和车牌的特征向量作为BP神经网络的输入，经过BP神经网络的运算能得到2个数值矩阵。最后，把上述数值矩阵经过归一化处理，分别作为车辆图像采集器和车辆车牌采集器的基本可信度分配。

4 试验结果分析

为了验证基于BP神经网络与D-S证据理论的车辆识别模型的准确性，假设1的车主是F1，2的车主是F2，3的车主是F3，4的车主是F4， 车辆识别框架为Ψ={1,2,3,4}。车辆识别模型中采用车辆图像采集器和车辆车牌采集器。

利用BP神经网络分别对车辆识别模型中车辆图像采集器和车辆车牌采集器检测出的结果进行基本可信度的分配。首先，利用参考指标中比较有代表性的车辆样本数据对BP神经网络进行训练。当训练到100次左右时训练停止，BP神经网络的训练精度为10-5，达到了事先设定的目标误差要求。将车辆识别模型中第一次车辆图像采集器和车辆车牌采集器所采集到的图像和车牌数据输入到BP神经网络，在输出端获得车辆图像采集器的基本可信度分配的概率Pi(i=1,2,3,4)，P1、P2、P3和P4分别表示识别样本车辆的车主可能为F1、F2、F3或F4的概率，其值分别为0.181、0.401、0.216、0.191。Wq(q=1,2)表示模拟不确定的概率(在实际生活中可看作是使用假车牌的车辆)，且W1为0.12。同时，在BP神经网络输出端得到车辆车牌采集器的基本可信度分配的概率Pj(j=1,2,3,4)分别为0.202、0.158、0.299、0.171，W2为0.104。按D-S证据理论，对车辆图像采集器和车辆车牌采集器融合所得到目标车辆识别的概率值为：

同理算得：P2=0.107,P3=0.091,P4=0.055。若χij表示发生冲突的概率，则χij=PiPj。可得χ12=0.029,χ13=0.054,χ14=0.031,χ21=0.081,χ23=0.12,χ24=0.069,χ31=0.044,χ32=0.034,χ34=0.037,χ41=0.039,χ42=0.03,χ43=0.057。若车辆图像采集器和车辆车牌采集器的证据冲突因子为K，融合后的基本概率值为m(P1)、m(P2)、m(P3)和m(P4)。由式(1)算得冲突因子K=χ12+χ13+χ14+χ21+χ23+χ24+χ31+χ32+χ34+χ41+χ42+χ43=0.625。由式(2)算得2个采集器证据融合后对目标识别车辆的基本概率赋值如下：m(P1)=0.155；m(P2)=0.285；m(P3)=0.243；m(P4)=0.147；m(W)=0.001。可见，不确定性基本概率赋值W下降到0.001。同时，基本概率赋值m(P2) 最大，最终目标识别车辆的决策结果为P2，即目标识别车辆的车主是F2。这个结果与只用一个图像采集器的车辆识别

图2 100辆车辆识别试验结果比较图

结果一致，而与只用一个车牌采集器结果不一致，说明经过BP神经网络与D-S证据理论的车辆识别模型在车辆识别的准确性和稳定性方面比只用一个采集器的车辆识别有改进。结果表明，该车辆识别模型的输出误差在允许的范围之内，提高了车辆识别的准确性。

利用车辆识别模型进一步对100辆不同类型和车牌车辆的车主进行识别，并与只用图像采集器或车牌采集器的车辆识别方式进行比较(见图2)。从图2可以看出，采用基于BP神经网络与D-S证据理论的车辆识别模型对100 辆不同类型和车牌车辆的车主进行10次识别的准确度平均值为96，而只用图像采集器和只用车牌采集器进行车辆识别的准确度平均值分别为85和68，说明前者车辆识别准确性更高。

5 结 语

采用基于BP神经网络与D-S证据理论的车辆识别模型应用于车辆识别，既利用了BP神经网络的自适应能力，又利用了D-S证据理论对不精确信息的推理能力。研究表明，利用车辆识别模型对不同采集器检测的同一目标车辆数据进行信息融合识别，提高了目标车辆的识别精度，较好地解决了只用单一传感器进行车辆识别时存在的准确性和稳定性差的问题。因此，基于BP神经网络与D-S证据理论的车辆识别模型具有可行性。

[1]康耀红.数据融合理论与应用[M].西安：西安电子科技大学出版社，1997.

[2]Lawrence A K.多传感器数据融合理论及应用[M].北京：北京理工大学出版社，2004.

[3]高隽.人工神经网络原理及仿真实例[M].北京，机械工业出版社，2005：50-88.

[4]闻新，周露，李翔，等.Matlab神经网络仿真与应用[M].北京:科学出版社，2003.

[5]张永怀，刘君华.采用BP神经网络及其改进算法改善传感器特性[J].传感技术学报，2002，9：185-188.

[编辑] 李启栋

TP212

A

1673-1409(2013)25-0094-03

2013-06-12

樊晓宇(1981-)，男，助教，博士生，现主要从事通信、传感系统优化设计，信号与信息处理方面的教学与研究工作。