隨著計(jì)算機(jī)硬件性能的不斷提高，基于圖像處理的車輛分類方法逐漸得到重視，計(jì)算機(jī)對(duì)攝像機(jī)捕捉到的車輛圖像進(jìn)行處理得到車輛的外形信息，這些信息可以作為車型識(shí)別依據(jù)進(jìn)行車輛分類。已經(jīng)采用的數(shù)據(jù)分析方法有模式匹配和BP神經(jīng)網(wǎng)絡(luò)兩種。前者是將得到的外形信息與系統(tǒng)中的車型模式庫進(jìn)行比對(duì)，輸出匹配度最大的模式類型作為車輛類型[1]；后者是將車輛信息輸入到已訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行分行[2]。基于模式匹配的分類方法實(shí)現(xiàn)原理簡單，但是選擇合適的模式比較困難；采用BP神經(jīng)網(wǎng)絡(luò)的分類方法中，由于BP神經(jīng)網(wǎng)絡(luò)本身存在網(wǎng)絡(luò)結(jié)構(gòu)無規(guī)律可循、作用機(jī)理不明確并易陷于局部極大小值等缺陷從而限制了這種方法的應(yīng)用。

支持向量機(jī)是二十世紀(jì)90年代提出的一種新的學(xué)習(xí)機(jī)[3]，具有較好的推廣能力和非線性處理能力。本文給出一種基于支持向量機(jī)的車型分類器的設(shè)計(jì)方案。

1 支持向量機(jī)識(shí)別理論

設(shè){xi}∈X∈жd為輸入空間的某類別數(shù)據(jù)集，對(duì)于非線性可分情況而言，類別的邊界比較復(fù)雜。引入從輸入空間X到高維空間Y（特征空間）和非線性變換Φ將會(huì)簡化類別邊界。Φ可以把X中具有復(fù)雜幾何形狀的類邊界（覆蓋該類別全部數(shù)據(jù)集）映射為Y中的規(guī)則球（覆蓋變換后的相應(yīng)類別全部數(shù)據(jù)集）。如果希望輸入空間X中類的邊界緊致包圍本類數(shù)據(jù)集，就要在變換后空間Y中尋找最小的閉合球。Y中的閉合球表述為：

|

其中||·||為歐式范數(shù)，a為球心。目標(biāo)就是通過搜索所有滿足約速條件的a來最小化R2。

構(gòu)造Lagrange函數(shù)如下：

這里βh≤0，是Lagrange乘子。達(dá)到極小值的必要條件為：

把式（3）和式（4）代入式（2）消失r和a，就轉(zhuǎn)化為它的Wolfe對(duì)偶問題：求式(5)中W關(guān)于變量βj的極大值。

在W達(dá)到極大值時(shí)，對(duì)于球內(nèi)的數(shù)據(jù)和部分球上數(shù)據(jù)，βj=0；對(duì)于伴于球邊界的數(shù)據(jù)，βj>0。滿足βj>0的數(shù)據(jù)就是支持向量，它們定義了球的中心，如式（4）。

可以采用合適的Mercer核函數(shù)替代內(nèi)積Φ(xi)·Φ(xj)，目前主要的核函數(shù)有兩種：

階次為d的多項(xiàng)式核函數(shù)

其中C>0為常數(shù)。位于球內(nèi)（包括球上）的數(shù)據(jù)點(diǎn)，有ζj=0和βj<C；對(duì)于反立數(shù)據(jù)點(diǎn)βj=C。

定義輸入數(shù)據(jù)點(diǎn)x映射到特征空間內(nèi)時(shí)到球心距離為：

根據(jù)式（4）以及核函數(shù)（7）的定義，可以得到：

類的半徑定義為：

R={R(xi)|xj是支持向量} （14）

任選一支持向量代入式（13），即可求出R。

輸入數(shù)據(jù)空間中該類的輪廓（分界面）就是集合

{x|R(x)=R} (15)

如果R(x)>R，那么x為孤立點(diǎn)或其它類點(diǎn)。

2 系統(tǒng)實(shí)現(xiàn)

2.1 圖像采集和特征提取

利用兩部CCD攝像機(jī)和圖像采集卡獲得同一車輛的兩幡圖像，基于雙目視覺原理對(duì)兩幅圖像進(jìn)行特征匹配，得到車輛的三維模型。根據(jù)攝像機(jī)標(biāo)定矩陣和成像幾何模型可以計(jì)算出車