基于證據(jù)特征融合的車輛可信化識別方法研究

王 璐，楊浩杰，劉放美

（1.鐵道警察學院 圖像與網絡偵查系，鄭州 450053；2.鄭州輕工業(yè)大學 軟件學院，鄭州 450002）

隨著經濟社會的不斷進步和日益發(fā)展，車輛的保有量和使用量也逐漸提高，隨之而來的就是復雜的道路交通狀況以及頻發(fā)的道路交通事故，這不但給人們的交通出行造成了嚴重的影響，也給公安交通管理部門的道路交通安全監(jiān)管帶來了嚴峻的挑戰(zhàn)[1-2]。因而，車輛的有效監(jiān)管成為了道路交通安全領域的一項重要研究內容，而對車輛的精準化識別則成為了車輛監(jiān)管過程中的一個關鍵。

1 現(xiàn)狀分析

在車輛目標的識別方面，文獻[3]結合梅爾倒譜系數(shù)特征提取方法，提出了一種加權的基頻自適應特征提取算法，通過對梅爾倒譜系數(shù)進行自適應的加權，提升了車輛識別過程中所提取特征的魯棒性。文獻[4]基于隨機游走推理模型，對高速公路上的風險車輛進行了知識推理，通過知識圖譜的建模形式構建了高速公路風險車輛推理模型，提高了告訴高速風險車輛的識別性能。文獻[5]基于細粒度圖像分類方法，采用深度可分離卷積技術，對圖像特征進行了多樣化和局部化的特征檢測，實現(xiàn)了對車輛目標的有效識別。文獻[6]針對車輛類型識別率較低的實際問題，以ResNet18 網絡作為骨干網絡，提出了一種基于多級特征融合的車輛識別方法，并對損失函數(shù)進行了優(yōu)化和改進。文獻[7]針對多視點車輛識別問題，設計了一種基于交叉視距度量的視點自適應網絡，通過構造交叉視圖度量模塊，進而提高了車輛識別的精準度。

上述方法在車輛識別問題中都能夠體現(xiàn)出較為優(yōu)越的識別性能，但當前關于車輛識別的方法往往都是一次性的，在車輛信息多源化的復雜環(huán)境下，車輛目標的相關特征量和特征參數(shù)都存在著一定的不確定性，這在影響車輛目標識別的準確性的同時，也會對所識別出的目標身份的可信度問題帶來了一定的挑戰(zhàn)。針對這一問題，本文在深入研究集成分類模型的基礎上，提出了一種基于證據(jù)特征融合的車輛可信化識別方法，通過證據(jù)特征的深層次可信式融合，進而提升車輛識別的準確性和可信度。

2 集成分類模型

本文在具體設計上，以并行神經網絡為架構，構建如圖1 所示的基于神經網絡的集成分類模型。

圖1 集成分類模型拓撲結構示意圖Fig.1 Schematic diagram of integrated classification model topology

從該圖中可以看出，所構建的集成分類模型拓撲結構中，以待識別目標的n 個主要識別特征Xp=[X1，X2，X3，…，Xn]T作為神經網絡的輸入樣本向量集，構成其輸入層I 的n 個輸入神經元，待識別目標的m 種目標類型Yp= [Y1，Y2，Y3，…，Ym]T作為神經網絡的輸出向量值，構成其輸出層K 的m 個輸出神經元。首先考慮單個神經網絡的訓練模型，設（t）、（t）分別為第t 次網絡迭代時輸入層I 到隱層J 的權值向量和閾值向量，（t）、（t）為第t 次網絡迭代時隱層J 到輸出層K 的權值向量和閾值向量，并且有：

式中：i=1，2，…，n；j=1，2，…，l；k=1，2，…，m；n 為輸入層節(jié)點數(shù)，l 為隱層節(jié)點數(shù)，m 為輸出層節(jié)點數(shù)。

對于輸入的樣本向量Xp，使用式（3）前向計算神經網絡每層神經元的輸入信號和激勵輸出信號，輸出層K 所得到的激勵輸出信號即為神經網絡的實際輸出向量YOp= [YO1，YO2，YO3，…，YOm]T。根據(jù)所求得的實際輸出YOp和期望輸出Yp，反向計算輸出層K 和隱層J 的局部梯度δKk（t）和δJj（t）：

然后，根據(jù)所求得的δKk（t）和δjJ（t），并采用加入動量因子的方法，計算權值修正量Δω 和閾值修正量Δb，并對權值ω 和閾值b 進行修正。對于輸出層，有：

而對于隱層，則有：

式中：η 為學習速率；α 為動量因子。

根據(jù)上述的網絡迭代學習訓練過程，對兩個神經網絡進行并行式的迭代訓練。網絡訓練完成后，保存訓練好的權重值以及閾值等網絡參數(shù)。由于兩個不同神經網絡的初始權重值ω 和閾值b 設置的隨機性以及網絡訓練過程的迭代性，對于兩個不同神經網絡而言，所訓練好的帶有神經網絡分類識別功能信息的網絡參數(shù)集也將會不同。

而在使用該網絡結構進行分類識別時，根據(jù)集成分類模型的拓撲結構特點，將神經網絡作為基分類器，并以X= [X1，X2，X3，…，Xn]T為主要識別特征的待識別目標分別輸入到兩個基分類器的輸入層，使其各自使用訓練好的網絡參數(shù)集和對待識別目標進行初步的分類識別，并在輸出層分別得到初步的目標分類識別結果集Y1= [YBPA1_1，YBPA1_2，YBPA1_3，…，YBPA1_m]T和Y2= [YBPA2_1，YBPA2_2，YBPA2_3，…，YBPA2_m]T。該目標分類識別結果集作為神經網絡的輸出結果，也將作為證據(jù)特征的形式，進行后續(xù)的證據(jù)特征的融合處理。

3 證據(jù)特征融合模型

基于集成分類模型所得到的證據(jù)特征結果，可將其進行進一步的融合式的集成處理。本文采用D-S 證據(jù)理論[8]的思想，通過對證據(jù)特征的深入融合，進而對集成分類模型進行優(yōu)化。

3.1 證據(jù)特征融合理論

設辨識框架Θ 為非空有限集，且其集合中的元素兩兩互斥。冪集Θ 及其所有子集所組成的集合為2Θ。因而，則可以定義基本概率分配函數(shù)（BPA）為函數(shù)M：2Θ→［0，1］，且滿足：①對于空集?，有m（?）=0；②對于?A∈2Θ，ΣAm（A）=1。而對于所給定的某個待分類數(shù)據(jù)樣本i，則辨識框架Θ 內的各個子集Al將會被賦值為mi（Al）（Al∈2Θ，l=1，2，…，2N），該值表示待分類數(shù)據(jù)樣本與各個目標類型的匹配程度。設A1，A2，…，An是同一識別框架Θ 上的證據(jù)子集，m1，m2，…，mn分別是其所對應的基本概率分配函數(shù)，則有：

其中，K 的表達式為

辨識框架Θ 中的任意子集Ai的證據(jù)可以合成A=A1∩A2∩…∩An的證據(jù)，亦即其正交和A=A1+A2+…+An。mi（Ai）表示對假設子集Ai的支持程度。如果A=?，則表明這n 個證據(jù)是沖突的，且有m（A）=0。K 表示n 個證據(jù)之間的沖突程度。

3.2 歸一化處理

在集成分類模型中，采用均方誤差ERMSE表征模型對待識別目標的識別精準度，從而在進行歸一化構造基本概率分派函數(shù)的過程中，將ERMSE指定為不確定信息的度量，則可設置不確定性子集的m（Θ）=ERMSE。考慮到m 值較大時，其指數(shù)級的計算量也隨之劇增的情況，本文只將組合后的BPA 分配給m個待識別目標類型和全集Θ，而m（Θ）則表示的是對“不確定是哪類目標”這一假設的支持程度。

根據(jù)集成分類模型的期望輸出和實際輸出，有ERMSE為

設YOp_new為歸一化后的輸出向量集，則有：

則對實際輸出Y= [Y1，Y2，Y3，…，Ym]T，有：

3.3 證據(jù)特征融合

設Z1和Z2分別是m1（·）和m2（·）所對應的辨識框架Y1=｛Y1_1，Y1_2，Y1_3，…，Y1_m，Θ1｝和Y2=｛Y2_1，Y2_2，Y2_3，…，Y2_m，Θ2｝上的兩個證據(jù)子集，則根據(jù)歸一化處理后的證據(jù)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，可對其證據(jù)特征的融合，則有：

其中有：

4 車輛可信化識別算法框架

根據(jù)前述內容的深入分析，可進一步將基于證據(jù)特征融合的車輛可信化算法的流程框架描述為如圖2 所示的形式。

圖2 車輛可信化識別算法流程框架Fig.2 Framework of vehicle trusted identification algorithm

5 實驗仿真和分析

5.1 實驗準備

為了進一步評價所提出方法的可行性，本文對其進行了實驗仿真的驗證。實驗選用汽車（Automobile）、三輪車（Tricycle）和自行車（Bicycle）三類車輛圖像作為實驗仿真對象，由于針對這三類車輛圖像的專用數(shù)據(jù)集相對較少，因而通過網絡搜集的方法，自制3000 張簡單背景的車輛圖像作為數(shù)據(jù)集，其中每個類別的圖像各1000 張。而為了使實驗具有較好的統(tǒng)計效果，所采用的數(shù)據(jù)集在3 個類別車輛圖像平均分配的情況下，隨機的分為2組，一組為包含2250 個數(shù)據(jù)的訓練集，另一組為包含750 個數(shù)據(jù)的測試集。

同時，使用2 個基分類器以及本文所提出的可信化識別方法進行對比分析，仿真結果觀察各種不同的方法在車輛目標識別中的性能和效果。

5.2 實驗結果的分析和討論

按照上述設計方法，進行10 次仿真實驗，每次仿真從數(shù)據(jù)集中隨機選擇數(shù)據(jù)。采用統(tǒng)計分析的方法對10 次實驗的仿真結果進行統(tǒng)計，各類型目標不同方法的識別準確率仿真實驗統(tǒng)計結果如圖3～圖5 所示。

從圖3～圖5 可以看出，對于汽車（Automobile）、三輪車（Tricycle）和自行車（Bicycle）三類不同的車輛圖像目標，本文所提出的方法相較于基分類器1和基分類器2 而言，在識別準確率方面都能夠表現(xiàn)出較為明顯的提高，進一步說明本文所提方法能夠較為有效地提升車輛目標的可信化識別性能。

圖3 車輛目標（汽車）識別準確率Fig.3 Vehicle target（Automobile） recognition accuracy

圖4 車輛目標（三輪車）識別準確率Fig.4 Vehicle target（Tricycle） recognition accuracy

圖5 車輛目標（自行車）識別準確率Fig.5 Vehicle target（Bicycle） recognition accuracy

為了更為定量地分析本文所提方法在三類不同車輛圖像目標的準確率提升情況，圖6～圖8 所示為所提方法相較于基分類器1 和基分類器2 的識別準確率提高之百分比的仿真對比統(tǒng)計圖，其中的準確率提高百分比的計算方法為

圖6 準確率提高對比統(tǒng)計圖（汽車）Fig.6 Comparison statistics of accuracy improvement（Automobile）

圖7 準確率提高對比統(tǒng)計圖（三輪車）Fig.7 Comparison statistics of accuracy improvement（Tricycle）

圖8 準確率提高對比統(tǒng)計圖（自行車）Fig.8 Comparison statistics of accuracy improvement（Bicycle）

從圖6～圖8 中可以更為清晰地分析出本文所提出的方法在三類不同車輛目標的識別準確率方面的提升程度。可以看出，相比較于三類不同車輛目標的識別準確率而言，本文方法比兩個不同基分類器的識別準確率都有所提升。由于進行10 次仿真實驗所涉及的訓練集和測試集是按照三類車輛目標平均分配的原則而隨機選取的，所以10 次仿真實驗的識別準確率提升情況也在一定的幅度范圍內表現(xiàn)出了些許差異，這也更進一步說明本文方法在隨機數(shù)據(jù)集的情況下，仍能表現(xiàn)出較好的識別效果，進而能夠有效地提高車輛目標的可信化識別性能。

如表1 所示為本文方法的識別準確率提高的數(shù)值統(tǒng)計結果。該表中給出了本文方法在三類車輛目標的識別準確率提升度的統(tǒng)計數(shù)據(jù)，分別為三類目標識別準確率提升度的最高值、最低值和平均值。從其平均值的角度，本文方法相較于兩個基分類器，能夠有效地提高各類目標的識別準確率。同時，本文方法所分類出的不確定目標，還可使用相關方法對其進行進一步的目標分類識別，從而體現(xiàn)出本文方法在提升目標識別準確率和處理不確定分類目標兩個方面的優(yōu)勢。

表1 本文方法識別準確率提升度統(tǒng)計表Tab.1 Statistical table of recognition accuracy improvement of the proposed method

6 結語

針對當前復雜交通場景下的車輛可信化識別以及道路交通安全監(jiān)管的實際需求，本文提出了一種基于證據(jù)特征融合的車輛可信化識別方法。在所構建的集成分類模型的基礎上，設計了證據(jù)特征融合算法，通過對證據(jù)特征的可信化融合，提升了車輛特征的表達能力和車輛識別的可信度。仿真分析結果表明，本文所提出的車輛可信化識別方法能夠有效地提高待識別車輛目標的識別準確率及其可信度，從而為車輛目標的識別提供了更為高效性和可信性的保障，也為對不確定分類目標的進一步處理提供了可靠性依據(jù)。在本文的基礎上，下一步的工作重點將針對不確定分類的目標進行進一步的可信化識別方面的研究，進而更為有效地提升車輛目標識別的精準度。