汽車防撞安全數(shù)據(jù)的核Fisher分類研究

申穎穎，秦麗娟,任金玉

(沈陽理工大學(xué)1.信息科學(xué)與工程學(xué)院；2.機械工程學(xué)院，沈陽 110159 )

?

汽車防撞安全數(shù)據(jù)的核Fisher分類研究

申穎穎1，秦麗娟1,任金玉2

(沈陽理工大學(xué)1.信息科學(xué)與工程學(xué)院；2.機械工程學(xué)院，沈陽 110159 )

摘要：行駛的車輛之間保持安全的距離可以有效減少交通事故，所以對汽車在一定速度行駛中的數(shù)據(jù)進行安全等級分類有很大的必要性。依據(jù)核Fisher判別分析方法對汽車安全數(shù)據(jù)進行分類，通過對判別指標(biāo)的選取、數(shù)據(jù)預(yù)處理、核Fisher方法的Matlab仿真實現(xiàn)，與SVM、BP神經(jīng)網(wǎng)絡(luò)方法進行比較有明顯的優(yōu)勢，實現(xiàn)了較高的準(zhǔn)確率，為汽車安全數(shù)據(jù)的分類提供了一種新的方法。

關(guān)鍵詞：汽車安全；核Fisher判別分析；分類

汽車安全行駛是人們關(guān)注的問題，專家對汽車交通事故的分析結(jié)果表明[1]，在所發(fā)生的交通事故中，駕駛員由于反應(yīng)不及時，處理不正確所造成的占80%，其中汽車追尾造成碰撞的占65%，如果能提前1秒意識到交通事故的發(fā)生，采取正確措施能有效減少事故發(fā)生。為了輔助駕駛員及時了解自己的行駛安全狀況，將數(shù)據(jù)進行分類，及時提供給駕駛員信息，有效保證汽車的安全行駛。

模式分類是一種監(jiān)督學(xué)習(xí)的方法，可用于模式分類的方法有很多，例如Fisher判據(jù)，貝葉斯分類和近鄰法等是經(jīng)典的分類方法，人工神經(jīng)網(wǎng)絡(luò)模式識別、支持向量機和基于核的分類方法等是現(xiàn)代的分類方法。樸素貝葉斯方法、K近鄰方法等的分類能力在一些小數(shù)據(jù)集上比BP神經(jīng)網(wǎng)絡(luò)這樣的復(fù)雜的分類方法更好，而SVM、BP這樣的方法適合一些大數(shù)據(jù)集的分類[2]。而核Fisher方法在處理汽車防撞安全數(shù)據(jù)的分類中比SVM、BP方法顯示出了更好的優(yōu)勢。本文采用核Fisher方法對汽車防撞安全數(shù)據(jù)進行分類。

1判別指標(biāo)的選取

《中華人民共和國高速公路交通管理辦法》第十五條規(guī)定：機動車在高速公路上正常行駛時，同一車道的后車與前車必須保持足夠的行車間距。正常情況下，當(dāng)速度為每小時一百公里時，行車間距為一百米以上；當(dāng)速度為每小時七十公里時，行車間距為七十米以上。遇雪、雨、大風(fēng)、霧天或者路面結(jié)冰時，應(yīng)該減速行駛。

在環(huán)境確定而且某一個行駛速度下，汽車能夠安全行駛，重要的是保持安全距離。這個安全距離由縱向安全距離、側(cè)向安全距離和地面狀況的安全距離組成[3]。而保持與地面的安全距離是防止路面出現(xiàn)不平整，例如深坑等其他因素影響汽車安全行駛。以汽車為原點，汽車行駛方向為Y軸正方向，右側(cè)向距離為X軸正方向，與地面距離為Z軸負方向建立三維坐標(biāo)系，測試與本車最近距離的車或其他障礙物的坐標(biāo)，用核Fisher判別方法將數(shù)據(jù)分成三類：安全、良好、危險。

兩車安全距離的理想情況最小可以為0，但國內(nèi)外的資料一般顯示為2～5m[4],所以在X軸和Y軸的度量上，將0～2m規(guī)定為危險，2～4m規(guī)定為良好，4m以上規(guī)定為安全。Z軸數(shù)據(jù)是車行駛過程中車正下方或斜下方較近距離范圍內(nèi)的路面的探測數(shù)據(jù)，規(guī)定0～0.1m為安全，大于0.1m規(guī)定為危險。

當(dāng)最近距離的車輛或障礙物在X軸或Y軸距離足夠遠時，車輛是安全的，距離適中時狀況為良好，當(dāng)X軸和Y軸數(shù)據(jù)均小于2m時狀況是危險，Z軸所探測路面狀況為輔助判斷。三維方向上的安全距離是汽車防撞安全系統(tǒng)的新的研究方向[3]。

2Fisher判別方法

2.1理論基礎(chǔ)

Fisher判別涉及維數(shù)壓縮問題。若把多維特征空間的點投影到某一條直線上，特征空間被壓縮成一維，這在數(shù)學(xué)上很容易實現(xiàn)。但是在高維空間里很容易區(qū)分開的樣品投影到任意一條直線上，可能不同類別的樣品就混在一起使其無法區(qū)分。將數(shù)據(jù)投影在某一方向，使組間距離最大，組內(nèi)距離最小，從而實現(xiàn)數(shù)據(jù)分類，是Fisher的基本思想。

Fisher方法所要解決的基本問題就是根據(jù)實際情況找到一條最好的且最易于分類的投影線。但Fisher線性判別過于簡單，一般不能滿足處理非線性數(shù)據(jù)的要求，所以采用核Fisher方法。

基于核的Fisher判別分析方法常用的方法是采用非線性投影，使投影后的數(shù)據(jù)線性可分。核Fisher判別分析時，首先使數(shù)據(jù)非線性地映射到某一個特征空間，之后在此空間中進行Fisher判別，隱含地完成了原輸入空間的非線性判別[5-7]。

2.2核Fisher算法

汽車安全數(shù)據(jù)的分類是個三分類問題，首先實現(xiàn)兩分類，返回最接近待測樣本的類別，然后用返回的類別和新類別做兩類分類，最后可得未知樣本的類別[8]。

兩類基于核的Fisher算法步驟如下：

(6)求閾值點y0。對于核Fisher線性判別法分界閾值點可選為

(7)對于特定樣本X，求它的投影點。

(8)根據(jù)決策規(guī)則分類。投影點y>y0，則x屬于ω1。y

根據(jù)以上步驟用Matlab實現(xiàn)汽車防撞安全數(shù)據(jù)的分類。

3實驗數(shù)據(jù)和Matlab實驗結(jié)果

數(shù)據(jù)預(yù)處理：所測數(shù)據(jù)為車前、后、左、右、下方向的數(shù)據(jù)，有正負，但分類結(jié)果與數(shù)據(jù)的正負無關(guān)，與數(shù)據(jù)的絕對值大小有關(guān)，所以把所有數(shù)據(jù)取絕對值，利于Matlab編程實現(xiàn)。

目前為止，核Fisher核函數(shù)的選擇和參數(shù)的確定是解決分類問題的關(guān)鍵和難點而且理論方面的指導(dǎo)不多。經(jīng)過多次實驗，高斯徑向基核函數(shù)的參數(shù)σ選為1，可以使此數(shù)據(jù)的分類效果很好。

圖1　在第一、二類數(shù)據(jù)下的投影點

訓(xùn)練樣本有56組，待測試數(shù)據(jù)有12組。由于是三分類問題，測試數(shù)據(jù)依次與第一類和第二類，第一類和第三類，第二類和第三類分別做二分類。它們的閾值點對應(yīng)分別為3.7807、18.0807、1.8162，待測數(shù)據(jù)的投影點圖分別為圖1、圖2、圖3。由判別依據(jù)進行分類，大于閾值點的分為前一類，小于閾值點分為后一類，出現(xiàn)的分類標(biāo)號次數(shù)最多的為最終分類結(jié)果。表1是核Fisher方法對汽車防撞安全數(shù)據(jù)的分類結(jié)果。圖4為核Fisher方法在Matlab上實現(xiàn)的仿真圖。

圖2　在第一、三類數(shù)據(jù)下的投影點

圖3　在第二、三類數(shù)據(jù)下的投影點

圖4　核Fisher汽車防撞安全數(shù)據(jù)的分類

編號X軸Y軸Z軸原類別核FisherSVMBP120.20ⅠⅠⅠⅠ20.520.01ⅠⅠⅠⅠ30.40.10.15ⅠⅠⅠⅠ40.50.30ⅠⅠⅠⅠ50.530ⅡⅡⅡⅡ630.60.08ⅡⅡⅡⅡ*70.52.10.05ⅡⅡⅠⅠ81.23.50ⅡⅡⅡⅡ90.84.20ⅢⅢⅢⅢ101.24.20ⅢⅢⅢⅢ11150ⅢⅢⅢⅢ124.11.50ⅢⅢⅢⅢ準(zhǔn)確率/%10091.666791.6667

說明：*表示為預(yù)測錯誤的數(shù)據(jù)；Ⅰ代表汽車行駛狀況“危險”；Ⅱ代表“良好”；Ⅲ代表“安全”。

4判別分析

由表1可以得出，核Fisher、SVM、BP神經(jīng)網(wǎng)絡(luò)都實現(xiàn)了較高的準(zhǔn)確率，但核Fisher分類方法比SVM、BP神經(jīng)網(wǎng)絡(luò)方法分類的精確性更高。SVM也是針對線性不可分的情況提出的算法，通過低維到高維的映射使其線性可分，但SVM一般只能用在二類問題，對于多類問題汽車安全數(shù)據(jù)的分類結(jié)果中沒有核Fisher效果好。雖然BP神經(jīng)網(wǎng)絡(luò)在分類領(lǐng)域也得到廣泛應(yīng)用，但BP算法不足之處在于容易陷入局部最優(yōu)，而且有初始權(quán)重敏感性等局限，在汽車防撞安全數(shù)據(jù)的分類中，沒有核Fisher的分類結(jié)果精確。

核Fisher方法很好地解決了汽車防撞安全數(shù)據(jù)的分類，第七組實驗數(shù)據(jù)Y軸數(shù)據(jù)2.1與判別標(biāo)準(zhǔn)2很接近，核Fisher判別方法也能精確地將其分到正確的一類。由實驗數(shù)據(jù)的分類結(jié)果得出，核Fisher方法對安全數(shù)據(jù)的分類有很高的準(zhǔn)確率。核Fisher運用了非線性映射，且非線性映射一般是復(fù)雜的，因此提高了非線性數(shù)據(jù)的處理能力。

5結(jié)論

(1)將核Fisher判別分析用于汽車防撞安全數(shù)據(jù)的等級分類中，建立了汽車安全數(shù)據(jù)的核Fisher判別分析模型，此方法對于汽車安全數(shù)據(jù)的分類應(yīng)用方面有較高的可信度，預(yù)測精度高，誤判率小，是一種切實可行的判別方法。

(2)汽車防撞安全數(shù)據(jù)具有非線性的特點，核Fisher判別分析為汽車安全數(shù)據(jù)的分類提供了一種新的方法，可實際應(yīng)用在汽車安全數(shù)據(jù)等級的分類中。

核Fisher能很好地將汽車安全數(shù)據(jù)進行分類，準(zhǔn)確率較高，可為駕駛?cè)藛T提供安全信息。

參考文獻：

[1]陳勇,黃席樾,楊尚罡.汽車防撞預(yù)警系統(tǒng)的研究與發(fā)展[J].計算機仿真,2006,23(12):239-243.

[2]檀何鳳,劉政怡.模式分類方法比較研究[J].計算機技術(shù)與發(fā)展,2015,25(2):99-102.

[3]閆新星.汽車三維安全防撞預(yù)警系統(tǒng)的設(shè)計與開發(fā)[D].太原：太原理工大學(xué),2011：9-10.

[4]楊翠萍,官慧峰.高速公路汽車防撞系統(tǒng)的安全行車距離研究[J].自動化儀表,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]程正東,章毓晉,樊祥，等.常用Fisher判別函數(shù)的判別矩陣研究[J].自動化學(xué)報,2010,36(10)：1361-1370.

[7]盧國斌，張瑾.膨脹土脹縮等級分類的Fisher分析判別[J].遼寧工程技術(shù)大學(xué)學(xué)報：自然科學(xué)版,2013,32(11)：1476-1479.

[8]楊淑瑩.模式識別與智能計算[M].北京：電子工業(yè)出版社,2011：108-112.

(責(zé)任編輯：馬金發(fā))

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

中圖分類號：TP181

文獻標(biāo)志碼：A

文章編號：1003-1251(2016)02-0001-04

作者簡介：申穎穎(1991—),女，碩士研究生；通訊作者：秦麗娟(1978—),女，副教授，博士，研究方向：圖像識別與機器視覺。

基金項目：國家自然科學(xué)基金資助項目(61203163);國家重點實驗室基金資助項目(2013-006);遼寧社科規(guī)劃基金項目(L13BJY023)

收稿日期：2015-04-29