道路多目标分类方法技术

本发明专利技术公开了一种道路多目标分类方法，通过导入训练样本应用基于约束的NPC算法对混合贝叶斯网络结构进行学习；然后对网络结构中的离散变量和连续变量分别进行参数学习来获得网络中每一个节点的分布，再将参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路目标分类。该方法一方面摒弃了对高分辨率及近景图像的需求，通过使用道路目标简单的低层次特征，大大减少了计算量。另一方面混合贝叶斯网络结构的构建避免了传统的贝叶斯网络分类器中将所有变量都视为离散变量易造成目标信息损失，同时在道路多目标数据的处理和分析中导致搜索空间的和计算量的急剧增加。本发明专利技术采用连续节点和离散节点共存的贝叶斯网络更符合实际。

【技术实现步骤摘要】
道路多目标分类方法
本专利技术涉及一种智能视频监控技术，特别涉及一种道路多目标分类方法。
技术介绍
智能汽车的研究方兴未艾，环境辨识是智能汽车的基本模块，也是智能车开展自主驾驶的前提。环境辨识的一项基本任务是对障碍物的探测与辨识。现有的研究侧重于对单一类型障碍物的探测，而对多类型障碍物的探测并且识别的研究较少。而对于行驶在城区道路环境下的智能车来说，不仅要对前方目标进行探测，并且还要辨识它们的类型。目前通用的分类器有决策树、神经网络、支持向量机、Adaboost等。其分类决策依据均来自于对样本数据的学习，故需以大量的类样本为支撑。考虑到目标种类的多样性、环境的复杂性以及外形的不确定性，仅依靠对样本学习得到的分类规则受样本容量及空间分布的影响较大。而贝叶斯网络则有着强大的不确定知识的表达能力，在分类决策过程中，可充分利用先验知识及统计学习两方面的信息，使推理规则更加灵活和有效，这也使得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。但是，传统的贝叶斯网络分类器是将所有变量都视为离散变量，可是变量的离散化处理不可避免地会存在信息缺失，且在道路多目标数据的处理和分析中，连续变量的离散化会导致搜索空间和计算量的急剧增加。因此道路多目标分类问题仍是智能汽车系统中的一个难题。
技术实现思路
为了解决上述难题，本专利技术提供了一种既存在离散节点又存在连续节点的混合贝叶斯网络的道路多目标分类方法。为实现上述目的，本专利技术采用了如下技术方案：一种道路多目标分类方法，该方法是：将训练样本应用基于约束的NPC算法对混合贝叶斯网络结构进行学习，对网络结构中的离散变量和连续变量分别进行参数学习获得网络中每一个节点的分布，将两类参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路多目标进行分类。具体包括如下步骤：1)建立数据集，包括用于训练分类算法模型的训练数据集和用于对分类算法测试的测试数据集；2)将待识别目标分类类别设为m类，提取目标的n个分类特征，将分类特征划分为离散变量和连续变量两类；Amn是包含每个特征所有类别信息的二维矩阵：其中ai,j为第i类目标第j个特征的值，将{A1,A2,…,An}作为混合贝叶斯网络中相应节点的取值；3)导入训练数据集，应用基于约束的结构学习方法NPC算法对混合贝叶斯网络的结构进行学习；应用贝叶斯网络参数学习方法来获得每一个节点的分布P(Xi|C)，对于离散变量和连续变量分别进行参数学习；将上述获得的两类参数进行合并，获得混合贝叶斯网络；4)将测试数据集导入获得的混合贝叶斯网络中，对城市道路目标进行分类。上述技术方案中，进一步的，所述的步骤2)中所述的分类特征为目标的遮挡情况(occlude)、长度(length)、宽度(width)、高度(height)和观测角度(alpha)五个特征，其中，目标的遮挡情况为离散变量，目标的长度、宽度、高度及观测角度为连续变量。进一步的，所述的步骤3)中通过依赖分析确定节点之间的关系，若节点间有依赖关系则保留此无向边，否则去掉节点之间的这条边；具体的，通过卡方统计量做假设检验来确定边的存在与否，从而确定贝叶斯网络的框架，然后再根据独立检验中产生的分割集确定边的方向；对于任何连接似乎有悖常理或解析模糊区域时可与用户交互进行，用户可以利用这个机会决定无向连接的方向性并解决它的模糊区域。进一步的，对于离散变量，其条件概率表CPT采用多维矩阵表示，为：E(θi,j,k|D,BS,ξ)＝(Ni,j,k+1)(Ni,j+ri-Ni,j,k-1)/(Ni,j+ri)2(Ni,j+ri+1)其中，θi,j,k表示条件概率表；ξ表示若干假设；D为数据集；BS为网络结构；ri为离散随机变量Xi所有可能的取值个数，如果用ωi,j表示变量Xi的第j个父节点，vi,k为变量Xi的取值，则Ni,j,k为数据集D中变量Xi取值为vi,k同时父节点为ωi,j的样本出现的次数，Ni,j的计算公式为对于离散变量的每个特征，参数学习的结果是一个m×k大小的的二维矩阵：M1＝CPTm×k；对于连续变量，其条件概率分布为：其中，C代表类别标签，连续变量符合一元正态分布，即Xi～N(μi,σi)，其正态分布的均值μi和方差σi两个重要参数从训练样本中直接计算得到；当样本数据不完备时，可以通过EM算法来解决混合贝叶斯网络参数的学习问题；对于连续变量的每个特征，参数学习的结果是一个m×2大小的二维矩阵M2＝CPDm×2＝<μi，σi>,i∈{1,2,…,m}。对两类参数M1和M2进行合并，得到参数网络θ＝<M1，M2>；其中，M1为m×k大小的条件概率表CPTm×k的二维矩阵；M2为m×2大小的条件概率分布CPDm×2的二维矩阵。本专利技术的有益效果是：根据本专利技术涉及的基于混合贝叶斯网络的道路多目标分类方法，通过基于约束的NPC算法对混合贝叶斯网络的结构进行学习，再对离散变量和连续变量分别进行参数学习获得网络中每一个节点的分布，然后将参数进行合并，最后将测试样本用于该网络将城市道路目标进行分类。它一方面摒弃了对高分辨率及近景图像的需求，通过使用道路目标简单的低层次特征，例如：高度，宽度和观测角度等，大大减少了计算量，并能实时运行。另一方面混合贝叶斯网络结构的构建避免了传统的贝叶斯网络分类器中将所有变量都视为离散变量，这样将造成目标信息损失，同时在道路多目标数据的处理和分析中导致搜索空间的和计算量的急剧增加。而连续节点和离散节点共存的贝叶斯网络才更符合实际。附图说明图1为本专利技术实施例的逻辑原理图；图2为本专利技术实施例的混合贝叶斯网络结构示意图。具体实施方式为了进一步理解本专利技术，下面结合实施例对本专利技术优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本专利技术的特征和优点，而不是对本专利技术权利要求的限制。本实施例提供了一种道路多目标分类方法，如附图1所示，通过导入训练样本应用基于约束的NPC算法对混合贝叶斯网络结构进行学习；然后对网络结构中的离散变量和连续变量分别进行参数学习来获得网络中每一个节点的分布，再将参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路目标分成八类。具体实施步骤如下：1)使用KITTI的3D目标检测基准数据集对本分类方法进行测试。该数据集全部为真实路面场景，数据采集场景丰富，每帧点云中通过专业标注人员标注出八类障碍物，：Pedestrian、Car、Van、Truck、Cyclist、Person_sitting、Tram和Misc。而且还有各种程度的遮挡与截断。经整理将整个数据集分为两个部分——1个训练数据集和1个测试数据集。其中训练数据集用于算法模型的训练，含目标障碍物共约20000个；测试数据集用于分类算法的测试，含目标障碍物共约20570个。2)辨识目标设计了两套方案如表1所示，方案一将目标细分为8类，分别为行人、坐着的人、小汽车、卡车、货车、骑行者、电车及混合车。方案二将目标粗分为3类，即将方案一中的坐着的人合并到行人类别中，货车、卡车合并到小汽车类别中，有轨电车和混合型车忽略。表1辨识目标方案3)实验是在Huginexpert平台下进行，选取训练数据集中20000个道路目标信息数据作为贝叶斯分类器的训练本文档来自技高网...

【技术保护点】
1.一种道路多目标分类方法，其特征在于，该方法是：将训练样本应用基于约束的NPC算法对混合贝叶斯网络结构进行学习，对网络结构中的离散变量和连续变量分别进行参数学习获得网络中每一个节点的分布，将两类参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路多目标进行分类。

【技术特征摘要】
1.一种道路多目标分类方法，其特征在于，该方法是：将训练样本应用基于约束的NPC算法对混合贝叶斯网络结构进行学习，对网络结构中的离散变量和连续变量分别进行参数学习获得网络中每一个节点的分布，将两类参数进行合并，最后将测试样本用于贝叶斯网络的推理并将道路多目标进行分类。2.根据权利要求1所述的道路多目标分类方法，其特征在于，具体包括如下步骤：1)建立数据集，包括用于训练分类算法模型的训练数据集和用于对分类算法测试的测试数据集；2)将待识别目标分类类别设为m类，提取目标的n个分类特征，将分类特征划分为离散变量和连续变量两类；Amn是包含每个特征所有类别信息的二维矩阵：其中ai,j为第i类目标第j个特征的值，将{A1,A2,…,An}作为混合贝叶斯网络中相应节点的取值；3)导入训练数据集，应用基于约束的结构学习方法NPC算法对混合贝叶斯网络的结构进行学习；应用贝叶斯网络参数学习方法来获得每一个节点的分布P(Xi|C)，对于离散变量和连续变量分别进行参数学习；将上述获得的两类参数进行合并，获得混合贝叶斯网络；4)将测试数据集导入获得的混合贝叶斯网络中，对城市道路目标进行分类。3.根据权利要求1所述的道路多目标分类方法，其特征在于，所述的步骤2)中所述的分类特征为目标的遮挡情况(occlude)、长度(length)、宽度(width)、高度(height)和观测角度(alpha)五个特征，其中，目标的遮挡情况为离散变量，目标的长度、宽度、高度及观测角度为连续变量。4.根据权利要求1所述的道路多目标分类方法，其特征在于，所述的步骤3)中通过卡方统计量做假设检验来确定边的存在与否，从而确定贝叶斯网络的框架，然后再根据独立检验中产生的分割集确定...

【专利技术属性】
技术研发人员：杨立娜，
申请(专利权)人：嘉兴学院，
类型：发明
国别省市：浙江,33