相关向量机及其应用.ppt

相关向量机理论及其应用 * * Presentation ? 2012 BJTU BEIJING JIAOTONG UNIVERSITY 相关向量机理论及其应用 Relevance Vector Machine and its application 姚畅 北京交通大学 2013-4-13 * * 内容提要： 一、相关向量机(Relevance Vector Machine, RVM)理论 二、基于RVM的交通标志识别研究进展 三、待开展的工作 * HOV车道车辆乘客检测 HOV(High Occupancy Vehicle)： ■即“高载客率汽车”，指载客数多的车辆 HOV车道： ■专门供HOV车辆行驶的车道 ■又称为合乘（carpool）车道 ■其标志为? (菱形)，也被称为“钻石车道” * 交通图像处理与分析 * 交通图像处理与分析 --交通标志检测与识别 光照不足、运动模糊、几何失真、遮挡 类别多，易混淆 内含文字、图标，影响识别效果 * * 基于相关向量机的交通标志识别研究进展 图像库的构建： 31×31像素 灰度图像 * 基于相关向量机的交通标志识别研究进展 图像库的构建： * 基于相关向量机的交通标志识别研究进展 图像库的构建： 样本统计 共466个样本 * 基于相关向量机的交通标志识别研究进展 图像库的构建： 每个样本图像大小为31×31像素,灰度图像,共466个样本 * 基于相关向量机的交通标志识别研究进展 图像库的构建： 对466个样本进行随机排列,使得同类样本分散开 * 基于相关向量机的交通标志识别研究进展 实验以靠右侧行驶指示标志作为识别目标（正样本），label=1；其余标志作为负样本，label=-1，采用相关向量机进行识别。 以靠右侧行驶指示标志 为例 * 基于相关向量机的交通标志识别研究进展 样本数据正态归一化 f为均值，s为标准方差 将正态归一化后的样本数据排列为1行961列的向量，作为特征向量。 对整个图像库进行该操作，获得一个466×961的数据矩阵。取其中一部分数据用于训练RVM，一部分数据用于测试。 * 基于相关向量机的交通标志识别研究进展 一 改变训练样本总数N 1 训练样本总数N=100,测试样本总数Nt=366 maxIts=500,kernel=poly2,width=30 20 L = -7.884 Gamma = 3.26 (nz = 43) 40 L = -7.877 Gamma = 3.14 (nz = 11) 60 L = -7.877 Gamma = 3.14 (nz = 8) 80 L = -7.877 Gamma = 3.14 (nz = 6) 100 L = -7.877 Gamma = 3.14 (nz = 5) 120 L = -7.877 Gamma = 3.14 (nz = 5) 140 L = -7.877 Gamma = 3.14 (nz = 5) Terminating: max log(alpha) change is 1.15463e-014 (0.01). 143 L = -7.877 Gamma = 3.14 (nz = 4) non-zero parameters: 4 RVM CLASSIFICATION test error: 1.91% Time=0.6354s 相关向量 错误识别的样本 * 基于相关向量机的交通标志识别研究进展 一 改变训练样本总数N 2 训练样本总数N=200,测试样本总数Nt=266 maxIts=500,kernel=poly2,width=30 相关向量 错误识别的样本 20 L = -9.677 Gamma = 3.99 (nz = 52) 40 L = -9.293 Gamma = 3.63 (nz = 16) 60 L = -9.218 Gamma = 3.56 (nz = 10) 80 L = -9.205 Gamma = 3.54 (nz = 7) 100 L = -9.199 Gamma = 3.53 (nz = 6) 120 L = -9.196 Gamma = 3.53 (nz = 5) Terminating: max log(alpha) change is 0(0.01). 121 L = -9.196 Gamma