基于CKPCA-HOG和支持向量機(jī)的運(yùn)動目標(biāo)分類算法

聞帆，屈楨深，閆紀(jì)紅

(1.哈爾濱工業(yè)大學(xué) 機(jī)電工程學(xué)院，黑龍江 哈爾濱 150001;2.哈爾濱工業(yè)大學(xué) 空間控制與慣性技術(shù)研究中心，黑龍江哈爾濱150001)

智能化的視頻監(jiān)控(intelligent video surveillance，IVS)是將圖像與事件建立一種映射關(guān)系，借助計(jì)算機(jī)強(qiáng)大的數(shù)據(jù)處理能力對監(jiān)控視頻的內(nèi)容進(jìn)行描述、理解和分析，并能根據(jù)分析的結(jié)果對視頻監(jiān)控系統(tǒng)進(jìn)行控制，從而使視頻監(jiān)控系統(tǒng)具有較高層次的智能化水平.其中，運(yùn)動目標(biāo)的自動分類是其中不可或缺的一個(gè)重要環(huán)節(jié).在交通領(lǐng)域中的智能交通控制管理系統(tǒng)中，通過提取車輛目標(biāo)的特征可計(jì)算出交通流參數(shù)，依此來設(shè)定信號配時(shí)［1］.在交叉口碰撞檢測中，正確地識別出運(yùn)動目標(biāo)并根據(jù)其運(yùn)行軌跡，可以預(yù)測是否有碰撞發(fā)生［2］.除此之外，目標(biāo)分類算法還可以實(shí)現(xiàn)智能車輛對周邊環(huán)境中感興趣目標(biāo)的檢測、分類和存儲等功能［3］.

目前，目標(biāo)分類算法主要分為兩類:基于樣本或模板的方法和基于形狀特征［4］的方法.相對于前者，基于形狀的方法在描述同類目標(biāo)或具有相似運(yùn)動的目標(biāo)時(shí)很難用統(tǒng)一的模型加以表征，因此在對目標(biāo)進(jìn)行精細(xì)分類時(shí)存在明顯的不足.雖然國內(nèi)外學(xué)者提出了諸多分類算法，但是迄今為止，如何對目標(biāo)進(jìn)行有效地分類，還是一個(gè)尚未得到很好解決的問題.

目前，基于梯度方向直方圖［5］的紋理描述符已用于目標(biāo)分類.文獻(xiàn)［6］找到一個(gè)解決彌補(bǔ)在某些情況下單個(gè)分類器不足問題的方法，就如何將特征與分類器進(jìn)行組合展開了研究.文獻(xiàn)［7］提出了一種基于boosted HOG特征和線性SVM的目標(biāo)分類算法.在文獻(xiàn)［8］中，利用局部梯度最大方法來估計(jì)感興趣區(qū)域(ROIs)的位置，然后利用AdaBoost分類器對這些假進(jìn)行驗(yàn)證.文獻(xiàn)［9］為了更加快速地檢測行人，將人臉檢測中Boosted Cascade算法用在特征選取上，不僅訓(xùn)練時(shí)間短、檢測速度快，而且檢測精度比較高.從各文獻(xiàn)實(shí)驗(yàn)結(jié)果中看出，這些方法在針對行人和車輛目標(biāo)分類中都取得了很好的效果.

雖然HOG特征能夠得到很高的檢測率，但是高達(dá)幾千維的特征向量限制了訓(xùn)練樣本的數(shù)量，同時(shí)增加了在分類過程中的計(jì)算時(shí)間.由于CKPCA在特征降維中的優(yōu)越性能，本文將高維的 HOG特征用CKPCA降到低維，縮短了分類器的訓(xùn)練時(shí)間并未影響檢測精度.然后利用降維后的特征向量訓(xùn)練二叉決策樹支持向量機(jī)，得到最終的分類器.最后，利用訓(xùn)練好的分類器對視頻序列出現(xiàn)的新目標(biāo)進(jìn)行分類，并對分類結(jié)果進(jìn)行評價(jià).

1 圖像特征描述及CKPCA方法

1.1 圖像特征描述

為了對圖像進(jìn)行有效地分析和理解，需要將給定的原始圖像用有利于人或機(jī)器分析和理解的簡單明確的數(shù)值、符號或圖形表示出來，這些數(shù)值、符號或圖形稱為圖像的特征.目標(biāo)分類是對于未知目標(biāo)的觀測數(shù)據(jù)，利用一組能夠代表目標(biāo)的合適特征作為輸入，得到此目標(biāo)的類別或者屬于不同目標(biāo)類別的可能性.現(xiàn)階段，對目標(biāo)特征表達(dá)可以歸納為兩方面:全局特征與局部特征.通過檢測圖像的局部特征，形成易于區(qū)分、穩(wěn)定性好的特征向量，把目標(biāo)分類問題轉(zhuǎn)化為特征空間中特征向量的聚類問題.由于目標(biāo)的局部特征易于提取和表示，具有很強(qiáng)的魯棒性，因此在目標(biāo)分類領(lǐng)域獲得了廣泛的應(yīng)用.

2005年，Dalall提出了基于HOG特征的算法，并成功應(yīng)用于行人檢測.梯度方向直方圖描述子(descriptors)的本質(zhì)思想是圖像內(nèi)的局部對象的外觀和形狀可以通過梯度強(qiáng)度或邊緣方向的分布加以描述.如圖1所示，這些描述子的應(yīng)用可以通過將圖像劃分成稱之為細(xì)胞(cell)的小的連通區(qū)域，對每個(gè)單元內(nèi)的像素計(jì)算梯度方向或邊緣方向的直方圖，然后對這些直方圖加以組合構(gòu)成最終的描述子.為了提高描述子的性能，計(jì)算由若干單元組成的塊內(nèi)所有像素梯度強(qiáng)度值的和，然后利用該值歸一化塊內(nèi)所有單元，得到歸一化的描述子.

圖1 HOG特征算子Fig.1 HOG operator

1.2 CKPCA方法

對于場景中的運(yùn)動目標(biāo)，首先提取能夠有效描述該目標(biāo)的特征向量.由于獲取的特征向量維數(shù)比較高，這樣會影響目標(biāo)分類的運(yùn)算速度，因此需要通過數(shù)據(jù)降維的方法得到一個(gè)能夠有效描述目標(biāo)特征并且數(shù)據(jù)維數(shù)比較小的特征向量.PCA為特征向量由高維降為低維提供了一個(gè)很好的解決方法.通過對從現(xiàn)場采集的目標(biāo)特征向量進(jìn)行分析后發(fā)現(xiàn)，這些特征向量之間往往是線性不可分的，而PCA又不能解決非線性問題，因此采用CKPCA方法實(shí)現(xiàn)上述目標(biāo).該方法首先通過核函數(shù)將輸入非線性空間變換到高維線性空間，然后在高維空間利用主成分分析的方法對特征向量進(jìn)行數(shù)據(jù)降維［10］.

設(shè)xi∈RP(i=1，2，…，n)為樣本點(diǎn)，RP表示輸入空間，F(xiàn)表示特征空間.非線性變換φ:RP→F實(shí)現(xiàn)兩者間的映射，將樣本點(diǎn)xi映射為特征空間的樣本點(diǎn)φ(xi)，其中i=1，2，…，n.

F空間中樣本的協(xié)方差矩陣C為

根據(jù)Cv=λv計(jì)算C的特征值λ和對應(yīng)的特征向量V∈F{0}.

設(shè)C的特征值為0≤λ1≤λ2≤…≤λn，對應(yīng)的特征向量為v1，v2，…，vn.另外，v1，v2，…，vn可由F空間中的樣本φ(xi)張成.記:

考慮等式

將式(1)、(2)代入式(3)，令

得到

式中:K稱為核矩陣，是n×n矩陣，nλi是K的特征值，α1，α2，…，αn是對應(yīng)的特征向量.按一定的標(biāo)準(zhǔn)(前m個(gè)特征值占總特征值的比例≥90%)，取前m (m＜n)個(gè)特征值和對應(yīng)的標(biāo)準(zhǔn)化后的特征向量α1，α2，…，αm，其中…，m).

對F空間中樣本φ(xj)(j=1，2，…，n)在vr上進(jìn)行投影:

稱gr(xj)為對應(yīng)φ的第r個(gè)非線性主元分量.將所有的投影值形成一個(gè)矢量g(x)=(g1(xj)，g2(xj)，…，gm(xj))作為樣本的特征值.根據(jù)Mercer定理，利用核函數(shù)K(xi，xj)=(φ(xi)·φ(xj))代替F空間中的內(nèi)積運(yùn)算，式(5)可寫為

核函數(shù)有很多選擇，常用的核函數(shù)如下:

1)多項(xiàng)式核函數(shù):

2)Sigmoid核函數(shù):

3)徑向基核函數(shù):

式中:d、β0、β1和σ需要事先確定，這些參量可以通過K-Means聚類算法來得到.這里采用徑向基核函數(shù)，其中σ表示函數(shù)的寬度參數(shù)，就是距離中心的半徑.這個(gè)半徑等于聚類中心向量和屬于該類的樣本之間的距離的平均值.

不同的核函數(shù)決定了由原始空間到特征空間的不同映射.對于主元分析算法，數(shù)據(jù)需要在特征空間中心化.這可以由取代K來實(shí)現(xiàn):

式中:Li，j=1/l.

從上面計(jì)算可以看到，核矩陣與樣本點(diǎn)的個(gè)數(shù)相關(guān)，PCA不能解決非線性問題，KPCA雖能解決，但由于樣本點(diǎn)的個(gè)數(shù)比較大，帶來核矩陣的維數(shù)比較大，造成計(jì)算復(fù)雜度增加.為了解決核矩陣的計(jì)算復(fù)雜性，選擇疏散的貪婪矩陣近似(sparse greedy matrix approximation，SGA)［11］的方法縮減樣本點(diǎn)個(gè)數(shù)來達(dá)到降低核矩陣的階數(shù).

1.3 CKPCA-HOG計(jì)算過程

CKPCA-HOG計(jì)算過程主要由兩部分組成:第1部分是特征提取，利用HOG算子獲取目標(biāo)梯度向量;第2部分是特征數(shù)據(jù)降維，利用CKPCA將HOG高維數(shù)據(jù)影射到一個(gè)線性子空間，在去掉冗余信息的同時(shí)保留了主要的特征，而且不影響分類精度.

令I(lǐng)∈Rm×n表示一個(gè)具有寬度為m高度為n的圖像，I(x，y)表示位于(x，y)處像素的灰度值，其中x=1，2，…，m，y=1，2，…，n.下面給出CKPCA-HOG算子的計(jì)算流程:

1)計(jì)算圖像梯度:首先，圖像I經(jīng)過一個(gè)尺寸為wg標(biāo)準(zhǔn)差為σg的高斯濾波器濾除噪聲.然后，利用1維的中心點(diǎn)導(dǎo)數(shù)離散掩模DX和DY沿x和y方向?qū)D像卷積:

式中:DX=［－1 0 1］，DY=［－1 0 1］T.

根據(jù)式(11)和(12)可得到點(diǎn)的梯度幅值|G(x，y)|和方向θ(x，y).

其中，梯度的幅值為

梯度的方向?yàn)?/p>

為了使CKPCA-HOG對目標(biāo)的顏色不具有敏感性，根據(jù)文獻(xiàn)［5］，將式(14)修改如下:

2)創(chuàng)建cell直方圖:圖像按空間位置均勻的分成sw×sh個(gè)相鄰的網(wǎng)格，每個(gè)網(wǎng)格稱為“cell”，在cell內(nèi)按照設(shè)定好的方向量化間隔統(tǒng)計(jì)梯度方向直方圖，應(yīng)用梯度的幅值或者梯度幅值的平方或者平方根進(jìn)行投票.

3)描述符塊:為了解釋照度或?qū)Ρ榷鹊淖兓?，梯度幅值必須局部歸一化.將相鄰的cell(2×2)組成一個(gè)大塊(block)，相鄰的block之間相互重疊，意味著每個(gè)cell對于最終的描述子的貢獻(xiàn)多于一次.HOG描述子是一個(gè)由塊內(nèi)所有歸一化的cell直方圖組成的向量.

4)塊歸一化:在block內(nèi)采用二范數(shù)(L2)歸一化直方圖消除光照的影響.一個(gè)檢測窗口內(nèi)所有block內(nèi)的歸一化直方圖組成圖像I最后的特征向量H∈Rnf，nf=ss×sh×sb.

5)計(jì)算非線性主元分向量:

①對于給定的數(shù)據(jù)xk∈Rm(k=1，2，…，N)，利用式(9)計(jì)算對應(yīng)的核矩陣K∈RN×N;

②在特征空間中利用式(10)對數(shù)據(jù)進(jìn)行中心化處理.

③解特征方程N(yùn)λα=K～α，利用公式αk·αk= 1/λk標(biāo)準(zhǔn)化特征向量αk.

④對正常數(shù)據(jù)x，通過式(6)計(jì)算非線性主元的分向量.

⑤令Γ∈Rnp×nf表示從訓(xùn)練圖像HOG描述子獲得的前np個(gè)主成分，將HOG描述子H投影到由主成分Γ構(gòu)成的線性子空間:

2 基于二叉決策樹SVM分類器

在交叉口，交通目標(biāo)主要有行人和車輛，而目標(biāo)分類的目的是將從視頻圖像序列中檢測出來的目標(biāo)根據(jù)某種或者某些特征的組合將它們分類為行人和車輛，然后在此基礎(chǔ)上再進(jìn)一步將車輛分為大型車、中型車和小型車.由于支持向量機(jī)僅能夠解決兩類分類問題，當(dāng)需要解決實(shí)際應(yīng)用中的確定多類分類問題時(shí)，需要構(gòu)造新的多類分類器.目前，常見的多類分類器主要有以下4種類型:一對多組合、一對一組合、決策有向無環(huán)圖和全局優(yōu)化分類.

為了有效地對目標(biāo)進(jìn)行區(qū)分，如圖2所示，在一對多組合類型分類器的基礎(chǔ)上設(shè)計(jì)了基于二叉決策樹方案的支持向量機(jī)分類器.基于二叉樹的多類SVM是先將所有類別分成2個(gè)子類，再將子類進(jìn)一步劃分成2個(gè)次級子類，如此循環(huán)，直到所有的節(jié)點(diǎn)都只包含1個(gè)獨(dú)立的類別為止.該方法將原有多類分類問題分解成一系列的2類分類問題，其中2個(gè)子類間的分類函數(shù)采用SVM，二叉樹方法可以避免傳統(tǒng)方法的不可分情況，并只需構(gòu)造k-1個(gè)SVM分類器，測試時(shí)并不一定需要計(jì)算所有的分類器判別函數(shù)，從而可以節(jié)省測試時(shí)間.

圖2 二叉決策樹SVM分類器Fig.2 Binary decision tree SVM classifier

基于SVM的二叉樹多類分類決策算法原理如下［12-13］:

給定一個(gè)k類分類問題，學(xué)習(xí)樣本為{(x1，y1)，(x2，y2)，…，(xl，yl)}，xi∈Rn，yi∈{1，2，…，k}，i= 1，2，…，l.

一個(gè)二叉樹分類結(jié)構(gòu)是一個(gè)4元組＜F，P，SVM，SC＞，其中F={f1，f2，…，fk}，是二叉樹的終節(jié)點(diǎn)的集合，由待識別的k個(gè)運(yùn)動目標(biāo)類別構(gòu)成; P={p1，p2，…，pk}，P表示目標(biāo)分類的優(yōu)先級，根據(jù)各種目標(biāo)在場景中發(fā)生頻率的高低來確定.最可能出現(xiàn)的狀態(tài)優(yōu)先級為p1，發(fā)生可能性最低的狀態(tài)定為最后一級pk.

SVM={SVMP1，SVMP2，…，SVMPk－1}是由所設(shè)計(jì)的k－1個(gè)SVM組成的二叉樹的全部非終止節(jié)點(diǎn)集合.對一個(gè)k類分類問題，需要構(gòu)造k－1個(gè)SVM.其中第i個(gè)SVM決定的目標(biāo)類別為pi.

SC={SC1，SC2，…，SCk}為屬于k個(gè)目標(biāo)類別的全部學(xué)習(xí)樣本集合，其中SCi={(x1，yi)，(x2，yi)，…，(xli，yi)}表示第i類的樣本組成，xj∈Rn，yi∈{1，2，…，k}.ΣSCili=l構(gòu)成全部學(xué)習(xí)樣本.

第i級支持向量SVMPi的訓(xùn)練樣本SPi按下述原則確定:

第i個(gè)SVM解決以下問題:

如果yi=i，則

如果yj≠i，則

這樣可得到k－1個(gè)決策函數(shù):

對每一級SVM訓(xùn)練后找出對應(yīng)該級的支持向量，建立最優(yōu)分類超平面.由于k－1個(gè)SVM是按照優(yōu)先級由高到低排列的，新模式產(chǎn)生時(shí)，只需按照二叉樹由高到低進(jìn)行搜索，就可得出結(jié)論.

二叉決策樹SVM總體上屬于基于SVM的多類策略中的第一大類，相對于“one against all”和“one against one”策略，大大降低了樣本的重復(fù)訓(xùn)練量.

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證本文提出的目標(biāo)分類算法的有效性，在臺式計(jì)算機(jī)上進(jìn)行相關(guān)測試.其中，計(jì)算機(jī)的配置為Intel Pentium IV 2.0 CPU，內(nèi)存2G，軟件在Visual C++6.0下開發(fā)完成.測試所用圖像主要來自兩部分:一部分來自http://cvrr.ucsd.edu/aton/shadow的UIUC數(shù)據(jù)庫，圖像分辨率為138×87.另外一部分來自于哈爾濱市區(qū)某路口拍攝到的實(shí)際視頻圖像序列，使用CCTV視頻監(jiān)控模擬攝像機(jī)，通過圖像采集卡完成圖像采集，圖像分辨率為320×240，本文的分類方法全部在灰度圖像上處理.

3.1 CKPCA-HOG描述子性能分析

利用CKPCA-HOG描述子提取目標(biāo)特征，選用徑向基核函數(shù) K(xi，xj)=exp(－|xi－xj|2/σ2.KPCA-HOG描述子中的各個(gè)參數(shù)為ωg=5，σg=1.2，sw=2，sh=2，sb=8，nf=200，np=20.方向量化間隔為5度，每個(gè)特征向量為72維.經(jīng)過KPCA分析，每個(gè)目標(biāo)由20維的CKPCA-HOG描述子進(jìn)行描述.

表1給出了基于HOG、PCA-HOG、KPCA-HOG和CKPCA-HOG 4種描述子進(jìn)行目標(biāo)分類時(shí)的運(yùn)算時(shí)間比較結(jié)果.從表中可以看出，HOG特征高達(dá)上千維，而PCA-HOG特征和KPCA-HOG和CKPCAHOG特征僅20維.數(shù)據(jù)維數(shù)的降低，意味著計(jì)算速度的加快.從運(yùn)算時(shí)間上看，基于HOG特征的目標(biāo)分類時(shí)間最慢，基于PCA-HOG特征的目標(biāo)分類時(shí)間最快，基于CKPCA-HOG的分類時(shí)間介于前面兩者所花的時(shí)間.從表中可以看出，基于CKPCA-HOG方法，大大提高了KPCA計(jì)算核矩陣的速度，而且隨著數(shù)據(jù)個(gè)數(shù)的增多，幾乎不影響原來的計(jì)算速度.另外，雖然該算法較PCA-HOG算法慢些，但是目標(biāo)分類精度卻提高很多.

表1 運(yùn)算時(shí)間比較Fig.1 Comparison of computation time

3.2 實(shí)驗(yàn)?zāi)繕?biāo)分類結(jié)果

3.2.1 訓(xùn)練階段

訓(xùn)練階段為了能使支持向量機(jī)能夠準(zhǔn)確地對目標(biāo)進(jìn)行分類，需要輸入一些有代表性的包含運(yùn)動對象的靜態(tài)圖像訓(xùn)練樣本對其進(jìn)行訓(xùn)練.首先收集M幅正樣本和Q幅負(fù)樣本圖像作為訓(xùn)練器的訓(xùn)練圖像.這里的正樣本指的是待檢測目標(biāo)樣本，包括行人、小轎車、中型車和大型車等.正樣本可以由單個(gè)的目標(biāo)圖片或者一系列的事先標(biāo)記好的圖片來創(chuàng)建，也可以從一個(gè)預(yù)先標(biāo)記好的圖像集合中獲取.負(fù)樣本來自于其它任意的圖片，但這些圖片不能包含目標(biāo)特征.通常負(fù)樣本由背景描述文件來描述.如果樣本圖像尺寸不同，統(tǒng)一調(diào)整成為大小為N×N的圖像.然后計(jì)算每幅圖像的CKPCA-HOG特征，從而獲得進(jìn)行支持向量機(jī)分類模型訓(xùn)練所需要的特征向量樣本點(diǎn)，并將這些樣本點(diǎn)輸入到SVM中進(jìn)行訓(xùn)練，通過優(yōu)化理論調(diào)整分類器的參數(shù)，最終獲得對象分類的支持向量機(jī)分類模型.圖3給出了用于訓(xùn)練支持向量機(jī)的一組數(shù)據(jù)，該數(shù)據(jù)取自UIUC測試圖像庫.文中共有1050幅測試圖像，其中正樣本圖像為500幅(M=500)，負(fù)樣本圖像為550幅(Q= 550).

圖3 SVM訓(xùn)練數(shù)據(jù)Fig.3 Training data for SVM

本文中，場景中的目標(biāo)為車輛(小型車、中型車和大型車).因此，訓(xùn)練樣本共有C(=3)類，分別計(jì)為A1，A2，A3.針對每個(gè)分類器SVMi(i=1，2，3)，將訓(xùn)練樣本中的第i類樣本Ai作為正樣本訓(xùn)練，其他所有的樣本作為負(fù)樣本訓(xùn)練.在完成目標(biāo)特征提取后，將這些特征數(shù)據(jù)組合成特征向量X.根據(jù)每幅圖像生成的特征向量xi，以及該圖像隊(duì)?wèi)?yīng)的視頻對象yi，組成用于測試的樣本點(diǎn)(xi，yi).將由N幅圖像組成的樣本點(diǎn)集合作為支持向量機(jī)的輸入，訓(xùn)練第i類分類器SVMi，得到相應(yīng)的分類平面，用來區(qū)分該類與其他類目標(biāo).

文中采用的特征有:全局特征中的形狀特征，長度、寬度和長寬比，局部特征中的HOG描述符.對于行人和車輛目標(biāo)的區(qū)分，主要采用的特征是:外形尺寸、復(fù)雜度、長寬比、緊湊度.首先，根據(jù)目標(biāo)的外形尺寸、復(fù)雜度、長寬比和緊湊度將運(yùn)動目標(biāo)分為行人和車輛.然后再根據(jù)CKPCA-HOG特征描述符將車輛分為小型車、中型車和大型車.

緊湊度:C=4π*Area/Perimeter2，其中Perimeter表示目標(biāo)邊界所有像素個(gè)數(shù)的總和.

3.2.2 識別階段

在識別階段，首先導(dǎo)入訓(xùn)練好的支持向量機(jī)分類模型.然后利用特征描述子CKPCA-HOG提取目標(biāo)的特征向量，并將該特征向量輸入到支持向量機(jī)中，通過判別公式獲得最后的目標(biāo)分類結(jié)果.

下面給出針對UIUC數(shù)據(jù)庫的分類結(jié)果.對于待分類的170幅圖像，訓(xùn)練好的車輛分類器成功地檢測到 156個(gè)車輛，漏檢 14個(gè)，檢測率達(dá)到了91.7%.圖4給出了其中正確識別的結(jié)果;圖5給出了錯(cuò)誤分類和漏檢的結(jié)果.

圖4 正確分類結(jié)果Fig.4 Correct classification results

圖6給出了城市道路實(shí)際場景中目標(biāo)分類結(jié)果.該圖像取自哈爾濱市某交叉口監(jiān)控視頻序列.該場景中不但有機(jī)動車、非機(jī)動車和行人，而且路面上有雪、晃動的攝像頭、搖擺的數(shù)目以及圖像噪聲都對目標(biāo)分類產(chǎn)生不利的影響.首先，利用背景減除算法獲得前景運(yùn)動目標(biāo)，在完成陰影檢測和消除后得到最終的運(yùn)動目標(biāo)掩模.從圖6給出的分類結(jié)果中可以看出，本文提出的算法能夠?qū)鼍暗能囕v和行人進(jìn)行準(zhǔn)確的分類.

圖5 錯(cuò)誤和漏檢結(jié)果Fig.5 False and leak classification results

圖6 實(shí)際場景分類結(jié)果Fig.6 Classification results of real scenes

4 結(jié)束語

文中提出一種魯棒的目標(biāo)分類算法.在訓(xùn)練階段，利用CKPCA-HOG特征描述子得到目標(biāo)特征向量，然后對二叉決策樹SVM進(jìn)行訓(xùn)練.相對于基于HOG和SVM的目標(biāo)分類方法相比，本算法在保證識別準(zhǔn)確率的同時(shí)，系統(tǒng)運(yùn)行時(shí)間在2個(gè)方面得到了明顯改善:利用CKPCA-HOG特征描述子大大降低了目標(biāo)特征數(shù)據(jù)維數(shù);利用二叉決策樹SVM在進(jìn)行多類目標(biāo)分類的時(shí)候節(jié)省了測試時(shí)間.

本文提出的算法對場景中出現(xiàn)的目標(biāo)能夠很好地區(qū)分，下一步將機(jī)器學(xué)習(xí)引入到分類器訓(xùn)練數(shù)據(jù)提取中，依此來改進(jìn)分類器性能.由于傳統(tǒng)的分類器在訓(xùn)練過程中由人工事先將訓(xùn)練樣本定義好類別，這種方法太費(fèi)時(shí)，而且容易導(dǎo)致內(nèi)在的模糊.此外，由于目標(biāo)提取不當(dāng)造成的定義類的錯(cuò)誤和分配標(biāo)簽不正確所產(chǎn)生的誤差將最終被傳播到最終分類，影響目標(biāo)檢測性能.如果在目標(biāo)分類過程中，系統(tǒng)根據(jù)分類結(jié)果提取合適的訓(xùn)練樣本，這樣使系統(tǒng)適應(yīng)能力更強(qiáng)，從而可以提高分類器的性能.

［1］VEERARAGHAVAN H，MASOUD O，PAPANIKOLO_ POULOS N P.Computer vision algorithms for intersection monitoring［J］.IEEE Trans on Intelligent Transportation Systems，2003，4(2):78-89.

［2］ATEV S，ARUMUGAM H，MASSOUD O，JANARDAN R，PAPANIKOLOPOULOS N.A vision-based approach to collision prediction at traffic intersections［J］.IEEE Trans on Intelligent Transportation Systems，2005，6(4):416-423.

［3］GANDHI T，TRIVEDI M M.Video based surround vehicle detection，classification and logging from moving platforms: issues and approaches［C］//IEEE Intelligent Vehicles Symposium.［s.l.］，2007:1067-1071.

［4］趙秀娟，劉志勇，樊可清.基于支持向量機(jī)的車輛自動分類方法［J］.公路交通科技，2003，20(5):108-110.

ZHAO Xiujuan，LIU Zhiyong，F(xiàn)AN Keqing.SVM based method for vehicle automatic-classification［J］.Journal of Highway and Transportation Research and Development，2003，20(5):108-110.

［5］DALA N，TRIGGS B.Histograms of oriented gradients for human detection［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Beijing，2005:886-893.

［6］OLIVEIRA L，NUNES U.On integration of features and classifiers for robust vehicle detection［C］//Proceedings of the 11th International Conference on Intelligent Transportation Systems.Beijing，2008:414-419.

［7］WANG Zhenrui，JIA Yulan，HUANG Hua，TANG Shuming.Pedestrian detection using boosted HOG features［C］//Proceedings of the 11th International Conference on Intelligent Transportation Systems.Beijing，2008:1155-1160.

［8］KHAMMARI A，NASHASHIBI F，ABRAMSON Y，LA_ URGEAU C.Vehicle detection combining gradient analysis and AdaBoost classification［C］//IEEE Conference on Intelligent Transportation Systems.［s.l.］，2005:1084-1089.

［9］朱文佳，戚飛虎.基于Gentle Adaboost的行人檢測［J］.中國圖象圖形學(xué)報(bào)，2007，12(10):1095-1098.

ZHU Wenjia，QI Feihu.Gentle adaboost based pedestrian detection［J］.Journal of Image and Graphics，2007，12 (10):1095-1098.

［10］王和勇，姚正安，李磊.基于聚類的核主成分分析在特征提取中的應(yīng)用［J］.計(jì)算機(jī)科學(xué)，2005，32(4): 64-66.

WANG Heyong，YAO Zhengan，LI Lei.The application of feature extraction on using kernel principal component analysis based on clustering［J］.Computer Science，2005，32(4):64-66.

［11］SMOLA A J，SCHOLKOPF B.Sparse greedy matrix approximation for maehine leaming［C］//Proc of ICML＇00，Bochum，Germany，2000:911-918.

［12］韓順杰，趙丁選.基于SVM的二叉樹多類分類算法在工程車輛擋位決策中的應(yīng)用［J］.中國公路學(xué)報(bào)，2007，20(5):122-126.

HAN Shunjie，ZHAO Dingxuan.Application to shift decision for construction vehicle based on SVM binary tree multi-class classification algorithm［J］.China Journal of Highway and Transport，2007，20(5):122-126.

［13］馬笑瀟，黃席樾，柴毅.基于SVM的二叉樹多類分類算法及其在故障診斷中的應(yīng)用［J］.控制與決策，2003，18(3):272-276.

MA Xiaoxiao，HUANG Xiyue，CHAI Yi.2PTMC classification algorithm based on support vector machines and its application to fault diagnosis［J］.Control and Decision，2003，18(3):272-276.