学术文化网:本站代理期刊可作为职称及学位评审依据;并代写(职称、本科、硕士、博士)论文,代写代发论文一条龙服务;保证原创,保证质量,100%通过,保密服务

学术文化网

重点推荐省级国家级期刊、北大中文核心、CSSCI、EI、SCI发表,稳妥操作,速度快,包发表。有意向联系客服咨询。
论文代写:十年专业服务品质,全部由期刊编辑、硕士、博士撰写;保证原创、版权归您;保证通过、否则全额退款。代写论文申请表
论文发表:与百家优秀期刊合作,代理审核组稿,论文发表涵盖所有专业领域,全部正刊,保证出刊,否则全额退款。代写代发论文申请表
业务合作:因业务发展需要,诚招优秀写手合作,要求硕士以上学历,不限专业,另诚征优秀期刊代理合作,具体详谈。QQ:415835425 代写论文写手申请表
当前位置: 主页 > 工科论文

基于二维隐马模型的车行轨迹分类(2)


表1 五组特征提取方案分类结果比较
Tab. 1 Classification results of five kinds of feature-extraction methods
特征
<SD,PD>
<SD,LANE>
<SD>
<POS>
<SD,POS>
准确率
0.977716
0.912728
0.829867
0.727431
0.89067
方差
0.000106
0.000327
0.000774
0.003272
0.000606
注:在五组特征提取方案的分类准确率比较中,选取隐状态数量为8,拓扑结构为全连接的HMMs,单特征使用一维HMMs,双特征时使用二维HMMs。对3000语料进行十倍交叉验证之后,得到的准确率170 平均值,及方差。当选用其他数量的隐状态个数时,得到了类似的结果。
提取<SD,PD>特征时,实验的准确高达0.978。<POS>特征,不足以体现车行轨迹的独特性,仅有0.727的准确率。车道(LANE),采样点所在的车道,与原始位置相比简洁准175 确的体现了车行轨迹点的位置。<LANE>则是相对于其他轨迹而言车行轨迹的独有特征。<SD,LANE>特征提取方案也有较高的准确率,但它对直行和换道的两种车行方式不具备区分度,造成直行和换道的大量误分。<SD,PD>弥补了<SD,LANE>对直行和换道分类的缺陷。总而言之,车行方式与车道间存在的密切联系,结合SD和PD特征,使车行轨迹分类达到很高的准确率。 180
a b
图7 六种车行方式分类的混淆矩阵
Fig. 7 Confusion matrix of six motion of vehicle
 注:在图7,六种车行方式分类的混淆矩阵中,a中特征为<SD,PD>,b中特征为<SD,LANE>。二185 维HMMs的拓扑结构为全连接,隐状态个数为8条件下,交叉验证3000条数据的分类结果。
实验中定义了六种车行方式,分别是:左转(tl),右转(tr),左后转(lb),右后转(rb),直行(di),换道(sw),以<SD,PD>二维特征为观察值的HMMs,对六类运动都有很好的分类效果,如图7中所示。
3.2 不同拓扑结构的HMMs下车行轨迹分类结果 190
第三部分中介绍了四种类型的HMMs拓扑结构,HMMs的两种典型拓扑结构是全连接和从左至右连接,两种拓扑结构运用在了不同的轨迹分类任务中。拓扑结构的选择对实验结果的影响很大。选择不同的特征提取方案时,对应最佳的HMMs拓扑结构不同。
a.选用<SD,PD>特征时,全连接结构的HMMs最高的准确率。四种结构十倍交叉验证后的平均准确率如表2所示。 195
表2 <SD,PD>特征下,四种拓扑的HMMs分类结果比较
Tab. 2 under the feature <SD,PD>, Classification results of four kinds of HMMs with different topology
拓扑结构
全连接
从左至右2连接
环2连接
双向2连接
准确率
0.971145
0.944266
0.948442
0.949352
方差
0.000106
0.000735
0.000584
0.000567
注:选用<SD,PD>特征时,四类HMMs拓扑结构的分类准确率比较,隐状态数为8的二维HMMs条件下,对3000语料进行十倍交叉验证之后,得到的准确率平均值,及方差。当选用其他数量的隐状态个数时,得到了类似的结果。 200
实验结果表明,选用<SD,PD>特征时,HMMs的拓扑结构对分类结果的影响不太大,全连接得到的实验结果不仅均值最大,分布也最稳定。而从左至右2连接得到的分类结果最差,其余两种结构都较从左至右2连接有微小提升。 205
b.选用<SD>特征时,从左至右连接的HMMs较其它结构则具有明显优势。四种结构十倍交叉验证后的平均准确值如表3所示。
表3 <SD>特征下,四种拓扑的HMMs分类结果比较
Tab. 3 under the feature <SD>, Classification results of four kinds of HMMs with different topology
拓扑结构
全连接
从左至右2连接
环2连接
双向2连接
准确率
0.827934
0.91578
0.865051
0.803822
方差
0.002418
0.000513
0.002057
0.00622
注:选用<SD>特征时,四类HMMs拓扑结构的分类准确率比较中,隐状态数为8的HMMs条件下,210 对3000语料进行十倍交叉验证之后,得到的准确率平均值,及方差。当选用其他数量的隐状态个数时,得到了类似的结果。
实验结果表明,选用弧度特征时,从左至右2连接有明显的优势,双向2连接实验结果215 最差。
两组实验结果表明,不同的特征选择方案,分类结果最佳的HMMs拓扑结构不同。特征与拓扑结构之间存在着一定的联系。同时,比较而言,选取<SD,PD>二维特征对于HMMs具有结构稳定性,这也从侧面证明了这种特征提取方案的优势。
隐状态个数是HMMs结构的另一个方面,隐状态是对观察值的抽象表达,隐状态的数220 目决定了这种表达的抽象程度,一般认为,特征变化越复杂,表达特征需要的隐状态数目越
 多。随着隐状态数目的增加,运算复杂度的相应的增加,所以选择合适的隐状态数目,对于车行轨迹的分类很重要。
隐状态数目对实验结果的影响如图8所示。 225
图8 隐状态数目对实验结果的影响
Fig. 8 Classification results of HMMs that have different num of hidden states
注:隐状态数目变化对分类准确率的影响。实验条件是,使用二维全连接的HMMs并提取<SD,PD>特征。横坐标为隐状态数,纵坐标为准确率。
3.3 隐状态的解码 230
在轨迹分类任务中,隐马模型中的隐状态对于实验者只是虚拟的符号,它所对应的具体物理含义往往被研究者忽视。通过viterbi算法解码能够得到轨迹的隐状态序列。
l1 f1 235
l2 f2
l3 f3
图9 轨迹点与隐状态对照图 240
Fig. 9 The mapping result of trajectories and there decoding results
注:轨迹点与隐状态对照图中车行轨迹1,2,3均为方向形如的右后转轨迹。图l1,l2,l3采用自左向右2连接方式时对轨迹1,2,3的隐状态解码结果,图f1,f2,f3为采用全连接方式时对轨迹1,2,3的隐状态解码结果。实验中选用<SD,PD>特征,采用隐状态数目为8(0-7)的二维HMMs,f2,f3中只用了8个隐状态中的6个有效隐状态,f1中用到了7个有效隐状态,l1,l2,l3中8个隐状态都被使用。 245
图9中可以看出,隐状态对轨迹进行了切割。从左至右连接的HMMs中,同一个隐状态下的轨迹点运动变化相似。在全连接的HMMs中,具有相似的运动变化的轨迹点,由一个隐状态表示,或者由两个或多个隐状态的交替变换来表示。也可以说,在从左至右连接的HMMs中,隐状态相当于对轨迹点运动变化方式的分类。而在全连接的HMMs中,通过一250 个隐状态或者多个隐状态间的变化来表示一种轨迹点运动变化方式。其中的轨迹点的运动变化方式与特征选择密切相关。所以不同的特征选择方案,与之对应的最佳HMMs拓扑结构不同。
 4 结论
本文利用二维的HMMs对车行轨迹的分类,提出了<SD,PD>的特征表达方式,大幅度255 提升了分类的准确率。同时提出了二种HMMs拓扑结构,弥补从左至右连接结构的不足,并比较了各种拓扑结构下车行轨迹分类的准确率,最后分析了车行轨迹分类任务中HMMs隐状态的具体意义。
本文直接对24种车行轨迹进行分类,随着类别数量的增大,分类任务的困难程度也相应增大。进一步工作中将考虑利用对车行轨迹进行层次分类,这样可以减少每次分类时的类260 别数,从而降低分类的困难度。
[参考文献] (References)
[1] BoubezoulA, KoitaA, DaucherD. Vehicle trajectories classification using Support Vectors Machines for failure trajectory prediction. Advances in Computational Tools for Engineering Applications, 2009, pages 486-491. [2] 潘奇明, 程咏梅. 基于隐马尔可夫模型的运动目标轨迹识别. 计算机应用研究, 2008. 265 [3] Hyeon-Kyu Lee, KimJ.H. An HMM-Based Threshold Model Approachfor Gesture Recognition. Pattern Analysis and Machine Intelligence, IEEE Transactions,1999, pages:961-973. [4] Rabiner, L.R.A tutorial on hidden Markov models and selected applications in speech recognition[J].Proceedings of the IEEE ,1989, 77(2):257-286 [5] M. Brand, N. Oliver, A. Pentland,"Coupled hidden Markov models for complex action recognition" 270 Conference on Computer Vision and Pattern Recognition,1997. [6] Faisal.I,View-Invariant Motion Trajectory-Based Activity Classification and Recognition. [7] 王亮, 胡卫明, 谭铁牛. 人类视觉分析综述人运动的视觉分析综述.计算机学报, 2002. [8] 张宏志,张金换,岳卉. 基于CamShift的目标跟踪算法.计算机工程与设计, 2006. [9] 郜艳, 董兰芳, 王洵. 基于二维 HMM的中文离线签名认证系.计算机工程, 2005. 275 


学术论文网Tag:代写论文 代写代发论文 职称论文发表 代写代发
本站郑重声明:
  1、我们与数十所知名高校博士强强联手,保持常年稳定合作关系,论文质量更有保证;;
  2、写作领域涉及所有专业,实力操作,出稿更快,质量更高,通过率100%;
  3、所有代写文章,全部原创,包检测,保证质量,后续免费修改,保证通过;
  4、信誉实力服务,专业代写毕业论文,职称论文,硕博士论文,留学生论文,成熟操作;
------分隔线----------------------------
栏目列表
联系我们
服务承诺
推荐内容