汽车防撞安全数据的核Fisher分类研究

申颖颖，秦丽娟,任金玉

(沈阳理工大学1.信息科学与工程学院；2.机械工程学院，沈阳 110159 )



汽车防撞安全数据的核Fisher分类研究

申颖颖1，秦丽娟1,任金玉2

(沈阳理工大学1.信息科学与工程学院；2.机械工程学院，沈阳 110159 )

摘要：行驶的车辆之间保持安全的距离可以有效减少交通事故，所以对汽车在一定速度行驶中的数据进行安全等级分类有很大的必要性。依据核Fisher判别分析方法对汽车安全数据进行分类，通过对判别指标的选取、数据预处理、核Fisher方法的Matlab仿真实现，与SVM、BP神经网络方法进行比较有明显的优势，实现了较高的准确率，为汽车安全数据的分类提供了一种新的方法。

关键词：汽车安全；核Fisher判别分析；分类

汽车安全行驶是人们关注的问题，专家对汽车交通事故的分析结果表明[1]，在所发生的交通事故中，驾驶员由于反应不及时，处理不正确所造成的占80%，其中汽车追尾造成碰撞的占65%，如果能提前1秒意识到交通事故的发生，采取正确措施能有效减少事故发生。为了辅助驾驶员及时了解自己的行驶安全状况，将数据进行分类，及时提供给驾驶员信息，有效保证汽车的安全行驶。

模式分类是一种监督学习的方法，可用于模式分类的方法有很多，例如Fisher判据，贝叶斯分类和近邻法等是经典的分类方法，人工神经网络模式识别、支持向量机和基于核的分类方法等是现代的分类方法。朴素贝叶斯方法、K近邻方法等的分类能力在一些小数据集上比BP神经网络这样的复杂的分类方法更好，而SVM、BP这样的方法适合一些大数据集的分类[2]。而核Fisher方法在处理汽车防撞安全数据的分类中比SVM、BP方法显示出了更好的优势。本文采用核Fisher方法对汽车防撞安全数据进行分类。

1判别指标的选取

《中华人民共和国高速公路交通管理办法》第十五条规定：机动车在高速公路上正常行驶时，同一车道的后车与前车必须保持足够的行车间距。正常情况下，当速度为每小时一百公里时，行车间距为一百米以上；当速度为每小时七十公里时，行车间距为七十米以上。遇雪、雨、大风、雾天或者路面结冰时，应该减速行驶。

在环境确定而且某一个行驶速度下，汽车能够安全行驶，重要的是保持安全距离。这个安全距离由纵向安全距离、侧向安全距离和地面状况的安全距离组成[3]。而保持与地面的安全距离是防止路面出现不平整，例如深坑等其他因素影响汽车安全行驶。以汽车为原点，汽车行驶方向为Y轴正方向，右侧向距离为X轴正方向，与地面距离为Z轴负方向建立三维坐标系，测试与本车最近距离的车或其他障碍物的坐标，用核Fisher判别方法将数据分成三类：安全、良好、危险。

两车安全距离的理想情况最小可以为0，但国内外的资料一般显示为2～5m[4],所以在X轴和Y轴的度量上，将0～2m规定为危险，2～4m规定为良好，4m以上规定为安全。Z轴数据是车行驶过程中车正下方或斜下方较近距离范围内的路面的探测数据，规定0～0.1m为安全，大于0.1m规定为危险。

当最近距离的车辆或障碍物在X轴或Y轴距离足够远时，车辆是安全的，距离适中时状况为良好，当X轴和Y轴数据均小于2m时状况是危险，Z轴所探测路面状况为辅助判断。三维方向上的安全距离是汽车防撞安全系统的新的研究方向[3]。

2Fisher判别方法

2.1理论基础

Fisher判别涉及维数压缩问题。若把多维特征空间的点投影到某一条直线上，特征空间被压缩成一维，这在数学上很容易实现。但是在高维空间里很容易区分开的样品投影到任意一条直线上，可能不同类别的样品就混在一起使其无法区分。将数据投影在某一方向，使组间距离最大，组内距离最小，从而实现数据分类，是Fisher的基本思想。

Fisher方法所要解决的基本问题就是根据实际情况找到一条最好的且最易于分类的投影线。但Fisher线性判别过于简单，一般不能满足处理非线性数据的要求，所以采用核Fisher方法。

基于核的Fisher判别分析方法常用的方法是采用非线性投影，使投影后的数据线性可分。核Fisher判别分析时，首先使数据非线性地映射到某一个特征空间，之后在此空间中进行Fisher判别，隐含地完成了原输入空间的非线性判别[5-7]。

2.2核Fisher算法

汽车安全数据的分类是个三分类问题，首先实现两分类，返回最接近待测样本的类别，然后用返回的类别和新类别做两类分类，最后可得未知样本的类别[8]。

两类基于核的Fisher算法步骤如下：

(6)求阈值点y0。对于核Fisher线性判别法分界阈值点可选为

(7)对于特定样本X，求它的投影点。

(8)根据决策规则分类。投影点y>y0，则x属于ω1。y

根据以上步骤用Matlab实现汽车防撞安全数据的分类。

3实验数据和Matlab实验结果

数据预处理：所测数据为车前、后、左、右、下方向的数据，有正负，但分类结果与数据的正负无关，与数据的绝对值大小有关，所以把所有数据取绝对值，利于Matlab编程实现。

目前为止，核Fisher核函数的选择和参数的确定是解决分类问题的关键和难点而且理论方面的指导不多。经过多次实验，高斯径向基核函数的参数σ选为1，可以使此数据的分类效果很好。

图1　在第一、二类数据下的投影点

训练样本有56组，待测试数据有12组。由于是三分类问题，测试数据依次与第一类和第二类，第一类和第三类，第二类和第三类分别做二分类。它们的阈值点对应分别为3.7807、18.0807、1.8162，待测数据的投影点图分别为图1、图2、图3。由判别依据进行分类，大于阈值点的分为前一类，小于阈值点分为后一类，出现的分类标号次数最多的为最终分类结果。表1是核Fisher方法对汽车防撞安全数据的分类结果。图4为核Fisher方法在Matlab上实现的仿真图。

图2　在第一、三类数据下的投影点

图3　在第二、三类数据下的投影点

图4　核Fisher汽车防撞安全数据的分类

编号X轴Y轴Z轴原类别核FisherSVMBP120.20ⅠⅠⅠⅠ20.520.01ⅠⅠⅠⅠ30.40.10.15ⅠⅠⅠⅠ40.50.30ⅠⅠⅠⅠ50.530ⅡⅡⅡⅡ630.60.08ⅡⅡⅡⅡ*70.52.10.05ⅡⅡⅠⅠ81.23.50ⅡⅡⅡⅡ90.84.20ⅢⅢⅢⅢ101.24.20ⅢⅢⅢⅢ11150ⅢⅢⅢⅢ124.11.50ⅢⅢⅢⅢ准确率/%10091.666791.6667

说明：*表示为预测错误的数据；Ⅰ代表汽车行驶状况“危险”；Ⅱ代表“良好”；Ⅲ代表“安全”。

4判别分析

由表1可以得出，核Fisher、SVM、BP神经网络都实现了较高的准确率，但核Fisher分类方法比SVM、BP神经网络方法分类的精确性更高。SVM也是针对线性不可分的情况提出的算法，通过低维到高维的映射使其线性可分，但SVM一般只能用在二类问题，对于多类问题汽车安全数据的分类结果中没有核Fisher效果好。虽然BP神经网络在分类领域也得到广泛应用，但BP算法不足之处在于容易陷入局部最优，而且有初始权重敏感性等局限，在汽车防撞安全数据的分类中，没有核Fisher的分类结果精确。

核Fisher方法很好地解决了汽车防撞安全数据的分类，第七组实验数据Y轴数据2.1与判别标准2很接近，核Fisher判别方法也能精确地将其分到正确的一类。由实验数据的分类结果得出，核Fisher方法对安全数据的分类有很高的准确率。核Fisher运用了非线性映射，且非线性映射一般是复杂的，因此提高了非线性数据的处理能力。

5结论

(1)将核Fisher判别分析用于汽车防撞安全数据的等级分类中，建立了汽车安全数据的核Fisher判别分析模型，此方法对于汽车安全数据的分类应用方面有较高的可信度，预测精度高，误判率小，是一种切实可行的判别方法。

(2)汽车防撞安全数据具有非线性的特点，核Fisher判别分析为汽车安全数据的分类提供了一种新的方法，可实际应用在汽车安全数据等级的分类中。

核Fisher能很好地将汽车安全数据进行分类，准确率较高，可为驾驶人员提供安全信息。

参考文献：

[1]陈勇,黄席樾,杨尚罡.汽车防撞预警系统的研究与发展[J].计算机仿真,2006,23(12):239-243.

[2]檀何凤,刘政怡.模式分类方法比较研究[J].计算机技术与发展,2015,25(2):99-102.

[3]闫新星.汽车三维安全防撞预警系统的设计与开发[D].太原：太原理工大学,2011：9-10.

[4]杨翠萍,官慧峰.高速公路汽车防撞系统的安全行车距离研究[J].自动化仪表,2008,29(9)：19-21.

[5]Junbin Gao,PAUL W H KWAN,Xiaodi Huang.Comprehensive Analysis for the Local Fisher Discriminant Analysis [J].International Journal of Pattern Recognition and Artificial Intelligence,2009,23(6)：1129-1143.

[6]程正东,章毓晋,樊祥，等.常用Fisher判别函数的判别矩阵研究[J].自动化学报,2010,36(10)：1361-1370.

[7]卢国斌，张瑾.膨胀土胀缩等级分类的Fisher分析判别[J].辽宁工程技术大学学报：自然科学版,2013,32(11)：1476-1479.

[8]杨淑莹.模式识别与智能计算[M].北京：电子工业出版社,2011：108-112.

(责任编辑：马金发)

Research on the Car Anti-collision Safety Data Classification Based on Kernel Fisher Discriminant Analysis

SHEN Yingying，QIN Lijuan，REN Jinyu

(Shenyang Ligong University，Shenyang 110159，China)

Abstract：Keeping a safe distance between vehicles is a more effective way to avoid car accidents.It is necessary to classify the safe data at a certain speed.Data is classified on the basis of kernel Fisher discriminant analysis,through the discriminant index selection,data preprocessing,and the Matlab simulation of kernel Fisher method.It has an obvious advantage in comparison with SVM and BP neural network,which provides a new method of car safety data classification.

Key words：car safety；kernel Fisher discriminate analysis；classification

中图分类号：TP181

文献标志码：A

文章编号：1003-1251(2016)02-0001-04

作者简介：申颖颖(1991—),女，硕士研究生；通讯作者：秦丽娟(1978—),女，副教授，博士，研究方向：图像识别与机器视觉。

基金项目：国家自然科学基金资助项目(61203163);国家重点实验室基金资助项目(2013-006);辽宁社科规划基金项目(L13BJY023)

收稿日期：2015-04-29