[发明专利]道路多目标分类方法

说明书

本发明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。

技术领域

本发明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。

背景技术

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。

发明内容

为了解决上述难题，本发明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，本发明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；

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。