65、交通数据的自动化识别与聚类分析

交通数据的自动化识别与聚类分析

1. 自动化交通标志识别方法

1.1 现有交通标志识别技术概述

在交通标志识别领域，已经有众多学者提出了多种技术。例如，有学者提出了一种程序化的交通标志检测技术，可识别彩色和无色标志，同时考虑了转弯、尺度变化、位移、不完整变形和阴影等因素。在交通标志识别中，有人利用一组特征，包括位置倾斜直方图、邻域平行模式和 Gabor 特征，在支持向量机分类框架中进行识别。还有人提出了连接不变几何矩来表征形状，将 HOG 特征直方图与 LSS 特征相结合设计描述符，并应用随机森林和 SVM 进行交通标志的检测和识别。另外，利用高阶谱（HOS）结合基于纹理的特征构建有效的交通标志识别系统，再通过线性判别分析下的图嵌入子空间学习策略，增强不同交通图像之间的区分能力。为解决众多卷积神经网络中因矩阵核导致的参数冗余问题，有学者提出了向量核卷积神经网络，其中每个卷积层仅使用特定尺度的向量位。也有基于物联网的路边交通监控以及利用胶囊神经网络的交通路径规划方法等。

1.2 基于径向基函数神经网络（RBFNN）的方法

1.2.1 RBFNN 架构与原理

本文采用监督学习方法中的通用映射特性来获得精确的决策结果。在预定义的训练集和目标集上进行映射，神经网络架构学习将输入特征映射到输出域中的期望向量或点。在众多神经网络架构中，径向基函数神经网络（RBFNN）在多个应用中表现出了改进的性能。RBF 架构采用三层结构：第一层神经元用于接收输入；第二层执行核函数；第三层将第二层神经元的输出累加得到最终输出。其输出的数学形式可表示为：
[O_q = f_q(p) = \sum_{z = 1}^{N} W_{qz} \phi_z(