特征融合与PSO优化SVM的交通标志分类

Traffic Sign Recognition Based on Feature Fusion and PSO Optimized SVM

摘要: 为有效提高交通标志分类的准确度，提出一种基于特征融合与PSO优化支持向量机分类器参数的交通标志分类方法。首先提取标志图像形状的局部HOG特征信息和描述图像粗略轮廓的全局Gist特征信息，采用并行的方式把这两种特征融合；再通过PSO算法优化SVM分类器参数，提高SVM分类器分类性能；最后SVM分类器进行交通标志训练与分类。试验结果表明：本文并行的特征融合与PSO优化SVM参数分类方法精确度比单一的PHOG和Gist特征的交通标志分类方法分别提高9.048%、0.952%，比串行的特征融合方法提高了8.095%。

Abstract: In order to effectively improve the accuracy of traffic sign classification, a traffic sign classification method based on feature fusion and PSO optimized support vector machine classifier parameters is proposed. First extract the local HOG feature information of the logo image shape and the global Gist feature information describing the rough outline of the image, and merge these two features in a parallel manner; then optimize the SVM classifier parameters through the PSO algorithm to improve the SVM classifier classification performance; finally the SVM classifier performs traffic sign training and classification. The experimental results show that the accuracy of the parallel feature fusion and PSO-optimized SVM parameter classification method is 9.048% and 0.952% higher than the traffic sign classification method of the single PHOG and Gist features, respectively, and 8.095% higher than the serial feature fusion method.

1. 引言

交通标志分类是自动驾驶汽车感知道路环境信息的关键技术 [1] [2] ，是计算机技术与图像处理技术的融合。随着自动驾驶辅助技术的应用，交通标志分类方法的研究得到国内外学者广泛关注。目前，对交通标志分类研究已经取得一些成果，主要采用的方法有以下几种方法：模板匹配法，卷积神经网络分类方法 [3] [4] [5] ，特征提取和机器学习结合的分类方法 [6] 等。模板匹配法主要是利用图像相匹配寻找相似度进行分类，分类准确率较高，但该算法需要存储的样本图像较多，计算量大，且不能保证实时性要求。文献 [4] 采用基于聚类的卷积神经网络分类方法，其能分类分辨率低、运动模糊、光照强度等不同条件下的图像，且准确率高，但需要大量的训练样本，需设置网络层数、迭代次数，且训练网络模型的时间较长，也不能保证实时性。基于图像特征结合分类器的机器学习法在实时应用场景 [7] 中成为一种较为可靠的方法。文献 [6] 采用Gabor特征提取和SVM交通标志识别方法，其识别准确率较好，但识别时间提升空间较大。HOG和支持向量机分类算法 [8] [9] 能在一定程度上可以满足分类准确性要求，但不能很好满足算法实时性要求。为此本文提出基于两特征融合 [10] 与PSO优化支持向量机(support vector machine, SVM)分类器参数的交通标志分类方法。

2. 交通标志特征提取

本文采用的特征提取算法是基于PHOG和Gist的并行特征融合方法。并对特征进行降维后进行PSO算法优化和SVM分类。

2.1. PHOG特征提取

PHOG特征 [5] 在HOG的基础上加入空间金字塔划分从而引入空间信息，能够对图像的全局结构特征进行描述。特征提取过程如下：1) 对交通标识的边缘进行提取，Canny边缘检测可以提取交通标识图像的轮廓，并且剔除多余信息，保留边缘信息；2) 将图像进行金字塔分层(L层)，分N个梯度方向，并形成每个层级的特征向量；3) 最后每层HOG特征的合并得到PHOG特征。对于PHOG特征随着层数的增加，分类所用的时间就越长，交通标识图特征描述得越详细。综合考虑，选取L = 1，并且N = 30，特征维数为30 × (1 + 4) = 150。

2.2. Gist特征提取

图像的Gist特征提取是将图像与不同方向、尺度的Gabor滤波器组进行滤波，并将滤波后数据分为网格，取每个网格的平均值，最后将均值级联成Gist特征。例如，一幅图像用n个滤波器对图像进行卷积滤波，其中，n等于滤波器尺度和方向数的乘积，可得到n幅滤波后的图像。将每幅滤波后的图像划分为4 × 4的网格，可以得到4 × 4均值特征。最后将n幅滤波后的图像的均值特征级联为图像的4 × 4 × n维Gist特征。本文将采用20个滤波器，4 × 4网格大小，最后得到交通标志图像的全局Gist特征维数为4 × 4 × 20 = 320。

2.3. PHOG、Gist特征融合

特征融合是指将两个或多个特征向量按照某种规则组合成新的特征量。串行和并行融合策略是最简单有效的特征融合方法。假设两个特征空间A和B中有两个特征向量α∈A，β∈B，串行特征融合方法就是将α，β串成一个特征向量γ，其公式为

$\gamma =\left\{\begin{array}{l}\alpha \\ \beta \end{array}\right\}$ (1)

由式(1)可知，若α为n维，β为m维，则串行的特征量γ为(m + n)维。并行融合方法将α，β两个特征量并成了一个复合量γ，其公式为

$\gamma =\alpha +i\beta$ (2)

其中，i为虚数单位。当α和β的特征量维数不一致时，低维的特征量需要补0，两个特征量才能并行融合的特征量γ为max(m, n)维。本文选择PHOG、Gist特征并行融合方式，且在融合前将特征值均调整到[0, 1]之间。

3. PSO优化支持向量机分类

PSO算法是由Kennedy等人提出的，其思想是利用群体中的个体信息的共享从而求解整个群体的运动的问题，可以得到问题的最优解。PSO算法中粒子速度与位置通过迭代进行更新，迭代公式为

$V_{id}^{k+1}=\omega V_{id}^k+c_1{r}_1\left(P_{id}^k-X_{id}^k\right)+c_2{r}_2\left(P_{gd}^k-X_{id}^k\right)$ (3)

$X_{id}^{k+1}=X_{id}^k+V_{id}^{k+1}$ (4)

其中，ω为惯性权重；c₁和c₂称为加度因子，其值只能取非负常数；r₁和r₂表示位于区间[0, 1]上的随机数。

PSO对SVM的优化是为了得到一组误差最小的惩罚函数(c)与核函数(g)，使得优化后的分类器能够取得更好的分类效果。

4. 实验结果及分析

实验使用Matlab 2016b工具，所用的计算机CPU为2.50 GHz，内存为4 GB。数据库中的交通标志样本取自GTSRB图像库的一部分，分别是指示标志、禁止标志和警告标志。实验各类样本数量，如表1所示。

Table 1. Number of samples

表1. 各类样本数量

为了验证本文提出的Gist + PHOG (并)特征融合算法的有效性，在试验中，将本文算法与[Gist, PHOG] (串)算法进行对比。首先对数据库中的标志图像归一化为100 × 100。然后提取320维的gist特征和150维的PHOG特征，最后通过SVM训练得到融合特征的分类器。试验中采用LIBSVM工具库，训练参数相同，均采用线性核函数、“一对一”训练方式。表2给出了采用单一特征算子和本研究融合特征算子进行标志分类的性能比较。由表2可以看出，本研究采用Gist + PHOG (并)融合特征算子在分类准确率上有所提高，比单一的PHOG和Gist算子分别提高9.048%、0.952%，比[Gist, PHOG] (串)算法提高了8.095%。

Table 2. Classification performance of 4 feature extraction algorithms in SVM classifier

表2. 四种特征提取算法在SVM分类器中分类性能

为了提高分类器的效率，本文采用了PSO算法优化SVM分类器参数。首先通过PCA降维，把特征维数从320降低到60；然后分别通过PSO、GAS和GA优化算法优化SVM分类器；最后把降维后的特征向量通过优化好的SVM分类器训练测试。其分类性能如表3所示，可以看出，本文提出PSO优化算法比GAS、GA优化算法分别提高了1.904%、3.809%，其分类准确率有所提高；比未经优化Gist + PHOG (并)融合特征算法提高了8.095%，比未经优化的单一的PHOG和Gist算子分别提高了17.143%、9.047%，比[Gist, PHOG] (串)算法提高了16.19%，其分类准确率有更大的提高。

Table 3. Classification performance of three algorithms after optimizing SVM classifier parameters

表3. 三种算法在优化SVM分类器参数后的分类性能

5. 结论

本文提出了并行特征融合的PSO优化SVM分类器的交通标志分类算法，该方法并行融合Gist和PHOG两特征向量，通过降维后进行PSO优化SVM参数的分类。实验结果表明本文算法的准确性能更好，且具有较好的实时性。

基金项目

感谢辽宁省自然科学基金为该项目(2019-zd-0108)提供资金资助。

NOTES

^*通讯作者。