利用支持向量机SVM识别车辆类型.PDFVIP

( ) 　2006年 1月 重庆大学学报 自然科学版 Jan. 2006　 ( ) 第 29卷第 1期 Jou rnal of Chongq ing U n iversity N ɑtu rɑl Science Edition Vo l. 29　No. 1 　　文章编号 : 1000 - 582X (2006) 0 1 - 006 1 - 05 利用支持向量机 SVM★ 识别车辆类型 1 肖 汉 光1, 2 ,蔡 从 中1, 2 , 王 万 录 ( 1. 重庆大学 应用物理系 ,重庆 　400030; 2. 新加坡国立大学 计算科学系 ,新加坡 　117543) ( ) 摘 　要 :支持向量机 Support V ector M ach ine, SVM 分类方法在实际二类分类问题的应用中显示出 良好的学习和泛化能力 , 已被广泛地应用于多类分类问题的研究. 以车辆轮廓特征为对象 ,将二类分类 支持向量机 SVM★应用于多类车辆类型的识别 ,并与其它分类器的分类结果进行了对比. 通过 9 次交叉 验证实验 ,结果表明 SVM★对车辆数据样本的测试准确率达到了 85. 59% ,其分类性能优于其它分类器. 关键词 :支持向量机 ;车辆识别 ;轮廓特征 　　中图分类号 : TP18; U49 文献标识码 : A 　　目前 ,人们生活水平普遍提高 ,车辆拥有量不断上 的一种有监督的统计学习方法 ,被公认为小样本情况 升 ,但道路建设的相对滞后使得交通更加拥挤. 在有限 下统计及其学习的经典. 由于其不需要确定各类的条 的道路资源下 ,利用智能交通系统进行车辆管理能有 件概率密度和先验概率就能找到全局最优解 ,并且具 效地缓解该类问题. 智能交通的重要组成部分是车辆 有较好的泛化能力 ,所以被广泛的应用于诸多领域 ,如 类型识别. 对车辆类型识别而言 , 关键问题在于选择 文本分类 ,手写体数字识别 ,语音识别 , 图像识别与 目 准确且有效的车体特征和模式识别方法. 特征提取的 标探测 ,人脸识别 ,商业时序预报 ,水文预报 ,空气质量 有效性和准确性直接关系到识别系统的最终效果. 现 预报 ,地球空间物理和实验高能物理数据分析与处理 , 有的车辆特征提取方法包括图像特征提取 ,感应线圈 肿瘤及癌症诊断 ,基因微阵列表达数据分析 ,药物设 特征提取和声表面波特征提取等. 感应线圈的应用原 计 ,蛋白质 - 蛋白质相互作用预测以及蛋白质结构与 理是利用不同的车辆通过环形线圈时 ,其电感量输出 功能预测等 [ 3 - 8 ] . 目前 ,支持向量机已经从 2 类分类问 特征曲线不同来判断车的类型. 但此种方法易受较多 题发展到多类分类问题 ,最为常见的 2种方式是 :一对 的不定因素的影响 ,安装和维护感应线圈较为麻烦 ,使 ( ) [ 9 ] (