本發(fā)明屬于車(chē)型識(shí)別技術(shù)領(lǐng)域，涉及一種基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法。

背景技術(shù)：
車(chē)型識(shí)別技術(shù)是一門(mén)集計(jì)算機(jī)圖像處理技術(shù)、模式識(shí)別、工業(yè)測(cè)控技術(shù)、人工智能、系統(tǒng)工程等技術(shù)于一體的綜合技術(shù)。目前大部分的車(chē)型識(shí)別技術(shù)主要是為了解決特定的問(wèn)題而提出的，但不具有通用性，尤其應(yīng)用到實(shí)際道路環(huán)境中其效果更是差強(qiáng)人意。車(chē)型識(shí)別問(wèn)題是典型的多類分類問(wèn)題，而當(dāng)前處理該問(wèn)題的典型做法是，收集一定量的提供類別標(biāo)記的樣本點(diǎn)作為訓(xùn)練集，通過(guò)對(duì)訓(xùn)練樣本及其類別標(biāo)記之間的統(tǒng)計(jì)模式關(guān)系的分析得到分類器，進(jìn)而對(duì)未知類別標(biāo)記的數(shù)據(jù)進(jìn)行分類。但是在某些分類實(shí)例中，存在模型建立困難、缺乏有效的理論支持，及訓(xùn)練復(fù)雜度大等問(wèn)題。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于提供一種基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法，解決現(xiàn)有技術(shù)存在的模型建立困難，訓(xùn)練復(fù)雜度高的問(wèn)題。本發(fā)明的技術(shù)方案是，基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法，包括車(chē)型特征提取、車(chē)型分類和分類結(jié)果評(píng)價(jià)。本發(fā)明的特點(diǎn)還在于：車(chē)型特征提取包括構(gòu)建訓(xùn)練樣本集、圖像處理和特征提?。卉?chē)型分類包括編碼、分類訓(xùn)練和譯碼。上述特征提取包括：1、圖像歸一化處理；2、邊緣檢測(cè)和提?。?、基于梯度幅值的方向權(quán)重投影；4、圖像梯度方向直方圖（HOG）結(jié)構(gòu)的中塊的特征向量歸一化；5、求解圖像梯度方向直方圖的最終特征向量。上述圖像歸一化處理是將整個(gè)圖像轉(zhuǎn)化為灰度圖，即通過(guò)Gamma標(biāo)準(zhǔn)式（1）轉(zhuǎn)化；I(x,y)＝I(x,y)gamma（1）其中，I(x,y)表示圖像中的像素點(diǎn)顏色信息。上述邊緣檢測(cè)和提取為通過(guò)索貝爾（sobel）算法實(shí)現(xiàn)邊緣檢測(cè)和提?。菏紫?，通過(guò)式（2）計(jì)算梯度幅值G；其中Gx(x,y)和Gy(x,y)分別表示x和y方向的梯度；然后，通過(guò)式（3）計(jì)算計(jì)算梯度方向θ；式（3）中，將θ(pi,j)的取值范圍分成8個(gè)等分，以便將θ(pi,j)量化，Pi,j表示樣本的像素點(diǎn)；最后，通過(guò)式（4），求以θ(pi,j)為直方圖的橫坐標(biāo)生成直方圖Ht；在式（4）中，上述基于梯度幅值的方向權(quán)重投影，將圖像窗口分成若干個(gè)小區(qū)域，這些區(qū)域被稱為“單元格”；然后將每個(gè)單元格中所有象素的一維梯度直方圖或者邊緣方向累加到其中；最后將這個(gè)基本的方向直方圖映射到固定的角度上，就形成了最終的特征。上述圖像梯度方向直方圖（HOG）結(jié)構(gòu)的中塊的特征向量歸一化，為使得塊內(nèi)特征向量空間對(duì)光照，陰影和邊緣變化具有魯棒性需通過(guò)歸一化實(shí)現(xiàn)，其歸一化通過(guò)式（5）實(shí)現(xiàn)；其中v表示一個(gè)還沒(méi)有被歸一化的向量，它包含了給定區(qū)間的所有直方圖信息；||v||k表示v的k階范數(shù)，k取1、2；ε表示一個(gè)趨近于0的很小的常數(shù)；ε是個(gè)很小的常值，避免分母為0。上述求解圖像梯度方向直方圖的最終特征向量，HOG結(jié)構(gòu)的基本單位都是塊（Block），每個(gè)塊（Block）都由若干單元（Cell）組成，一個(gè)單元都又由若干個(gè)像素點(diǎn)（Pixel）組成；將檢測(cè)窗口中所有重疊的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量，即由cell中直方圖通道的數(shù)目、block的數(shù)目及block中cell的數(shù)目組成的高維向量供分類使用。本發(fā)明具有如下有益效果：1、本發(fā)明通過(guò)將傳統(tǒng)的糾錯(cuò)輸出編碼與分類器結(jié)合應(yīng)用到車(chē)型分類中，通過(guò)編碼的形式糾正由單分類器引起的偏差，以提高在多類問(wèn)題中有監(jiān)督方法的分類精度，將車(chē)型多類分類問(wèn)題轉(zhuǎn)換分解成多個(gè)兩類分類問(wèn)題進(jìn)行求解。不僅提高了車(chē)型識(shí)別的實(shí)用性和通用性，而且也為車(chē)型識(shí)別提出了一個(gè)新的解決思路，具有較高理論和實(shí)用價(jià)值。2、本發(fā)明不僅解決了現(xiàn)有技術(shù)存在的模型建立困難，理論支撐少，而且訓(xùn)練復(fù)雜度大等問(wèn)題，而且還保證分類精度。3、本發(fā)明的車(chē)型識(shí)別率都在99%以上，使得車(chē)型的平均識(shí)別率比單獨(dú)使用分類器的識(shí)別效果有明顯的提高。附圖說(shuō)明圖1是本發(fā)明基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法中車(chē)型識(shí)別流程圖圖2是本發(fā)明基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法分類結(jié)果投票圖；圖3是本發(fā)明基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法中HOG提取特征流程圖；圖4是本發(fā)明基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法中歸一化函數(shù)效果圖；圖5是本發(fā)明基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法中ECOC方法框架；圖6是本發(fā)明基于糾錯(cuò)輸出編碼的車(chē)型識(shí)別方法中基于ECOC的車(chē)型識(shí)別方法平均識(shí)別率。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施方式對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明?；诩m錯(cuò)輸出編碼的車(chē)型識(shí)別方法，包括車(chē)型特征提取、車(chē)型分類和分類結(jié)果評(píng)價(jià)。車(chē)型特征提取包括構(gòu)建訓(xùn)練樣本集、圖像處理和特征提??；車(chē)型分類包括編碼、分類訓(xùn)練和譯碼。特征提取包括：1、圖像歸一化處理。將整個(gè)圖像轉(zhuǎn)化為灰度圖，即通過(guò)伽馬（Gamma）標(biāo)準(zhǔn)式（1）轉(zhuǎn)化。I(x,y)＝I(x,y)gamma（1）其中，I(x,y)表示圖像中的像素點(diǎn)顏色信息；2、通過(guò)索貝爾（sobel）算法實(shí)現(xiàn)邊緣檢測(cè)和提?。菏紫龋?jì)算梯度幅值G。通過(guò)式（2）計(jì)算計(jì)算梯度幅值G。其中Gx(x,y)和Gy(x,y)分別表示x和y方向的梯度。其次，計(jì)算梯度方向θ。通過(guò)式（3）計(jì)算計(jì)算梯度方向θ。（3）式（3）中，將θ(pi,j)的取值范圍分成8個(gè)等分，以便將θ(pi,j)量化，。Pi,j表示樣本的像素點(diǎn)。最后，求θ(pi,j)的直方圖Ht。通過(guò)式（4），求以θ(pi,j)為直方圖的橫坐標(biāo)生成直方圖Ht。在式（4）中，3、基于梯度幅值的方向權(quán)重投影；將圖像窗口分成若干個(gè)小區(qū)域，這些區(qū)域被稱為“單元格”。然后將每個(gè)單元格中所有象素的一維梯度直方圖或者邊緣方向累加到其中。最后將這個(gè)基本的方向直方圖映射到固定的角度上，就形成了最終的特征。4、圖像梯度方向直方圖（HOG）結(jié)構(gòu)的中塊的特征向量歸一化。為使得塊內(nèi)特征向量空間對(duì)光照，陰影和邊緣變化具有魯棒性需通過(guò)歸一化實(shí)現(xiàn)，其歸一化通過(guò)式（5）實(shí)現(xiàn)。(ε是個(gè)很小的常值，避免分母為0)(5)其中v表示一個(gè)還沒(méi)有被歸一化的向量，它包含了給定區(qū)間的所有直方圖信息。||v||k表示v的k階范數(shù)，這里的k取1、2。用ε表示一個(gè)趨近于0的很小的常數(shù)。5、求解圖像梯度方向直方圖的最終特征向量。HOG結(jié)構(gòu)的基本單位都是塊（Block），每個(gè)塊（Block）都由若干單元（Cell）組成，一個(gè)單元都又由若干個(gè)像素點(diǎn)（Pixel）組成。將檢測(cè)窗口中所有重疊的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量（即由cell中直方圖通道的數(shù)目、block的數(shù)目及block中cell的數(shù)目組成的高維向量）供分類使用。編碼為：首先定義一個(gè)編碼矩陣Mk×n。其中M中每個(gè)元素的取值為{1，0，-1}，k代表類別空間S的大小，n為分類器的個(gè)數(shù)。M中的每一行對(duì)應(yīng)一個(gè)類別，而每一列則對(duì)應(yīng)于一個(gè)單分類器。N個(gè)分類器分別記為h1(x),h2(x),...,hn(x)。分類訓(xùn)練為：每一個(gè)單分類器對(duì)應(yīng)編碼矩陣Mk×n的每一列，按照編碼矩陣的劃分性質(zhì)，每一列均可看作是對(duì)樣本空間的二元切分。如果Mj×δ＝-1，把所有第j類的樣本都劃分為第δ個(gè)分類器hδ(x)的負(fù)例；如果Mj×δ＝1，把所有第j類的樣本都劃分為第δ個(gè)分類器hδ(x)的正例；如果Mj×δ＝0，把所有第j類的樣本在第δ個(gè)分類器hδ(x)的訓(xùn)練忽略。然后各個(gè)單分類器就按照這些新劃分的樣本集進(jìn)行訓(xùn)練。譯碼為首先，把預(yù)測(cè)樣本x送至各個(gè)單分類器，得到一個(gè)輸出向量H(x)＝(h1(x),h2(x),...,hn(x))然后，計(jì)算H(x)與編碼矩陣Mk×n的每一個(gè)行向量Mj(j＝1,2,...,k)之間的距離D(Mj,H(x))，通常采用漢明距離；取最小距離，作為預(yù)測(cè)的輸出。最后，對(duì)于編碼矩陣Mk×n，M中每個(gè)元素的取值為{1，0，-1}，訓(xùn)練時(shí)，當(dāng)s＝1,2,...,n，根據(jù)訓(xùn)練樣本數(shù)據(jù)和編碼矩陣(xi,M(yi,s)),i＝1,2,...,k，得到n個(gè)二元分類器fs（{f1,f2,...,fn}），對(duì)未知輸入x，產(chǎn)生預(yù)測(cè)向量f(x)＝{f1(x),f2(x),...,fn(x)}。設(shè)ρ為樣本的邊界函數(shù)，那么帶有編碼m(yi,s)∈{-1,1}的樣本xi在二元分類器f(x)的損失就是ρ(m(yi,s)fs(xi))，其中m(yi,s)=0的情況被忽略。如果預(yù)測(cè)樣本被認(rèn)為是第r類，則(x,r)應(yīng)該造成的總損失最小。即將總損失作為一種距離公式：M(r)代表碼本矩陣M中的第r行碼字。預(yù)測(cè)樣本x的預(yù)測(cè)標(biāo)簽如式9所示：其中M(r)代表碼本矩陣M中的第r行碼字，預(yù)測(cè)向量m(yi,s)∈{-1,1}。參照?qǐng)D1，本發(fā)明的基于糾錯(cuò)輸出編碼（ECOC）的車(chē)型識(shí)別方法，按照以下步驟實(shí)施：步驟1、車(chē)型特征提取1.1）構(gòu)建訓(xùn)練樣本集：建立數(shù)據(jù)集（采集樣本信息形成樣本數(shù)據(jù)庫(kù)）。1.2）圖像處理：圖像處理主要是進(jìn)行濾波、去噪等處理。1.3）特征提取：當(dāng)進(jìn)行車(chē)輛特征的提取時(shí)，由于無(wú)法保證進(jìn)行車(chē)型識(shí)別的車(chē)輛圖像都是在同一幾何和光照條件下成像，所以如果能夠在多個(gè)幾何和光照條件下進(jìn)行特征提取或者所采用的特征提取方法受幾何和光照條件影響小，就可以盡可能提取出準(zhǔn)確的特征，提高最終的識(shí)別效果。由于HOG具有對(duì)幾何和光照的旋轉(zhuǎn)不變性，故本發(fā)明采取HOG進(jìn)行車(chē)型特征提取，HOG提取車(chē)型特征的步驟如下：1.3.1）圖像歸一化，為了減少光照因素的影響，首先需要將整個(gè)圖像進(jìn)行規(guī)范化。在圖像的紋理強(qiáng)度中，局部的表層曝光貢獻(xiàn)的比重較大，所以，這種壓縮處理能夠有效地降低圖像局部的陰影和光照變化。因?yàn)轭伾畔⒆饔貌淮螅ǔＯ绒D(zhuǎn)化為灰度圖。伽馬（Gamma）標(biāo)準(zhǔn)轉(zhuǎn)化公式如式（1）所示：I(x,y)＝I(x,y)gamma（1）其中，I(x,y)表示圖像中的像素點(diǎn)顏色信息。我們針對(duì)幾種圖像像素點(diǎn)表示方法進(jìn)行了評(píng)估，評(píng)估方法包括：灰度信息、RGB和SHV顏色空間信息，并選擇性地進(jìn)行降冪處理。本文嘗試兩種不同方式的Gamma標(biāo)準(zhǔn)化：平方根和Log壓縮。這兩種方式都需在每個(gè)顏色空間的通道上進(jìn)行。經(jīng)過(guò)試驗(yàn)證明，平方根壓縮對(duì)于剛體對(duì)象（小汽車(chē)、公交車(chē)和面包車(chē)等）表現(xiàn)尤為優(yōu)越。1.3.2）索貝爾（sobel）算法來(lái)進(jìn)行邊緣檢測(cè)和提取1.3.2.1）計(jì)算梯度幅值G：通過(guò)式（2）計(jì)算計(jì)算梯度幅值G。其中Gx(x,y)和Gy(x,y)分別表示x和y方向的梯度。1.3.2.2）:計(jì)算梯度方向θ：通過(guò)式（3）計(jì)算計(jì)算梯度方向θ。式（3）中，將θ(pi,j)的取值范圍分成8個(gè)等分，以便將θ(pi,j)量化，Pi,j表示樣本的像素點(diǎn)。1.3.2.3）:求θ(pi,j)的直方圖Ht通過(guò)式（4），求以θ(pi,j)為直方圖的橫坐標(biāo)生成直方圖Ht。在式（4）中，1.3.3）基于梯度幅值的方向權(quán)重投影：將圖像窗口分成若干個(gè)小區(qū)域，這些區(qū)域被稱為“單元格”。然后將每個(gè)單元格中所有象素的一維梯度直方圖或者邊緣方向累加到其中。最后將這個(gè)基本的方向直方圖映射到固定的角度上，就形成了最終的特征。1.3.4)對(duì)block塊內(nèi)特征向量的歸一化使得特征向量空間對(duì)光照，陰影和邊緣變化具有魯棒性。歸一化主要是針對(duì)每一個(gè)block進(jìn)行的，一般采用的歸一化函數(shù)有以下四種：a)(ε是個(gè)很小的常值，避免分母為0)(5)b）L2-Hys（6）（方法同上，只是限制v的最大值到0.2，然后再次重新標(biāo)準(zhǔn)化）L1-norm,v←v/||v||1+ε(7)其中v表示一個(gè)還沒(méi)有被歸一化的向量，它包含了給定區(qū)間（block）的所有直方圖信息。||v||k表示v的k階范數(shù)，這里的k取1、2。用ε表示一個(gè)很小的常數(shù)。第一種歸一化函數(shù)即的效果最佳，故本文選取進(jìn)行車(chē)型特征向量歸一化。1.3.5)得出HOG最終的特征向量：將檢測(cè)窗口中所有重疊的塊進(jìn)行HOG特征的收集，并將它們結(jié)合成最終的特征向量（即由cell中直方圖通道的數(shù)目、block的數(shù)目及block中cell的數(shù)目組成的高維向量）供分類使用。步驟2、車(chē)型分類：車(chē)型分類主要由構(gòu)造分類器和車(chē)型分類組成，具體描述為：車(chē)型分類的過(guò)程可以簡(jiǎn)單的分為訓(xùn)練階段和分類階段，訓(xùn)練階段主要是分類器的學(xué)習(xí)階段，即構(gòu)造分類器；分類階段則是用訓(xùn)練過(guò)程得到的分類器對(duì)測(cè)試樣本進(jìn)行分類，即車(chē)型分類。分類過(guò)程主要是輸入測(cè)試樣本、對(duì)待分類的樣本進(jìn)行自動(dòng)的分類，為其確定所屬的正確的類別。構(gòu)造分類器的其實(shí)就是一種將多類分類問(wèn)題轉(zhuǎn)換分解成多個(gè)二類分類問(wèn)題來(lái)求解的典型代表。其主要思路是根據(jù)給定的樣本編碼矩陣，定義若干個(gè)二元切分，用多個(gè)二類的單分類器對(duì)每個(gè)切分進(jìn)行獨(dú)立求解，在預(yù)測(cè)階段再綜合各個(gè)單分類器的輸出和編碼矩陣的距離來(lái)判斷樣本的類別，具體步驟如下：2.1）編碼階段：首先定義一個(gè)編碼矩陣Mk×n。其中M中每個(gè)元素的取值為{1，0，-1}，k代表類別空間S的大小，n為分類器的個(gè)數(shù)。M中的每一行對(duì)應(yīng)一個(gè)類別，而每一列則對(duì)應(yīng)于一個(gè)單分類器。N個(gè)分類器分別記為h1(x),h2(x),...,hn(x)。一個(gè)好的一個(gè)好的糾錯(cuò)輸出編碼必須滿足以下三個(gè)條件：①編碼矩陣的行之間不相關(guān)。盡量使行與行之間的漢明距離最大,以便使糾錯(cuò)碼有更強(qiáng)的糾錯(cuò)能力；②編碼矩陣的列之間不相關(guān)且不互補(bǔ)。盡量使列與列、各列的補(bǔ)集的漢明距離最大,以此來(lái)削弱分類器間的相關(guān)性，當(dāng)列與列之間的距離相似或相同時(shí),對(duì)應(yīng)的分類器也會(huì)相似或相同,當(dāng)出錯(cuò)時(shí)它們就會(huì)同時(shí)產(chǎn)生相似或相同的錯(cuò)誤,而ECOC糾錯(cuò)能力有限,如果同時(shí)有很多錯(cuò)誤,ECOC將無(wú)法對(duì)其修正。之所以還要強(qiáng)調(diào)列的補(bǔ)集,是因?yàn)閷?duì)于很多二元分類器而言,根據(jù)某個(gè)碼字訓(xùn)練得到的分類器和根據(jù)此碼字的補(bǔ)集訓(xùn)練得到的分類器是一樣的。③對(duì)于K類分類問(wèn)題，編碼長(zhǎng)度N必須滿足log2k＜N＜2k-1-1。④如果一組ECOC碼本的最近漢明距離為d，那么它可以至少糾正位錯(cuò)誤。也就是說(shuō)即使有個(gè)分類器的判別結(jié)果出現(xiàn)錯(cuò)誤，該分類系統(tǒng)最后還是能給出正確的分類結(jié)果。顯然，ECOC碼本的好壞直接與行的分離程度有關(guān)。而對(duì)列分離的好處并不那么明顯。以一個(gè)10類分類問(wèn)題為例，取碼長(zhǎng)為15,糾錯(cuò)碼編碼矩陣如表1所示。表110個(gè)類別的15位糾錯(cuò)碼本2.2）、分類訓(xùn)練階段：每一個(gè)單分類器對(duì)應(yīng)編碼矩陣Mk×n的每一列，按照編碼矩陣的劃分性質(zhì)，每一列均可看作是對(duì)樣本空間的二元切分。如果Mj×δ＝-1，把所有第j類的樣本都劃分為第δ個(gè)分類器hδ(x)的負(fù)例；如果Mj×δ＝1，把所有第j類的樣本都劃分為第δ個(gè)分類器hδ(x)的正例；如果Mj×δ＝0，把所有第j類的樣本在第δ個(gè)分類器hδ(x)的訓(xùn)練忽略。然后各個(gè)單分類器就按照這些新劃分的樣本集進(jìn)行訓(xùn)練。訓(xùn)練樣本集的步驟如下：2.2.1）對(duì)待分類樣本的類別（Label）進(jìn)行編碼，把所有的目標(biāo)分類隨機(jī)劃分為A、B兩部分，把劃分到A的那些實(shí)例的標(biāo)號(hào)改成0，其它實(shí)例的標(biāo)號(hào)改成1，構(gòu)造表2所示的編碼矩陣表；2.2.2）把編碼矩陣中的每一列作為輸入，對(duì)于第j列,將該列中碼“0”對(duì)應(yīng)的所有類別的數(shù)據(jù)歸為一類,碼“1”對(duì)應(yīng)的所有類別的數(shù)據(jù)歸為一類,以此來(lái)構(gòu)造一個(gè)二元分類器。用更改標(biāo)號(hào)以后的訓(xùn)練集來(lái)訓(xùn)練該二值分類器。重復(fù)這個(gè)過(guò)程10次則產(chǎn)生了10個(gè)不同的二值分類器，實(shí)驗(yàn)過(guò)程中分別用KNN和RF這二種分類器來(lái)對(duì)樣本進(jìn)行訓(xùn)練；2.2.3）對(duì)分類結(jié)果采取投票的方式，即分類結(jié)果如果是1，則將劃分到對(duì)應(yīng)分類器的B部分的目標(biāo)分類投一票，最后目標(biāo)分類票數(shù)最高的作為最終的分類結(jié)果。表25×10編碼矩陣待檢測(cè)圖像的分類識(shí)別過(guò)程如下：對(duì)將待識(shí)別的目標(biāo)提取HOG特征，對(duì)于其提取出的特征向量依次輸入到10個(gè)分類器中得到一組編碼，對(duì)該編碼進(jìn)行投票。這里以KNN分類器為例，其方法如下：對(duì)于輸出結(jié)果按照表1進(jìn)行投票，即：如果KNN1輸出的結(jié)果為1，則對(duì)對(duì)應(yīng)的類標(biāo)（類4、類5）加1票，否則對(duì)其余三類加1票；如果KNN2輸出的結(jié)果為1，則對(duì)對(duì)應(yīng)的類標(biāo)（類1、類5）加1票，否則對(duì)其余三類加1票；依次類推，最終五個(gè)類標(biāo)中票數(shù)最高的類就是該圖像的分類結(jié)果。具體分類投票過(guò)程如圖2所示2.3）譯碼階段：由ECOC框架圖5可知，分類的過(guò)程可以看作是一個(gè)譯碼操作，目前所使用的譯碼器有基于漢明距離譯碼和基于損失策略譯碼。2.3.1）基于漢明距離譯碼描述如下：2.3.1.1）把預(yù)測(cè)樣本x送至各個(gè)單分類器，得到一個(gè)輸出向量H(x)＝(h1(x),h2(x),...,hn(x))；2.3.1.2）計(jì)算H(x)與編碼矩陣Mk×n的每一個(gè)行向量Mj(j＝1,2,...,k)之間的距離D(Mj,H(x))，通常采用漢明距離；2.3.1.3）取最小距離，作為預(yù)測(cè)的輸出。2.3.2）最小漢明距離法完全忽略了預(yù)測(cè)H(x)的可信度，采用基于損失策略譯碼方法不但將可信度考慮在內(nèi)，同時(shí)使用了漢明距離中忽略的損失函數(shù)。對(duì)于編碼矩陣Mk×n，M中每個(gè)元素的取值為{1，0，-1}，訓(xùn)練時(shí)，當(dāng)s＝1,2,...,n，根據(jù)訓(xùn)練樣本數(shù)據(jù)和編碼矩陣(xi,M(yi,s)),i＝1,2,...,k，得到n個(gè)二元分類器fs（{f1,f2,...,fn}），對(duì)未知輸入x，產(chǎn)生預(yù)測(cè)向量f(x)＝{f1(x),f2(x),...,fn(x)}。設(shè)ρ為樣本的邊界函數(shù)，那么帶有編碼m(yi,s)∈{-1,1}的樣本xi在二元分類器f(x)的損失就是ρ(m(yi,s)fs(xi))，其中m(yi,s)=0的情況被忽略。如果預(yù)測(cè)樣本被認(rèn)為是第r類，則(x,r)應(yīng)該造成的總損失最小。即將總損失作為一種距離公式：M(r)代表碼本矩陣M中的第r行碼字。預(yù)測(cè)樣本x的預(yù)測(cè)標(biāo)簽如式9所示：（9）其中M(r)代表碼本矩陣M中的第r行碼字，預(yù)測(cè)向量m(yi,s)∈{-1,1}步驟3、分類結(jié)果評(píng)價(jià)：分類結(jié)果評(píng)價(jià)是通過(guò)計(jì)算分類精度并用分類評(píng)估函數(shù)對(duì)分類的結(jié)果進(jìn)行評(píng)價(jià).本發(fā)明通過(guò)將傳統(tǒng)的糾錯(cuò)輸出編碼與分類器結(jié)合應(yīng)用到車(chē)型分類中，通過(guò)編碼的形式糾正由單分類器引起的偏差，以提高在多類問(wèn)題中有監(jiān)督方法的分類精度，將車(chē)型多類分類問(wèn)題轉(zhuǎn)換分解成多個(gè)兩類分類問(wèn)題進(jìn)行求解。不僅解決了某些分類實(shí)例中，存在模型建立困難，理論支撐少，而且訓(xùn)練復(fù)雜度大等問(wèn)題而且還保證分類精度。實(shí)施例中選取小轎車(chē)及SUV車(chē)輛圖像各50幅，外加卡車(chē)、面包車(chē)及大巴車(chē)圖像各20幅，分別對(duì)基于ECOC-KNN分類方法和基于ECOC-RF分類方法進(jìn)行100次迭代，其分類正確率曲線如圖6所示。圖6表示了ECOC-KNN方法在100次迭代后的識(shí)別率統(tǒng)計(jì)曲線，由圖6可看出，使用ECOC與分類器結(jié)合使用的方法，對(duì)車(chē)型的平均識(shí)別率比單獨(dú)使用分類器的識(shí)別效果有明顯的提高，不論是ECOC-KNN還是ECOC-RF的車(chē)型識(shí)別率都在99%以上。表3表示了該方法對(duì)車(chē)型進(jìn)行識(shí)別所耗費(fèi)的平均時(shí)間及識(shí)別率。表3、基于ECOC-KNN的車(chē)型識(shí)別方法所耗費(fèi)的平均時(shí)間及平均識(shí)別率方法耗費(fèi)時(shí)間平均值（s）識(shí)別率（%）ECOC-KNN0.006599.64ECOC-RF0.812399.21對(duì)于常用的分類器方法和本發(fā)明進(jìn)行比較，表4是這兩種方法在平均識(shí)別率和耗費(fèi)平均時(shí)間這兩種性能對(duì)照表。表4、不同方法識(shí)別所耗費(fèi)的平均時(shí)間及平均識(shí)別率的對(duì)比表4列出了本文改進(jìn)的基于ECOC方法和傳統(tǒng)基于分類器方法在不同的分類器條件下進(jìn)行車(chē)型識(shí)別所耗費(fèi)的平均時(shí)間和平均識(shí)別率。從表4可以看出，本文采用的改進(jìn)后方法的平均識(shí)別率要高于傳統(tǒng)方法；在耗費(fèi)平均時(shí)間上，除了RF（由于RF每一次地迭代都需要獲取其葉子節(jié)點(diǎn)、根節(jié)點(diǎn)等做遞歸，所以耗費(fèi)時(shí)間較長(zhǎng)）外都低于傳統(tǒng)方法。本發(fā)明首先采用圖像梯度直方圖（HOG）進(jìn)行圖像特征提取，然后將糾錯(cuò)輸出編碼（ErrorCorrectingOutputCoding，ECOC）應(yīng)用到分類器分類中，將多類分類問(wèn)題轉(zhuǎn)化成多個(gè)兩類分類問(wèn)題。此方法不僅在車(chē)型識(shí)別的實(shí)用性以及通用性上有所提高，同時(shí)也為車(chē)型識(shí)別的難題提出了一個(gè)新的解決思路，具有較高理論和實(shí)用價(jià)值。