基于证据特征融合的车辆可信化识别方法研究
王 璐，杨浩杰，刘放美
（1.铁道警察学院 图像与网络侦查系，郑州 450053；
2.郑州轻工业大学 软件学院，郑州 450002）
随着经济社会的不断进步和日益发展，车辆的保有量和使用量也逐渐提高，随之而来的就是复杂的道路交通状况以及频发的道路交通事故，这不但给人们的交通出行造成了严重的影响，也给公安交通管理部门的道路交通安全监管带来了严峻的挑战[1-2]。因而，车辆的有效监管成为了道路交通安全领域的一项重要研究内容，而对车辆的精准化识别则成为了车辆监管过程中的一个关键。
在车辆目标的识别方面，文献[3]结合梅尔倒谱系数特征提取方法，提出了一种加权的基频自适应特征提取算法，通过对梅尔倒谱系数进行自适应的加权，提升了车辆识别过程中所提取特征的鲁棒性。文献[4]基于随机游走推理模型，对高速公路上的风险车辆进行了知识推理，通过知识图谱的建模形式构建了高速公路风险车辆推理模型，提高了告诉高速风险车辆的识别性能。文献[5]基于细粒度图像分类方法，采用深度可分离卷积技术，对图像特征进行了多样化和局部化的特征检测，实现了对车辆目标的有效识别。文献[6]针对车辆类型识别率较低的实际问题，以ResNet18 网络作为骨干网络，提出了一种基于多级特征融合的车辆识别方法，并对损失函数进行了优化和改进。文献[7]针对多视点车辆识别问题，设计了一种基于交叉视距度量的视点自适应网络，通过构造交叉视图度量模块，进而提高了车辆识别的精准度。
上述方法在车辆识别问题中都能够体现出较为优越的识别性能，但当前关于车辆识别的方法往往都是一次性的，在车辆信息多源化的复杂环境下，车辆目标的相关特征量和特征参数都存在着一定的不确定性，这在影响车辆目标识别的准确性的同时，也会对所识别出的目标身份的可信度问题带来了一定的挑战。针对这一问题，本文在深入研究集成分类模型的基础上，提出了一种基于证据特征融合的车辆可信化识别方法，通过证据特征的深层次可信式融合，进而提升车辆识别的准确性和可信度。
本文在具体设计上，以并行神经网络为架构，构建如图1 所示的基于神经网络的集成分类模型。
图1 集成分类模型拓扑结构示意图Fig.1 Schematic diagram of integrated classification model topology
从该图中可以看出，所构建的集成分类模型拓扑结构中，以待识别目标的n 个主要识别特征Xp=[X1，X2，X3，…，Xn]T作为神经网络的输入样本向量集，构成其输入层I 的n 个输入神经元，待识别目标的m 种目标类型Yp= [Y1，Y2，Y3，…，Ym]T作为神经网络的输出向量值，构成其输出层K 的m 个输出神经元。首先考虑单个神经网络的训练模型，设（t）、（t）分别为第t 次网络迭代时输入层I 到隐层J 的权值向量和阈值向量，（t）、（t）为第t 次网络迭代时隐层J 到输出层K 的权值向量和阈值向量，并且有：
式中：i=1，2，…，n；
j=1，2，…，l；
k=1，2，…，m；
n 为输入层节点数，l 为隐层节点数，m 为输出层节点数。
对于输入的样本向量Xp，使用式（3）前向计算神经网络每层神经元的输入信号和激励输出信号，输出层K 所得到的激励输出信号即为神经网络的实际输出向量YOp= [YO1，YO2，YO3，…，YOm]T。根据所求得的实际输出YOp和期望输出Yp，反向计算输出层K 和隐层J 的局部梯度δKk（t）和δJj（t）：
然后，根据所求得的δKk（t）和δjJ（t），并采用加入动量因子的方法，计算权值修正量Δω 和阈值修正量Δb，并对权值ω 和阈值b 进行修正。对于输出层，有：
而对于隐层，则有：
式中：η 为学习速率；
α 为动量因子。
根据上述的网络迭代学习训练过程，对两个神经网络进行并行式的迭代训练。网络训练完成后，保存训练好的权重值以及阈值等网络参数。由于两个不同神经网络的初始权重值ω 和阈值b 设置的随机性以及网络训练过程的迭代性，对于两个不同神经网络而言，所训练好的带有神经网络分类识别功能信息的网络参数集也将会不同。
而在使用该网络结构进行分类识别时，根据集成分类模型的拓扑结构特点，将神经网络作为基分类器，并以X= [X1，X2，X3，…，Xn]T为主要识别特征的待识别目标分别输入到两个基分类器的输入层，使其各自使用训练好的网络参数集和对待识别目标进行初步的分类识别，并在输出层分别得到初步的目标分类识别结果集Y1= [YBPA1_1，YBPA1_2，YBPA1_3，…，YBPA1_m]T和Y2= [YBPA2_1，YBPA2_2，YBPA2_3，…，YBPA2_m]T。该目标分类识别结果集作为神经网络的输出结果，也将作为证据特征的形式，进行后续的证据特征的融合处理。
基于集成分类模型所得到的证据特征结果，可将其进行进一步的融合式的集成处理。本文采用D-S 证据理论[8]的思想，通过对证据特征的深入融合，进而对集成分类模型进行优化。
3.1 证据特征融合理论
设辨识框架Θ 为非空有限集，且其集合中的元素两两互斥。幂集Θ 及其所有子集所组成的集合为2Θ。因而，则可以定义基本概率分配函数（BPA）为函数M：2Θ→［0，1］，且满足：①对于空集?，有m（?）=0；
②对于?A∈2Θ，ΣAm（A）=1。而对于所给定的某个待分类数据样本i，则辨识框架Θ 内的各个子集Al将会被赋值为mi（Al）（Al∈2Θ，l=1，2，…，2N），该值表示待分类数据样本与各个目标类型的匹配程度。设A1，A2，…，An是同一识别框架Θ 上的证据子集，m1，m2，…，mn分别是其所对应的基本概率分配函数，则有：
其中，K 的表达式为
辨识框架Θ 中的任意子集Ai的证据可以合成A=A1∩A2∩…∩An的证据，亦即其正交和A=A1+A2+…+An。mi（Ai）表示对假设子集Ai的支持程度。如果A=?，则表明这n 个证据是冲突的，且有m（A）=0。K 表示n 个证据之间的冲突程度。
3.2 归一化处理
在集成分类模型中，采用均方误差ERMSE表征模型对待识别目标的识别精准度，从而在进行归一化构造基本概率分派函数的过程中，将ERMSE指定为不确定信息的度量，则可设置不确定性子集的m（Θ）=ERMSE。考虑到m 值较大时，其指数级的计算量也随之剧增的情况，本文只将组合后的BPA 分配给m个待识别目标类型和全集Θ，而m（Θ）则表示的是对“不确定是哪类目标”这一假设的支持程度。
根据集成分类模型的期望输出和实际输出，有ERMSE为
设YOp_new为归一化后的输出向量集，则有：
则对实际输出Y= [Y1，Y2，Y3，…，Ym]T，有：
3.3 证据特征融合
设Z1和Z2分别是m1（·）和m2（·）所对应的辨识框架Y1=｛Y1_1，Y1_2，Y1_3，…，Y1_m，Θ1｝和Y2=｛Y2_1，Y2_2，Y2_3，…，Y2_m，Θ2｝上的两个证据子集，则根据归一化处理后的证据特征Y1（i）=［Y1_1（i），Y1_2（i），Y1_3（i），…，Y1_m（i）］T以及Y2（i）=［Y2_1（i），Y2_2（i），Y2_3（i），…，Y2_m（i）］T，可对其证据特征的融合，则有：
其中有：
根据前述内容的深入分析，可进一步将基于证据特征融合的车辆可信化算法的流程框架描述为如图2 所示的形式。
图2 车辆可信化识别算法流程框架Fig.2 Framework of vehicle trusted identification algorithm
5.1 实验准备
为了进一步评价所提出方法的可行性，本文对其进行了实验仿真的验证。实验选用汽车（Automobile）、三轮车（Tricycle）和自行车（Bicycle）三类车辆图像作为实验仿真对象，由于针对这三类车辆图像的专用数据集相对较少，因而通过网络搜集的方法，自制3000 张简单背景的车辆图像作为数据集，其中每个类别的图像各1000 张。而为了使实验具有较好的统计效果，所采用的数据集在3 个类别车辆图像平均分配的情况下，随机的分为2组，一组为包含2250 个数据的训练集，另一组为包含750 个数据的测试集。
同时，使用2 个基分类器以及本文所提出的可信化识别方法进行对比分析，仿真结果观察各种不同的方法在车辆目标识别中的性能和效果。
5.2 实验结果的分析和讨论
按照上述设计方法，进行10 次仿真实验，每次仿真从数据集中随机选择数据。采用统计分析的方法对10 次实验的仿真结果进行统计，各类型目标不同方法的识别准确率仿真实验统计结果如图3～图5 所示。
从图3～图5 可以看出，对于汽车（Automobile）、三轮车（Tricycle）和自行车（Bicycle）三类不同的车辆图像目标，本文所提出的方法相较于基分类器1和基分类器2 而言，在识别准确率方面都能够表现出较为明显的提高，进一步说明本文所提方法能够较为有效地提升车辆目标的可信化识别性能。
图3 车辆目标（汽车）识别准确率Fig.3 Vehicle target（Automobile） recognition accuracy
图4 车辆目标（三轮车）识别准确率Fig.4 Vehicle target（Tricycle） recognition accuracy
图5 车辆目标（自行车）识别准确率Fig.5 Vehicle target（Bicycle） recognition accuracy
为了更为定量地分析本文所提方法在三类不同车辆图像目标的准确率提升情况，图6～图8 所示为所提方法相较于基分类器1 和基分类器2 的识别准确率提高之百分比的仿真对比统计图，其中的准确率提高百分比的计算方法为
图6 准确率提高对比统计图（汽车）Fig.6 Comparison statistics of accuracy improvement（Automobile）
图7 准确率提高对比统计图（三轮车）Fig.7 Comparison statistics of accuracy improvement（Tricycle）
图8 准确率提高对比统计图（自行车）Fig.8 Comparison statistics of accuracy improvement（Bicycle）
从图6～图8 中可以更为清晰地分析出本文所提出的方法在三类不同车辆目标的识别准确率方面的提升程度。可以看出，相比较于三类不同车辆目标的识别准确率而言，本文方法比两个不同基分类器的识别准确率都有所提升。由于进行10 次仿真实验所涉及的训练集和测试集是按照三类车辆目标平均分配的原则而随机选取的，所以10 次仿真实验的识别准确率提升情况也在一定的幅度范围内表现出了些许差异，这也更进一步说明本文方法在随机数据集的情况下，仍能表现出较好的识别效果，进而能够有效地提高车辆目标的可信化识别性能。
如表1 所示为本文方法的识别准确率提高的数值统计结果。该表中给出了本文方法在三类车辆目标的识别准确率提升度的统计数据，分别为三类目标识别准确率提升度的最高值、最低值和平均值。从其平均值的角度，本文方法相较于两个基分类器，能够有效地提高各类目标的识别准确率。同时，本文方法所分类出的不确定目标，还可使用相关方法对其进行进一步的目标分类识别，从而体现出本文方法在提升目标识别准确率和处理不确定分类目标两个方面的优势。
表1 本文方法识别准确率提升度统计表Tab.1 Statistical table of recognition accuracy improvement of the proposed method
针对当前复杂交通场景下的车辆可信化识别以及道路交通安全监管的实际需求，本文提出了一种基于证据特征融合的车辆可信化识别方法。在所构建的集成分类模型的基础上，设计了证据特征融合算法，通过对证据特征的可信化融合，提升了车辆特征的表达能力和车辆识别的可信度。仿真分析结果表明，本文所提出的车辆可信化识别方法能够有效地提高待识别车辆目标的识别准确率及其可信度，从而为车辆目标的识别提供了更为高效性和可信性的保障，也为对不确定分类目标的进一步处理提供了可靠性依据。在本文的基础上，下一步的工作重点将针对不确定分类的目标进行进一步的可信化识别方面的研究，进而更为有效地提升车辆目标识别的精准度。
猜你喜欢 分类器准确率证据 乳腺超声检查诊断乳腺肿瘤的特异度及准确率分析健康之家(2021年19期)2021-05-23不同序列磁共振成像诊断脊柱损伤的临床准确率比较探讨医学食疗与健康(2021年27期)2021-05-132015—2017 年宁夏各天气预报参考产品质量检验分析农业科技与信息(2021年2期)2021-03-27高速公路车牌识别标识站准确率验证法中国交通信息化(2018年5期)2018-08-21基于差异性测度的遥感自适应分类器选择电子技术与软件工程(2017年14期)2017-09-08基于实例的强分类器快速集成方法计算机应用(2017年4期)2017-06-27对于家庭暴力应当如何搜集证据红土地(2016年3期)2017-01-15手上的证据幼儿智力世界(2016年6期)2016-05-14手上的证据小雪花·初中高分作文(2015年10期)2015-10-24“证据”:就在深深的水底下——《今生今世的证据》“读不懂”反思语文知识(2015年11期)2015-02-28