[發明專利]基于優化SVM的高速公路交通事件檢測方法

有效

• 申請號: 201210137537.3
• 申請日: 2012-05-04
• 公開（公告）號: CN102682601A
• 公開（公告）日: 2012-09-19
• 發明（設計）人: 吳聰;李勃;沈舒;王雙;蔣士正;董蓉;阮雅端;陳啟美;吳煒
• 申請（專利權）人: 南京大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;H04N7/18
• 代理公司: 南京天翼專利代理有限責任公司 32112
• 代理人: 黃明哲

1.基于優化SVM的高速公路交通事件檢測方法，其特征是在待檢測路段的上下游設置PTZ視頻攝像機，通過攝像機視頻獲取交通流參數，采用基于支持向量機SVM的交通事件檢測算法，根據待檢測路段上下游交通流參數的變化判斷是否有交通異?；蚪煌ㄊ录l生，實時檢測交通事件，包括以下步驟：

1）通過高速公路攝像機視頻采集待檢測路段的交通流參數，所述交通流參數為占有率和速度；

2）將獲取的交通流參數與事件數據庫融合，所述事件數據庫為已有的交通事件歷史數據，將融合后的數據按交通情況分組，每一組分為訓練數據集和測試數據集兩部分，訓練數據集和測試數據集各自都包含事件狀態和非事件狀態數據；

3）根據步驟2）分組的數據，針對每一組分別建立支持向量機SVM事件檢測模型，簡稱SVM模型，所用的SVM模型選擇徑向基RBF核函數，并采用改進的網格搜索算法對各SVM模型的懲罰參數C和核參數γ進行優化選擇；

所述改進的網格搜索算法步驟如下：

31）粗估計SVM模型的懲罰參數C和核參數γ的范圍，作為懲罰參數C和核參數γ的初始搜索范圍，并根據搜索范圍確定搜索步長L；

32）以懲罰參數和核參數為坐標系的坐標，根據步驟31）選定的C、γ初始搜索范圍構成一個二維網格，以訓練數據集為樣本，按照交叉驗證的方法計算樣本預測準確率，即根據二維網格中的每一組懲罰參數和核參數的值，計算得到對應的預測準確率，預測準確率最高的那組懲罰參數和核參數的值作為當前最優參數組合（C₁、γ₁）；

33）根據當前最優參數組合（C₁、γ₁），以其為中心，擴展±L范圍，得到新的搜索范圍，進行進一步網格搜索，根據新的搜索范圍調整搜索步長；

34）以懲罰參數和核參數為坐標系的坐標，根據步驟33）確定新的搜索范圍構成一個新的二維網格，對應新的二維網格上每一組的懲罰參數和核參數的值，以訓練數據集為樣本，按照交叉驗證的方法計算樣本預測準確率；

35）從步驟34）計算得到的結果中，選擇一組使得預測準確率最高的懲罰參數和核參數值作為最優的C、γ；

4）用每一組的訓練數據集對針對該組建立的SVM模型進行訓練，得到確切的SVM模型的決策函數；使用訓練好的各SVM模型對所對應組的測試數據集進行事件狀態和非事件狀態的分類，根據分類結果與測試數據集的實際數據檢驗SVM模型的性能，得到對應不同交通情況的SVM模型；

5)根據待檢測路段的具體交通情況選擇對應的SVM模型作為交通事件檢測模型，對實時采集的待檢測路段交通流參數進行檢測判斷。

2.根據權利要求1所述的基于優化SVM的高速公路交通事件檢測方法，其特征是步驟1）中，高速公路上每隔1km設置一個PTZ視頻攝像機，通過高速公路攝像機視頻采集交通流參數的時間間隔為1min。

3.根據權利要求1所述的基于優化SVM的高速公路交通事件檢測方法，其特征是步驟2）中，訓練數據集和測試數據集中的每一個數據為一個15維的向量，包括待檢測路段下游攝像機在t、t-1、t-2時刻檢測到的速度、占有率參數，上游攝像機在t、t-1、t-2、t-3時刻檢測到的速度、占有率參數，以及狀態標志位，所述狀態標志位中，1表示事件狀態，-1表示非事件狀態。

4.根據權利要求3所述的基于優化SVM的高速公路交通事件檢測方法，其特征是步驟3）選取的支持向量機SVM事件檢測模型的輸入為一個14維的向量，包括待檢測路段下游攝像機在t、t-1、t-2時刻檢測到的速度、占有率參數和上游攝像機在t、t-1、t-2、t-3時刻檢測到的速度、占有率參數，輸出為狀態標志位。

5.根據權利要求1－4任一項所述的基于優化SVM的高速公路交通事件檢測方法，其特征是步驟4）的訓練為：根據步驟3）建立的基本SVM模型及其懲罰參數C和核參數γ，在訓練樣本集上采用SVM的方法構造分類器，得到確切的SVM模型的決策函數：

引入非線性映射函數φ(X)，將輸入的數據映射到高維屬性空間，將原來的具有n個訓練樣本的訓練數據集T＝{(X₁，y₁),(X₂，y₂),…,(X_n，y_n)}轉化成S＝{(φ(X₁)，y₁),(φ(X₂)，y₂),…,(φ(X_n)，y_n)}，式中，X_i，i＝1…n為SVM模型的輸入向量，為d維向量，y_n為狀態標志位，1表示事件狀態，-1表示非事件狀態；

利用訓練數據集對SVM模型進行訓練的目標是尋找一個超平面，使得采用SVM模型對訓練數據集中的事件狀態和非事件狀態兩類樣本進行判別時，兩類樣本完全分開，該超平面描述如式(1)所示：

w·X+b=0????(1)

式中，w∈R^d，為超平面的法向量，b∈R，為超平面的參數，R指實數集，R^d指d維的實數空間，X表示該超平面；

對于任意一個訓練樣本應滿足式(2)的條件：

y_i(w·φ(X_i)+b)≥1-ξ_i????(2)

式中，y_i表示第i個訓練樣本的狀態標志位，φ(X_i)表示轉換后的輸入向量，ξ_i≥0，表示第i個訓練樣本(φ(X_i)，y_i)的松弛變量，i=1,2,…,n；

根據結構風險最小化原則，將超平面的問題轉化為式(3)的優化問題：

min12||w||2+CΣi=1nξis.t.yi(w·φ(Xi)+b)≥1-ξi,ξi≥0,i=1,2,...,n---(3)]]>

式中，C為懲罰參數，表示對錯分樣本的懲罰程度，

采用拉格朗日乘子法將式(3)的優化問題轉換為一個對偶問題，如式(4)所示，其中，α_i是拉格朗日乘子，且α_i≥0：

maxL(α)=Σi=1nαi-12Σi=1nΣj=1nαiαjyiyj(φ(Xi)φ(Xj))s.t.0≤αi≤C,Σi=1nαiyi=0,i=1,2,...,n---(4)]]>

引入徑向基RBF核函數K(X_i，X_j)=exp（-γ||X_i-X_j||²），將式(4)轉化為：

minL(α)=12Σi=1nΣj=1nαiαjyiyjK(Xi,Xj)-Σi=1nαis.t.0≤αi≤C,Σi=1nαiyi=0,i=1,2,...,n---(5)]]>

式(5)得到最優解α^*=(α₁^*,α₂^*,…,α_n^*)^T，其中，拉格朗日乘子α_i大于0的樣本被稱為支持向量，w表示為：

w=Σ∀i,αi*>0αi*yiφ(Xi)---(6)]]>

式(1)的另外一個參數b的最優解b^*通過式(7)求得：

w·φ(Xp)+bp=1w·φ(Xq)+bq=-1⇒b*=bp+bq2---(7)]]>

式中，φ(X_p)和φ(X_q)是訓練數據集中任意一對事件狀態數據和非事件狀態數據的支持向量，b_p是通過事件狀態數據中的一個向量求得的參數b的值，b_q是通過非事件狀態數據中的一個向量求得的參數b的值，

綜上可得，最優分類決策函數為：

f(X)=sgn[Σ∀i,αi>0αi*yiK(Xi,X)+b*]---(8)]]>

所述最優分類決策函數即為SVM模型訓練得到的結果，之后用它來進行步驟5）的實時的交通事件檢測。