智能障碍（精选四篇）
智能障碍 篇1
1. 向同伴发起交往的方式以身体语言为主。
普通孩子在婴幼儿阶段因受语言表达能力的制约, 常常以身体语言向旁人传递信息, 如饥饿时以哭闹表达感受, 需要玩具会自己伸手“拿来”。随着年龄的增长, 语言能力的发展, 普通儿童在表达意愿时使用语言的频率增加, 身体语言相应减少。但是智能障碍的孩子心理年龄滞后, 语言表达能力弱, 在语言理解和语言表达上都与普通儿童存在差距。有的智能障碍儿童尽管有一定的语言能力, 但是语音含混, 语意不明, 语言结构简单, 难以与旁人交流, 因此他们常常以身体语言发起交往。如:想跟人嬉戏就直接拉起对方的手或紧紧抱住对方;需要玩具就直接抓过来使用。从笔者的观察来分析, 缺乏语言交流是智能障碍儿童与同伴之间最大的障碍。然而身体语言常常被旁人误解, 比如用肢体语言尽情表达内心喜悦, 却被同伴认为是“欺负人”;对同伴的欺负和抢夺表达不满时, 要么默默退让, 要么直接动手反击, 语言在此时发挥的作用很小, 鲜有像普通孩子那样向老师告状的行为。有的智能障碍孩子常常用含混的语言与同伴的交流, 但不能应景交谈, 不能就主题与同伴接话, 同伴听不清他在说什么, 无法交流情感, 造成被忽视的情况。
2. 与同伴之间的交往过程简单。
无论是智能障碍儿童发起的同伴交往, 还是对方发起的同伴交往, 交往过程都非常简单, 几乎难以形成“互动”。社会学家林楠将人际交往的过程分为相遇、交换和影响三个阶段, 适应与控制贯穿于三个阶段, 是人际交往的调节系统。[1]
交换是人与人交往的重要环节, 这一环节包含着重要的信息交流, 听、说、观察、理解、反馈等复杂的认知因素在这一环节发挥着重要作用。由于智能障碍儿童的认知能力不足, 因此与同伴的交往就难以形成互动而获得良好的结果。有时对同伴发起的交往少有反馈, 有时以不当的行为回应同伴, 造成交往的不良结果 (哭泣、拒绝) 。
3. 与同伴之间难建立稳固的良好同伴关系。
研究者发现, 在学前阶段同伴之间的关系与眼前的事件联系紧密。如“他给了我一颗糖, 我喜欢他”, “他打了我一下, 我不喜欢他。”随着孩子年龄的增长, 同伴之间的关系会逐渐趋于稳定。以同伴提名法为例, 提名分数的稳定性随着孩子年龄的增长而提高。但是对于智能障碍的孩子来说, “眼前的事件”常常具有消极影响, 因此对他们来说获得比较固定的好伙伴是困难的。观察中发现, 如果老师有特别要求, 一般与智能障碍孩子同座的幼儿就有较多的主动协助与帮助。但是座次发生改变不再是同桌之后, 这种主动帮助行为就没有再发生了。对这些孩子来讲, 帮助行为是一种老师的任务需要完成, 或考虑到本组的利益 (老师要表扬完成得好的一组) , 情感上真正的能愿是没有形成的。
从对学前儿童同伴地位调查来看, 年龄较大的孩子已经有比较固定的正向提名同伴了 (同伴提名前后两次的一致性在90%以上) 。但对智能障碍的孩子来说, “稳固”的是受到排斥, 同伴的喜恶却有较大差别。例如, 个案观察中的智障孩子小A, 其同桌小牟接受笔者两次访谈, 两次访谈的结果有较大差异。刚成为同桌时, 小A是小牟口中的“好朋友” (同伴提名中对小A是正提名) , 喜欢与小A在一起, 因为小A喜欢找他帮忙, 令小牟有成就感。第二次访谈是1个月之后, 小牟说小A常常干扰他上课, 又喜欢拿文具盒打他, 真是麻烦 (同伴提名是负提名) 。
二、普通儿童对智能障碍儿童的行为特点
1. 有基本的接纳态度, 能以普通眼光看待。
大部分普通幼儿并没有觉得智能障碍孩子在班级中有什么与旁人的不同。例如他们对智能障碍孩子小B评价是:爱笑;不说话;吃饭很乖, 老师要表扬他;老师给他发两个糖只给我一个;对另一个智能障碍孩子小A的评价是:打了我的, 咬过我的;要给老师说再见有礼貌;要跟我摆龙门阵;喜欢笑。没有孩子提到个案“傻”、“笨”。在学前阶段, 智能障碍的孩子有着相对宽松的活动空间, 普通孩子对智能障碍儿童与自己身体上的差异还意识不到, 孩子们更多地注意了老师对个案的评价和自身与个案的关系。
2. 常与智能障碍孩子接触的同伴获得了较多的对他人帮助机会, 表现出较大的容忍性。
智能障碍儿童活动范围相对小, 较常接触的是与自己座位近的伙伴。与智能障碍儿童常接触的同伴在帮助行为上有明显的增加。其中一个原因是老师一般安排能力较好的儿童与其同坐, 并且会交代同组同学多帮助他们。根据观察, 同座同伴对智能障碍儿童攻击干扰行为的容忍度比其他组的同伴要大, 但是告状的频率更高, 也就是说, 与智能障碍儿童同座的同学, 能够较多地容忍其发出的不当行为, 且较多寻求老师的帮助。
3. 在与智能障碍孩子接触中, 提高了普通儿童对他人情绪感受的敏锐度, 有助于克服其自我为中心的行为特点。
研究表明, 幼儿阶段的社会交往是以自我为中心的[1]。幼儿园小朋友在同伴交往过程中更多地只想到自己的感受, 但是与智力障碍儿童接触较多的同伴, 却能够较多地显示出对智力障碍儿童的关照和心理顾及。例如在观察中与智能障碍孩子接触较多的萌萌、燕子、涵涵、小牟等, 能够在许多情景下表现出对智能障碍儿童的配合和帮助, 较多地考虑他人的感受。
观察事件:
游戏活动, 找朋友。同学们按照老师要求, 请最喜欢的朋友跳一曲好朋友舞。在游戏过程中, 前三次邀请都没有同学请到小A。小A看着同学们互相邀请, 安静地坐在原位 (保持着微笑, 注意力会分散) 。第四次, 涵涵第一个请小A起来, 小A立刻站起来拉起涵涵的手跳起好朋友舞。
活动结束笔者问涵涵:“你刚才为什么邀请小A跳舞?”
涵涵:我看见他一次也没有起来跳, 我就想请他。
笔者:他是你的好朋友吗?
涵涵:不是。
尽管两周以前, 涵涵还告诉我, 他不喜欢小A, 因为小A用文具盒打他, 但是看到小A孤单的样子, 同伴仍然发出了友好的邀请。
4. 未发现普通幼儿模仿智障儿童不良行为习惯现象。
有研究者担心将“特殊”的孩子与普通孩子放在一起, 普通孩子会受到特殊孩子影响, 模仿特殊孩子的不良行为习惯。从笔者观察结果来看, 没有发生“反模仿”现象。智能障碍儿童在幼儿园一日活动中均有不良行为习惯表现, 如课堂上突然离座, 游戏活动独自游离, 不能完成作业, 不按教师要求将文具用品随意摆放等情况。但与其接触较多的孩子对以上现象是采取帮助、制止或告状的反馈方式, 没有赞同或模仿。哈里斯1995年提出了群体社会化理论, 强调群体确认要求采纳群体的态度和行为准则。这种群体内过程导致了同化——使群体之间变得更加相似:在儿童同龄群体流行的群体行为准则和同伴压力使儿童接受群体的规范、信仰和价值观, 这个过程使得群体内的儿童表现出更多的相似性[1]。由此可以看出, 特殊孩子在普通群体当中有更多机会学习群体内的行为准则, 而群体中的孩子会不接受特殊孩子超出群体准则的行为从而不去模仿。
参考文献
[1]张向东.人际交往与社交新观念[M].天津:南开大学出版社, 1991:36.
[2]张更立.幼儿异龄同伴交往研究[D].万方数据库, 2004.
智能障碍 篇2
手术无影灯是手术室内重要的设备，传统的卤素灯泡无影灯沿用了数百年，虽然经历了无数次改进，但由于卤素灯泡本身的缺点，使暴露出的问题一直没有从根本上得到很好的解决。随着现代物理照明技术的发展，运用 LED（发光二极管）技术开发的大功率 LED 手术无影灯，具有安全稳定、节能环保、色温和光强无级可调等优点，实现了通过调节色温满足手术状态下人体不同组织在不同色温条件下的显色特性要求，有效地解决了手术照明系统体积庞大且能耗高的问题，有利于提高手术室的空气净化质量，更适合层流手术室净化气流的要求，降低手术室净化维护成本，最大限度地满足临床手术照明的客观要求，是现代手术室的一大革新。智能手术无影灯的基本原理和技术
LED 技术产生于上世纪 70 年代，利用半导体材料的电子迁移释放特定波长的能量产生可见光。通过近50 年的发展，该技术已经广泛地运用到日常生活照明和特殊作业的照明，其具有节能、环保、安全、可靠性高、实用性强、响应时间短等优点。但由于发光强度的限制，一直没有突破手术照明的要求范围。2004 年超高亮度的 LED 光引擎及光机的诞生使得这项技术运用到手术照明领域成为可能。运用高亮度 LED“封装光通”原理技术，具有中国自主知识产权大功率 LED 芯片智能手术无影灯在中国重庆研制成功。智能手术无影灯的综合优势
传统卤素光源无影灯存在诸多的问题 ：① 照明质量较差，容易造成医生视觉疲劳 ；② 超高红外热辐射，给手术医生带来不适感；③ 固定色温，不易清晰地分辨各种组织、器官，不利于进一步提高手术质量 ；④ 功耗大，平均功率1000W ；⑤ 庞大的结构，阻扰净化空气正常流通、降低消毒净化效果 ；⑥ 维护成本高，每月检查、灯泡寿命平均 1000h。大功率 LED 芯片手术无影灯解决了传统卤素光源无影灯存在的问题，其主要的技术优势表现在以下三个方面。
2.1 技术优势
⑴ 多晶体矩阵排列光源 大功率 LED 芯片智能手术无影灯由 3~5 区段组成，每个区由单独的汇聚透镜组成。在这个排列中，每个晶体产生一个单色光，共有 4 种单色光。4 色光源配比能够提供最佳的对比度和分辨力。照射区域5 倍光重叠，最大限度地减少了阴影，并能实现深度照射，光强可达 160,000LUX，满足深部手术的照明需要。
⑵ 色温可调 色温是表示光源光谱质量的通用指标，可以比较方便、直观地表示白光的光色。色温低，白里带黄，称暖色调 ；色温高，白里带蓝，称冷色调。色温是人眼对发光体或白色反光体的主观感觉，是因人而定的。人体不同组织器官的色饱和特性不同，在人眼中反应的色温也不同。例如血供比较丰富的组织器官（比如肝、肾）色温比较高；如果用色温较高的光源照射器官，看起来就更加真实；而肺脏、脂肪组织色温相对比较低，此时仍用高色温的光源照射，看起来就会偏红。因此，进行不同部位的手术需要调节光源的色温来达到最佳的视觉效果。然而传统的卤素光源无影灯不能调节色温，并不能适应不同手术的需要。
LED 芯片手术无影灯采用多个白、红、绿、蓝色 LED 按矩阵阵列紧密排列在较小面积的基板上 , 采用多路驱动控制器分别控制各色 LED，据不同照度要求 , 通过 PWM 控制白光 LED 的亮度，根据红、绿、蓝三色 LED 光混合与对应色温变化规律，用 PWM 控制各色 LED 所发出的光使之达到所需的色温。色温可调范围在 3200~5000K。医生可以根据不同的喜好和不同部位的手术需要进行调节，较高的色温可以解除长时间强光刺激造成的视觉疲劳，提高夜间手术和长时间手术的质量。
⑶ 智能控制 大功率 LED 芯片智能手术无影灯符合人体功效学新标准，集成智能变光模式，同步化多光电传感头。
⑷ 科学的整体设计 层流手术室净化气流是目前最先进有效的方式，净化气流的方向一般多采用垂直层流式，使手术区处于洁净气流形成的主流区内，确保空气洁净度达标。层流手术室不仅要求高度洁净的空气，而且要求能控制气流的流通方向，使气流从洁净度高的手术区流向洁净度相对较低的区域，并带走和排出气流中的尘粒和病原微生物。然而，传统的天棚嵌入式多孔型无影灯或大背壳式无影灯会阻碍垂直层流风口的气流，使无影灯背壳上方的积尘和病原微生物带入到手术区域，增加手术病人术后感染的几率。大功率 LED 芯片手术无影灯的设计采用中空式流线设计，不影响垂直层流流线，更科学合理，不仅能满足手术光照要求，而且更适合层流手术室的空气净化要求。
2.2 生态优势
⑴ 环保、节能 大功率 LED 芯片手术无影灯的设计属于绿色技术。其发光原理是基于电子跃迁发射出可见光波长，因而在设计上不含汞、铅等有害重金属，而且废弃的LED 芯片还可以回收利用，大大减少了环境污染，符合国家环保质量要求。LED 光源使用低电压，适合手术室的安全用电范围，而且坚固耐震，耐冲击，使得光源稳定性高。另外，LED 光源响应时间在纳秒级，非常适合高频操作，LED 芯片的工作电压很低，大大节约了能源。
⑵ 长寿命、低热量 作为第四代新型照明光源，LED 具有许多不同于其他电光源的特点(见表 1)，这也使其成为节能环保光源的首选。LED 灯的平均寿命为连续 100000h，是普通照明灯的 30 倍(见表 1)。大功率 LED 芯片手术无影灯所采用的冷光源光效高[1,5]、散热低、减少上升热气流，非常适合在无障碍层流手术室中运用。另外，LED 光源发出的冷光源，对长时间站在手术灯下手术的医生来说具有更佳的舒适性。
2.3 经济优势
我国现在手术室无影灯主要是传统的卤素光源无影灯或荧光源无影灯，以全国在用的约 53000 台手术无影灯为基数，若全部使用 LED 芯片手术无影灯，每年可节约24000 万度电，节能减排的社会效益将十分显著。由此每年可节约火电燃煤 10 万吨，减少火电产生的二氧化碳排放26200 万升，减少火电产生的二氧化硫排放 85 万升，其环保节能的社会意义重大。另外，由于传统卤素或荧光光源无影灯的寿命较短，增加了手术室的折旧费用，使手术室运行成本增加。因此，大功率 LED 芯片手术无影灯更具经济价值。结论
无人驾驶智能车障碍检测方法探讨 篇3
关键词：无人驾驶；智能车；障碍检测；有效方法
引言：不仅仅是我国在研究相关的检测无人驾驶智能车辆障碍的技术，大多数发达国家也在研究着，在研究的过程中也在广泛推广以及应用着智能车辆。我国研究先关检测技术的主体是高校以及研究机构，但是检测技术仍然和发达国家之间存在着比较显著的差异。当前的无人驾驶智能车辆障碍检测技术的应用具有非常宽广的前景，也有着比较重要的实践意义，同时也是当前检测智能车辆的主要研究技术。
一、无人驾驶智能车障碍检测技术的研究现状分析
当前，对无人驾驶智能车障碍检测技术的研究正处于狂热期，市场上存在很多各式各样的检测技术，不同的检测技术的检测效果不一样。通常情况下，按照不同的传感器类型进行检测无人驾驶智能车辆障碍物的技术分类，常常将其分成双目摄像机、结构光、超声波、激光雷达等[1]。其中，一直以来使用较为广泛以及引起研究人员关注的检测技术就是基于双目立体视觉的无人驾驶智能车辆障碍物检测技术，这种检测技术应用的优势有成本低廉、设备简单、能够获取深度信息以及丰富的彩色图像信息。
二、无人驾驶智能车障碍检测系统分析
在路平面上显而易见阻碍车辆驾驶或者是高于路平面的物体，统称为道路的障碍物，但是一些相关研究也会认为比路面低的物体也会是障碍物。一直以来，按照不同情况的道路，会将其分成非结构化道路以及结构化道路[2]。一方面，对于检测非结构化道路上存在的障碍物，这个技术的研究一直是重点，同样也是检测技研究的难点。另外一方面，对于检测结构化道路上存在的障碍物，主要的重点是道路连线检测，这样的检测技术得到了一定的研究效果以及应用地位。障碍物检测系统位于双目立体视觉基础之上，常常需要显示设备、计算机、两台固定位置的摄像机（也就是双目摄像机）等组成结构。整个无人驾驶智能车障碍检测系统工作程序具体是：在双目摄像机中计算机可以得到原始的图像，将原始的图像进行处理，最后装换成格式图像或者是灰度，转换之后就可以很方便地输出结果。摄像机位于不同的位置上就会有不同的场景视角，这些状况都是因为固定分开安装的双目摄像机所导致的。计算机不仅仅可以获取深度信息，还可以获取图像信息。在得到双目图像以后，按照相关的人工智能、图像处理，以及模式识别等主要理论，采取各式各样的技术方法就可以检测障碍物。
三、无人驾驶智能车障碍检测方法分析
当前，研究的无人驾驶智能车障碍检测方法，主要是指基于双目立体视觉的障碍物检测方法，这种检测方法常常分成双目检测以及单目检测这两种，这两种检测方法具有连贯性的特点，单目检测的实际意义就是利用单幅图像检测图像中障碍物的位置，然后再借助双目立体视觉将相关的空间信息计算出来。主要的检测方法就是：（1）按照直方图亮度对道路区域进行分割，然后家住区域中存在的颜色将不确定的障碍物区域进行分割，将提取出可疑障碍物区域并且进行高度计算，最后就能够确认障碍物，采取这样的检测方法可以将整体的计算量进行缩减，同时这样的检测方法也会获得更好的检测结果，但是检测实施的前提是在路面中要有特定的颜色，可见这种检测方法也有不足就是会受到检测路面条件的限制，也会出现漏检的不良情况。（2）基于角点的立体视觉感知算法，主要是检测车道标线，可以消除变化的摄像机俯角对行驶中车辆造成的影响，将立体匹配中极线中存在的限制要求减弱以及将立体化的计算量减少。但是这样的检测方法使用存在一定的限制，只适合应用在带标线的道路检测中，然而只要存在很多的路面角点或者是很少的障碍物角点，都会对正确的检测结果造成严重的影响。（3）借助全局优化算法进行的检测方法，需要首先确定摄像机以及路面的详细坐标状况，利用映射匹配好基准图像以及目标图像的路面，最后就可以使用全局化计算来确认路面以及障碍物的位置。
结语：综上所述，对于无人驾驶智能车障碍检测方法，其实有很多，但是每种检测方法都具有自身的优势以及不足，综合多方面因素进行考虑，发现基于双目立体视觉的障碍物检测方法更加科学。但是吗，这种检测方法依然存在很多独有的缺点以及优点，在不同的复杂道路环境中，将这种检测技术有效地应用在无人驾驶智能车辆中还没有找到很好的解决方法。同时，这中检测技术具有十分重要的检测意义以及检测作用，也是检测当前无人驾驶智能车辆障碍的主要技术方法。所以，不断研究创新检测技术对发展我国无人驾驶车辆具有很重要的积极作用。
参考文献：
智能障碍 篇4
障碍物的检测识别是智能车辆研究领域中的重要组成部分, 对于智能车辆的安全驾驶极为关键。目前, 国内外已经发展了多种应用于障碍物识别的方法, 如多传感器信息融合的方法[1,2]、神经网络训练法[3]等。在城区交通环境下, 障碍物不仅仅是前方的机动车辆, 还包括了行人、自行车、背景等, 所以需要将障碍物的识别转化为多类分类问题来进行研究。
当前, 有不少学者利用支持向量机和集成学习结合来解决分类问题[4]。其中, 用AdaBoost与SVM结合取得了较好的分类效果[5]。然而, AdaBoost存在训练轮数的选取问题。相关研究表明[6], 如果训练的轮数太大, AdaBoost有可能对训练样本过适应而导致比较差的泛化性能, 因此需要在适当时候停止AdaBoost的迭代过程。另外, 支持向量机存在最优核函数选取、最优模型参数优化等问题, 选取不同的核函数和相应参数, 得到的分类器的性能完全不同。目前对于核函数及其参数的选取大多是根据应用中的先验知识, 直接对各参数值进行经验设定, 这不仅无法保证参数设定的最优性, 而且不易于向更广泛的应用领域推广。因此, 针对以上不足, 本文提出了一种改进了的以混合核函数作为核函数的支持向量机来进行AdaBoost学习的分类算法——AdaBoost-MK-SVM算法, 并应用于城区交通环境下前方障碍物的识别, 收到了比其它常规的算法更好的效果。
1 支持向量机与AdaBoost集成学习理论
支持向量机SVM是文献[7]于上世纪九十年代中期提出来的, 它是建立在统计学习理论的VC维理论和结构风险最小原理基础上的, 根据有限的样本信息在模型的复杂性 (即对特定训练样本的学习精度) 和学习能力 (即无错误地识别任意样本的能力) 之间寻求最佳折衷, 使学习机器的实际风险达到最小, 以期获得最好的推广性能。支持向量机较好地解决了非线性、高维数、局部极小点、小样本等问题, 现已广泛应用于分类问题。衡量支持向量机性能的一个重要指标就是它的泛化能力。集成学习通过训练多个学习系统并将其结果按一定方式进行集成, 可显著提高学习系统的泛化能力。因此, 支持向量机与集成学习的结合是最近几年机器学习领域的研究热点[8,9]。
AdaBoost即自适应提升算法[10]是目前最流行的Boosting算法, 它主要是维持训练样本集的一个权值分布, 每一轮的训练是根据分类器对训练样本分类的正误以及本轮训练集上的加权错误率来更新样本的权值, 使得每一轮训练中出现的被错分的样本权值增加, 从而在下一轮的分类器训练时, 努力使分类错误的样本分类正确。最后集成分类器通过分类器集合的加权投票得到, 训练错误率低的个体分类器在最后投票中占较高的权重。
SVM的训练过程与AdaBoost很相似, 每一次训练选择最富有信息的样本, 即上一次训练的错分样本和支持向量。不同的是, SVM的结果并不是集成每次的分类器, 而是一个最优的分类器。
2 基于混合核函数的 AdaBoost-SVM分类算法
2.1 混合核函数及其参数选择分析
上文提到, SVM中的非线性变换是通过核函数的方法来实现的。通过引入核函数来进行训练样本间的内积运算, 避免了在高维空间中的复杂运算, 解决了高维特征空间计算带来的“维数灾难”问题。目前, SVM的核函数主要包括多项式核函数K (x, xi) =[ (x·xi) +1]q、径向基 (RBF) 核函数K (x, xi) =exp{-|x-xi|2/σ2}、双正切核函数K (x, xi) =tanh[v (x·xi) +c]等。文献[11]提出了混合核函数方法, 其一般形式为:
其中, Ki (x, x′) , i=1, 2, …, m为不同核函数的个数, λi是权重, 代表着Ki (x, x′) 在混合核函数中所占的比重。
核函数主要有两种类型:局部核函数和全局核函数。多项式核函数是典型的全局核函数, 具有较强的泛化能力, 但是它的学习能力较弱;径向基函数是典型的局部核函数, 泛化能力弱, 但学习能力较强。因此, 将这两类核函数通过加权组合, 组成一个新的混合核函数MK-SVM (SVM using Mixture of Kernels) :
Kmix=λ[ (x·xi) +1]q+ (1-λ) exp{-|x-xi|2/σ2} (2)
其中, λ (0≤λ≤1) 是混合权重因子, 表示这两类核函数在混合核函数中所占的比重;q和σ是核参数, 分别代表多项式阶数和径向基宽度。
采用多项式核函数和径向基核函数结合的混合核函数能够突出各自的优势且有很强的互补性, 解决单一核函数不能兼顾学习能力和泛化能力的缺点。新的混合核函数不但克服了径向基核函数局部逼近造成的泛化能力差的缺陷, 还解决了多项式核函数高阶拟合性能和低阶泛化性能存在的矛盾, 能有效地提升分类器的性能, 使其达到最优。
确定混合核函数后, 参数的选取也至关重要。如果对所有的SVM学习赋相同的参数值, 可能会使SVM的假设过强或过弱, 从而导致难以成功地进行分类。分析如下:对于阶数q, 当它的值较小时, SVM的泛化能力较强, 当阶数太大时, 不仅增加了学习模型的复杂性, 易出现“过拟合”现象, 而且使SVM的泛化能力降低;对于径向基函数宽度σ, 其值太大会使SVM分类性能太弱, 分类精度小于50%不能满足学习要求, 而σ太小会使SVM分类性能太强, 此时弱分类器的错误高度相关, 因而导致不能有效地进行组合分类, 而且σ太小会出现过适应, 得到的弱分类器不能有效用于构造组合分类器;对于混合权重因子λ, 它的选择将决定哪一类型的核函数在混合中占主导地位, 从而使SVM具有最优的非线性处理能力, 更能体现混合核函数的性能。而径向基核函数分类效果较好, 属于强分类器, 因此为了训练得到弱分类器, 应该让多项式核函数在混合中占主导地位。
2.2 基于混合核函数的 AdaBoost-SVM分类算法——AdaBoost-MK-SVM
根据2.1节分析可知, 作为弱分类器的MK-SVM性能不能太强, 也不能太弱, 而通过调整参数的值能改变MK-SVM分类性能, 因此对参数的值进行自适应调整, 从而得到一系列具有适当精度的MK-SVM来进行AdaBoost集成学习。
本文提出了一种基于混合核函数的AdaBoost-SVM分类算法 (AdaBoost-MK-SVM) , 以AdaBoost学习的方法来实现混合核函数的参数的自动选取, 然后进行SVM分类。参数的选取遵循先简单后复杂的原则, 多项式阶数q的选取范围最小, 其次是混合权重因子λ, 选取范围和选取难度最大的是径向基宽度σ。AdaBoost-MK-SVM算法具体步骤如下:
1) 输入 一组含有标签的训练样本集R={ (x1, y1) , …, (xm, ym) }, 其中yi∈{+1, -1}, i=1, 2, …, m, 弱分类器的个数为T;
2) 样本权重初始化 对所有的样本ω
3) 循环计算 (t≤T)
a) 给出阶数q的初始值, 确定q值的上限值qmax, q增加的步长为1;
b) 给出混合权重因子λ的初始值, 确定λ值的上限值λmax, λ增加的步长λstep;
c) 给σ赋初始值σini, 确定σ值的下限值σmin, σ减小的步长σstep;
d) 根据权重大小, 从正负样本集中各选择N个样本, 得到子集Rt, 在子集Rt上调用MK-SVM算法训练得到弱分类器ht;
e) 将弱分类器ht测试整个训练样本集R, 得到ht的训练错误率:εt = ∑
f) 若εt>0.5, σ减小σstep, 然后转到步骤d;否则, 继续步骤g;
g) 为弱分类器ht赋权重:
h) 更新训练抽样的权重:ω (t + 1) i= ω
i) 当σ<σmin时, 转到步骤b) , λ增加λstep, 然后继续循环直到λ>λmax;
j) 当λ>λmax时, 转到步骤a) , q+1, 然后继续循环直到q>qmax, 跳出循环。
4) 输出 由多个εt<0.5的弱分类器加权合成该节点SVM的判决函数:
f (x) =sign
3 实验与结果分析
本文以城区交通环境下前方障碍物的识别为例来说明AdaBoost-MK-SVM的应用。
城区交通环境中, 本文将车辆前方的障碍物定义为:大型货客车 (bus, 1) 、中小型汽车 (car, 2) 、摩托车 (motor, 3) 、自行车 (bike, 4) 、行人 (people, 5) 和背景 (other, 6) 共六种模式, 并采用一对多 (one-against-rest, lar) 的方法来进行多类分类。对单个节点分类器使用AdaBoost-MK-SVM算法, 依次训练每个节点的分类器SVM1→SVM2→SVM3→SVM4→SVM5, 由式 (3) 可分别得到对应的判决函数f (k) , k=1, 2, …, 5。对于未知新样本进行分类, 采用从上到下逐层判别, 如果新样本按式 (3) 计算的输出为+1, 表明它属于该层左子类, 否则沿着右分支对应的下一层细分, 直到确定出最基本的类别。
3.1 样本特征提取及核参数设置
在进行障碍物类型的SVM训练前, 需要检测出前方障碍物可能出现的区域为感兴趣区域 (ROI) , 然后在ROI区域内提取障碍物的特征并组合以作为样本的特征向量, 以便进行训练和测试。在城区交通场景下, 前方障碍物的检测见文献[12], 这里不再叙述。
检测出ROI区域后, 进行特征提取。本文选取的特征包括了描述形状特征的全局特征和描述内部细节的纹理特征。形状特征由1个几何特征高宽比Rhw, 7个对平移、旋转和尺度变换不变的不变矩特征 (T1, T2, T3, T4, T5, T6, T7) 组成。纹理特征是通过提取区域内的空间灰度层共现矩阵[11]来实现。由灰度层共现矩阵可以计算出一组参数, 用来定量描述纹理特征。本文选取其中常用的4种参数:能量E (d, θ) 、熵H (d, θ) 、惯性矩I (d, θ) 和局部平稳L (d, θ) [13]。其中d为像元距离, θ为方向。
对于像元距离d和方向θ的选择, 通常情况下, 小的d值可以提供比较好的结果[13], 本文选d=5。另外, 本文选取θ=0°, 45°, 90°, 135°, 这样可以得到4×4=16个灰度层共现矩阵特征。
将全局特征和纹理特征串联起来, 组成一个包含24个特征值的特征向量F=[Rhw, T1, …, T7, E1, H1, I1, L1, …, E4, H4, I4, L4]T来描述障碍物模式。6个类别的障碍物的图像如图1所示。
然后将样本的特征向量作为输入数据, 给每个样本数据贴上类别标签, 构建样本空间S={ (xi, yi) }, 其中i=1, 2, …, n, xi=Fi, yi=k, k∈{1, 2, …, 6}。对样本空间中的数据, 按照本文提出的算法进行训练, 得到AdaBoost-MK-SVM多类分类器。最后用训练好的分类器对实时检测到的每个ROI区域当作未知新样本进行分类识别。
本文的数据集来源于重庆大学CQAC-I型 (普通光型) 智能车辆在城区交通干道上的实验录像。从不同时段、不同场景下的视频帧中, 人工选取6种模式 (包括背景) 的前方障碍物样本共900个, 其中1～5类样本各120个, 其余为背景样本。取其中的600个样本为训练集, 300个样本为测试集。
AdaBoost-MK-SVM算法有关参数的设置[14]:惩罚系数C的值设为10到100;σmin是任意两个训练样本之间距离的最小值;σini是σmin的10到15倍;σstep值设为在1到3之间。另外, 由2.1节的分析可知, 若多项式阶数太大, 不仅会增加学习模型的复杂性, 而且容易出现“过拟合”现象, 所以q的值取1到3;径向基核函数分类效果较好, 属于强分类器, 应该让多项式核函数在混合中占主导地位, 所以混合权重因子λ取0.50到0.99之间。迭代次数取T=20。
3.2 结果分析
实验中采用了测试精度表现较好的1a1-SVM、文献[14]中提出的AdaBoost-SVM、以固定参数的混合核函数作为SVM的核函数进行AdaBoost的分类方法 (Settled-MK-SVM) 和本文提出的AdaBoost-MK-SVM四种方法, 并对这四种算法所得出的分类精度和测试时间进行比较。采用10层Cross-Validation方法对分类器泛化性能进行估计, 测试结果由多次测试平均得到。测试结果如表1和表2所示。
由表2可以看出, 本文提出的AdaBoost-MK-SVM在分类精度上要优于其它三种分类方法, 泛化性能好。当混合核函数采用固定参数时, 不存在参数的自适应调整过程, 所以在分类速度上AdaBoost-MK-SVM要慢些。综合以上两个性能指标, 本文提出的AdaBoost-MK-SVM算法性能更好, 具备了兼顾支持向量机学习能力和泛化能力的优点。
4 结 语
本文提出了一种基于混合核函数的AdaBoost-SVM分类算法――AdaBoost-MK-SVM。该方法不仅有效解决了现有的AdaBoost-SVM算法中训练轮数的合理选取问题和SVM的核函数参数选取困难的问题, 而且还综合了全局核函数和局部核函数的优点, 使得SVM能兼顾其学习能力和泛化能力。该方法应用于城区交通干道上的前方障碍物样本的分类识别, 识别速度快, 识别精度良好, 有效地解决了城区交通场景中背景复杂、障碍物模式众多的难题。如何根据各类障碍物模式间的差异设计出更有效的分类器结构, 是下一步的研究方向。