基于动态贝叶斯网络的障碍物辨识研究

刘顺林 黄影平 刘述民

摘 要：依据对样本的统计学习和对事物的先验知识，在数据缺失或没有样本数据的情况下依然可以建立有效的分类器。从图像中提取特征，筛选出所需特征，构建贝叶斯网络模型，并计算各节点的条件概率。将所需数据传入建好的网络系统中，通过一系列推理判断得到所需答案。实验结果表明，利用动态贝叶斯网络建立的障碍物辨识系统，能有效实现人和车辆等障碍物的辨识。

关键词：动态贝叶斯网络；特征提取；障碍物辨识

DOI：10.11907/rjdk.172656

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2018）004-0025-03

Abstract：This paper employs dynamic Bayesian network for obstacle classification. The network is established based on statistical learning from the sample and prior knowledge. The classifier can tolerate the absence of data or lack of samples. By extracting the features from the image， we select the desired features， construct the Bayesian network model， and calculate the conditional probability of each node. We input the data into the established network and get the answer by relevant reasoning. The experimental results show that the obstacle classification system established by the dynamic Bayesian network can effectively realize the classification of obstacles such as pedestrian， vehicle and others.

Key Words：dynamic bayesian network； feature extraction； obstacle classification

0 引言

障礙物辨识作为智能汽车的核心技术，一直受到业界重视。对汽车前方的行人、车辆等物体进行探测和辨识，可以减少交通事故发生，从而保障行人安全。障碍物探测和辨识领域的研究成果较多：杨欣等[1]提出了一种基于集成学习改进的二叉树支持向量机（BT-SVM）的多类分类方法；朱丹丹等[2]提出了基于朴素贝叶斯原理实现车载多障碍物的分类，实现对行人、车辆、骑自行车/摩托车等障碍物的分类；邵成猛[3]通过对盾构机的千斤顶总推力、刀盘马达总扭矩和推进速度进行BP神经网络构建，实现了无障碍物及混凝土桩、钻孔灌注桩、工法桩等障碍物的分类和预测。目前较为通用的分类器如SVM[4]、AdaBoost[5]等都需要大量的样本支撑，而贝叶斯网络依靠统计学习和先验知识，提高了数据缺失情况下的障碍物分类。

1 障碍物辨识系统组成

障碍物辨识系统组成如图1所示。

系统分3个阶段实现：①收集一定数量的样本并对其进行前期处理，提取所需特征；②确立障碍物、类别和特征之间的关系，建立动态贝叶斯网络结构，再计算各节点的条件概率表，实现网络的参数学习；③输入待测试目标的特征概率，判别出障碍物类型。

2 特征提取与选择

形状描述有基于几何特征和基于轮廓形状的方法，其中基于轮廓描述方法分为基于轮廓和基于区域两大类[6-7]。这些方法包括矩形度、高度、细长度、球状性、紧致度、Hu矩等形状特征，本文主要采用矩形度、高度、细长度和球状性4个特征。

2.1 矩形度

矩形度Ra反映了物体在最小外界矩形中的填充程度，表达为：

Ra=A0AR（1）

式（1）中，A0为轮廓包围的图像面积，AR为轮廓最小外接矩形面积，Ra的大小在0～1之间，矩形度可以用来区分矩形、圆形和不规则形状。

2.2 细长度

细长度RHW反映了目标的外观特性，其表达式为：

RHW=HW（2）

式（2）中，H和W分别为轮廓图像最小外接矩形的高和宽，RHW大小在0～∝间变化，细长目标大于1，宽扁目标则小于1，用它可以将细长目标和宽扁目标区分开来。

2.3 球状性

球状性SP原为3D物体表面积和对应体积的比值，将其用于对2D目标的描述，其表达式为：

SP=RiRc（3）

式（3）中，Ri、Rc分别代表目标区域的内、外接圆的半径，两个圆心都位于区域的质心上，SP在0～1间变化。当目标为圆型区域时SP达到最大，它不受目标区域平移、旋转和缩放的影响。

2.4 高度

根据统计数据，我国成年人身高[8-9]均值约1.70m，标准差8cm左右，能独立活动于道路交通中的6～13岁青少年身高平均分布在1.1m～1.55m之间，可大致推算出行人的分布概率。通过各汽车公司网站统计出小型车尺寸分布情况，可大概估算出小型车辆的高度分布概率。

3 动态贝叶斯网络设计

3.1 贝叶斯网络原理

贝叶斯网络（BN）是一种用于描述变量间不确定性因果关系的图形网络模型，由节点、有向连线和节点概率表组成，其中有向连线代表节点间的因果依赖关系，由于网络结构中各节点不能形成闭合环，也称为有向无环图[10]。

贝叶斯网络规定图中的每个节点υi独立于由υi的父节点给定的非υi后代节点构成的任何子節点集。给定一个随机变量集V（υ1，υ2，…，υn），假设B（υi）表示υi的直接双亲节点，由概率论的链式规则可得变量υi（i=1，2，…，n）的联合概率为：

动态贝叶斯网络是描述一个随时间改变和演化的系统模型，它的拓扑结构在每个时刻是相同的，不随时间而改变。为了将静态贝叶斯网络扩展到动态贝叶斯网络，可以引入时间节点，构成某一时刻的时间片结构，以表达对时间的依赖关系，其结构如图2所示。再通过对每个时间片进行复制，并在相邻时间片的状态之间加入弧，将静态贝叶斯网络扩展为动态贝叶斯网络。

3.2 贝叶斯辨识模型建立

建立贝叶斯辨识模型，首先需要建立结构模型，然后确定网络参数。

为了将障碍物分成行人、车辆和其它目标，本文采用两层网络模型对障碍物进行识别。如图3所示，第一层为根节点，假定变量为识别目标，总共有3种类别；第二层为叶节点，对应所选取的Ra、RHW、SP、Height等4个特征。

加入时间节点，形成静态贝叶斯网络（SBN）转化为动态贝叶斯网络（DBN）的中间结构。如图4所示，图中“Object”既是t时刻的总输出节点，又是t+1时刻的输入节点。为了将SBN连接成DBN，可将“Object”等效为图4所示的“Prew”+“Object”合体，它们分别代表输入节点和输出节点，其概率分布一样。通过状态转移的方式将中间结构连接成三时间片的动态贝叶斯网络，其简化结构如图5所示。

网络所需的概率一部分由历史数据统计分析获得，一部分通过对各特征进行统计分析获取其分布规律，用正态分布进行模拟，得到各特征的正太概率密度函数。由于目前基于连续节点变量的贝叶斯网络理论还不太成熟，且相关算法比较繁琐，故在时间运用上需要将概率密度函数转化为相应的离散概率表，部分概率表如表1、表2、表3所示。

4 实验结果

从数据库中提取40个样本组成100张图片进行测试，图6所示为SBN的障碍物辨识状态图，图中矩形框为各节点变量的观测窗口，以柱状图和百分百的双重形式显示节点变量取不同值的概率。当输入Height和SP两节点的证据时，推理出“Object”节点中的“PD”概率较大，分类结果为行人。

相同条件下，图7所示为DBN的障碍物辨识状态，由图可知在没有新证据输入之前，后续时间片的概率分布越来越均匀，体现了前一时刻的输出对后续判断影响越来越小。如果继续输入证据，则可提高系统辨识障碍物的能力，并在某一时刻图像缺失的情况下，通过前后时刻的关联性判别出障碍物。

5 结语

基于动态贝叶斯网络的障碍物辨识系统对障碍物有良好的辨识能力，与SBN相比，DBN有着更丰富的决策机理，合理利用了障碍物的时空信息，将不同时刻的辨识结果联系在一起，有效提高了系统的检测率，降低了偶然误判带来的风险。该系统具有辨识能力强、运算复杂度低等优点。

参考文献：

[1] 杨欣，沈志熙，黄席樾，等.智能车辆在城区交通场景中的多类障碍物识别[J].重庆大学学报，2009，32（7）：757-761.

[2] 朱丹丹，应捷，田谨.基于贝叶斯分类器的车载多类障碍物分类[J].信息技术，2016（1）：17-19.

[3] 邵成猛.基于BP神经网络的盾构前方障碍物预测研究[J].铁道建筑技术，2017（5）：11-12，31.

[4] 李红莲，王春花，袁保宗.一种改进的支持向量机NN-SVM[J].计算机学报，2003（8）：1015-1020.

[5] 付忠良.关于AdaBoost有效性的分析[J].计算机研究与发展，2008（10）：1747-1755.

[6] 束鑫.形状分析新方法及其在图像检索中的应用研究[D].无锡：江南大学，2012.

[7] HU M K. Visual pattern recognition by moment invariants[J].IEEE Transactions on Information Theory，1962，8（1）：179-187.

[8] 杨刚，张安琪.大学生身高影响因素实证分析[J].河南工程学院学报：自然科学版，2013，25（3）：44-47.

[9] 杨晓光，李艳平，马冠生，等.中国2002年居民身高和体重水平及近10年变化趋势分析[J].中华流行病学杂志，2005，27（7）：489-493.

[10] HUANG Y P， ANTORY D， JONES R P. Bayesian belief network based fault diagnosis in automotive electronic systems[J]. International Symposium on Advanced Vehicle Control，2006（6）：469-475.

（责任编辑：杜能钢）