利用支持向量机识别汽车颜色

车身颜色识别是车辆识别系统中的一个重要组
［ 1- 2 ］ 的情况下， 车 成部分， 在已知各类颜色样本数据
身颜色的识别问题可转化为模式分类问题 . 贝叶斯 分类器是使分类的错误率最小的最优分类器， 但该 方法需要确定各类的类条件概率密度和先验概率， 这在对实时移动的车身进行颜色识别是不现实的 .
分类方法， 成为小样本情况 Vector M achi ne ， SVM ） 下统计机器学习的经典 . 该方法计算量不依赖于样 本总数， 只与支持向量的个数有关， 具有结构简单，
702
计算机辅助设计与图形学学报
2004 年
速度快、 泛化能力强的优点 . 单个 SVM 解决两个类 别分类问题， 而车身颜色识别是一个 N 个类别分类
［ 4］ 问题， 标准的多类 SVM 算法 构造 N 个两类分类
（N 2 ） 个类别的分类问题， 需要通过多个 SVM 分 类结果的组合来实现 .
中图法分类号 TP391
Vehicle Col or recogniti on usi ng Su pport Vect or m achi ne
W ang YunCi ong You zhisheng L i u zhif ang
610064 ） （ I nstit ute of I mage S GraPhics of Co mPuter College ， S ichuan unioersit y ， Chengdu
间， 根据文献 ［ 绘制的16 类颜色区域在 Lab 颜色 1- 2 ］ 图中每个点上 空间ab 平面上的投影图如图2 所示， 标注的数字是该点对应的 L 分量值， 白色、 黑色、 银 色和灰色区域在ab 平面上是重叠的， 用灰色表示 .
图2
Lab 颜色空间各类别颜色分布示意图
在 Lab 颜色空间中， 颜色命名和特征参数之间没 有简单的对应关系， 这不利于子空间的划分 . ~SV 颜 色空间是非均匀的颜色空间， 空间中两点的欧氏距离 不代表色差， 但其 SVM 不能在这个空间中进行分类， 颜色值符合人眼视觉对颜色的分类特征， 在一定范围 内变化的 ~ 值， 对应 ! 可以 0 的颜色类别数较少， i 我们选择 Lab 颜色空 利用 ~ 值分解颜色空间 . 因此， 间作为分类器的特征空间， 而样本空间的分解则在 具体分解方法见第4. 3 节 ~SV 颜色空间进行， . 4 . 2 车身颜色类别的线性可分性 如果样本集线性不可分， 为保证分类正确率， 需 要通过非线性核变换到高维的特征空间中， 使得在高 维的特征空间中线性可分或几乎线性可分， 但这样会 增加计算量， 影响分类的速度， 因此线性可分的低维 样本空间是快速、 高正确率分类的前提条件 .
N
2 最近邻分类方法
设 n 个样本的集合! = ｛ …， ， ! 2， n｝ i i =1 ， 1 ， 其中 ! 待测点 ! 到各样本点! ! R i i 之间的欧氏 ， 最近邻分类方法的输出为 距离d i（ !） = !- ! i 使 d i（ 最小的样本所属的类别 !） . ） ｝ ， …， ! ar g｛ m i （d i（ !） i = 1， 2， n. 这类分类方法的判别速度与样本数有关， 样本 数越多， 判别的结果正确率越高， 速度就越慢； 当样 本类别之间分布差异较大时， 将会得到错误的分类 结果 应该属于 ! . 如图1 所示， 1 类的 ! 将被错误地 归类到! . 2 所属的类
［ ］ 特定的问题对 SVM 进行优化组合 . 李侃等 7 和王建 ［ 8］ 芬等 使用 SVM 决策二叉树的方法对 SVM 优化，
减少了 SVM 的数量 . 减少样本空间中样本所属的类别数 N 是减少 SVM 数量最为有效的方法 . 同一个样本在不同的特 征空间中对应的类别I 的隶属度 " 并不相同， 去除 i 对应的类别并不影响分类的结果 . 利用特征值 " i =0 分解样本空间， 使得在各个子空间中包含 " 0 的类 i 别数大大减少， SVM 限定在分解后的一个或几个子 空间中完成， 将有效地减少 SVM 的数量， 在不影响分 类正确率的同时提高分类速度 由于 SVM 分 . 然而， 类器以欧氏距离作为距离度量单位， 而满足这种条件 的特征空间常常不能对样本空间进行有效的分解， 因
［ 4］ 标准 SVM 算法 构造 N 个 SVM， 训练第i 个
器， 具 有 分 类 器 少 的 优 点， 缺点是推广误差较大 . Kre! el 准的多类 SVM 算法相比， 其推广误差要小得多； 缺 点是 SVM 的数量要比标准的多类 SVM 算法多得多 . 为提高分类正确率， 本文采用文献 ［ 的方法进 5］ 行车身颜色识别， 与最近邻分类方法相比， 文献 ［ 5］ 方法以 N 2 级增长的 SVM 数量在当 N 较大时， 将 严重影响分类速度， 因此对 SVM 数量的优化成为 关键问题 . 同一个样本在不同的特征空间中对应的 类别隶属度是不同的， 针对汽车颜色识别这一问题， 本文通过颜色合并和颜色子空间分解， 将一个16 类 的SVM 分类问题分解为 7 个子分类的问题， 每个 子分类问题中的类别数为4 " 形成决策树的判 7 个， 别结构， 对 SVM 的数量进行了优化 . 在保证分类正 确率的同时， 大大减少了 SVM 的数量， 有效地提高 了分类速度 .
， SVM， Dij（ !） = -Dji（ !） Di（ !） = 其中，
j =1 ， j i
） si g （Dij（ !） .
1， Dij（ !） 0 ， 0， Dij（ !） 0 ｝ 则 ! ar g｛ m ax Di（ !） . 这种方法的优点是推广误差只取决于类数 N 和 ） si g （Dij（ !） = 样本点的类间最小距离， 与输入空间的维数无关 . 但 是SVM 数量较标准的多类SVM 算法多得多， 在大类 别数的分类应用中很少直接使用这种方法， 而是根据
1
引
言
类样本， 在各类样本类别具有相同概率分布的情况 ［ 中各类别样本数少的 下错误率也非常小 . 文献 2］ 只有1 个， 多的有 8 个， 各类间样本方差差值极大，
［ ］ 显然不满足相同的概率分布条件的要求 . Vap ni k 3 提出 了 结 构 风 险 最 小 化 的 支 持 向 量 机 （Su pport
T raditi onall y ， t he nu mber of SVMreCuired f or classificati on i ncreases exponenti all y W it h ， s are o m itted by mer gi ng several categories i nto one t he categor y nu mber. I n our approach so me SVM Abstract and di vi di ng a f eat ure space i nto several subspaces. Co mbi ni ng W it h t he decisi on-tree classificati on met hod ， a SVM - based vehicle color recogniti on approach is proposed by opti m izi ng t he nu mber of SVM . I n co mparison W it h t he nearest nei ghbor classificati on met hod ， t he proposed approach is su peri or i n recogniti on speed and accuracy. Experi mental results shoWt he proposed sol uti on is an eff ecti ve multicategor y classifier and can be applied to real-ti me recogniti on cases. （SVM） ； Key words support vect or machi ne color recogniti on ； lar ge nu mber of categories classificati on 最小距离分类器方法根据样本之间的特征距离来分
2 （ 2 （ 2 ! C = （L 1 - L 2 ） . + a 1 -a 2 ） + b 1 -b 2 ） 因此， 选择 Lab 颜色空间为 SVM 分类Байду номын сангаас特征空
4 基于S V M 的车身颜色识别
4 . 1 颜色空间的选择 汽车颜色分类使用的颜色空间中的色差必须用 欧氏距离来表示， （C C IE - Lab 是国际照明委员会 IE）
第16 卷 第5 期 2004 年5 月
计算机辅助设计与图形学学报
J OURNAL OF COMPUTER- A I DED DES I GN S COMPUTER GRAP~ I CS
Vol. 16 ， No. 5 M ay ， 2004
! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! ! !
图1
最近邻分类方法错误分类示例
3 多类 S VM
单个 SVM 解决两个类别的分类问题， 对于 N
5 期
王运琼等： 利用支持向量机识别汽车颜色
703
此我们选择不同的特征空间， 使得样本空间分解和样 本分类在不同的特征空间中进行， 有效地解决了这个 问题 .
推荐使用的均匀颜色空间， 两种颜色的色差 ! C 定 义为
利用支持向量机识别汽车颜色
王运琼 游志胜 刘直芳
（四川大学计算机学院图象图形研究所 成都 610064 ）