[发明专利]道路多目标分类方法

权利要求书

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；

A_mn是包含每个特征所有类别信息的二维矩阵：

其中a_i,j为第i类目标第j个特征的值，将{A₁,A₂,…,A_n}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(X_i|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边的方向；此外，可通过用户交互决定无向连接的方向性并解决它的模糊区域。

5.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)中对于离散变量，其条件概率表CPT采用多维矩阵表示，为：

E(θ_i,j,k|D,B_S,ξ)＝(N_i,j,k+1)(N_i,j+r_i-N_i,j,k-1)/(N_i,j+r_i)²(N_i,j+r_i+1)

其中，θ_i,j,k表示条件概率表；ξ表示若干假设；D为数据集；B_S为网络结构；r_i为离散随机变量X_i所有可能的取值个数，如果用ω_i,j表示变量X_i的第j个父节点，v_i,k为变量X_i的取值，则N_i,j,k为数据集D中变量X_i取值为v_i,k同时父节点为ω_i,j的样本出现的次数，N_i,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＝CPT_m×k；