一种面向“互联网+”智能交通管理的车辆类型识别方法
吕林涛+李志勋+吕晖+袁琴琴+高环
摘 要： 针对现有智能交通管理中车辆类型识别方法存在分类器效率较低等诸多问题，通过构造一种新的分类器，建立了一种智能交通车辆类型识别新方法。首先采用边缘梯度直方图进行图像特征提取，然后通过融合纠错编码技术和K?近邻分类器构造新分类器实现车辆类型的分类。通过大量实验仿真分析比对表明，该方法不仅能将多类分类问题转化成多个两分类问题，而且使车辆类型识别效率提高了2%，鲁棒性好。因此，该方法在“互联网+”智能交通管理中具有广阔的应用前景和推广价值。
关键词： 边缘方向直方图； 纠错编码； K?近邻分类器； 智能交通； 车辆类型识别
中图分类号： TN911?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2017）13?0184?03
Abstract： Since the available vehicle type identification methods of the intelligent traffic management have various problems， such as low classifier efficiency， a new classifier was constructed to establish a vehicle type identification method for intelligent traffic. The edge gradient histogram is used to extract the image characteristics. The error correction coding technology and K?nearest neighbor classifier are fused to construct the new classifier to classify the vehicle types. The analysis and comparison results of a large number of experimental simulation show that the method can transform the multi?class classification problem into the multiple binary classification problem， make the vehicle type identification efficiency increased by 2%， and has the characteristic of good robustness. The method used in ″Internet+″ intelligent traffic management has broad application prospect and high promotion value.
Keywords： edge orientation histogram； error correction coding； K?nearest neighbor classifier； intelligent traffic； vehicle type identification
0 引 言
当前，“互联网+”智能交通车辆管理中车辆类型识别方法是人们研究与关注的热点。车型识别问题在交通监控和调度、路桥收费管理等领域一直有着重要的应用，是计算机视觉、图像处理技术与模式识别的融合，是智能交通领域中一项非常重要的技术。
目前广泛采用的车辆识别算法大多数仍是通过各种装置获得车辆重量参数或侧面几何形状的特征参数（如车长、车宽、长宽比、轮轴数等），然后采用模板匹配或神经网络[1?2]等方法对其参数特征进行车型分类，但算法的车辆类型识别率不高，不能适应“互联网+”智能交通管理的要求。因此，研究一种交通车辆类型识别率高、鲁棒性好的算法具有重要的现实意义和广阔的应用前景。
1 基于ECC?KNN分类器的智能交通车辆类型
识别方法
本文提出的ECC?KNN分类器的车辆识别方法主要包括车辆边缘直方图特征提取算法和ECC?KNN算法。
1.1 基于边缘直方图的车辆特征提取算法
边缘直方图[3?4]（Edge Orientation HistoGRAMS，EOH）是基于图像边缘的统计特征，它具有能够准确地反映图像的边缘和纹理信息并且提取特征速度较快等特点，因此本文采用EOH进行车辆图像特征提取。其实现思想是：首先构造的灰度图像I，sobel算子和其次通过和算子分别对图像I进行边缘特征提取。基于此思想，设采集图像I中的样本像素为（其中表示像素所在行数和列数，），并假设得到和方向的梯度分别是和，则样本像素点的梯度幅值和梯度方向特征提取算法描述如下：
1.2 基于ECC?KNN的车辆特征分类算法
本文通过融合纠错编码技术和K?近邻分类器构造新车辆类型的分类器，并实现车辆类型的高效分类。
1.2.1 基于纠错编码的分类算法
纠错码[5] （Error Correcting Code，ECC）是在传输过程中发生错误后能在收端自行发现或纠正的码。文献[6]最先将ECC应用到解决多分类问题，其思想是把一种多类分类问题转换成多个两分类问题。有效的ECC编码必须满足两个条件：编码矩阵的行之间不相关；编码矩阵的列之间不相关且不互补。因此对于类分类问题，编码长度必须满足。ECC编码分类算法描述如下：
Step1：对待分类样本的类别（Label）进行编码，把所有的目标分类随机划分为A，B两部分，把划分到A的那些实例的标号改成0，其他实例的标号改成1；
Step2：用更改标号以后的训练集来训练该二值分类器。重复这个过程10次，则产生了10个不同的二值分类器；
Step3：分类结果如果是1，则对划分到对应分类器的B部分的目标分类投一票，最后目标分类票数最高的作为最终的分类结果。对样本类别进行编码，编码矩阵如表1所示。
1.1.2 融合ECC?KNN技术构造车辆类型分类的算法
K?近邻分类器[7?9]（K?Nearest neighborhood classifier，KNN）是一种基于统计的分类方法。其基本思想是：根据相似度判据考察待识别对象的个最相似样本，这个最相似元中哪一类的样本最多，就将归于哪一类。因此，ECC?KNN分类算法描述如下：
Step1：对已知的类标按照表1的编码矩阵进行编码，把多类问题转化成若干个两类分类问题；
Step2：对已经提取的EOH特征训练KNN分类器，得到10个KNN分类器（KNN1，KNN2，…，KNN10）；
Step3：对待识别的目标提取EOH特征，依次输入到10个KNN分类器中得到一组编码，对该编码进行反编码。如果KNN1输出的结果为1，如表1所示，则对对应的类标（类4、类5）加1票，否则对其余三类加1票；如果KNN2输出的结果为1，如表1所示，则对对应的类标（类1、类5）加1票，否则对其余三类加1票；依次类推，最终五个类标中票数最高的类就是该样本的分类结果。
2 实验仿真分析比对
（1） 基于边缘直方图的交通车辆特征提取算法应用
本文选取的样本车辆如图1（a）所示，基于边缘直方图的车辆特征提取算法应用效果如图1（b）所示。
（2） 融合ECC?KNN技术构造交通车辆类型分类算法应用
在图1中，其车辆样本特征值为11010101001，通过融合ECC?KNN技术构造车辆类型分类的算法应用结果如图2所示。
（3） 本文方法与其他方法的仿真比对
本文选取独立训练样本和待识别样本集，其中训练样本集包括 73辆小汽车，73辆面包车，89辆卡车，89辆公交车，48辆越野车共计372个样本。ECC?KNN算法与传统KNN算法的识别率比对如表2和图3所示。
3 结 语
本文通过边缘直方图提取车辆的边缘特征，然后融合ECC和KNN构造的分类器实现交通车辆的车型识别，并取得了良好的分类效果。将372个样本进行实验仿真，并将本文方法与传统的识别方法对比，本文方法可提高识别效率2%。因此，本文方法不仅分类准确而且还有很好的鲁棒性，很好地解决了智能交通车辆的车型识别问题，在“互联网+”智能交通管理中具有广阔的应用前景和推广价值。
参考文献
[1] 张津剑，顾晓东.自适应注意力选择与脉冲耦合神经网络相融合的沙漠车辆识别[J].计算机辅助设计与图形学学报，2014，26（1）：56?64.
[2] 王啟军，胡瑞敏，王中元.基于边界纹理一致性的帧内模板匹配预测算法[J].计算机工程，2012，38（6）：227?229.
[3] ZHAO Chihang， ZHANG Xiaozheng， ZHANG Yunsheng， et al. Recognizing driving postures by combined features of contourlet transform and edge orientation histogram ，and random subspace classifier ensembles [J]. Journal of intelligent and fuzzy systems， 2014， 27（4）： 2011?2021.
[4] 刘海媚，王玲，李兰花.基于方向边缘幅值的尺度块LBP人脸识别[J].计算机工程与应用，2015，51（17）：177?181.
[5] KOJO T， TAWADA M， YANAGISAWA M， et al. A write?reducing and error?correcting code generation method for non?volatile memories [C]// Proceedings of 2014 IEEE Asia?Pacific Conference on Circuits and Systems. Ishigaki： IEEE， 2014： 304?307.
[6] DIETTERICH T G. Machine learning research： four current directions [J]. AI magazine， 1997， 18（4）： 97?136.
[7] BATHELT R， SOLLER T， BENKERT K， et al. Accelerated processing route for KNN based piezoceramics [J]. Advances in applied ceramics， 2013， 112（7）： 430?435.
[8] 刘红健，胡蓉.K近邻和最小二乘支持向量机相融合的人脸识别[J].激光杂志，2014，35（11）：23?25.
[9] 孙伟伟，刘春，李巍岳.联合改进拉普拉斯特征映射和K?近邻分类器的高光谱影像分类[J].武汉大学学报（信息科学版），2015，40（9）：1151?1156.
摘 要： 针对现有智能交通管理中车辆类型识别方法存在分类器效率较低等诸多问题，通过构造一种新的分类器，建立了一种智能交通车辆类型识别新方法。首先采用边缘梯度直方图进行图像特征提取，然后通过融合纠错编码技术和K?近邻分类器构造新分类器实现车辆类型的分类。通过大量实验仿真分析比对表明，该方法不仅能将多类分类问题转化成多个两分类问题，而且使车辆类型识别效率提高了2%，鲁棒性好。因此，该方法在“互联网+”智能交通管理中具有广阔的应用前景和推广价值。
关键词： 边缘方向直方图； 纠错编码； K?近邻分类器； 智能交通； 车辆类型识别
中图分类号： TN911?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2017）13?0184?03
Abstract： Since the available vehicle type identification methods of the intelligent traffic management have various problems， such as low classifier efficiency， a new classifier was constructed to establish a vehicle type identification method for intelligent traffic. The edge gradient histogram is used to extract the image characteristics. The error correction coding technology and K?nearest neighbor classifier are fused to construct the new classifier to classify the vehicle types. The analysis and comparison results of a large number of experimental simulation show that the method can transform the multi?class classification problem into the multiple binary classification problem， make the vehicle type identification efficiency increased by 2%， and has the characteristic of good robustness. The method used in ″Internet+″ intelligent traffic management has broad application prospect and high promotion value.
Keywords： edge orientation histogram； error correction coding； K?nearest neighbor classifier； intelligent traffic； vehicle type identification
0 引 言
当前，“互联网+”智能交通车辆管理中车辆类型识别方法是人们研究与关注的热点。车型识别问题在交通监控和调度、路桥收费管理等领域一直有着重要的应用，是计算机视觉、图像处理技术与模式识别的融合，是智能交通领域中一项非常重要的技术。
目前广泛采用的车辆识别算法大多数仍是通过各种装置获得车辆重量参数或侧面几何形状的特征参数（如车长、车宽、长宽比、轮轴数等），然后采用模板匹配或神经网络[1?2]等方法对其参数特征进行车型分类，但算法的车辆类型识别率不高，不能适应“互联网+”智能交通管理的要求。因此，研究一种交通车辆类型识别率高、鲁棒性好的算法具有重要的现实意义和广阔的应用前景。
1 基于ECC?KNN分类器的智能交通车辆类型
识别方法
本文提出的ECC?KNN分类器的车辆识别方法主要包括车辆边缘直方图特征提取算法和ECC?KNN算法。
1.1 基于边缘直方图的车辆特征提取算法
边缘直方图[3?4]（Edge Orientation HistoGRAMS，EOH）是基于图像边缘的统计特征，它具有能够准确地反映图像的边缘和纹理信息并且提取特征速度较快等特点，因此本文采用EOH进行车辆图像特征提取。其实现思想是：首先构造的灰度图像I，sobel算子和其次通过和算子分别对图像I进行边缘特征提取。基于此思想，设采集图像I中的样本像素为（其中表示像素所在行数和列数，），并假设得到和方向的梯度分别是和，则样本像素点的梯度幅值和梯度方向特征提取算法描述如下：
1.2 基于ECC?KNN的车辆特征分类算法
本文通过融合纠错编码技术和K?近邻分类器构造新车辆类型的分类器，并实现车辆类型的高效分类。
1.2.1 基于纠错编码的分类算法
纠错码[5] （Error Correcting Code，ECC）是在传输过程中发生错误后能在收端自行发现或纠正的码。文献[6]最先将ECC应用到解决多分类问题，其思想是把一种多类分类问题转换成多个两分类问题。有效的ECC编码必须满足两个条件：编码矩阵的行之间不相关；编码矩阵的列之间不相关且不互补。因此对于类分类问题，编码长度必须满足。ECC编码分类算法描述如下：
Step1：对待分类样本的类别（Label）进行编码，把所有的目标分类随机划分为A，B两部分，把划分到A的那些实例的标号改成0，其他实例的标号改成1；
Step2：用更改标号以后的训练集来训练该二值分类器。重复这个过程10次，则产生了10个不同的二值分类器；
Step3：分类结果如果是1，则对划分到对应分类器的B部分的目标分类投一票，最后目标分类票数最高的作为最终的分类结果。对样本类别进行编码，编码矩阵如表1所示。
1.1.2 融合ECC?KNN技术构造车辆类型分类的算法
K?近邻分类器[7?9]（K?Nearest neighborhood classifier，KNN）是一种基于统计的分类方法。其基本思想是：根据相似度判据考察待识别对象的个最相似样本，这个最相似元中哪一类的样本最多，就将归于哪一类。因此，ECC?KNN分类算法描述如下：
Step1：对已知的类标按照表1的编码矩阵进行编码，把多类问题转化成若干个两类分类问题；
Step2：对已经提取的EOH特征训练KNN分类器，得到10个KNN分类器（KNN1，KNN2，…，KNN10）；
Step3：对待识别的目标提取EOH特征，依次输入到10个KNN分类器中得到一组编码，对该编码进行反编码。如果KNN1输出的结果为1，如表1所示，则对对应的类标（类4、类5）加1票，否则对其余三类加1票；如果KNN2输出的结果为1，如表1所示，则对对应的类标（类1、类5）加1票，否则对其余三类加1票；依次类推，最终五个类标中票数最高的类就是该样本的分类结果。
2 实验仿真分析比对
（1） 基于边缘直方图的交通车辆特征提取算法应用
本文选取的样本车辆如图1（a）所示，基于边缘直方图的车辆特征提取算法应用效果如图1（b）所示。
（2） 融合ECC?KNN技术构造交通车辆类型分类算法应用
在图1中，其车辆样本特征值为11010101001，通过融合ECC?KNN技术构造车辆类型分类的算法应用结果如图2所示。
（3） 本文方法与其他方法的仿真比对
本文选取独立训练样本和待识别样本集，其中训练样本集包括 73辆小汽车，73辆面包车，89辆卡车，89辆公交车，48辆越野车共计372个样本。ECC?KNN算法与传统KNN算法的识别率比对如表2和图3所示。
3 结 语
本文通过边缘直方图提取车辆的边缘特征，然后融合ECC和KNN构造的分类器实现交通车辆的车型识别，并取得了良好的分类效果。将372个样本进行实验仿真，并将本文方法与传统的识别方法对比，本文方法可提高识别效率2%。因此，本文方法不仅分类准确而且还有很好的鲁棒性，很好地解决了智能交通车辆的车型识别问题，在“互联网+”智能交通管理中具有广阔的应用前景和推广价值。
参考文献
[1] 张津剑，顾晓东.自适应注意力选择与脉冲耦合神经网络相融合的沙漠车辆识别[J].计算机辅助设计与图形学学报，2014，26（1）：56?64.
[2] 王啟军，胡瑞敏，王中元.基于边界纹理一致性的帧内模板匹配预测算法[J].计算机工程，2012，38（6）：227?229.
[3] ZHAO Chihang， ZHANG Xiaozheng， ZHANG Yunsheng， et al. Recognizing driving postures by combined features of contourlet transform and edge orientation histogram ，and random subspace classifier ensembles [J]. Journal of intelligent and fuzzy systems， 2014， 27（4）： 2011?2021.
[4] 刘海媚，王玲，李兰花.基于方向边缘幅值的尺度块LBP人脸识别[J].计算机工程与应用，2015，51（17）：177?181.
[5] KOJO T， TAWADA M， YANAGISAWA M， et al. A write?reducing and error?correcting code generation method for non?volatile memories [C]// Proceedings of 2014 IEEE Asia?Pacific Conference on Circuits and Systems. Ishigaki： IEEE， 2014： 304?307.
[6] DIETTERICH T G. Machine learning research： four current directions [J]. AI magazine， 1997， 18（4）： 97?136.
[7] BATHELT R， SOLLER T， BENKERT K， et al. Accelerated processing route for KNN based piezoceramics [J]. Advances in applied ceramics， 2013， 112（7）： 430?435.
[8] 刘红健，胡蓉.K近邻和最小二乘支持向量机相融合的人脸识别[J].激光杂志，2014，35（11）：23?25.
[9] 孙伟伟，刘春，李巍岳.联合改进拉普拉斯特征映射和K?近邻分类器的高光谱影像分类[J].武汉大学学报（信息科学版），2015，40（9）：1151?1156.
