CN106297373A - 基于互相关和地磁传感器的停车场车辆检测方法 - Google Patents
基于互相关和地磁传感器的停车场车辆检测方法 Download PDFInfo
- Publication number
- CN106297373A CN106297373A CN201510310396.4A CN201510310396A CN106297373A CN 106297373 A CN106297373 A CN 106297373A CN 201510310396 A CN201510310396 A CN 201510310396A CN 106297373 A CN106297373 A CN 106297373A
- Authority
- CN
- China
- Prior art keywords
- signal
- cross
- correlation
- cluster
- carried out
- 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.)
- Granted
Links
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种基于互相关和地磁传感器的停车场车辆检测方法,包括:所述地磁传感器节点采集所经过车辆对地磁的扰动信号,并对采集的信号进行预处理和特征提取,对处理后的信号进行K-means聚类,聚类后的聚类中心信号作为参考信号,并将采集的实时监测数据与参考信号进行互相关计算,最后根据相关性,做出车辆检测的相应判断。上述停车场车辆检测方法采用信号的互相关来判断停车位的状态,由于所选择的参考信号与噪声干扰信号相关性低,而与实际的车辆信号相关性高,可以通过简单的阈值方法来判定待测信号是否为车辆信号。本方法采用了K-means聚类算法,将聚类中心信号作为参考信号,该方法在噪声较大的路边停车场也具有较好的检测性能。
Description
【技术领域】
本发明涉及车辆检测技术,尤其涉及一种停车场车辆检测方法。
【背景技术】
目前停车场车辆检测的方法主要有:超声、视频和地磁检测等手段。超声检测是停车场使用较多的成熟的检测方法,优点是准确度较高,但是在路边停车场安装和维护不方便;视频检测具有直观、信息量丰富等优点,其缺点是图像处理需要存储大量信息,而且容易受到光照条件及天气条件的影响。地磁传感器的优点有:体积小、功耗低、灵敏度高、易于集成以及安装和维护方便等优点。只要把地磁传感器放置于车辆经过的区域就可以感应到车辆的存在,既可以检测道路车流量也可以应用停车场车辆检测。
当一辆汽车经过地磁传感器上方时,会对这一区域的磁场有较大的瞬间影响,外部磁场的改变会导致传感器的输出值发生变化,如图1所示;当车辆离开目标区域后,磁场恢复原来状态。通过地磁传感器输出值的变化来检测车辆是可行的,目前的已有的算法主要可以分为两种:基于阈值的检测方法和基于互相关的检测方法。
基于阈值的算法,主要的思想是当没车的时候确定背景磁场值作为基线,基线被认为是不变的,当磁场传感器的输出值与基线值的差值超过阈值时则判决有车,否则没车。这些阈值方法都存在一个共同的问题:基线漂移、阈值选取等因素对算法的检测精度影响较大。
互相关检测方法可以有效滤掉与参考信号不相关的噪声信号,使得有效信号得以加强,从而提高检测准确率。但是准确检测的关键在于找到一个合适的参考信号,参考信号必须尽可能地与有效信号相似,同时参考信号要保持与噪声信号无关。已有的检测算法参考信号有高斯曲线、磁场变化曲线等,这些方法适用于动态车辆检测,对于静态车辆检测并没有合适的参考信号,因此本发明旨在通过K-means聚类算法找到与实际的有效信号最相关的参考信号,同时设计停车场车辆检测算法,最终能够有效、准确的检测停车场车辆,从而能够准确地判断出车位的状态信息,为智能化停车场管理奠定了基础。
【发明内容】
有鉴于此,有必要提供一种可靠的停车场车辆检测方法。所述地磁传感器节点采集所经过车辆对地磁的扰动信号;然后对采集的信号进行预处理和信号特征提取;对预处理和信号特征提取后的信号进行K-means聚类,并将K-means聚类后的聚类中心作为参考信号;将采集的实时监测数据与参考信号进行互相关计算,互相关计算结果与阈值进行比较,超过阈值则认为车位状态改变,在认为车位状态改变后根据车位前一时刻状态来判断车位最新状态。
在优选的实施方式中,对采集信号的预处理步骤包括下述步骤:所述采集信号进行平滑滤波处理;所述滤波后信号进行去基线处理;所述信号进行求模计算。其中平滑滤波采用下述公式:
其中,xraw(t)是采样的x轴原始数据,N为设置的平滑窗口长度,xs(t)是所述x轴平滑滤波后的信号,y轴和z轴采用与x轴相同的平滑滤波方法。
去基线处理采用下述公式:
xs-b(t)=xs(t)-xbase(t)
其中,xs(t)是x轴平滑滤波后的信号,xbase(t)是x轴的基线值,y轴和z轴采用与x轴相同的去基线方法。
计算模值采用下述公式:
其中,xs-b(t)、ys-b(t)和zs-b(t)分别表示x、y和z轴的取基线后的信号。
在优选的实施方式中,所述对预处理信号进行特征提取包括下述步骤:所述预处理后信号进行特征曲线截取,去除静态部分;对截取的特征曲线进行插值处理,使特征曲线长度相同;所述插值处理后的信号进行归一化处理。
所述预处理后信号进行特征曲线截取,去除静态部分,采用下述公式;
Ga=G(t),{(t1-td)≤t≤t2+td}
Gd=G(t),{(t3-td)≤t≤t4+td}
其中,t1是车辆到达的时间,t2是停车后信号从不稳定状态转变为稳定状态的时间点;同样,t3是车辆离开的时间,t4是车离开后信号从不稳定状态转变为稳定状态的时间点,td是时间延迟参数。
所述对截取的特征曲线进行插值处理,使特征曲线长度相同,插值方法包括以下步骤:
(1)计算特征曲线长度L,并拟合曲线y=f(x);
(2)在长度L的区间上平均分布M个点(x1,x2,…,xM,M为插值后的固定长度);
(3)根据曲线f(x),计算出M个点所对应的函数值(y1,y2,…,yM);
(4)Y=[y1,y2,…,yM]即为插值后特征曲线;
所述特征曲线进行归一化处理,将信号归一到最大值为1,最小值为-1的范围中,采用下述公式:
其中,Ymax和Ymin分别表示归一化范围的最大值1和最小值-1,X是原始信号,Xmax和Xmin分别表示原始信号中的最大值和最小值。
在优选的实施方式中,所述对提取的特征信号进行k-means聚类包括下述步骤:
Step 1:随机选取k个聚类质心点,为μ1,μ2,...,μk∈Rn。
Step 2:对于每一个样本{x(1),...,xm},计算其类别:
Step 3:对于每一个类j,重新计算该类的质心:
重复step2和step3直到收敛;
其中,K是已知的聚类数,C(i)代表样本I与k个类中距离最近的那个类,C(i)的值是1到k中的一个,质心μj代表同一类样本的中心点。
在优选的实施方式中,所述μj引用为互相关检测中的参考信号。
在优选的实施方式中,所述将采集实时检测数据与参考信号进行互相关计算,采用下述公式:
其中Gm表示经过预处理的待检测信号,Ym是经过聚类得到的参考信号,和分别表示两个信号的均值,RGY(τ)表示两个信号的互相关系数,且在[-1,1]范围内,当两个信号互相关程度较高时,越趋近于1,当两个信号完全不相关时,越趋近于0。
所述判断车位状态是否改变采用下述公式:
其中,Event(t)表示状态是否改变,为1时表示改变,为0时表示状态不变;TH为设定阈值;RGY(t)为互相关计算结果。
所述目前车位状态判断采用下述公式:
其中,S(t)=0表示车位空闲,S(t)=1表示车位被占用。
有益效果:本发明中的互相关检测方法不依赖于阈值检测方法中与基线的对比,其检测精度不受基线漂移的影响,提高其鲁棒性;在已有的互相关检测算法中参考信号有高斯曲线、磁场变化曲线等,这些方法适用于动态车辆检测,对于停车场静态车辆检测并没有合适的参考信号,本发明通过K-means聚类算法找到与实际的有效信号最相关的参考信号,同时设计停车场车辆检测算法,最终能够有效、准确的检测停车场车辆,从而能够准确地判断出车位的状态信息,为智能化停车场管理奠定了基础。
【附图说明】
图1为车辆驶入和驶出时所对应的地磁信号变化曲线;
图2为停车场车辆检测方法流程图;
图3为采集信号预处理流程图;
图4为提取特征信号流程图;
图5为去除静态波形,截取驶入和驶出的波形曲线;
图6为K-means聚类算法流程图;
图7为互相关检测流程图;
图8为互相关检测结果示例图。
【具体实施方式】
以下结合具体的实施实例和附图进行说明。
如图2所示,一种传停车场车位检测方法,包括以下步骤:
S210,采集信号进行预处理。该步骤包括如下步骤,如图3所示:
S211,采集信号进行平滑滤波处理。均值滤波是对某一参数连续采样N次,然后把N次采样值求和,再取其平均值作为本次采样值。地磁信号虽然可靠,但是也会有一些小的高频干扰,而均值滤波比较适用削弱于这种波动范围较小的高频干扰。平滑滤波采用下述公式:
其中,xraw(t)是采样的x轴原始数据,N为设置的平滑窗口长度,xs(t)是所述x轴平滑滤波后的信号,y轴和z轴采用与x轴相同的滤波方法。
S212,本方法不关心基线,只关心车辆所引起的地磁变化量,为了简化计算,本方法采用了去基线处理,采用下述公式:
xs-b(t)=xs(t)-xbase(t)
其中,xs(t)是x轴平滑滤波后的信号,xbase(t)是x轴的基线值,y轴和z轴采用与x轴相同的去基线方法。
S213,本方法不考虑方向,只考虑了变化量的模值,计算模值采用下述公式:
其中,xs-b(t)、ys-b(t)和zs-b(t)分别表示x、y和z轴的取基线后的信号。
S220,特征提取处理。该步骤包括如下步骤,如图4所示:
S221,特征信号截取处理。预处理后的信号绝大部分处于稳定状态,只有在车辆驶入或驶出的时候,信号才处于波动状态,为了节省计算资源和存储资源,降低功耗,大部分稳定状态可以移除,截取部分波动曲线作为特征曲线即可。如图5(左)所示,驶入(arrival)事件时间段(t1~t2),输出(departure)事件时间段(t3~t4)为特征曲线,为了提高准确性,本发明设置了延迟时间td,因此截取的特征曲线为,如图5(右)所示。特征信号截取处理采用下述公式:
Ga=G(t),{(t1-td)≤t≤t2+td}
Gd=G(t),{(t3-td)≤t≤t4+td}
其中,t1是车辆到达的时间,t2是停车后信号从不稳定状态转变为稳定状态的时间点;同样,t3是车辆离开的时间,t4是车离开后信号从不稳定状态转变为稳定状态的时间点,td是时间延迟参数。
S222,截取的特征曲线进行插值处理,使特征曲线长度相同,插值方法包括下述步骤:
(1)计算特征曲线长度L,并拟合曲线y=f(x);
(2)在长度L的区间上平均分布M个点(x1,x2,…,xM,M为插值后的固定长度);
(3)根据曲线f(x),计算出M个点所对应的函数值(y1,y2,…,yM);
(4)Y=[y1,y2,…,yM]即为插值后特征曲线;
S223,所述插值后曲线进行归一化处理,将信号归一到最大值为1,最小值为-1的范围中,归一化采用下述公式:
其中,Ymax和Ymin分别表示归一化范围的最大值1和最小值-1,X是原始信号,xmax和xmin分别表示原始信号中的最大值和最小值。
S230,特征提取结果进行K-means聚类,聚类中心作为互相关检测的参考信号,如图6所示聚类包括下述步骤:
S231:随机选取k个聚类质心点,为μ1,μ2,...μk∈Rn。
S232:对于每一个样本{x(1),...,xm},计算其类别:
S233:对于每一个类j,重新计算该类的质心:
其中,K是已知的聚类数,C(i)代表样本I与k个类中距离最近的那个类,C(i)的值是1到k中的一个,质心μj代表同一类样本的中心点。
S234:重复step2和step3直到收敛;
S240,互相关检测。该步骤包括下述步骤:采集的实时监测数据与参考信号进行互相关计算;将互相关计算结果与阈值进行比较,如果超过阈值则认为车位状态发生改变,否则车位状态不变;在认为车位状态改变后根据车位前一时刻状态来判断车位最新状态,其流程图如图7所示。
S241,所述采集的实时监测数据与参考信号进行互相关计算,采用下述公式:
其中,Gm表示经过预处理的待检测信号,Ym是经过聚类得到的参考信号,和分别表示两个信号的均值,RGY(τ)表示两个信号的互相关系数,且在[-1,1]范围内,当两个信号互相关程度较高时,越趋近于1,当两个信号完全不相关时,越趋近于0。
S242,所述将互相关计算结果与阈值进行比较采用下述公式:
其中,Event(t)表示状态是否改变,为1时表示改变,为0时表示状态不变;TH为设定阈值;RGY(t)为互相关计算结果。
S243,所述目前车位状态判断采用下述公式:
其中,S(t)=0表示车位空闲,S(t)=1表示车位被占用。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (14)
1.一种基于互相关和地磁传感器的停车场车辆检测方法,包括以下步骤:
地磁传感器节点采集所经过车辆对地磁的扰动信号;
对采集的信号进行预处理和信号特征提取;
对预处理和信号特征提取后的信号进行K-means聚类,并将K-means聚类后的聚类中心信号作为参考信号;
将采集的实时监测数据与参考信号进行互相关计算,将互相关计算结果与阈值进行比较以判断车位状态是否发生改变,超过阈值则认为车位状态改变,在认为车位状态改变后根据车位前一时刻状态来判断车位最新状态。
2.根据权利要求1所述的方法,其特征在于,对采集的信号进行预处理具体为:
将采集的信号进行平滑滤波处理,然后进行去基线处理,最后计算基线处理后信号的模值。
3.根据权利要求2所述的方法,其特征在于,所述平滑滤波处理采用下述公式:
其中,xraw(t)是采样的x轴原始数据,N为设置的平滑窗口长度,xs(t)是所述x轴平滑滤波后的信号,y轴和z轴采用与x轴相同的方法进行平滑滤波。
4.根据权利要求2所述的方法,其特征在于,所述去基线处理采用下述公式:
xs-b(t)=xs(t)-xbase(t)
其中,xs(t)是x轴平滑滤波后的信号,xbase(t)是x轴的基线值,y轴和z轴采用与x轴相同的方法进行去基线处理。
5.根据权利要求2所述的方法,其特征在于,计算基线处理后信号的模值采用下述公式:
其中,xs-b(t)、ys-b(t)和zs-b(t)分别表示x、y和z轴的取基线后的信号。
6.根据权利要求1所述的方法,其特征在于,所述信号特征提取具体为:
将预处理后信号进行特征曲线截取,去除静态部分;然后进行插值处理;最后将插值处理后的信号进行归一化。
7.根据权利要求6所述的方法,其特征在于,所述特征曲线截取采用下述公式:
Ga=G(t),{(t1-td)≤t≤(t2+td)}
Gd=G(t),{(t3-td)≤t≤(t4+td)}
其中,t1是车辆到达的时间,t2是停车后信号从不稳定状态转变为稳定状态的时间点,t3是车辆离开的时间,t4是车离开后信号从不稳定状态转变为稳定状态的时间点,td是时间延迟参数。
8.根据权利要求6所述的方法,其特征在于,所述插值处理包括以下步骤:
(1)计算特征曲线长度L,并拟合曲线y=f(x);
(2)在长度L的区间上平均分布M个点(x1,x2,…,xM,M为插值后的固定长度);
(3)根据曲线f(x),计算出M个点所对应的函数值(y1,y2,…,yM);
(4)Y=[y1,y2,…,yM]即为插值后特征曲线。
9.根据权利要求6所述的方法,其特征在于,所述将插值处理后的信号进行归一化采用下述公式:
其中,Ymax和Ymin分别表示归一化范围的最大值1和最小值-1,X是原始信号,xmax和xmin分别表示原始信号中的最大值和最小值。
10.根据权利要求1所述的方法,其特征在于,所述K-means聚类中,训练样本{x(1),...,xm}来自于停车场的地磁传感器采集的数据,每个x(i)∈Rn,k-means算法是将样本聚类成k个簇,具体步骤如下:
Step 1:随机选取k个聚类质心点,为μ1,μ2,...,μk∈Rn;
Step 2:对于每一个样本,计算其类别:
C(i):=argminj||x(i)-μj||2;
Step 3:对于每一个类j,重新计算该类的质心:
重复step2和step3直到收敛;
其中,K是已知的聚类数,C(i)代表样本I与k个类中距离最近的那个类,C(i)的值是1到k中的一个,质心μj代表同一类样本的中心点。
11.根据权利要求10所述的方法,其特征在于,所述μj引用为相关检测的参考信号。
12.根据权利要求1所述的方法,其特征在于,所述互相关计算采用下述公式:
其中,Gm表示经过预处理的待检测信号,Ym是经过聚类得到的参考信号,和分别表示两个信号的均值,RGY(τ)表示两个信号的互相关系数,且在[-1,1]范围内,当两个信号互相关程度较高时,越趋近于1,当两个信号完全不相关时,越趋近于0。
13.根据权利要求1所述的方法,其特征在于,所述判断车位状态是否改变采用下述公式:
其中,Event(t)表示状态是否改变,为1时表示改变,为0时表示状态不变;TH为设定阈值;RGY(t)为互相关计算结果。
14.根据权利要求12的方法,其特征在于,所述判断车位最新状态采用下述公式:
其中,S(t)=0表示车位空闲,S(t)=1表示车位被占用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310396.4A CN106297373B (zh) | 2015-06-09 | 2015-06-09 | 基于互相关和地磁传感器的停车场车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510310396.4A CN106297373B (zh) | 2015-06-09 | 2015-06-09 | 基于互相关和地磁传感器的停车场车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106297373A true CN106297373A (zh) | 2017-01-04 |
CN106297373B CN106297373B (zh) | 2020-04-14 |
Family
ID=57659398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510310396.4A Active CN106297373B (zh) | 2015-06-09 | 2015-06-09 | 基于互相关和地磁传感器的停车场车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106297373B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730976A (zh) * | 2017-09-19 | 2018-02-23 | 深圳云停智能交通技术研究院有限公司 | 一种地磁车辆检测器抗干扰***及方法 |
CN107919017A (zh) * | 2017-11-10 | 2018-04-17 | 杭州朗米科技有限公司 | 一种地磁停车位检测方法 |
CN107945570A (zh) * | 2017-12-18 | 2018-04-20 | 浙江工业大学 | 一种地磁车位检测优化方法 |
CN113469240A (zh) * | 2021-06-29 | 2021-10-01 | 中国科学技术大学 | 一种基于形状相似性的行驶工况构建方法及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034496A (zh) * | 2007-04-17 | 2007-09-12 | 中国科学院计算技术研究所 | 一种交流流量的检测方法和装置 |
CN102779281A (zh) * | 2012-06-25 | 2012-11-14 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
KR101317346B1 (ko) * | 2012-01-09 | 2013-10-11 | 주식회사 마고테크놀러지 | 자기 바이어싱을 이용하여 차폐효과를 제거한 지자기 센서 장치를 구비한 차량 감지센서 |
CN104103044A (zh) * | 2014-07-09 | 2014-10-15 | 上海电力学院 | 一种基于K-Mean算法的滑车跳线在线检测方法 |
CN104346951A (zh) * | 2013-08-06 | 2015-02-11 | 江苏盛天交通科技有限公司 | 基于地磁检测器干扰更新的停车场车辆监测装置及方法 |
-
2015
- 2015-06-09 CN CN201510310396.4A patent/CN106297373B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101034496A (zh) * | 2007-04-17 | 2007-09-12 | 中国科学院计算技术研究所 | 一种交流流量的检测方法和装置 |
KR101317346B1 (ko) * | 2012-01-09 | 2013-10-11 | 주식회사 마고테크놀러지 | 자기 바이어싱을 이용하여 차폐효과를 제거한 지자기 센서 장치를 구비한 차량 감지센서 |
CN102779281A (zh) * | 2012-06-25 | 2012-11-14 | 同济大学 | 一种在地磁感应器上基于支持向量机的车型识别方法 |
CN104346951A (zh) * | 2013-08-06 | 2015-02-11 | 江苏盛天交通科技有限公司 | 基于地磁检测器干扰更新的停车场车辆监测装置及方法 |
CN104103044A (zh) * | 2014-07-09 | 2014-10-15 | 上海电力学院 | 一种基于K-Mean算法的滑车跳线在线检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730976A (zh) * | 2017-09-19 | 2018-02-23 | 深圳云停智能交通技术研究院有限公司 | 一种地磁车辆检测器抗干扰***及方法 |
CN107919017A (zh) * | 2017-11-10 | 2018-04-17 | 杭州朗米科技有限公司 | 一种地磁停车位检测方法 |
CN107919017B (zh) * | 2017-11-10 | 2019-09-20 | 杭州朗米科技有限公司 | 一种地磁停车位检测方法 |
CN107945570A (zh) * | 2017-12-18 | 2018-04-20 | 浙江工业大学 | 一种地磁车位检测优化方法 |
CN107945570B (zh) * | 2017-12-18 | 2020-05-26 | 浙江工业大学 | 一种地磁车位检测优化方法 |
CN113469240A (zh) * | 2021-06-29 | 2021-10-01 | 中国科学技术大学 | 一种基于形状相似性的行驶工况构建方法及存储介质 |
CN113469240B (zh) * | 2021-06-29 | 2024-04-02 | 中国科学技术大学 | 一种基于形状相似性的行驶工况构建方法及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106297373B (zh) | 2020-04-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11373523B2 (en) | Method for vehicle detection based on single-axis geomagnetic sensor | |
Yang et al. | Vehicle detection and classification for low-speed congested traffic with anisotropic magnetoresistive sensor | |
CN107591002B (zh) | 一种基于分布式光纤的高速公路交通参数实时估计方法 | |
Jeong et al. | A wavelet-based freeway incident detection algorithm with adapting threshold parameters | |
CN105632187B (zh) | 基于地磁传感器网络的低功耗路边停车检测方法 | |
CN102682601B (zh) | 基于优化svm的高速公路交通事件检测方法 | |
CN106960580B (zh) | 一种基于地磁传感器的车位检测方法 | |
CN104299417B (zh) | 基于波形检测的车辆识别方法 | |
CN103345842B (zh) | 一种道路车辆分型***及方法 | |
CN106297373A (zh) | 基于互相关和地磁传感器的停车场车辆检测方法 | |
CN104008644B (zh) | 一种基于梯度下降的城市道路交通噪声测量方法 | |
Liu et al. | The calculation method of road travel time based on license plate recognition technology | |
Xu et al. | ER: Early recognition of inattentive driving leveraging audio devices on smartphones | |
CN103559508B (zh) | 一种基于连续型Adaboost视频车辆检测方法 | |
CN103236188B (zh) | 基于无线磁阻传感器网络的协同决策停车检测方法 | |
US20210350699A1 (en) | Method for Vehicle Classification Using Multiple Geomagnetic Sensors | |
CN103123743A (zh) | 基于无线传感器网络的车辆计数***及其计数方法 | |
Lu et al. | Estimating traffic speed with single inductive loop event data | |
CN110310491A (zh) | 一种短间距双节点地磁车速检测***及检测方法 | |
CN109711276A (zh) | 一种套牌检测方法及装置 | |
CN103175897A (zh) | 一种基于振动信号端点检测的高速道岔伤损识别方法 | |
Zhang et al. | Vehicle classification based on feature selection with anisotropic magnetoresistive sensor | |
CN103198707B (zh) | 一种基于晴天状况下危险交通流特征的车辆调控方法 | |
CN106384507A (zh) | 基于稀疏检测器的行程时间实时估计方法 | |
CN109344903B (zh) | 基于车载感知数据的城市道路路面故障实时检测方法 |
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 |