基于支持向量機(jī)方法的車型分類技術(shù)

　　2.2核函數(shù)及模型參數(shù)選擇

　　應(yīng)用SVM方法分類車型，輸入空間通過(guò)非線性映射到高維特征空間的分布結(jié)構(gòu)由核函數(shù)決定，同時(shí)，最優(yōu)超平面與最近的樣本之間的距離最大和分類錯(cuò)誤率最小通過(guò)懲罰參數(shù)C進(jìn)行折衷。因此，核函數(shù)設(shè)計(jì)和懲罰參數(shù)C的選擇將直接影響到車型分類的效果。目前常用的核函數(shù)有：

　　線性核 ，多項(xiàng)式核以及高斯徑向核 ，其中，d為多項(xiàng)式的階數(shù)，σ為高斯分布的寬度。

　　在參數(shù)C、d及σ的選擇中，本文采用5-折交叉驗(yàn)證法，將2 000個(gè)訓(xùn)練樣本分為5個(gè)子集，每次將4個(gè)子集用于訓(xùn)練，剩下的一個(gè)子集用于分類測(cè)試，重復(fù)上述過(guò)程，直到所有子集都參加了測(cè)試，計(jì)算5次平均分類錯(cuò)誤率，選取平均分類錯(cuò)誤率最小的參數(shù)為模型參數(shù)。

　　表1為不同的核函數(shù)、各種模型參數(shù)下分類錯(cuò)誤率的比較結(jié)果。從表中可以看出，在不同的模型參數(shù)下，線性核函數(shù)的泛化誤差最大，多項(xiàng)式核函數(shù)次之，徑向基核函數(shù)最小。這主要是因?yàn)檐囆头N類多、特征差異較小，低VC維的分類器很難很好地將它們分開。另外，對(duì)徑向基核函數(shù)，一方面，當(dāng)σ2恒定時(shí)，泛化誤差隨著C增大而減小，其原因主要是隨著C增大，訓(xùn)練錯(cuò)分樣本數(shù)減小，從而使泛化誤差減?。涣硪环矫?，當(dāng)C恒定時(shí)，泛化誤差隨著σ2增大而基本上呈現(xiàn)出由大變小再變大的趨勢(shì)，其原因主要是當(dāng)σ2較小時(shí)，分類器的VC維較大，出現(xiàn)了過(guò)學(xué)習(xí)而使泛化誤差變大。當(dāng)σ2較大時(shí)，分類器的VC維較小，出現(xiàn)了欠學(xué)習(xí)而使泛化誤差變大。在有限的實(shí)驗(yàn)參數(shù)范圍中，徑向基核函數(shù)在σ2=0.50、G=1 000時(shí)獲得14.47％的最小泛化誤差，可將其選作為車型分類的最佳模型。

　　2.3車型分類實(shí)驗(yàn)

　　在模型訓(xùn)練階段，從一段視頻中人工選取1 500個(gè)包含7種車型的訓(xùn)練樣本進(jìn)行訓(xùn)練。在測(cè)試階段，采用訓(xùn)練階段得到的模型對(duì)600個(gè)測(cè)試樣本進(jìn)行分類。SVM方法分類性能結(jié)果如表2所示。

　　圖2是前面介紹的14個(gè)特征值作為支持向量機(jī)的輸入矢量，選擇高斯徑向核(σ2=0.50)、C=1 000來(lái)訓(xùn)練SVM后進(jìn)行分類的結(jié)果實(shí)例。

　　3結(jié)束語(yǔ)

　　本文采用SVM方法對(duì)車型分類進(jìn)行了研究。實(shí)驗(yàn)表明：核函數(shù)及模型參數(shù)對(duì)SVM方法的分類性能有較大的影響；對(duì)基于視頻的車型分類，SVM方法是一種很有前景的技術(shù)。