文獻(xiàn)標(biāo)識碼： A
DOI：10.16157/j.issn.0258-7998.2017.02.032
中文引用格式： 王劍，張偉華，李躍新. 結(jié)合圖模型的優(yōu)化多類SVM及智能交通應(yīng)用[J].電子技術(shù)應(yīng)用，2017，43(2)：132-136.
英文引用格式： Wang Jian，Zhang Weihua，Li Yuexin. An optimal multi-class SVM combined with graph model and its application on intelligent transportation[J].Application of Electronic Technique，2017，43(2)：132-136.
0 引言
隨著監(jiān)控技術(shù)的發(fā)展，智能交通中基于計算機(jī)視覺的研究受到廣泛關(guān)注，其典型應(yīng)用是利用視頻或圖像數(shù)據(jù)智能檢測交通場景中是否存在行人和車輛[1]。對于目標(biāo)檢測而言，特征提取和分類是目標(biāo)檢測的兩個關(guān)鍵環(huán)節(jié)[2]。按照所使用的特征和分類器的不同，行人和車輛檢測領(lǐng)域的主要方法可分為：結(jié)合Haar特征和Adaboost分類器的方法[3，4]、結(jié)合方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征和支持向量機(jī)(Support Vector Machine，SVM)分類器的方法[5-11]、結(jié)合HOG特征和深度網(wǎng)絡(luò)分類器的方法[12-14]。其中，SVM分類器能有效處理小樣本的學(xué)習(xí)問題，在實際應(yīng)用過程中更受關(guān)注。為了分類多個目標(biāo)，文獻(xiàn)[15]對經(jīng)典的SVM分類器進(jìn)行擴(kuò)展，提出一種多類SVM分類器，通過一次性訓(xùn)練多個分類超平面來解決多個目標(biāo)的分類問題，這樣可以同時檢測行人和車輛目標(biāo)。考慮到多類SVM分類器在分類多個目標(biāo)時，不同目標(biāo)數(shù)據(jù)之間的類間差異大而類內(nèi)差異小，不宜同等對待。為此，本文提出一種結(jié)合無向圖模型的多類SVM分類器，在訓(xùn)練多類SVM分類器時，首先計算目標(biāo)數(shù)據(jù)之間的相似度，依據(jù)相似度構(gòu)建無向圖模型，進(jìn)而求解一個目標(biāo)的相似度約束矩陣，對分類器的求解進(jìn)行約束，從而提高多目標(biāo)的分類準(zhǔn)確度。本文將HOG特征和優(yōu)化后的多類SVM分類器相結(jié)合進(jìn)行行人和車輛檢測，降低了行人和車輛檢測的錯誤率。
1 結(jié)合無向圖模型的多類SVM分類器
經(jīng)典SVM分類器是一個二值分類器，也即分類結(jié)果只有兩類。為了便于區(qū)分多類目標(biāo)，文獻(xiàn)[15]對SVM分類器進(jìn)行擴(kuò)展，提出一種多類SVM分類器。這種分類器仍然可以看作是一個最優(yōu)化問題，目標(biāo)是尋找K個最優(yōu)的分類超平面，目標(biāo)函數(shù)可以表示為：
這樣，多類SVM分類器的構(gòu)建可以轉(zhuǎn)換為式(3)的最優(yōu)求解問題。
為了在訓(xùn)練過程中增強(qiáng)特征的鑒別能力，本文考慮在訓(xùn)練過程中引入訓(xùn)練數(shù)據(jù)之間的相似度信息，具體是將包含相似度信息的無向圖模型引入到多類SVM分類器的訓(xùn)練過程。詳細(xì)描述如下。
訓(xùn)練數(shù)據(jù)可以用一個無向圖模型表示，為：
其中，X=[x1，…，xN]，V是一個相似度矩陣，用于描述各個特征向量之間的相似度。本文采用余弦測度來描述兩個訓(xùn)練特征向量之間的相似度，表示為：
其中，vij為矩陣V的第i行、第j列的元素。
本文用相似度矩陣V構(gòu)建一個圖拉普拉斯矩陣，表示為：
其中，D是由相似度矩陣V生成的對角矩陣，表示為：
于是，可以由圖拉普拉斯矩陣L和訓(xùn)練數(shù)據(jù)構(gòu)建一個相似度約束矩陣S，用于約束訓(xùn)練數(shù)據(jù)的相似度，表示為：
本文將相似度約束矩陣S引入到式(1)中，目的是在訓(xùn)練多類SVM分類器時能綜合考慮訓(xùn)練特征之間的相似度，提高多目標(biāo)分類精度。引入相似度約束矩陣S的目標(biāo)函數(shù)為：
式(12)的優(yōu)化問題可以等價為：
對比式(19)和式(3)，可以發(fā)現(xiàn)兩個優(yōu)化問題是相似的。為了解決多類SVM的優(yōu)化問題，本文首先進(jìn)行特征值分解，表示為：
其中，v是由特征值組成的一個對角矩陣，且特征值采用降序排列。U是一個正交矩陣，由特征值對應(yīng)的特征向量組成。這里再定義一個轉(zhuǎn)置矩陣P，滿足如下條件：
2 智能交通中的行人和車輛檢測方法
行人和車輛是智能交通領(lǐng)域最為關(guān)注的兩類感興趣目標(biāo)。本文結(jié)合梯度方向直方圖特征和圖模型優(yōu)化的多類SVM分類器自動檢測圖像中的行人和車輛目標(biāo)，基本流程如圖1所示。
2.1 顏色空間變換
輸入圖像一般為彩色圖像，對于行人和車輛目標(biāo)而言，由于對象的顏色分布無序，圖像的顏色信息并不能有效提升特征的分辨能力，卻能大幅降低算法的運(yùn)算效率。在綜合考慮運(yùn)算效率和檢測性能后，本文選擇利用圖像的灰度信息檢測人體和車輛目標(biāo)。因此，首先需要將彩色圖像轉(zhuǎn)換為灰度圖像。
2.2 光照歸一化
為了避免環(huán)境光照差異造成的圖像對比度不均勻問題，需對圖像進(jìn)行光照歸一化處理。對于行人和車輛目標(biāo)而言，常采用平方根的Gamma校正方法。
2.3 梯度模值與方向計算
圖像梯度的計算常采用圖像與模板圖像卷積的方式進(jìn)行，本文采用模板(-1，0，1)計算圖像中各個像素點(diǎn)(x，y)的水平和垂直梯度分量，表示為：
其中，梯度的方向采用絕對值形式，主要是考慮到行人和車輛的灰度分布受裝飾和背景的干擾大，方向的符號影響特征的穩(wěn)健性。
2.4 特征提取
對于圖像中的每一個像素點(diǎn)，提取梯度方向直方圖特征，具體地，先對0°~180°的方向進(jìn)行采樣，本文將方向等分為10個方向塊；然后在每一個像素點(diǎn)所處的單元格(6×6)內(nèi)，求不同方向塊上梯度模值的累加和，形成一組直方圖特征向量；最后再對特征向量v(x，y)進(jìn)行歸一化，表示為：
2.5 特征訓(xùn)練與分類
采用本文提出的圖模型優(yōu)化的多類SVM分類器進(jìn)行訓(xùn)練和分類。在訓(xùn)練階段，將行人樣本集、車輛樣本集和負(fù)樣本集送入分類器，求解分類器的最優(yōu)參數(shù)。這里，分類類別數(shù)K=3。在測試階段，將待驗證的圖像塊送入分類器，輸出該圖像塊的類別。
3 仿真與分析
本節(jié)設(shè)計了行人和車輛檢測的仿真實驗，用于驗證本文方法的性能。首先，介紹實驗數(shù)據(jù)集合評價指標(biāo)；然后，對比本文提出的圖模型優(yōu)化多類SVM分類器（簡記為GMSVM）和文獻(xiàn)[15]提出的經(jīng)典多類SVM分類器（簡記為MSVM）的性能差異；最后，對比本文提出的行人和車輛檢測方法（記為HOG+GMSVM）與目前主流的目標(biāo)檢測方法的性能在行人和車輛檢測實驗中的性能差異。
3.1 數(shù)據(jù)集與評價指標(biāo)
目前，國際上流行的行人數(shù)據(jù)集很多，但車輛數(shù)據(jù)集較少。為了在通用數(shù)據(jù)集下客觀評價算法性能。本文選用Caltech行人數(shù)據(jù)集[16]，該數(shù)據(jù)集中不僅還有行人，也包含車輛。但行人目標(biāo)已標(biāo)記，而車輛目標(biāo)未標(biāo)記。對圖像中的車輛目標(biāo)進(jìn)行標(biāo)記，共標(biāo)記出9 312個車輛目標(biāo)矩形框。該數(shù)據(jù)庫分為11個子集，一般選用Set00～Set05子集進(jìn)行訓(xùn)練，Set06～Set10子集進(jìn)行測試。
行人和車輛目標(biāo)的檢測性能用錯誤率指標(biāo)進(jìn)行評價，定義行人檢測錯誤率(ErrP)、車輛檢測錯誤率(ErrC)和平均檢測錯誤率(ErrA)如下：
其中，當(dāng)檢測到的矩形框與標(biāo)記的矩形框位置重合度超過50%且類別一致時才認(rèn)為檢測正確。
3.2 GMSVM與MSVM性能對比分析
GMSVM是對經(jīng)典的MSVM的改進(jìn)，因此，本節(jié)先對比GMSVM與MSVM在行人和車輛檢測實驗中的性能差異，其中，特征提取都采用本文所述的HOG特征提取方法。圖2給出了分類器不同時行人和車輛檢測的ErrP、ErrC和ErrA 3項指標(biāo)。很明顯，GMSVM對應(yīng)的3項錯誤率指標(biāo)都低于MSVM，尤其是ErrC指標(biāo)。究其原因，主要是GMSVM增加了訓(xùn)練特征相似度的約束，進(jìn)一步增強(qiáng)了行人和車輛兩類目標(biāo)特征之間的區(qū)分能力，降低了誤檢現(xiàn)象。
3.3 本文方法與主流目標(biāo)檢測方法的性能對比分析
為進(jìn)一步評價本文方法性能，將本文方法與目前主流的目標(biāo)檢測方法(尤其是行人檢測方法)進(jìn)行對比。圖3展示了不同方法在本文所述的人車實驗數(shù)據(jù)集上的檢測錯誤率指標(biāo)。其中，訓(xùn)練和測試樣本都是相同的，實驗中參與對比的方法選擇其來源文獻(xiàn)中所述的最優(yōu)參數(shù)，同一方法在檢測行人和車輛時所用的特征以及參數(shù)都是相同的。文獻(xiàn)[3]和文獻(xiàn)[14]的行人和車輛檢測分兩步進(jìn)行，先單獨(dú)檢測行人目標(biāo)，再檢測車輛目標(biāo)。文獻(xiàn)[11]和本文方法一次檢測行人和車輛兩類目標(biāo)。
由圖3可見，本文方法在行人和車輛檢測過程中的3個錯誤率指標(biāo)都是最低的。參與對比的3種方法其行人檢測錯誤率指標(biāo)差異不明顯，而車輛檢測錯誤率指標(biāo)差異較大，文獻(xiàn)[11]的車輛檢測錯誤率相對而言低于文獻(xiàn)[3]和文獻(xiàn)[14]所述方法，但仍然高于本文方法。而且，本文方法的行人和車輛錯誤檢測率指標(biāo)差異相對較小。總的來說，本文方法檢測行人和車輛的效果更好。
4 結(jié)束語
本文提出了一種結(jié)合無向圖優(yōu)化的多類支持向量機(jī)分類器，在訓(xùn)練多類支持向量機(jī)分類器時，利用夾角余弦測度計算各個訓(xùn)練數(shù)據(jù)之間的相似度，再結(jié)合訓(xùn)練數(shù)據(jù)本身構(gòu)建無向圖模型，并在圖模型中利用圖拉普拉斯矩陣和訓(xùn)練數(shù)據(jù)構(gòu)建和求解相似度約束矩陣。然后將相似度約束矩陣引入多類支持向量機(jī)求解的目標(biāo)函數(shù)，構(gòu)建優(yōu)化的多類支持向量機(jī)分類器。最后結(jié)合梯度方向直方圖特征和圖模型優(yōu)化的多類支持向量機(jī)分類器檢測行人和車輛目標(biāo)。行人和車輛目標(biāo)檢測結(jié)果表明，相對于經(jīng)典的多類支持向量機(jī)分類器和目前主流的目標(biāo)檢測方法，本文方法的檢測錯誤率低。然而目前算法的運(yùn)算效率不高，將在后續(xù)研究中解決。
參考文獻(xiàn)
[1] QURESHI K N，ABDULLAH A H.A survey on intelligent transportation systems[J].Middle-East Journal of Scientific Research，2013，15(5)：629-642.
[2] DOLLAR P，APPEL R，BELONGIE S，et al.Fast feature pyramids for object detection[J].Pattern Analysis and Machine Intelligence，IEEE Transactions on，2014，36(8)：1532-1545.
[3] ZHANG S，BAUCKHAGE C，CREMERS A.Informed haar-like features improve pedestrian detection[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2014：947-954.
[4] RAKATE G R，BORHADE S R，JADHAV P S，et al.Advanced pedestrian detection system using combination of Haar-like features，Adaboost algorithm and Edgelet-Shapelet[C].Computational Intelligence & Computing Research(ICCIC)，2012 IEEE International Conference on.IEEE，2012：1-5.
[5] 徐淵，許曉亮，李才年，等.結(jié)合SVM分類器與HOG特征提取的行人檢測[J].計算機(jī)工程，2016，42(1)：56-60.
[6] PRIOLETTI A，MOGELMOSE A，GRISLERI P，et al.Part-based pedestrian detection and feature-based tracking for driver assistance：real-time，robust algorithms，and evaluation[J].Intelligent Transportation Systems，IEEE Transactions on，2013，14(3)：1346-1359.
[7] 孫銳，侯能干，陳軍.基于特征融合和交叉核SVM的快速行人檢測方法[J].光電工程，2014(2)：53-62.
[8] LI D，XU L，GOODMAN E D，et al.Integrating a statistical background-foreground extraction algorithm and SVM classifier for pedestrian detection and tracking[J].Integrated Computer-Aided Engineering，2013，20(3)：201-216.
[9] 孫銳，陳軍，高雋.基于顯著性檢測與HOG-NMF特征的快速行人檢測方法[J].電子與信息學(xué)報，2013，35(8)：1921-1926.
[10] XU F.Pedestrian detection based on motion compensation and HOG/SVM classifier[C].Intelligent Human-Machine Systems and Cybernetics(IHMSC)，2013 5th International Conference on.IEEE，2013，2：334-337.
[11] SUN D，WATADA J.Detecting pedestrians and vehicles in traffic scene based on boosted HOG features and SVM[C].Intelligent Signal Processing(WISP)，2015 IEEE 9th International Symposium on.IEEE，2015：1-4.
[12] OUYANG W，WANG X.A discriminative deep model for pedestrian detection with occlusion handling[C].Computer Vision and Pattern Recognition(CVPR)，2012 IEEE Conference on.IEEE，2012：3258-3265.
[13] OUYANG W，ZENG X，WANG X.Modeling mutual visibility relationship in pedestrian detection[C].Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2013：3222-3229.
[14] ZENG X，OUYANG W，WANG X.Multi-stage contextual deep learning for pedestrian detection[C].Proceedings of the IEEE International Conference on Computer Vision，2013：121-128.
[15] WANG Z，XUE X.Multi-class support vector machine[M].Support Vector Machines Applications.Springer International Publishing，2014：23-48.
[16] DOLLAR P，WOJEK C，SCHIELE B，et al.Pedestrian detection：An evaluation of the state of the art[J].Pattern Analysis and Machine Intelligence，IEEE Transactions on，2012，34(4)：743-761.
作者信息:
王 劍1，張偉華2，李躍新3
(1.常熟理工學(xué)院 計算機(jī)科學(xué)與工程學(xué)院，江蘇 常熟215500；
2.鄭州成功財經(jīng)學(xué)院 信息工程系，河南 鄭州450000；3.湖北大學(xué) 計算機(jī)與信息工程學(xué)院，湖北 武漢430064)