基于聚类算法在车辆检测中特征选择的应用技术研究

2018-05-18王秀林

机械管理开发 2018年4期

王秀林

（山西交通职业技术学院，山西太原 030031）

引言

随着人们生活水平的提高，车辆的数量越来越多，车辆的种类、型号、框架结构等都具有不同的特征，因此应用虚拟现实技术和图像处理技术的目标检测和识别技术，例如人脸识别、行人特征检测、车辆检测等，在智能交通和传感技术发展的过程中，也越来越多地被应用到交通领域，例如车辆碰撞预测预警、车辆偏离车道等突发情况；在智能交通中通过视频捕捉利用视觉技术进行分析和跟踪，检测人流拥挤和车辆通行状况，可便捷高效地进行交通管理，减少交通事故。

在车辆检测技术中，通过背景图像、纹理和颜色等对运动目标进行检测，提高检测精度，在检测过程中，通过利用高速混合建模、分类器、决策树等算法进行多目标检测、跟踪、识别等。在车辆检测中通过视频和图像分离背景图像，常用的技术有基于背景差分、先验知识、光流法、机器学习等，其中，机器学习的研究应用已成为目前的前沿领域，目标检测的方法和技术越来越多。

1 聚类算法概述

聚类算法主要是对生成的簇中的数据进行相异和相似性判别，尽最大程度地实现对象中的相似度度量。

聚类算法主要包括基于划分、层次、密度、网格、模型、分形、仿生等算法，无论用什么样的聚类算法，影响算法结果的好坏主要受类目、距离函数和算法优良三种因素的影响，其中基于划分的聚类K-Means算法，容易受离散值或异常点、初始点选择的影响，且数据集越大越容易产生局部最优化；基于层次聚类相对复杂度较高、容易产生链状且容易受异常点的影响，但该算法不需要预先对聚类的类数进行定义，距离或相似度函数限制少；基于密度聚类的算法，例如DBSCAN算法，对于高维数据和点之间的稀疏难于进行密度定义，但该算法可以事先不需要知道形成的簇类的数量和簇的形状。

谱聚类算法简单易行，其聚类性能优于传统的K-Means算法，将数据的划分转化为图的分割，该算法是基于图论的聚类方法，通过对图内的相似度计算，将图划分为多个子图，子图内相互之间相似度高，子图间相互之间相似度低。

2 谱聚类算法

谱聚类算法是将所有的样本点连接成图，然后将图分割成不同的子图，使得不同的子图相互间连接的权值达到最小。

首先定义两个不同子图间的连接权值为ω（A，B）=∑i∈A，j∈Bωij，其中 A-与 A 互补，记 vi∈A 且 i∈A，若将图分割为 K 个子图 A1、A2，…，AK，则通过对最优问题进行分割得到

为了解决图分割不均衡问题，生成有效分割，主要通过RaioCut和Normalized Cut两种方法进行合理分割，计算方式如下：

RaioCut和Normalized Cut将子图大小作为目标函数的分母，这样可均衡所有子图大小。其中，Normalized Cut的目标函数对cut进行了最小化，并进行了划分平衡，其中衡量子图大小的标准是通过子图中各端点的Degree之和进行，本文采用了Normalized Cut的目标函数：

式中：d1为第3节中图1-1的权值和，d2为第3节中图1-2的权值和

s.t.：qTDq=1，qTDq=0，泛化瑞利熵为而L'q'=λq'。其中

因而只需要将原L矩阵，归一化即可

归一化的L矩阵有：

又：

L'的最小特征值与的最大特征值对应。

该算法聚类的具体步骤如下：

1）根据视频采集的图像数据，进行数据预处理，生成图的邻接矩阵；

2）根据归一化理论，进行拉普拉斯矩阵计算；

3）通过矩阵计算，生成最小的K个特征值和对应的特征向量；

4）根据特征向量进行K-Means聚类计算。

K-Means聚类算法属无监督的学习方法，K-Means算法主要是通过随机初始化，生成种子类目K，利用最近邻算法计算样本点分别与各种子间的距离，生成不同的类簇，总类簇数为类目数，再计算各类簇的质心，计算新的类目种子，通过迭代计算，直至种子点的距离小于指定的阈值。具体流程如下：

1）随机生成 K 个类簇种子，即为（ω1，ω2，…，ωK）；

2）对所有样本点Xi+进行计算，计算每个点所属类目：

然后对每个类生成的类j进行质心计算

根据式（6）进行优化函数计算，通过Xi+得到聚类类目：

即：

3 试验验证

根据UCI数据集选择了不同的3种，然后利用谱聚类、K-Means聚类进行对比试验，经验证，数据集1的聚类结果分别78.26%、77.34%，数据集2的聚类结果为61.73%、49.86%，数据集3的聚类结果为55.21%、44.65%。由此可见，谱聚类算法相对较为准确。根据采集的图像数据，对车辆图片进行标示，然后由图的像素大小和比例进行图像划分，再根据划分后的图像利用HOG特征经过谱聚类算法再次进行划分，通过进修迭代计算，最终得到如图1所示的样本聚类结果，聚类类目分别为6类和12类。