وانغ جيان 1، 2 تشانغ وى هوا، جديدة لي يو 3
(معهد تشانغشو 1 من مدرسة التكنولوجيا في علوم الكمبيوتر والهندسة، تشانغشو، جيانغسو 215500.
2. معهد تشنغتشو هندسة المعلومات من نجاح المالية، وخنان، وتشنغتشو 450000، الصين؛ 3. كلية هندسة الحاسب والمعلومات، جامعة هوبى، ووهان 430064)
لتحسين متعدد الطبقات الدعم الموجه آلة المصنف لدقة التصنيف الامثلة متعددة الاهداف ويقترح بالتزامن مع نموذج غير موجهة الرسم البياني من متعدد الطبقات آلة الدعم الموجه المصنف. أولا، وحساب مقياس التشابه بين جيب التمام للبيانات التدريب، وبيانات التدريب وبناء لا تحتوي على مصفوفة مشابهة لنموذج FIG، حل التشابه القيد المصفوفة. ثم، فإن وظيفة الموضوعية للمصفوفة مشابهة القيد أدرجت متعدد الطبقات الدعم الموجه آلة حل بناء الأمثل متعدد الطبقات الدعم الموجه آلة المصنف. وأخيرا، فإن الأمثل متعدد الطبقات دعم آلة ناقلات المصنف لنقل ذكي، والتدرج التوجه كشف الرسم البياني المشاة وميزة الهدف السيارة. تبين التجارب أن هذه الطريقة للكشف عن المشاة والسيارات نسبة الخطأ الهدف هو أقل من متعدد الطبقات الدعم الموجه آلة المصنف الكلاسيكية والتيار الحالي للكشف عن الهدف.
CLC: TN011، TP391
كود الوثيقة: A
DOI: 10.16157 / j.issn.0258-7998.2017.02.032
شكل الاقتباس الصيني: وانغ جيان تشانغ وى هوا لى يوي جديدة. الشكل جنبا إلى جنب مع تحسين نموذج SVM متعدد الطبقات والتطبيقات النقل الذكية التكنولوجيا الالكترونية، 2017،43 (2): 132-136.
الإنجليزية شكل الاقتباس: وانغ جيان تشانغ وى هوا، لي Yuexin. وهو الأمثل متعدد الطبقات SVM جنبا إلى جنب مع نموذج الرسم البياني وتطبيقه على النقل الذكية .Application من تقنيات الالكترونية، 2017،43 (2): 132-136.
0 مقدمة
مع تطور تكنولوجيا الرصد، اجتذبت اهتماما واسع النطاق في مجال البحوث النقل الذكية على أساس رؤية الكمبيوتر، وتطبيقه نموذجي هو وجود المشاة والسيارات باستخدام بيانات الفيديو أو الصورة للكشف عن مكان الحادث المرور الذكي في . للكشف عن الهدف، واستخراج ميزة وتصنيف هما رئيسيا الهدف كشف . بالطرق الأولية، والكشف عن المشاة والسيارات المستخدمة في مجال المزايا وتصنيف يمكن تقسيمها إلى: هار ملزم ملامح وطريقة المصنف Adaboost ، رسوم بيانية جنبا إلى جنب من التدرجات الموجهة (الرسم البياني من التدرج الموجه، HOG طريقة) ودعم الأجهزة ناقلات (دعم آلة ناقلات، SVM) طريقة المصنف ، وعمق بالتزامن مع HOG ميزات شبكة المصنف . الذي، SVM المصنف يمكن أن تتعلم كيف تتعامل بفعالية مع مشكلة صغر حجم العينة، مزيدا من الاهتمام في عملية التطبيق الفعلي. من أجل تصنيف عدد وافر من الأهداف، وثيقة الكلاسيكية SVM المصنف ليشمل توفير SVM المصنف متعدد الطبقات، الفائق التدريب المتاح من قبل عدد وافر من أهداف متعددة لحل مشاكل التصنيف، والتي يمكن الكشف في وقت واحد المشاة والمركبات الأهداف. وبالنظر إلى SVM المصنف متعدد الطبقات في أهداف متعددة التصنيف، يجب ألا يعامل الخلافات بين الطبقة بين البيانات الهدف ضمن فئة كبيرة من الخلافات الصغيرة على حد سواء. لهذا السبب، نقترح غير ملزم للنموذج SVM المصنف FIG متعدد الطبقات، وعندما متعدد الطبقات التدريب SVM المصنف، وحساب التشابه بين البيانات الهدف الأول، ونموذج الرسم البياني، وبالتالي حل تشابه يبني على أساس دون لا بد القيد الهدف مصفوفة مشابهة لحل تصنيف لتحسين دقة التصنيف أهداف متعددة. بعد المادة يتميز HOG والتحسين SVM المصنف من مزيج متعدد الطبقات للكشف عن المشاة والمركبات، والمشاة والمركبات للحد من معدل اكتشاف الخطأ.
1 بالتزامن مع FIG صليات نموذج متعدد الطبقة SVM مصنف
الكلاسيكية SVM المصنف هو المصنف ثنائي، الا نوعين من النتائج تصنيف. من أجل تسهيل multicategory التمييز، وثيقة تمديد المصنف SVM، لتوفير SVM المصنف متعدد الطبقات. لا يزال ينظر هذا التصنيف باعتبارها مشكلة التحسين، والهدف من ذلك هو العثور على الفائق K الأمثل، ويمكن التعبير عن دالة الهدف على النحو التالي:
وهكذا، فإن المصنف يبني SVM متعدد الطبقات يمكن تحويلها إلى حل المعادلة (3) الأمثل للمشكلة.
تتميز من أجل تعزيز القدرة على التعرف على عملية التدريب والتفكير المعلومات التشابه أدرجت هنا بين بيانات التدريب في عملية التدريب، وخصوصا التي تحتوي على أي معلومات التشابه أدخلت عملية التدريب نموذج SVM FIG إلى المصنف متعدد الطبقات. وصفت بالتفصيل أدناه.
يمكن تمثيل بيانات التدريب عن طريق نموذج بياني صليات، على النحو التالي:
حيث X = ، V هو مصفوفة مشابهة، ويستخدم لوصف التشابه بين كل متجه الميزة. الموصوفة هنا قياس التشابه بين جيب التمام متجهين ميزة التدريب، كما أعرب عن:
حيث، فيج هو ط عشر صف من المصفوفة V، ي-عشر عنصرا العمود.
يبني رقة FIG مصفوفة Laplacian التشابه مصفوفة مع V، معبرا عنها:
حيث يتم إنشاء D من التشابه مصفوفة V مصفوفة قطرية أعرب على النحو التالي:
وبالتالي، قد يكون مصفوفة من بيانات التدريب FIG Laplacian L وبناء تشابه القيد مصفوفة S، وأعربت تدريب البيانات المستخدمة لتقييد درجة التشابه على النحو التالي:
وهنا تشابه القيد مصفوفة هو عرض S في الصيغة (1)، والتي تهدف إلى تدريب متعدد الطبقات SVM المصنف يمكن النظر في درجة التشابه بين ميزة التدريب، multiobjective تحسين دقة التصنيف. هو عرض التشابه مصفوفة S مقيدة دالة الهدف هي:
تعظيم الاستفادة من (12) الصيغة قد يكون معادلا ل:
المقارنة بين صيغة (19)، وصيغة (3)، يمكن العثور على مشكلتين الأمثل متشابهة. من أجل حل SVM الأمثل متعدد الطبقات، والتحلل القيمة الذاتية أولا، ويتم التعبير عن ذلك على النحو التالي:
حيث، والخامس هو سمة قيمة مصفوفة قطرية مكونة من، والقيم الذاتية العاملات في ترتيب تنازلي. U هو مصفوفة متعامدة، والمتجهات الذاتية المقابلة لتكوين القيم الذاتية. هنا مرة أخرى تحديد تبديل المصفوفة P، يلبي الشروط التالية:
2 المشاة النقل الذكية وطريقة الكشف عن السيارة
المشاة والمركبات هي الأكثر تشعر بالقلق إزاء مجال ذكية فئات المستهدفة نقل الفائدة. الجمع بين ميزة الرسم البياني الاتجاه التدرج والنموذج الأمثل متعدد الطبقات SVM المصنف تلقائيا الكشف عن المشاة وصورة الهدف السيارة، العملية الأساسية هو مبين في الشكل (1).
تحويل مساحة 2.1 اللون
عادة صورة الإدخال صورة ملونة، هدفا للمشاة والمركبات، ولون الكائن بسبب التوزيع العشوائي، المعلومات لون من الصورة، ولا يمكن تعزيز فعالية القرار من الميزات، لكنه يمكن أن تقلل بشكل كبير من كفاءة الحسابية الخوارزمية. بعد النظر في كفاءة التشغيل والأداء للكشف، واختيار تدرج هنا باستخدام معلومات الصورة من هدف الكشف وجسم السيارة. وهكذا، صورة ملونة هي الأولى اللازمة لتحويل الصورة إلى الرمادي.
2.2 إضاءة التطبيع
لتجنب مشكلة تباين الصورة غير المتكافئ الناجمة عن الاختلافات في الضوء المحيط، والحاجة إلى عملية التطبيع صورة الإضاءة. لبعض المركبات والمشاة، والجذر التربيعي لتصحيح غاما وغالبا ما يكون الطريقة المستخدمة.
2.3 التدرج مقدار واتجاه قيمة الحساب
حساب صورة صورة التدرج وغالبا ما يستخدم في صورة قالب بطريقة التفاف، ورقة، كل بكسل (س، ص) في مكونات التدرج الأفقي والعمودي للصورة قالب (-1، 0) يتم احتساب المعبر عنها:
حيث اتجاه التدرج باستخدام القيم المطلقة، وذلك أساسا بسبب رمز تأثير توزيع تدرج الخاصية من قبل المشاة والمركبات وكبيرة تدخل خلفية الديكور والتوجيه متانة.
2.4 ميزة استخراج
لكل بكسل في الصورة، وينقسم اتجاه الرسم البياني استخراج ميزة التدرج، على وجه الخصوص، إلى اتجاه 0 ~ 180 درجة لأخذ العينات اتجاه المقالة إلى 10 كتل الاتجاهات، والتي في كل بكسل داخل الخلايا (6 6)، والعثور على تراكم كتلة في اتجاهات مختلفة ومعامل الانحدار، تشكيل مجموعة من ميزة ناقلات الرسم البياني، وأخيرا بالمتجه الذاتي ضد (س، ص) وتطبيع، يتم التعبير عن:
2.5 خصائص والتدريب تصنيف
نماذج رسومية محسنة للتدريب المقترحة متعدد الطبقات SVM المصنف والتصنيف. خلال مرحلة التدريب، وجمع عينة للمشاة والمركبات جمع عينة ومجموعة عينة سلبي في المصنف، للعثور على المعلمات الأمثل من المصنف. هنا، وعدد من فئة تصنيف K = 3. خلال مرحلة الاختبار، كتلة صورة ليتم التحقق منها في المصنف، وفئة الإخراج من كتلة الصورة.
3 محاكاة وتحليل
في هذا القسم تصميم ومحاكاة للكشف عن المشاة السيارة، للتحقق من أداء الطريقة المقترحة. أولا، مجموعة من تقييم البيانات التجريبية؛ وFIG مقارنة النماذج المقترحة لتحسين متعدد الطبقات SVM مصنف (مختصر النحو GMSVM) والأدب تقدم الكلاسيكي المصنف متعددة الطبقة SVM (مختصر النحو MSVM) الأداء الفرق، وأخيرا، كشف النقيض من المارة والمركبات الطريقة المقترحة (ويشار إلى HOG + GMSVM) وخصائص الهدف الأسلوب السائد الحالي للكشف عن الاختلافات في أداء السيارة والمشاة التجارب الكشف.
3.1 جمع وتقييم البيانات
في الوقت الحاضر، ومجموعات البيانات المشاة شعبية على الكثير الدولي، ولكن أقل من المركبات البيانات. من أجل تقييم الأداء العام للخوارزمية في مجموعة البيانات. هذا الاختيار من معهد كاليفورنيا للتكنولوجيا مجموعة البيانات المشاة ، وهناك المشاة الوحيد في مجموعة البيانات، كما يتم تضمين السيارة. ولكن الهدف مشاة ملحوظ، والهدف سيارة لا تحمل علامات مميزة. مركبة المسمى صورة الهدف، بنسبة 9 المسمى شارك 312 هدف المستطيل السيارة. يتم تقسيم قاعدة البيانات في 11 فرعية، وتستخدم عادة Set00 ~ Set05 فرعية من التدريب، Set06 ~ Set10 فرعية من الاختبارات.
وجرى تقييم الهدف المشاة أداء الكشف والمركبات حسب مؤشر نسبة الخطأ، ومعدل الخطأ تعريف كشف المشاة (ERRP)، وسيارة نسبة الخطأ الكشف (الروما) ونسبة الخطأ متوسط الكشف (إيرا) على النحو التالي:
حيث، عندما إطار مستطيل الكشف مع وضع إطار مستطيل علامة ودرجة البلمرة تتجاوز 50 وافق أنه إذا اكتشفت فئة بشكل صحيح.
3.2 GMSVM مقارنة الأداء مع MSVM
GMSVM يمثل تحسنا خلال MSVM الكلاسيكية، وبالتالي فإن الفرع ومقارنة الاختلافات الأداء GMSVM المشاة MSVM والمركبات في الفحص، حيث يتم استخدام ميزات استخراج ميزة HOG وفقا لطريقة استخراج وصف هذه الوثيقة. يبين الشكل 2 لم يتم الكشف عن تصنيف وقت واحد المارة ErrP والمركبات، الروما إيرا 3 والمؤشرات. ومن الواضح أن نسبة الخطأ GMSVM المقابلة للمؤشرات الثلاثة هم أقل من MSVM، وخصوصا المؤشرات الروما. والسبب هو أساسا زيادة GMSVM ميزة التدريب التشابه القيد، وتعزيز القدرة على التمييز بين هذين النوعين من المارة ميزة الهدف والمركبات، للحد من ظاهرة إيجابية كاذبة.
3.3 مقارنة بين أداء الطريقة المقترحة مع أسلوب الكشف عن الهدف الرئيسي
لمزيد من تقييم أداء الطريقة المقترحة، وتمت مقارنة الطريقة المقترحة مع طريقة كشف التيار الهدف الحالي (وخاصة للمشاة طريقة الكشف). 3 يبين الشكل أسلوبا مختلفا للكشف عن مؤشر نسبة الخطأ البشري على مجموعة البيانات اختبار السيارة وصفها في هذه الوثيقة. حيث العينات التدريب والاختبار وشملت التجربة نفسها طريقة اختيار المعلمات المثلى من التباين في مصادر الأدب الذي، على كشف نفس الأسلوب كما يستخدم للمشاة والمركبات الميزات والمعلمات هي نفسها. وثيقة والأدب المركبات والمشاة كشف في خطوتين، الأولى وحدها المستهدفة الكشف عن المشاة، ثم يتم الكشف عن السيارة المستهدفة. وثيقة وأساليب وصفها كشف هنا المشاة والسيارات مرة واحدة فئات معينة.
كما رأينا، وهذه الطريقة من FIG 33 هو أدنى معدل الخطأ مؤشر المشاة وعملية الكشف عن السيارة. وكانت المقارنة بين ثلاثة أساليب المشاركة في نسبة الخطأ الكشف عن المشاة ليست مؤشرات مختلفة إلى حد كبير، والفرق متري الكشف عن نسبة الخطأ للسيارة كبيرة، والأدب نسبة الخطأ كشف السيارة أقل نسبيا من الوثيقة والأدب ل طريقة وقال، ولكن لا يزال أعلى من أساليب هنا. وعلاوة على ذلك، فإن الاختلافات في معدلات الكشف عن المركبات والمشاة أخطاء صغيرة نسبيا من هذه الطريقة. بشكل عام، وهذه الطريقة للكشف عن المشاة والسيارات على نحو أفضل.
4 خاتمة
تقدم هذه الورقة غير الأمثل ملزمة لFIG متعدد الطبقات دعم آلة ناقلات المصنف، في تدريب متعدد الطبقات دعم آلة ناقلات المصنف، وذلك باستخدام جيب التمام التشابه مقياس حساب بين بيانات التدريب منها، جنبا إلى جنب مع بيانات التدريب نفسها بناء نموذج لFIG لا، وتشابه البناء وحل مصفوفة القيد باستخدام FIG Laplacian المصفوفة ونموذج بيانات التدريب في FIG. ثم يتم إدخال مصفوفة مشابهة القيد في دالة الهدف إلى حل جهاز الدعم الموجه متعدد الطبقات لبناء متعدد الطبقات الدعم الموجه آلة المصنف الأمثل. وأخيرا رسوم بيانية الاتجاه التدرج النموذج الأمثل والمصنف متعدد الطبقات دعم آلة ناقلات بالكشف عن المشاة والهدف السيارة. وأظهرت المشاة والكشف عن الهدف المركبات النتائج أن، بالمقارنة مع الكلاسيكي متعدد الطبقات الدعم الموجه آلة المصنف للكشف عن الأخطاء وانخفاض طرق الكشف التيار الهدف الحالية، والطريقة المقترحة. ومع ذلك، هناك ليست عالية، سيتم تناولها في دراسات المستقبل الكفاءة حساب الخوارزمية.
مراجع
قريشي K N، مسح عبد الله H.A على أنظمة النقل الذكية .Middle شرق مجلة البحث العلمي، 2013،15 (5): 629-642.
DOLLAR P، APPEL R، BELONGIE S، وآخرون al.Fast الأهرامات ميزة للكشف عن وجوه تحليل .Pattern والاستخبارات آلة، IEEE المعاملات على، 2014،36 (8): 1532-1545.
زانغ S، BAUCKHAGE C، كريمرز A.Informed الشعر مثل ميزات تحسين الكشف عن المشاة .Proceedings للمؤتمر IEEE على رؤية الحاسوب والتعرف على الأنماط، 2014: 947-954.
RAKATE G R، S BORHADE R، JADHAV P S، وآخرون al.Advanced نظام الكشف عن المشاة باستخدام مزيج من الشعر مثل الميزات، Adaboost خوارزمية وEdgelet-Shapelet .Computational الاستخبارات والأبحاث الحاسبات (ICCIC)، 2012 IEEE الدولي للمؤتمرات on.IEEE، 2012: 1-5.
يوان شو، شو شياوليانغ، وكان لى فى، وما إلى ذلك بالتزامن مع HOG ملامح وكشف المشاة SVM استخراج المصنف هندسة الحاسوب، 2016،42 (1): 56-60.
PRIOLETTI A، MOGELMOSE A، GRISLERI P، وآخرون استنادا al.Part للكشف عن المشاة وتتبع القائم على ميزة لمساعدة السائق: في الوقت الحقيقي، خوارزميات قوية، والتقييم .Intelligent أنظمة النقل، IEEE المعاملات على، 2013،14 (3): 1346-1359.
روي الشمس، قادر هو، شين. الانصهار ميزة وطريقة سريعة للكشف عن المشاة عبور SVM النواة هندسة البصرية، 2014 (2): 53-62.
LI D، L XU، جودمان E D، وآخرون al.Integrating والإحصائية خلفية المقدمة خوارزمية استخراج وSVM مصنف للكشف عن المشاة وتتبع الهندسة بمساعدة الحاسوب .Integrated، 2013،20 (3): 201-216.
روي الشمس، وتشن يونيو، يونيو عالية. رابيد الكشف عن المشاة على أساس الكشف عن السمات الهامة وHOG-NMF الالكترونيات وتكنولوجيا المعلومات، 2013،35 (8): 1921-1926.
كشف XU F.Pedestrian على أساس تعويض الحركة وHOG / SVM مصنف .Intelligent الإنسان والآلة ونظم التحكم الآلي (IHMSC)، 20135 الدولي للمؤتمرات on.IEEE، 2013،2: 334-337.
SUN D والمشاة واتادا J.Detecting والمركبات في المشهد حركة المرور على أساس HOG عزز ملامح وSVM .Intelligent معالجة الإشارات (فافة ورقية)، 2015 IEEE 9 الندوة الدولية on.IEEE، 2015: 1-4.
اويانغ W، وانغ X.A التمييزية نموذج العميق للكشف عن المشاة مع معالجة الانسداد .Computer الرؤية والتعرف على الأنماط (CVPR)، 2012 IEEE المؤتمر on.IEEE 2012: 3258-3265.
اويانغ W، X ZENG، وانغ X.Modeling المتبادلة العلاقة الرؤية في الكشف عن المشاة .Proceedings للمؤتمر IEEE على رؤية الحاسوب والتعرف على الأنماط، 2013: 3222-3229.
ZENG X، W او يانغ، وانغ X.Multi مرحلة التعلم العميق السياقية للكشف عن المشاة .Proceedings المؤتمر الدولي IEEE على الحاسوب الرؤية، 2013: 121-128.
وانغ Z، شه X.Multi من الدرجة آلة الدعم الموجه . دعم المتجهات آلات Applications.Springer الدولية للنشر، 2014: 23-48.
DOLLAR P، WOJEK C، B SCHIELE، وآخرون al.Pedestrian كشف: تقييم لحالة من الفن تحليل .Pattern والاستخبارات آلة، IEEE المعاملات على، 2012،34 (4): 743-761.
