基于支持向量机方法的车型分类技术

　　2.2核函数及模型参数选择

　　应用SVM方法分类车型，输入空间通过非线性映射到高维特征空间的分布结构由核函数决定，同时，最优超平面与最近的样本之间的距离最大和分类错误率最小通过惩罚参数C进行折衷。因此，核函数设计和惩罚参数C的选择将直接影响到车型分类的效果。目前常用的核函数有：

　　线性核，多项式核以及高斯径向核，其中，d为多项式的阶数，σ为高斯分布的宽度。

　　在参数C、d及σ的选择中，本文采用5-折交叉验证法，将2 000个训练样本分为5个子集，每次将4个子集用于训练，剩下的一个子集用于分类测试，重复上述过程，直到所有子集都参加了测试，计算5次平均分类错误率，选取平均分类错误率最小的参数为模型参数。

　　表1为不同的核函数、各种模型参数下分类错误率的比较结果。从表中可以看出，在不同的模型参数下，线性核函数的泛化误差最大，多项式核函数次之，径向基核函数最小。这主要是因为车型种类多、特征差异较小，低VC维的分类器很难很好地将它们分开。另外，对径向基核函数，一方面，当σ2恒定时，泛化误差随着C增大而减小，其原因主要是随着C增大，训练错分样本数减小，从而使泛化误差减小；另一方面，当C恒定时，泛化误差随着σ2增大而基本上呈现出由大变小再变大的趋势，其原因主要是当σ2较小时，分类器的VC维较大，出现了过学习而使泛化误差变大。当σ2较大时，分类器的VC维较小，出现了欠学习而使泛化误差变大。在有限的实验参数范围中，径向基核函数在σ2=0.50、G=1 000时获得14.47％的最小泛化误差，可将其选作为车型分类的最佳模型。

　　2.3车型分类实验

　　在模型训练阶段，从一段视频中人工选取1 500个包含7种车型的训练样本进行训练。在测试阶段，采用训练阶段得到的模型对600个测试样本进行分类。SVM方法分类性能结果如表2所示。

　　图2是前面介绍的14个特征值作为支持向量机的输入矢量，选择高斯径向核(σ2=0.50)、C=1 000来训练SVM后进行分类的结果实例。

　　3结束语

　　本文采用SVM方法对车型分类进行了研究。实验表明：核函数及模型参数对SVM方法的分类性能有较大的影响；对基于视频的车型分类，SVM方法是一种很有前景的技术。