CN105989710B - 一种基于音频的车辆监控装置及方法 - Google Patents
一种基于音频的车辆监控装置及方法 Download PDFInfo
- Publication number
- CN105989710B CN105989710B CN201510073084.6A CN201510073084A CN105989710B CN 105989710 B CN105989710 B CN 105989710B CN 201510073084 A CN201510073084 A CN 201510073084A CN 105989710 B CN105989710 B CN 105989710B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- detection zones
- coarseness
- module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Traffic Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
一种基于音频的车辆监控装置,包括:传声器阵列模块:用于采集并处理车辆发出的噪声信号,得到横向和纵向子阵列的相关矩阵C;车道位置和宽度计算模块:用于计算每个车道的位置和宽度;粗粒度检测区域能量谱计算模块:用于在每个车道上构造两个粗粒度检测区域,并利用相关矩阵C计算两个粗粒度检测区域上的能量谱;自动增益控制模块:用于计算前景阈值α和背景阈值β,对两个粗粒度检测区域上的能量谱进行归一化处理,并判断车辆是否进出两个粗粒度检测区域;车辆计数模块:用于统计每个车道通过的车辆数;车道占有率计算模块:用于计算每个车道的占有率;车速估计模块:用于估计车辆的速度;车型分类模块:用于对车辆的大小类型进行分类。
Description
技术领域
本发明属于智能交通技术领域,具体涉及一种基于音频的车辆监控装置及方法。
背景技术
在现代公路交通运输***建设过程中,通常会在道路沿线上部署大量的车辆监控设备,使得控制中心能够实时对各条道路上的交通状况进行监控,并根据不同的路况规划交通管制措施。作为控制中心的“眼睛”和“耳朵”,各种车辆监控传感器在智能交通***中发挥着重要的作用。所以,研发更加先进、可靠、精确的监控设备将有助于人们作出更合理的交通控制决策,进而减少道路拥堵,降低运输成本,并提高公路交通的安全性。
针对不同的道路环境和监控需求,人们研制出了不同类型的车辆监控设备。其中,磁感线圈是一种经典的监控设备,至今已沿用超过了五十年。但是,这类设备需埋设在路面下方,所以会产生高昂的安装和维修成本。与磁感线圈不同,现代车辆监控设备的安装和维护大多都不会对路面造成破坏。根据其原理不同,可将现代车辆监控设备粗略的分为两大类:主动式和被动式。主动式监控设备主要基于激光、红外、雷达、超声等技术,这类设备通过对监控区域发射一种特定的信号并接收其回波,然后根据回波的特点来实现对车辆的定位和监控;被动式设备主要基于视频、被动式红外、音频处理等技术,该类设备直接通过车辆反射的信号(如可见光)或发出的信号(如红外、噪声等)来实现监控的目的。
与其他方法相比,基于音频的监控方法具有许多优点:首先,相比于其他类型的监控传感器来说,音频传感器(麦克风)的成本要低很多,并且音频监控属于被动式监控,不需要信号发射装置,这有利于降低整个监控设备的成本;第二,基于音频的特征不容易受到天气、光照等环境因素的影响,这有利于***实现全天候稳定的车辆监控。然而,研制一种可靠的音频车辆监控装置也存在着许多难点:首先,由于汽车噪声的波长位于厘米这个数量级,这相比于其他类型的监控设备所使用的信号波长(例如雷达的毫米级,可见光的微米级)要大得多,所以,从理论上来说音频监控装置的分辨率要比基于其它信号的方法低;第二,由于外界环境中除了汽车噪声之外还含有其它各种类型的声响,而且实际道路上往往存在多辆车在同时行驶,即需要处理多声源、带噪声源的情形,如此复杂外界环境给通过汽车噪声实现车辆监控增加了难度。所以,在音频车辆监控装置的研制过程中需要突出使用音频信号作为媒介的优点,同时克服其不足,从而达到扬长避短的目的。
音频车辆监控在国外已有十多年的研究及应用历史,美国专利US 5,798,983(Acoustic Sensor System for Vehicle Detection and Multi-Lane HighwayMonitoring,John Patrick Kuhn)使用了基于方阵的传声器阵列结构,但是该专利的阵元数量偏多,而且其车道定位算法的分辨率不高。美国专利US 6,195,608B1(AcousticHighway Monitor,Edward Fredrick Berliner)使用基于十字阵的阵列结构,该专利虽然降低了阵元数,但不能估计车速。
国内对音频车辆监控的研究和应用起步较晚,吴玺宏等人的中国专利CN102682765B,高速公路音频车辆检测装置及其方法。该方法的基本原理决定了需要将对应的车辆检测装置安装于龙门架上,安装成本较高;此外,该方法不适用于车辆较多的环境。
发明内容
本发明的目的在于克服目前音频车辆监控***存在的上述缺陷,提出了一种基于音频的车辆监控装置,并基于该装置提出了一种基于音频的车辆监控方法,该方法能够在车道上构造两个粗粒度检测区域,实现对反映交通状况的各种指标参数的统计。
为了实现上述目的,本发明提供了一种基于音频的车辆监控装置,包括:
传声器阵列模块:用于采集并处理车辆发出的噪声信号;传声器阵列中每个阵元采集的车辆噪声时域信号经过模数转换后,形成横向和纵向子阵列的时域数据;对时域数据进行多通道短时傅里叶变换,得到其频域数据;选择子频带以及时间区间计算横向和纵向子阵列的相关矩阵C;
所述传声器阵列采取十字阵列结构;横向和纵向子阵列都采用等间距的一字阵列结构,而两个子阵列的阵元数和阵元间距不同;该阵列所能处理的信号的最低频率fmin大于等于7kHz;而且横向与纵向子阵列的阵元间距应满足dh<λmin/2,dv<λmin,其中λmin为信号的最小波长;由此确定传声器阵列所能处理信号的最大频率fmax、横向子阵列的阵元数Mh和阵元间距dh、纵向子阵列的阵元数Mv和阵元间距dv;
车道位置和宽度计算模块;用于计算每个车道的位置和宽度;
粗粒度检测区域能量谱计算模块:用于在每个车道上构造两个粗粒度检测区域;并利用相关矩阵C计算两个粗粒度检测区域上的能量谱;
自动增益控制模块:用于计算前景阈值α和背景阈值β,对两个粗粒度检测区域上的能量谱进行归一化处理,并判断车辆是否进出两个粗粒度检测区域;
车辆计数模块:用于统计每个车道通过的车辆数;
车道占有率计算模块:用于计算每个车道的占有率;
车速估计模块:用于估计车辆的速度;
车型分类模块:用于对车辆的大小类型进行分类。
基于上述基于音频的车辆监控装置,本发明还提供了一种基于音频的车辆监控方法,所述方法包括:
步骤1)启动传声器阵列模块,传声器阵列中每个阵元采集的车辆噪声时域信号经过模数转换后,形成横向和纵向子阵列的时域数据;对时域数据进行多通道短时傅里叶变换,得到其频域数据;选择子频带以及时间区间计算横向和纵向子阵列的相关矩阵C;
步骤2)启动车道位置和宽度计算模块,计算每个车道的位置和宽度;
获取所述车辆监控装置所监控公路的车道的位置及宽度,利用车辆监控装置的安装高度,在仰角θ=0°处,计算每个车道对应的方位角的范围:
步骤3)启动粗粒度检测区域能量谱计算模块,在每个车道上构造两个粗粒度检测区域,并利用相关矩阵C计算两个粗粒度检测区域上的能量谱;
步骤4)启动自动增益控制模块,计算前景阈值α和背景阈值β;并对两个粗粒度检测区域上的能量谱进行归一化处理;判断车辆是否进出两个粗粒度检测区域;
步骤5)启动车辆计数模块,计算车流量;
当有车辆顺序经过一个车道的两个粗粒度检测区域后,为该车道的车流量计数加1;
步骤6)启动车道占有率计算模块,计算车道占有率;
步骤7)启动车速估计模块,估计车速;
步骤8)启动车型分类模块,对车辆进行大、小车型的分类。
上述技术方案中,所述步骤1)进一步包括:
步骤101)传声器阵列的各个阵元采集车辆噪声的时域信号,经过模数转换后得到横向子阵列和纵向子阵列的时域数据xh(t)和xv(t);
步骤102)对时域数据xh(t)和xv(t)进行多通道短时傅里叶变换,得到频域数据xh(f,τ)和xv(f,τ),其中f为频段号,τ为数据帧的序号;
步骤103)选择子频带[f1,f2]以及时间区间Δτ计算横向和纵向子阵列对应的相关矩阵C:
其中,fmin<f1<f2<fmax,上标H表示共轭转置。
上述技术方案中,所述步骤3)进一步包括:
步骤301)利用车道的宽度构造理想阵列响应
步骤302)利用最小二乘法求解单个粗粒度检测区域的波束形成器wh;
A=[ah(-90),ah(-89),…,ah(0),…,ah(89),ah(90)]T
波束形成器wh满足:
利用最小二乘法求解:
步骤303)为每个车道构造两个粗粒度检测区域,计算两个粗粒度检测区域上的能量谱;
波束形成器wh控制的是粗粒度检测区域的宽度,而粗粒度检测区域的仰角则由纵向子阵列的波束形成器wv(θ)来控制;在每条车道构造两个粗粒度检测区域,这两个区域的仰角分别为θ=-δ和θ=δ,其中δ=5°;两个粗粒度检测区域的能量谱分别为:
上述技术方案中,所述步骤4)进一步包括:
步骤401)计算前景阈值α和背景阈值β;
步骤402)对两个粗粒度检测区域的能量谱进行归一化处理;
步骤403)判断车辆是否进出两个粗粒度检测区域;
当时,判断有车辆进入第一个粗粒度检测区域;当时,判断有车辆进入第二个粗粒度检测区域;当且时,判断没有车辆进入粗粒度检测区域;其中γ为第一阈值。
上述技术方案中,所述步骤401)进一步包括:
步骤a)从***开始运行,每隔2秒,取该时间窗口内q1和q2的局部最大值为
步骤b)使用帕森窗估计的方法,通过各个拟合出***观测得到的车辆噪声能量的概率密度曲线;
步骤c)在所述概率密度曲线上确定第二个波峰对应的能量谱大小,为前景阈值α;确定第一和第二个波峰之间的波谷所对应的能量谱大小,为背景阈值β。
上述技术方案中,所述步骤7)的估计车速的具体实现过程为:
通过车辆进入两个粗粒度检测区域的时间差来估计车速v:
其中t1和t2分别为车辆进入一个车道的两个粗粒度检测区域的时间,h为所述车辆监控装置到该车道的距离;h通过车道位置、车道宽度和监控装置安装的高度确定。
上述技术方案中,所述步骤8)中对车辆进行大、小车型的分类的具体实现过程为:
车辆长度的计算方法为:
l=(tout-tin)v
其中,tin和tout分别为车辆进入和驶出一个粗粒度检测区域的时间;
当l≥l0时,判断通过车辆为大型车;否则为小型车,其中l0为第二阈值。
与现有技术相比,本发明的优点在于:
1、本发明的车辆监控装置只需安装在路旁的基础设施上,易于安装和维护;
2、本发明的车辆监控方法具有计算量小,对硬件要求低的特点。
附图说明
图1为本发明的粗粒度检测区域示意图;
图2为本发明的装置在道路环境中的安装示意图;
图3为本发明的基于音频的车辆监控装置的结构组成示意图;
图4为本发明的传声器阵列的阵形示意图。
具体实施方式
本发明的基本原理是利用波束形成(Beamforming)技术在不同的位置构造出多个车辆检测区域。由于波束形成的空间滤波特性,来自于检测区域之外的车辆噪声将受到波束形成算法抑制,所以,可以通过累加所得信号的能量来判断是否有车辆位于某个检测区域中。对于高速公路车辆监控来说,可以根据不同的监测目的构造出形状、大小、位置不同的多个车辆检测区域。如图1所示,车辆监控装置安装于路边,图中为每条车道构造了两个粗粒度检测区域。粗粒度检测区域用于各个车道的车辆检测,这类检测区域的宽度横跨整个车道,且每个车道上由两个粗粒度检测区域负责。常用的反映交通状况的参数,例如车流量、车道占有率可以通过统计经过检测区域的车辆数目和时间推算出,而车速和车型(大车、小车)则可以通过车辆经过同一车道的两个粗粒度检测区域的时间差来推算。由于车道的位置可能会随着天气、温度、以及交通状况的变化而改变,所以粗粒度区域的位置和宽度也会随着车道位置而发生改变。
如图1所示,本发明所使用的坐标系为球坐标系,坐标系的原点为传声器阵列的中心,横坐标为方位角纵坐标为仰角θ,车辆的方位由和θ表示。由于传声器阵列的法线方向指向路面的中心,车辆的方位角的范围从-90°到90°,方位角0°位于路面的中心,-90°靠近公路的最右边,90°靠近公路的最左边。
下面结合附图和具体实施例对本发明做进一步的说明。
如图2所示,本发明的车辆监控装置安装于现有的路旁基础设施上,设备的法线方向指向需要监控的道路中心位置。车辆在道路上行驶时会发出噪声(包含引擎噪声、车胎噪声、排气噪声、气动噪声等成分),车辆噪声信号被音频监控装置捕获并处理,用于计算各种交通统计指标,进而用于监控道路上的车辆。
如图3所示,一种基于音频的车辆监控装置包括:
传声器阵列模块:用于采集并处理车辆发出的噪声信号;传声器阵列中每个阵元采集的车辆噪声时域信号经过模数(A/D)转换后,形成横向和纵向子阵列的时域数据;对时域数据进行多通道短时傅里叶变换,得到其频域数据;选择子频带以及时间区间计算横向和纵向子阵列的相关矩阵。
如图4所示,所述传声器阵列采取十字阵列结构;横向和纵向子阵列都采用等间距的阵列结构,但是两个子阵列的阵元数和阵元间距不同。
对于多车道监控来说,要求设备能够区分在相邻车道并排行驶的车辆。由于我国高速公路车道宽度为3.75米,设备安装高度一般为10米,通过这些道路环境参数并根据波束形成技术的基本理论就可以估计出两个子阵列的阵元数和阵元间距。
对于合理的阵列孔径尺寸来说,信号的最低频率fmin不能低于7kHz;根据空间采样定律,当时,当θ∈[-δ,δ],其中δ≤5°时,为了避免发生空间歧义性,横向与纵向子阵列的阵元间距应满足dh<λmin/2,dv<λmin,其中λmin为信号的最小波长;综合以上限制条件能推算出传声器阵列所能处理信号的最高频率fmax、横向子阵列的阵元数Mh和阵元间距dh、纵向子阵列的阵元数Mv和阵元间距dv。
在本实施例中,横向孔径尺寸为20cm,纵向孔径尺寸为32cm;δ=5°;取fmax=8kHz,横向子阵列的阵元数Mh=11,阵元间距dh=2cm,纵向子阵列的阵元数Mv=9,阵元间距dv=4cm。
传声器阵列并不只有上述一种实施方案,可以根据具体的道路环境和应用需求对阵元数和阵元间距做进一步的优化。
车道位置和宽度计算模块:用于计算每个车道的位置和宽度;
粗粒度检测区域能量谱计算模块:用于在每个车道上构造两个粗粒度检测区域;并利用相关矩阵C计算两个粗粒度检测区域上的能量谱;
自动增益控制模块:用于计算前景阈值α和背景阈值β,对两个粗粒度检测区域上的能量谱进行归一化处理,并判断车辆是否进出两个粗粒度检测区域;
车辆计数模块:用于统计每个车道通过的车辆数;
车道占有率计算模块:用于计算每个车道的占有率;
车速估计模块:用于估计车辆的速度;
车型分类模块:用于对车辆的大小类型进行分类。
基于上述基于音频的车辆监控装置,本发明提供了一种基于音频的车辆监控方法,所述方法包括:
步骤1)启动传声器阵列模块,传声器阵列中每个阵元采集的车辆噪声时域信号经过模数转换后,形成横向和纵向子阵列的时域数据;对时域数据进行多通道短时傅里叶变换,得到其频域数据;选择子频带以及时间区间计算横向和纵向子阵列的相关矩阵C;具体包括如下步骤:
步骤101)传声器阵列的各个阵元采集车辆噪声的时域信号,经过A/D转换后得到横向子阵列和纵向子阵列的时域数据xh(t)和xv(t);
在本实施例中,信号的采样率为20kHz。
步骤102)对时域数据xh(t)和xv(t)进行多通道短时傅里叶变换,得到频域数据xh(f,τ)和xv(f,τ),其中f为频段号,τ为数据帧的序号;
步骤103)选择子频带[f1,f2]以及时间区间Δτ计算横向和纵向子阵列对应的相关矩阵C:
其中,fmin<f1<f2<fmax,上标H表示共轭转置。
相关矩阵C为传声器阵列模块输出的数据;它随着时间的变化而变化,随着各个阵元采集到的车辆噪声信号不断更新,矩阵C也会不断更新,从而保证了数据的实时性。
步骤2)启动车道位置和宽度计算模块,计算每个车道的位置和宽度;
获取所述车辆监控装置所监控公路的车道的位置及宽度,利用车辆监控装置的安装高度,在仰角θ=0°处,计算每个车道对应的方位角的范围:
步骤3)启动粗粒度检测区域能量谱计算子模块,在每个车道上构造两个粗粒度检测区域,并利用相关矩阵C计算两个粗粒度检测区域上的能量谱;具体步骤为:
步骤301)利用车道的宽度构造理想阵列响应
步骤302)利用最小二乘法求解单个粗粒度检测区域的波束形成器wh;
A=[ah(-90),ah(-89),…,ah(0),…,ah(89),ah(90)]T
波束形成器wh满足:
利用最小二乘法求解:
步骤303)为每个车道构造两个粗粒度检测区域,计算两个粗粒度检测区域上的能量谱;
波束形成器wh控制的是粗粒度检测区域的宽度,而粗粒度检测区域的仰角则由纵向子阵列的波束形成器wv(θ)来控制;在每条车道构造两个粗粒度检测区域,这两个区域的仰角分别为θ=-δ和θ=δ,两个粗粒度检测区域的能量谱分别为:
在本实施例中,δ=5°。
步骤4)启动自动增益控制模块,计算前景阈值α和背景阈值β;并对两个粗粒度检测区域上的能量谱进行归一化处理;判断车辆是否进出两个粗粒度检测区域;
步骤401)计算前景阈值α和背景阈值β;具体包括如下步骤:
步骤a)从***开始运行,每隔2秒,取该时间窗口内q1和q2的局部最大值为
步骤b)使用帕森窗估计(Parzen window estimation)的方法,通过各个拟合出***观测得到的车辆噪声能量的概率密度曲线;
步骤c)在所述概率密度曲线上确定第二个波峰对应的能量谱大小,为前景阈值α;确定第一和第二个波峰之间的波谷所对应的能量谱大小,为背景阈值β。
步骤402)对两个粗粒度检测区域的能量谱进行归一化处理;
步骤403)判断车辆是否进出粗粒度检测区域;
当时,判断有车辆进入第一个粗粒度检测区域;当时,判断有车辆进入第二个粗粒度检测区域;当且时,判断没有车辆进入粗粒度检测区域;其中γ为第一阈值;在本实施例中,γ=0.5。
步骤4)启动车辆计数模块,计算车流量;
当有车辆顺序经过一个车道的两个粗粒度检测区域后,为该车道的车流量计数加1。
步骤5)启动车道占有率计算模块,计算车道占有率;
车道占有率Rt是指单位观测时间内车辆通过粗粒度检测区域的累计时间所占单位观测时间的百分比:
其中ti为第i辆车通过粗粒度检测区域所用的时间,N为观测时间内通过检测断面的车辆数,T为观测时间;可以在统计车流量的同时记录各辆车通过粗粒度检测区域所花费的时间ti,用于计算Rt。
步骤6)启动车速估计模块,估计车速;
通过车辆进入两个粗粒度检测区域的时间差来估计车速v:
其中t1和t2分别为车辆进入一个车道的两个粗粒度检测区域的时间,h为所述车辆监控置到该车道的距离;h可通过车道位置、车道宽度和监控装置安装的高度确定。
步骤7)启动车型分类模块,对车辆进行大、小车型的分类;
车辆长度的计算方法为:
l=(tout-tin)v
其中,tin和tout分别为车辆进入和驶出一个粗粒度检测区域的时间;
当l≥l0时,判断通过车辆为大型车,否则为小型车;其中l0为第二阈值,为经验统计的优选值或通过机器学习方法自动选定的阈值。
Claims (7)
1.一种基于音频的车辆监控装置,其特征在于,所述装置包括:
传声器阵列模块:用于采集并处理车辆发出的噪声信号;传声器阵列中每个阵元采集的车辆噪声时域信号经过模数转换后,形成横向和纵向子阵列的时域数据;对时域数据进行多通道短时傅里叶变换,得到其频域数据;选择子频带以及时间区间计算横向和纵向子阵列的相关矩阵C;
所述传声器阵列采取十字阵列结构;横向和纵向子阵列都采用等间距的一字阵列结构,而两个子阵列的阵元数和阵元间距不同;该传声器阵列所能处理的信号的最低频率fmin大于等于7kHz;而且横向与纵向子阵列的阵元间距应满足dh<λmin/2,dv<λmin,其中λmin为信号的最小波长;由此确定传声器阵列所能处理信号的最大频率fmax、横向子阵列的阵元数Mh和阵元间距dh、纵向子阵列的阵元数Mv和阵元间距dv;
车道位置和宽度计算模块:用于计算每个车道的位置和宽度;
粗粒度检测区域能量谱计算模块:用于在每个车道上构造两个粗粒度检测区域,并利用相关矩阵C计算两个粗粒度检测区域上的能量谱;
自动增益控制模块:用于计算前景阈值α和背景阈值β,对两个粗粒度检测区域上的能量谱进行归一化处理,并判断车辆是否进出两个粗粒度检测区域;
车辆计数模块:用于统计每个车道通过的车辆数;
车道占有率计算模块:用于计算每个车道的占有率;
车速估计模块:用于估计车辆的速度;
车型分类模块:用于对车辆的大小类型进行分类。
2.一种基于音频的车辆监控方法,基于权利要求1所述的基于音频的车辆监控装置实现,所述方法包括:
步骤1)启动传声器阵列模块,传声器阵列中每个阵元采集的车辆噪声时域信号经过模数转换后,形成横向和纵向子阵列的时域数据;对时域数据进行多通道短时傅里叶变换,得到其频域数据;选择子频带以及时间区间计算横向和纵向子阵列的相关矩阵C;
步骤2)启动车道位置和宽度计算模块,计算每个车道的位置和宽度;
获取所述车辆监控装置所监控公路的车道的位置及宽度,利用车辆监控装置的安装高度,在仰角θ=0°处,计算每个车道对应的方位角的范围:
步骤3)启动粗粒度检测区域能量谱计算模块,在每个车道上构造两个粗粒度检测区域,并利用相关矩阵C计算两个粗粒度检测区域上的能量谱q1和q2;
步骤4)启动自动增益控制模块,计算前景阈值α和背景阈值β;并对两个粗粒度检测区域上的能量谱进行归一化处理;判断车辆是否进出两个粗粒度检测区域;
步骤5)启动车辆计数模块,计算车流量;
当有车辆顺序经过一个车道的两个粗粒度检测区域后,为该车道的车流量计数加1;
步骤6)启动车道占有率计算模块,计算车道占有率;
步骤7)启动车速估计模块,估计车速;
步骤8)启动车型分类模块,对车辆进行大、小车型的分类。
3.根据权利要求2所述的基于音频的车辆监控方法,其特征在于,所述步骤1)进一步包括:
步骤101)传声器阵列的各个阵元采集车辆噪声的时域信号,经过模数转换后得到横向子阵列和纵向子阵列的时域数据xh(t)和xv(t);
步骤102)对时域数据xh(t)和xv(t)进行多通道短时傅里叶变换,得到频域数据xh(f,τ)和xv(f,τ),其中f为频段号,τ为数据帧的序号;
步骤103)选择子频带[f1,f2]以及时间区间Δτ计算横向和纵向子阵列对应的相关矩阵C:
其中,fmin<f1<f2<fmax,上标H表示共轭转置。
4.根据权利要求3所述的基于音频的车辆监控方法,其特征在于,所述步骤4)进一步包括:
步骤401)计算前景阈值α和背景阈值β;
步骤402)对两个粗粒度检测区域的能量谱进行归一化处理;
步骤403)判断车辆是否进出两个粗粒度检测区域;
当时,判断有车辆进入第一个粗粒度检测区域;当时,判断有车辆进入第二个粗粒度检测区域;当且时,判断没有车辆进入粗粒度检测区域;其中γ为第一阈值。
5.根据权利要求4所述的基于音频的车辆监控方法,其特征在于,所述步骤401)进一步包括:
步骤a)从***开始运行,每隔2秒,取该时间窗口内q1和q2的局部最大值为
步骤b)使用帕森窗估计的方法,通过各个拟合出***观测得到的车辆噪声能量的概率密度曲线;
步骤c)在所述概率密度曲线上确定第二个波峰对应的能量谱大小,为前景阈值α;确定第一和第二个波峰之间的波谷所对应的能量谱大小,为背景阈值β。
6.根据权利要求4所述的基于音频的车辆监控方法,其特征在于,所述步骤7)的估计车速的具体实现过程为:
在每条车道构造两个粗粒度检测区域,这两个区域的仰角分别为θ=-δ和θ=δ,其中δ=5°,通过车辆进入两个粗粒度检测区域的时间差来估计车速v:
其中t1和t2分别为车辆进入一个车道的两个粗粒度检测区域的时间,h为所述车辆监控装置到该车道的距离;h通过车道位置、车道宽度和监控装置安装的高度确定。
7.根据权利要求6所述的基于音频的车辆监控方法,其特征在于,所述步骤8)中对车辆进行大、小车型的分类的具体实现过程为:
车辆长度的计算方法为:
l=(tout-tin)v
其中,tin和tout分别为车辆进入和驶出一个粗粒度检测区域的时间;
当l≥l0时,判断通过车辆为大型车;否则为小型车,其中l0为第二阈值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510073084.6A CN105989710B (zh) | 2015-02-11 | 2015-02-11 | 一种基于音频的车辆监控装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510073084.6A CN105989710B (zh) | 2015-02-11 | 2015-02-11 | 一种基于音频的车辆监控装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105989710A CN105989710A (zh) | 2016-10-05 |
CN105989710B true CN105989710B (zh) | 2019-01-22 |
Family
ID=57041884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510073084.6A Active CN105989710B (zh) | 2015-02-11 | 2015-02-11 | 一种基于音频的车辆监控装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105989710B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109410579B (zh) * | 2018-11-12 | 2021-07-06 | 广西交通科学研究院有限公司 | 一种运动车辆音频检测***及检测方法 |
CN110441390B (zh) * | 2019-07-18 | 2021-12-07 | 上海大学 | 一种基于十字阵和空间-波数滤波器的损伤定位方法 |
CN111163571B (zh) * | 2019-12-31 | 2022-04-01 | 北京声智科技有限公司 | 一种路灯控制方法、电子设备及计算机可读存储介质 |
CN112532941A (zh) * | 2020-11-30 | 2021-03-19 | 南京中科声势智能科技有限公司 | 车辆源强监测方法、装置、电子设备及存储介质 |
CN113313951B (zh) * | 2021-07-30 | 2021-11-16 | 宁波均联智行科技股份有限公司 | 一种基于环境噪声的交通控制方法和装置 |
CN118015286B (zh) * | 2024-04-09 | 2024-06-11 | 杭州像素元科技有限公司 | 通过背景分割进行收费站车道通行状态检测的方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5798983A (en) * | 1997-05-22 | 1998-08-25 | Kuhn; John Patrick | Acoustic sensor system for vehicle detection and multi-lane highway monitoring |
US6195608B1 (en) * | 1993-05-28 | 2001-02-27 | Lucent Technologies Inc. | Acoustic highway monitor |
CN102378918A (zh) * | 2009-01-20 | 2012-03-14 | 索尼特技术公司 | 声学位置确定*** |
CN102682765A (zh) * | 2012-04-27 | 2012-09-19 | 中咨泰克交通工程集团有限公司 | 高速公路音频车辆检测装置及其方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7349849B2 (en) * | 2001-08-08 | 2008-03-25 | Apple, Inc. | Spacing for microphone elements |
US7171008B2 (en) * | 2002-02-05 | 2007-01-30 | Mh Acoustics, Llc | Reducing noise in audio systems |
-
2015
- 2015-02-11 CN CN201510073084.6A patent/CN105989710B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6195608B1 (en) * | 1993-05-28 | 2001-02-27 | Lucent Technologies Inc. | Acoustic highway monitor |
US5798983A (en) * | 1997-05-22 | 1998-08-25 | Kuhn; John Patrick | Acoustic sensor system for vehicle detection and multi-lane highway monitoring |
CN102378918A (zh) * | 2009-01-20 | 2012-03-14 | 索尼特技术公司 | 声学位置确定*** |
CN102682765A (zh) * | 2012-04-27 | 2012-09-19 | 中咨泰克交通工程集团有限公司 | 高速公路音频车辆检测装置及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105989710A (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105989710B (zh) | 一种基于音频的车辆监控装置及方法 | |
CN105261215B (zh) | 基于微波的智能交通行为感知方法及*** | |
Kwong et al. | Arterial travel time estimation based on vehicle re-identification using wireless magnetic sensors | |
US5798983A (en) | Acoustic sensor system for vehicle detection and multi-lane highway monitoring | |
US11030896B2 (en) | Real-time traffic information collection | |
JPH09512100A (ja) | 車両事件自動検出用交通監視法 | |
CN208422108U (zh) | 基于毫米波雷达与激光雷达的交通情况调查装置 | |
CN110285877B (zh) | 基于Spark Streaming的列车实时定位跟踪与速度计算方法 | |
CN101751782A (zh) | 一种基于多源信息融合的十字路***通事件自动检测*** | |
CN202352081U (zh) | 基于无线传感器网络的智能交通灯控制*** | |
CN114280322B (zh) | 基于光栅阵列传感器的车辆定位测速***及方法 | |
CN113791410B (zh) | 一种基于多传感器信息融合的道路环境综合认知方法 | |
CN114858214B (zh) | 一种城市道路性能监测*** | |
CN111582160A (zh) | 基于分布式光纤传感***的车辆轨迹提取方法及装置 | |
CN101131796A (zh) | 一种道路交通参数检测装置及检测方法 | |
CN114003849A (zh) | 一种多车道非接触式车轴数自动计算方法及*** | |
Wu et al. | A novel skateboarder-related near-crash identification method with roadside LiDAR data | |
US20240183117A1 (en) | Device and method for estimating and managing road surface types using sound signals | |
CN202995036U (zh) | 一种基于雷达回波特征的铁路路障探测与告警方法的*** | |
CN114999113A (zh) | 一种高速公路路面结冰状态实时预测方法 | |
CN105989709B (zh) | 一种基于音频的公路车道动态定位方法 | |
Alrukaibi et al. | Real-time travel time estimation in partial network coverage: A case study in Kuwait City | |
Lücken et al. | Density‐Based Statistical Clustering: Enabling Sidefire Ultrasonic Traffic Sensing in Smart Cities | |
CN116165655A (zh) | 一种基于毫米波雷达组群的全域车辆轨迹跟踪*** | |
Desai et al. | Instinctive traffic control and vehicle detection techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |