南京市第十三中學(xué) 馮凌云

基于超聲與微波的車型分類方法

南京市第十三中學(xué) 馮凌云

為了實(shí)現(xiàn)車輛類型分類，介紹了一種利用超聲波與微波技術(shù)實(shí)現(xiàn)車型分類統(tǒng)計(jì)的方法。利用超聲波測(cè)距儀與微波測(cè)速儀采集車輛的原始數(shù)據(jù)，對(duì)車輛原始數(shù)據(jù)進(jìn)行預(yù)處理，從原始數(shù)據(jù)中提取特征點(diǎn)，并對(duì)特征點(diǎn)進(jìn)行組合優(yōu)選，然后使用支持向量機(jī)分類器，通過大量車型樣本數(shù)據(jù)對(duì)已知車型進(jìn)行訓(xùn)練，實(shí)現(xiàn)車型建模，利用車型建模結(jié)果實(shí)現(xiàn)動(dòng)態(tài)車型識(shí)別。實(shí)際應(yīng)用結(jié)果表明該分類方法準(zhǔn)確率可達(dá)95%以上。

超聲；微波；車型分類；提取特征；支持向量機(jī)

引言

隨著國民經(jīng)濟(jì)的高速發(fā)展和城市化進(jìn)程的加快，交通運(yùn)輸業(yè)也隨之飛速發(fā)展，交通路網(wǎng)總里程數(shù)以及機(jī)動(dòng)車保有量在急劇增加，交通主管部門需要掌握公路網(wǎng)的交通流量情況。

交通流量情況的一個(gè)重要指標(biāo)是某路段單位時(shí)間內(nèi)通過了不同類型車輛的總數(shù)，統(tǒng)計(jì)交通流量必須實(shí)現(xiàn)車型分類識(shí)別?，F(xiàn)有車型識(shí)別方法主要有地感線圈檢測(cè)法、視頻圖像檢測(cè)法、激光探測(cè)法等。地感線圈檢測(cè)法技術(shù)成熟但安裝維護(hù)需要破壞路面且中斷交通；視頻圖像檢測(cè)法直觀可靠但是受天氣因素影響較大；激光探測(cè)法雖然獲得車輛信息準(zhǔn)確，但是硬件成本太高，處理過程復(fù)雜，氣象條件也會(huì)對(duì)激光探測(cè)有一定的影響。本文提出基于超聲與微波車型識(shí)別方法，不僅具有安裝維護(hù)方便，受氣象環(huán)境影響小的特點(diǎn)，而且成本低，識(shí)別率高。

1.車輛原始數(shù)據(jù)的獲取及預(yù)處理

1.1 利用微波測(cè)速儀測(cè)車速

在車型識(shí)別過程中，車長與車速是兩個(gè)特別重要的技術(shù)參數(shù)。其中，車速利用微波測(cè)速儀直接測(cè)出。微波測(cè)速儀根據(jù)微波的多普勒效應(yīng)[1]測(cè)定車速。車長可以通過車速與時(shí)間計(jì)算得到，車輛通過的時(shí)間T有兩種渠道測(cè)定，一是通過微波測(cè)速儀測(cè)定，另一種方法可以通過超聲波測(cè)距儀測(cè)定，因?yàn)椋暡y(cè)距儀每隔40ms進(jìn)行一次測(cè)量，車輛通過測(cè)距儀時(shí)的總數(shù)據(jù)個(gè)數(shù)N可以統(tǒng)計(jì)，車輛通過測(cè)距儀的時(shí)間T= 40MS * N。

1.2 利用超聲測(cè)距儀獲取車輛外輪廓數(shù)據(jù)

在車型識(shí)別過程中，利用超聲波測(cè)距儀來獲取車輛外輪廓數(shù)據(jù)。車輛的外部輪廓是車型識(shí)別的核心數(shù)據(jù)，因?yàn)樗旧砭湍苤庇^展現(xiàn)車輛外形，準(zhǔn)確提取車輛外部輪廓數(shù)據(jù)對(duì)于后面的數(shù)據(jù)特征值提取，車型建模等環(huán)節(jié)至關(guān)重要。

圖1 超聲波傳感器單車道測(cè)距示意圖

超聲波測(cè)距儀是用來測(cè)量被測(cè)物到測(cè)距儀之間的直線距離，當(dāng)把超聲波測(cè)距儀用于測(cè)量車輛外部輪廓時(shí)，一般是把超聲波測(cè)距儀安裝于公路每個(gè)車道的正上方，測(cè)距儀安裝高度建議安裝在距離地面6米左右的位置。測(cè)距儀在連續(xù)不斷地且每隔40ms發(fā)出一組超聲波，當(dāng)安裝有超聲波測(cè)距儀的車道上無車輛通過時(shí)，測(cè)距儀探測(cè)到的是測(cè)距儀與地面之間的距離，當(dāng)車道上有車通過時(shí)，測(cè)距儀探測(cè)到的是測(cè)距儀與車頂之間的最短距離，由于車輛頂部高低起伏，測(cè)距儀探測(cè)到的距離長短也隨之變化。把測(cè)距儀的安裝高度H減去這個(gè)長短變化的距離值即是車輛頂部高低變化的外輪廓。

圖1是單車道超聲波測(cè)量車輛外輪廓示意圖。圖中A點(diǎn)是超聲波傳感器的安裝位置，隨著車輛通過測(cè)距儀下方，A點(diǎn)到車頂?shù)木嚯x隨著車頂部高低變化而長短變化。

以下通過小客車與大貨車這兩種典型車型為例，舉例說明超聲波測(cè)距儀采集到的車輛原始數(shù)據(jù)。

表一 采集時(shí)間：03:00:51 車速：56.0公里/小時(shí) 車長：4.35米 車型：小客

表二 采集時(shí)間：03:03:31 車速：57.0公路/小時(shí) 車長：12.03米 車型：大貨

表一與表二中的數(shù)據(jù)分別是小客車與大貨車通過超聲波測(cè)距儀時(shí)測(cè)到的車輛原始車高數(shù)據(jù)。表頭上方列出了車輛通過時(shí)的起始時(shí)間，車速，車長以及車型。不同類型的車輛，由于其車長和通過時(shí)的車速不同，所采集到的數(shù)據(jù)個(gè)數(shù)也不同，表中的時(shí)間列表示超聲波每40ms進(jìn)行的一次采集時(shí)序，實(shí)測(cè)距離是以超聲波測(cè)距儀為參考點(diǎn)而實(shí)際測(cè)量出來的距離，車高值是以地面為參考點(diǎn)，根據(jù)實(shí)測(cè)距離計(jì)算出來的。計(jì)算公式為：

車高H = 超聲波測(cè)距儀安裝高度L - 實(shí)測(cè)距離S

1.3 車型數(shù)據(jù)預(yù)處理過程

以上獲得的原始數(shù)據(jù)不能直接進(jìn)行車型特征值提取，要進(jìn)行預(yù)處理，因?yàn)樵诔暡y(cè)距儀采集數(shù)據(jù)時(shí)，會(huì)因氣象條件、設(shè)備質(zhì)量、電氣條件等因素而帶來干擾，因而原始數(shù)據(jù)中可能包含噪聲。

汽車的實(shí)際車高是有一定范圍的，當(dāng)測(cè)量車高超出了汽車實(shí)際高度范圍時(shí)，就認(rèn)為是一個(gè)擾動(dòng)，例如：規(guī)定當(dāng)計(jì)算出來的車輛高度＞ 5米或＜0.5米的數(shù)據(jù)是擾動(dòng)。對(duì)于這類擾動(dòng)的車高數(shù)據(jù)，可采用中值濾波處理。即把該擾動(dòng)車高數(shù)據(jù)H的前面一個(gè)車高數(shù)據(jù)H1 + 其后面一個(gè)車高數(shù)據(jù)H2求平均，用平均之后的值替換原擾動(dòng)數(shù)據(jù)。

在公路上連續(xù)通行的汽車，可能會(huì)出現(xiàn)多輛車從同一車道連續(xù)通過，對(duì)于這種前后連續(xù)通行的車輛，超聲波測(cè)距儀采集到如下圖的波形數(shù)據(jù)。

圖2 兩輛車從同一車道連續(xù)通過超聲波傳感囂下方

圖2中是表一中的小客車與表二中的大貨車通過超聲波測(cè)距儀采集到的數(shù)據(jù)在軟件中的點(diǎn)陣圖。其中，前面是小客車通過時(shí)形成的小的車形峰，后面是大貨車通過時(shí)形成的大的車形峰。

在車型識(shí)別數(shù)據(jù)特征提取之前，要把一輛完整的車輛數(shù)據(jù)從超聲波測(cè)距儀發(fā)送來的數(shù)據(jù)流中分離出來。本文中的整車數(shù)據(jù)分離是通過讀取微波發(fā)出車輛駛?cè)肱c駛離的狀態(tài)標(biāo)志信號(hào)，以分割超聲波測(cè)距儀探測(cè)到的數(shù)據(jù)流，從而分離出整車的原始車形數(shù)據(jù)。

2.車型識(shí)別數(shù)據(jù)的特征選和特征提取

2.1 車型識(shí)別數(shù)據(jù)的特征生成

經(jīng)過預(yù)處理之后的原始車形數(shù)據(jù)就可以生成車型特征信息。根據(jù)超聲波與微波采集到的數(shù)據(jù)特點(diǎn)，將生成的特征分為兩大類：結(jié)構(gòu)特征和數(shù)值特征。

結(jié)構(gòu)特征：結(jié)構(gòu)特征主要反映不同車型波形的形狀差異，即在波形的結(jié)構(gòu)、波動(dòng)程度、波形表觀等方面體現(xiàn)不同車型差異特征，初步提取的結(jié)構(gòu)特征見下表。

表2 .1 結(jié)構(gòu)特征表

波峰數(shù)：一個(gè)整車外形輪廓波波峰數(shù)，即超聲波測(cè)距儀在車輛單次通過采集到的波峰個(gè)數(shù)。

波谷數(shù)：一個(gè)整車外形輪廓波波谷數(shù)，即超聲波測(cè)距儀在車輛單次通過采集到的波谷個(gè)數(shù)。

波峰的相對(duì)位值：車輛波形第一次出現(xiàn)波峰值的相對(duì)位置。將第一次采集波峰值的時(shí)間與第一次采集到數(shù)據(jù)的時(shí)間做差值，得出相對(duì)時(shí)間，再將相對(duì)時(shí)間與車速相乘，得出波峰的相對(duì)位值。公式如2.1：

波谷的相對(duì)位值：車輛波形第一次出現(xiàn)波谷值的相對(duì)位置。具體的計(jì)算方式同波峰的相對(duì)位值。公式如下：

數(shù)值特征：波形的數(shù)值特征能夠通過具體數(shù)值還原波的信息，從而能夠更廣更深地探索不同車型的波形差異，提取的數(shù)值特征見表2.2

表2 .2 數(shù)值特征表

最大值：超聲波傳感器捕捉到車子單次通過的軌跡數(shù)據(jù)的最大值。

最小值：超聲波傳感器捕捉到車子單次通過的軌跡數(shù)據(jù)的最小值。

車長和車速都是通過微波傳感器獲得。

方差：超聲波傳感器捕捉到車子單次通過的軌跡數(shù)據(jù)中車高的方差。

波持續(xù)時(shí)間：車形輪廓波數(shù)據(jù)持續(xù)的時(shí)間。即為超聲波傳感器捕捉到車輛單次通過的軌跡數(shù)據(jù)中最大時(shí)間與最小時(shí)間之差。

2.2 基于熵法的車型識(shí)別數(shù)據(jù)特征選擇

特征選擇[2]是指從一組特征中挑選出一些最有效的特征的過程，它的主要目的是在保持特征的物理意義基礎(chǔ)上，降低特征空間維數(shù)，從而降低分類器設(shè)計(jì)的復(fù)雜性和特征形成的成本，提高分類器的性能，易于車型識(shí)別分類器的設(shè)計(jì)與實(shí)現(xiàn)。

在車型識(shí)別系統(tǒng)中，使用熵法對(duì)車型識(shí)別數(shù)據(jù)進(jìn)行特征選擇。

表2 .3 特征選擇后的結(jié)果

3.支持向量機(jī)[3]的分類技術(shù)在車型識(shí)別系統(tǒng)中的應(yīng)用

實(shí)現(xiàn)車型識(shí)別之前，首先需要采集大量的樣本數(shù)據(jù)，訓(xùn)練車型識(shí)別模型。樣本數(shù)據(jù)建議在實(shí)時(shí)車型識(shí)別同等條件下獲取。從大量的樣本數(shù)據(jù)中，按照上述車型特征提取方法，選擇最優(yōu)特征組合，以此特征組合做為支持向量機(jī)的輸入量，以車型編號(hào)做為輸出量，訓(xùn)練出已知車型的模型。

通過采集測(cè)試車型數(shù)據(jù)對(duì)訓(xùn)練出來的車型模型進(jìn)行測(cè)試，驗(yàn)證車型分類效果，從實(shí)際實(shí)驗(yàn)觀察發(fā)現(xiàn)，通過超聲與微波技術(shù)，利用基于支持向量機(jī)的分類方法，其分類準(zhǔn)確率可達(dá)95%以上。

4.總結(jié)

本文提出了利用微波與超聲波技術(shù)，獲取并分析公路通行車輛原始數(shù)據(jù)（車速、車長、車頂外輪廓等），從原始數(shù)據(jù)中生成特征值，并對(duì)特征值進(jìn)一步選擇和提取，利用支持向量機(jī)技術(shù)對(duì)特定車型進(jìn)行訓(xùn)練建模，進(jìn)而實(shí)現(xiàn)自動(dòng)識(shí)別車型的方法。

[1]童匯?。诙嗥绽招?yīng)的RFID室內(nèi)定位技術(shù)研究與實(shí)現(xiàn)[D]．上海交通大學(xué),2014:89-105．

[2]毛勇,周曉波,夏錚等．特征選擇算法研究綜述[J]．模式識(shí)別與人工智能,2007,2:23-26．

[3]李應(yīng)紅,尉詢楷,劉建勛．支持向量機(jī)的工程應(yīng)用[M]．北京:兵器工業(yè)出版社,2004:10-25．

馮凌云，男，漢族，現(xiàn)就讀于南京市第十三中學(xué)高三7班。