基于GPU實現PSO-SVM對道路標志的識別方法技術

本發明專利技術公開了一種基于GPU實現的自適應變異粒子群優化算法優化SVM對道路限速標志識別的方法，利用PSO優化SVM的參數，快速準確的識別道路限速標志的種類,基于粒子群在處理優化SVM參數過程中存在處理數據量大、計算時間長的特點，本發明專利技術利用GPU的并行計算特性來提高PSO算法的運行速度。本發明專利技術有益的效果是：采用GPU加速ALTMPSO優化支持向量機的方法，在道路限速標志識別準確率上優于傳統的SVM，在算法收斂性和運行速度上優于標準PSO-SVM。

【技術實現步驟摘要】

本專利技術涉及支持向量機道路限速標志識別方法，屬于智能交通領域，具體涉及利用GPU實現自適應變異粒子群優化支持向量機的道路限速標志識別方法。
技術介紹
道路限速標志識別是智能交通研究的一個重要分支，有兩方面的作用第一，管理交通；第二，引導和警告駕駛者。道路限速標志的自動識別，有利于提高車輛的主動安全性能。道路限速標志識別主要包括兩個基本的技術環節(1)限速標志的檢測，包括限速標志的定位及圖像預處理；(2)限速標志的識別，包括限速標志的特征提取與分類。隨著計算智能技術的發展，模板匹配、人工神經網絡等方法已在限速標志識別領域得到了成功的應用。基于結構風險最小化準則的支持向量機SVM (Support VectorMachine)對道路標志進行識別，具有良好的泛化能力和較高的識別能力，能夠有效避免經典機器學習方法中存在的維數災難、局部極小、過學習等問題。在SVM分類器中，其相關參數的設置對SVM的識別性能有著決定性影響。粒子群優化算法(PSO)是由Kenned和Eberhart在1995年的IEEE國際神經網絡學術會議上提出的一種基于群體智能方法的演化計算技術。與其他演化算法如遺傳算法、蟻群算法比較，粒子群算法實現容易、參數較少，具很強的局部和全局搜索能力，可應用于大量非線性、多峰值的復雜問題的優化。近年來，粒子群優化算法已成功應用于函數優化、神經網絡訓練、模式識別、模糊系統控制等多個科學與工程領域。為了避免粒子群優化算法存在的早熟收斂和精度差等局限，眾多研究人員相繼提出了多種改進措施，改進的方法主要表現為參數改變、粒子群初始化方法改進、進化方程改進和混合策略等。在解決計算速度慢的問題上，大多采用并行處理的方法。近年來，計算機圖形處理器GPlXGraphics processing unit)繪制流水線的高速度和并行性以及近年來發展起來的可編程功能，使其在通用計算領域的應用有著巨大潛力。與CPU相比，GPU呈現出了許多優點。首先，GPU計算速度比CPU快。GPU投入更多晶體管去處理數據而不是數據緩存和流控制，這樣能夠進行每秒更多次的浮點計算；其次，GPU更適合大規模的密集型數據并行計算。它特別適合解決具有較高算法強度且可以被表達為并行數據計算的問題，通過將此類問題細分成眾多數據元素然后并行執行，將具有更高的算術操作與存儲操作之比。本專利技術利用統一計算設備架構(computeunified device architecture, CUDA),在GPU上實現了一種自適應變異粒子群優化算法對SVM的參數進行優化，并應用到道路限速標志的識別中。
技術實現思路
本專利技術針對現有技術存在的上述問題，在GPU上實現自適應變異粒子群優化支持向量機的道路限速標志識別，通過自適應變異粒子群優化支持向量機的參數提高道路限速標志的識別率，同時利用GPU加速自適應變異粒子群優化支持向量機參數的運行速度。本專利技術解決上述技術問題所采用的技術方案是，提出一種基于GPU實現粒子群優化支持向量機對道路限速標志識別的方法，其特征在于，包括步驟對道路限速標志進行二值化特征提取，得到的特征向量作為道路限速標志識別的樣本數據庫，從中隨機選取一部分作為訓練集，另一部分作為測試集；將CPU上的初始化種群拷貝到GPU的全局存儲器中，映射種群中粒子為支持向量機道路限速標志識別模型中徑向基核函數的寬度參數g和誤差懲罰參數C ;優化支持向量機道路限速標志識別模型中徑向基核函數的寬度參數g和誤差懲罰參數C，建立粒子群優化支持向量機道路限速標志識別模型；輸入樣本訓練支持向量機道路限速標志識別模型，對訓練集進行交叉驗證的準確率作為適應度函數；獲得最優位置適應度確定全局最優值PgJf Pg映射為支持向量機道路限速標志識別模型的徑向基核函數的寬度參數g和誤差懲罰參數C，并從GPU傳回到CPU作為優化結果輸出，獲得的識別率最高的訓練模型去識別待識別樣本。具體步驟如下 對道路限速標志進行二值化特征提取，通過二值化特征提取得到的特征向量作為GPU-ALTMPSO-SVM (用計算機圖像處理器實現自適應變異粒子群優化支持向量機)道路限速標志識別模型的樣本數據庫；構建支持向量機道路限速標志識別模型，優化支持向量機道路限速標志識別模型中的徑向基核函數的寬度參數g和誤差懲罰參數C，建立基于GPU的自適應變異粒子群優化支持向量機道路限速標志識別訓練模型；利用訓練模型識別待識別樣本，輸出待識別樣本的種類，計算識別的準確率。采用對訓練集進行交叉驗證準確率 k作為適應度函數即調用公式 分確定適應度函數。如果數量為N的粒子群在連' k續S代過程中有？％的粒子沒有發現全局最優值，則粒子群進行適當的變異，根據當前時刻t時粒子的位置Xij⑴和速度Vij (t)確定下一時刻粒子的位置Xij (t+Ι)和速度Vij(t+1)，其位置和速度變異更新的公式如下 l-v,(/- 1) = Λ-..(0 + (/.) 0.5) ■ A-,. (/)< ' h'..(,..... η = '-..⑴+ (/.)......0.5) r..(/)還可采用如下公式確定位置和速度更新 !^^( +ν^,+ )其中P為0-1之間的隨機數，i=l, 2,..., N ；j=l, 2，. . .，D，t代表第t次迭代，w為慣性權重，C1和C2為非負常數，Z從I到O線性遞減，Y服從均勻分布；pw(t)為第t次迭代第j維局部最優值，Pgi (t)為第t次迭代第j維全局最優值。當t大于最大迭代次數itermax,獲得最優位置適應度確定全局最優值Pg,即更新完成最大迭代次數次迭代后，所獲得的最優位置適應度最小值對應的位置為全局最優值Pgo本專利技術，通過計算當前線程對應粒子的適應值、粒子個體最優值及位置、全局最優值及位置，速度和位置來完成整個算法在GPU上最優值的計算。能有效搜索SVM參數C和g的全局最優或近似最優解，同時基于GPU的并行計算能夠加速該粒子群算法優化SVM的求 解過程，減少運行時間，準確快速的識別道路限速標志。附圖說明圖1道路限速標志二值化處理流程圖；圖2道路限速標志識別流程圖；圖3基于GPU實現的自適應變異粒子群優化支持向量機工作流程圖；圖4粒子位置在GPU中的映射模型。具體實施例方式下面結合附圖和具體實施方式對本專利技術的技術方案作進一步詳細的說明。如樣本數據集由4類國內道路上常見的限速標志組成(20、40、60、80km/h)，把成功提取的圖像的特征作為實驗數據集。如可隨機選取實驗數據集中的64個樣本作為訓練集，剩下的樣本作為待識別樣本，數據集的特征向量為35維。利用GPU-ALTMPS0算法優化SVM參數，構建道路標志識別分類器，可以識別上述道路限速標志類別，與現有道路限速標志識別方法相比，提高道路限速標志識別的準確率。參考圖1，對道路限速標志進行特征提取，可采用如下二值化處理和特征提取。(I) 二值化處理。二值化是為了區分數字(黑色)和背景(白色)，因此紅色像素不計算在內。因為黑白兩種顏色在R、G、B三個分量上都有很明顯的差異，所以以R分量的平均值作為閾值即可取得較好的二值化結果(圖1 b)。(2)特征提取。特征提取首先要突出數字部分。找到數字邊界，根據邊界提取數字(圖lc)。因為限速標志右邊的O本文檔來自技高網...

【技術保護點】
一種基于GPU實現粒子群優化支持向量機對標志識別的方法，其特征在于，包括步驟：對道路限速標志進行二值化特征提取，得到的特征向量作為道路限速標志識別的樣本數據庫，從中隨機選取一部分作為訓練集，另一部分作為測試集；將CPU上的初始化種群拷貝到GPU的全局存儲器中，映射種群中粒子為支持向量機道路限速標志識別模型中徑向基核函數的寬度參數g和誤差懲罰參數C；優化寬度參數g和誤差懲罰參數C，建立粒子群優化支持向量機道路限速標志識別模型；輸入樣本訓練支持向量機道路限速標志識別模型，對訓練集進行交叉驗證的準確率作為適應度函數；獲得最優位置適應度確定全局最優值Pg，將Pg映射為支持向量機道路限速標志識別模型的徑向基核函數的寬度參數g和誤差懲罰參數C，并從GPU傳回到CPU作為優化結果輸出。

【技術特征摘要】

【專利技術屬性】
技術研發人員：王進，熊虎，陶樹人，
申請(專利權)人：重慶郵電大學，
類型：發明
國別省市：