基于层叠分类器集的车辆类型可靠分类

基于图像的车辆类型识别是一项具有挑战性的任务。本文比较研究了两种图像描述的特征提取方法，即Gabor小波变换和方向梯度金字塔直方图（PHOG）。Gabor变换在提取图像特征方面被广泛采用，适用于各种视觉任务。PHOG在描述更多判别信息方面具有优势。提出了一种高度可靠的分类方案，通过具有拒绝选项的层叠分类器集来处理在存在足够模糊性时不应作出决定的情况。第一个集成是异构的，由多个分类器组成，包括k最近邻（kNN）、多层感知机（MLP）、支持向量机（SVM）和随机森林。第二个分类器集成进一步增强了分类的可靠性，该集成由一组基MLP组成，并通过一种称为旋转森林（RF）的集成元学习方法进行协调。对于这两个集成，拒绝选项是通过将多数投票的共识程度与置信度度量相关联来实现的，并且在共识程度低于阈值时不分类模糊样本。最终的类别标签通过两个集成的双重多数投票分配。使用来自21个汽车和货车品牌的600多张图像的实验结果证明了所提出方法的有效性。层叠集成始终产生可靠的结果。在第二个集成中，适度的集成大小为25，双阶段分类方案提供了98.65%的准确率和2.5%的拒绝率，展示了在现实世界应用中的良好潜力.