李云龍，張足生，馬新軍，于峰崎，2

（1．中國科學(xué)院深圳先進(jìn)技術(shù)研究院集成電子研究中心，廣東深圳 518055;2．香港中文大學(xué)，香港;3．哈爾濱工業(yè)大學(xué)深圳研究生院機(jī)械工程與自動化學(xué)院，廣東深圳 518055）

0 引言

在智能交通系統(tǒng)（intelligent transportation system，ITS）方面，車輛檢測是智能交通系統(tǒng)最為基礎(chǔ)的，也是最為重要的環(huán)節(jié)。當(dāng)今國際上常用的車輛檢測技術(shù)主要有環(huán)形線圈、視頻、微波和各向異性磁阻（AMR）傳感器等。各種檢測技術(shù)都有其優(yōu)劣，本文基于AMR傳感器的體積小、成本低、安裝、維修方便等特點(diǎn)，提出一種新的檢測算法:自適應(yīng)狀態(tài)機(jī)的車輛檢測算法。

目前，基于AMR傳感器比較成熟的算法主要有固定閾值算法、狀態(tài)機(jī)算法、自適應(yīng)閾值算法（adaptive threshold algorithm，ATA）。但這幾類算法都存在一個(gè)共同問題:基線漂移、閾值選取等因素對算法的檢測精度影響很大。為了解決這些問題，算法在狀態(tài)機(jī)原理的基礎(chǔ)上，結(jié)合車輛的地磁響應(yīng)信號的具體特征，提出這種自適應(yīng)狀態(tài)機(jī)的車輛檢測算法。

基于AMR傳感器的車輛檢測算法解決的核心問題是:如何更好地從連續(xù)的信號序列中分離出車輛的信息。目前大多數(shù)算法是先對原始信號進(jìn)行預(yù)處理分析，然后輸入狀態(tài)機(jī)進(jìn)行判斷。這些算法主要受環(huán)境干擾、檢測信號的不連續(xù)性和基線的漂移等因素的影響。排除干擾信號可通過數(shù)字信號處理，過濾高頻信號，去除毛刺;對于信號的不連續(xù)性可通過狀態(tài)機(jī)進(jìn)行處理;而對于基線的漂移，目前沒有很好的解決方法，大多數(shù)的采用辦法是定時(shí)對基線進(jìn)行重新標(biāo)定，這將帶來檢測過程的中斷，而且對檢測精度帶來很大的影響。解決這個(gè)問題的方法主要有2個(gè):一是研究周圍環(huán)境要素對傳感器的影響特征;二是在沒有車輛的狀態(tài)下自動更新基線、閾值。

1 車輛檢測系統(tǒng)概述

基于無線傳感器網(wǎng)絡(luò)（wireless sensor networks，WSNs）技術(shù)［1］，建立了車輛檢測系統(tǒng)。該系統(tǒng)由傳感器節(jié)點(diǎn)、中繼節(jié)點(diǎn)、網(wǎng)關(guān)節(jié)點(diǎn)組成。傳感器節(jié)點(diǎn)帶有AMR傳感器，安裝在路面上，可以實(shí)時(shí)探測車輛信息，傳感器節(jié)點(diǎn)把采集的信息傳輸給中繼節(jié)點(diǎn)。中繼節(jié)點(diǎn)之間自組織成為無線mesh網(wǎng)絡(luò)，把數(shù)據(jù)傳遞給網(wǎng)關(guān)節(jié)點(diǎn)，本系統(tǒng)采用TI公司生產(chǎn)的CC2530芯片，Honeywell公司生產(chǎn)的AMR傳感器，當(dāng)車輛通過傳感器節(jié)點(diǎn)時(shí)，AMR傳感器可以感知到地球磁場的變化，對磁場數(shù)據(jù)進(jìn)行采集處理，通過分析地磁信號的變化提取出車輛的特征信號［2］。整個(gè)算法是由數(shù)據(jù)采集、濾波、檢測、更新和輸出5個(gè)模塊構(gòu)成，如圖1所示。

圖1 車輛檢測結(jié)構(gòu)圖Fig 1 Structure diagram of vehicle detection

1．1 車輛檢測信號分析

算法采用的AMR傳感器是Honeywell公司的HMC5883三軸各向異性AMR傳感器。AMR傳感器會檢測到X，Y，Z三個(gè)不同方向的磁場強(qiáng)度變化。將傳感器固定在車道中央，當(dāng)有車輛經(jīng)過時(shí)，它可以檢測到磁場發(fā)生變化的車輛信號。由此，通過對車輛地磁響應(yīng)信號的分析可以獲得道路車輛信息。

AMR傳感器采集的地磁信號大致分為3種，第一種是背景磁場信號Gs（k），即地球磁場信號，第二種是AMR傳感器受周圍環(huán)境影響的干擾信號Ns（k），第三種是車輛信號Vs（k），即車輛通過時(shí)對磁場的擾動信號。

AMR傳感器在k時(shí)刻采集的信號Ms（k）是背景磁場信號Gs（k）和干擾信號Ns（k）再加上車輛信號Vs（k）共同疊加的信號［3］，如式（1）所示

1．2 信號的濾波模塊

地磁信號采集后需要濾波預(yù)處理，濾波部分包括均值濾波和中值濾波兩部分。

均值濾波［4］是對某一參數(shù)連續(xù)采樣N次，N可隨意選取，然后把N次采樣值求和，再取其平均值作為本次采樣值。均值濾波法比較適用于波動比較小的范圍內(nèi)，削弱信號的高頻干擾。對地磁信號的N次采樣的平均為f（k），如式（2）所示

中值濾波法［5］即對數(shù)據(jù)連續(xù)采樣N次，N一般為奇數(shù)，然后把N次采樣值排序，再取其中間值作為本次采樣值。中值濾波法比較適用于去掉偶然因素引起的波動和采樣器不穩(wěn)定而引起的脈動干擾，比均值濾波可靠性更高。

為了更好地結(jié)合檢測信號特征，本文中采用2種濾波方法的結(jié)合。在沒有車輛信號時(shí)使用均值濾波法，可以濾除毛刺信號，得到更加準(zhǔn)確的基線值。檢測到車輛信號的瞬間，信號會有較大的波動，此時(shí)采用中值濾波方法可以有效地去除信號的脈動干擾，使得信號更加平滑。

1．3 檢測模塊

算法的核心是車輛信號的判斷和狀態(tài)機(jī)的應(yīng)用。車輛是否存在是利用基線和閾值來判斷的;簡化狀態(tài)機(jī)是把信號分為2種不同的狀態(tài)，狀態(tài)之間的變換確定是否有車輛存在［6～9］。

1．3．1 車輛信號判斷

檢測信號被采集濾波后，得到平滑的混合信號，更新的基線為地磁背景信號，閾值是用來判斷信號是否為車輛信號。對濾波后的X，Y，Z三軸的地磁信號與3個(gè)軸各自的基線進(jìn)行比較得到3個(gè)的絕對差值，其中至少有2個(gè)差值超過了閾值時(shí)，系統(tǒng)判定為車輛信號。除此之外系統(tǒng)判斷為干擾信號。本文以Z軸為例說明車輛信號的檢測分析，如圖2所示。

圖2 車輛信號分析Fig 2 Vehicle signal analysis

1．3．2 狀態(tài)機(jī)的檢測

狀態(tài)機(jī)檢測法消除了相鄰車道或其他噪聲的干擾，增強(qiáng)了算法的魯棒性，但是它具有一定的滯后作用［10］。如圖3所示為簡化的狀態(tài)機(jī)圖。

圖3 狀態(tài)機(jī)圖Fig 3 Diagram of state machine

在系統(tǒng)的初始階段會有3種狀態(tài):初始狀態(tài)、檢測狀態(tài)和有車狀態(tài)，在進(jìn)入檢測環(huán)節(jié)只有后2種狀態(tài)的循環(huán)。

1）初始狀態(tài)

系統(tǒng)首先進(jìn)入初始狀態(tài)，在最短的時(shí)間內(nèi)通過均值濾波法選擇基線，閾值是預(yù)先設(shè)定的，經(jīng)過多次實(shí)驗(yàn)測得初始的閾值一般在20～50為宜，經(jīng)過前期設(shè)定初始化之后，系統(tǒng)跳入檢測狀態(tài)。

2）檢測狀態(tài)

在檢測狀態(tài)中，系統(tǒng)進(jìn)行車輛信號的判斷，在這里不斷地調(diào)整基線，不管外界的溫度有怎么樣的變化，基線在一定的權(quán)值下發(fā)生相應(yīng)的變化，閾值是在多次干擾信號出現(xiàn)的時(shí)候進(jìn)行更新的。當(dāng)檢測到車輛信號，并且信號數(shù)量達(dá)到一個(gè)臨界值時(shí)，系統(tǒng)會跳到有車狀態(tài)。

3）有車狀態(tài)

在有車狀態(tài)中，基線是不進(jìn)行自動更新的。當(dāng)車輛信號消失，并且地磁信號數(shù)量達(dá)到一個(gè)臨界值時(shí)，系統(tǒng)跳回檢測狀態(tài)。

算法會在檢測狀態(tài)和有車狀態(tài)之間循環(huán)，完成一次循環(huán)就是檢測到有車輛經(jīng)過節(jié)點(diǎn)，所以，循環(huán)的次數(shù)就是車輛的數(shù)量，這樣可以達(dá)到道路交通車流量的檢測。

1．4 更新模塊

更新模塊包括基線的更新和閾值的更新兩部分。系統(tǒng)在初始化狀態(tài)，基線和閾值是預(yù)先設(shè)定的，當(dāng)傳感器采集多次信號后，由均值濾波得到3個(gè)軸各自的初始基線;閾值是經(jīng)過多次實(shí)驗(yàn)經(jīng)驗(yàn)所得，用于檢測車輛信號。

系統(tǒng)進(jìn)入檢測狀態(tài)后會不斷地根據(jù)一個(gè)加權(quán)函數(shù)來更新基線，實(shí)現(xiàn)基線的重新標(biāo)定。濾波后的信號是在以一定權(quán)值的方式不斷地更新基線，如式（3）所示的是3個(gè)軸基線的加權(quán)函數(shù)

式中Bsi（k）為自適應(yīng)基線，?為加權(quán)系數(shù)，f（k）為經(jīng)過濾波后連續(xù)的磁信號，k為信號的個(gè)數(shù)，右下角i代表3個(gè)磁軸之一。當(dāng)外界環(huán)境發(fā)生變化時(shí)，為了更準(zhǔn)確地確定基線，這個(gè)權(quán)值一般設(shè)為0．05較好。權(quán)值越大基線變化越快，受干擾影響越大;相反，基線變化越慢，受干擾影響較小。

閾值的更新主要是對多次干擾信號的采集，選取最大的干擾信號作為新的閾值。根據(jù)1．3．1節(jié)中的車輛信號的判斷方法，可以得到干擾信號，系統(tǒng)沒有車輛信號的情況下，不斷地把干擾信號與基線作比較，選取最大的干擾差值作為新的閾值。

如圖4是車輛檢測算法流程圖，可以清楚地看到基線和閾值是在沒有車輛信號的情況下進(jìn)行的循環(huán)更新?；€是不斷地循環(huán)自動更新的，閾值是經(jīng)過多次干擾取得的最大值。這樣的情況下可以很準(zhǔn)確地除掉干擾信號，檢測出車輛的存在。確保了監(jiān)測道路交通車輛的實(shí)時(shí)性和準(zhǔn)確性。

圖4 車輛檢測算法流程圖Fig 4 Flow chart of vehicle detection algorithm

2 算法驗(yàn)證

分別對AMR傳感器的X，Y，Z三個(gè)軸的信號進(jìn)行處理，對車輛地磁響應(yīng)信號波形處理過程如圖5～圖7所示。

圖5 原始車輛響應(yīng)信號波形Fig 5 Original response signal waveform of vehicle

圖6 濾波后的車輛響應(yīng)信號波形Fig 6 Response signal waveform of vehicle after filtering

圖7 檢測結(jié)果波形Fig 7 Test results waveform

由圖可以看出:信號進(jìn)行濾波處理后變到平滑，這樣使得算法更容易實(shí)現(xiàn)，能夠更好地提取出車輛信息。3個(gè)坐標(biāo)軸在有車輛駛?cè)霑r(shí)都有變化，至少要有2個(gè)軸檢測出車輛，系統(tǒng)才能夠提取出車輛的信息。在信息處理過程中要進(jìn)行信號的確認(rèn)，所以，系統(tǒng)有幾個(gè)數(shù)據(jù)的延遲。

選取深圳市南山區(qū)留仙大道作為實(shí)驗(yàn)場地，那里車流量密集，很適合作為實(shí)驗(yàn)場地。利用AMR傳感器實(shí)地采集數(shù)據(jù)，采樣頻率為50 Hz。根據(jù)車輛的長度不一，實(shí)驗(yàn)對車輛進(jìn)行簡單分類，主要分為行駛中的小型車、中型車、大型車和特型車四類。其分類標(biāo)準(zhǔn)為:4 m以下為小型車，4～7 m為中型車，7～11 m為大型車，11 m以上為特型車。實(shí)驗(yàn)得到多組數(shù)據(jù)，由于小型車輛中摩托車對地磁型號相應(yīng)比較小，所以，給實(shí)驗(yàn)帶來一定的干擾。

實(shí)驗(yàn)對采集數(shù)據(jù)進(jìn)行濾波處理和車輛檢測結(jié)果，整理出四組數(shù)據(jù)，表1是對這四類車輛的檢測結(jié)果。通過以上數(shù)據(jù)顯示可以看出:較多數(shù)據(jù)的提取中，這種自適應(yīng)狀態(tài)機(jī)的車輛檢測算法的檢測率可以達(dá)到98%以上，大大提高了對道路車流量的檢測率，同時(shí)可以應(yīng)用到大型停車場的車輛誘導(dǎo)管理系統(tǒng)中。所以，這種算法具有很好的魯棒性，對于不同檢測地點(diǎn)，可以保持很好的檢測精度。

表1 智能車輛檢測結(jié)果Tab 1 Detection result of intelligent vehicle

3 結(jié)束語

算法結(jié)合車輛地磁響應(yīng)信號的具體特征，采用智能狀態(tài)機(jī)的車輛檢測方法，將車輛地磁響應(yīng)信號分為處于檢測狀態(tài)和有車狀態(tài)兩類，能夠動態(tài)地調(diào)整基線和閾值，這樣就不必考慮背景磁場的漂移和交通狀況發(fā)生改變帶來的影響，具有較強(qiáng)的魯棒性。算法簡化狀態(tài)機(jī)算法，結(jié)合自動基線閾值更新部分，對車輛具有很好的檢測效果。同時(shí)算法簡單，運(yùn)行速度快，很適合應(yīng)用于單片機(jī)。

［1］ 蘇東海，王 亮，馬壽峰．基于地磁感應(yīng)的車輛檢測方法的研究［J］．交通與計(jì)算機(jī)．2007，25（3）:9 －13．

［2］ 孫利民，李建中，陳 渝．無線傳感器網(wǎng)絡(luò)［M］．北京:清華大學(xué)出版社，2005:110－125．

［3］ Caruso C J，Withamwasam L S．Vehicle detection and compass applications using AMR magnetic sensors［J］．Sens Expo Proc，1999:477－488．

［4］ 姜勝山．基于WSNs的車輛檢測系統(tǒng)的研究與設(shè)計(jì)［D］．長沙:國防科學(xué)技術(shù)大學(xué)，2009:37－39．

［5］ 曹 喆，聞 育，潘 霓，等．一種基于K-Means分類的狀態(tài)機(jī)車輛檢測算法［J］．工業(yè)控制計(jì)算機(jī)，2010（23）:55－58．

［6］ 曹奕濤，楊 波．基于無線傳感器網(wǎng)絡(luò)的入侵檢測系統(tǒng)設(shè)計(jì)［J］．電子技術(shù)應(yīng)用，2010，36（2）:106 －110．

［7］ Cheung S Y，Varaiya P．Traffic surveillance by wireless sensor networks:Final report［D］．Berley:University of caliornia，2007:55－59．

［8］ Ding J，Cheung S Y，Tan C W，et al．Signal processing of sensor node data for vehicle detection［C］∥The 7th IEEE ITSC，2004:70．

［9］ Cheung S Y．Coleri S．Traffic measurement and vehicle classification with a single magnetic sensor［C］∥The 84th Annual Meeting on Transportation Research Board，Washington D C［s．n．］，2004:6－11．

［10］聞 育，潘 霓．基于磁偏角的車輛檢測的研究［C］∥第27屆中國控制會議，昆明，2008:586－590．