CN111582160B - 基于分布式光纤传感***的车辆轨迹提取方法及装置 - Google Patents

Abstract

本发明公开了一种基于分布式光纤传感***的车辆轨迹提取方法及装置，首先通过分布式光纤传感***经沿道路铺设的光纤测量车辆行驶路段产生的振动信号，然后通过小波变换对所测量的振动信号，再利用S变换累积时域上的扰动强度以达到增强车辆行驶所产生的振动信号及抑制噪声的目的，最后利用Radon变换分离提取出车辆振动信号，进而得到车辆行驶轨迹，无监督地实现了车辆行驶轨迹的提取。

Description

基于分布式光纤传感***的车辆轨迹提取方法及装置

技术领域

本发明属于智能交通技术领域，涉及车辆轨迹提取，尤其涉及基于分布式光纤传感***的车辆轨迹提取技术。

背景技术

随着交通运输业的迅速发展，车辆运行状况监测对道路规划和交通诱导起着越来越重要的作用。车辆运行状况监测主要是通过车流量实时检测、车速实时检测和车辆意图预测等技术实现，其中轨迹提取是这些检测技术的重要支撑环节。车辆轨迹提取旨在从特定传感器获取到的复杂多源信号中提取出车辆行驶的信号，可协助分析道路交通情况(如车辆的密集程度、车辆的行驶速度等)。

目前，国内外的研究学者已经对车辆轨迹提取技术进行了大量研究，提出了基于多种不同传感器的车辆轨迹提取方法，并且许多包含车辆轨迹提取的交通状况检测***也已投入市场使用。虽然现有车辆轨迹提取方法能够在某些特定的场景下较好的提取出车辆的行驶轨迹，但仍存在以下缺陷：(1)基于线圈检测器检测得到的(磁感应脉冲信号)数据获取车辆轨迹的提取方法，由于需要埋设于地下，不仅施工过程复杂，而且后期维护成本较高；(2)基于红外线和激光检测得到的红外线反射和激光反射数据获取车辆轨迹的提取方法，不仅对极端天气较为敏感、容易受噪声干扰，而且还有可能对人体产生损害，从而使其应用得到较大限制；(3) 基于地磁检测器检测得到的磁通量数据获取车辆轨迹的提取方法，虽然其精度高、易施工，但是无法检测静止车辆，成本较高；(4)基于视频图像检测器检测得到的图像数据获取车辆轨迹的提取方法，首先通过高清摄像头获取高清图像，然后通过机器视觉算法对图像中的车辆进行识别，进而得到车辆轨迹，虽然这种方法识别率较高并可获取丰富的车辆轨迹信息，但其精度易受天气、环境影响；(5)基于车载GPS、车载摄像头等设备采集的车辆位置、速度等数据获取车辆轨迹的提取方法，需要通过车路通信网络把检测数据传输到相应的控制中心，因此这类方法依赖于车载智能设备的普及和车-路通信(Vehicle to Road，V2R)网络的铺设，目前还不能成为道路交通监测中车辆轨迹提取的主流手段。而且上述提到的多种车辆轨迹提取方法只在交通断面上离散地采集车辆轨迹，如果要实现大范围内全时空的车辆轨迹采集目标，需要付出较大的代价。

鉴于声波和振动传感器所具有的无源性、长距离、低功耗、全天候等优势，研究学者们开始进一步研究利用声波和振动传感器检测的声波和振动信号来提取车辆轨迹信息，以解决目前车辆轨迹提前方法存在的上述缺陷。其中，基于分布式光纤的传感技术具有可获取连续分布信息、探测灵敏度高、抗电磁干扰能力强、成本低及隐蔽性强等优势，有望在陈列检测技术中得到广泛的应用。现有的基于分布式光纤的车辆振动检测与识别技术主要是从时域、频域等多种方式综合分析数据，并进行特征提取和模式识别，其主要局限性在于：(1)只对一维时间信号进行特征提取，摒弃了空间关联性，从而无法长距离地监控目标行驶轨迹；(2)通过有监督的机器学习方法对信号进行分类或者识别，由于在实际高速公路场景下采集的信号非常复杂且不直观，即使花费大量人力资源，也难以找到依据对其进行准确的手工标记；而在实验室环境采集的数据或者仿真产生的数据与真实场景采集的数据分布不一致，使用前者训练的模型不能直接迁移到真实场景中应用。

发明内容

本发明目的旨在克服现有传感技术中，存在的覆盖面小、受环境因素影响大、成本高、施工难度大等缺点，同时克服现有基于分布式光纤传感的车辆轨迹提取技术中存在的无法长距离监控目标行驶轨迹、在真实场景中的迁移应用性不强等缺点，提供一种基于已有的基础设施，通过已铺设好的分布式光纤传感***实现车辆轨迹提取的方法及装置，以适用于在真实交通环境中长距离的车辆轨迹提取。

本发明的发明构思为首先通过沿道路铺设的分布式光纤传感器***测量测量车辆行驶路段产生的振动信号，然后经小波去噪，再利用S变换对去噪后的振动信号进行增强处理获得时空关联的振动能量响应信号，最后通过Radon变换分离出车辆轨迹。

本发明提供的基于分布式光纤传感***的车辆轨迹提取方法包括以下步骤：

S1利用分布式光纤传感***通过光纤实时测量车辆行驶路段产生的振动信号；

S2利用小波变换对测量的振动信号进行去噪处理；

S3利用S变换对去噪后的振动信号进行信号增强处理，获得由车辆行驶引发的时空二维振动能量响应；

S4利用Radon变换对所得时空二维振动能量响应信号进行分离得到车辆行驶轨迹和车辆行驶速度。

上述基于分布式光纤传感***的车辆轨迹提取方法，步骤S1中，所述分布式光纤传感***为分布式光纤声传感***(Distributed fiber Acoustic Sensing,DAS)，基于Φ-OTDR原理，通过对振动信号的检测来跟踪车辆行驶路段上车辆行驶的轨迹。本发明利用道路(例如高速公路、普通省道、铁路等)沿线铺设的通信光纤中的空闲纤芯进行传感，分布式光纤传感***通过脉冲激光器沿着光纤发出高度相干的探测光脉冲信号，探测光脉冲在光纤内传播的过程中会发生散射现象。当地面发生振动时，传感光纤扰动位置点的光纤内部诸如折射率、拉伸长度等原本稳定的特性发生变化，从而后向瑞利散射光波的相位和光强也会发生变化，进而使得到的波形产生变化。因此，通过对分布式光纤传感***检测的光纤上的振动信号进行分析，便可实现对车辆位置的跟踪。

为了提升车辆轨迹提取效率，可以进一步将光纤沿其长度方向虚拟成若干光纤阵列(即通道)，将测量的振动信号按照光纤阵列划分为若干通道振动信号。

上述基于分布式光纤传感***的车辆轨迹提取方法，步骤S2首先是分别对各个通道光纤的原始振动信号分别进行小波分解，然后对小波分解系数进行阈值化处理达到抑制噪声信号所产生的小波系数的目的，最后对阈值化后的小波分解系数进行重构得到重构信号，完成对振动信号的去噪处理。该步骤具体包括以下分步骤：

S21对各个通道的振动信号进行小波分解，得到小波分解系数；

利用小波基对DAS***采集的第k个通道振动信号X_k(t)进行L层小波分解，得到小波分解系数W_s,j：

式中，ψ(·)表示小波基函数，s为尺度因子，j为位移因子，L为分解层数。

S22对得到的小波分解系数进行阈值化处理；

对得到的小波分解系数W_s,j按照以下公式进行阈值化处理得到

式中，sgn(·)表示阶跃函数，当W_s,j＞0时，sgn(W_s,j)＝1，当W_s,j＝0时， sgn(W_s,j)＝0，当W_s,j＜0时，sgn(W_s,j)＝-1，T_s,j表示阈值，

S23对阈值化处理后的小波分解系数进行重构得到重构信号，即各个通道去噪后的振动信号；

对阈值化处理后的小波分解系数

按照以下公式进行重构得到重构信号

上述基于分布式光纤传感***的车辆轨迹提取方法，步骤S3首先分别对各个通道去燥后的振动信号进行S变换得到S域的时频谱矩阵；然后依据各个通道的S域时频谱矩阵，获得t时刻由车辆行驶引发的振动能量；再将各个通道t时刻由车辆行驶引发的振动能量进行堆积形成由车辆行驶引发的时空二维振动能量响应。这样能够增强车辆行驶所产生的地面振动信号，抑制车辆发动机等组件自身工作产生的振动信号及噪声，从而使车辆行驶所产生的时空二维振动信号得到增强。且由于考虑了各个通道振动信号的时空关联性，能够对车辆行驶轨迹进行准确、有效地提取。该步骤具体包括以下分步骤：

S31利用S变换对各个通道去噪后的振动信号进行处理得到各个通道S域的时频谱矩阵；

利用S变换按照以下公式对各个通道去噪后的振动信号进行处理得到S域的时频谱矩阵：

式中，S_k(t,f)表示第k个通道信号的S域的时频谱矩阵，t表示时间，

表示步骤S2去噪后的振动信号，σ为积分变量、控制高斯窗函数在时间轴上的位置，f 表示频率、控制窗函数在频率轴上的位置。

S32依据各个通道得到的S域的时频谱矩阵获取各个通道由车辆行驶所引发的振动能量；

本发明中，以t时刻S域f_d到f_u的频谱能量和作为t时刻由车辆行驶所引发的振动能量，对于第k个通道，其由车辆行驶所引发的振动能量为：

式中，[f_d，f_u]表示车辆行驶所引发的振动频率范围，*表示共轭计算符。

S33将各个通道车辆行驶所引发的振动能量进行堆积得到由车辆行驶引发的时空二维振动能量响应；

本发明中，依据公式(5)得到各个通道由车辆行驶所引发的振动能量，将各个通道车辆行驶所引发的振动能量进行堆积即得到由车辆行驶引发的时空二维振动能量P(t)：

P(t)＝[P₁(t),P₂(t),...,P_k(t),...,P_N(t)] (6)；

式中，N表示通道个数。

上述基于分布式光纤传感***的车辆轨迹提取方法，步骤S4首先利用线性Radon变换对得到的时空二维振动能量响应信号进行处理得到振动能量在Radon域的分布，最后通过搜索Radon域内的局部极大值点便可提取出车辆行驶轨迹。该步骤具体包括以下分步骤：

S41利用线性Radon变换对得到的时空二维振动能量响应信号进行处理，得到二维振动能量响应信号在Radon域内的分布；

本发明中，令d＝vτ-x表示车辆轨迹，空间轴上的截距为d，速度为v，x表示空间距离，单位为米，τ表示时间，单位为秒；对时空二维振动能量响应信号P(t,k) 沿着d＝vτ-x进行积分可得距离-速度域变换结果R(d,v)：

由于DAS信号是以空间采样间隔Δx和时间采样间隔Δt进行采样的。因此，依据空间采样间隔Δx和时间采样间隔Δt进行离散处理，式(7)可转化为：

式中，δ(·)表示狄拉克函数，τ＝tΔt，x＝kΔx，d＝d′Δx，d′表示离散变量， d′∈[1，N]。

由于车辆行驶轨迹在时空二维振动信号中体现为一些与速度相关的曲线，同时当时间较短时，车速近似不变，因此对其进行如式(8)所示的Radon变换后，车辆行驶轨迹将转化为Radon域中的奇异点。

S42对振动能量在Radon域内的分布进行遍历搜索，提取出局部极大值点，Radon域内局部极大值点对应的速度坐标即为车辆行驶速度，将提取的局部极大值点映射到距离-时间域即得到车辆行驶轨迹。

本发明中，对振动能量在Radon域内的分布进行遍历搜索，将大于设定阈值的局部极大值点提取出，并将其映射到距离-时间域即得到车辆行驶轨迹。

本发明进一步提供了一种基于分布式光纤传感***的车辆轨迹提取装置，其包括：

分布式光纤传感***，用于通过光纤实时测量车辆行驶路段产生的振动信号；

去噪模块，用于利用小波变换分别对各个通道的振动信号进行去噪处理；

信号增强模块，用于利用S变换对各个通道去噪后的的振动信号进行信号增强处理，获得由车辆行驶引发的时空二维振动能量响应；

车辆轨迹提取模块，用于利用Radon变换对所得时空二维振动能量响应信号进行分离得到车辆行驶轨迹和车辆行驶速度。

上述去噪模块、信号增强模块、车辆轨迹提取模块可以嵌入到计算机处理***中，并依据本发明提供的车辆轨迹提取方法，调用上述各模块完成对车辆轨迹提取的任务。

与现有技术相比，本发明提供的基于分布式光纤传感***的车辆轨迹提取方法及装置，具有如下十分突出的优点和有益技术效果：

1、本发明首先通过分布式光纤传感***经沿道路铺设的光纤测量车辆行驶路段产生的振动信号，然后通过小波变换对所测量的振动信号，再利用S变换累积时域上的扰动强度以达到增强车辆行驶所产生的振动信号及抑制噪声的目的，最后利用 Radon变换分离提取出车辆振动信号，进而得到车辆行驶轨迹，无监督地实现了车辆行驶轨迹的提取。

2、本发明针对道路尤其是高速公路振动情况复杂的问题，采用基于S变化的振动信号增强方法，能够在增强车辆行驶所产生的地面振动信号的同时，抑制车辆发动机等组件自身工作产生的振动信号及噪声，从而使得分布式光纤传感***所测量的由车辆行驶产生的时空二维振动信号得到增强；且由于考虑了光纤各个通道振动信号的时空关联性，能够更加准确、有效的提取车辆行驶轨迹。

3、本发明基于Radon变换对多车辆振动信号进行分离，可无监督地实现多条车辆行驶轨迹提取。

4、本发明利用道路已埋设的通信光纤采集真实道路环境的振动信号来进行车辆轨迹提取，可最大程度地利用现有资源，节约交通检测成本，具有较强的适用性。

附图说明

图1为本发明铺设的埋地光纤位置的示意图。

图2为本发明提供的基于分布式光纤传感***的车辆轨迹提取方法的流程图。

图3为本发明实施例对一个光纤阵列单元的处理结果示意图，其中(a)为原始振动信号，(b)为原始振动信号通过小波变换去噪后的处理结果，(c)为(b) 中振动信号通过S变换后在S域(横轴为时间，纵轴为频率)的分布，(d)为振动能量信号。

图4为本发明实施例1200个通道时空二维信号叠加示意图；其中(a)为1200 个通道时空二维原始振动信号叠加示意图，(b)为(a)中振动信号通过小波变换去噪后的结果示意图，(c)为(b)中振动信号通过S变换处理后的结果示意图。

图5为本发明实施例原始振动信号在Radon域(距离-速度域)的部分分布示意图，其中(a)为Radon的二维展示，(b)为Radon域三维展示。

图6为本发明实施例振动能量响应在Radon域的部分分布示意图，其中(a) 为Radon的二维展示，(b)为Radon域三维展示。

图7为本发明实施例振动能量响应在Hough空间的部分分布示意图，其中(a) 为Hough域的二维展示，(b)为Hough域三维展示。

图8为本发明实施例车辆轨迹提取结果示意图。

图9为本发明提供的基于分布式光纤传感***的车辆轨迹提取装置示意图。

具体实施方式

以下将结合附图给出本发明实施例，并通过实施例对本发明的技术方案进行进一步的清楚、完整说明。显然，所述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明内容，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

实施例1

本实施例以一段埋设有通信光纤的高速公路为研究对象，对本发明提供的基于分布式光纤传感***的车辆轨迹提取方法进行详细的解释。如图1所示，通信光纤埋设于高速公路两侧车道中央的绿化带地下。

本实施例提供的基于分布式光纤传感***的车辆轨迹提取方法如图2所示，包括以下步骤：

S1利用分布式光纤传感***通过光纤实时测量车辆行驶路段产生的振动信号。

本实施例中以铺设于高度公路地下的通信光纤中的空闲通信纤芯作为监测用待测光纤，通信光纤长度为7800m，该光纤沿其长度方向被虚拟成1200个光纤阵列(通道)，相邻通道的空间间隔为6.5m，以对公路路面振动进行连续监测。

本实施采用的分布式光纤传感器***为现有的DAS***。DAS***是基于Φ-OTDR原理设计，其包括高相干的脉冲激光器和信号接收器。待测光纤端部通过光纤耦合器分别与脉冲激光器和信号接收器连接，脉冲激光器沿着光纤发出高度相干的探测光脉冲信号，探测光脉冲在光纤内传播的过程中会发生散射现象，反向散射光与入射光脉冲信号发生干涉，反射回的干涉光由信号接收器接收并转换成电信号，最终发送至与DAS***连接的显示装置(例如计算机)上显示。当地面发生振动时，传感光纤扰动位置点的光纤内部诸如折射率、拉伸长度等原本稳定的特性发生变化，从而后向瑞利散射光波的相位和光强也会发生变化，进而使得到的波形产生变化。该DAS***安装于高速公路旁的通信机房内，其采样频率为1kHz。

利用上述DAS***通过对高速公路监测路段的地面振动情况进行实时测量，获取包含但不限于车辆行驶信号的振动信号(例如车辆行驶信号、发动机轰鸣、环境噪声等)。将测量的振动信号按照光纤阵列划分为1200个通道振动信号。

S2利用小波变换分别对各个通道的振动信号进行去噪处理，该步骤具体包括以下分步骤：

S21对各个通道的振动信号进行小波分解。

利用小波基对DAS***采集的第k个通道(k＝1，2，…，1200)振动信号X_k(t) 进行L层小波分解，得到小波分解系数W_s,j：

式中，ψ(·)表示小波基函数，s为尺度因子，j为位移因子，L为分解层数。

本实施例以Daubechies小波作为小波基函数，L＝4。

S22对得到的小波分解系数进行阈值化处理。

对得到的小波分解系数W_s,j按照以下公式进行阈值化处理得到

式中，sgn(·)表示阶跃函数，当W_s,j＞0时，sgn(W_s,j)＝1，当W_s,j＝0时， sgn(W_s,j)＝0，当W_s,j＜0时，sgn(W_s,j)＝-1，T_s,j表示阈值，

median(·)表示中间值函数。

S23对阈值化处理后的小波分解系数进行重构得到重构信号，即各个通道去噪后的振动信号。

对阈值化处理后的小波分解系数

按照以下公式进行重构得到重构信号

S3利用S变换对各个通道去噪后的的振动信号进行信号增强处理，获得由车辆行驶引发的时空二维振动能量响应，该步骤包括以下分步骤：

S31利用S变换对各个通道去噪后的振动信号进行处理得到各个通道S域的时频谱矩阵。

利用S变换按照以下公式对各个通道去噪后的振动信号进行处理得到S域的时频谱矩阵：

式中，S_k(t,f)表示第k个通道信号的S域的时频谱矩阵，t表示时间，

表示步骤S2去噪后的振动信号，这里是指按照步骤S23得到的重构信号，σ为积分变量、控制高斯窗函数在时间轴上的位置，f表示频率、控制窗函数在频率轴上的位置。

S32依据各个通道得到的S域的时频谱矩阵获取各个通道由车辆行驶所引发的振动能量。

本实施例中，以t时刻S域f_d到f_u的频谱能量和作为t时刻由车辆行驶所引发的振动能量，对于第k个通道，其由车辆行驶所引发的振动能量为：

式中，[f_d，f_u]表示车辆行驶所引发的振动频率范围，本实施例中f_d＝10Hz， f_u＝120Hz，*表示共轭计算符，e＝2.718。

S33将各个通道车辆行驶所引发的振动能量进行堆积得到由车辆行驶引发的时空二维振动能量响应。

本实施例中，依据公式(5)得到各个通道由车辆行驶所引发的振动能量，将1200个通道车辆行驶所引发的振动能量进行累计，堆积叠加即得到由车辆行驶引发的时空二维振动能量P(t)：

P(t)＝[P₁(t),P₂(t),...,P_k(t),...,P_N(t)] (6)；

式中，N表示通道个数。

为了说明S变换处理对振动信号的增强效果，图3给出了分布式光纤传感器所获取的时长为一分钟的原始振动信号、小波变换处理结果、S变换处理结果以及振动能量信号。从图3可以看出，振动能量与原始振动信号的分布规律是一致的，当t时刻存在扰动时，该时刻的能量值较大，且均匀分布在10Hz～120Hz的频率分量上，从而振动能量值累积较高；反之，不存在扰动时，该时刻的能量值较小。因此，可以看出振动能量在一定程度上能抑制噪声能量和车辆自身振动能量，而增强车辆行驶产生的振动能量。

进一步对信号进行逐通道堆叠，1200个通道的时空二维原始振动信号、经小波变换去噪后的振动信号以及振动能量响应信号如图4所示。从图4可以看出，对于 DAS***在高速公路上采集的原始时空二维振动信号相当复杂，车辆行驶过程中产生的振动轨迹不明显(见图4(a))；经小波变换后，所得振动信号少量部分噪声被移除，但车辆轨迹仍然不明显(见图4(b))；经S变换处理后，在S域上累积的振动能量响应图中车辆轨迹十分明显。

为进一步客观地评估S3中车辆轨迹振动信号通过S变换增强的效果，首先将 DAS***所采集的1个小时的振动信号平均分割成60个时空二维信号，然后使用信息熵及局部对比度增强指标对所提方法进行了评估。

一个信号的信息熵H是其所含的信息量的度量：

式中，p_i表示信号幅值在第i个区间的概率。

熵越大，信号中包含的信息量越丰富，目标越多，分布越均匀。

局部对比度增强指标CI定义为：

X和Y分别表示处理前后的时空二维信号，将每个时空二维信号分为m×n的小块(本实施例中使用5×1000的小块)，

为所有m×n小块信号对比度的均值，小块对比度定义为

(Z_l)_max和(Z_l)_min分别为第l个小块信号的最大值和最小值，Z表示处理前的时空二维信号X或处理后的时空二维信号Y。

统计60个时空二维信号对应的原始时空二维振动信号、小波变换去噪及振动能量响应信号这三类信号的平均信息熵值及局部对比度增强指标，结果如表1所示。

表1S变换方法与小波变换在轨迹增强上性能比较

从上述分析可以看出，利用S变换和能量累计能够很好的增强车辆行驶的轨迹信号，同时抑制车辆发动机等组件自身工作产生的振动信号及噪声。

S4利用Radon变换对所得时空二维振动能量响应信号进行分离得到车辆行驶轨迹和车辆行驶速度。该步骤具体包括以下分步骤：

S41利用线性Radon变换对得到的时空二维振动能量响应信号进行处理，得到二维振动能量响应信号在Radon域内的分布。

本实施例中，令d＝vτ-x表示车辆轨迹，空间轴上的截距为d，速度为v，x表示空间距离，单位为米，τ表示时间，单位为秒。对时空二维振动能量响应信号P(t,k) 沿着d＝vτ-x进行积分可得距离-速度域(即Radon域)变换结果R(d,v)：

由于DAS信号是以空间采样间隔Δx(本实施案例中Δx＝6.5m)和时间采样间隔Δt(本实施案例中Δt＝1ms)进行采样的。因此，依据空间采样间隔Δx和时间采样间隔Δt进行离散处理，式(7)可转化为：

式中，δ(·)表示狄拉克函数，τ＝tΔt，x＝kΔx，d＝d′Δx，d′表示离散变量， d′∈[1，N]。

由于车辆行驶轨迹在时空二维振动信号中体现为一些与速度相关的曲线，同时当时间较短时，车速近似不变，因此对其进行如式(8)所示的Radon变换后，车辆行驶轨迹将转化为Radon域中的奇异点。

利用上述线性Radon变换对步骤S3获取的时空二维振动能量响应信号进行处理，得到的振动能量响应信号在Randon域的分布如图6所示。

S42对振动能量在Radon域内的分布进行遍历搜索，提取出局部极大值点，Radon域内局部极大值点对应的速度坐标即为车辆行驶速度，将提取的局部极大值点映射到距离-时间域即得到车辆行驶轨迹。

本实施例中，对振动能量在Radon域内的分布进行遍历搜索，将大于自适应阈值(这里以Radon域中所有信号幅值均值与均方差的和作为自适应阈值)的局部极大值点提取出。Radon域内局部极大值点对应的速度坐标即为车辆行驶速度。将局部极大值点对应的距离坐标除以速度坐标即得到对应的时间坐标，将局部极大值点信号幅值映射到距离-时间域即得到车辆行驶轨迹，如图8所示。从图8可以看出，通过本实施例提供的基于分布式光纤传感***的车辆轨迹提取方法能够同时可以实现对多条车辆轨迹的准确、有效的提取出。

为验证本实施例在车辆行驶轨迹提取的性能，本实施例进一步利用S变换按照以下步骤对图4(a)对应的原始振动信号进行处理：

S41′令d＝vτ-x表示车辆轨迹，空间轴上的截距为d，速度为v，x表示空间距离，单位为米，τ表示时间，单位为秒。对DAS获取的时空二维振动信号X(t,k)沿着d＝vτ-x进行积分可得距离-速度域变换结果R′(d,v)：

式中，δ(·)表示狄拉克函数，τ＝tΔt，x＝kΔx，d＝d′Δx，d′表示离散变量， d′∈[1，N]。

由此得到原始振动信号在Radon域(这里指的是距离-速度域)的分布，如图5 所示。

本实施例进一步利用Hough变换按照以下步骤对步骤S3得到的时空二维振动能量响应信号进行处理映射到Hough域：

S41″本实施例中，可按照OTSU方法(最大类间方差法)最大化类间方差得到自适应阈值th：

式中，ω₁，ω₂，u₁，u₂分别表示当阈值为g时，前景和背景数据点的概率及均值，即：

式(13)-(16)中，

N_t表示时间采样点数，N_k表示空间采样点数。

S42″按照阈值th将时空二维振动能量响应信号P(t,k)阈值化：

S43″本实施例中，阈值化后的时空二维振动能量响应信号P′(t,k)可按照以下公式转换到Hough空间：

ρ＝tΔtsinθ+kΔxcosθ (18)；

式中，θ表示直线夹角，ρ表示直线截距，Δx和Δt分别为空间采样间隔和时间采样间隔。因此，tanθ可表示车速。可以看出，式(18)即为欧式坐标系与笛卡尔坐标系的变换关系，式(18)可以将时间-空间域和Hough空间Ρ-Θ联系起来。首先将Hough空间Ρ-Θ离散化，同时确定θ和ρ的取值范围[0,π]和[-N_k,N_k]。计算所有 P′(t,k)＝1的边缘点在Hough空间Ρ-Θ中的可能轨迹，并在Hough空间Ρ-Θ中进行投票累加，即完成了阈值化后的时空二维振动能量响应信号P′(t,k)到Hough空间的转换。

由此得到振动能量在Hough域(这里指的是距离-速度域)的分布，如图7所示。

从图5可以看出，当将时空二维振动信号直接分解到Radon域中，噪声能量和小部分车辆行驶轨迹均被积累起来形成局部峰值。而经过步骤S3进行车辆行驶轨迹增强后，车辆行驶轨迹在Radon域中被积累形成了多个局部峰值，因此达到了多车辆行驶轨迹分离的目的，如图6所示。

由于Hough变换也是一种检测图像中诸如直线、圆等特征的经典方法。以检测直线为例，它将图像空间中的直线变换到参数空间中，然后通过检测参数空间中的极值点，确定出该直线的描述参数，从而提取图像中的直线。然而从图7看，对振动能量相应进行Hough变换后，车辆的行驶轨迹并未能在Hough空间中形成相应的极值点，因此不能分离车辆行驶轨迹。

实施例2

本实施例提供了一种基于分布式光纤传感***的车辆轨迹提取装置，如图9所示，其包括：

分布式光纤传感***，用于通过光纤实时测量车辆行驶路段产生的振动信号；

去噪模块，用于利用小波变换对测量的振动信号进行去噪处理；

信号增强模块，用于利用S变换对去噪后的的振动信号进行信号增强处理，获得由车辆行驶引发的时空二维振动能量响应；

车辆轨迹提取模块，用于利用Radon变换对所得时空二维振动能量响应信号进行分离得到车辆行驶轨迹和车辆行驶速度。

上述去噪模块、信号增强模块、车辆轨迹提取模块可以嵌入到计算机处理***中。分布式光纤传感***将采集的数据传送到计算机，计算机依据上述提供的车辆轨迹提取方法，调用上述各模块完成对车辆轨迹提取的任务。上述去噪模块、信号增强模块、车辆轨迹提取模块可以按照前面车辆轨迹提取方法给出的具体步骤执行操作。

综上所示，本发明提供的基于分布式光纤传感***的车辆轨迹提取方法及***，首先利用道路铺设的通信光纤中的空闲纤芯及基于Φ-OTDR原理的分布式光纤传感***实时地测量车辆行驶时产生的振动信号，然后通过小波变换对所采集的振动信号去噪，再利用S变换累积时域上的扰动强度以达到增强车辆行驶所产生的振动信号和抑制噪声，最后再利用Radon变换将多车辆振动信号分离，无监督地实现了多条车辆行驶轨迹的提取。

Claims (6)

1.一种基于分布式光纤传感***的车辆轨迹提取方法，其特征在于包括以下步骤：

S1利用分布式光纤传感***通过光纤实时测量车辆行驶路段产生的振动信号；将光纤沿其长度方向虚拟成若干光纤阵列，即通道；将测量的振动信号按照光纤阵列划分为若干通道振动信号；

S2利用小波变换对测量的振动信号进行去噪处理；

S3利用S变换对去噪后的振动信号进行信号增强处理，获得由车辆行驶引发的时空二维振动能量响应；该步骤包括以下分步骤：

S31利用S变换对各个通道去噪后的振动信号进行处理得到各个通道S域的时频谱矩阵；

S32依据各个通道得到的S域的时频谱矩阵获取各个通道由车辆行驶所引发的振动能量；

S33将各个通道车辆行驶所引发的振动能量进行堆积得到由车辆行驶引发的时刻二维振动能量响应；

S4利用Radon变换对所得时空二维振动能量响应信号进行分离得到车辆行驶轨迹和车辆行驶速度；该步骤包括以下分步骤：

S41利用线性Radon变换对得到的时空二维振动能量响应信号进行处理，得到二维振动能量响应信号在Radon域内的分布；

S42对振动能量在Radon域内的分布进行遍历搜索，提取出局部极大值点，Radon域内局部极大值点对应的速度坐标即为车辆行驶速度，将提取的局部极大值点映射到距离-时间域即得到车辆行驶轨迹。

2.根据权利要求1所述基于分布式光纤传感***的车辆轨迹提取方法，其特征在于步骤S2包括以下分步骤：

S21对各个通道的振动信号X_k(t)进行小波分解，得到小波分解系数W_s,j；

S22对得到的小波分解系数进行阈值化处理；

S23对阈值化处理后的小波分解系数进行重构得到重构信号，即各个通道去噪后的振动信号。

3.根据权利要求2所述基于分布式光纤传感***的车辆轨迹提取方法，其特征在于步骤S22中，对得到的小波分解系数按照以下公式进行阈值化处理：

式中，W_s,j表示小波分解系数，

表示小波分解系数经阈值化处理结果，sgn(·)表示阶跃函数，当W_s,j＞0时，sgn(W_s,j)＝1，当W_s,j＝0时，sgn(W_s,j)＝0，当W_s,j＜0时，sgn(W_s,j)＝-1，T_s,j表示阈值，

4.根据权利要求1所述基于分布式光纤传感***的车辆轨迹提取方法，其特征在于步骤S31中，利用S变换按照以下公式对各个通道去噪后的振动信号进行处理得到S域的时频谱矩阵：

式中，S_k(t,f)表示第k个通道信号的S域的时频谱矩阵，t表示时间，

表示步骤S2去噪后的振动信号，σ为积分变量、控制高斯窗函数在时间轴上的位置，f表示频率、控制窗函数在频率轴上的位置。

5.根据权利要求4所述基于分布式光纤传感***的车辆轨迹提取方法，其特征在于步骤S32中，以t时刻S域f_d到f_u的频谱能量和作为t时刻由车辆行驶所引发的振动能量，对于第k个通道，其由车辆行驶所引发的振动能量为：

式中，[f_d，f_u]表示车辆行驶所引发的振动频率范围，*表示共轭计算符。

6.根据权利要求1所述基于分布式光纤传感***的车辆轨迹提取方法，其特征在于步骤S41中，令d＝vτ-x表示车辆轨迹，空间轴上的截距为d，速度为v，x表示空间距离，单位为米，τ表示时间，单位为秒；对时空二维振动能量响应信号P(t,k)沿着d＝vτ-x进行积分可得距离-速度域变换结果R(d,v)：

依据空间采样间隔△x和时间采样间隔△t进行离散处理，上式可转化为：

式中，δ(·)表示狄拉克函数，τ＝t△t，x＝k△x，d＝d′△x，d′表示离散变量，d′∈[1，N]。

Images