專利名稱：基于優(yōu)化svm的高速公路交通事件檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘領(lǐng)域，主要用于高速公路交通管理系統(tǒng)中，為一種基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法。
背景技術(shù)：
一直以來，高速公路交通擁堵使人們的出行時(shí)間和燃料消耗大大增加[1_2]，給人們帶來了巨大的損失。然而，大多數(shù)的交通擁堵是由于非經(jīng)常性的交通事件引起的[3]。因此，如何快速準(zhǔn)確地檢測(cè)出交通事件，對(duì)減少交通事件的影響和持續(xù)時(shí)間、實(shí)施合理的路網(wǎng)優(yōu)
化有著重要的意義。交通事件檢測(cè)系統(tǒng)的性能主要取決于數(shù)據(jù)采集和數(shù)據(jù)處理兩個(gè)方面。數(shù)據(jù)采集是 指使用一些檢測(cè)技術(shù)獲取交通流參數(shù)。數(shù)據(jù)處理是指通過一些算法對(duì)獲取的交通流參數(shù)進(jìn)行分析，以判斷是否有事件發(fā)生，并確定事件發(fā)生的位置。因此，為了提高事件檢測(cè)系統(tǒng)的可靠性和有效性應(yīng)從兩個(gè)方面進(jìn)行改善——數(shù)據(jù)采集技術(shù)和數(shù)據(jù)處理算法。從國(guó)內(nèi)外以往的論文來看，使用基于線圈檢測(cè)器獲取交通流參數(shù)[4_6]的文獻(xiàn)占了很大一部分。這主要是由于線圈檢測(cè)系統(tǒng)已得到廣泛使用，且現(xiàn)有的基于線圈檢測(cè)器獲取的標(biāo)準(zhǔn)數(shù)據(jù)庫已比較完善，如美國(guó)加州的1-880數(shù)據(jù)庫。但是線圈檢測(cè)器也存在一些缺點(diǎn)每個(gè)車道下面都需要安裝線圈檢測(cè)器，成本較高，且不能覆蓋很大的區(qū)域；當(dāng)車流擁堵、車間距小于3m時(shí)，檢測(cè)器精度大幅度降低，甚至無法檢測(cè)；埋置線圈的切縫軟化了路面，使路面易損，在路面出現(xiàn)問題時(shí)容易造成線圈損壞，維護(hù)時(shí)需要封閉車道、開挖路面，花費(fèi)的人力物力較大，且對(duì)道路的通行能力有一定的影響[7]。與此相比，基于視頻的交通流參數(shù)檢測(cè)快速簡(jiǎn)便、處理智能、覆蓋范圍廣，一個(gè)攝像頭可覆蓋4-6個(gè)車道，檢測(cè)范圍50-150米，同時(shí)不會(huì)破壞路面、安裝和維護(hù)無須中斷交通，具有廣闊的應(yīng)用前景。通過攝像機(jī)視頻獲得了實(shí)時(shí)準(zhǔn)確的交通流參數(shù)之后，使用事件檢測(cè)算法即可判斷是否有交通事件發(fā)生。在數(shù)據(jù)處理算法方面，當(dāng)今主流的方法是基于人工神經(jīng)網(wǎng)絡(luò)的和基于支持向量機(jī)SVM (Support Vector Machines)的交通事件檢測(cè)算法?；谌斯ど窠?jīng)網(wǎng)絡(luò)的事件檢測(cè)算法是一種智能化的交通事件檢測(cè)算法，它具有檢測(cè)率高、誤報(bào)率低等優(yōu)點(diǎn)，但神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的確定沒有統(tǒng)一準(zhǔn)則，需要大量的學(xué)習(xí)樣本，容易出現(xiàn)過擬合現(xiàn)象，模型的泛化能力不佳；而支持向量機(jī)具有完備的統(tǒng)計(jì)學(xué)習(xí)理論和出色的學(xué)習(xí)性能，不需要大量的學(xué)習(xí)樣本就可以達(dá)到很高的檢測(cè)率，且具有良好的泛化性，是目前廣泛采用的一種交通事件檢測(cè)方法[13]。參考文獻(xiàn)[l]Barria J A, Thajchayapong S.Detection and Classification of TrafficAnomalies Using Microscopic Traffic Variables[J]. IEEE TRANSACTIONS ONINTELLIGENT TRANSPORTATION SYSTEMS, 2011，12 (3) :695 - 704.[2] Shah S A, Kim H, Baek S, et al. System architecture of a decisionsupport system for freeway incident management in Republic of Korea[J].Transportation Research Part A:Policy and Practice, 2008, 42 (5) :799 - 810.[3]ffilliams B M,Guin A. Traffic management center use of incidentdetection algorithms:Findings of a nationwide survey[J]. IEEE TRANSACTIONS ONINTELLIGENT TRANSPORTATION SYSTEMS, 2007, 8 (2) :351 - 358.[4] Chen S Y, Wang ff, Henk van Zuylen. Construct support vectormachine ensemble to detect traffic incident [J] · Expert Systems withApplications, 2009, 36(8) :10976 - 10986.[5]劉海松，吳杰長(zhǎng)，陳國(guó)鈞.克隆選擇優(yōu)化的SVM模擬電路故障診斷方法[J].電子測(cè)量與儀器學(xué)報(bào)，2010，24(12) :1132-1136[6]覃頻頻.事件檢測(cè)支持向量機(jī)模型與神經(jīng)網(wǎng)絡(luò)模型比較[J].計(jì)算機(jī)工程與應(yīng)用，2006，34:214-217.[7]尤三偉.高速公路常用車輛檢測(cè)器的性能比較[J].甘肅科技· 2008，24(1) :83-85.[8]吳聰，李勃，董蓉等.基于車型聚類的交通流參數(shù)視頻檢測(cè)[J].自動(dòng)化學(xué)報(bào)，2011，37(5) :569-576.[9]Huang X,Tan Y, He X G. An Intelligent Multifeature StatisticalApproach for the Discrimination of Driving Conditions of a Hybrid ElectricVehicle[J], IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS, 2011，12(2)453 - 465.[10]田有文，王立地，姜淑華.基于圖像處理和支持向量機(jī)的玉米病害識(shí)別[J].儀器儀表學(xué)報(bào)，2007，27 (6) =2123-2124.[11]尹玉梅，胡中華，湛金輝.基于支持向量機(jī)(SVM)的汽車車型識(shí)別[J].電子測(cè)量技術(shù)，2008，31 (7) :22-25.[12]劉衛(wèi)寧，曾恒，孫棣華等.基于視頻檢測(cè)技術(shù)的交通擁擠判別模型[J].計(jì)算機(jī)應(yīng)用研究，2010，27 (8) =3006-3008.[13]康海貴，李明偉，周鵬飛等.基于混沌高效遺傳算法優(yōu)化SVM的交通量預(yù)測(cè)[J].武漢理工大學(xué)學(xué)報(bào)交通科學(xué)與工程版，2011，35 (4) =649-653.[14]歐陽俊，陸鋒，劉興權(quán)等.基于多核混合支持向量機(jī)的城市短時(shí)交通預(yù)測(cè)[J]·中國(guó)圖象圖形學(xué)報(bào)，2010，15(11) =1688-1695.[15]苗靜，姚金杰，蘇新彥.基于改進(jìn)慣性權(quán)重PSO算法的目標(biāo)位置測(cè)量技術(shù)[J].國(guó)外電子測(cè)量技術(shù)，2010，29 (2) :23-25.

發(fā)明內(nèi)容
本發(fā)明要解決的問題是現(xiàn)有交通事件檢測(cè)系統(tǒng)的數(shù)據(jù)處理所采用的間接事件檢測(cè)方法中，基于支持向量機(jī)SVM (Support Vector Machines)的交通事件檢測(cè)方法具有廣闊的應(yīng)用前景，在此基礎(chǔ)上提出一種基于改進(jìn)的網(wǎng)格搜索算法優(yōu)化的SVM高速公路交通事件檢測(cè)方法。本發(fā)明的技術(shù)方案為基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，在待檢測(cè)路段的上下游設(shè)置PTZ視頻攝像機(jī)，通過攝像機(jī)視頻獲取交通流參數(shù)，采用基于支持向量機(jī)SVM的交通事件檢測(cè)算法，根據(jù)待檢測(cè)路段上下游交通流參數(shù)的變化判斷是否有交通異?；蚪煌ㄊ录l(fā)生，實(shí)時(shí)檢測(cè)交通事件，包括以下步驟I)通過高速公路攝像機(jī)視頻采集待檢測(cè)路段的交通流參數(shù)，所述交通流參數(shù)為占有率和速度；
2)將獲取的交通流參數(shù)與事件數(shù)據(jù)庫融合，所述事件數(shù)據(jù)庫為已有的交通事件歷史數(shù)據(jù)，將融合后的數(shù)據(jù)按交通情況分組，每一組分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集兩部分，訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集各自都包含事件狀態(tài)和非事件狀態(tài)數(shù)據(jù)；3)根據(jù)步驟2)分組的數(shù)據(jù)，針對(duì)每一組分別建立支持向量機(jī)SVM事件檢測(cè)模型，簡(jiǎn)稱SVM模型，所用的SVM模型選擇徑向基RBF核函數(shù)，并采用改進(jìn)的網(wǎng)格搜索算法對(duì)各SVM模型的懲罰參數(shù)C和核參數(shù)Y進(jìn)行優(yōu)化選擇；所述改進(jìn)的網(wǎng)格搜索算法步驟如下31)粗估計(jì)SVM模型的懲罰參數(shù)C和核參數(shù)Y的范圍，作為懲罰參數(shù)C和核參數(shù)Y的初始搜索范圍，并根據(jù)搜索范圍確定搜索步長(zhǎng)L ;32)以懲罰參數(shù)和核參數(shù)為坐標(biāo)系的坐標(biāo)，根據(jù)步驟31)選定的C、Y初始搜索范圍構(gòu)成一個(gè)二維網(wǎng)格，以訓(xùn)練數(shù)據(jù)集為樣本，按照交叉驗(yàn)證的方法計(jì)算樣本預(yù)測(cè)準(zhǔn)確率，即根據(jù)二維網(wǎng)格中的每一組懲罰參數(shù)和核參數(shù)的值，計(jì)算得到對(duì)應(yīng)的預(yù)測(cè)準(zhǔn)確率，預(yù)測(cè)準(zhǔn)確率最高的那組懲罰參數(shù)和核參數(shù)的值作為當(dāng)前最優(yōu)參數(shù)組合(C；、Y1)；33)根據(jù)當(dāng)前最優(yōu)參數(shù)組合(Cp Y P，以其為中心，擴(kuò)展土L范圍，得到新的搜索范圍，進(jìn)行進(jìn)一步網(wǎng)格搜索，根據(jù)新的搜索范圍調(diào)整搜索步長(zhǎng)；34)以懲罰參數(shù)和核參數(shù)為坐標(biāo)系的坐標(biāo)，根據(jù)步驟33)確定新的搜索范圍構(gòu)成一個(gè)新的二維網(wǎng)格，對(duì)應(yīng)新的二維網(wǎng)格上每一組的懲罰參數(shù)和核參數(shù)的值，以訓(xùn)練數(shù)據(jù)集為樣本，按照交叉驗(yàn)證的方法計(jì)算樣本預(yù)測(cè)準(zhǔn)確率；35)從步驟34)計(jì)算得到的結(jié)果中，選擇一組使得預(yù)測(cè)準(zhǔn)確率最高的懲罰參數(shù)和核參數(shù)值作為最優(yōu)的C、Y ；4)用每一組的訓(xùn)練數(shù)據(jù)集對(duì)針對(duì)該組建立的SVM模型進(jìn)行訓(xùn)練，得到確切的SVM模型的決策函數(shù)；使用訓(xùn)練好的各SVM模型對(duì)所對(duì)應(yīng)組的測(cè)試數(shù)據(jù)集進(jìn)行事件狀態(tài)和非事件狀態(tài)的分類，根據(jù)分類結(jié)果與測(cè)試數(shù)據(jù)集的實(shí)際數(shù)據(jù)檢驗(yàn)SVM模型的性能，得到對(duì)應(yīng)不同交通情況的SVM模型；5)根據(jù)待檢測(cè)路段的具體交通情況選擇對(duì)應(yīng)的SVM模型作為交通事件檢測(cè)模型，對(duì)實(shí)時(shí)采集的待檢測(cè)路段交通流參數(shù)進(jìn)行檢測(cè)判斷。步驟I)中，高速公路上每隔Ikm設(shè)置一個(gè)PTZ視頻攝像機(jī)，通過高速公路攝像機(jī)視頻采集交通流參數(shù)的時(shí)間間隔為lmin。步驟2)中，訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)為一個(gè)15維的向量，包括待檢測(cè)路段下游攝像機(jī)在t、t-1、t-2時(shí)刻檢測(cè)到的速度、占有率參數(shù)，上游攝像機(jī)在t、t-1、t-2、t-3時(shí)刻檢測(cè)到的速度、占有率參數(shù)，以及狀態(tài)標(biāo)志位,所述狀態(tài)標(biāo)志位中，I表示事件狀態(tài)，-I表示非事件狀態(tài)。步驟3)選取的支持向量機(jī)SVM事件檢測(cè)模型的輸入為一個(gè)14維的向量，包括待檢測(cè)路段下游攝像機(jī)在t、t-l、t-2時(shí)刻檢測(cè)到的速度、占有率參數(shù)和上游攝像機(jī)在t、t-l、t-2、t-3時(shí)刻檢測(cè)到的速度、占有率參數(shù)，輸出為狀態(tài)標(biāo)志位。
步驟4)的訓(xùn)練為根據(jù)步驟3)建立的基本SVM模型及其懲罰參數(shù)C和核參數(shù)Y，在訓(xùn)練樣本集上采用SVM的方法構(gòu)造分類器，得到確切的SVM模型的決策函數(shù)引入非線性映射函數(shù)Φ (X)，將輸入的數(shù)據(jù)映射到高維屬性空間，將原來的具有η個(gè)訓(xùn)練樣本的訓(xùn)練數(shù)據(jù)集T = KX1, Y1), (X2, y2),…，(Xn, yn)}轉(zhuǎn)化成S = {(Φ (X1)，J1), (Φ (X2), y2)，…，(Φ (Xn), yn)}，式中，Xi, I = I…η為SVM模型的輸入向量，為d維向量，Yn為狀態(tài)標(biāo)志位，I表示事件狀態(tài)，"I表示非事件狀態(tài)；利用訓(xùn)練數(shù)據(jù)集對(duì)SVM模型進(jìn)行訓(xùn)練的目標(biāo)是尋找一個(gè)超平面，使得采用SVM模型對(duì)訓(xùn)練數(shù)據(jù)集中的事件狀態(tài)和非事件狀態(tài)兩類樣本進(jìn)行判別時(shí)，兩類樣本完全分開，該超平面描述如式(I)所示w · X+b=0 ⑴式中，W e Rd，為超平面的法向量，b e R，為超平面的參數(shù)，R指實(shí)數(shù)集，#指d維的實(shí)數(shù)空間，X表示該超平面；對(duì)于任意一個(gè)訓(xùn)練樣本應(yīng)滿足式(2)的條件Yi (w · Φ (Xi) +b) ^ I- ξ i (2)式中，Yi表示第i個(gè)訓(xùn)練樣本的狀態(tài)標(biāo)志位，Φ (Xi)表示轉(zhuǎn)換后的輸入向量，I i彡O,表示第i個(gè)訓(xùn)練樣本(Φ (Xi), Yi)的松弛變量，i=l, 2，…，η ;根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將超平面的問題轉(zhuǎn)化為式(3)的優(yōu)化問題
權(quán)利要求
1.基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，其特征是在待檢測(cè)路段的上下游設(shè)置PTZ視頻攝像機(jī),通過攝像機(jī)視頻獲取交通流參數(shù),采用基于支持向量機(jī)SVM的交通事件檢測(cè)算法，根據(jù)待檢測(cè)路段上下游交通流參數(shù)的變化判斷是否有交通異?；蚪煌ㄊ录l(fā)生，實(shí)時(shí)檢測(cè)交通事件，包括以下步驟 1)通過高速公路攝像機(jī)視頻采集待檢測(cè)路段的交通流參數(shù)，所述交通流參數(shù)為占有率和速度； 2)將獲取的交通流參數(shù)與事件數(shù)據(jù)庫融合，所述事件數(shù)據(jù)庫為已有的交通事件歷史數(shù)據(jù)，將融合后的數(shù)據(jù)按交通情況分組，每一組分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集兩部分，訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集各自都包含事件狀態(tài)和非事件狀態(tài)數(shù)據(jù)； 3)根據(jù)步驟2)分組的數(shù)據(jù)，針對(duì)每一組分別建立支持向量機(jī)SVM事件檢測(cè)模型，簡(jiǎn)稱SVM模型，所用的SVM模型選擇徑向基RBF核函數(shù)，并采用改進(jìn)的網(wǎng)格搜索算法對(duì)各SVM模型的懲罰參數(shù)C和核參數(shù)Y進(jìn)行優(yōu)化選擇； 所述改進(jìn)的網(wǎng)格搜索算法步驟如下 31)粗估計(jì)SVM模型的懲罰參數(shù)C和核參數(shù)Y的范圍，作為懲罰參數(shù)C和核參數(shù)Y的初始搜索范圍，并根據(jù)搜索范圍確定搜索步長(zhǎng)L ; 32)以懲罰參數(shù)和核參數(shù)為坐標(biāo)系的坐標(biāo)，根據(jù)步驟31)選定的C、Y初始搜索范圍構(gòu)成一個(gè)二維網(wǎng)格，以訓(xùn)練數(shù)據(jù)集為樣本，按照交叉驗(yàn)證的方法計(jì)算樣本預(yù)測(cè)準(zhǔn)確率，即根據(jù)二維網(wǎng)格中的每一組懲罰參數(shù)和核參數(shù)的值，計(jì)算得到對(duì)應(yīng)的預(yù)測(cè)準(zhǔn)確率，預(yù)測(cè)準(zhǔn)確率最高的那組懲罰參數(shù)和核參數(shù)的值作為當(dāng)前最優(yōu)參數(shù)組合(C；、Y1)； 33)根據(jù)當(dāng)前最優(yōu)參數(shù)組合(CpY1),以其為中心，擴(kuò)展土L范圍，得到新的搜索范圍，進(jìn)行進(jìn)一步網(wǎng)格搜索，根據(jù)新的搜索范圍調(diào)整搜索步長(zhǎng)； 34)以懲罰參數(shù)和核參數(shù)為坐標(biāo)系的坐標(biāo)，根據(jù)步驟33)確定新的搜索范圍構(gòu)成一個(gè)新的二維網(wǎng)格，對(duì)應(yīng)新的二維網(wǎng)格上每一組的懲罰參數(shù)和核參數(shù)的值，以訓(xùn)練數(shù)據(jù)集為樣本，按照交叉驗(yàn)證的方法計(jì)算樣本預(yù)測(cè)準(zhǔn)確率； 35)從步驟34)計(jì)算得到的結(jié)果中，選擇一組使得預(yù)測(cè)準(zhǔn)確率最高的懲罰參數(shù)和核參數(shù)值作為最優(yōu)的C、Y ； 4)用每一組的訓(xùn)練數(shù)據(jù)集對(duì)針對(duì)該組建立的SVM模型進(jìn)行訓(xùn)練，得到確切的SVM模型的決策函數(shù)；使用訓(xùn)練好的各SVM模型對(duì)所對(duì)應(yīng)組的測(cè)試數(shù)據(jù)集進(jìn)行事件狀態(tài)和非事件狀態(tài)的分類，根據(jù)分類結(jié)果與測(cè)試數(shù)據(jù)集的實(shí)際數(shù)據(jù)檢驗(yàn)SVM模型的性能，得到對(duì)應(yīng)不同交通情況的SVM模型； 5)根據(jù)待檢測(cè)路段的具體交通情況選擇對(duì)應(yīng)的SVM模型作為交通事件檢測(cè)模型，對(duì)實(shí)時(shí)采集的待檢測(cè)路段交通流參數(shù)進(jìn)行檢測(cè)判斷。
2.根據(jù)權(quán)利要求I所述的基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，其特征是步驟1)中，高速公路上每隔Ikm設(shè)置一個(gè)PTZ視頻攝像機(jī)，通過高速公路攝像機(jī)視頻采集交通流參數(shù)的時(shí)間間隔為lmin。
3.根據(jù)權(quán)利要求I所述的基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，其特征是步驟2)中，訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中的每一個(gè)數(shù)據(jù)為一個(gè)15維的向量，包括待檢測(cè)路段下游攝像機(jī)在t、t-1、t-2時(shí)刻檢測(cè)到的速度、占有率參數(shù)，上游攝像機(jī)在t、t-1、t-2、t-3時(shí)刻檢測(cè)到的速度、占有率參數(shù)，以及狀態(tài)標(biāo)志位，所述狀態(tài)標(biāo)志位中，I表示事件狀態(tài)，-I表示非事件狀態(tài)。
4.根據(jù)權(quán)利要求3所述的基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，其特征是步驟3)選取的支持向量機(jī)SVM事件檢測(cè)模型的輸入為一個(gè)14維的向量，包括待檢測(cè)路段下游攝像機(jī)在t、t_l、t_2時(shí)刻檢測(cè)到的速度、占有率參數(shù)和上游攝像機(jī)在t、t-l、t_2、t_3時(shí)刻檢測(cè)到的速度、占有率參數(shù)，輸出為狀態(tài)標(biāo)志位。
5.根據(jù)權(quán)利要求I一 4任一項(xiàng)所述的基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，其特征是步驟4)的訓(xùn)練為根據(jù)步驟3)建立的基本SVM模型及其懲罰參數(shù)C和核參數(shù)Y，在訓(xùn)練樣本集上采用SVM的方法構(gòu)造分類器，得到確切的SVM模型的決策函數(shù) 引入非線性映射函數(shù)Φ (X)，將輸入的數(shù)據(jù)映射到高維屬性空間，將原來的具有η個(gè)訓(xùn)練樣本的訓(xùn)練數(shù)據(jù)集 T= ((XijY1), (X2，y2)，···，(Xn，yn)}轉(zhuǎn)化成 S= {(Φ (X1)^1), (Φ (X2),I2),''', (Φ氏)，7 )}，式中4，1 = 1···η為SVM模型的輸入向量，為d維向量，7 為狀態(tài)標(biāo)志位，I表示事件狀態(tài)，-I表示非事件狀態(tài)； 利用訓(xùn)練數(shù)據(jù)集對(duì)SVM模型進(jìn)行訓(xùn)練的目標(biāo)是尋找一個(gè)超平面，使得采用SVM模型對(duì)訓(xùn)練數(shù)據(jù)集中的事件狀態(tài)和非事件狀態(tài)兩類樣本進(jìn)行判別時(shí)，兩類樣本完全分開，該超平面描述如式(I)所示w · X+b=0 (I) 式中，w e Rd，為超平面的法向量，b e R，為超平面的參數(shù)，R指實(shí)數(shù)集，#指d維的實(shí)數(shù)空間，X表示該超平面； 對(duì)于任意一個(gè)訓(xùn)練樣本應(yīng)滿足式(2)的條件Yi (w · Φ (Xi) +b)彡 I— ξ i (2) 式中，Yi表示第i個(gè)訓(xùn)練樣本的狀態(tài)標(biāo)志位，Φ (Xi)表示轉(zhuǎn)換后的輸入向量，ξ i彡O,表示第i個(gè)訓(xùn)練樣本(Φ (Xi)，Yi)的松弛變量，i=l, 2，…，η ; 根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，將超平面的問題轉(zhuǎn)化為式(3)的優(yōu)化問題 ' mm 金 ΙΜΓ+令 (3)
全文摘要
基于優(yōu)化SVM的高速公路交通事件檢測(cè)方法，首先通過高速公路攝像機(jī)視頻快速準(zhǔn)確地獲取交通流參數(shù)，并對(duì)這些數(shù)據(jù)進(jìn)行預(yù)處理，分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集兩部分；所用的支持向量機(jī)SVM模型選擇徑向基RBF核函數(shù)，并采用改進(jìn)的網(wǎng)格搜索算法對(duì)SVM模型的懲罰參數(shù)C和核參數(shù)γ進(jìn)行優(yōu)化選擇；利用訓(xùn)練數(shù)據(jù)集對(duì)SVM模型進(jìn)行訓(xùn)練；使用測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練好的SVM事件檢測(cè)模型性能進(jìn)行檢驗(yàn)，然后將SVM模型用于高速公路的實(shí)時(shí)交通事件檢測(cè)。測(cè)試表明，本發(fā)明具有90%以上的檢測(cè)率和5%以下的誤報(bào)警率，且優(yōu)化時(shí)間短，滿足了交通事件檢測(cè)實(shí)時(shí)性的要求。
文檔編號(hào)H04N7/18GK102682601SQ20121013753
公開日2012年9月19日 申請(qǐng)日期2012年5月4日 優(yōu)先權(quán)日2012年5月4日
發(fā)明者吳煒, 吳聰, 李勃, 沈舒, 王雙, 董蓉, 蔣士正, 阮雅端, 陳啟美 申請(qǐng)人:南京大學(xué)