|
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 |
