CN112634630A - 一种复杂环境下的车速测量方法及*** - Google Patents

一种复杂环境下的车速测量方法及*** Download PDF

Info

Publication number
CN112634630A
CN112634630A CN202110257405.3A CN202110257405A CN112634630A CN 112634630 A CN112634630 A CN 112634630A CN 202110257405 A CN202110257405 A CN 202110257405A CN 112634630 A CN112634630 A CN 112634630A
Authority
CN
China
Prior art keywords
vehicle
magnetic field
vehicle speed
field data
radar sensor
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.)
Pending
Application number
CN202110257405.3A
Other languages
English (en)
Inventor
张娟
宗茜茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute Of Intelligent Science And Technology Application Research Jiangsu And Chinese Academy Of Sciences
Original Assignee
Institute Of Intelligent Science And Technology Application Research Jiangsu And Chinese Academy Of Sciences
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Institute Of Intelligent Science And Technology Application Research Jiangsu And Chinese Academy Of Sciences filed Critical Institute Of Intelligent Science And Technology Application Research Jiangsu And Chinese Academy Of Sciences
Priority to CN202110257405.3A priority Critical patent/CN112634630A/zh
Publication of CN112634630A publication Critical patent/CN112634630A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种复杂环境下的车速测量方法及***，本发明通过磁场数据和雷达模拟电压信号，进行车辆进入和车辆离开判断，获取车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列，将磁场强度时间序列输入改进的GoogLeNet网络进行车辆分类，计算车速，有效实现了复杂环境下的车速测量。

Description

一种复杂环境下的车速测量方法及***
技术领域
本发明涉及一种复杂环境下的车速测量方法及***，属于智能交通领域。
背景技术
汽车工业的发展和城市化进程的加速导致交通拥堵问题日益严峻，交通灯作为管制交通流量、提高道路通行能力的手段，对改善城市交通状况有重要的现实意义。复杂环境交通信号灯的控制过程中，车速的有效获取扮演着重要的角色，因此现在急需一种复杂环境下的车速测量技术。
发明内容
本发明提供了一种复杂环境下的车速测量方法及***，解决了背景技术中披露的问题。
为了解决上述技术问题，本发明所采用的技术方案是：
一种复杂环境下的车速测量方法，其特征在于：包括，
实时获取磁阻传感器检测范围内的磁场数据；
若磁场数据变化、并且变化后磁场数据相对于基准磁场数据f0的变化量满足微波雷达传感器启动规则，向微波雷达传感器发送启动信号，获取预设时间A微波雷达传感器检测范围内的雷达模拟电压信号；
若微波雷达传感器启动后的磁场数据变化量和雷达模拟电压信号的有效值个数均满足车辆进入车速测量范围规则、并且车辆进入车速测量范围后的磁场数据变化量满足车辆离开车速测量范围规则，获取车辆进入和离开微波雷达传感器检测范围的时间，根据磁场数据生成车辆经过微波雷达传感器检测范围的磁场强度时间序列；其中，微波雷达传感器启动后的磁场数据变化量为微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量，车辆进入车速测量范围后的磁场数据变化量为车辆进入车速测量范围后的磁场数据相对于基准磁场数据f0的变化量；
将车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列上送至后台进行车速测量。
若微波雷达传感器启动后磁场数据在预设时间B内保持稳态，向微波雷达传感器发送关闭信号。
磁阻传感器的检测范围和微波雷达传感器的检测范围为同心圆，磁阻传感器的检测范围大于微波雷达传感器的检测范围。
从车辆进入车速测量范围至车辆离开车速测量范围作为一轮车速测量，本轮车速测量S1用的基准磁场数据f0为：前一轮车速测量S0车辆离开车速测量范围后的稳定磁场数据。
微波雷达传感器启动规则为，
变化后磁场数据相对于基准磁场数据f0的变化量不小于第一阈值；
第一阈值为，
Figure 395991DEST_PATH_IMAGE001
Figure 657208DEST_PATH_IMAGE002
其中，
Figure 388404DEST_PATH_IMAGE003
为第一阈值；
Figure 444084DEST_PATH_IMAGE004
为噪声分布的标准差；
Figure 314258DEST_PATH_IMAGE005
为噪声分布 的取值；
Figure 113587DEST_PATH_IMAGE006
是噪声分布的均值；n是噪声值的个数。
车辆进入车速测量范围规则包括正常气候下的车辆进入规则、恶劣气候下的车辆进入规则；
正常气候下的车辆进入规则为：
微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量不小于第二阈值；
并且，
雷达模拟电压信号的有效值个数不小于第三阈值；
恶劣气候下的车辆进入规则为：
微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量不小于第四阈值；其中，第四阈值远大于第二阈值。
车辆离开车速测量范围规则为变化后磁场数据相对于基准磁场数据f0的变化量不大于第五阈值。
一种复杂环境下的车速测量方法，包括，
接收车速测量装置侧上送的车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列；
将磁场强度时间序列输入预先训练的GoogLeNet网络，获取车辆类型；
根据车辆类型获取车辆长度；
根据车辆长度、车辆进入和离开微波雷达传感器检测范围的时间，计算车速。
GoogLeNet网络为用inception模块代替卷积池化层的卷积神经网络， GoogLeNet网络包括多个并列的分类器，用以进行多任务分类。
一种复杂环境下的车速测量***，包括车速测量装置和后台；
车速测量装置包括控制器、磁阻传感器、微波雷达传感器、通信模块和电源；磁阻传感器、微波雷达传感器、通信模块均与控制器连接，通信模块与后台通信，电源为车速测量装置的各用电部件供电，控制器执行车速测量装置侧的复杂环境下的车速测量方法；后台执行后台侧的复杂环境下的车速测量方法。
本发明所达到的有益效果：本发明通过磁场数据和雷达模拟电压信号，进行车辆进入和车辆离开判断，获取车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列，将磁场强度时间序列输入改进的GoogLeNet网络进行车辆分类，计算车速，有效实现了复杂环境下的车速测量。
附图说明
图1为本发明方法的流程图；
图2为磁阻传感器和微波雷达传感器检测范围示意图；
图3为磁场变化量示意图；
图4为卷积神经网络的基本结构图；
图5为GoogLeNet网络中的inception模块图；
图6为多任务数据结构图；
图7为车速计算示意图；
图8为车速测量***结构框图；
图9为NB-IOT技术的传输示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种复杂环境下的车速测量方法，包括车速测量装置侧方法和后台侧方法。
车速测量装置侧方法包括以下步骤：
11）实时获取磁阻传感器检测范围内的磁场数据。
12）若磁场数据变化、并且变化后磁场数据相对于基准磁场数据f0的变化量满足微波雷达传感器启动规则，则向微波雷达传感器发送启动信号，获取预设时间A微波雷达传感器检测范围内的雷达模拟电压信号。
磁阻传感器和微波雷达传感器均位于同一车速测量装置中，如图2所示，磁阻传感器的检测范围和微波雷达传感器的检测范围等效为同心圆，磁阻传感器的检测范围大于微波雷达传感器的检测范围。
微波雷达传感器启动规则，变化后磁场数据相对于基准磁场数据f0的变化量M1不小于第一阈值。如图3所示，M1=f1-f0，其中，f1为变化后磁场数据， M1、f1、f0均为矢量。
第一阈值定义如下：
Figure 636972DEST_PATH_IMAGE001
Figure 129134DEST_PATH_IMAGE002
其中，
Figure 433076DEST_PATH_IMAGE003
为第一阈值；
Figure 770516DEST_PATH_IMAGE004
为噪声分布的标准差，噪声服从均值
Figure 413987DEST_PATH_IMAGE006
为0的正态 分布，取值几乎全部集中在
Figure 811471DEST_PATH_IMAGE007
区间，由于考虑的是变化量，第一阈值应是
Figure 602709DEST_PATH_IMAGE004
的6 倍以上，
Figure 746770DEST_PATH_IMAGE005
为噪声分布的取值；
Figure 307064DEST_PATH_IMAGE006
是噪声分布的均值；n是噪声值的个数。
当磁阻传感器检测范围内有车辆进入或者其他强磁物体扰动时，磁场数据就会发生变化，当与基准磁场数据f0的变化量不小于第一阈值，则启动微波雷达传感器。
微波雷达传感器会采集检测范围内的移动物体干扰信息，产生雷达模拟电压信号，采集预设时间A内的雷达模拟电压信号，该预设时间A一般为几秒。
13）若微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量和雷达模拟电压信号的有效值个数满足车辆进入车速测量范围规则，则判定车速测量范围内有车辆进入。
车辆进入车速测量范围规则包括正常气候下的车辆进入规则、恶劣气候下的车辆进入规则；
正常气候下的车辆进入规则为：
微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量不小于第二阈值；第二阈值远大于第一阈值；
并且，
雷达模拟电压信号的有效值个数不小于第三阈值。
雷达模拟电压信号的有效值为雷达模拟电压信号中电压值大于预设值的电压个数，若有效值个数太少，可能是由于微波雷达传感器检测范围内进入了其他铁磁物体（如自行车等），只有当有效值个数足够多，才能判断可能是车辆进入。
雨雪覆盖等恶劣气候下会大大减低微波雷达传感器的灵敏度，造成雷达模拟电压信号的有效值个数很少，因此这里引入单磁补丁以提高雨雪覆盖时的检测精度，即满足以下规则，即可直接判断有车辆进入；
恶劣气候下的车辆进入车速测量范围规则为：
微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量不小于第四阈值；其中，第四阈值远大于第二阈值。
上述第二阈值、第三阈值和第四阈值均是通过实测分析正常气候和恶劣气候下车辆进入车速测量范围数据后得到的经验值。
14）若车辆进入车速测量范围后磁场数据变化、并且变化后磁场数据相对于基准磁场数据f0的变化量满足车辆离开车速测量范围规则，判定车辆离开车速测量范围。
车辆离开车速测量范围规则为：变化后磁场数据相对于基准磁场数据f0的变化量不大于第五阈值。即车辆进入前和车辆离开后，磁场数据变化不大；其中，第五阈值是通过实测分析车辆离开车速测量范围数据后得到的经验值。
设从车辆进入车速测量范围至车辆离开车速测量范围作为一轮车速测量，同一轮车速测量用的基准磁场数据是一致的，本轮车速测量S1用的基准磁场数据f0为：前一轮车速测量S0车辆离开车速测量范围后的稳定磁场数据，S0和S1为相邻两次车速测量。
若所有基准磁场数据是一致的，那么会出现强磁干扰环境下无法判断车辆是否离开车速测量范围的情况，而这里将基准磁场数据设置成动态可变的，可有效避免该情况的发生。
在车速测量过程中，若微波雷达传感器启动后磁场数据预设时间B内保持稳态，则向微波雷达传感器发送关闭信号，如：车辆离开车速测量范围、车辆停在车速测量范围内等无扰动情况。
15）待作出车辆进入和离开车速测量范围判断后，获取车辆进入和离开微波雷达传感器检测范围的时间，根据磁场数据生成车辆经过微波雷达传感器检测范围的磁场强度时间序列。
同上，若微波雷达传感器启动后磁场数据预设时间B内保持稳态，则向微波雷达传感器发送关闭信号。
16）将车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列上送至后台进行车速测量。
后台侧方法包括以下步骤：
21）接收车速测量装置侧上送的车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列。
22）将磁场强度时间序列输入预先训练的GoogLeNet网络，获取车辆类型。
由于市场上存在的车型具有复杂性，不同车型具有不同的磁场影响值、车长也不同，因此可以通过卷积神经网络对磁场强度时间序列进行车型分类。如图4所示，卷积神经网络基本由输入层、卷积层、池化层、全连接层及输出层组成，特征提取器包含输入层、卷积层和池化层，分类器包含全连接层和输出层。
输入层针对输入图像，其大小由输入图像的尺寸决定。卷积神经网络的输入通常为原始图像X，用H i 表示第i层的特征图，则H 0=X。
卷积层的功能是学习特征，卷积层的层数越多，通过卷积核提取到的特征就越富表现力。假设H i 是卷积层，则可以描述为：
Figure 141028DEST_PATH_IMAGE008
其中，函数f代表非线性激活函数，
Figure 153984DEST_PATH_IMAGE009
代表卷积操作，W i 代表第i层卷积核的权重参 数，b i 代表第i层的偏移参数，H i-1代表H i 的前一层。
池化层一般设置在卷积层之后，针对局部区域作下采样操作，不仅能起到对特征图进行降维的目的，而且在一定程度上使特征具有空间不变性。假设H i 是池化层，则其定义为：
Figure 119314DEST_PATH_IMAGE010
其中，s为池化操作，常用的池化操作有均值池化和最大值池化。
全连接层的功能是根据学习到的特征判断目标类别，若H i 是全连接网络，则其定义为:
Figure 534115DEST_PATH_IMAGE011
输出层主要针对具体任务，如果卷积神经网络是用于分类，则输出层使用softmax函数回归，其概率分布如下式所示：
Figure 538980DEST_PATH_IMAGE012
其中，m l 表示第l个标签类别，P表示概率，
Figure 976914DEST_PATH_IMAGE013
表示第l个标签类别对应的概率分 布。
实际输出值与期望输出值之间的残差可以利用损失函数计算得到，式中的M(W,b)便是网络的损失函数，普遍使用的有均方误差(Mean Squared Error, MSE)函数、负对数似然(Negative Log Likelihood, NLL)函数等，其公式定义为：
Figure 459848DEST_PATH_IMAGE014
Figure 985946DEST_PATH_IMAGE015
其中，
Figure 161712DEST_PATH_IMAGE016
为概率分布的个数，也就是标签类别的个数，
Figure 86943DEST_PATH_IMAGE017
为
Figure 373568DEST_PATH_IMAGE013
的预测值，W为权 重参数，b为偏移参数；
在损失函数中添加M 2范数
Figure 497381DEST_PATH_IMAGE018
，能有效控制权值出现过拟合现象，其定义为：
Figure 844049DEST_PATH_IMAGE019
其中，
Figure 256576DEST_PATH_IMAGE020
表示控制拟合的强度，E(W,b)为添加M 2范数后的损失函数。
训练过程中使用梯度下降算法，在减小残差的过程中对权重参数W和偏移参数b进行更新，其可描述：
Figure 346892DEST_PATH_IMAGE021
Figure 590791DEST_PATH_IMAGE022
其中，学习速率
Figure 780464DEST_PATH_IMAGE023
用于控制残差反向传播的强度。
GoogLeNet网络为用inception模块代替卷积池化层的卷积神经网络，能自动提取目标类别特征，避免人工预选取特征带来的不标准性，如图5所示，inception模块是由1×1、3×3卷积核组成的，前层指代输入层，滤波器级联其实是一种信息整合方式，即需要在给到全连接层之前将信息进行整合。
GoogLeNet网络模型是在此基础上引入多任务数据结构，即GoogLeNet网络包括多个并列的分类器，用以进行多任务分类，如图6所示，其中，feature指特征图，cls_score指分类层，用于分类，得到的结果就是K+1维数组，他就指代属于某一标签类别的分类概率，K表示K个类别，1表示背景，通常由K+1类的全连接层利用softmax函数计算得出，label就是指标签，loss_cls指损失层，其作用就是根据真实分类的概率判断分类损失，输出就是损失，总损失loss就是损失的加权和。多个分类任务同时加入到GoogLeNet卷积神经网络中进行训练，可加快模型的训练速度，训练使用的是动量随机梯度下降法，初始学习速率设置为0.0001，每次处理的数据个数为10，其余参数为默认值。
23）根据车辆类型获取车辆长度。
24）根据车辆长度、车辆进入和离开微波雷达传感器检测范围的时间，计算车速。
如图7所示，d是车辆长度，t 1和t 2分别是车辆进入和离开微波雷达传感器检测范围的时间，而d 1和d 2分别是t 1和t 2时间点车辆与车速测量装置的距离，d 1+d 2=R为微波雷达传感器检测范围的直径，车速的计算公式为：
Figure 742604DEST_PATH_IMAGE024
其中，v为车速。
上述方法通过磁场数据和雷达模拟电压信号，进行车辆进入和车辆离开判断，获取车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列，将磁场强度时间序列输入改进的GoogLeNet网络进行车辆分类，计算车速，有效实现了复杂环境下的车速测量。
如图8所示，一种复杂环境下的车速测量***，包括车速测量装置和后台；
车速测量装置包括控制器、磁阻传感器、微波雷达传感器、存储器、窄带物联网通信模块和电源；磁阻传感器、微波雷达传感器、存储器、窄带物联网通信模块均与控制器连接，窄带物联网通信模块与后台通信，存储器存储的就是磁场数据、雷达模拟电压信号、磁场变化量和雷达模拟电压信号有效值等，电源为车速测量装置的各用电部件供电，控制器执行车速测量装置侧方法；后台执行后台侧方法。
磁阻传感器采用的是三轴AMR（各向异性）磁阻传感器，用以采集自身检测范围内周围磁场数据。微波雷达传感器采用的是24GHZ的毫米波雷达传感器，具有较强的穿透能力和抗干扰能力，用以采集检测范围内的移动物体干扰信息，产生雷达模拟电压信号。电源采用的是寿命长的锂电池。
窄带物联网（NB-IOT技术）通信模块用于与后台进行信号的无线传输，其采用的是NB-IOT技术，如图9所示，NB-IOT技术无需布线，可直接通过运营商基站传输，在节省网关安装维护成本的同时保证信号传输的稳定性。窄带物联网通信模块包括SIM卡、NB（窄带）模组和NB天线，SIM卡用以获取运营商的通信服务，NB模组用以进行多频段无线通信，NB天线用以接收和发送射频信号。
车速测量装置的所有部件均设置在密封壳体内，壳体包括外壳体和内壳体，内壳体内从下往上依次固定有电源和PCB板，控制器、磁阻传感器、微波雷达传感器、存储器、通信模块均设置在PCB板上，内壳体嵌在外壳体的空腔内，内壳体的顶部为可旋开的盖体，盖体与内壳体开口之间设置有若干密封圈。
上述车速测量装置直接埋设在道路上，其检测范围大约为单车道的宽度，因此该装置一般埋设在单车道的中间，为了防止路面的变形压坏车速测量装置，可将其放置在加固后的路面凹槽内，并且其外壳体为弹性壳体。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。

Claims (10)

1.一种复杂环境下的车速测量方法，其特征在于：包括，
实时获取磁阻传感器检测范围内的磁场数据；
若磁场数据变化、并且变化后磁场数据相对于基准磁场数据f0的变化量满足微波雷达传感器启动规则，向微波雷达传感器发送启动信号，获取预设时间A微波雷达传感器检测范围内的雷达模拟电压信号；
若微波雷达传感器启动后的磁场数据变化量和雷达模拟电压信号的有效值个数均满足车辆进入车速测量范围规则、并且车辆进入车速测量范围后的磁场数据变化量满足车辆离开车速测量范围规则，获取车辆进入和离开微波雷达传感器检测范围的时间，根据磁场数据生成车辆经过微波雷达传感器检测范围的磁场强度时间序列；其中，微波雷达传感器启动后的磁场数据变化量为微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量，车辆进入车速测量范围后的磁场数据变化量为车辆进入车速测量范围后的磁场数据相对于基准磁场数据f0的变化量；
将车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列上送至后台进行车速测量。
2.根据权利要求1所述的一种复杂环境下的车速测量方法，其特征在于：若微波雷达传感器启动后磁场数据在预设时间B内保持稳态，向微波雷达传感器发送关闭信号。
3.根据权利要求1或2所述的一种复杂环境下的车速测量方法，其特征在于：磁阻传感器的检测范围和微波雷达传感器的检测范围为同心圆，磁阻传感器的检测范围大于微波雷达传感器的检测范围。
4.根据权利要求1所述的一种复杂环境下的车速测量方法，其特征在于：从车辆进入车速测量范围至车辆离开车速测量范围作为一轮车速测量，本轮车速测量S1用的基准磁场数据f0为：前一轮车速测量S0车辆离开车速测量范围后的稳定磁场数据。
5.根据权利要求1所述的一种复杂环境下的车速测量方法，其特征在于：微波雷达传感器启动规则为，
变化后磁场数据相对于基准磁场数据f0的变化量不小于第一阈值；
第一阈值为，
Figure 441601DEST_PATH_IMAGE001
Figure 421058DEST_PATH_IMAGE002
其中，
Figure 263112DEST_PATH_IMAGE003
为第一阈值；
Figure 720639DEST_PATH_IMAGE004
为噪声分布的标准差；
Figure 597328DEST_PATH_IMAGE005
为噪声分布的 取值；
Figure 482107DEST_PATH_IMAGE006
是噪声分布的均值；n是噪声值的个数。
6.根据权利要求1所述的一种复杂环境下的车速测量方法，其特征在于：车辆进入车速测量范围规则包括正常气候下的车辆进入规则、恶劣气候下的车辆进入规则；
正常气候下的车辆进入规则为：
微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量不小于第二阈值；
并且，
雷达模拟电压信号的有效值个数不小于第三阈值；
恶劣气候下的车辆进入规则为：
微波雷达传感器启动后的磁场数据相对于基准磁场数据f0的变化量不小于第四阈值；其中，第四阈值远大于第二阈值。
7.根据权利要求1所述的一种复杂环境下的车速测量方法，其特征在于：车辆离开车速测量范围规则为变化后磁场数据相对于基准磁场数据f0的变化量不大于第五阈值。
8.一种复杂环境下的车速测量方法，其特征在于：包括，
接收车速测量装置侧上送的车辆进入和离开微波雷达传感器检测范围的时间、车辆经过微波雷达传感器检测范围的磁场强度时间序列；
将磁场强度时间序列输入预先训练的GoogLeNet网络，获取车辆类型；
根据车辆类型获取车辆长度；
根据车辆长度、车辆进入和离开微波雷达传感器检测范围的时间，计算车速。
9.根据权利要求8所述的一种复杂环境下的车速测量方法，其特征在于：GoogLeNet网络为用inception模块代替卷积池化层的卷积神经网络，GoogLeNet网络包括多个并列的分类器，用以进行多任务分类。
10.一种复杂环境下的车速测量***，其特征在于：包括车速测量装置和后台；
车速测量装置包括控制器、磁阻传感器、微波雷达传感器、通信模块和电源；磁阻传感器、微波雷达传感器、通信模块均与控制器连接，通信模块与后台通信，电源为车速测量装置的各用电部件供电，控制器执行根据权利要求1至7所述的方法中的任一方法；后台执行根据权利要求8至9所述的方法中的任一方法。
CN202110257405.3A 2021-03-10 2021-03-10 一种复杂环境下的车速测量方法及*** Pending CN112634630A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110257405.3A CN112634630A (zh) 2021-03-10 2021-03-10 一种复杂环境下的车速测量方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110257405.3A CN112634630A (zh) 2021-03-10 2021-03-10 一种复杂环境下的车速测量方法及***

Publications (1)

Publication Number Publication Date
CN112634630A true CN112634630A (zh) 2021-04-09

Family

ID=75297785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110257405.3A Pending CN112634630A (zh) 2021-03-10 2021-03-10 一种复杂环境下的车速测量方法及***

Country Status (1)

Country Link
CN (1) CN112634630A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101874758A (zh) * 2010-05-07 2010-11-03 中国科学院深圳先进技术研究院 辅助运动***及其控制方法
CN102339531A (zh) * 2010-07-14 2012-02-01 数伦计算机技术（上海）有限公司 路边交通探测***
CN104112359A (zh) * 2013-04-22 2014-10-22 徐州工程学院 一种基于偏置磁场的车辆类型、速度检测装置及工作方法
CN105261219A (zh) * 2015-09-28 2016-01-20 万永秀 恶意闯红灯报警方法
CN109147345A (zh) * 2018-07-16 2019-01-04 国创智能设备制造股份有限公司 智能交通微纳磁传感器
CN111524367A (zh) * 2020-07-06 2020-08-11 江苏中科院智能科学技术应用研究院 测距融合方法及***、复合型车流量监测装置及监测***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101874758A (zh) * 2010-05-07 2010-11-03 中国科学院深圳先进技术研究院 辅助运动***及其控制方法
CN102339531A (zh) * 2010-07-14 2012-02-01 数伦计算机技术（上海）有限公司 路边交通探测***
CN104112359A (zh) * 2013-04-22 2014-10-22 徐州工程学院 一种基于偏置磁场的车辆类型、速度检测装置及工作方法
CN105261219A (zh) * 2015-09-28 2016-01-20 万永秀 恶意闯红灯报警方法
CN109147345A (zh) * 2018-07-16 2019-01-04 国创智能设备制造股份有限公司 智能交通微纳磁传感器
CN111524367A (zh) * 2020-07-06 2020-08-11 江苏中科院智能科学技术应用研究院 测距融合方法及***、复合型车流量监测装置及监测***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
魏东等: "基于卷积神经网络的输电线路区内外故障判断及故障选相方法研究", 《中国电机工程学报》 *

Similar Documents

Publication Publication Date Title
CN113866742B (zh) 一种4d毫米波雷达点云处理和目标分类的方法
CN109214107A (zh) 一种船舶航行行为在线预测方法
CN107133974A (zh) 高斯背景建模与循环神经网络相结合的车型分类方法
CN109389142A (zh) 分类器训练方法
CN106845387A (zh) 基于自学习的行人检测方法
CN105913450A (zh) 基于神经网络图像处理的轮胎橡胶炭黑分散度评价方法及***
CN106056102A (zh) 基于视频图像分析的道路车型分类方法
CN107985189A (zh) 面向高速驾驶环境下的驾驶员变道深度预警方法
CN111709336B (zh) 一种高速公路行人检测方法、设备及可读存储介质
CN108491859A (zh) 基于自动编码机的驾驶行为异质性特征的识别方法
CN112435356B (zh) 一种etc干扰信号的识别方法及检测***
CN111391831B (zh) 一种基于前车速度预测的汽车跟驰速度控制方法及***
CN104777418A (zh) 一种基于深度波尔兹曼机的模拟电路故障诊断方法
CN105128605A (zh) 机动车轮胎状态通讯检测平台
CN114926825A (zh) 一种基于时空特征融合的车辆驾驶行为检测方法
CN108734303A (zh) 车辆驾驶数据预测方法、设备及计算机可读存储介质
CN104200670A (zh) 一种基于车辆地磁感应特征的车辆车型识别方法
CN105139374A (zh) 一种输电线路跟踪方法及***
Zhang et al. Marine ship detection and classification based on YOLOv5 model
CN112634630A (zh) 一种复杂环境下的车速测量方法及***
CN113361491A (zh) 一种无人驾驶汽车对行人的过街意图预测方法
CN111175852B (zh) 一种基于长短时记忆算法的机场大雾预报预警方法
CN108594799A (zh) 无人驾驶汽车路况信息实时获取装置与***
CN113420706B (zh) 一种基于多层特征融合的车辆检测方法
CN114972725B (zh) 模型训练方法、可读介质和电子设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20210409

RJ01 Rejection of invention patent application after publication