[发明专利]基于GPU实现PSO-SVM对道路标志的识别方法

说明书

技术领域

本发明涉及支持向量机道路限速标志识别方法，属于智能交通领域，具体涉及利用GPU实现自适应变异粒子群优化支持向量机的道路限速标志识别方法。

背景技术

道路限速标志识别是智能交通研究的一个重要分支，有两方面的作用：第一，管理交通；第二，引导和警告驾驶者。道路限速标志的自动识别，有利于提高车辆的主动安全性能。道路限速标志识别主要包括两个基本的技术环节：（1）限速标志的检测，包括限速标志的定位及图像预处理；（2）限速标志的识别，包括限速标志的特征提取与分类。

随着计算智能技术的发展，模板匹配、人工神经网络等方法已在限速标志识别领域得到了成功的应用。基于结构风险最小化准则的支持向量机SVM（Support Vector Machine）对道路标志进行识别，具有良好的泛化能力和较高的识别能力，能够有效避免经典机器学习方法中存在的维数灾难、局部极小、过学习等问题。在SVM分类器中，其相关参数的设置对SVM的识别性能有着决定性影响。

粒子群优化算法(PSO)是由Kenned和Eberhart在1995年的IEEE国际神经网络学术会议上提出的一种基于群体智能方法的演化计算技术。与其他演化算法如遗传算法、蚁群算法比较，粒子群算法实现容易、参数较少，具很强的局部和全局搜索能力，可应用于大量非线性、多峰值的复杂问题的优化。近年来，粒子群优化算法已成功应用于函数优化、神经网络训练、模式识别、模糊系统控制等多个科学与工程领域。

为了避免粒子群优化算法存在的早熟收敛和精度差等局限，众多研究人员相继提出了多种改进措施，改进的方法主要表现为参数改变、粒子群初始化方法改进、进化方程改进和混合策略等。在解决计算速度慢的问题上，大多采用并行处理的方法。近年来，计算机图形处理器GPU（Graphics processing unit）绘制流水线的高速度和并行性以及近年来发展起来的可编程功能，使其在通用计算领域的应用有着巨大潜力。与CPU相比，GPU呈现出了许多优点。首先，GPU计算速度比CPU快。GPU投入更多晶体管去处理数据而不是数据缓存和流控制，这样能够进行每秒更多次的浮点计算；其次，GPU更适合大规模的密集型数据并行计算。它特别适合解决具有较高算法强度且可以被表达为并行数据计算的问题，通过将此类问题细分成众多数据元素然后并行执行，将具有更高的算术操作与存储操作之比。

本发明利用统一计算设备架构(compute unified device architecture, CUDA)，在GPU上实现了一种自适应变异粒子群优化算法对SVM的参数进行优化，并应用到道路限速标志的识别中。

发明内容

本发明针对现有技术存在的上述问题，在GPU上实现自适应变异粒子群优化支持向量机的道路限速标志识别，通过自适应变异粒子群优化支持向量机的参数提高道路限速标志的识别率，同时利用GPU加速自适应变异粒子群优化支持向量机参数的运行速度。

本发明解决上述技术问题所采用的技术方案是，提出一种基于GPU实现粒子群优化支持向量机对道路限速标志识别的方法，其特征在于，包括步骤：对道路限速标志进行二值化特征提取，得到的特征向量作为道路限速标志识别的样本数据库，从中随机选取一部分作为训练集，另一部分作为测试集；将CPU上的初始化种群拷贝到GPU的全局存储器中，映射种群中粒子为支持向量机道路限速标志识别模型中径向基核函数的宽度参数g和误差惩罚参数C；优化支持向量机道路限速标志识别模型中径向基核函数的宽度参数g和误差惩罚参数C，建立粒子群优化支持向量机道路限速标志识别模型；输入样本训练支持向量机道路限速标志识别模型，对训练集进行交叉验证的准确率作为适应度函数；获得最优位置适应度确定全局最优值Pg，将P_g映射为支持向量机道路限速标志识别模型的径向基核函数的宽度参数g和误差惩罚参数C，并从GPU传回到CPU作为优化结果输出，获得的识别率最高的训练模型去识别待识别样本。具体步骤如下：