基于信息融合的运动目标多分类模型研究评估

沙特国王大学学报基于信息融合的运动目标多分类Bouchra Honnita， Mr. Khaoula Belhaj Soulamia，Mohamed Nabil Saidib，Ahmed Tamtaouiaa摩洛哥拉巴特国家邮电研究所多媒体、信号和通信系统，邮政编码：10112b摩洛哥拉巴特国家统计和应用经济研究所（INSEA）SI2M统计学，邮政编码：10112阿提奇莱因福奥文章历史记录：收到2019年2020年2月27日修订2020年5月7日接受2020年5月15日网上发售保留字：移动物体分类多分类视频监控系统分数级融合后期融合T-连续算子A B S T R A C T提出了一种基于数据融合的视频监控多分类模型。首先，提取特征然后，分别使用每个特征进行预分类其次，得到的后验概率，结合使用的T-连续算子。最后，应用最大最小值来确定每个检测对象的标签.我们的模型的性能使用两个公共数据集进行了评估。此外，所使用的类和特征的数量是不同的，以验证我们的模型的效率。实验结果表明，该模型将SVM的分类准确率提高到99%以上，优于其他方法。©2020作者（S）。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍移动对象分类在诸如事件理解的许多计算机视觉应用中起着重要作用（Chapman等人，2019; Cheng等人，2019年; Xu等人，2019），人类动作识别（Zhang和Tao，2019; Avola等人， 2019年; Liu等人，2019），车辆跟踪（Zhao等人，2019; Kwan等人，2019; Cui等人，2019）和智能视频监控系统（Karthikeswaran等人， 2019; Muchtar等人， 2019; Savvides等人，2019年）。它的目的是确定类别，也称为标签，基于两个主要步骤的检测对象。首先，使用检测到的移动对象的边界框、轮廓、纹理或移动矢量来提取一个或多个特征。其次，它们被馈送到定义的分类器，以指定每个对象的类。然而，由于现实世界的限制和动态天气条件（例如雨天，高照明，相机移动），这是一项具有挑战性的任务。此外，分类过程应该对对象的尺度、平移和旋转变化具有鲁棒性。*通讯作者。电子邮件地址：honnit@inpt.ac.ma（B. Honnit）。沙特国王大学负责同行审查制作和主办：Elsevier为了提高分类精度，研究者们提出了几种方法，即定义新的特征，将多个特征和分类器相结合，用二分类代替多分类。然而，对于视频监控系统的情况下，只使用两个类是不合适的，因为几个对象在摄像机前面通过。另一方面，组合几个特征会导致高维矩阵，这将显著增加计算时间。因此，在这项研究中，我们提出了一个新的模型，运动目标多分类的基础上后期融合使用的T-contrast算子。本文的结构安排如下：第二部分首先回顾了相关的研究工作。第三部分是背景理论。在第4节中，我们描述了所提出的模型。然后在第5节中，我们给出了将在第6节中讨论的所得结果。最后给出结论。2. 相关作品在我们的知识中，关于监控视频中的移动对象的分类准确性的改进的现有技术可以分为两个主要类别，基于特征的方法和基于分类器的技术。现将现有的研究成果介绍如下：现有的基于特征的方法包括应用新的特征或组合特征或选择相关特征。在目前的文献中，运动目标分类中最常用的特征可以分为基于形状的特征、纹理特征、运动目标分类和运动目标分类。https://doi.org/10.1016/j.jksuci.2020.05.0031319-1578/©2020作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.com公元前1220年Honnit等人 /沙特国王大学学报-计算机与信息科学34（2022）1219- 1230基于特征和基于运动的特征。 Jabri等人（2018）提出了一种用于车辆检测和分类的实时系统。作者使用Canny边缘检测方法从检测到的车辆中提取形状信息，然后将其分类为汽车或自行车。Patil和Nandyal（2013）使用Canny边缘检测器从交通监控视频中检测到的车辆然后使用神经网络模型将提取的Sehairi等人（2018）提出了一种老年人跌倒系统。作者还使用形状特征来提取老年人跌倒的轮廓信息。基于纹理的描述符也被广泛用于运动目标的检测和分类。Al Jarouf和Kurdy（2018）提出了一种用于车辆碰撞检测的系统。作者从检测到的车辆碰撞中提取Haar-Like特征，然后使用它们来训练预训练SVM分类器。 Luo等人（2019）还使用Haar特征和SVM分类器进行汽车检测。作者的方法侧重于优化硬件权衡，这依赖于最小化存储器资源和最大化处理速度和识别精度之间的权衡基于运动的特征也被广泛用于运动目标的检测。例如，Saeed等人（2019）使用低秩稀疏聚合通道特征（SACF）在监控视频中进行人员识别然后，作者进行了基于SVM分类器的分类过程。Wang et al.（2019）使用多个时空特征进行监控视频中的车辆检测。改进了特征提取算法、时空样本一致性算法。前面提到的方法集中在一个特定的问题，lem，它需要对一个或两个移动对象进行分类。在这种情况下，类的数量不能超过一个或两个，因为一种类型的特征将无法保存关于检测到的对象的足够信息。为了解决这个问题，一些研究人员依靠组合 多 个 特 征 来 获 得 检测 到 的 对 象 的 足 够 描 述 和 信 息 。 例 如 ，Bogomolov等人（2003）使用形状和运动特征的组合来检测自然和现实生活中的移动目标。作者使用SVM分类器测试了提取的特征，并展示了两类特征的组合如何Alamgir等人（2018）提出了一种新的检测功能监控录像中的烟雾该特征基于纹理局部二进制同现描述符和基于颜色的RGB多通道特征的组合然后将提取的特征馈送到支持向量机（SVM）分类器。为了更好地识别动作，Ikizler-Cinbis和Scaroff（2010）提出了一种基于从检测到的人，物体和场景中提取的特征组合的方法。视频中的动作通过将特征输入到多实例学习（MIL）范式中来识别。Mahalingam和Subramoniam（2018）使用了基于纹理和基于质量的特征。这些特征被合并并在决策树分类器上进行测试。将该方法的分类结果与其他两种分类器K-近邻（KNN）和多层感知器（MLP）进行比较功能的组合并不能帮助所有的时间得到最佳分类精度。在大多数情况下，我们得到冗余和重复的信息，从合并的功能使用一个简单的组合方法。就分类的处理时间而言，这可能是昂贵的。为了应对这些缺点，一些技术依赖于特征选择方法来提取尽可能多的简洁和信息丰富的特征。例如，Laopracha等人（2019）提出了一种在车辆检测中选择方向梯度直方图（HOG）相关模式的方法。 实际上，HOG方法生成这两者都是冗余的和模糊的，这可能使分类过程产生偏差。作者使用不同的分类器测试了所选的特征，包括支持向量机、K最近邻、随机森林和深度神经网络。最近，元启发式算法已经用于许多领域（Soulami等人，2018;Soulami等人，2019; Soulami等人，2017; Soulami等人，2016年），包括移动对象检测（Vijayan和Ramasundaram，2019年;Lee 等 人 ， 2015 年 ， 特 别 是 在 功 能 选 择 阶 段 。 例 如 ， Jemilda 和Baulkani（2018）提取了用于移动对象分类的多个特征，包括基于形状的特征，加速鲁棒特征（SURF），基于纹理的特征，增强局部矢量模式（ELVP）和基于颜色的特征，梯度直方图（HOG）。然后，作者使用元启发式技术，遗传算法（GA）的特征选择，以减少维数，并产生与前面提到的描述符相关的特征。Shi等人（2018）将元启发式算法遗传算法（GA）和禁忌搜索（TS）结合起来，用于对象检测中的特征选择。利用TS算法解决了遗传算法的早熟收敛问题。然后，提供给SVM分类器。Mohamed et al.（2019）提出了一种新的元启发式算法，用于移动对象检测中的特征选择。他们提出的方法称为寄生-在前面提到的所有文件中，我们不知道是哪一个。特征对探测和识别特定目标或类别贡献最大。我们也不知道选择每个功能背后的原因。事实上，一个特征可能是相关的，有助于检测一个物体，但可能无法识别其他物体，因为它可能比其他物体更好地描述了该目标。因此，一些研究者将注意力集中在组合和合并分类器的决策，而不是处理特征选择优化。例如，Zhao等人（2014）提出了一种用于行人检测的多分类器融合。提取方向梯度直方图（HOG）特征来描述行人和非行人。作者利用主成分分析（PCA）技术对提取的特征进行降维处理，以减少处理时间并保持相关特征。然后基于三个分类器的融合执行分类过程，包括支持向量机（SVM），朴素贝叶斯和最小距离分类器。Wei等人（2019）提取了Haar和HOG特征来描述多车辆特征。然后使用级联结构的AdaBoost分类器对多车辆进行分类，并使用SVM分类器进行进一步精确的目标检测。最近，随着突破性的人工智能技术的出现。深度学习模型越来越受到致 力于运动 对象检 测和分 类的作者 的关注 。例如 ，Chen等人（2019）提出了一种新型的分布式视频监控系统。 该系统基于深度学习模型，减少了庞大的网络通信，并解决了与并行训练和模型同步相关的问题。Sun等人（2019）还提出了一种基于卷积神经网络和一类支持向量机（SVM）分类器的端到端深度学习分类器。该算法简化了求解过程的复杂度，并能获得全局最优解.此外，在模型中使用的损失函数来自一个单类支持向量机（SVM）分类器，用于优化所提出的模型的参数。虽然深度学习方法优于使用机器学习算法的方法，但不幸的是，遇到了一些问题，并恢复如下：i;ji;j第1页i;ji;j第1页B. Honnit et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1219-12301221深度学习模型基于特定的图像大小。研究人员提出了使用重新施胶层。然而，他们证明，通过调整图像大小，信息变得无用，信息量减少;● 需要工作站机器来训练深度学习模型;比较了两种融合方法（FMR）：基于概率方法的融合规则和多数表决规则。基于概率的规则该方法基于组合分类器提供的分数，其为后验概率srk <$s k<$P<$xkj x kj。其中，Pxkjxk是后-否则执行时间变得很长;数据越大，深度学习模型的性能就越好然而，这些庞大的数据由源k使用特征si;j提供的类wk的先验概率。有三种方法可以组合这些概率：在视频监控系统领域尚不存在。MK● 中位数规则（平均值）：maxk 1;···;cmedj1Pxkjxi;j●求和规则：maxk<$1;···;crj<$1MPxkjxkK3. 背景理论3.1. 信息融合信息融合是将来自多个来源的数据进行组合，以改善决策。通常情况下，● 最小规则：最大k<$1;···;c最小j<$1P<$xk jxi;j在我们的研究中，我们研究了中位数规则。多数表决规则是最简单的融合方法。它包括计算每个类出现的次数，获胜的类w类是出现最多的类。它适用于四个层次：● 传感器级：结合不同来源的原始数据;wclass¼ argmax其中：k¼1;···;cRMajQjkð1Þ● 特征级：将提取的特征进行组合●（1，如果p;82>公元1222年Honnit等人 /沙特国王大学学报-计算机与信息科学34（2022）1219- 1230（1960）; Schweizer，1983.已经观察到，选择合适的T-算子可以大大提高所使用的系统的性能。T-contrast运算符用于计算集合的并集。 从数学上讲，它是一个双位函数T：½0;1]×½0;1]-！1/20;1]，定义 通过Sx;y1-T1-x;1-y下一个操作包括融合每个特征和每个检测到的对象的概率。因此，所有可能的pk对都使用T-连续算子融合（即，第3节），称为第10i项;第10k项，其中：项目k k它是结合的、可交换的，以0为单位，并且在每个位置都不减。T-凝聚算子有几种定义然而，在我们的研究中，我们只选择了非常知名的表1。4. 该模型如图1所示，我们的系统从移动对象检测步骤开始，并以分类过程结束。在第一步中，提取每个移动对象。然后，在第二步中指定其对应的标签。事 实 上 ， 检 测 过 程 是 基 于 我 们 之 前 发 表 的 工 作 Honnit et al.（2016），其中我们考虑了五个连续帧来计算边缘（E）和运动显著性S图。它们分别使用欧几里德距离和图像间差异来计算。然后，通过应用逻辑或来计算E和S的组合。该过程提取运动对象的轮廓，将用于计算不同的特征。分类过程包括两个步骤，即特征提取和标签精度。如第2节所述，文献 中 存 在 几 个 特 征 。 然 而 ， 根 据 我 们 的 基 准 研 究 Honnit et al.（ 2018 ）， 选 择了 多 分 类 的 最有 效 特 征 。这 些 特 征 是 质心 距 离（CD）、中心矩（CM）、Zernike矩（ZM）、四阶矩（Four-i;k2½1; 7];8j;l2½ 1;n];j第i个检测对象的标签是所有获得的项目值的最大值。计算过程如图2所示，伪代码如算法1所示。算法1融合所获得的属于1的概率：n<$theberoftheusedfeature2：k←使用类的索引3：p←检测到的数据库4：对于i¼1：p5：最大等级：1/46：第一班获胜7：提取n个特征8：对于j1：n9：进行预分类10：计算后验概率11：结束12：对于d¼1：k13：最大值项目<$014：对于j<$1：n15：对于l1：n16：如果j17：值¼T-连续值d;pd更详细的描述符（FD）、直方图定向梯度（HOG）、水平和垂直投影（HV-P），以及形态特征（MF）（即，人体测量学、紧凑性、坚固性或凸性、纵横比）。这些提取的特征在下一步中被馈送到所使用的分类器。考虑到p个检测到的对象和在步骤1中计算的n个特征，分别使用每个特征对每个检测到的对象进行分类，这给出了p×n的概率矩阵，18：如果值>最大值19：最大¼V值第20章：我的天21：如果结束22：如果结束23：结束24：结束i;ji;l其中PBi;j是属于使用特征j检测对象i。PBi;j中的每个元素pk是检测到的对象i属于类别k使用特征j。 考虑到第i个检测到的对象及其属于PB ij的概率 Jn，其中：8>classs1：p1;p1;· ··;p1;9>i;1i;2i;n25：ifmaximum>maximumClass26：最大值最大值等级1/4第27章：我的天28：如果结束二十九日：端30：将winningClass分配给第i个对象i;1>i;2i;n>31：结束PB<第2类：P2P2; P2;.. . ; p2=4··· ·;： classk：pk;pk;···;pk;图二.融合手术。：刘伟B. Honnit et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1219-123012235. 实验结果在我们的实验研究中，我们使用了两个数据集，公共数据集（Dataset，2014）（D1）和（UCF，2018）（D2）。我们从D1中选择了八个从D2开始，我们使用包含41个视频的普通视频类别。使用的视频样本如图所示。3.第三章。首先从两个数据集中检测和提取运动对象。所获得的结果的样本示于图4中。实验在处理器Intel（R）Core（TM）i7、CPU 2.81 GHZ和12 RAM下并使用Matlab在我们的实验测试中，我们研究了支持向量机（SVM）和K-最近邻（KNN）两种多分类器.它们在视频监控领域以其简单性和高性能而闻名。它们的参数使用基本的遗传算法进行调整，表2中为了评估我们的方法的鲁棒性，我们使用了不同数量的类和特征。在我们的实验测试中使用的类是：3类（3C）：人（人）、车辆（车辆）和其他;5类（5C）：人（人）、车辆（车辆）、其他、骑自行车的人（HB）和一组物体（grpO）;7类（7C）：人（人）、车辆（车）、人组（grpH）、自行车中的人（HB）、车辆组（grpV）、物体组（grpO）和其他。基于特征的感知归属，构建了以下组：● 3个特征（3F）：MF、HV-P、ZM;● 5个特征（5 F）：H-VP、MF、ZM、HoG、CD;● 7个特征（7 C）：H-VP、MF、ZM、HoG、CD、CM、FD。5.1. 古典分类如前所述，运动对象分类的经典方法包括使用一个或两个特征和一个分类器。基于分类准确率（CAR）比较所获得的结果。SVM分类器的性能优于KNN分类器FD、HoG、HV-P和MF特征。相反，当使用CD、CM和ZM特征时，KNN分类器优于SVM分类器。这是由所用特征的性质解释的。SVM和KNN分类器之间的共同结果是，分类精度显着下降时，类的数量增加。从表5和表6中可以看出，当使用D2数据集时，与其他特征相比，ZM特征没有给出高精度。5.2. 融合方法为了评估我们的模型的性能，并验证其对类数变化的鲁棒性，图三.使用的视频样本。(a)公共图书馆2014。(b)UCF-Crime数据集。见图4。 使用我们的混合方法进行运动物体检测所获得的结果的样本。(a)公共图书馆2014。(b)UCF-Crime数据集。●●●1/4：公元1224年Honnit等人 /沙特国王大学学报-计算机与信息科学34（2022）1219- 1230表2分类器参数。SVM KNN核函数：多项式距离：欧几里得多项式阶数：3邻居数：5核缩放：自动距离权重：1长方体约束：1英文名：One vs One和特征，我们进行了两个实验。在第一个实验中，我们固定了特征的数量，并改变了类的数量，即，我们计算3、5和7类的CAR。在第二个实验中，我们将类的数量固定为五个，并改变特征的数量，即，3、5、7个特征。第一个测试的目的是我们比较的经典融合方法对我们提出的方法使用的准确性指标的性能。而在第二个测试中，我们使用召回率和精确率指标。它们的定义如下：精确度和回忆度其中TP;FP;FN分别是分类良好的k类对象、分类良好的其他类对象、分类错误的对象其他类。在下文中，查准率和查全率将用Prcs和Rcl来表示。测试1：通过分析表7和表8，我们发现SVM比KNN表现出更好的性能所使用的T-融合算子优于其他融合方法（即，第3节），大约10%的SVM分类器和3%的KNN分类器。事实上，Probably和Luka算子对类数的增加表现出很高的鲁棒性，与Zadeh和Einstein相反，相差0.04%。根据表9和表10中给出的结果，我们的模型在D1和D2数据集上显示出大致相同的性能和结果。测试2：如表11和表12所示，当类的数量等于3时，概率运算符不能对其他类型的对象进行当类的数目等于5和7时，同一类型不被分类bicyHuman类型的对象在使用七个类时没有分类这是解释的事实，有一个混乱的模式bicyHuman与模式的一组对象。然而，我们的模型表现出良好的性能相比，其他融合技术。使用D2数据集获得的结果，即，表13和14证实了我们的方法模拟了其他融合方法，并证明它能够改善分类结果。表3CAR使用SVM和D1.（%）CDCMZMFD生猪HV-PMF3C67.508780797291.45855C66.9086.5079787188827C64.7285787769.838681.50表4CAR使用KNN和D1。（%）CDCMZMFD生猪HV-PMF3C63.4088.0885.1067.6071.8090.7084.305C61.558583.1065.7069.1087.7082.937C60.318481.8863.0267.8585.4180.81表5CAR使用SVM和D2.（%）CDCMZMFD生猪HV-PMF3C67.8288.2379888092885C67.908779787587.08867C65.1285.447679.17738681.87表6CAR使用KNN和D2。（%）CDCMZMFD生猪HV-PMF3C648885.10687190.87855C62.7286.50846668.1288837C618381.8863.15668479表7CAR使用SVM和D1.（%）是说MVT-连续算子ZadehProbLukaEin3C89.7899.9199.9799.9799.9199.975C96.4691.0198.2399.9799.9799.87C98.8288.5298.1699.9399.9398.5B. Honnit et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1219-12301225表8CAR使用KNN和D1。（%）是说MVT-连续算子ZadehProbLukaEin3C79.3279.9381.4480.8281.5181.785C78.3678.6278.7581.4480.4680.797C75.8876.3476.4778.9678.5179.10表9CAR使用SVM和D2.（%）是说MVT-连续算子ZadehProbLukaEin3C9899.959999.1299.8599.445C9892.1898.509999.12997C9690.5298.14999999表10CAR使用KNN和D2。（%）是说MVT-连续算子ZadehProbLukaEin3C80.2180.4181.7581.7881.4881.715C8080.2081.0281.448180.507C798080818080此外，KNN无法分类除人和车辆类型的对象之外的其他类型。使用5个特征重复相同的测试（测试2），以评估我们的模型对非信息性的鲁棒性。使用质心距离（CD）描述符（表3基于表15和表16中给出的结果，我们可以注意到，所有方法都存在通过SVM分类器或KNN分类器对其他类型的对象进行分类的问题。同时使用表11使用D1.SVM -3CFMRT-连接是说MVZadehProbLukaEin其他Prcs0.930.950.930.950.950.95Rcl0.770.950.770.950.950.95嗡嗡声Prcs0.760.990.760.990.990.99召回0.980.990.980.940.940.92VehPrcs0.800.950.800.920.910.95Rcl0.800.950.800.990.990.99SVM -5C其他Prcs0.850.850.850.850.850.85Rcl0.380.820.430.430.850.85HBPrcs0.840.660.820.990.950.99Rcl0.60.50.910.910.990.95grpOPrcs0.990.990.990.990.960.99Rcl0.990.980.990.930.990.95嗡嗡声Prcs0.980.970.950.990.990.99Rcl0.990.980.980.980.970.94VehPrcs0.980.880.990.990.950.99Rcl0.990.990.990.990.990.91SVM -7C其他Prcs0.730.730.730.730.730.73Rcl0.730.730.730.730.730.73HBPrcs0.730.820.820.950.960.96Rcl0.730.990.640.990.990.99grpHPrcs0.990.990.830.990.990.99Rcl0.990.990.830.960.950.92grpOPrcs0.890.990.990.990.990.99Rcl0.890.990.990.990.990.99grpVPrcs0.890.780.680.840.860.84Rcl0.890.990.680.990.990.99嗡嗡声Prcs0.990.990.950.990.990.99Rcl0.880.970.980.980.990.99VehPrcs0.990.990.890.960.990.99Rcl0.970.990.980.990.990.99公元前1226年Honnit等人 /沙特国王大学学报-计算机与信息科学34（2022）1219- 1230表12Prcs和Rcl的KNN使用D1。KNN-3CFMRT-连接是说MVZadehProbLukaEin其他Prcs0.580.640.740.320.830.59Rcl0.580.640.790.320.830.59嗡嗡声Prcs0.920.940.920.90.920.91Rcl0.780.790.820.840.820.83VehPrcs0.770.770.830.790.830.84Rcl0.830.840.820.830.820.82KNN-5C其他Prcs0.230.230.230.230.230.23Rcl0.230.230.230.230.230.23HBPrcs0.90.690.90.80.90.67Rcl0.650.630.680.890.670.95grpOPrcs0.980.970.970.990.990.99Rcl0.990.990.990.990.990.99嗡嗡声Prcs0.890.860.90.920.870.92Rcl0.780.820.780.810.830.8VehPrcs0.780.790.780.830.850.83Rcl0.920.930.920.920.920.9KNN-7C其他Prcs0.280.280.630.280.990.28Rcl0.280.280.630.280.990.28HBPrcs0.90.90.690.670.90.67Rcl0.720.70.620.980.690.98grpHPrcs0.50.330.830.330.670.33Rcl0.990.990.310.990.990.99grpOPrcs0.980.970.330.990.990.99Rcl0.990.990.330.990.990.99grpVPrcs0.30.270.270.240.30.24Rcl0.310.340.310.380.370.39嗡嗡声Prcs0.890.90.870.920.880.92Rcl0.780.780.840.810.830.81VehPrcs0.730.750.760.830.820.83Rcl0.780.790.820.780.780.78表13使用D2.SVM -3CFMRT-连接是说MVZadehProbLukaEin其他Prcs0.850.850.980.980.850.85Rcl0.850.850.950.950.850.85嗡嗡声Prcs0.760.940.760.990.990.99Rcl0.980.930.980.940.940.92VehPrcs0.800.940.800.920.950.95Rcl0.800.930.800.990.990.99SVM -5C其他Prcs0.930.950.950.950.950.95Rcl0.770.950.940.950.950.95HBPrcs0.930.950.950.940.950.94Rcl0.770.950.940.930.950.93grpOPrcs0.760.760.950.950.950.94Rcl0.770.770.940.930.950.94嗡嗡声Prcs0.900.970.950.990.990.99Rcl0.910.980.980.980.970.94VehPrcs0.920.880.990.990.950.99Rcl0.900.900.990.990.990.91SVM -7C其他Prcs0.740.740.950.950.950.98Rcl0.730.730.970.960.970.99HBPrcs0.730.820.950.950.960.96Rcl0.730.790.950.990.990.99grpHPrcs0.890.820.970.990.990.99Rcl0.910.790.970.960.990.94grpOPrcs0.890.820.990.990.990.99Rcl0.890.790.990.990.990.99grpVPrcs0.890.820.970.840.990.97Rcl0.890.790.970.990.990.99嗡嗡声Prcs0.890.820.950.990.990.99Rcl0.910.790.980.980.990.99VehPrcs0.890.820.990.960.990.99Rcl0.890.790.980.990.990.99B. Honnit et al./Journal of King Saud University- Computer and Information Sciences 34（2022）1219-12301227表14使用D2的KNN的Prcs和RclKNN-3CFMRT-连接是说MVZadehProbLukaEin其他Prcs0.5830.6400.7420.3250.8310.594Rcl0.5830.6350.7930.3220.8340.594嗡嗡声Prcs0.9240.9450.9260.9260.9230.915Rcl0.7850.7890.8250.8430.8240.842VehPrcs0.7720.7740.8370.7930.8330.841Rcl0.8340.8420.8250.8310.8200.824KNN-5C其他Prcs0.3330.2330.2340.2300.2300.230Rcl0.3310.2340.2340.2330.2300.241HBPrcs0.9010.6920.9010.8030.9010.672Rcl0.6500.6350.6810.8910.6720.953grpOPrcs0.9840.9730.9730.9900.9930.994Rcl0.9910.9900.9920.9900.9920.992嗡嗡声Prcs0.8930.8640.9020.9240.8710.921Rcl0.7840.8250.7830.8120.8330.804VehPrcs0.7830.7910.7810.8310.8540.834Rcl0.9240.9320.9240.9240.9250.903KNN-7C其他Prcs0.2850.2840.6330.2850.9920.285Rcl0.2850.2830.6330.2850.9910.283HBPrcs0.9040.9030.6920.6740.9040.673Rcl0.7230.7050.6240.9840.6950.985grpHPrcs0.5060.3340.8350.3380.6740.334Rcl0.9930.9940.3130.9950.9930.994grpOPrcs0.9850.9730.3340.9940.9950.993Rcl0.9930.9980.3350.9940.9930.994grpVPrcs0.3040.2750.2730.2440.3070.245Rcl0.3130.3440.3120.3830.3690.395嗡嗡声Prcs0.8930.9020.8740.9250.8850.924Rcl0.7840.7830.8440.8150.8340.815VehPrcs0.7340.7540.7640.8350.8250.835Rcl0.7840.7930.8240.7840.8740.783表15使用D1.SVM -3CFMRT-连接是说MVZadehProbLukaEin其他Prcs0.940.950.930.950.950.95Rcl0.790.880.770.920.880.95嗡嗡声Prcs0.760.990.760.990.990.99Rcl0.990.990.980.990.990.99VehPrcs0.790.9950.80.990.990.99Rcl0.790.9950.80.990.990.99SVM -5C其他Prcs0.850.850.850.850.850.85Rcl0.390.820.420.430.820.8HBPrcs0.8400.820.990.990.99Rcl0.6200.910.990.990.99grpOPrcs0.9900.990.990.990.99Rcl0.9900.50.990.990.99嗡嗡声Prcs0.980.990.960.990.990.99Rcl0.980.910.980.990.990.99VehPrcs0.980.990.990.990.990.99Rcl0.990.990.990.990.990.99SVM -7C其他Prcs0.50.50.670.990.990.99Rcl0.440.50.770.990.990.99HBPrcs0.9800.350.990.990.99Rcl0.9900.230.990.990.99grpHPrcs000.990.990.990.35Rcl000.990.990.990.23grpOPrcs0.9900.170.990.990.99Rcl0.9900.190.990.990.99grpVPrcs0.680.890.890.970.970.81Rcl0.50.990.990.990.990.99嗡嗡声Prcs0.990.990.870.990.990.99Rcl0.970.870.670.990.990.98VehPrcs0.990.990.890.960.990.99Rcl0.970.990.980.990.990.99公元1228年Honnit等人 /沙特国王大学学报-计算机与信息科学34（2022）1219- 1230表16使用D1.KNN-3CFMRT-连接是说MVZadehProbLukaEin其他Prcs0.210.210.210.210.210.21Rcl0.410.180.140.230.570.55嗡嗡声Prcs0.920.870.630.890.920.94Rcl0.80.780.70.830.820.82VehPrcs0.750