- 1 -
中国科技论文在线
基于投票法的车型分类技术
梁怀志，马洪连，王盼盼*
作者简介：梁怀志(1985-),男，硕士，主要研究方向为嵌入式系统与通信
（大连理工大学电子信息工程与电器工程学部计算机科学与技术学院，辽宁大连 116024）
摘要：随着智能交通的迅猛发展，车型分类技术正得到越来越多的关注。时至今天，已有很
多理论和方法为解决车型分类难题扫清了障碍，但是由于精度不是太高，还不能广泛的应用
到实际中去。本文综合利用了多种分类计数，采取了投票法的机制，提高了车型分类技术的
性能。实验结果表明，该方法使得车型分类技术的精度提高了高达 10个百分点。
关键词： 车型分类；投票法；智能交通；神经网络；聚类；支持向量机
中图分类号：TP183
A Kind of Vehicle Classification Base on Voting
LIANG Huaizhi, MA Honglian, WANG Panpan
(DaLian University of Technology, DaLian 116024)
Abstract: With the rapid development of Intelligent Transportation, Vehicle Classification is being
payed more and more attention. Today, there are many classification theories and methods and they
have cleared way for vehicle classification. However, because of low accuracy, they are can not be
widely used. Using a variety of classification based on voting, the technology to be addressed improves
the performance of classification. The experiment shows that the accuracy is increased by up to 10
percent.
Key words: vehicle classification; voting; intelligent transportation; ANN; clustering; SVM
0 引言
近年来随着我国经济的迅猛发展，我国的车辆保有数目更是呈现几何级的增长，车
辆种类也日趋多样化。为了方便各部门对车辆及交通的管理，及时获得各种交通信息，
保证交通通畅，智能交通逐渐成为了研究的热点。交通流检测系统以其安装简单，成本
较低，检测范围大和信息丰富等特点在智能交通系统中得到了广泛应用[1]。近年来，检
测系统的研究取得了诸多成果，但车型的准确分类一直是智能交通系统中的难点问题。
当前具有车型分类功能的检测器主要包括：电磁感应检测器、压力传感器、超声波
检测器以及视频检测器等。但是以上大部分的检测器在实际应用中，还是存在着诸多问
题。由于利用压力传感器、感应线圈和超声波方法的系统与特定分类标准息息相关，因
此系统的缺点是可移植性差。不仅如此，这些系统需要对路面进行重新铺设，安装不方
便，缺乏灵活性，而且由于设备工作环境恶劣，系统的寿命受到了限制。与其他类型的
检测器相比，视频检测器具有安装简单、维修方便、投资成本低以及可获信息多等诸多
优点，目前已成为智能交通系统研究的热点[2]。当今基于视频的车型分类方法主要有两
种：一种方法是直接利用车辆的轮廓或像素的空域分布特征进行分类；另一种方法是从
待识别的车辆图像中抽取能够描述该类型的车辆又能区别于其它类型车辆的特征。相比
较这两种方法，由于第一种方法算法复杂耗时，不能满足系统实时性的要求，因此在实
际应用中，主要采用第二种方法。
本文首先对采集到的图像进行了处理以获取车辆的特征信息，然后综合利用支持向
量机(SVM)、聚类分析和 BP神经网络，采用投票机制对采集到的车辆进行了分类。
- 2 -
中国科技论文在线
1 车辆特征提取
车辆特征提取是车型分类的基础，它是车型分类成功与否的决定因素。在本文中，
对采集到的图像先进性预处理，然后提取其几何特征和不变矩特征作为车型分类的特征
输入。根据现实中的应用，本文将车辆分为小型车、中型车和大型车 3类。
当一副图像被分割或确定之后，通常希望用一系列符号或某种规则来具体地描述该
图像的特征，以便在进一步的识别、分析或分类中有利于区分不同性质的图像，同时也
可以减少图像区域中的原始数据量[3]。一般这些表征图像特征的一系列符号被称作描绘
子，这些描绘子的特点是它们对图像的大小、旋转和平移变化不敏感。
如果一个区域以内部点的形式给出，那么可以用矩描绘子来描述，它对图像的变换、
旋转和大小变化都是恒定的。
设 f(x,y)是一个而为函数，可用下式来表示(p+q)阶矩
( ),p qp qm x y f x y d x d y∞ ∞−∞ −∞= ∫ ∫ (1)
式中，p,q=0,1,2…。
对于数字图像来说，中心矩由下式表示
( ),p qp q
x y
x x y y f x yµ − −⎛ ⎞ ⎛ ⎞= − −⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠∑ ∑ (2)
式中， 10
00
mx
m
− = ， 01
00
my
m
− = 。
由以上各式可得到三阶中心矩如下
( )0 000 ,
x y
x x y y f x yµ − −⎛ ⎞ ⎛ ⎞= − −⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠∑∑ (3)
( )0 101 ,
x y
x x y y f x yµ − −⎛ ⎞ ⎛ ⎞= − −⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠∑∑ (4)
( )1 010 ,
x y
x x y y f x yµ − −⎛ ⎞ ⎛ ⎞= − −⎜ ⎟ ⎜ ⎟⎝ ⎠ ⎝ ⎠∑∑ (5)
依次类推，可得到 11µ ， 20µ ， 02µ ， 30µ ， 12µ ， 21µ ， 03µ 。
定义归一化中心矩为
0 0
p q
p q γ
µη µ= ，其中 2
p qγ += 。
利用第二阶和第三阶矩可导出 7个不变矩组：
( )
( ) ( )
( ) ( )
( )( ) ( ) ( )
( )( ) ( ) ( )
( ) ( ) ( )
1 2 0 0 2
2 2
2 2 0 0 2 1 1
2 2
3 3 0 1 2 2 1 0 3
2 2
4 3 0 1 2 2 1 0 3
2 2
5 3 0 1 2 3 0 1 2 3 0 1 2 2 1 0 3
2 1 0 3 2 1 0 3 3 0 1 2 2 1 0 3
2 2
6 2 0 0 2 3 0 1 2 1 2 0 3
1 1 3 0 1
4
3 3
3 3 3
3 3
4
φ η η
φ η η η
φ η η η η
φ η η η η
φ η η η η η η η η
η η η η η η η η
φ η η η η η η
η η η
= +
= − +
= − + +
= + + +
⎡ ⎤= − + + − + +⎣ ⎦
− + + − +⎡ ⎤⎣ ⎦
⎡ ⎤= − + − + +⎣ ⎦
+( ) ( )
( )( ) ( ) ( )
( )( ) ( ) ( )
2 2 1 0 3
2 2
7 1 2 3 0 3 0 1 2 3 0 1 2 2 1 0 3
2 2
1 2 3 0 2 1 0 3 3 0 1 2 1 2 0 3
3 3
3 3
η η
φ η η η η η η η η
η η η η η η η η
+
⎡ ⎤= − + + − + +⎣ ⎦
⎡ ⎤− + + − +⎣ ⎦
车辆的几何特征包括车辆的长度和高度，由于在图形中很难精确地表示出车辆的实际长
度和高度，因此采用了车辆图像的像素区域的长度和高度之比作为车辆的几何特征。
- 3 -
中国科技论文在线
2 车辆分类器的设计
神经网络常用于两类问题：分类和回归。它以具有自学习功能、联想存储功能和高速寻
找优化解的优点得到了研究人员的青睐，它的进一步发展更是使得它得到了广泛的应用。聚
类分析是数据挖掘中一个很活跃的领域，人们对其的研究也产生了很多聚类算法并且在实际
应用中也得到了较好的效果。支持向量机(SVM)是在统计学习理论的基础上发展起来的，相
对于以经验风险最小化为原理的传统的统计学习理论，SVM 的原理则是结构风险最小化。
SVM 表现出了很多优于已有方法的性能，迅速引起了各领域的注意和研究兴趣，取得了大
量的应用研究成功，并推动了各领域的发展[4]。
BP神经网络
1986年由 Rumelhart和McCelland为首的科学家小组提出的 BP神经网络，是一种多层
前馈网络，它按误差逆传播算法进行训练，是当前应用最广泛的神经网络模型之一。BP 网
络能学习和存储大量的输入—输出模式映射关系，而无事前揭示描述这种映射关系的数学方
程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络
的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐藏层和输出层。
本文设计的网络分类器是一个三层的前馈网络，它的结构为：输入层有 n=8个节点，代
表输入的 8个车辆特征；隐含层有 p=4个节点；输出层有 q=3个节点，代表 3种车辆类型。
隐含层和输出层的激活函数采用 Sigmoid函数。训练结束后，当输出层的第 i个节点的输出
值大于 而其它节点的输出值小于 时，就可以认为该待识别的车辆属于第 i种车型。
记输入向量为 hi，隐含层输出向量为 ho,输出层输入向量为 yi，输出层输出向量为 yo, 期
望输出向量为 ，输入层与隐含层的连接权值 wih，隐含层与输出层的连接权值 who，隐含
层各神经元的阈值 bh，输出层各神经元的阈值 bo，样本数据个数为 k=1,2,…,m，激活函数
f(·)，误差函数为式(6)。
(6)
则 BP网络算法的步骤如下：
(1) 网络初始化
给各连接权值分别赋一个区间（-1，1）内的随机数，设定误差函数 e，给定计算精度值
和最大学习次数M。
(2) 随机选取第 k个输入样本及对应期望输出
(7)
(8)
(3) 计算隐含层各神经元的输入和输出
(9)
(10)
(11)
(12)
(4)记误差函数对输出层的各神经元的偏导数为 ，修正连接权值
(13)
其中 η为学习率。
od
2
1
1 ( ( ) ( ))
2
q
o o
o
e d k yo k
=
= −∑
( )1 2( ) ( ), ( ), , ( )nk x k x k x k= "x
( )1 2( ) ( ), ( ), , ( )qk d k d k d k= "od
1
( ) ( ) 1, 2, ,
n
h ih i h
i
hi k w x k b h p
=
= − =∑ "
( ) f( ( )) 1, 2, ,h hho k hi k h p= = "
1
( ) ( ) 1, 2,
p
o ho h o
h
yi k w ho k b o q
=
= − =∑ "
( ) f( ( )) 1, 2,o oyo k yi k o q= = "
( )o kδ ( )how k
1 ( ) ( )N Nho ho o hw w k ho kηδ+ = +
( )h kδ ( )ihw k
- 4 -
中国科技论文在线
(5)记误差函数对隐含层各神经元的偏导数为 ，修正连接权值
(14)
(6)计算全局误差
(15)
(7) 判断网络误差是否满足要求。当误差达到预设精度或学习次数大于设定的最大次数，则
结束算法。否则，选取下一个学习样本及对应的期望输出，返回到第三步，进入下一轮学习。
聚类
聚类分析是一种数据划分或分组处理的重要手段和方法。其操作的目的在于将特征空间
中一组没有类别标记的矢量按照某种相似性准则划分到若干个子集中，使得每个子集代表整
个样本集的某个或者某些特征和性质。从这个意义上讲，聚类又称为无监督的分类[5]。
Queen在 1967年提出的 K-均值聚类算法是到目前为止用于科学和工业应用的
诸多算法中一种极有影响力的技术[6]。此算法首先随即选取 k个点作为初始的聚类中心，之
后计算每个数据对象与各个聚类中心的距离，并且把数据对象分别归类到离它最近的那个聚
类中心所在的类；最后计算新调整的类的聚类中心，若聚类准则已经收敛或达到预定条件，
分类过程结束。
记簇的数目为 k=3，代表车的类型，输入样本数目为 n,则 K-均值聚类的算法步骤如下：
(1) 随机选择 k个对象，作为初始的聚类中心 Ci，i=1,2,…,k；
(2) 选择一个对象 x，计算此对象 x到各聚类中心的欧氏距离
|| ||i id x c= − (16)
并把对象 x归类到距离最小的那个簇中；
(3) 计算每个簇中的平均值，即更新每个簇
/ | |
i
i
x c
x x c
−
∈
= ∑ (17)
(4) 计算准则函数
2
1
| |
i
k
i x c
E x x
−
= ∈
= −∑∑ (18)
(5) 若 E无明显变化或者已达到某种条件则结束，否则转回第二步
支持向量机
支持向量机就是首先通过用内积函数定义的非线性变换将输入空间变换到一个高位空
间，在这个空间中求(广义)最优分类面[7]。对分类线方程 0x w b⋅ + =G JG 进行归一化，即对线性
可分的样本集 ( ) { }, , 1,2..., , , 1, 1di ix y i n x R y= ∈ ∈ −JG G ，满足
( ) 1 0, 1,2...,i iy w x b i n⎡ ⎤⋅ + − ≥ =⎣ ⎦JG JG (19)
1 ( ) ( )N Nih ih h iw w k x kηδ+ = +
2
1 1
1 ( ( ) ( ))
2
qm
o o
k o
E d k y k
m = =
= −∑∑
- 5 -
中国科技论文在线
满足上述条件并且使得
21
2
w
JG
达到最小的分类面就是最优分类面。此最优分类面可以利用
Lagrange优化方法转化为其对偶问题，即在约束条件
1
0 0 , 1, 2 , . . . ,
n
i i i
i
y a a i n
=
= ≥ =∑
下对 ia 求解下列函数的最大值
( ) ( )
1 , 1
1
2
n n
i i j i j i j
i i j
Q a a a a y y x x
= =
= − ⋅∑ ∑ JG JJG (20)
其中， ia 是 Lagrange乘子。解此问题得到的最优分类函数是
( ) ( )* *
1
sgn
n
i i i
i
f x a y x x b
=
⎧ ⎫= ⋅ +⎨ ⎬⎩ ⎭∑
G JG G
(21)
其中， *b 是阈值，可用任意一个支持向量解得。
对非线性问题，可用内积函数转化为高维空间中的线性问题，此时分类函数为
( ) ( )* *
1
s g n ,
n
i i i
i
f x a y K x x b
=
⎧ ⎫= +⎨ ⎬⎩ ⎭∑
G JG G
(22)
在本文中，选择的内积函数为高斯径向核，即
( )
2
2, e x p 2
i j
i j
x x
K x x σ
⎡ ⎤−⎢ ⎥= −⎢ ⎥⎢ ⎥⎣ ⎦
JG JJG
JG JJG (23)
其中，σ 为高斯分布的宽度。
以上多种分类方法已经到了大家的广泛认可，但是由于这些方法的精度不是太高，还不
能够广泛的应用到实际中去，使得其没有发挥出应有的效果。如果能够综合利用以上各种方
法，使得各类方法能够同时对同一待识别车辆图像进行分类，然后对各自结果同一分析，那
么它的精度会不会能够提高很多呢？理论上分析得到，若以上各种方法的精度能够达到或超
过某一特定值，则结果是肯定的。这就是本文所讲的投票机制，即各类分类方法对同一待识
别车辆图像进行分类，最后对结果进行投票，得票多的为最终结果。
3 结论
实验结果如表 1所示。该实验表明，本文的综合利用多种识别方法，能够极大的提高车
型分类的识别率。
表1 不同分类方法的性能比较
Performance Competetion for different Methods
实际样本数目 正确识别数目 识别率%
BP方法 100 81 81
SVM方法 100 85 85
聚类方法 100 83 83
本文方法 100 93 93
致谢
感谢我的导师马洪连教授对我论文写作的精心指导，感谢实验室里很多同学的无私帮
助，你们的鼓励，一直是我前进的动力，我衷心的谢谢你们！
- 6 -
中国科技论文在线
[参考文献] (References)
[1] 龚文凌，王洪澄，孙敏. 视频交通监控系统中运动车辆捕捉算法的研究[J]. 微型机与应用，
2004,3(5):45-46.
[2] H Moon, R Chellappa, A Rosenfeld. Performance Analysis of a Simple Vehicle Detection Algorithm[J]. Image
and Vision Computing, 2002,20(1):1-13.
[3] 阮秋琦. 数字图像处理学[M]. 北京：电子工业出版社，2007:391-395.
[4] 祁享年. 支持向量机及其应用研究综述[J]. 计算机工程，2004,30(10):6-9.
[5] 谢维信，高新波，裴继红. 模糊聚类理论及其应用[J]. 中国提示学与图像分析，1996,4(2):113-119.
[6] 吴晓蓉. K-均值聚类算法初始化中心选取相关问题的研究[D]. 长沙:湖南大学，2008.
[7] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报，2000,26(1):32-42.
