基于置信規(guī)則庫的交通監(jiān)控調(diào)度方法研究

李康樂，孫 超，朱海龍

（1 哈爾濱金融學(xué)院 計算機系，哈爾濱 150030；2 哈爾濱師范大學(xué) 計算機科學(xué)與信息工程學(xué)院，哈爾濱 150025）

0 引言

對于交通路口來說，全天候的監(jiān)控是非常重要的，在違法行為的監(jiān)督調(diào)查，公共安全和交通調(diào)度等方面發(fā)揮著重要作用。在多攝像機監(jiān)控系統(tǒng)中，由于攝像機的數(shù)量和實時調(diào)度帶來的復(fù)雜性增加，使用手動協(xié)調(diào)和控制攝像機監(jiān)控目標(biāo)變得十分困難。

目前，許多學(xué)者采用了多種方法從多個角度研究監(jiān)控調(diào)度問題。Chen 等人［1］使用神經(jīng)網(wǎng)絡(luò)對攝像機調(diào)度進行研究。Spaan 等人［2］提出了一種基于自定義目標(biāo)的帶有信息獎勵的部分可觀察馬爾可夫鏈模型（Partially Observable Markov Decision Process with Information Rewards，POMDP－IR）框架來選擇最優(yōu)的靜態(tài)監(jiān)控攝像機。馬慶平［3］將目標(biāo)優(yōu)先級這一條件加入到基于POMDP 的多監(jiān)控攝像調(diào)度算法中，將主動監(jiān)控與被動監(jiān)控進行結(jié)合得到攝像機－目標(biāo)組合。Song 等人［4］用博弈論的方法解決不同焦距下的監(jiān)控問題。王洪亮［5］提出了一種分布式多攝像機協(xié)同監(jiān)測方法。

近年來，對監(jiān)控調(diào)度方法的研究主要分為3 類：以數(shù)據(jù)驅(qū)動為核心的機器學(xué)習(xí)方法、以定性知識為核心的專家系統(tǒng)、以及基于馬爾可夫過程的決策理論。其中，基于數(shù)據(jù)的機器學(xué)習(xí)方法在攝像機調(diào)度領(lǐng)域存在對數(shù)據(jù)和模型要求高、對多個復(fù)雜路網(wǎng)通用性差、過程可解釋性困難等問題。在基于知識的專家系統(tǒng)中，模擬人的知識和思維是建立在監(jiān)控過程中的知識和規(guī)則基礎(chǔ)上的，對專家知識的要求較高，模型準(zhǔn)確性低。在基于馬爾可夫過程的決策理論中，對靜態(tài)攝像機和云臺攝像機有很高的要求，需要通過物理空間進行定位和判斷。為了解決攝像機調(diào)度過程中的上述問題，本文提出了一種基于BRB的交通監(jiān)控攝像機調(diào)度方法。

BRB 是一個由多個置信規(guī)則組成的專家系統(tǒng)，由Yang 等人于2006 年提出，該方法能夠?qū)⑿畔⒌牟淮_定性加入到模型當(dāng)中并有效地對其進行表示及處理，從而建立一個可清晰表示輸入與輸出之間非線性關(guān)系的模型［6］。在規(guī)則庫創(chuàng)建完成后，使用ER 對置信規(guī)則進行融合推理［7－8］，最后使用效用理論得出最后融合結(jié)果［9］。與傳統(tǒng)方法不同，對信息的模糊不確定性以及概率不確定性具有較好的表示能力，因此對于具有非線性特征的數(shù)據(jù)，具有較好的建模效果［10］，并且其建模過程具有可解釋性［11］。基于BRB 的復(fù)雜系統(tǒng)建模方法在生產(chǎn)規(guī)劃、醫(yī)療決策和安全評估中有著廣泛的應(yīng)用［12－14］。

1 問題描述

在交通攝像機調(diào)度中，調(diào)度過程可以分為以下步驟：

第一步：監(jiān)控數(shù)據(jù)獲取。

第二步：數(shù)據(jù)傳輸。

第三步：數(shù)據(jù)處理。

第四步：拍攝質(zhì)量判斷。每臺相機的拍攝質(zhì)量根據(jù)實際情況而定。

第五步：攝像機調(diào)度。根據(jù)設(shè)定的模型，通過捕捉數(shù)據(jù)對攝像機進行調(diào)度。

在監(jiān)控攝像機調(diào)度過程中，調(diào)度問題可以描述為：

其中，y表示調(diào)度結(jié)果；X表示輸入數(shù)據(jù)；α表示參數(shù)集；f（·）表示模型求解過程。

首先將輸入設(shè)置為拍攝效果，即拍攝時的拍攝質(zhì)量。由于距離、角度等的影響，同一類型相機捕捉到的同一目標(biāo)是不同的，因此使用距離和角度等參數(shù)作為輸入來評價相機的質(zhì)量。

2 構(gòu)建監(jiān)控調(diào)度模型

2.1 模型構(gòu)建

BRB 中含有許多置信規(guī)則，其中第k條規(guī)則可描述如下：

其中，Rk表示BRB 中的第k條規(guī)則；x1，x2，...，xM為第k條規(guī)則中的M個前提屬性；A1，A2，...，AM為第k條規(guī)則中M個前提屬性對應(yīng)的參考值；D1，D2，...，DN為第k條規(guī)則的N個結(jié)果；β1，β2，...，βN為第k條規(guī)則中N個結(jié)果對應(yīng)的置信度；θk為第k條規(guī)則的規(guī)則權(quán)重；δ1，δ2，...，δM為第k條規(guī)則中M個前提屬性的屬性權(quán)重。

2.2 模型推理

2.2.1 計算規(guī)則匹配度

在規(guī)則庫創(chuàng)建完成后，首先需要對輸入信息進行轉(zhuǎn)換來計算所有規(guī)則的規(guī)則匹配度，具體的計算方式如式（3）所示：

其中，ai表示第i個屬性的輸入數(shù)據(jù)；表示在第k條規(guī)則中輸入數(shù)據(jù)對第i個屬性的匹配度；表示第l條規(guī)則中第i個前提屬性的參考值；K表示BRB 中規(guī)則總數(shù)。

2.2.2 計算激活規(guī)則的激活權(quán)重

在置信規(guī)則庫中包含有許多規(guī)則，有些規(guī)則在輸入信息轉(zhuǎn)換完成后是沒有被激活或者激活程度比較小的。通過計算規(guī)則的激活權(quán)重，可以得到輸入數(shù)據(jù)對每條規(guī)則的激活程度，具體計算方式如式（4）所示：

其中，wk表示第k條規(guī)則的規(guī)則激活權(quán)重；θk表示第k條規(guī)則的規(guī)則權(quán)重；M表示前提屬性的數(shù)量；K表示BRB 規(guī)則庫中的規(guī)則總數(shù)。

2.2.3 規(guī)則組合

在規(guī)則庫中的規(guī)則被激活以后，接下來就需要對所有激活的規(guī)則進行規(guī)則組合，得到綜合的評價結(jié)果。融合方式采用ER 進行融合，融合方法如式（5）和式（6）所示：

其中，βn表示對第n個結(jié)果的置信度，是綜合規(guī)則庫中所有規(guī)則所推理出的結(jié)果。

2.2.4 計算效用值

規(guī)則組合完成以后，根據(jù)效用理論，計算最終輸出的效用值，就可以得出模型的最終輸出結(jié)果，計算方式如式（7）所示：

其中，y為模型的輸出結(jié)果，u（Dn）為結(jié)果Dn的效用值。

2.3 模型優(yōu)化

BRB 模型的初始參數(shù)由專家給出，其中含有一定的不確定性以及模糊性。因此，為了得到更好的建模效果，需要對BRB 的初始參數(shù)進行優(yōu)化。

基于P－CMA－ES 的模型參數(shù)優(yōu)化方法［15］可以描述為：

其中，N是在BRB 中設(shè)置的評估結(jié)果數(shù)；K是規(guī)則數(shù)目；M是前提屬性數(shù)目。圖1 對BRB 的優(yōu)化流程進行了闡述說明。

圖1 BRB 參數(shù)優(yōu)化流程Fig.1 BRB parameter optimization process

3 案例分析

3.1 實驗定義

實驗數(shù)據(jù)集為利用結(jié)構(gòu)化建模獲得的仿真數(shù)據(jù)集，其中包含距離、角度和評價結(jié)果，共480 個樣本數(shù)據(jù)。隨機選取其中240 個樣本數(shù)據(jù)對模型參數(shù)進行優(yōu)化，然后使用全部樣本對BRB 模型建模效果進行測試。

3.2 模型參數(shù)設(shè)置

使用表示距離，表示角度，以這兩個屬性作為BRB 的前提屬性。

距離包含4 個參考點：非常近（very near，VN）、近（near，N）、中等（middle，M）、遠（far，F(xiàn)），可以表示為：

角度包含5 個參考點：優(yōu)秀（Excellent，E）、好（Good，G）、中等（middle，M）、差（bad，B）、非常差（very bad，VB），可以表示為：

每個屬性的每個參考點都有對應(yīng)的參考值，距離的參考值以及參考點見表1，角度的參考值及參考點見表2。

表1 距離參考點和參考值Tab.1 Distance reference point and reference value

表2 角度參考點和參考值Tab.2 Angle reference point and reference value

讓y表示BRB 的輸出，其包含4 個參考點：優(yōu)秀（excellent，E）、好（good，G）、一般（average，A）、差（bad，B），可以表示為：

BRB 輸出的參考點以及相應(yīng)的參考值見表3。

表3 輸出參考點和參考值Tab.3 Output reference point and reference value

初始置信表見表4。

表4 初始置信表Tab.4 Initial belief table

3.3 實驗結(jié)果

在給出初始模型參數(shù)后，使用訓(xùn)練數(shù)據(jù)集對BRB模型參數(shù)進行優(yōu)化，然后使用測試數(shù)據(jù)集對模型進行測試。將BRB 輸出結(jié)果與神經(jīng)網(wǎng)絡(luò)（Neural Network，NN）、模糊專家系統(tǒng)（Fuzzy Expert System，F(xiàn)ES）、徑向基函數(shù)（Radial basis function，RBF）和K 均值聚類（k－means）算法進行對比，擬合圖如圖2 所示。

圖2 擬合效果對比Fig.2 Comparison of fitting effect

對樣本數(shù)據(jù)進行20 輪重復(fù)實驗，然后計算個方法的平均MSE值（Mean Squared Error，均方誤差），結(jié)果見表5。

由表5 可以看出，對于本次實驗，相較于其他方法，BRB 的平均MSE值最低，建模效果最好。具體原因包含以下幾個方面：

表5 MSE 對比Tab.5 MSE comparison

（1）神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)和K 均值聚類等基于數(shù)據(jù)驅(qū)動的方法對數(shù)據(jù)具有較強的依賴性，在數(shù)據(jù)量較少時很難達到較好的建模效果。

（2）模糊專家系統(tǒng)等基于定性知識的方法僅依靠專家知識進行建模，然而專家知識中包含一定的模糊性以及不確定性，同時，由于該類方法不帶有參數(shù)優(yōu)化過程，因此建模效果一般。

（3）置信規(guī)則庫可以有效融合定量數(shù)據(jù)與定性知識進行建模，在小樣本情況下添加了專家知識的輸入，同時可以對模型參數(shù)進行優(yōu)化，因此具有較好的建模效果。

4 結(jié)束語

在本文中，提出一種新的基于BRB 的監(jiān)控攝像機評價模型，該方法適用于多監(jiān)控攝像機的調(diào)度問題。首先，根據(jù)專家知識建立BRB 模型初始參數(shù)，然后，通過實驗數(shù)據(jù)對參數(shù)進行優(yōu)化，最后，通過一個案例分析驗證了該方法的有效性。該方法可以有效將定量數(shù)據(jù)與定性信息進行結(jié)合，有效地表示信息中的模糊不確定性和概率不確定性，并在模型中合理地對其進行處理，在工程實踐中具有良好的應(yīng)用前景。