CN104299417A

CN104299417A - 基于波形检测的车辆识别方法

Info

Publication number: CN104299417A
Application number: CN201410532647.9A
Authority: CN
Inventors: 余茂荣
Original assignee: WUHAN HUILIAN UNLIMITED TECHNOLOGY Co Ltd
Current assignee: WUHAN HUILIAN UNLIMITED TECHNOLOGY Co Ltd
Priority date: 2014-10-09
Filing date: 2014-10-09
Publication date: 2015-01-21
Anticipated expiration: 2034-10-09
Also published as: CN104299417B

Abstract

本发明提供一种基于波形检测的车辆识别方法，它包含对实时地磁信号进行均值滤波；动态调整当前阈值；计算合成磁场强度；确定合成磁场强度曲线的波形特征点；提取疑似波形；采用多中间状态机得到车辆检测的结果；对检测结果进一步处理得到被检车辆的车速；采用可信度法初步判断、欧式距离法细致判断推断得到被检车辆的车型。本发明的方法在满足单片机等微处理器的低功耗、高实时性要求的同时，能保持较高鲁棒性、自适应性和较高准确率，可靠性及冗余度好，并解决了慢速车辆和大型车辆检测之间的矛盾，有利于采集交通拥堵时的车辆信息，可广泛应用于智能交通等领域的车辆检测及分类。

Description

基于波形检测的车辆识别方法

【技术领域】

本发明涉及地磁传感技术领域，特别涉及一种基于波形检测的车辆识别方法。

【背景技术】

现有的地磁传感器车辆识别算法在满足单片机等微处理器的低功耗、高实时性要求下，对均值变化小的高频地磁信号不敏感，对慢速车辆容易造成漏检，并且在车辆首尾相接和大型车辆的检测存在矛盾。

因此，提供一种可以克服上述不足的基于波形检测的车辆识别方法显得十分必要。

【发明内容】

有鉴于此，为克服现有技术的不足，本发明提供一种能保持较高鲁棒性、自适应性和较高准确率，可靠性及冗余度好的基于波形检测的车辆识别方法。

为实现上述目的，本发明提供的基于波形检测的车辆识别方法，其特征在于：它包括如下步骤：

A)获取实时的原始磁场强度三轴矢量信号，通过滑动窗口进行均值滤波过滤掉信号中的高频背景噪声，得到平滑的磁场强度序列；被检车辆经过若干地磁传感器检测节点后，获取实时的原始磁场强度三轴矢量信号，对实时地磁信号进行均值滤波并根据(方差)动态调整背景阈值；若则新阈值采用自回归模型预测，若则新阈值与前一时刻阈值保持不变，根据以下公式：

t_{x} (k) = \{\begin{matrix} t_{x} (k - 1) \times (1 - η) + t_{x} \times η & s^{2} ({\hat{x}}_{i}) < h_{0} \times n \\ t_{x} (k - 1) & s^{2} ({\hat{x}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

t_{y} (k) = \{\begin{matrix} t_{y} (k - 1) \times (1 - η) + t_{y} \times η & s^{2} ({\hat{y}}_{i}) < h_{0} \times n \\ t_{y} (k - 1) & s^{2} ({\hat{y}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

t_{z} (k) = \{\begin{matrix} t_{z} (k - 1) \times (1 - η) + t_{z} \times η & s^{2} ({\hat{z}}_{i}) < h_{0} \times n \\ t_{z} (k - 1) & s^{2} ({\hat{z}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

其中t_x(k),t_y(k),t_z(k)分别为x,y,z轴背景环境基值，k为当前时刻，分别为在(k-50)至(k-1)时段内x,y,z轴地磁信号的方差，h₀为无车辆经过时z轴地磁信号的方差，η为更新权值0.05，n为方差放大倍数，其取值为40，

B)确定合成磁场强度曲线的波形特征点，提取疑似波形：

(1)利用磁场信号值计算合成磁场强度的值g(k)，所述合成磁场强度的值g(k)公式如下：

g (k) = \sqrt{{(\frac{\hat{x} (k) - t_{x} (k)}{t_{x} (k)})}^{2} + {(\frac{\hat{y} (k) - t_{y} (k)}{t_{y} (k)})}^{2} + {(\frac{\hat{z} (k) - t_{z} (k)}{t_{z} (k)})}^{2}}

其中分别为经过滤波后的x,y,z三轴磁场值。

(2)结合分段线性拟合与局部加权拟合对合成磁场强度波形进行实时特征抽取以压缩数据量，抽取得到的特征数据作为后续波形与状态机检测部分的输入数据：

如果当前点的合成磁场强度值超过预设阈值的105％，则初步判断当前是因车辆行驶引起的地磁波形扰动，记录并标记为疑似波形W，若不是，则自动跳过重新取下一点；在疑似状态下，如果当前点的合成磁场强度值小于阈值的85％，则模块转入确认状态，此时本状态的维持时间若大于等于T_threshold，则截断疑似波形W进入输出状态；一次检测流程结束后，回到开始状态，循环之前的流程；

C)采用多中间状态机得到车辆检测的结果：

(3)对检测结果进一步处理得到被检车辆的车速：将疑似波形W的数据作为多中间状态机的输入，输出状态STATE包括“车辆预检测状态”、“无车状态”、“虚警预检测状态”和“有车状态”，其中，状态机内的预设值Ls借助车辆的速度信息调整，(公式中k_now改为k_current)，β是前车速度对当前车的速度的影响因子0.1，Ls_min,Ls_max分别是预设值Ls的最小值和最大值，Ls_min取值为10，Ls_max取值为24，k_current是当前车辆的合成磁场强度波形的斜率；根据状态机的输出状态STATE，得到车辆识别的最终结果，用车辆检测事件序列(0-1序列)d(k)表示，d(k)＝0表示无车即是当状态机输出STATE为“虚警预检测状态”或“无车状态”时，d(k)＝1表示有车即是当状态机输出STATE为“有车状态”时；

(4)采用可信度法初步判断、欧式距离法细致判断推断得到被检车辆的车型：

所述采用欧式距离法进行细分类首先将大量样本输入分类算法进行学习、训练，然后对合成磁场强度在时间、幅值两部分分别进行归一化后的序列输入算法，得到当前序列与各样本序列的欧式距离，选取与当前序列距离最近的样本的类别作为当前车辆的判断类别。

作为一种优选方案，所述步骤A)中，通过滑动窗口得到平滑的磁场强度序列，利用方差判断是否需要采用加权的方法动态调整当前阈值，计算合成磁场强度；采用两个相距L的地磁传感器S₁,S₂接收实时数据，并进行如前所述的平滑滤波、计算合成磁场强度，当某车辆经过检测区域时，S₁,S₂截取波形波峰对应的时间点为t₁,t₂，则根据如下公式计算车速：

V = \frac{L}{t_{2} - t_{1}} .

作为又一种优选方案，所述步骤C)中利用多中间状态机得到车辆识别结果，借助前一辆车的速度信息与当前车辆的预估车速调整多中间状态机的参数；利用两个地磁传感器得到车速识别结果。

作为又一种优选方案，所述步骤(4)中设立评测过程，对波形方差σ² _k和合成磁场强度最大幅值G_k进行可信度评测，根据此可信度初步判断当前车辆所属大类；具体评测过程如下：

波形方差可信度C₁计算公式为

合成磁场强度可信度C₂的计算公式为：

整体可信度计算公式为

C＝wC₁+(1-w)C₂；

其中，w为波形方差可信度权值，其取值为0.3。

本发明的优点在于：本发明的方法在满足单片机等微处理器的低功耗、高实时性要求的同时，能保持较高鲁棒性、自适应性和较高准确率，可靠性及冗余度好，并解决了慢速车辆和大型车辆检测之间的矛盾，有利于采集交通拥堵时的车辆信息，可广泛应用于智能交通等领域的车辆检测及分类。

【附图说明】

图1是本发明的方法流程图。

图2是本发明的疑似波形检测的流程图。

图3是本发明的多中间状态机的状态跳转流程图。

【具体实施方式】

为了更好地理解本发明，以下将结合附图和具体实例对本发明进行详细的说明。

本发明的基于波形检测的车辆识别方法，获取实时的原始磁场强度三轴矢量信号，通过滑动窗口进行均值滤波过滤掉信号中的高频背景噪声，得到平滑的磁场强度序列。

根据均值滤波后得到的数据的方差动态调整背景阈值，克服背景值漂移问题，若则新阈值就采用自回归模型预测，若则新阈值与前一时刻阈值保持不变，根据以下公式：

t_{x} (k) = \{\begin{matrix} t_{x} (k - 1) \times (1 - η) + t_{x} \times η & s^{2} ({\hat{x}}_{i}) < h_{0} \times n \\ t_{x} (k - 1) & s^{2} ({\hat{x}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

t_{y} (k) = \{\begin{matrix} t_{y} (k - 1) \times (1 - η) + t_{y} \times η & s^{2} ({\hat{y}}_{i}) < h_{0} \times n \\ t_{y} (k - 1) & s^{2} ({\hat{y}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

t_{z} (k) = \{\begin{matrix} t_{z} (k - 1) \times (1 - η) + t_{z} \times η & s^{2} ({\hat{z}}_{i}) < h_{0} \times n \\ t_{z} (k - 1) & s^{2} ({\hat{z}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

其中t_x(k),t_y(k),t_z(k)分别为x,y,z轴背景环境基值，k为当前时刻，分别为(k-50)至(k-1)时段内x,y,z轴地磁信号的方差，h₀为无车辆经过时z轴地磁信号的方差，η为更新权值0.05，n为方差的放大倍数，其取值为40。

利用磁场信号值计算合成磁场强度的值g(k)根据如下公式：

g (k) = \sqrt{{(\frac{\hat{x} (k) - t_{x} (k)}{t_{x} (k)})}^{2} + {(\frac{\hat{y} (k) - t_{y} (k)}{t_{y} (k)})}^{2} + {(\frac{\hat{z} (k) - t_{z} (k)}{t_{z} (k)})}^{2}}

其中分别为经过滤波后的x,y,z三轴磁场值。

结合分段线性拟合与局部加权拟合对合成磁场强度波形进行实时特征抽取以压缩数据量，抽取得到的特征数据作为后续波形与状态机检测部分的输入数据，如果当前点的合成磁场强度值超过预设阈值的105％，则初步判断当前是因车辆行驶引起的地磁波形扰动，记录并标记为疑似波形，若不是，则自动跳过重新取下一点。在疑似状态下，如果当前点的合成磁场强度值小于阈值的85％，则模块转入确认状态，此时本状态的维持时间若大于等于T_threshold，则截断波形进入输出状态。一次检测流程结束后，回到开始状态，循环之前的流程。疑似波形检测的流程图如图2。

将疑似波形数据作为多中间状态机的输入，输出状态STATE包括“车辆预检测状态”、“无车状态”、“虚警预检测状态”和“有车状态”，其状态机的状态跳转流程图如图3；

其中，状态机内的预设值Ls借助车辆的速度信息调整，β是前车速度对当前车的速度的影响因子0.1，Ls_min,Ls_max分别是预设值Ls的最小值10和最大值24，k_now是当前车辆的合成磁场强度波形的斜率。

根据状态机的输出状态STATE，得到车辆识别的最终结果，用车辆检测事件序列(0-1序列)d(k)表示，d(k)＝0表示无车(当状态机输出STATE为“虚警预检测状态”或“无车状态”时)，d(k)＝1表示有车(当状态机输出STATE为“有车状态”时)。

采用两个相距L的地磁传感器S₁,S₂接收实时数据，并进行如前所述的平滑滤波、计算合成磁场强度，当某车辆经过检测区域时，S₁,S₂截取波形波峰对应的时间点为t₁,t₂，则根据如下公式计算车速：

V = \frac{L}{t_{2} - t_{1}} .

设立评测过程，对波形方差σ² _k和合成磁场强度最大幅值G_k进行可信度评测，根据此可信度初步判断当前车辆所属大类。具体评测过程如下：

波形方差可信度C₁计算公式为

同理可推得合成磁场强度可信度C₂的计算公式为：

整体可信度计算公式为

C＝wC₁+(1-w)C₂；

其中，w为波形方差可信度权值0.3。

上述的采用欧式距离法进行细分类：首先将大量样本输入分类算法进行学习、训练，然后对合成磁场强度在时间、幅值两部分分别进行归一化后的序列输入算法，得到当前序列与各样本序列的欧式距离，选取与当前序列距离最近的样本的类别作为当前车辆的判断类别。

本发明的工作原理如下：本发明基于波形检测的车辆识别方法，获取实时的原始磁场强度三轴矢量信号并通过滑动窗口进行均值滤波过滤掉信号中的高频背景噪声，得到平滑的磁场强度序列，利用历史数据方差追踪地磁信号的变化，并据此判断是否需要采用加权的方法动态调整当前阈值；根据磁场信号值计算合成磁场强度；自动检测背景阈值，如果当前点的合成磁场强度值超过预设阈值，则初步判断当前是因车辆行驶引起的地磁波形扰动，记录并标记为疑似波形，在疑似状态下确认波形结束后，则截断波形进入输出状态；将疑似波形数据作为多中间状态机的输入，根据状态机的输出状态STATE，得到车辆识别的最终结果；在检测区域内平行于道路放置两个地磁检测器，根据获取的两个传感器波形波峰之间的时间差和两个传感器之间的距离计算得到车速识别结果；设立评测过程，对波形方差和合成磁场强度最大幅值进行可信度评测，根据此可信度初步判断当前车辆所属大类，然后采用欧式距离法进行细分类。首先将大量样本输入分类算法进行学习、训练，然后对合成磁场强度在时间、幅值两部分分别进行归一化后的序列输入算法，得到当前序列与各样本序列的欧式距离，选取与当前序列距离最近的样本的类别作为当前车辆的判断类别。

为克服阈值漂移问题，背景阈值根据均值滤波后得到的数据的方差动态调整，并采用自回归模型进行预测。

为克服慢速车辆漏检与车辆首尾相接和大型车辆的检测矛盾问题，借助前一辆车的速度信息与当前车辆的预估车速调整多中间状态机的参数。

以上所述实施示例仅表达了本发明的部分实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种基于波形检测的车辆识别方法，其特征在于：它包括如下步骤：

A)获取实时的原始磁场强度三轴矢量信号，通过滑动窗口进行均值滤波过滤掉信号中的高频背景噪声，得到平滑的磁场强度序列；被检车辆经过若干地磁传感器检测节点后，获取实时的原始磁场强度三轴矢量信号，对实时地磁信号进行均值滤波并根据方差动态调整背景阈值；若则新阈值采用自回归模型预测，若则新阈值与前一时刻阈值保持不变，根据以下公式：

t_{x} (k) = \{\begin{matrix} t_{x} (k - 1) \times (1 - η) + t_{x} \times η & s^{2} ({\hat{x}}_{i}) < h_{0} \times n \\ t_{x} (k - 1) & s^{2} ({\hat{x}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

t_{y} (k) = \{\begin{matrix} t_{y} (k - 1) \times (1 - η) + t_{y} \times η & s^{2} ({\hat{y}}_{i}) < h_{0} \times n \\ t_{y} (k - 1) & s^{2} ({\hat{y}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

t_{z} (k) = \{\begin{matrix} t_{z} (k - 1) \times (1 - η) + t_{z} \times η & s^{2} ({\hat{z}}_{i}) < h_{0} \times n \\ t_{z} (k - 1) & s^{2} ({\hat{z}}_{i}) &GreaterEqual; h_{0} \times n \end{matrix}, i = k - 50, . . ., k - 1

其中t_x(k),t_y(k),t_z(k)为x,y,z轴背景环境基值，k为当前时刻，分别为(k-50)至(k-1)时段内x、y、z轴地磁信号的方差，h₀为无车辆经过时z轴地磁信号的方差，η为更新权值0.05，n为方差的放大倍数，其取值为40；

B)确定合成磁场强度曲线的波形特征点，提取疑似波形：

g (k) = \sqrt{{(\frac{\hat{x} (k) - t_{x} (k)}{t_{x} (k)})}^{2} + {(\frac{\hat{y} (k) - t_{y} (k)}{t_{y} (k)})}^{2} + {(\frac{\hat{z} (k) - t_{z} (k)}{t_{z}})}^{2}}

其中分别为经过滤波后的x,y,z三轴磁场值；

C)采用多中间状态机得到车辆检测的结果：

(3)对检测结果进一步处理得到被检车辆的车速：将疑似波形W的数据作为多中间状态机的输入，输出状态STATE包括“车辆预检测状态”、“无车状态”、“虚警预检测状态”和“有车状态”，其中，状态机内的预设值Ls借助车辆的速度信息调整，根据公式其中β是前车速度对当前车的速度的影响因子0.1，Ls_min,Ls_max分别是预设值Ls的最小值10和最大值24，k_current是当前车辆的合成磁场强度波形的斜率；根据状态机的输出状态STATE，得到车辆识别的最终结果，用车辆检测事件序列(0-1序列)d(k)表示，d(k)＝0表示无车即是当状态机输出STATE为“虚警预检测状态”或“无车状态”时，d(k)＝1表示有车即是当状态机输出STATE为“有车状态”时；

2.根据权利要求1所述的基于波形检测的车辆识别方法，其特征在于：所述步骤A)中，通过滑动窗口得到平滑的磁场强度序列，利用方差判断是否需要采用加权的方法动态调整当前阈值，计算合成磁场强度；采用两个相距L的地磁传感器S₁,S₂接收实时数据，并进行如前所述的平滑滤波、计算合成磁场强度，当某车辆经过检测区域时，S₁,S₂截取波形波峰对应的时间点为t₁,t₂，则根据如下公式计算车速：

V = \frac{L}{t_{2} - t_{1}} .

3.根据权利要求1所述的基于波形检测的车辆识别方法，其特征在于：所述步骤C)中利用多中间状态机得到车辆识别结果，借助前一辆车的速度信息与当前车辆的预估车速调整多中间状态机的参数；利用两个地磁传感器得到车速识别结果。

4.根据权利要求1所述的基于波形检测的车辆识别方法，其特征在于：所述步骤(4)中设立评测过程，对波形方差σ² _k和合成磁场强度最大幅值G_k进行可信度评测，根据此可信度初步判断当前车辆所属大类；具体评测过程如下：

波形方差可信度C₁计算公式为

合成磁场强度可信度C₂的计算公式为

整体可信度计算公式为

C＝wC₁+(1-w)C₂；

其中，w为波形方差可信度权值，取值为0.3。