DE19646632C1 - Verfahren und Vorrichtung zur Verkehrsüberwachung - Google Patents
Verfahren und Vorrichtung zur VerkehrsüberwachungInfo
- Publication number
- DE19646632C1 DE19646632C1 DE1996146632 DE19646632A DE19646632C1 DE 19646632 C1 DE19646632 C1 DE 19646632C1 DE 1996146632 DE1996146632 DE 1996146632 DE 19646632 A DE19646632 A DE 19646632A DE 19646632 C1 DE19646632 C1 DE 19646632C1
- Authority
- DE
- Germany
- Prior art keywords
- vehicle
- magnetic field
- measured value
- sensor signals
- dimensional
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 12
- 238000012544 monitoring process Methods 0.000 title claims description 4
- 239000013598 vector Substances 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 31
- 238000005259 measurement Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000006698 induction Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- SDIXRDNYIMOKSG-UHFFFAOYSA-L disodium methyl arsenate Chemical compound [Na+].[Na+].C[As]([O-])([O-])=O SDIXRDNYIMOKSG-UHFFFAOYSA-L 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- 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
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Description
Die Erfindung betrifft ein Verfahren und eine Vorrich
tung zur Verkehrsüberwachung mit dem bzw. der es mög
lich ist, einzelne Fahrzeuge zu erfassen und wiederzu
erkennen (DE 35 21 655 A1).
Das Verkehrsaufkommen ist in den letzten Jahrzehnten
stetig angestiegen. Diese Tendenz wird sich auch in der
Zukunft fortsetzen. So wird es immer wichtiger, das
Verkehrsnetz bis ins Detail planen zu können und mit
verschiedenen Maßnahmen die Leistungsfähigkeit des Ver
kehrsnetzes zu steigern. Der Einsatz von intelligenten
Verkehrsleitsystemen, ein flexibler öffentlicher Perso
nennahverkehr und bauliche Maßnahmen werden die wesent
lichen Ansatzpunkte für Verbesserungen sein. Für alle
Maßnahmen wird eine detaillierte Analyse des Verkehrs
aufkommens und der derzeitigen Verkehrsströme zugrunde
gelegt werden müssen. Um die Verkehrsströme analysieren
zu können, muß man den Weg der Fahrzeuge vom Start zum
Ziel feststellen.
Derzeit werden Start-Ziel-Verfolgungen mittels Befragungen
durchgeführt. Diese sind aber Personal- und kostenintensiv
und nur über kurze Zeiträume durchführbar. Das gleiche gilt
für Verkehrszählungen, die zur Analyse von Verkehrsströmen
durchgeführt werden.
Bekannt sind in die Fahrbahndecke eingelassene Induktions
schleifen, die zum Beispiel zur Steuerung von Ampelanlagen
eingesetzt werden. Einzelne Fahrzeuge können mit dieser
Vorrichtung nicht erfaßt und wiedererkannt werden, allen
falls können durch Auswertung der Induktionssignale die
Fahrzeuge bestimmten Kategorien, z. B. Fahrzeugtypen,
zugeordnet werden. Außerdem sind die Induktionsschleifen
sowohl in der Beschaffung als auch in der Installation
teuer.
Aus der DE 42 31 881 A1 ist eine Anordnung zum Erfassen von
Verkehrsgrößen mit Hilfe von mehreren Induktionsschleifen
bekannt. Die Induktionsschleifen sind in einer oder mehreren
hintereinanderliegenden Reihen quer zur Fahrbahn angeordnet.
Die Empfindlichkeit der Induktionsschleifen wird durch
mehrere die eigentliche Sensorschleife umgebende Hilfs
schleifen heraufgesetzt. Die Sensorschleifen sind an eine
Auswerteeinrichtung angeschlossen, die den Phasenwinkel
zwischen Spannung und Strom in der Sensorschleife mißt.
Neben der magnetischen Erfassung sind auch Vorrichtungen zur
optischen Erfassung von Fahrzeugen bekannt. Solche Systeme
werden zum Beispiel in Verkehrsleitsystemen auf Autobahnen
eingesetzt. Mit diesen optischen Sensoren ist eine
Identifizierung eines Fahrzeuges nicht möglich. Es wird bloß
erkannt, ob ein Fahrzeug vorbeigefahren ist.
Mit Kameras ist es möglich, Autos zu erfassen und auch
wiederzuerkennen. Problematisch sind dabei die typischer
weise sehr großen Datensätze sowie datenschutzrechtliche
Bedenken, denn das Fahrzeug wird soweit identifiziert, daß
der Fahrzeughalter ermittelbar ist.
In der DE 35 21 655 A1 ist eine Einrichtung zum Erfassen von
Fahrzeugverkehr mit Magnetfelddektektoren beschrieben. Die
Magnetfelddetektoren messen Störungen eines vorgegebenen
Magnetfeldes durch ein Fahrzeug, so daß das Vorhandensein
und/oder die Bewegung eines Fahrzeuges ermittelbar ist. Mit
dieser Einrichtung sind jedoch verschiedene Fahrzeugtypen
unterscheidbar.
Es ist Aufgabe der Erfindung, ein Verfahren und eine Vor
richtung zur Verkehrsüberwachung zu schaffen, mit dem bzw.
der Fahrzeuge erfaßt und wiedererkannt werden, wobei der
Fahrzeughalter jedoch anonym bleibt.
Diese Aufgabe wird erfindungsgemäß mit den Merkmalen
der Ansprüche 1 bzw. 5 gelöst.
Bei dem erfindungsgemäßen Verfahren wird die magneti
sche Charakteristik eines vorbeifahrenden Fahrzeugs an
mehreren quer über die Fahrbahn verteilten Magnetfeld
sensoren jeweils an mehreren örtlich auseinanderliegen
den Stellen selektiv gemessen. Dies erfolgt zu mehreren
aufeinanderfolgenden Zeitpunkten. Aus der Vielzahl der
enthaltenen Sensorsignale wird ein Merkmalsvektor er
zeugt, der das Fahrzeug charakterisiert und es somit
wiedererkennbar macht. Das Verfahren arbeitet so genau,
daß selbst zwischen Fahrzeugen des gleichen Modells un
terschieden werden kann. Da nur die magnetische Charak
teristik des Fahrzeugs gemessen wird, sind keine
Rückschlüsse auf den Halter des Fahrzeuges möglich.
Die erfindungsgemäße Vorrichtung zur Verkehrsüber
wachung weist eine quer zur Bewegungsrichtung des Ver
kehrs angeordnete Reihe von Magnetfeldsensoren auf,
deren Signale in einer Rechnereinheit verarbeitet wer
den. Zunächst werden die analogen Sensorsignale digital
gewandelt und in einem Meßwert zusammengefaßt, mehrere
dieser zu aufeinanderfolgenden Zeitpunkten entstandenen
Meßwerte werden dann zu einer eindimensionalen aufbe
reiteten Meßwertfolge zusammengefügt. Diese aufberei
tete Meßwert folge wird mit einer Transformationsmatrix
zu einem das jeweilige Fahrzeug identifizierenden Merk
malsvektor umgewandelt. Bedingt durch diese Verarbei
tung der Sensorsignale wird die Erkennbarkeit der Fahr
zeuge erhöht und der Umfang des das Fahrzeug identifi
zierenden Datensatzes verringert, wodurch die Verarbei
tungsgeschwindigkeit der Vorrichtung erhöht wird.
In einer bevorzugten Ausführung der Erfindung sind die
Magnetfeldsensoren derart empfindlich, daß sie das Erd
magnetfeld messen und die durch das Fahrzeug hervorge
rufenen Änderungen des Erdmagnetfeldes ermitteln. Da
durch wird eine hohe Meßgenauigkeit der Einzelmessungen
garantiert, so daß auch gleiche Fahrzeugmodelle mit
identischer Ausstattung unterschieden werden können.
Erprobungen der Erfindung haben ergeben, daß Fahrzeuge
allein schon durch die unterschiedlichen Walzrichtungen
der Karosseriebleche unterschieden werden können.
Vorteilhafterweise sind über eine Meßbreite von 3,60 m,
dies entspricht einer Fahrspur, mindestens 12 Magnet
feldsensoren in einer Reihe angeordnet. Dadurch wird
eine ausreichende Meßauflösung erreicht, um die Fahr
zeuge sicher erfassen und wiedererkennen zu können.
In einer bevorzugten Ausführung der Erfindung geben die
Magnetfeldsensoren unter Vorgabe eines Taktes die Sen
sorsignale gleichzeitig aus. Dies hat den Vorteil, daß
die Sensorsignale parallel verarbeitet werden können,
wodurch sie schneller und leichter zu einem Meßwert
zusammenfaßbar sind.
Die Meßwerte können zunächst zu einer mehrdimensionalen
Meßwertfolge zusammengefaßt werden, die dann zu einer
aufbereiteten eindimensionalen Meßwert folge in Vektor
form reduziert wird. So wird aus einer ein Fahrzeug
charakterisierenden Matrix ein Vektor, der noch aus
reichend Informationen zur Charakterisierung des Fahr
zeuges enthält. Der Vektor kann einfacher und schneller
weiterverarbeitet werden als eine Matrix.
Bevorzugterweise geht die Transformationsmatrix aus
einer Kovarianzmatrix hervor, die in einer Lernphase
aus aufbereiteten eindimensionalen Meßwertfolgen
mehrerer Fahrzeuge gebildet wird. Eine Kovarianzmatrix
ist ein unter anderem aus der Bilderkennung bekanntes
statistisches Mittel, mit dem Abweichungen eines Ein
zelmusters von dem Durchschnittswert aller Muster be
rechnet werden können. Mit dieser Methode kann der Um
fang des Merkmalsvektors verringert werden, da die
Fahrzeuge durch Abweichungen vom Durchschnitt charak
terisiert werden und nicht durch einen kompletten Satz
von Meßwerten. Dies ermöglicht eine schnelle Verar
beitung der Sensorsignale.
Die Analog-Digital-Wandlung der analogen Sensorsignale
kann direkt in den Sensoreinheiten erfolgen, wodurch
die Störanfälligkeit der Datenübertragung von den Ma
gnetfeldsensoren zu der Rechnereinheit verringert wird.
Im folgenden wird ein Ausführungsbeispiel der Erfindung
anhand der Zeichnungen näher erläutert.
Es zeigen:
Fig. 1 den prinzipiellen Aufbau einer Verkehrsüber
wachungsvorrichtung,
Fig. 2 eine aus den Sensorsignalen der Magnetfeldsen
soren gewonnene mehrdimensionale Meßwertfolge,
Fig. 3 eine aufbereitete Meßwertfolge,
Fig. 4 eine Kovarianzmatrix, die aus einer Stichprobe
von ca. 3800 Fahrzeugen gebildet wurde,
Fig. 5 eine Transformationsmatrix als Diagonalmatrix
mit den Eigenwerten der Kovarianzmatrix als
Diagonalelemente,
Fig. 6 einen Merkmalsvektor, der durch Anwendung der
Transformationsmatrix auf die aufbereitete Meß
wert folge gebildet wird, und
Fig. 7 den prinzipiellen Aufbau eines Magnetfeldsen
sors.
Fig. 1 zeigt eine Verkehrsüberwachungsvorrichtung 1
mit sechzehn Magnetfeldsensoren 2, die in einer gerad
linigen Reihe quer zu einer Fahrbahn 3 verlegt sind.
Die Sensoren 2 sind entweder in der Fahrbahndecke ein
gelassen oder unter einer überfahrbaren Schwelle auf
der Fahrbahndecke befestigt. Die Magnetfeldsensoren 2
messen die magnetische Charakteristik eines vorbeifah
renden Fahrzeuges 4. Sie sind so empfindlich, daß sie
das Erdmagnetfeld messen. Während sich kein Fahrzeug 4
im Meßbereich der Magnetfeldsensoren 2 befindet, werden
die dem Wert des Erdmagnetfeldes entsprechenden Sensor
signale der Magnetfeldsensoren 2 abgespeichert, um als
Bezugswerte zur Verfügung zu stehen. Befindet sich ein
Fahrzeug 4 im Meßbereich der Magnetfeldsensoren 2, wird
der gemessene Wert größer als der abgespeicherte Be
zugswert und die Differenz wird als Sensorsignal ver
wertet.
Die Sensoren 2 sind über eine Busleitung 5 mit einer
Rechnereinheit 6 verbunden. Die auf ein Taktsignal der
Rechnereinheit 6 von den Magnetfeldsensoren 2 ausgege
benen analogen Sensorsignale werden in den Magnetfeld
sensoren 2 digital gewandelt und parallel über die
Busleitung 5 an die Rechnereinheit 6 übertragen.
Nach jedem Taktimpuls, bei einem benutzten Takt von
1000 Hz, also nach jeder 1000stel Sekunde, liegt am
Eingang der Rechnereinheit 6 ein digitaler Meßwert 7
(Fig. 2) mit einer Wortbreite von 16 Stellen (ent
sprechend den 16 Sensoren), wobei jede Stelle den zuge
hörigen Amplitudenwert A angibt. Der Meßwert 7 setzt
sich also aus den einzelnen digital gewandelten und
parallel übertragenen Sensorsignalen aller 16 Magnet
feldsensoren 2 zusammen.
In einem Meßwertfolgegenerator 8 werden die beim Pas
sieren eines Fahrzeugs 4 nacheinander erzeugten Meßwer
te 7 zu einer charakteristischen mehrdimensionalen Meß
wertfolge 9 zusammengefaßt. Dabei wird nach jedem Takt
impuls ein Meßwert 7 zu den vorher aufgenommenen Meß
werten hinzugenommen, bis das Fahrzeug 4 die Reihe von
Magnetfeldsensoren 2 komplett überfahren hat. In Fig. 2
ist eine derartige Meßwertfolge 9 in dreidimensionaler
Form vereinfacht oder für ein sehr langsam fahrendes
Fahrzeug dargestellt. Normalerweise besteht eine mehr
dimensionale Meßwertfolge 9 aus wesentlich mehr Meßwer
ten 7.
Die Punkte S1 bis S16 auf der quer zur Fahrbahn gerich
teten Koordinate S sind den einzelnen Magnetfeldsenso
ren 2 zugeordnet. In Fahrbahnlängsrichtung ist die Ko
ordinate t der Zeit aufgetragen. Nach jedem Taktimpuls
wird zu den bis zu dem Zeitpunkt tn aufgenommenen Meß
werten der aktuelle Meßwert 7 zu dem Zeitpunkt tn+1 hin
zugefügt. Der Index n gibt dabei fortlaufend die Zahl
der Taktzyklen an. So entsteht der nur durch den Zeit
takt festgelegte Gitterabstand in Richtung der Koordi
nate t. Die Amplitude A eines Gitterpunktes steht in
Relation zu dem gemessenen Magnetfeld zu dem jeweiligen
Zeitpunkt tn an dem jeweiligen Magnetfeldsensor S. Der
Gitterpunkt 11 charakterisiert ein Sensorsignal, das
zum Zeitpunkt t5, d. h. fünf Taktzyklen nachdem das
Fahrzeug 4 in dem Meßbereich der Sensoren 2 gelangt
ist, von dem Sensor S2 aufgenommen wurde.
Die stärksten Amplituden A sind an vier Stellen 10 zu
beobachten. Diese werden durch die Räder bzw. die Me
tallfelgen des Fahrzeuges 4 verursacht. Da Magnetfelder
exponentiell abfallen, werden Teile des Fahrzeuges 4,
die den Magnetfeldsensoren 2 am nächsten sind, stärker
erfaßt als weiter entfernte Teile. Dies erklärt die
hohen Amplituden an den Stellen 10 im Bereich der Räder
des Fahrzeuges 4.
Um die verschiedenen charakteristischen mehrdimensio
nalen Meßwertfolgen 9 vergleichbar zu machen, wird eine
solche Meßwertfolge 9 in einer Extraktionsstufe 8a zu
einer aufbereiteten eindimensionalen Meßwertfolge 9a
zusammengefaßt, wobei der mehrdimensionalen Meßwertfol
ge 9 Merkmale entzogen werden.
Die diskreten quantisierten Abtastwerte der charak
teristischen mehrdimensionalen Meßwertfolge 9 der Fahr
zeuge können bereits als fahrzeugbeschreibend betrach
tet werden. Die Datenmenge pro Fahrzeug ist jedoch
relativ groß. Beispielsweise ergeben sich für ein 30 km/h
schnelles Fahrzeug von 4 m Länge 480 Meßwerte pro
Sensor (bei einem Takt von 1000 Hz). Bei 16 verwendeten
Sensoren ergeben sich somit insgesamt 7680 Merkmalskom
ponenten, die nicht in einer für die Fahrzeugerkennung
realistischen Zeit verarbeitbar sind. In der Extrak
tionsstufe 8a wird die Zahl der Merkmalskomponenten auf
64 reduziert.
Die mehrdimensionalen Meßwertfolgen 9 enthalten zusätz
lich Informationen, die nicht fahrzeugspezifisch sind
(Irrelevanz), wie zum Beispiel die von den Rädern der
Fahrzeuge hervorgerufenen Merkmalskomponenten 10. Die
mehrdimensionalen Meßwertfolgen 9 werden so aufbe
reitet, daß objektspezifische Eigenschaften wie Momen
tangeschwindigkeit der Fahrzeuge, Fahrzeuglängen,
Rausch- und Störanteile, Empfindlichkeit und Verstär
kungsfaktoren der Detektoren unterschiedliche Boden
freiheiten, Einfedern bei Fahrbahnunebenheiten be
seitigt sind.
Zunächst wird die mehrdimensionale Meßwertfolge 9 in
Richtung der t-Koordinate auf eine Länge von 32 Stütz
stellen reduziert. Diese Komprimierung entspricht einer
Zeitnormierung, da die Geschwindigkeit bzw. die Länge
des Fahrzeuge eliminiert wird. Ein Zeitnormierungsfak
tor wird aus dem Verhältnis zwischen Anzahl der aufge
nommenen Stützpunkte der mehrdimensionalen Meßwertfolge
9 in Richtung der t-Koordinate und der vordefinierten
Anzahl (32) der Stützstellen definiert. Dieser Normie
rungsfaktor bestimmt die Anzahl der Stützpunkte der
originalen mehrdimensionalen Meßwertfolge, die zu einer
Stützstelle der zeitnormierten mehrdimensionalen Meß
wertfolge zusammengefaßt werden. Durch diese zusammen
zufassenden Stützpunkte der originalen Meßwertfolge
wird jeweils eine Regressionsgrade gelegt, deren Stei
gung für die zeitnormierte Meßwert folge umgerechnet
wird.
In einem zweiten Schritt werden die Merkmalswerte be
reichsweise zusammengefaßt und eine aufbereitete ein
dimensionale Meßwertfolge 9a in Vektorform (Fig. 3)
gebildet. Dies ist möglich, da eine heuristische Ana
lyse der mehrdimensionalen Meßwertfolgen 9 zeigt, daß
eine statistische Bindung zwischen den Merkmalskompo
nenten besteht. Sie wird vor allem durch die sta
tistische Abhängigkeit des Eingangssignales verursacht.
Allgemeine Konstruktionsprinzipien beeinflussen die Me
tallmassenverteilung an der Fahrzeugunterseite, so daß
auch bei idealer Betrachtung keine unabhängigen Merk
malskomponenten gewonnen werden können. Darunter fallen
insbesondere die von den Rädern des Fahrzeuges hervor
gerufenen Merkmalskomponenten 10. Deshalb werden zur
weiteren Informationskomprimierung die Merkmalskompo
nenten, die von den Sensoren aufgenommen worden sind,
welche im Bereich der Räder des Fahrzeuges angeordnet
sind, aus der mehrdimensionalen Meßwertfolge 9 ent
fernt. In diesem Fall werden die Merkmalskomponenten
der Sensoren S1 bis S5 und S12 bis S16, die die Fahrzeug
räder erfaßt haben, unterdrückt. Diese Merkmalskompo
nenten können jedoch zur Bestimmung der Fahrzeugbreite
und des Achsenabstandes benutzt werden. Sie sind daher
zur Unterscheidung verschiedener Fahrzeugarten, insbe
sondere zur PKW-, LKW- und Motorrad-Klassifizierung
gut geeignet.
Die verbliebenen Merkmalskomponenten der Sensoren S6
bis S11 werden zu zwei Gruppen zusammengefaßt. Dazu
werden die Werte der ersten drei Sensoren (S6 bis S8)
an den 32 Stützstellen jeweils zu einem Mittelwert zu
sammengefaßt, so daß eine Folge von 32 gemittelten
Merkmalskomponenten entsteht. Die Merkmalskomponenten
der drei Sensoren S9 bis S11 werden entsprechend zusam
mengefaßt. Die beiden Folgen werden aneinander gehängt,
so daß eine eindimensionale Meßwertfolge 9a in Form
eines Meßwertvektors entsteht (Fig. 3). Die ersten 32
Werte der eindimensionalen Meßwertfolge 9a stammen
dabei von den Sensoren S6 bis S8, die letzten 32 Werte
von den Sensoren S9 bis S11. So kann die Anzahl der Wer
te, die das Fahrzeug charakterisieren, auf 64 pro Fahr
zeug beschränkt werden. Diese Anzahl liegt in einer für
die Fahrzeugerkennung günstigen Größenordnung.
Abschließend wird in der Extraktionsstufe 8a noch die
Amplitude der eindimensionalen Meßwertfolge normiert.
Dazu wird zunächst die Maximalamplitude der eindimen
sionalen Meßwertfolge gesucht. Dieser Wert wird auf 255
festgelegt und bildet nach folgender Formel die Bezugs
größe für alle anderen Stützpunkte:
Nach der Formel wird der Amplitudenwert eines Meßpunk
tes (X(n)Abtast) durch den Wert der maximalen Amplitude
(Xmax) geteilt und mit 255 multipliziert, um so amplitu
dennormierte Werte zu erhalten.
In Fig. 3 sind entlang der Abszisse die Nummern der das
Fahrzeug charakterisierenden Werte und entlang der Or
dinate die (auf 255 normierten) Beträge dieser Werte
angegeben.
Nach Durchführung dieser drei Normierungen erhält man
komplett normierte Komponenten einer aufbereiteten ein
dimensionalen Meßwertfolge 9a mit 64 Werte, die das
Fahrzeug vollständig beschreiben und weitgehend von
nicht fahrzeugtypischen Einflüssen befreit sind.
Die charakteristische mehrdimensionale Meßwertfolge
eines schrägfahrenden, z. B. überholenden, Fahrzeuges
kann ebenfalls zu einer mit anderen aufbereiteten Meß
wert folgen vergleichbaren Meßwertvektor 9a normiert
werden.
Der Meßwertvektor 9a wird in einem Merkmalsvektor
generator 12 mit einer Transformationsmatrix MT (Fig.
5) multipliziert. Die Transformationsmatrix MT wird aus
einer Kovarianzmatrix MK, die in Fig. 4 dargestellt
ist, gewonnen. Die Kovarianzmatrix MK wird in einer
Lernphase aus den Meßwertvektoren 9a zahlreicher Fahr
zeuge in einem Lernteil 13 gebildet.
Dazu wird die Kenntnis der statistischen Eigenschaften
der mehrdimensionalen Meßwertfolge 9 benötigt. Die Ent
wicklung der Kovarianzmatrix MK basiert auf der allge
meinen Karhunen-Loeve-Entwicklung (erläutert in "Klas
sifikation von Mustern", Heinrich Niemann, Springer
Verlag, 1983). Es handelt sich dabei um eine Reihenent
wicklung auf der Basis eines autonormalen problemabhän
gigen Funktionensystems, das den Gesamtprozeß opti
miert. Durch diesen Ansatz wird ohne Rücksicht auf eine
Fahrzeugklasseneinteilung der Abstand aller Merkmals
vektoren VM untereinander maximiert (Maximierung der
Gesamtabstände). Eine Maximierung der Gesamtabstände
läßt sich darstellen, indem die Vektoren im mehrdimen
sionalen Merkmalsraum möglichst weit auseinandergerückt
werden. Die Klassifizierung wird dadurch erleichtert,
daß eine einfache Unterscheidung der Vektoren möglich
ist. Da jedes Fahrzeug durch einen Vektor repräsentiert
wird, führt die Maximierung des Vektorabstandes zu
einer guten Klassifikation.
Die Eigenwerte der Kovarianzmatrix MK sind die Diago
nalelemente der eigentlichen Transformationsmatrix MT.
Die anderen Elemente der Transformationsmatrix MT sind
gleich Null. Bei der vorausgesetzten Gaußverteilung
bedeutet das die statistische Unabhängigkeit (Unkorre
liertheit) der Komponenten. Die Diagonalkomponenten
sind zuerst sehr groß (das entspricht einem sehr hohen
Informationsgehalt) und fallen dann sehr stark ab. Die
Selektion der wichtigsten Komponenten erfolgt durch
Vernachlässigung derjenigen Komponenten, die ent
sprechend ihren Eigenwerten nur noch einen geringen
Informationsgehalt haben.
Die Vorschrift zur Berechnung des Merkmalsvektors VM
lautet VM = MT × X. Mit dem Merkmalsvektor
der mit der aufbereiteten eindimensionalen Meßwertfolge
9a gebildet wurde, sowie der Transformationsmatrix MT
in Diagonalform mit den Diagonalwerten Ω11-ΩMN.
Der aus der Transformation erhaltene Merkmalsvektor VM
ist in Fig. 6 dargestellt. Entlang der Abszisse sind
die Elemente des Merkmalsvektors V11 aufgetragen, wäh
rend auf der Ordinate die bei der Transformation ent
standenen und nicht normierten Werte der Elemente ange
geben sind. Die Transformationsmatrix MT wurde auf den
Meßwertvektor angewendet, der 64 Elemente aufweist.
Deshalb besteht auch der Merkmalsvektor VM aus 64 Ele
menten. Die Elemente mit den höchsten Werten, d. h. mit
der höchsten Unterscheidungskraft befinden sich unter
den ersten 32 Elementen des Merkmalsvektors VM. Die
letzten 32 Elemente haben sehr kleine Werte oder den
Wert Null, d. h. sie steuern keine wesentlichen Informa
tionen zur Unterscheidung von Fahrzeugen bei. Daher
können die letzten 32 Elemente vernachlässigt werden.
Somit ergibt sich ein Merkmalsvektor VM mit 32 Stellen,
der ein Fahrzeug eindeutig charakterisiert.
In einem Komparator 15 wird der in dem Merkmalsvektor
generator 12 erzeugte Merkmalsvektor VM abgespeichert
und mit den im Rechner 6 zuvor gespeicherten Merkmals
vektoren früherer Fahrzeuge verglichen. Ist der neue
Merkmalsvektor VM unbekannt, wird ein neuer Datensatz
für das Fahrzeug 4 angelegt und gespeichert. Kann das
Fahrzeug 4 anhand seines Merkmalsvektors VM identifi
ziert werden, werden Ort und Zeitpunkt des Fahrzeuges 4
in den Datensatz aufgenommen.
In Fig. 7 ist der Aufbau eines Magnetfeldsensors 2
gezeigt. Der Magnetfeldsensor 2 besteht aus zwei ein
zelnen Sensorkomponenten 2a und 2b, die in ihrer Längs
richtung um 90° zueinander verdreht angeordnet sind.
Die Sensorkomponenten 2a und 2b haben Vorzugsrichtungen
bezüglich der Meßempfindlichkeit. In Richtung ihrer
Längsachsen ist die Meßempfindlichkeit gering. Um alle
Richtungskomponenten des Magnetfeldes mit gleicher Emp
findlichkeit erfassen zu können, werden die Sensorkom
ponenten 2a und 2b um 90° versetzt angeordnet, so daß
die nachteilige Meßcharakteristik der einzelnen Sensor
komponenten 2a, 2b ausgeglichen wird. Zur Erzeugung des
Sensorsignals werden die beiden Komponentensignale geo
metrisch addiert. Das Sensorsignal wird digital gewan
delt und über die Busleitung 5 an die Rechnereinheit 6
weitergegeben.
Der Meßwertfolgegenerator 8, die Extraktionsstufe 8a,
der Merkmalsvektorgenerator 12 und der Komparator 15
können in der Rechnereinheit 6 auch durch entsprechende
Software realisiert werden.
Claims (10)
1. Verfahren zur Verkehrsüberwachung mit den folgenden
Schritten:
- - Messung der magnetischen Charakteristik eines vorbeifahrenden Fahrzeugs mit mehreren quer über die Fahrbahn (3) in einer Reihe angeordneten Magnetfeld sensoren (2) an mehreren örtlich auseinander liegenden Stellen.
- - Analog-Digital-Wandlung der von den Magnetfeld sensoren (2) erzeugten Sensorsignale,
- - Zusammenfassen der einzelnen digital gewandelten Sensorsignale aller Sensoren (2) der Reihe zu einem Meßwert (7),
- - Umwandeln der Meßwerte (7) in eine aufbereitete eindimensionale Meßwertfolge (9a),
- - Transformieren der aufbereiteten eindimensionalen Meßwertfolge (9a) mit Hilfe einer Transformations matrix (MT) in einen Merkmalsvektor (VM), der dem Fahrzeug (4) zugeordnet und abgespeichert wird, und
- - Vergleichen des Merkmalsvektors (VM) mit früher ermittelten Merkmalsvektoren.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß
die Meßwerte (7) zu einer mehrdimensionalen
charakteristischen Meßwertfolge (9) zusammengefügt
werden, welche auf die aufbereitete eindimensionale
Meßwertfolge (9a) reduziert wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekenn
zeichnet, daß die Transformationsmatrix (MT) eine
Diagonalmatrix ist, deren Diagonalelemente Eigenwerte
einer Kovarianzmatrix (MK) sind, wobei die Kovarianz
matrix (MK) in einer Lernphase aus aufbereiteten mehr
dimensionalen Meßwertfolgen (9a) mehrerer Fahrzeuge (4)
gebildet wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch
gekennzeichnet, daß die Analog-Digital-Wandlung der
Sensorsignale in den Sensoreinheiten (2) erfolgt.
5. Verkehrsüberwachungsvorrichtung mit mehreren quer über
die Fahrbahn (3) in einer Reihe angeordneten Magnetfeld
sensoren (2) an mehreren örtlich auseinanderliegenden
Stellen und mit einer die Sensorsignale verarbeitenden
Rechnereinheit (6), die den analogen Sensorsignalen
entsprechende digitale Meßwerte (7) zu einer
eindimensionalen aufbereiteten Meßwertfolge (9a)
umwandelt, welche mit einer Transformationsmatrix (MT)
zu einem das jeweilige Fahrzeug (4) identifizierenden
Merkmalsvektor (VM) transformiert wird.
6. Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, daß
die Magnetfeldsensoren (2) die durch das Fahrzeug (4)
hervorgerufenen Änderungen des Erdmagnetfeldes messen.
7. Vorrichtung nach Anspruch 5 oder 6, dadurch gekenn
zeichnet, daß über eine Meßbreite von 3,60 m mindestens
zwölf Magnetfeldsensoren (2) in einer Reihe angeordnet
sind.
8. Vorrichtung nach einem der Ansprüche 5 bis 7, dadurch
gekennzeichnet, daß die Magnetfeldsensoren (2) unter
Vorgabe eines Taktes die Sensorsignale gleichzeitig
ausgeben.
9. Vorrichtung nach einem der Ansprüche 5 bis 8, dadurch
gekennzeichnet, daß die Transformationsmatrix (MT) eine
Diagonalmatrix ist, deren Diagonalelemente Eigenwerte
einer Kovarianzmatrix (MK) sind, wobei die Kovarianz
matrix (MK) in einer Lernphase aus aufbereiteten, ein
dimensionalen Meßwertfolgen (9a) mehrerer Fahrzeuge (4)
gebildet ist.
10. Vorrichtung nach einem der Ansprüche 5 bis 9, dadurch
gekennzeichnet, daß die Analog-Digital-Wandlung der
Sensorsignale in den Sensoreinheiten (2) erfolgt.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1996146632 DE19646632C1 (de) | 1996-11-12 | 1996-11-12 | Verfahren und Vorrichtung zur Verkehrsüberwachung |
EP97118758A EP0841647A1 (de) | 1996-11-12 | 1997-10-29 | Verfahren und Vorrichtung zur Verkehrsüberwachung |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1996146632 DE19646632C1 (de) | 1996-11-12 | 1996-11-12 | Verfahren und Vorrichtung zur Verkehrsüberwachung |
Publications (1)
Publication Number | Publication Date |
---|---|
DE19646632C1 true DE19646632C1 (de) | 1998-05-14 |
Family
ID=7811372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE1996146632 Expired - Fee Related DE19646632C1 (de) | 1996-11-12 | 1996-11-12 | Verfahren und Vorrichtung zur Verkehrsüberwachung |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP0841647A1 (de) |
DE (1) | DE19646632C1 (de) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10109186B2 (en) | 2015-03-06 | 2018-10-23 | Q-Free Asa | Vehicle detection |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9903783D0 (en) * | 1999-02-18 | 1999-04-14 | Univ Edinburgh | Vehicle detector and classifier |
FR2790834B1 (fr) * | 1999-03-12 | 2004-06-25 | Philippe Gendrier | Systeme d'imagerie magnetique par reseau matriciel de magnetometres |
DE10015573A1 (de) * | 2000-03-29 | 2001-10-04 | Mtu Friedrichshafen Gmbh | Verfahren zur Detektion von Zündaussetzern anhand der Kurbelwellendrehzahl |
DE10220934B4 (de) * | 2002-05-10 | 2005-05-12 | Siemens Ag | System zur Parkraumbewirtschaftung und/oder Fahrzeugregistrierung im Innen- und Außenbereich |
FR2896070B1 (fr) | 2006-01-11 | 2008-02-15 | Commissariat Energie Atomique | Systeme magnetique de controle de trafic |
DE102011014855A1 (de) * | 2011-03-24 | 2012-09-27 | Thales Defence & Security Systems GmbH | Verfahren und Vorrichtung zum Erfassen und Klassifizieren von fahrenden Fahrzeugen |
EP3091372A1 (de) * | 2015-05-05 | 2016-11-09 | Centro de Cálculo Igs Software S.L. | Fahrzeugdetektionssystem |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3521655A1 (de) * | 1985-06-18 | 1987-01-15 | Mueller Ind Management Gmbh | Einrichtung zum erfassen von fahrzeugverkehr mit magnetfelddetektoren |
DE4231881A1 (de) * | 1992-09-24 | 1994-03-31 | Ant Nachrichtentech | Anordnung zum Erfassen von Verkehrsgrößen |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5264793A (en) * | 1991-04-11 | 1993-11-23 | Hughes Aircraft Company | Split array dipole moment detection and localization |
JP3375968B2 (ja) * | 1994-04-19 | 2003-02-10 | ハネウエル・インコーポレーテッド | 磁力計車両検出器 |
-
1996
- 1996-11-12 DE DE1996146632 patent/DE19646632C1/de not_active Expired - Fee Related
-
1997
- 1997-10-29 EP EP97118758A patent/EP0841647A1/de not_active Withdrawn
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3521655A1 (de) * | 1985-06-18 | 1987-01-15 | Mueller Ind Management Gmbh | Einrichtung zum erfassen von fahrzeugverkehr mit magnetfelddetektoren |
DE4231881A1 (de) * | 1992-09-24 | 1994-03-31 | Ant Nachrichtentech | Anordnung zum Erfassen von Verkehrsgrößen |
Non-Patent Citations (1)
Title |
---|
DE-Sonderdruck aus Straßenverkehrstechnik, 1965, H.7/8, Detektoren für den Straßen- verkehr * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10109186B2 (en) | 2015-03-06 | 2018-10-23 | Q-Free Asa | Vehicle detection |
US10504363B2 (en) | 2015-03-06 | 2019-12-10 | Q-Free Asa | Vehicle detection |
Also Published As
Publication number | Publication date |
---|---|
EP0841647A1 (de) | 1998-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE69306954T2 (de) | Vorrichtung und verfahren zum erkennen von einem oder mehreren fahrzeugrädern. | |
DE69310758T2 (de) | Verfahren und vorrichtung zum klassifizieren der bewegung von objekten entlang einem durchgang | |
DE112012004000B4 (de) | Fahrunterstützungsvorrichtung und Verfahren | |
DE2446264B2 (de) | System zur lokalisierung eines fahrzeuges | |
DE69422905T2 (de) | Überwachungsanlage im Strassenverkehr | |
EP0612049A1 (de) | Verfahren zum Klassifizieren von einen vorgegebenen Wegpunkt passierenden Fahrzeugen | |
DE19646632C1 (de) | Verfahren und Vorrichtung zur Verkehrsüberwachung | |
DE102011014855A1 (de) | Verfahren und Vorrichtung zum Erfassen und Klassifizieren von fahrenden Fahrzeugen | |
DE60224069T2 (de) | Fahrzeug und lenkverfahren dafür | |
EP2819113B1 (de) | Messanlage zur Erfassung eines einem Fahrzeug zugeordneten Kennzeichens bei Passage eines Messquerschnittes einer Fahrbahn | |
EP0978811A2 (de) | Verfahren sowie Einrichtung zur Reisezeitermittlung von Kraftfahrzeugen | |
DE19638069A1 (de) | Verfahren und Einrichtung zur Erfassung von Verkehrsdaten von Fahrzeugen | |
EP1193662A1 (de) | Verfahren und Anordnung zur Erfassung von Verkehrsdaten mittels Detektion und Klassifikation sich bewegender oder stehender Fahrzeuge | |
WO2022135978A1 (de) | Vorrichtung zum ermitteln von daten zum bestimmen einer geschwindigkeit eines fahrzeuges, auswerteeinrichtung und verfahren hierzu | |
DE4041149C1 (en) | Vehicle type classification within traffic flow - comparing vehicle silhouette with patterns stored in memory | |
DE102006044645A1 (de) | Verfahren und System zur Bestimmung der Position und Ausrichtung eines unbemannten Fahrzeugs sowie entsprechendes Fahrzeug | |
EP1361488B1 (de) | Verfahren und Vorrichtung zum automatischen Klassifizieren von mit Rädern ausgestatteten Fahrzeugen | |
DE69722014T2 (de) | Verfahren für die detektion,identifizierung und verfolgen von unsichtbaren gegenständen | |
EP0905482A2 (de) | Verfahren zur computergestützten Kartierung | |
DE19543151C2 (de) | Anordnung zur Fahrzeugerfassung und Verfahren zu deren Betrieb | |
DE3016901C2 (de) | ||
EP0710927A2 (de) | Verfahren zur objektorientierten Erkennung bewegter Objekte | |
EP1022703B1 (de) | Verfahren zur Analyse von Verkehrsflüssen zur optimierten Verkehrsflusssteuerung sowie zur bedarfsgerechten Planung von Strassenverkehrsnetzen | |
DE102005034988B4 (de) | Verfahren und Anordnung zur Erfassung von ein Erdmagnetfeld örtlich beeinflussenden Fahrzeugen | |
DE4328939A1 (de) | Verfahren zur Erfassung von streckenbezogenen Verkehrsgrößen |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8100 | Publication of the examined application without publication of unexamined application | ||
D1 | Grant (no unexamined application published) patent law 81 | ||
8363 | Opposition against the patent | ||
8327 | Change in the person/name/address of the patent owner |
Owner name: LEHMANN, ALFRED, 42579 HEILIGENHAUS, DE |
|
8368 | Opposition refused due to inadmissibility | ||
8339 | Ceased/non-payment of the annual fee |