呂 彬, 冀小平

(太原理工大學(xué)，山西 太原 030024)

應(yīng)用技術(shù)

激光測距傳感器在車輛寬高檢測中的應(yīng)用

呂 彬, 冀小平

(太原理工大學(xué)，山西 太原 030024)

為提高高速公路車輛超寬、超高治理工作效率，智能車輛寬高檢測系統(tǒng)的應(yīng)用也越來越廣泛。由于檢測系統(tǒng)對車輛后視鏡最寬值的誤判斷，導(dǎo)致人工復(fù)測頻繁、超限站車輛通行緩慢。針對上述缺陷,提出了利用廣義回歸神經(jīng)網(wǎng)絡(luò)的擬合能力判斷產(chǎn)生最寬值原因的方法。經(jīng)實驗證明：該方法能有效去除檢測過程中由后視鏡產(chǎn)生的最寬值，提高準(zhǔn)確度與過車效率。

寬高檢測； 激光測距傳感器； 廣義回歸神經(jīng)網(wǎng)絡(luò)

0 引 言

隨著我國大力構(gòu)建快速公路交通網(wǎng)絡(luò)，公路運(yùn)輸?shù)玫搅饲八从械陌l(fā)展。受經(jīng)濟(jì)利益的驅(qū)使各種超限車輛也頻頻違章上路。治理超載、超寬、超高車輛也迫在眉睫。在超載車輛的治理中，靜態(tài)、動態(tài)汽車衡的使用有效地遏制了超載車輛上路。由于以往超寬超高車輛的治理一直采用人工方法檢測，導(dǎo)致效率低下[1]。為提高檢測效率，智能超限檢測儀器投入了使用。但是現(xiàn)行的部分智能寬高檢測系統(tǒng)不能有效地濾除車輛后視鏡對車輛寬度的影響造成誤判斷，不僅需要人工復(fù)檢測量寬高，還造成了超限站放行緩慢、超限車輛聚集[2]。

針對上述缺陷，本文利用神經(jīng)網(wǎng)絡(luò)優(yōu)秀的預(yù)估逼近能力，提出以廣義回歸神經(jīng)網(wǎng)絡(luò)(general regression neural network,GRNN)為基礎(chǔ)求出車輛最值落入判別范圍的方法消除車輛后視鏡對車寬檢測的影響。

1 車輛后視鏡判別方法

利用GRNN查找出被測車輛通過寬高檢測儀時，產(chǎn)生的最寬值處于采樣時間序列中的位置，并由檢測閾值判斷最值是否由車輛后視鏡產(chǎn)生。以達(dá)到消除由于后視鏡產(chǎn)生的誤判斷。具體流程圖如圖1所示。

圖1 判別方法流程圖Fig 1 Flow chart of discrimination method

1)系統(tǒng)初始化，等待車輛到來。

2)以車輛檢測數(shù)據(jù)作為樣本完成對網(wǎng)絡(luò)的訓(xùn)練。

3)利用GRNN求出最值落入采樣值的范圍。

4)判定最值區(qū)域是否超出檢測閾值，是,則認(rèn)為最值是由車輛后視鏡產(chǎn)生；否則,認(rèn)為車輛寬度最值不是由后視鏡產(chǎn)生。將最值與寬高限制值比較，結(jié)果計入過車數(shù)據(jù)庫,并重復(fù)步驟(1～4)。

2 寬高儀傳感器檢測原理

寬高檢測儀采用激光測距傳感器。激光以其高亮度、高方向性、高單色等特點，被廣泛應(yīng)用于各種測量領(lǐng)域中。激光測距相比紅外測距、超聲波測距等方式，具有速度快、實時性強(qiáng)、獲取數(shù)據(jù)精度高等特點。激光測距等技術(shù)已在汽車防撞、建筑或空地安全監(jiān)護(hù)、軌道交通領(lǐng)域得到了廣泛的應(yīng)用[1]。本系統(tǒng)選用德國SICK公司生產(chǎn)的LMS型雙脈沖激光測距傳感器。

LMS激光傳感器是一種戶外型非接觸式的高精度、高解析度外部傳感器，其工作原理是基于對激光束飛行時間的測量，按一定間隔發(fā)出激光束脈沖，通過定時器計算發(fā)射脈沖和接收脈沖之間的時間間隔測得與被測物體之間的距離[2～4]。

智能車輛寬高檢測系統(tǒng)通過對車輛進(jìn)行連續(xù)動態(tài)掃描，采集車輛外型輪廓信息，并將采集實時數(shù)據(jù)傳給控制單元，控制單元通過處理、分析、計算采樣數(shù)據(jù)，得出車輛實際的寬高值。寬高儀原理如圖2所示。

圖2 寬高儀原理圖Fig 2 Principle diagram of width and height instrument

3 GRNN

GRNN是徑向基函數(shù)(radial basis function,RBF)網(wǎng)絡(luò)的一種變形形式。GRNN建立在非參數(shù)回歸的基礎(chǔ)上，以樣本數(shù)據(jù)為后驗條件，執(zhí)行Panrzen非參數(shù)估計，依據(jù)最大概率原則計算網(wǎng)絡(luò)輸出。GRNN以RBF為基礎(chǔ)，具有良好的非線性逼近能力，與RBF網(wǎng)絡(luò)相比訓(xùn)練更為方便，尤其適合解決曲線擬合問題[5]。

3.1 網(wǎng)絡(luò)結(jié)構(gòu)

GRNN由輸入層、隱含層、加和層、輸出層構(gòu)成，如圖3所示。

圖3 廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig 3 Structure of GRNN

輸入層接收樣本的輸入，神經(jīng)元個數(shù)等與輸入向量的維數(shù)。隱含層是徑向基層，神經(jīng)元個數(shù)等與訓(xùn)練樣本個數(shù)，基函數(shù)一般采用高斯函數(shù)，第i個神經(jīng)元的中心向量為xi。加和層神經(jīng)元分為兩種，第一種神經(jīng)元計算隱含層各神經(jīng)元代數(shù)和，稱為分母單元;第二種神經(jīng)元計算隱含層神經(jīng)元的加權(quán)和，權(quán)值為各訓(xùn)練樣本的期望輸出，稱之為分子單元。輸出層將加和層的分子單元和分母單元相除，即得到y(tǒng)的期望輸出

(1)

網(wǎng)絡(luò)的訓(xùn)練過程只需要完成對σ的一維尋優(yōu)即可。但由于網(wǎng)絡(luò)并不知道樣本數(shù)據(jù)的概率分布，因此,不能從樣本中求得理想的光滑因子σ，故而這里采用一維尋優(yōu)的方式來求取。具體步驟如下:

1)設(shè)定一個平滑因子σ。

2)從樣本中取出一個測試樣本，其余作為訓(xùn)練樣本，用于構(gòu)建網(wǎng)絡(luò)。

3)用構(gòu)建的網(wǎng)絡(luò)對該樣本做出測試，求得絕對誤差值。

4)重復(fù)第二步和第三步，直到所有的樣本都曾被設(shè)置為測試樣本，定義目標(biāo)函數(shù)以求出平均值

(2)

這樣，就求得了在給定σ值下的誤差值，可以用此目標(biāo)函數(shù)作為衡量σ性能的標(biāo)準(zhǔn)。

3.2 判別閾值

判別范圍的設(shè)定依照卡車車頭所占車身比例設(shè)定,一般的超限車輛分為長頭卡車和平頭卡車。由于平頭卡車的后視鏡與車輛前沿距離較長頭卡車要近,所以,選取長頭卡車車頭前沿到車輛后視鏡的長度占整個車身長度的比例作為超寬值檢驗范圍的依據(jù)。

在我國半掛車車身長度為13 m，2008年9月，新規(guī)定廂式的半掛車車身可達(dá)到14.6 m。牽引車頭在獨立狀態(tài)下7～8 m[6]。由于考慮半掛車轉(zhuǎn)彎時候的回旋半徑車頭和車廂之間有1.5 m左右的空隙。所以,在整車長度17.5 m的情況下認(rèn)為長頭車車頭所占比例閾值ε為17 %。

3.3 數(shù)據(jù)檢驗

以山西某收費站寬高儀獲取整車過車數(shù)據(jù)為樣本,分別取未超限車和超限車過車產(chǎn)生過車寬高數(shù)據(jù)X1=783組,X2=801組。在Matlab中利用工具箱函數(shù)利用net=newgrnn(P,T)函數(shù)進(jìn)行最值定位。P矩陣為一維矩陣的車寬數(shù)據(jù)，目標(biāo)矩陣T為數(shù)據(jù)采樣數(shù)據(jù)序列號[7]。利用X=sim(net,ymax)求出最值采樣序列號。若x/X<ε，則認(rèn)為最值Ymax為車輛后視鏡最寬值。

由圖4可見車輛最高值y1=2.54 m落在了整個采樣周期中的x=72，很明顯可以判斷出最寬值由車輛后視鏡產(chǎn)生，最值數(shù)據(jù)不計入超寬檢測范圍。

圖4 未超寬車寬度數(shù)據(jù)采樣波形Fig 4 Sampling waveform of width datas of normal vehicle

由圖5可見車輛最高值y2=2.57 m落在了整個采樣周期中的后半段x2=603，可以判斷出最寬值由車輛所載貨物產(chǎn)生，最值數(shù)據(jù)計入超寬檢測范圍,且超出國家車輛寬高管理規(guī)定，依法勸返禁止上高速。

圖5 超寬車寬度數(shù)據(jù)采樣波形Fig 5 Sampling waveform of width datas of ultra wide vehicle

4 結(jié) 論

經(jīng)實踐數(shù)據(jù)檢驗，基于GRNN擬合方式的傳感器判斷方法可以有效地識別車輛寬高檢測中車輛最寬值是否由車輛后視鏡產(chǎn)生。系統(tǒng)能將所載貨物寬度與后視鏡寬度區(qū)別開來，大大降低了寬高檢測中的誤判斷，也省去了人工復(fù)檢造成的人力浪費，減緩了收費站車流量壓力。

[1] 禹琳琳.基于激光測距技術(shù)的車輛寬高檢測系統(tǒng)的設(shè)計[J].電子設(shè)計工程，2011，19(10)：103-106.

[2] 謝志鵬，卞春江，孟 新.基于FPGA的激光測距控制系統(tǒng)設(shè)計[J].微計算機(jī)信息,2009，25(3/2):187,190-191.

[3] 葉 迪.移動機(jī)器人基于激光測距的三維場景重構(gòu)[D].大連：大連理工大學(xué)，2008.

[4] SICK Company in Germany.LMS laser measurement systems opera-ting instructions[EB/OL].[2014—02—07]. http:∥www.sick.com.

[5] 劉君堯，邱 嵐.基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近[J].大眾科技，2009(9):19,39.

[6] 鄭 麗，車輛外形檢測關(guān)鍵技術(shù)研究[D].南京：南京理工大學(xué)，2010.

[7] 李 萍,曾令可,稅安澤,等.基于 Matlab的BP神經(jīng)網(wǎng)絡(luò)預(yù)測系統(tǒng)的設(shè)計[J].計算機(jī)應(yīng)用與軟件,2008,25(4):149-150.

Application of laser ranging sensor in detecting of width and height of vehicle

Lü Bin, JI Xiao-ping

(Taiyuan University of Technology,Taiyuan 030024,China)

In order to improve extra-width,ultra-height of highway vehicle management work efficiency,width and height detection system of intelligent vehicle is more and more widely applied.Because of misjudge of detecting system on the widest value of vehicle rearview mirror,leading to artificial frequent repetition and overrun station traffic is slow.Aiming at above defects propose method using fitting ability of generalized regression neural network to estimate the reason of the maximum width value generating.Experiments show that the method can effectively remove the widest value caused by rear view mirror in process of testing,improve the accuracy and efficiency of traffic.

width and height detecting; laser ranging sensor; general regression neural network(GRNN)

10.13873/J.1000—9787(2014)12—0152—03

2014—05—15

TP 274

A

1000—9787(2014)12—0152—03

呂 彬(1987-)，女，山西太原人，碩士研究生，主要研究方向為數(shù)字圖像處理。