基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的障礙物辨識(shí)研究

劉順林 黃影平 劉述民

摘 要：依據(jù)對(duì)樣本的統(tǒng)計(jì)學(xué)習(xí)和對(duì)事物的先驗(yàn)知識(shí)，在數(shù)據(jù)缺失或沒(méi)有樣本數(shù)據(jù)的情況下依然可以建立有效的分類器。從圖像中提取特征，篩選出所需特征，構(gòu)建貝葉斯網(wǎng)絡(luò)模型，并計(jì)算各節(jié)點(diǎn)的條件概率。將所需數(shù)據(jù)傳入建好的網(wǎng)絡(luò)系統(tǒng)中，通過(guò)一系列推理判斷得到所需答案。實(shí)驗(yàn)結(jié)果表明，利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)建立的障礙物辨識(shí)系統(tǒng)，能有效實(shí)現(xiàn)人和車輛等障礙物的辨識(shí)。

關(guān)鍵詞：動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)；特征提??；障礙物辨識(shí)

DOI：10.11907/rjdk.172656

中圖分類號(hào)：TP301

文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-7800（2018）004-0025-03

Abstract：This paper employs dynamic Bayesian network for obstacle classification. The network is established based on statistical learning from the sample and prior knowledge. The classifier can tolerate the absence of data or lack of samples. By extracting the features from the image， we select the desired features， construct the Bayesian network model， and calculate the conditional probability of each node. We input the data into the established network and get the answer by relevant reasoning. The experimental results show that the obstacle classification system established by the dynamic Bayesian network can effectively realize the classification of obstacles such as pedestrian， vehicle and others.

Key Words：dynamic bayesian network； feature extraction； obstacle classification

0 引言

障礙物辨識(shí)作為智能汽車的核心技術(shù)，一直受到業(yè)界重視。對(duì)汽車前方的行人、車輛等物體進(jìn)行探測(cè)和辨識(shí)，可以減少交通事故發(fā)生，從而保障行人安全。障礙物探測(cè)和辨識(shí)領(lǐng)域的研究成果較多：楊欣等[1]提出了一種基于集成學(xué)習(xí)改進(jìn)的二叉樹支持向量機(jī)（BT-SVM）的多類分類方法；朱丹丹等[2]提出了基于樸素貝葉斯原理實(shí)現(xiàn)車載多障礙物的分類，實(shí)現(xiàn)對(duì)行人、車輛、騎自行車/摩托車等障礙物的分類；邵成猛[3]通過(guò)對(duì)盾構(gòu)機(jī)的千斤頂總推力、刀盤馬達(dá)總扭矩和推進(jìn)速度進(jìn)行BP神經(jīng)網(wǎng)絡(luò)構(gòu)建，實(shí)現(xiàn)了無(wú)障礙物及混凝土樁、鉆孔灌注樁、工法樁等障礙物的分類和預(yù)測(cè)。目前較為通用的分類器如SVM[4]、AdaBoost[5]等都需要大量的樣本支撐，而貝葉斯網(wǎng)絡(luò)依靠統(tǒng)計(jì)學(xué)習(xí)和先驗(yàn)知識(shí)，提高了數(shù)據(jù)缺失情況下的障礙物分類。

1 障礙物辨識(shí)系統(tǒng)組成

障礙物辨識(shí)系統(tǒng)組成如圖1所示。

系統(tǒng)分3個(gè)階段實(shí)現(xiàn)：①收集一定數(shù)量的樣本并對(duì)其進(jìn)行前期處理，提取所需特征；②確立障礙物、類別和特征之間的關(guān)系，建立動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，再計(jì)算各節(jié)點(diǎn)的條件概率表，實(shí)現(xiàn)網(wǎng)絡(luò)的參數(shù)學(xué)習(xí)；③輸入待測(cè)試目標(biāo)的特征概率，判別出障礙物類型。

2 特征提取與選擇

形狀描述有基于幾何特征和基于輪廓形狀的方法，其中基于輪廓描述方法分為基于輪廓和基于區(qū)域兩大類[6-7]。這些方法包括矩形度、高度、細(xì)長(zhǎng)度、球狀性、緊致度、Hu矩等形狀特征，本文主要采用矩形度、高度、細(xì)長(zhǎng)度和球狀性4個(gè)特征。

2.1 矩形度

矩形度Ra反映了物體在最小外界矩形中的填充程度，表達(dá)為：

Ra=A0AR（1）

式（1）中，A0為輪廓包圍的圖像面積，AR為輪廓最小外接矩形面積，Ra的大小在0～1之間，矩形度可以用來(lái)區(qū)分矩形、圓形和不規(guī)則形狀。

2.2 細(xì)長(zhǎng)度

細(xì)長(zhǎng)度RHW反映了目標(biāo)的外觀特性，其表達(dá)式為：

RHW=HW（2）

式（2）中，H和W分別為輪廓圖像最小外接矩形的高和寬，RHW大小在0～∝間變化，細(xì)長(zhǎng)目標(biāo)大于1，寬扁目標(biāo)則小于1，用它可以將細(xì)長(zhǎng)目標(biāo)和寬扁目標(biāo)區(qū)分開來(lái)。

2.3 球狀性

球狀性SP原為3D物體表面積和對(duì)應(yīng)體積的比值，將其用于對(duì)2D目標(biāo)的描述，其表達(dá)式為：

SP=RiRc（3）

式（3）中，Ri、Rc分別代表目標(biāo)區(qū)域的內(nèi)、外接圓的半徑，兩個(gè)圓心都位于區(qū)域的質(zhì)心上，SP在0～1間變化。當(dāng)目標(biāo)為圓型區(qū)域時(shí)SP達(dá)到最大，它不受目標(biāo)區(qū)域平移、旋轉(zhuǎn)和縮放的影響。

2.4 高度

根據(jù)統(tǒng)計(jì)數(shù)據(jù)，我國(guó)成年人身高[8-9]均值約1.70m，標(biāo)準(zhǔn)差8cm左右，能獨(dú)立活動(dòng)于道路交通中的6～13歲青少年身高平均分布在1.1m～1.55m之間，可大致推算出行人的分布概率。通過(guò)各汽車公司網(wǎng)站統(tǒng)計(jì)出小型車尺寸分布情況，可大概估算出小型車輛的高度分布概率。

3 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)設(shè)計(jì)

3.1 貝葉斯網(wǎng)絡(luò)原理

貝葉斯網(wǎng)絡(luò)（BN）是一種用于描述變量間不確定性因果關(guān)系的圖形網(wǎng)絡(luò)模型，由節(jié)點(diǎn)、有向連線和節(jié)點(diǎn)概率表組成，其中有向連線代表節(jié)點(diǎn)間的因果依賴關(guān)系，由于網(wǎng)絡(luò)結(jié)構(gòu)中各節(jié)點(diǎn)不能形成閉合環(huán)，也稱為有向無(wú)環(huán)圖[10]。

貝葉斯網(wǎng)絡(luò)規(guī)定圖中的每個(gè)節(jié)點(diǎn)υi獨(dú)立于由υi的父節(jié)點(diǎn)給定的非υi后代節(jié)點(diǎn)構(gòu)成的任何子節(jié)點(diǎn)集。給定一個(gè)隨機(jī)變量集V（υ1，υ2，…，υn），假設(shè)B（υi）表示υi的直接雙親節(jié)點(diǎn)，由概率論的鏈?zhǔn)揭?guī)則可得變量υi（i=1，2，…，n）的聯(lián)合概率為：

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)是描述一個(gè)隨時(shí)間改變和演化的系統(tǒng)模型，它的拓?fù)浣Y(jié)構(gòu)在每個(gè)時(shí)刻是相同的，不隨時(shí)間而改變。為了將靜態(tài)貝葉斯網(wǎng)絡(luò)擴(kuò)展到動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，可以引入時(shí)間節(jié)點(diǎn)，構(gòu)成某一時(shí)刻的時(shí)間片結(jié)構(gòu)，以表達(dá)對(duì)時(shí)間的依賴關(guān)系，其結(jié)構(gòu)如圖2所示。再通過(guò)對(duì)每個(gè)時(shí)間片進(jìn)行復(fù)制，并在相鄰時(shí)間片的狀態(tài)之間加入弧，將靜態(tài)貝葉斯網(wǎng)絡(luò)擴(kuò)展為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)。

3.2 貝葉斯辨識(shí)模型建立

建立貝葉斯辨識(shí)模型，首先需要建立結(jié)構(gòu)模型，然后確定網(wǎng)絡(luò)參數(shù)。

為了將障礙物分成行人、車輛和其它目標(biāo)，本文采用兩層網(wǎng)絡(luò)模型對(duì)障礙物進(jìn)行識(shí)別。如圖3所示，第一層為根節(jié)點(diǎn)，假定變量為識(shí)別目標(biāo)，總共有3種類別；第二層為葉節(jié)點(diǎn)，對(duì)應(yīng)所選取的Ra、RHW、SP、Height等4個(gè)特征。

加入時(shí)間節(jié)點(diǎn)，形成靜態(tài)貝葉斯網(wǎng)絡(luò)（SBN）轉(zhuǎn)化為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）的中間結(jié)構(gòu)。如圖4所示，圖中“Object”既是t時(shí)刻的總輸出節(jié)點(diǎn)，又是t+1時(shí)刻的輸入節(jié)點(diǎn)。為了將SBN連接成DBN，可將“Object”等效為圖4所示的“Prew”+“Object”合體，它們分別代表輸入節(jié)點(diǎn)和輸出節(jié)點(diǎn)，其概率分布一樣。通過(guò)狀態(tài)轉(zhuǎn)移的方式將中間結(jié)構(gòu)連接成三時(shí)間片的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，其簡(jiǎn)化結(jié)構(gòu)如圖5所示。

網(wǎng)絡(luò)所需的概率一部分由歷史數(shù)據(jù)統(tǒng)計(jì)分析獲得，一部分通過(guò)對(duì)各特征進(jìn)行統(tǒng)計(jì)分析獲取其分布規(guī)律，用正態(tài)分布進(jìn)行模擬，得到各特征的正太概率密度函數(shù)。由于目前基于連續(xù)節(jié)點(diǎn)變量的貝葉斯網(wǎng)絡(luò)理論還不太成熟，且相關(guān)算法比較繁瑣，故在時(shí)間運(yùn)用上需要將概率密度函數(shù)轉(zhuǎn)化為相應(yīng)的離散概率表，部分概率表如表1、表2、表3所示。

4 實(shí)驗(yàn)結(jié)果

從數(shù)據(jù)庫(kù)中提取40個(gè)樣本組成100張圖片進(jìn)行測(cè)試，圖6所示為SBN的障礙物辨識(shí)狀態(tài)圖，圖中矩形框?yàn)楦鞴?jié)點(diǎn)變量的觀測(cè)窗口，以柱狀圖和百分百的雙重形式顯示節(jié)點(diǎn)變量取不同值的概率。當(dāng)輸入Height和SP兩節(jié)點(diǎn)的證據(jù)時(shí)，推理出“Object”節(jié)點(diǎn)中的“PD”概率較大，分類結(jié)果為行人。

相同條件下，圖7所示為DBN的障礙物辨識(shí)狀態(tài)，由圖可知在沒(méi)有新證據(jù)輸入之前，后續(xù)時(shí)間片的概率分布越來(lái)越均勻，體現(xiàn)了前一時(shí)刻的輸出對(duì)后續(xù)判斷影響越來(lái)越小。如果繼續(xù)輸入證據(jù)，則可提高系統(tǒng)辨識(shí)障礙物的能力，并在某一時(shí)刻圖像缺失的情況下，通過(guò)前后時(shí)刻的關(guān)聯(lián)性判別出障礙物。

5 結(jié)語(yǔ)

基于動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的障礙物辨識(shí)系統(tǒng)對(duì)障礙物有良好的辨識(shí)能力，與SBN相比，DBN有著更豐富的決策機(jī)理，合理利用了障礙物的時(shí)空信息，將不同時(shí)刻的辨識(shí)結(jié)果聯(lián)系在一起，有效提高了系統(tǒng)的檢測(cè)率，降低了偶然誤判帶來(lái)的風(fēng)險(xiǎn)。該系統(tǒng)具有辨識(shí)能力強(qiáng)、運(yùn)算復(fù)雜度低等優(yōu)點(diǎn)。

參考文獻(xiàn)：

[1] 楊欣，沈志熙，黃席樾，等.智能車輛在城區(qū)交通場(chǎng)景中的多類障礙物識(shí)別[J].重慶大學(xué)學(xué)報(bào)，2009，32（7）：757-761.

[2] 朱丹丹，應(yīng)捷，田謹(jǐn).基于貝葉斯分類器的車載多類障礙物分類[J].信息技術(shù)，2016（1）：17-19.

[3] 邵成猛.基于BP神經(jīng)網(wǎng)絡(luò)的盾構(gòu)前方障礙物預(yù)測(cè)研究[J].鐵道建筑技術(shù)，2017（5）：11-12，31.

[4] 李紅蓮，王春花，袁保宗.一種改進(jìn)的支持向量機(jī)NN-SVM[J].計(jì)算機(jī)學(xué)報(bào)，2003（8）：1015-1020.

[5] 付忠良.關(guān)于AdaBoost有效性的分析[J].計(jì)算機(jī)研究與發(fā)展，2008（10）：1747-1755.

[6] 束鑫.形狀分析新方法及其在圖像檢索中的應(yīng)用研究[D].無(wú)錫：江南大學(xué)，2012.

[7] HU M K. Visual pattern recognition by moment invariants[J].IEEE Transactions on Information Theory，1962，8（1）：179-187.

[8] 楊剛，張安琪.大學(xué)生身高影響因素實(shí)證分析[J].河南工程學(xué)院學(xué)報(bào)：自然科學(xué)版，2013，25（3）：44-47.

[9] 楊曉光，李艷平，馬冠生，等.中國(guó)2002年居民身高和體重水平及近10年變化趨勢(shì)分析[J].中華流行病學(xué)雜志，2005，27（7）：489-493.

[10] HUANG Y P， ANTORY D， JONES R P. Bayesian belief network based fault diagnosis in automotive electronic systems[J]. International Symposium on Advanced Vehicle Control，2006（6）：469-475.

（責(zé)任編輯：杜能鋼）