有监督Kohonen网络的车型识别方法*

纪　野， 李玉惠， 李　勃， 杨　敏

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500;2.云南省智能交通系统工程技术研究中心 智能图像处理研究室，云南 昆明 650500)



有监督Kohonen网络的车型识别方法*

纪野1,2， 李玉惠1,2， 李勃1,2， 杨敏1,2

(1.昆明理工大学 信息工程与自动化学院，云南 昆明 650500;2.云南省智能交通系统工程技术研究中心 智能图像处理研究室，云南 昆明 650500)

车型识别已成为智能交通系统研究中的一个重要内容。根据同类车型尺寸特征如长、宽、高特征值都具有相似性特点，利用已有车型数据库，分别使用逆传播(BP)神经网络、支持向量机(SVM)网络、有监督Kohonen网络这三种神经网络分类方法对车型尺寸特征进行分类，得到三个车型识别准确率并进行比较验证。实验结果表明:有监督Kohonen网络的分类方法具有较高的车型识别精度，实验效果明显，车型识别准确率高。

智能交通系统； 车型识别； BP神经网络； SVM网络； 有监督Kohonen网络

0　引　言

现代的交通管理，车型识别技术是交通参数统计中的重要依据，车型识别技术在现代化智能交通系统中，对于改善人们的生活质量方面有着重要的社会现实意义。在车型识别的方法中，Sun Z等人提出Haar小波特征与Gabor特征结合采用支持向量机(support vector machine,SVM)分类器进行车辆分类识别[1]；康维新等人结合车辆Harris 特征与 SIFT 特征，利用Hausdorff 距离进行车型识别[2]等，这些方法特征提取计算量较大，当数据库中的车辆类型较多时，所需识别时间较长，限制了在实际中运用。Pearce G,何佳聪，蔡恒进等人利用汽车正面图像和车标进行车辆分类识别，提高车型分类的准确性[3,4]，但研究结果受正面图像角度偏移和图像大小影响较大，在实际应用中有待改进。陈曦等人利用SVM进行心电图(ECG)传感器信号身份识别[5]准确率高，该方法也可应用于车型识别。本文实验分别采用了BP神经网络、SVM网络、有监督Kohonen网络三种分类方法对车型尺寸特征(长、宽、高)进行分类比较实验，验证了有监督Kohonen网络的分类方法识别准确率高而且快速有效。

1　车型的识别

1.1数据准备

实验的基础是已经建好的车型数据库，车型数据库的数据有近2 000种常见车辆的基本参数，其中包含车辆的尺寸特征信息。在此基础上，分别使用BP神经网络、SVM网络、有监督Kohonen网络三种分类方法对已知车型的尺寸特征值进行分类。

1.2车型识别的算法流程

本文运用提取的尺寸特征对常见的轿车、微面、轻卡、客车四种车型进行了车型识别。

基于BP神经网络的车型尺寸特征数据分类算法流程如图1所示。

图1　基于BP神经网络的算法流程图Fig 1　Flow chart of algorithm based on BP neural network

基于SVM网络车型尺寸特征数据分类算法流程如图2所示。

图2　基于SVM网络的算法流程图Fig 2　Flow chart of algorithm based on SVM network

基于有监督Kohonen网络的车型尺寸特征数据分类算法流程如图3所示。

图3　基于有监督Kohonen网络的算法流程图Fig 3　Flow chart of algorithm based on supervised Kohonen network

2　三种神经网络分类方法研究

2.1BP神经网络分类原理

BP神经网络[6]是一种典型的多层前馈网络(MFNN)，一般由输入层、隐含层和输出层组成。一个三层的BP神经网络可以完成任意n维到m维的映射。BP学习算法由正向传播和反向传播组成。正向传播中，输入信号从输入层经隐含层传向输出层。若输出层得到了期望的输出，学习算法结束；否则，转至反向传播。反向传播是将误差信号(样本输出与网络输出之差)按原连接通路反向计算，由梯度下降法调整各层神经元的权值与阈值，使误差信号减小。

2.2SVM网络分类原理

支持向量机实现原理[7]：通过某种事先选择的非线性映射(核函数)将输入向量映射到一个高维特征空间，在这个空间中构造最优分类超平面。SVM最初是针对两个数据类别分类问题提出来的。对于样本集(xi,yi),i=1,2,…,n;xi∈Rn;yi∈{-1,1}，构造分类面：WX+b=0，能将两类样本无错误分开，使两类之间距离最大。W，X为n维向量，线性判别函数一般形式为g(x)=Wx+b，用同倍缩放W，b的方法进行归一化，使离分类面最近的样本满足|g(x)|=1，两类所有样本都满足|g(x)|≥1，两类样本分类间隔为2/‖W‖。

2.3有监督Kohonen网络分类原理

有监督Kohonen网络结构包含输入层、竞争层和输出层(节点个数同数据类别个数相同)三层前馈神经网络，输入层神经元个数同输入样本向量维数一致，竞争层节点呈二维阵列分布，输出层节点个数同数据类别相同，每个节点代表一类数据。输出层节点和竞争层节点通过权值全相连，数据输入有监督Kohonen网络，在权值调整时，不仅调整输入层同竞争层优胜节点领域内节点权值，同时调整竞争层优胜节点领域内节点同输出层节点权值。竞争层上的神经元计算输入样本与竞争层神经元权值之间的欧几里得距离，距离最小的神经元为获胜神经元。调整获胜神经元和相邻神经元权值，使获得神经元及周边权值靠近该输入样本。通过反复训练，最终各个神经元的连接权值具有一定的分布，该分布把数据之间的相似性组织到代表各类的神经元上，使同类神经元具有相近的权系数，不同类的神经元权系数差别明显。学习过程中，权值修改学习速率和神经元领域均在不断减小，使同类神经元逐渐集中。有监督Kohonen网络训练步骤：

1)数据归一化。

2)网络初始化:初始化输入层与竞争层之间权值wij、竞争层与输出层之间权值wjk。

4)神经元选择:把与输入向量X距离最小的竞争层神经元c作为最优匹配输出神经元。

5)权值调整[8]:调整输入层同竞争层获胜神经元领域内节点权值，即

wij=wij+η1(Xi-wij)

(1)

调整竞争层获胜神经元领域内节点同输出层节点权值，即

wjk=wjk+η2(Yk-wjk)

(2)

式中η1,η2为学习速率，Yk为样本所属类别。

6)判断算法是否结束，若没有结束，返回步骤(2)。

3　实验结果分析

实验中，用三种分类模型分别对车型数据库中400个数据样本做分类比较实验。这400个车型尺寸特征数据包括第一类轿车数据100个、第二类轻卡数据100个、第三类微面数据100个、第四类客车数据100个。实验选择四种车型尺寸特征数据区分度明显，避免车型数据区分度模糊，导致分类模型对测试数据分类错误的情况。三种分类方法中数据均为随机选取，训练数据300个，预测数据100个。

三种分类方法对应四种车型分类准确率的比较结果，如表1所示。

三种分类方法对四种车型分类预测错误情况均为四种车型之间分类预测错误。如图4、图5和图6所示。

图4　BP神经网络分类图Fig 4　BP neural network classification diagram

图4中点线为实际车辆类别，实线为预测车辆类别。位于四种类别水平线上，实线与点线尖点重合为分类预测准确，错开为分类预测错误。BP神经网络实验经多次预测分类，时间较短，准确率不稳定。

图5中圆圈为实际车辆类别，星号为预测车辆类别。星号与圆圈重合为分类预测准确，错开为分类预测错误。实验经多次预测分类，时间较长，准确率稳定。

图5　SVM网络分类图Fig 5　SVM network classification diagram

图6中点线为实际车辆类别，实线为预测车辆类别。实线与点线重合为分类预测准确，错开为分类预测错误。实验经多次预测分类，时间适中，准确率趋于稳定。

图6　有监督Kohonen网络分类图Fig 6　Supervised Kohonen network classification diagram

综上所述，用Matlab软件编程运算，得到表2所示分类结果。

表2　实验结果比较分析

4　结束语

本文针对已有车型数据库，分别用BP神经网络、SVM网络、有监督Kohonen网络分类算法对车型尺寸特征进行分类，经多次实验结果比较，最终采用有监督Kohonen网络分类算法进行车型识别。三种分类算法，根据运行时间和准确度综合考虑，有监督Kohonen网络优于其他分类算法，算法实现简单，运算量少，车型识别实验也验证该方法的可行性和可靠性。实验结果表明，本文方法能有效提高车型识别率。

[1]Sun Z,Bebis G,Miller R.Improving the performance of on-road vehicle detection by combining Gabor and wavelet features[C]∥IEEE The 5th International Conference on Intelligent Transportation Systems,Singapore: IEEE,2002:130-135.

[2]康维新，曹宇亭，盛卓，等.车辆的 Harris 与 SIFT 特征及车型识别[J].哈尔滨理工大学学报，2012,17(3):69-73.

[3]Pearce G,Pears N.Automatic make and model recognition from frontal images of cars[C]∥The 8th IEEE International Confe-rence on Digital Object Identifier,Advanced Video and Signal-Based Surveillance (AVSS),Klagenfurt: IEEE,2011:373-378.

[4]何佳聪，蔡恒进，邓娟，等.基于改进的HMAX算法的车型识别应用[J].计算机科学与应用，2012(2):233-239.

[5]陈曦，陈冠雄，沈海斌.基于SVM的ECG传感器信号身份识别方法[J].传感器与微系统，2014,33(10):40-43.

[6]史峰，王小川，郁磊，等.MATLAB神经网络30个案例分析[M].北京:北京航空航天大学出版社，2010.

[7]梁燕.SVM分类器的扩展及其应用研究[D].长沙:湖南大学，2008:32-35.

[8]马卫，马全富.有监督的Kohonen神经网络聚类算法在癌症诊断中的应用[J].微电子学与计算机，2014,31(12):108-110.

李玉惠，通讯作者，E—mail：1484946977@qq.com。

Research on vehicle type identification method based on supervised Kohonen network*

JI Ye1,2, LI Yu-hui1,2, LI Bo1,2, YANG Min1,2

(1.School of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China;2.Intelligent Image Processing Research Department,Intelligent Transportation System Engineering Technology Research Center of Yunnan Province,Kunming 650500,China)

Vehicle type identification has become an important research content in intelligent transportation systems.According to the characteristics of size similar vehicle models such as long,width,height features value are similar characteristics,using the existing vehicle models database,respectively using three neural network classification methods,such as BP neural network,SVM network,supervised Kohonen network,to classify features of vehicle type size,obtain identification accuracy rate of three vehicle type and comparison and verification are carried out.Experimental results show that the classification method of supervised Kohonen network has high precision of vehicle identification,the experimental effect is obvious,and the accuracy rate of vehicle type identification is high.

intelligent transportation system; vehicle type identification; BP neural network; SVM network; supervised Kohonen network

2015—11—16

国家自然科学基金资助项目(61363043)

TP 183

A

1000—9787(2016)08—0012—03

纪野(1990-)，男，吉林省四平人，硕士研究生，主要研究方向为智能图像处理。

DOI:10.13873/J.1000—9787(2016)08—0012—03