基于SSA優(yōu)化SVM的交通標(biāo)線識別算法研究

摘要：針對智能駕駛汽車對交通標(biāo)線識別率不高的問題，提出一種改進(jìn)LBP特征和SSA優(yōu)化SVM的交通標(biāo)線識別算法.該算法采用改進(jìn)的LBP算法提取路面交通標(biāo)線特征，通過PCA降維處理，獲得最佳維度；通過對SSA、PSO、WOA和GWO 4種群智算法分析比較，發(fā)現(xiàn)采用SSA優(yōu)化SVM的懲罰系數(shù)和核函數(shù)參數(shù)，獲得路面交通標(biāo)線識別的最優(yōu)模型.實(shí)驗(yàn)結(jié)果表明，該模型的平均識別速度分別比PSO、WOA和GWO優(yōu)化的SVM模型提高了1.0%、6.19%和8.35%，平均識別精度最高，達(dá)到96.7%，比優(yōu)化前提高了4.5%，且模型的最佳參數(shù)穩(wěn)定.

關(guān)鍵詞：麻雀搜索算法；支持向量機(jī)；LBP；交通標(biāo)線；PCA

中圖分類號：TP391.4；U461.9 文獻(xiàn)標(biāo)志碼：A

Research on Traffic Marking Recognition AlgorithmBased on SSA Optimized SVM

ZHU Qiang-jun¹， LI Wen-kai¹， HU Bin¹， LIU Chen-xin¹， WANG Yang²

（1.Department of Big Data and Artificial Intelligence， Wuhu University， Wuhu 241000， Anhui， China; 2.School of Computer and Information ， Anhui Normal University， Wuhu 241000， Anhui， China）

Abstract：Aiming at the problem that the recognition rate of intelligent driving vehicles for traffic markings is not high， a traffic markings recognition algorithm based on improved LBP feature and SSA optimized SVM is proposed. The improved LBP algorithm is used to extract the characteristics of road traffic markings， and the best dimension is obtained by PCA dimension reduction. Through the analysis and comparison of SSA， PSO， WOA and GWO intelligent algorithms， SSA is used to optimize the penalty coefficient and kernel function parameters of SVM， and the optimal model of road traffic marking recognition is obtained. The experimental results show that the average recognition speed of the model is 1.0%， 6.19% and 8.35% higher than that of the PSO， WOA and GWO optimized SVM models respectively， the average recognition accuracy is the highest at 96.7%， which is 4.5% higher than that before the optimization， and the optimal parameters of the model are the most stable.

Key words：sparrow search algorithm; support vector machine; LBP; traffic marking line， PCA

智能駕駛技術(shù)能減輕駕駛員在駕駛過程中的心理和生理等負(fù)擔(dān)，減少駕駛員因疲勞駕駛等因素導(dǎo)致的交通事故，提高了行車的安全性，但智能駕駛技術(shù)在一些復(fù)雜的環(huán)境中，對交通標(biāo)線等交通標(biāo)識物識別精度不高.交通標(biāo)線是一種重要的交通標(biāo)識物，具有管制和引導(dǎo)交通等作用，快速準(zhǔn)確的識別交通標(biāo)線信息能保證交通安全.文獻(xiàn)［1］利用激光掃描點(diǎn)云數(shù)據(jù)提出了一種精細(xì)化交通標(biāo)線的語義分割算法，為高精地圖提供了更加豐富的交通標(biāo)線語義信息.文獻(xiàn)［2］提出了利用點(diǎn)云強(qiáng)度特征交通標(biāo)線提取優(yōu)化方法，實(shí)現(xiàn)對交通標(biāo)線的精確提取.文獻(xiàn)［3］提出了一種車載激光點(diǎn)云標(biāo)線分類圖注意力模型，實(shí)現(xiàn)交通標(biāo)線的精細(xì)分類.激光掃描系統(tǒng)具有抗環(huán)境干擾能力強(qiáng)、可靠性高等優(yōu)點(diǎn)，能為交通標(biāo)線的識別提供數(shù)據(jù)，但成本較高、技術(shù)不成熟，且它提供的數(shù)據(jù)是稀疏的，只有空間幾何特征.文獻(xiàn)［4］提出了一種基于視覺的路面標(biāo)線檢測和狀況評估框架，采用混合特征檢測器和基于閾值的方法進(jìn)行交通標(biāo)線識別和分類.文獻(xiàn)［5］提出了基于LBP紋理特征的運(yùn)動目標(biāo)快速檢測算法，實(shí)現(xiàn)目標(biāo)的精確檢測.文獻(xiàn)［6］利用LBP特征自動提取不同環(huán)境下的道路邊界，具有較強(qiáng)的適應(yīng)性.支持向量機(jī)是一種新的模式識別方法，它在解決小樣本問題上有著獨(dú)特的優(yōu)勢，但其分類器分類效果受SVM核函數(shù)參數(shù)和懲罰系數(shù)的制約^［7］.文獻(xiàn)［8］利用PSO算法優(yōu)化SVM實(shí)現(xiàn)對無砟軌道路基沉降的有效識別.文獻(xiàn)［9］利用WOA算法優(yōu)化SVM模型對彈用電磁繼電器的貯存壽命預(yù)測，取得較好的識別結(jié)果.文獻(xiàn)［10］提出了GWO算法優(yōu)化SVM分類模型，實(shí)現(xiàn)了對特殊人群騎行相位的識別.文獻(xiàn)［11］提出了一種基于麻雀搜索算法優(yōu)化SVM的繼電保護(hù)裝置狀態(tài)評估方法.

在上述研究的基礎(chǔ)上，本文提出了基于LBP特征和SSA優(yōu)化SVM的交通標(biāo)線識別算法.算法首先對交通標(biāo)線圖像提取統(tǒng)一化的LBP特征，通過PCA算法對圖像特征降維處理，利用原始SVM進(jìn)行分類，通過識別率獲得圖像特征的最佳維度；然后，對SSA、PSO、WOA和GWO 4種優(yōu)化算法在單峰測試函數(shù)、多峰測試函數(shù)和固定維度測試函數(shù)分別進(jìn)行對比，SSA在收斂性等方面具有一定優(yōu)勢；其次，使用SSA優(yōu)化SVM的懲罰系數(shù)和核參數(shù)，獲得最優(yōu)的SVM模型；最后，將交通標(biāo)線圖像LBP特征輸入到優(yōu)化后的SVM模型進(jìn)行分類，分別與PSO、WOA和GWO優(yōu)化SVM模型進(jìn)行比較，SSA優(yōu)化SVM模型優(yōu)勢顯著.

1 LBP特征提取

LBP是一種高效的圖像局部紋理特征的提取算法，能反映每個像素與其周圍像素的關(guān)系，具有旋轉(zhuǎn)不變性、局部魯棒性好等優(yōu)點(diǎn).LBP的核心思想是以圖像中某一像素點(diǎn)為中心，以中心像素點(diǎn)灰度值作為閾值，對其周圍鄰域進(jìn)行二值化，得到一個二進(jìn)制數(shù)，該二進(jìn)制數(shù)對應(yīng)的十進(jìn)制數(shù)就是中心像素點(diǎn)LBP值.為了LBP算子能在任意大小和形狀的圖片上使用，采用圓形的鄰域和雙線性插值運(yùn)算可以得到任意數(shù)目（P）和半徑（R）的鄰域像素點(diǎn)，記作LBP_P，R.LBP_P，R特征提取原理如圖1所示，計(jì)算過程如公式（1）和公式（2）所示.但LBP_P，R的二進(jìn)制存在模式多、冗余信息高等缺點(diǎn)，導(dǎo)致計(jì)算量大.因此，統(tǒng)一化LBP算子^［12］（記作LBPu2_P，R）用來減少冗余的LBP模式，提高算法效力，同時保留LBP提取圖片特征的優(yōu)點(diǎn).

LBP_P，R（x_c，y_c）=∑Pi=1sign（I_i-I_c），（1）

sign（I_i-I_c）={1，I_i≥I_c，0，I_ilt;I_c.（2）

其中，（x_c，y_c）為中心點(diǎn)C的位置坐標(biāo)；I_c為中心點(diǎn)的灰度值；I_i（i=0，1，…，7）為I_c領(lǐng)域內(nèi)點(diǎn)的灰度值.

2 支持向量機(jī)優(yōu)化

2.1 SVM算法

Vapnik等在1963年提出的支持向量機(jī)分類算法（Support Vector Machine， SVM），是一種常見的機(jī)器學(xué)習(xí)算法.該算法的基本思想是通過尋找支持向量，將線性不可分?jǐn)?shù)據(jù)集映射到高維空間變成線性可分，最大化支持向量到分類超平面的距離，尋找到最優(yōu)的分類超平面.SVM算的法步驟如下：

（1）設(shè)訓(xùn)練樣本集D={（x₁，y₁），（x₂，y₂），…，（x_n，y_n）}，x_i∈R^m，y_k∈{1，－1}，（i，k=1，2…n），x_i是為第i樣本的多維特征向量；

（2）構(gòu)造目標(biāo)函數(shù)

maxLa=∑ni=1α_i－

12∑ni=1∑nj=1y_iy_jα_iα_jKx_i，y_j

s.t.∑nj=1y_jα_i=0，0≤α_i≤C，i=1，2，…，n，

其中，Kx_i，y_j為核函數(shù)，C為錯誤分類懲罰參數(shù)；

（3）求最優(yōu)解α^*，α^*=（α₁^*，α₂^*，…，α_n^*）；

（4）計(jì)算最優(yōu)方向向量w^*，w^*=∑ni=1y_iα^*_ix_i；

（5）通過y_j∑ni=1α^*y_iK（x_i，x_j）+b^*－1=0計(jì)算截距b^*；

（6）計(jì)算最優(yōu)分類超平面fx，f（x）=sgn{（w^*·x）+b^*}.

高斯徑向基核函數(shù)具有抗干擾能力強(qiáng)、適應(yīng)性好等優(yōu)點(diǎn)，常被用作支持向量機(jī)的核函數(shù)，即K（x_i，x_j）=exp（－γ‖x_i－x_j‖²），其中，γ是核函數(shù)參數(shù)，且γgt;0.

2.2 智能優(yōu)化算法分析與選擇

智能優(yōu)化算法是以仿照自然界的某種生物進(jìn)化過程、群體行為等作為算法原理，搜索問題最優(yōu)解的計(jì)算方法，是一種啟發(fā)式算法.智能優(yōu)化算法廣泛應(yīng)用于尋找問題的最優(yōu)解，以麻雀搜索算法（Sparrow Search Algorithm，SSA）、灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO）、粒子群算法（Particle Swarm Optimization，PSO）和鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）為例，分析比較4種優(yōu)化算法的性能.在最大迭代次數(shù)和種群大小均相同的條件下，設(shè)置SSA的參數(shù)：發(fā)現(xiàn)者數(shù)量（PD）、預(yù)警者數(shù)量（PS）分別占種群數(shù)量的80%和20%，安全閾值為0.5；設(shè)置GWO的參數(shù)：a從2到0，r₁，r₂∈［0，1］ 的隨機(jī)數(shù)；設(shè)置PSO的參數(shù)為： v_max=6，w_max=0.9，w_min=0.2，c₁=2，c₂=2；設(shè)置WOA參數(shù)為：a從2到0，a₂從-1到-2.測試函數(shù)分別隨機(jī)選取單峰測試函數(shù)F₅、多峰測試函數(shù)F₁₂和固定維數(shù)測試函數(shù)F₁₆.測試函數(shù)如表1所列.

對SAA、PSO、WOA、GWO 4種算法在測試函數(shù)F₅、F₁₂、F₁₆進(jìn)行測試，為保證比較的準(zhǔn)確性，取30次實(shí)驗(yàn)數(shù)據(jù)的平均值作為測試結(jié)果，測試結(jié)果如表2所列.

從表2可見，在同一測試函數(shù)下，SSA的平均值和標(biāo)準(zhǔn)差最小，最優(yōu)值是0，因此SSA比PSO、WOA、GWO尋優(yōu)能力強(qiáng)，穩(wěn)定性好.

對SAA、PSO、WOA、GWO 4種算法在測試函數(shù)F₅、F₁₂、F₁₆的收斂性進(jìn)行比較，將分類錯誤率作為適應(yīng)度，3種測試函數(shù)適應(yīng)度與迭代次數(shù)變化關(guān)系如圖2所示.

由圖2可知，相同條件下，SSA的適應(yīng)度最小；到達(dá)最優(yōu)適應(yīng)度時，SSA迭代次數(shù)最少.在相同的條件下，SSA在尋優(yōu)能力、穩(wěn)定性、收斂性等方面優(yōu)于PSO、WOA、GWO.

2.3 SSA優(yōu)化SVM

SVM分類效果取決于懲罰系數(shù)C和核函數(shù)參數(shù)γ，尋找到支持向量機(jī)最佳的懲罰系數(shù)和核函數(shù)參數(shù)能有效提高SVM的分類精度.麻雀優(yōu)化算法具有尋優(yōu)能力強(qiáng)、穩(wěn)定性好以及收斂速度快等優(yōu)點(diǎn)，因此，采用麻雀優(yōu)化算法尋找SVM的最佳懲罰系數(shù)和核函數(shù)參數(shù)，即SSA-SVM模型.SSA優(yōu)化SVM的流程如圖3所示.

將交通標(biāo)線圖片數(shù)據(jù)集劃分成兩份，一份占交通標(biāo)線數(shù)據(jù)集的7/10的數(shù)據(jù)維成訓(xùn)練集下3/10的圖片數(shù)據(jù)，組成測試集.

用訓(xùn)練集訓(xùn)練后的SSA-SVM模型去預(yù)測測試集的標(biāo)簽，計(jì)算預(yù)測錯誤率，將該錯誤率作為適應(yīng)度函數(shù)，得到最大正確率（最小正確率）對應(yīng)的C和γ.SSA優(yōu)化SVM的步驟如下.

（1）初始化相關(guān)參數(shù).設(shè)N為SSA種群數(shù)量，i為種群的第i麻雀，PD為發(fā)現(xiàn)者比例系數(shù)，SD為預(yù)警者比例系數(shù)；t為當(dāng)前的迭代次數(shù)，t_m為最大迭代次數(shù)；X^t_ij為第i只麻雀在第j維中的位置；R₂為預(yù)警值，大小在［0，1］之間；ST為安全值，大小在［0.5，1］之間；k是步長調(diào)整參數(shù)，大小在［-1，1］之間；α為隨機(jī)數(shù)，大小在（0，1］之間；Q為正態(tài)分布的隨機(jī)數(shù)；β為步長調(diào)整參數(shù)，是服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；X^t_w為當(dāng)前全局最差位置；X^t_best為當(dāng)前全局最佳位置；f_i，f_g，f_w分別為當(dāng)前麻雀個體、全局最優(yōu)、全局最差的適應(yīng)度值；ε為最小常數(shù).

（2）計(jì)算麻雀的自適應(yīng)度，選出自適應(yīng)度較好的麻雀，根據(jù)PD值確認(rèn)為發(fā)現(xiàn)者數(shù)量，剩下的麻雀作為加入者.計(jì)算最優(yōu)適應(yīng)度f_g的麻雀對應(yīng)的位置X_best以及最差適應(yīng)度f_w的麻雀對應(yīng)的位置X_w.

（3）按照公式（3）更新發(fā)現(xiàn)者位置.

X^t+1_ij={X^t_ij·exp－iα·t_m，R₂lt;ST，X^t_ij+Q·L，R₂≥ST. （3）

其中，L為元素全1的一行多列矩陣.

（4）按照公式（4）更新加入者位置.

X^t+1_ij={Q·expX^t_w－X^t_iji²，igt;N2，X^t+1_b+|X^t_ij－X^t+1_b|·A⁺·L，i≤N2.（4）

其中，X^t_b為當(dāng)前發(fā)現(xiàn)者的最佳位置；A⁺=A^TAA^T－1，A為元素隨機(jī)賦值-1或1的一行多列矩陣.

（5）更新所有麻雀適應(yīng)度值，確定當(dāng)前麻雀中最優(yōu)適應(yīng)度f_g的麻雀對應(yīng)的位置X^t_best以及最差應(yīng)度f_w的麻雀對應(yīng)位置X^t_w.根據(jù)SD值和公式（5）更新預(yù)警者位置.

X^t+1_ij={X^t_best+β·|X^t_ij－X^t_best|，f_igt;f_g，X^t_ij+k·|X^t_ij－X^t_w|f_i－f_w+ε，f_i=f_g. （5）

（6）判斷是否達(dá)到最大迭代次數(shù).如果達(dá)到最大迭代次數(shù)，則輸出最優(yōu)懲罰系數(shù)C和核函數(shù)參數(shù)γ，獲得最優(yōu)SVM模型，優(yōu)化算法結(jié)束，否則跳轉(zhuǎn)到第3步.

3 實(shí)驗(yàn)結(jié)果與分析

為了能準(zhǔn)確反映實(shí)驗(yàn)仿真效果，實(shí)驗(yàn)均在主頻為3.30 GHz的銳龍R5處理器，16 GB內(nèi)存，Python3.7編程軟件，Pycharm2021.3程序編輯器上進(jìn)行.

3.1 數(shù)據(jù)采集與預(yù)處理

實(shí)驗(yàn)數(shù)據(jù)集為自制數(shù)據(jù)集，通過對車載視頻進(jìn)行轉(zhuǎn)換，獲取圖像，通過圖像灰度化變換、OTSU自適應(yīng)二值化、Canny算子邊緣提取、ROI提取等操作得到交通標(biāo)線數(shù)據(jù)集，處理后的圖像如圖4所示，部分交通標(biāo)線如圖5所示.將數(shù)據(jù)集按照7∶3分為訓(xùn)練集和測試集.

3.2 LBP特征提取與PCA降維

通過LBP算法提取數(shù)據(jù)集的特征，利用LBP算法的旋轉(zhuǎn)不變性去除冗余，獲得數(shù)據(jù)集59維的特征向量，再通過PCA對LBP提取的特征向量進(jìn)行維度處理.為了降低計(jì)算量，提高識別速度和識別精度，尋找PCA維度處理后的最佳維度.在選取默認(rèn)懲罰系數(shù)C和核函數(shù)參數(shù)γ的SVM分

類器的情況下進(jìn)行實(shí)驗(yàn)，維度與分類識別率之間的關(guān)系如圖6所示.

由圖6可知，在9維和10維時，SVM分類識別率最高，達(dá)到92.2%，在相同分類識別率情況下，選擇維度小的9維，能減少計(jì)算量，提高分類器識別速度.

3.3 優(yōu)化模型比較

利用SSA、PSO、WOA和GWO 4種算法分別優(yōu)化SVM，尋找最優(yōu)懲罰系數(shù)C和核函數(shù)參數(shù)γ， 建立出來的最優(yōu)模型.設(shè)定種群數(shù)量為60，迭代次數(shù)為500次，懲罰系數(shù)C和核函數(shù)參數(shù)γ設(shè)都設(shè)定在［2^－8，2⁸］范圍內(nèi)進(jìn)行實(shí)驗(yàn)，重復(fù)10次實(shí)驗(yàn).SSA-SVM優(yōu)化模型10次實(shí)驗(yàn)數(shù)據(jù)如表3所列.

由表3可知，SSA-SVM優(yōu)化模型最佳參數(shù)和最高識別率穩(wěn)定，最優(yōu)懲罰系數(shù)C為256，核函數(shù)參數(shù)γ為3.91×10^-3，平均最高識別率為96.7%，最快測試識別時間為3.62 ms，平均測試識別時間為3.79 ms.

PSO-SVM優(yōu)化模型10次實(shí)驗(yàn)數(shù)據(jù)如表4所列.

由表4可知，PSO-SVM優(yōu)化模型的最佳參數(shù)、最高識別率不穩(wěn)定.最高識別率為96.77%，平均最高識別率為96.0%，最快測試識別時間為3.52 ms，平均測試識別時間為4.14 ms.

WOA-SVM優(yōu)化模型10次實(shí)驗(yàn)數(shù)據(jù)如表5所列.

由表5可知，WOA-SVM優(yōu)化模型最佳參數(shù)不穩(wěn)定，最高識別率穩(wěn)定，最高識別率為96.7%，

最快測試識別時間為3.63 ms，平均測試識別時間為3.87 ms.

GWO-SVM優(yōu)化模型10次實(shí)驗(yàn)數(shù)據(jù)如表6所列.

由表6可知，GWO-SVM優(yōu)化模型最佳參數(shù)不穩(wěn)定，最高識別率穩(wěn)定.最高識別率為95.6%，最快測試識別時間為3.93 ms，平均測試識別時間為4.06 ms.

通過對表3、表4、表5和表6分析，選取最高識別率對應(yīng)的最大懲罰系數(shù)核、最小函數(shù)參數(shù)，4種優(yōu)化模型最佳參數(shù)如表7所示.

根據(jù)表7的相關(guān)參數(shù)，重新訓(xùn)練支持向量機(jī)，獲得SVM最優(yōu)模型，再在測試集分別進(jìn)行測試.對4種優(yōu)化模型進(jìn)行了60次，每隔5次取一次實(shí)驗(yàn)數(shù)據(jù)，計(jì)算測試識別平均時間，4種最優(yōu)模型測試識別平均時間如圖7所示，SSA-SVM優(yōu)化模型測試平均識別速度最快.4種優(yōu)化算法測試平均識別率仍然保持在最高識別率不變.

綜上所述，SSA-SVM優(yōu)化模型的最優(yōu)懲罰系數(shù)C和核函數(shù)參數(shù)γ以及最高識別率非常穩(wěn)定，穩(wěn)定性優(yōu)于PSO-SVM優(yōu)化模型、GWO-SVM優(yōu)化模型、WOA-SVM優(yōu)化模型，并且測試識別率高達(dá)96.7%；SSA-SVM優(yōu)化模型能夠在最大識別精度的同時能保證最短的測試識別時間；從優(yōu)化模型的穩(wěn)定性、測試識別速度以及最高識別精度綜合衡量下，SSA-SVM交通標(biāo)線識別模型最優(yōu)，更具有實(shí)用性.

4 結(jié)語

通過對SSA、PSO、WOA和GWO 4種群智算法的分析比較，采用SSA優(yōu)化SVM懲罰系數(shù)C和核函數(shù)參數(shù)γ，提高了SVM的分類效果和效率，獲得SSA-SVM最優(yōu)模型.將提取交通標(biāo)線的LBP特征，通過PCA降維處理，輸入SSA-SVM最優(yōu)模型，該模型平均識別速度和平均識別精度優(yōu)于PSO-SVM、WOA-SVM和GWO-SVM最優(yōu)模型，且具有較強(qiáng)的穩(wěn)定性.

參考文獻(xiàn)：

［1］ 劉春，戚遠(yuǎn)帆，李友源，等.基于移動激光掃描點(diǎn)云數(shù)據(jù)柵格化的交通標(biāo)線分割算法［J］.同濟(jì)大學(xué)學(xué)報（自然科學(xué)版），2022，50（11）：1676-1684.

［2］ 周建，束蟬方.一種利用點(diǎn)云強(qiáng)度特征的交通標(biāo)志線提取優(yōu)化算法［J］.工程勘察，2023，51（2）：68-72.

［3］ 方莉娜，王爽，趙志遠(yuǎn)，等.車載激光點(diǎn)云中交通標(biāo)線自動分類與矢量化［J］.測繪學(xué)報，2021，50（9）：1251-1265.

［4］ XU S，WANG J，WU P，et al.Vision-based pavement marking detection and condition assessment：a case study［J］.Applied Sciences，2021，11（7）：3152-3163.

［5］ 裘莉婭，陳瑋琳，李范鳴，等.復(fù)雜背景下基于LBP紋理特征的運(yùn)動目標(biāo)快速檢測算法［J］.紅外與毫米波學(xué)報，2022，41（3）：639-651.

［6］ 劉如飛，馬新江，盧秀山，等.利用多元LBP特征自動提取城市道路邊界［J］.遙感學(xué)報，2022，26（3）：541-554.

［7］ 朱強(qiáng)軍，汪慧蘭，張廣海.基于fast PCA和K-CV優(yōu)化SVM的人臉識別算法研究［J］.湖北民族大學(xué)學(xué)報（自然科學(xué)版），2021，39（2）：193-198.

［8］ 任娟娟，張亦弛，劉偉，等.基于PSO-SVM的無砟軌道路基沉降病害識別［J］.鐵道科學(xué)與工程學(xué)報，2023，20（11）：4400-4411.

［9］ 喬青云，王召斌，劉百鑫，等.基于WOA-SVM模型的電磁繼電器貯存壽命預(yù)測研究［J］.電器與能效管理技術(shù)，2023（2）：1-5，10.

［10］ 高新智，劉作軍，張燕，等.基于GWO-SVM的下肢假肢穿戴者騎行相位識別［J］.浙江大學(xué)學(xué)報（工學(xué)版），2021，55（4）：648-657.

［11］ 葉遠(yuǎn)波，李端超，謝民，等.基于SSA-SVM的繼電保護(hù)裝置狀態(tài)評估方法研究［J］.電力系統(tǒng)保護(hù)與控制，2022，50（8）：171-178.

［12］ 劉曉陽，霍祎煒.多尺度分區(qū)統(tǒng)一化LBP算子井下人員人臉識別方法［J］.煤炭科學(xué)技術(shù)，2019，47（12）：116-123.

［責(zé)任編輯：李 嵐］