蔡伯根，趙濟(jì)民，王劍，劉江，王忠立

（北京交通大學(xué)，北京100044）

三軸AMR車輛檢測(cè)器的車型分類設(shè)計(jì)實(shí)現(xiàn)

蔡伯根，趙濟(jì)民，王劍＊，劉江，王忠立

（北京交通大學(xué)，北京100044）

隨著城市機(jī)動(dòng)車數(shù)量的不斷增加，城市交通向智能交通方向的快速發(fā)展，傳統(tǒng)的車輛檢測(cè)器已經(jīng)不能滿足智能交通對(duì)交通狀況反映的要求.車輛檢測(cè)器的車型分類功能成為檢測(cè)器發(fā)展的趨勢(shì)，針對(duì)目前AMR車輛檢測(cè)器弱化車型結(jié)構(gòu)對(duì)磁場(chǎng)強(qiáng)度影響的問(wèn)題，設(shè)計(jì)了一種新型的AMR車型識(shí)別檢測(cè)器.單個(gè)檢測(cè)器可以采集三個(gè)方向地磁變化量，結(jié)合一個(gè)高精度的時(shí)間模塊，可以獲得磁場(chǎng)強(qiáng)度在立體三維空間的變化，豐富了采集信息.通過(guò)比較常見(jiàn)的車型分類算法優(yōu)缺點(diǎn)，采用DAG-SVM進(jìn)行車型分類.實(shí)驗(yàn)測(cè)試的結(jié)果表明，該檢測(cè)器可以有效地對(duì)車輛進(jìn)行分類.

智能交通；車輛識(shí)別；導(dǎo)向無(wú)環(huán)圖支持向量機(jī)；各向異性磁阻

1 引言

統(tǒng)計(jì)數(shù)據(jù)表明，到2012年底，全球機(jī)動(dòng)車總量將超過(guò)10億，而我國(guó)機(jī)動(dòng)車總量在2012年6月已經(jīng)達(dá)到2.33億輛[1].在我國(guó)邁入私家車時(shí)代的同時(shí)，交通擁堵、事故頻發(fā)、能源消耗和環(huán)境污染等社會(huì)問(wèn)題日趨嚴(yán)重.解決城市交通問(wèn)題迫在眉睫，智能交通系統(tǒng)應(yīng)運(yùn)而生.車輛檢測(cè)器為智能交通系統(tǒng)各項(xiàng)功能的展開(kāi)提供原始數(shù)據(jù)信息，車輛檢測(cè)技術(shù)作為智能交通系統(tǒng)的基礎(chǔ)組成部分，其準(zhǔn)確性和實(shí)時(shí)性直接影響整個(gè)智能交通系統(tǒng)的有效性.在機(jī)動(dòng)車保有量不斷增加的背景下，車輛種類也越來(lái)越多，單一的計(jì)量車輛數(shù)量的車輛檢測(cè)器，已經(jīng)不能滿足智能交通系統(tǒng)對(duì)日益豐富的交通狀況的反映要求，檢測(cè)器的車型分類研究成為一個(gè)研究重點(diǎn).

車型分類是通過(guò)傳感器檢測(cè)車輛固有的參數(shù)，在一定車型分類標(biāo)準(zhǔn)下運(yùn)用適當(dāng)?shù)姆诸愃惴?，?duì)車輛進(jìn)行車型分類.近年來(lái)高靈敏度、低成本、小體積的地磁傳感器成為一種新型的車輛檢測(cè)器進(jìn)入研究范圍，Saowaluck Kaewkamnerd等人[2,3]基于地磁傳感器提出了多種不同算法的車型分類方法，基本思想都是通過(guò)同一車道間隔一定距離的兩個(gè)傳感器節(jié)點(diǎn)采集數(shù)據(jù)的時(shí)間差來(lái)獲得車速，車速與車輛波形在任意檢測(cè)器上的停留時(shí)間相乘得到車長(zhǎng)，從而識(shí)別車型.這種車型分類方式只依靠于車長(zhǎng)度，弱化了車輛形狀和構(gòu)造對(duì)地磁場(chǎng)強(qiáng)度的影響，對(duì)傳感器節(jié)點(diǎn)間的同步時(shí)間精度要求較高，所以長(zhǎng)時(shí)間運(yùn)行的分類正確率較低.

通過(guò)比較目前車型分類車輛檢測(cè)器，受視頻三維重建思想的啟發(fā)，結(jié)合地磁傳感器的高靈敏度特性，本文提出了一種新的分類方法，該方法通過(guò)單個(gè)節(jié)點(diǎn)結(jié)合了三軸地磁傳感器采集地磁信息，對(duì)三維地磁信息進(jìn)行車型長(zhǎng)、寬、高比例重組，然后進(jìn)行車型識(shí)別.這種車型分類方法綜合考慮了車輛形狀和構(gòu)造對(duì)地磁場(chǎng)強(qiáng)度的影響，不需要節(jié)點(diǎn)間的時(shí)間同步，降低了采集信息的原始誤差，提高原始數(shù)據(jù)的準(zhǔn)確性.

常用的車型分類算法包括神經(jīng)網(wǎng)絡(luò)[4]、模糊模式識(shí)別[5]和支持向量機(jī)（Support Vector Machine，SVM）[6]等，表1給出了三種分類算法的比較.

表1 常見(jiàn)分類器比較Table 1 Comparison of common classify algorithm

由表1比較可見(jiàn)，尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小的支持向量機(jī)相比傳統(tǒng)追尋經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的分類器有更好的泛化能力，收斂速度也比較快，雖然支持向量機(jī)不能直接解決多分類問(wèn)題，但是通過(guò)多個(gè)二分類支持向量機(jī)的組合可以很好地解決車型分類問(wèn)題.

基于上文分析，本文采用了三軸傳感器采集地磁信息加導(dǎo)向無(wú)環(huán)圖支持向量機(jī)（Directed Acyclic Graph Support Vector Machine,DAG-SVM）算法的設(shè)計(jì)，完成了車型分類的功能，下面將對(duì)具體設(shè)計(jì)過(guò)程及實(shí)驗(yàn)結(jié)果進(jìn)行詳細(xì)分析.

2 AMR傳感器檢測(cè)原理

AMR傳感器利用的是導(dǎo)體材料的各向異性磁阻效應(yīng)，導(dǎo)體材料在磁場(chǎng)的作用下，其電阻率隨磁化強(qiáng)度方向與電流方向變化而變化的現(xiàn)象叫各向異性磁阻效應(yīng)（Anisotropic Magneto Resistive, AMR）.坡莫合金是一種鐵鎳合金，具有很好的各向異性磁阻性，成為AMR傳感器的制作材料. AMR傳感器的工作原理是利用四個(gè)坡莫合金制作的電阻組成一個(gè)惠斯通橋，如圖1所示.圖中惠斯通橋中，R1和R3，R2和R4的坡莫合金纏繞方向分別一致.

圖1 AMR傳感器檢測(cè)原理Fig.1 AMR sensor detection principle

AMR車型分類檢測(cè)器通常是采集垂直地面的一維方向上磁場(chǎng)強(qiáng)度變化，只考慮車輛長(zhǎng)度對(duì)車型的分類，減弱了車輛整體結(jié)構(gòu)形狀對(duì)地磁場(chǎng)強(qiáng)度的影響.本文設(shè)計(jì)的信息采集節(jié)點(diǎn)采集的數(shù)據(jù)包括立體三維方向上的磁場(chǎng)強(qiáng)度變化，車輛經(jīng)過(guò)時(shí)對(duì)地磁場(chǎng)強(qiáng)度的影響如圖2所示.

圖2 磁場(chǎng)影響Fig.2 Geomagnetic influence by vehicle

三軸磁敏傳感器獲取到的車型特征包括車長(zhǎng)、車寬和車高信息，通過(guò)三者時(shí)間的微小差異關(guān)系及峰谷值間的比例關(guān)系，獲取的車型特征值更加豐富，并且綜合考慮了車輛形狀結(jié)構(gòu)等因素，時(shí)間取自于一個(gè)檢測(cè)器節(jié)點(diǎn)上的高精度時(shí)間模塊，對(duì)節(jié)點(diǎn)間的時(shí)間同步精度的要求也大大降低了.

3 系統(tǒng)設(shè)計(jì)

3.1 硬件設(shè)計(jì)

完整的地磁信息采集節(jié)點(diǎn)包括信號(hào)采集、時(shí)間同步、電源管理、射頻前端及主控制單元（MCU）五個(gè)部分，如圖3所示.

圖3 地磁信息采集節(jié)點(diǎn)框圖Fig.3 Geomagnetic collector node block diagram

●信號(hào)采集模塊的功能是實(shí)時(shí)采集磁場(chǎng)強(qiáng)度，本文選取Honeywell公司的HMC5883芯片，通過(guò)IIC接口與MCU傳輸數(shù)據(jù)，方便控制與信息傳輸，采樣頻率為50 Hz，可以達(dá)到車輛檢測(cè)及識(shí)別的信息采集要求.

●時(shí)間同步模塊主要提供終端采集節(jié)點(diǎn)數(shù)據(jù)變化的微小時(shí)刻變化，設(shè)計(jì)選取了意法半導(dǎo)體公司的M41T81時(shí)鐘芯片，最小時(shí)間精度可以達(dá)百分之一秒，通過(guò)IIC接口與MCU通信，最低工作電流僅1 uA，滿足節(jié)點(diǎn)對(duì)時(shí)間以及功耗的要求.

●電源管理模塊使用的是TI公司的lp2980芯片，電源芯片的低功耗模式電流小于1 uA，通過(guò)電源的模式轉(zhuǎn)換來(lái)對(duì)整個(gè)節(jié)點(diǎn)進(jìn)行動(dòng)態(tài)電源管理，可以將功耗降到最低.

●射頻傳輸采用的是Zigbee通信協(xié)議，考慮信息采集節(jié)點(diǎn)的功耗及對(duì)無(wú)線傳輸?shù)囊?，主控芯片使用的是TI公司的CC2530，CC2530芯片中RF收發(fā)器和增強(qiáng)型的8051單片機(jī)結(jié)合于一體，多種運(yùn)行模式使其適合超低功耗的系統(tǒng).

地磁信息采集節(jié)點(diǎn)采用大容量鋰電池供電，考慮到采集節(jié)點(diǎn)通信距離，地磁信息采集節(jié)點(diǎn)設(shè)計(jì)為兩塊電路板，主控制單元與射頻前端設(shè)計(jì)成一體，傳感器采集電路、時(shí)鐘電路和電源管理電路等以擴(kuò)展板的形式與主控板連接.實(shí)物如圖4所示.

圖4 地磁信息采集節(jié)點(diǎn)實(shí)物圖Fig.4 Physical map of geomagnetic collector node

3.2 車型分類系統(tǒng)監(jiān)測(cè)軟件設(shè)計(jì)

處理與存儲(chǔ)單元機(jī)器上的車型分類系統(tǒng)監(jiān)測(cè)軟件的主要功能，包括啟動(dòng)階段對(duì)地磁信息采集單元及視頻數(shù)據(jù)采集單元進(jìn)行時(shí)間同步，運(yùn)行階段對(duì)視頻和地磁信息的處理，顯示及存儲(chǔ).圖5表示車型分類系統(tǒng)軟件主流程.

圖5 車型分類系統(tǒng)軟件主流程Fig.5 Main loop of vehicle classification system

從圖5可以看出，車型分類是車型分類系統(tǒng)監(jiān)測(cè)軟件的核心.從地磁采集節(jié)點(diǎn)傳回處理單元的是原始電平數(shù)據(jù)，在進(jìn)行車型分類識(shí)別之前，需要從原始電平數(shù)據(jù)中提取出特征值.

圖6 車輛數(shù)據(jù)特征示意圖Fig.6 Sketch map of vehicle feature

圖6是車輛經(jīng)過(guò)傳感器時(shí)，Z軸上采集的典型磁場(chǎng)變化曲線.車輛數(shù)據(jù)特征提取流程如下.

●比較實(shí)時(shí)磁場(chǎng)強(qiáng)度與背景地磁場(chǎng)場(chǎng)強(qiáng)度α的差值，差值超過(guò)自抖動(dòng)的閾值β即判斷有車輛，開(kāi)始進(jìn)行特征提取.

●特征提取階段，分別對(duì)正負(fù)磁場(chǎng)變化量進(jìn)行累加，同時(shí)判斷磁場(chǎng)變化趨勢(shì)，變化趨勢(shì)改變時(shí)，獲得一組極值數(shù)據(jù)，極值數(shù)據(jù)間比較獲得波峰、波谷數(shù)據(jù).

●在連續(xù)τ秒內(nèi)差值進(jìn)入自抖動(dòng)范圍，判斷車輛經(jīng)過(guò)結(jié)束，特征提取結(jié)束.

根據(jù)三軸AMR傳感器采集的數(shù)據(jù)，提取出車長(zhǎng)、車高、車寬三個(gè)方向上的波峰、波谷、正負(fù)平均磁場(chǎng)變化量等24個(gè)特征向量.

實(shí)驗(yàn)場(chǎng)地的變化，背景地磁場(chǎng)強(qiáng)強(qiáng)度α?xí)胁町?，并且背景地磁?chǎng)強(qiáng)度在長(zhǎng)時(shí)間范圍內(nèi)會(huì)受溫度等的影響出現(xiàn)漂移，為了避免影響程序的魯棒性，本文采用動(dòng)態(tài)背景基準(zhǔn)值的方法來(lái)判斷車輛，在沒(méi)有車輛經(jīng)過(guò)的時(shí)候，周期性更新背景地磁場(chǎng)強(qiáng)度.

4 車型分類算法設(shè)計(jì)

車型分類的主要用途包括指導(dǎo)交通路線規(guī)劃、交通狀態(tài)統(tǒng)計(jì)及快速交通收費(fèi)等.我國(guó)根據(jù)汽車工業(yè)發(fā)展情況和國(guó)外車型分類情況制定過(guò)車型標(biāo)準(zhǔn)，該標(biāo)準(zhǔn)將車輛分為汽車、掛車和汽車列車三大類，每大類又細(xì)分為許多小類，種類過(guò)多且繁雜，不易快速分類而且針對(duì)于具體應(yīng)用不具有實(shí)用性.本文參考國(guó)內(nèi)國(guó)際車型分類標(biāo)準(zhǔn)，根據(jù)實(shí)際各類車輛的具體分布情況將車輛按形狀分為小汽車、SUV（包括中型面包）、大客車和貨車四種類型，如圖7所示，基本上涵蓋了城市中常見(jiàn)車輛，具有很好的實(shí)際應(yīng)用性能.

圖7 車型分類類型標(biāo)準(zhǔn)Fig.7 Standard of vehicle classification

車型分類算法是基于支持向量機(jī)算法.支持向量機(jī)是Vapnik等人在研究多年統(tǒng)計(jì)學(xué)習(xí)理論的基礎(chǔ)上對(duì)線性分類器提出的一種新的算法，它是在高維特征空間使用線性函數(shù)分類空間的學(xué)習(xí)系統(tǒng)[7].在車型分類的應(yīng)用中，必須對(duì)多類型進(jìn)行區(qū)分，支持向量機(jī)是典型的兩類分類器，利用兩類分類器得到多分類器，有兩種方式:

（1）一次性考量所有樣本，并求解一個(gè)多目標(biāo)函數(shù)的優(yōu)化問(wèn)題，一次性得到多個(gè)分類面.這個(gè)思路看起來(lái)很好，但是暫時(shí)這種算法還停留在理論上，因?yàn)榍蠼庖粋€(gè)多目標(biāo)函數(shù)的優(yōu)化方法的計(jì)算量實(shí)在太大，大到基本上無(wú)法實(shí)用.

（2）建立多個(gè)分類器，通過(guò)多次分類來(lái)確定最終類型，目前多使用這種思路.這種多分類SVM根據(jù)分類庫(kù)的訓(xùn)練，以及分類方式選擇可以分為“一對(duì)多”、“一對(duì)一”和“DAG-SVM”.

例如類別數(shù)為n(n＞2).表2對(duì)三種多分類SVM方法進(jìn)行了比較.

表2 多分類SVM方法比較Table 2 Comparison of multiple classification SVM

如表2所示，“一對(duì)多SVM”方法需要建立n個(gè)Ai和-Ai的分類器，一次完整的分類需要進(jìn)行n次分類識(shí)別，才能得到結(jié)果，但是由于Ai和-Ai之間數(shù)據(jù)的不對(duì)等性會(huì)出現(xiàn)人為的數(shù)據(jù)集偏移，大大降低分類的精度，并且可能會(huì)出現(xiàn)不能分類的情況.

“一對(duì)一SVM”方法需要建立n·(n-1)/2個(gè)Ai和Aj分類器（i≠j），需要進(jìn)行n·(n-1)/2次分類識(shí)別才能得到一次完整分類結(jié)果，分類次數(shù)太多導(dǎo)致分類速度較慢.

相比之下，DAG-SVM是一個(gè)不錯(cuò)的選擇，雖然需要建立n·(n-1)/2個(gè)分類器，但是只需要進(jìn)行n-1次分類即可得到結(jié)果，分類迅速、且不會(huì)出現(xiàn)不可分類和數(shù)據(jù)偏移等現(xiàn)象.但是DAG-SVM的缺點(diǎn)是會(huì)有累積誤差，一旦某一個(gè)分類器出現(xiàn)分類錯(cuò)誤，就會(huì)導(dǎo)致結(jié)果的錯(cuò)誤.針對(duì)這一缺點(diǎn)，利用有限樣本對(duì)真實(shí)分布做近似估算，相對(duì)距離越大的兩類樣本表面具有更好的可分性，先統(tǒng)計(jì)各個(gè)分類器的可分性即分類正確率，將分類正確率高的分類器參與最先的分類，這樣可以減小累積誤差.

根據(jù)上文的分類標(biāo)準(zhǔn)，車輛分為四類，即n為4，需要建立6個(gè)分類器.根據(jù)6個(gè)分類器的分類準(zhǔn)確度從高到低將6個(gè)分類器進(jìn)行排序，分類準(zhǔn)確度高的分類器放置于導(dǎo)向無(wú)環(huán)圖的前面，例如小汽車與公交車分類器分類準(zhǔn)確度最高，所以把小汽車與公交車分類器放置于無(wú)環(huán)圖的根部，如圖8所示，經(jīng)過(guò)三次車型分類即可得到車型.

圖8 導(dǎo)向無(wú)環(huán)圖分類結(jié)構(gòu)圖Fig.8 DAG classification structure

5 系統(tǒng)實(shí)現(xiàn)及分析

5.1 系統(tǒng)實(shí)現(xiàn)

本文設(shè)計(jì)了一個(gè)車型分類平臺(tái)來(lái)驗(yàn)證車型分類的正確性，平臺(tái)系統(tǒng)的整體架構(gòu)如圖9所示.整個(gè)系統(tǒng)包括兩個(gè)部分——現(xiàn)場(chǎng)信息采集子系統(tǒng)與信息處理子系統(tǒng).現(xiàn)場(chǎng)信息采集子系統(tǒng)包括地磁信息采集單元和視頻信息采集單元，視頻信息輔以對(duì)地磁信息的校驗(yàn)，信息處理子系統(tǒng)主要包括數(shù)據(jù)的處理、顯示以及存儲(chǔ).

圖9 車型分類系統(tǒng)組成框圖Fig.9 Vehicle classification system block diagram

搭建整個(gè)系統(tǒng)實(shí)驗(yàn)前，一個(gè)重要的步驟是收集四類車輛的地磁信息特征制作成分類器，視頻采集設(shè)備與地磁采集傳感器同步采集，人工根據(jù)地磁采集信息結(jié)合同步采集視頻信息制作原始特征庫(kù).然后根據(jù)原始特征庫(kù)制作分類器，制作分類器使用的是的libsvm-3.17[8]軟件.

車型分類系統(tǒng)監(jiān)測(cè)軟件界面如圖10所示，軟件的目的是通過(guò)視頻數(shù)據(jù)對(duì)地磁分類數(shù)據(jù)進(jìn)行分類準(zhǔn)確性的校正，功能包括處理、顯示及存儲(chǔ)地磁信息與視頻數(shù)據(jù).

圖10 車型分類系統(tǒng)監(jiān)測(cè)軟件界面Fig.10 Software interface of vehicle classification system

5.2 實(shí)驗(yàn)結(jié)果分析

使用所設(shè)計(jì)車型分類系統(tǒng)進(jìn)行實(shí)地車輛檢測(cè)實(shí)驗(yàn)，測(cè)試地點(diǎn)包括北京交通大學(xué)校內(nèi)思源主樓后道路和北京交通大學(xué)西門(mén)外的高粱橋斜街.校內(nèi)主道由于行人較多，所以實(shí)驗(yàn)車速維持在30-40 km/h，高粱橋斜街路段路況比較順暢，車速為60-70 km/h.圖11是在北京交通大學(xué)西門(mén)外高粱橋斜街實(shí)地車輛檢測(cè)實(shí)驗(yàn)的圖片.

圖11 實(shí)地測(cè)試圖Fig.11 Image of Field tests

室外場(chǎng)地實(shí)驗(yàn)時(shí)，傳感器放置于車道中央，車輛從傳感器采集節(jié)點(diǎn)上方駛過(guò)，協(xié)調(diào)器節(jié)點(diǎn)接收信息通過(guò)串口上傳上位機(jī)實(shí)時(shí)顯示，在對(duì)信息的預(yù)處理判斷檢測(cè)到車輛時(shí)，觸發(fā)視頻采集設(shè)備采集單獨(dú)圖片，并計(jì)數(shù)，通過(guò)視頻回放與照片數(shù)量，可以得到實(shí)際通過(guò)車輛數(shù)和檢測(cè)車輛數(shù)，通過(guò)對(duì)照?qǐng)D片與分類結(jié)果可以得到分類正確車輛數(shù).實(shí)際實(shí)驗(yàn)時(shí)，τ取0.18 s，即連續(xù)0.18 s實(shí)時(shí)地磁變化量的差值進(jìn)入自抖動(dòng)范圍即判斷為車輛完全通過(guò)，100 km/h的兩輛車只需要距離大于5 m即可分辨出來(lái).

實(shí)驗(yàn)采集數(shù)據(jù)離線通過(guò)三種多分類SVM算法進(jìn)行分類，輸入為24個(gè)特征向量，核函數(shù)采用的是徑向基核函數(shù)，懲罰因子C越大，擬合程度越好，但是過(guò)大反而會(huì)出現(xiàn)過(guò)擬合，即泛化性差，懲罰因子的選取直接關(guān)系到分類器的泛化性能.表3所示為三次懲罰因子選取實(shí)驗(yàn)的實(shí)驗(yàn)結(jié)果.

表3 懲罰因子取值結(jié)果比較Table 3 Comparison of classification results

如表3數(shù)據(jù)所示，C取較小的數(shù)值時(shí)，訓(xùn)練樣本和新樣本的分類正確率均不高；C取較大值時(shí)，訓(xùn)練樣本分類正確率高達(dá)99.09%，而測(cè)試樣本分類正確率反而降低到了84%.原因是C值取值過(guò)大，對(duì)訓(xùn)練樣本的依賴性增加，結(jié)構(gòu)風(fēng)險(xiǎn)趨近于經(jīng)驗(yàn)風(fēng)險(xiǎn)，所以導(dǎo)致測(cè)試樣本分類正確率降低，經(jīng)過(guò)多次實(shí)驗(yàn)比較，懲罰因子C取20時(shí)，比較合適.

如上述實(shí)驗(yàn)結(jié)果，懲罰因子C取20.多分類車型識(shí)別實(shí)驗(yàn)結(jié)果如表4、表5所示.

表4 車輛檢測(cè)DAG-SVM算法識(shí)別結(jié)果Table 4 Results of vehicle classification based on DAG-SVM

表5 場(chǎng)地車輛檢測(cè)多分類SVM算法結(jié)果比較Table 5 Comparison of multi-classification SVM algorithm

由表4可以看出車輛檢測(cè)數(shù)與實(shí)際車輛數(shù)大體相符.通過(guò)實(shí)際觀察，由于檢測(cè)器是臨時(shí)放置于每條車道的中央，而有的車輛從兩條車道中間通過(guò)，被檢測(cè)器認(rèn)為是傳感器自抖動(dòng)而忽略.SUV和貨車車型分類正確率較低.經(jīng)過(guò)數(shù)據(jù)分析發(fā)現(xiàn)，原因主要有兩點(diǎn)：①貨車數(shù)據(jù)較少導(dǎo)致分類時(shí)因?yàn)閿?shù)據(jù)傾斜產(chǎn)生的分類正確性較差；②SUV與私人汽車車型長(zhǎng)度相差不大，而沒(méi)有對(duì)這一情況進(jìn)行具體的特征優(yōu)化，導(dǎo)致SUV車型分類正確率較低.這兩點(diǎn)可以由增加數(shù)據(jù)采集和對(duì)特征集進(jìn)行優(yōu)化得到解決.

整體車型分類正確率與參考文獻(xiàn)[3]中的分類正確率相比相差不大，但是本文創(chuàng)造性的使用單個(gè)檢測(cè)節(jié)點(diǎn)實(shí)現(xiàn)車型分類，強(qiáng)化了車輛形狀和構(gòu)造與分類性能之間的關(guān)系，降低了節(jié)點(diǎn)間同步誤差對(duì)分類性能的影響，提高了原始數(shù)據(jù)的準(zhǔn)確性，有利于提高長(zhǎng)期分類性能.

實(shí)驗(yàn)是在Dell OPTILEX 780（內(nèi)存2G；CPU 2.93GHz，雙核）工控機(jī)上進(jìn)行的，由表5比較可以看出，“一對(duì)一SVM”和DAG-SVM較“一對(duì)多SVM”正確率高，分類時(shí)間由于比較小，是通過(guò)對(duì)100輛各類車輛的數(shù)據(jù)進(jìn)行分類得到的，可以看出“一對(duì)一SVM”分類時(shí)間比較長(zhǎng)，通過(guò)比較三種多分類支持向量機(jī)算法，可以直觀分析出DAG-SVM的優(yōu)勢(shì)，總體分類精度達(dá)到76.52%，說(shuō)明這個(gè)算法是可行的，但是SUV和貨車的分類精度偏低，說(shuō)明算法還需要進(jìn)一步改進(jìn).

6 研究結(jié)論

傳統(tǒng)地磁車型分類檢測(cè)器使用單軸的傳感器，通過(guò)一組傳感器采集節(jié)點(diǎn)檢測(cè)車長(zhǎng)或者車軸數(shù)識(shí)別車型，這種車型分類檢測(cè)器過(guò)度依賴組內(nèi)采集節(jié)點(diǎn)之間的時(shí)間同步精度，長(zhǎng)期識(shí)別效果不太理想.本文提出了一種新的設(shè)計(jì)，利用AMR傳感器的方向性，采用三軸地磁傳感器采集三個(gè)方向上車輛對(duì)地磁場(chǎng)強(qiáng)度影響的數(shù)據(jù)，豐富了采集數(shù)據(jù)與車輛形狀間的關(guān)聯(lián)；單個(gè)采集節(jié)點(diǎn)完成數(shù)據(jù)采集，對(duì)同步時(shí)間要求降低，減小了原始數(shù)據(jù)的誤差，長(zhǎng)時(shí)間運(yùn)行不會(huì)影響分類精度.本文提出的車型分類檢測(cè)器具有低成本、高精度等特性，在智能交通信息采集方面具有很高的實(shí)用性.

[1]2012年7月份全國(guó)機(jī)動(dòng)車總數(shù)調(diào)查統(tǒng)計(jì)[EB/OL], (2012-07-18)[2013-12-30].http://www.chinairn.com/ news/20120718/936214.html.[Survey of national vehicle number in July 2012[EB/OL],(2012-07-18)[2013-12-30].http://www.chinairn.com/news/20120718/936214. html]

[2]Saowaluck Kaewkamnerd,Jatuporn Chinrungrueng，et al. Vehicle classification based on magnetic sensor signal [C].2010 IEEE International Conference on Information and Automation,2010:935-939.

[3]Saowaluck Kaewkamnerd,Ronachai Pongthornseri，et al. Automatic vehicle classification using wireless magnetic sensor[C].Procedings of 2009 IEEE International Inter?national Workshop on Intelligent Data Acquisition and Advanced Computing Systems:Technology and Appli?cations:420-424.

[4]Yong-Kul Ki,Doo-Kwon Baik.Vehicle-classification al?gorithm for single-loop detectors using neural networks [J].IEEE Transactions on Vehicular Technology,2006, 55(6):1704-1711.

[5]王明哲,吳皓,周豐.基于地磁的車型識(shí)別模糊數(shù)據(jù)融合方法研究[J].公路交通科技,2008,25(1):155-158. [WANG M Z,WU H,ZHOU F.Research of fuzzy data fu?sion based on geomagnetism for vehicle mype identifica?tion process[J].Journal of Highway and Transportation Research and Development,2008,25(1):155-158.]

[6]馮超,賀俊吉,史立.基于支持向量機(jī)的轎車車型識(shí)別[J].上海海事大學(xué)學(xué)報(bào),2011,32(3):85-89.[FENG C, HE J J,SHI L.Recognition of car model based on support vector machine[J].Journal of Shanghai Maritime Univer?sity,2011,32(3):85-89.]

[7]Vapnic.Stastical learning theory[M].NewYork:John Wiley&Sons Inc:1998.

[8]Chang Chih-Chung,Lin Chih-Jen.LIBSVM:A library for support vector machines[J].ACM Transaction on Intelli?gent Systens and Technolgy,2011,2(3):1-27.

Design and Implementation of Vehicle Classification Based on 3-axis AMR Vehicle Detector

CAI Bai-gen，ZHAO Ji-min，WANG Jian，LIU Jiang，WANG Zhong-li
（Beijing Jiaotong University,Beijing 100044,China）

ract:With the increasing number of motor vehicle,urban transport is widely assisted by intelligent transportation system(ITS),.Traditional vehicle detector cannot meet the requirements of ITS’s reflection on traffic condition,the function of vehicle classification has

great attentions.Current AMR vehicle classification detector classify vehicle by the length of vehicle but the vehicle structure.To solve this problem,this paper designs a new kind vehicle classification detector.A single detector can collect three directions’geomagnetic variation,and magnetic field strength changes in three-dimensional space can be gained with the combination of a high-precision time module,which enriches the collected information.By comparing the pros and cons of common vehicle classification algorithms,DAG-SVM is selected to classify vehicles.The experimental test results prove the effectiveness of vehicle classifier detector designed in this paper.

rds:intelligent transportation;vehicle classification;DAG-SVM;AMR

1009-6744（2014）04-0046-07

TP212.9

A

2013-12-10

2014-02-25錄用日期：2014-02-27

國(guó)家自然科學(xué)基金（61273089，61104162）；北京市自然科學(xué)基金資助項(xiàng)目（4144081）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助（2012JBZ009）.

蔡伯根（1966-），男，江蘇如皋人，教授，博士生導(dǎo)師. *

wangj@bjtu.edu.cn