李继琰
摘 要
车型分类识别能够为公路养护、维修、拥堵预判等提供有效的数据支持，对公路管理部门有着重要意义。研究了基于流形学习算法及车尾图像的车型识别，并与传统车型识别方法进行了比较，实验结果表明流形学习算法具有更高的识别率。
关键词
车型识别;流形学习;局部线性嵌入;局部保持映射
中图分类号： TP391.41 文献标识码： A
DOI：10.19694/j.cnki.issn2095-2457 . 2020 . 08 . 02
0 引言
截至2019年6月我國汽车保有量达到了2.5亿辆，对公路交通造成了巨大压力。随着信息技术、计算机技术、卫星定位、人工智能等领域的快速发展，智能交通系统也从理论阶段走向了实用阶段。智能交通系统在疏导流量、安全监控、提高路桥通行效率、减少交通事故等方面发挥着巨大作用，而车型识别是智能交通系统的一个重要组成部分。目前主要的车型识别方法有地埋线圈检测法、红外线检测法、基于图像的检测法。地埋线圈检测法需要破坏路面，影响通行，且使用寿命较短，检测精度受车速、车轴数量影响较大，识别精度不高。红外线检测法一般设置于路面两侧，不能进行多车道检测。基于图像的检测方法，近年来由于计算机运算速度的大幅提高及智能交通系统中图像获取简单，已越来越多的得以应用。
基于图像的车型识别方法主要有基于SIFT特征[1]的方法、基于Haar特征[2]的方法、基于HOG特征[3]的方法等。流形学习是一种非线性机器学习方法，对非线性数据集有独特优势。但是其大部分算法复杂度高，不能应对新增样本点，实用性较差。后来出现的线性流形学习算法是非线性流形学习算法的线性逼近，既保留了非线性方法的优势，算法复杂度又有所下降，且很容易处理新增样本。常见的非线性流形学习算法有等距映射[4]（ISOMAP）、局部线性嵌入[5]（LLE）、拉普拉斯特征映射[6]（LE）、局部切空间排序[7]（LTSA）等，主要的线性流形学习算法有局部保持映射[8]（LPP）、邻域保持嵌入[9]（NPE）、邻域保持映射[10]（NPP）等。由于车辆图像采集时受光照、遮挡、行人等多方面的因素影响，数据集呈现非线性特性，更适用流形学习方法。
由于夜间车辆前灯光的影响，很难获得清晰的车辆头部图像，而汽车尾部图像受灯光影响较小，容易获取更清晰的图像。江苏苏通大桥是江苏东部最重要的长江过江通道，日均车流量超过10万辆，基于其视频车流量检测系统，获取了大量车辆尾部图像。实际管理中，一般只需要了解客货车比例，而不需要特别精细的车型类别。将车辆尾部图像分成货车和客车两类，采用流形学习算法进行特征提取，采用k-NN分类器进行分类识别，取得了较好的识别效果。
1 流形学习算法概述
若数据均匀采样于一个嵌入在高维欧氏空间中的低维流形上，流形学习算法的目的就是要找到这一低维流形，实现特征提取。
1.1 LLE算法
LLE算法从局部出发，认为低维流形上的任一点，可通过其邻域点的线形组合去表示，而各邻域间的重叠部分表示了邻域间的连接信息，从高维到低维映射时此线性关系不变。LLE算法对稀疏采样不适用，需要充分采样。具体算法步骤如下：
由表1可知，两种流形学习算法的识别效果均高于传统方法，LLE算法效果最好，基于SIFT特征的方法效果最差。LPP算法的效果虽然稍差于LLE，但其算法复杂度低于LLE，更适合实际应用。
4 结束语
对公路上行进的车辆进行车型分类，能够为公路养护、维修、拥堵预判提供有效的数据支持，对公路管理部门有着重要意义。基于车尾图像信息，研究了采用流形学习方法的车型识别，并和传统方法进行了比较。实验结果表明，流形学习算法在基于车尾图像的车型识别中，相比传统方法能够获得更高的识别率，具有实用价值。
参考文献
[1]Lowe D G. Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision， 2004， 60（2）：91-110.
[2]张雪芹，方婷，李志前，等.基于类Haar特征和AdaBoost的车辆识别技术[J].华东理工大学学报：自然科学版，2016，42（2）：260-265.
[3]Xu Y， Yu G， Wang Y， et al. A Hybrid Vehicle Detection Method based on Viola-Jones and HOG + SVM from UAV Images[J]. Sensors， 2016，16（8）：1325.
[4]Tenenbaum J B， Silva V， Langford J C. A global geometric framework for nonlinear dimensionality reduction. Science， 2000， 290（5500）： 2319-2323.
[5]Roweis S T， Saul L K. Nonlinear dimensionality reduction by locally linear embedding[J]. Science， 2000， 290（5500）： 2323-2326.
[6]Belkin M and Niyogi P. Laplacian eigenmaps for dimensionality reduction and data representation[J]. Neural Computation， 2003，15（6）： 1373-1396.
[7]Zhang Zhen-yue， Zha Hong-yuan. Principal manifold and nonlinear dimension reduction via local tangent space alignment[J]. SIAM Journal of Scientific Computing， 2004， 26（1）： 313-338.
[8]He X F， Yan S C， Hu Y X， et al.. Face recognition using Laplacian faces[J]. IEEE Transaction on Pattern Analysis and Machine Intelligence， 2005， 27（3）： 328-340.
[9]He X F， Cai D， Yan S C， et al.. Neighborhood preserving embedding[C]. Proc. 10th IEEE. Conf. Computer Vision， Beijing， China， 2005， 2： 1208-1213.
[10]Pang Y W， Zheng L， Liu Z K， et al.. Neighborhood preserving projections （NPP）： a novel linear dimension reduction method[C]. ICIC 2005， Part I， Lecture Notes in Computer Science， Springer， Berlin， 2005， vol. 3644， 117-125.
