張足生,鄧見光,趙鐵柱,袁華強(qiáng)

(東莞理工學(xué)院計(jì)算機(jī)與網(wǎng)絡(luò)安全學(xué)院,廣東 東莞 523808)

在眾多的交通問題中,城市中心區(qū)交通擁堵及路邊停車問題尤為突出,繁忙時(shí)段尋找停車位非常困難。無線磁阻傳感器網(wǎng)絡(luò)WMSN(Wireless Magnetic Sensor Network)[1-2]利用地磁擾動(dòng)檢測原理實(shí)現(xiàn)車輛檢測,該技術(shù)具有低成本,低功耗,微型化等特點(diǎn),逐漸被用于智能交通信息采集領(lǐng)域[3-4]。在路段進(jìn)出口及路邊停車位上部署傳感器節(jié)點(diǎn),可實(shí)現(xiàn)動(dòng)態(tài)與靜態(tài)車輛檢測。

①動(dòng)態(tài)車輛檢測:基于磁阻傳感器的動(dòng)態(tài)車輛檢測算法已有較多的研究成果。加州大學(xué)伯克利分校Cheung S等人[5-6]利用磁阻傳感器實(shí)現(xiàn)了道路車流量,車速和車輛類型檢測,基于動(dòng)態(tài)基線、閾值、狀態(tài)機(jī)等機(jī)制實(shí)現(xiàn)了車輛檢測算法,利用一對(duì)傳感器節(jié)點(diǎn)實(shí)現(xiàn)了車速監(jiān)測算法。Taghvaeeyan S等人[7]基于方形永磁體磁場模型推導(dǎo)出了一種車輛運(yùn)動(dòng)位置估計(jì)算法,并設(shè)計(jì)了一種便攜式路邊車輛計(jì)數(shù)、分類和速度測量的磁傳感器系統(tǒng)[8]。Wang R等人[9-10]提出波形相關(guān)檢測算法,通過計(jì)算實(shí)際信號(hào)與參照信號(hào)(高斯函數(shù))的相關(guān)性來實(shí)現(xiàn)車輛檢測。Wahlstr?m N等人[11]基于非線性變換理論提出了車輛方向檢測方法。王瑋等人[12]提出了一種雙磁阻節(jié)點(diǎn)互補(bǔ)的低功耗車輛檢測方法。

②靜態(tài)車輛(停車)檢測:車輛停泊后會(huì)對(duì)磁場形成一個(gè)穩(wěn)定的干擾,提取車輛靜止后的穩(wěn)定磁場漂移量,這是目前主流的停車檢測思想[13],使用單閾值可實(shí)現(xiàn)該特征的檢測,文獻(xiàn)[14]提出了一種自適應(yīng)閾值算法。文獻(xiàn)[15]考慮到車輛駛?cè)牖蝰傠x停車位過程中磁信號(hào)會(huì)形成較劇烈的上下波動(dòng),提出了一種改進(jìn)的極小極大值算法實(shí)現(xiàn)該波動(dòng)特征的檢測。文獻(xiàn)[16]將停車過程劃分為駛?cè)?、停泊、駛離3個(gè)階段,其特征分別總結(jié)為劇烈擾動(dòng)、穩(wěn)定漂移、劇烈擾動(dòng),利用多閾值機(jī)制實(shí)現(xiàn)3個(gè)階段的特征檢測。文獻(xiàn)[17]基于模糊邏輯理論(Fuzzy Logic Theory)[18]提出了車輛檢測算法,輸出相應(yīng)停車位是否被占用的概率值。文獻(xiàn)[19]采用了類似Wang R等人[9]的思想,利用節(jié)點(diǎn)的磁場波形與參考的基準(zhǔn)波形進(jìn)行比較實(shí)現(xiàn)停車檢測。本課題組成員關(guān)向科在文獻(xiàn)[20]提出了一種基于無線磁阻傳感器網(wǎng)絡(luò)的協(xié)同決策停車檢測方法,但是該方法存在以下缺陷:其檢測的理論基礎(chǔ)是假定車輛磁場具有左右對(duì)稱性,而現(xiàn)實(shí)的車輛磁場根本不存在這種對(duì)稱性;另外該文獻(xiàn)沒有給出可行的多個(gè)傳感器之間波形相似性判定方法。

綜上所述,現(xiàn)有研究成果主要集中在單個(gè)傳感器信號(hào)的特征分析與檢測,也有少量算法利用采樣波形與參考波形的相關(guān)性來實(shí)現(xiàn)車輛檢測,但該類算法的參考信號(hào)沒有一般性,不能反映實(shí)際的信號(hào)變化特征。導(dǎo)致停車檢測算法誤差的主要原因是磁信號(hào)容易受到相鄰車位停車干擾,在低信噪比情況下,相鄰?fù)＼囄卉囕v帶來的干擾信號(hào)與本車位車輛停泊信號(hào)無法分辨,本文針對(duì)該問題提出一種數(shù)據(jù)融合算法,基于時(shí)間序列模型,提出了車輛磁信號(hào)的波形相似度計(jì)算方法和歸一化方法,設(shè)計(jì)了信號(hào)相關(guān)傳感器節(jié)點(diǎn)數(shù)據(jù)融合車輛檢測算法,提高了檢測精度。

1 磁信號(hào)相似度計(jì)算方法

1.1 干擾信號(hào)特征

三軸各向異性磁阻AMR(Anisotropic Magneto-Resistive)傳感器可檢測到x,y,z3個(gè)坐標(biāo)方向的地磁強(qiáng)度。AMR傳感器在k時(shí)刻采集的信號(hào)Ms(k)如式(1)所示,式中Gs(k)為背景地球磁場信號(hào),其取值與地球磁場分布有關(guān);Ns(k)為干擾磁場信號(hào);Vs(k)為目標(biāo)車輛擾動(dòng)磁場信號(hào)。

Ms(k)=Gs(k)+Ns(k)+Vs(k)

(1)

干擾磁場信號(hào)Ns(k)主要是AMR傳感器受相鄰?fù)＼囄坏能囕v干擾的影響,如圖1所示B、A、C為部署在停車位中央的3個(gè)磁阻傳感器,車輛V進(jìn)入A停車位,同時(shí)會(huì)對(duì)節(jié)點(diǎn)B和C產(chǎn)生磁干擾信號(hào)。不同車輛對(duì)地磁場干擾信號(hào)的大小不同,含鐵磁性材料較多的車輛干擾地磁場產(chǎn)生的信號(hào)范圍較大,稱為強(qiáng)磁車輛SMV(Strong Magnet of Vehicle),它的信號(hào)強(qiáng)度不僅影響到本車位,而且還能夠影響到相鄰車位,經(jīng)過實(shí)驗(yàn)得知不會(huì)影響到間隔的車位。含鐵磁性材料較少的車輛干擾地磁場產(chǎn)生的信號(hào)范圍較小,稱為弱磁車輛WMV(Weak Magnet of Vehicle),它的信號(hào)只能影響到本車位,對(duì)相鄰的車位沒有影響或者影響很小,可以忽略不計(jì)。

將車輛抽象為一個(gè)磁矩為m的磁偶極子[25],該磁偶極子在空間中的坐標(biāo)為(x,y,z),傳感器的坐標(biāo)為(x0,y0,z0),則三軸磁阻傳感器感知到的磁場強(qiáng)度可以表達(dá)為:

(2)

(3)

(4)

式中:mx,my,mz分別是磁矩在x,y,z三軸上的分量,u0為真空中的磁導(dǎo)率,r為磁偶極子到傳感器的距離。但是磁偶極子模型只適合于遠(yuǎn)場計(jì)算(車輛與傳感器的距離為R,車輛的尺寸為L,當(dāng)R?L時(shí)),不合適于近場計(jì)算(車輛接近傳感器或位于傳感器上方時(shí),R?L),停車檢測屬于近場計(jì)算,磁偶極子模型不適用,所以車輛檢測的主要方法是以經(jīng)驗(yàn)數(shù)據(jù)的特征觀察與統(tǒng)計(jì)分析為主。

圖2 強(qiáng)磁場車輛產(chǎn)生的干擾信號(hào),相鄰傳感器信號(hào)相關(guān)

利用HMC5883L三軸傳感器[21]采集停車磁場信號(hào),x,y,z三軸磁信號(hào)經(jīng)過濾波和合成后轉(zhuǎn)換為一個(gè)正值信號(hào),用g表示。如圖2所示,為一輛強(qiáng)磁車輛停泊于如圖1所示的A泊位,A、B、C3個(gè)傳感器都感應(yīng)到了磁場擾動(dòng)。整個(gè)停車過程包括3個(gè)階段:車輛駛?cè)?、停泊、駛離,圖2標(biāo)識(shí)了各階段的磁場變化情況。在駛?cè)肱c駛離階段都會(huì)引起磁信號(hào)的波動(dòng)。在空閑及停泊狀態(tài)時(shí),磁信號(hào)都是平穩(wěn)狀態(tài)。

圖2中B的磁信號(hào)為A車位強(qiáng)磁車輛停泊而帶來的干擾信號(hào),標(biāo)記為NB。如圖3所示為一輛弱磁車輛停泊于B停車位,傳感器節(jié)點(diǎn)B感知的磁場擾動(dòng)為VB,即目標(biāo)車輛磁信號(hào)。對(duì)比圖2和圖3中節(jié)點(diǎn)B的信號(hào),僅考察單個(gè)傳感器的信號(hào)是無法區(qū)分相鄰?fù)＼囄卉囕v帶來的干擾信號(hào)與本車位車輛停泊信號(hào)。

圖3 弱磁車輛停泊信號(hào)

通過實(shí)驗(yàn)得到大量的樣本數(shù)據(jù),觀察相鄰傳感器磁信號(hào)的相關(guān)性,場景描述如圖1所示,強(qiáng)磁車輛停泊A節(jié)點(diǎn)上方,A、B、C感知到的磁信號(hào)分別標(biāo)識(shí)為VA、NB、NC,它們具有如下特征:①VA、NB、NC的時(shí)間域一致;②VA與NB、VA與NC的波形相似;③VA的波動(dòng)幅度遠(yuǎn)大于NB與NC。

1.2 相似度計(jì)算

將磁信號(hào)建模為時(shí)間序列[23-24],分段線性表示PLR(Piecewise Linear Representation)為:

S={(g1,g2,t2),…,(gi-1,gi,ti),…,(gn-1,gn,tn)}

(5)

式中:gi-1,gi(i=2,3,…,n)分別表示第i段直線起始值和終點(diǎn)值,ti表示第i段直線結(jié)束的時(shí)刻,n表示時(shí)間序列S劃分直線段的數(shù)目。根據(jù)PLR模型計(jì)算各段的斜率ki,確定各段的模式。

ki=(gi-gi-1)/(ti-ti-1)

(6)

將模式表示為七元集合{快速下降,平穩(wěn)下降,水平,平穩(wěn)上升,快速上升},對(duì)應(yīng)表示為M={-2,-1,0,1,2},如表1所示,模式劃分的閾值標(biāo)記為h1,h2,h1

表1 模式劃分

將S變換為斜率和模式表現(xiàn)形式如下:

S={(k1,m1,t2),…,(ki-1,mi-1,ti),…,(kn-1,mn-1,tn)}

(7)

定義S′與S″表示兩個(gè)等長的,以斜率集表示的時(shí)間序列:

(8)

(9)

S′與S″的形態(tài)距離為:

(10)

①非負(fù)性:D(p,q)≥0 [D(p,q)=0,當(dāng)且僅當(dāng)p=q]

②對(duì)稱性:D(p,q)=D(q,p)

③自相似:D(p,p)=0

④三角不等式:

D(p,q)≤D(p,z)+D(q,z)

(11)

證明設(shè)(Kp,Mp),(Kq,Mq),(Kz,Mz)分別表示時(shí)間序列p,q,z相應(yīng)的形態(tài)集,則式(11)可表示為

(12)

式中:不等式兩端的大小與時(shí)間無關(guān),可化簡為

|Kp-Kq|×|Mp-Mq|≤|Kp-Kz|×|Mp-Mz|+
|Kq-Kz|×|Mq-Mz|

(13)

分情況進(jìn)行討論,當(dāng)Kp>Kz,Kq>Kz時(shí),則Mp≥Mz,Mq≥Mz,式(13)可以表示為式

|Kp-Kq|×|Mp-Mq|≤(Kp+Kq-2Kz)×(Mp+Mq-2Mz)

(14)

|Kp-Kq|≤(Kp+Kq-2Kz)與|Mp-Mq|≤(Mp+Mq-2Mz)均成立,所以式(12)不等式成立。同理,其他兩種情況KpKz與Kp

2 磁信號(hào)融合算法

2.1 信號(hào)歸一化處理

磁阻傳感器采樣信號(hào)處理流程如圖4所示,關(guān)于濾波處理,信號(hào)合成,波動(dòng)提取的方法請(qǐng)參考[16]。上述式(10)距離計(jì)算方法需要兩個(gè)序列時(shí)間一致才能進(jìn)行計(jì)算,實(shí)驗(yàn)采樣發(fā)現(xiàn)對(duì)于同一輛車的磁場干擾,相鄰傳感器節(jié)點(diǎn)采集到的信號(hào)參差不齊,在進(jìn)行距離計(jì)算時(shí)需要對(duì)節(jié)點(diǎn)在同一時(shí)間段內(nèi)的信號(hào)作歸一化處理。

圖4 信號(hào)處理流程

將車輛駛?cè)牖蝰傠x停車位所引發(fā)的磁信號(hào)波動(dòng)數(shù)據(jù)都?xì)w一化為固定長度為N的時(shí)間序列,并使用該分段的平均值代替原始的采樣值,假定第i次波動(dòng)的開始時(shí)間為tstart(i),結(jié)束時(shí)間為tend(i)

T(i)=[tstart(i),tend(i)]

(15)

首先將時(shí)間分為N段

(16)

tN(i)={t0(i),t1(i),…,tN(i)}

(17)

wheret0(i)=tstart(i),tj(i)=t(j-1)(i)+ΔtN(i)?j:1≤j≤N

求每一段時(shí)間的信號(hào)值,在t時(shí)刻的信號(hào)合成值為g(t),gj(i)為該落入該段內(nèi)信號(hào)的均值

gN(i)={g0(i),g1(i),…,gN(i)}

(18)

wheregj(i)=avg[g(t)?t:t(j-1)(i)≤t≤tj(i)]

2.2 數(shù)據(jù)融合

車輛檢測無線磁阻傳感器網(wǎng)絡(luò)包含三類節(jié)點(diǎn):車輛檢測節(jié)點(diǎn)VD(Vehicle Detection),路由節(jié)點(diǎn)RP(Router Point),網(wǎng)關(guān)節(jié)點(diǎn)AP(Access Point)。VD部署在停車位上,電池供電,能量極度受限。RP與AP是太陽能供電,可以獲得穩(wěn)定能源。系統(tǒng)管理員將VD的相鄰關(guān)系發(fā)送到RP,由RP實(shí)現(xiàn)數(shù)據(jù)融合計(jì)算[26]。為了減少VD的能量消耗,應(yīng)盡可能地將數(shù)據(jù)在本地進(jìn)行計(jì)算,已有的研究成果表明,VD可以在本地實(shí)現(xiàn)對(duì)強(qiáng)磁信號(hào)和中磁信號(hào)車輛泊車的精確檢測[16];若VD檢測到強(qiáng)磁或中磁信號(hào),則判決本車位有車輛泊車。若VD檢測到弱磁信號(hào),則無法單獨(dú)判決,將獲取的波動(dòng)信號(hào)歸一化處理后傳輸至RP,由RP根據(jù)相鄰節(jié)點(diǎn)數(shù)據(jù)進(jìn)行協(xié)同判決,如圖5所示。

圖5 數(shù)據(jù)融合示意圖

RP計(jì)算同一時(shí)間段內(nèi)相鄰節(jié)點(diǎn)信號(hào)波動(dòng)的相似性,如圖5所示,假定節(jié)點(diǎn)VD2的鄰居為VD1和VD3,VD2的第i次波動(dòng)的開始時(shí)間為tstart(i),結(jié)束時(shí)間為tend(i),數(shù)據(jù)融合的步驟如下所示：

Step 1 對(duì)時(shí)間段進(jìn)行擴(kuò)展Tex(i)=[tex_start(i),tex_end(i)],其中tex_start(i)=tstart(i)-textension,tex_end(i)=tend(i)-textension;

Step 2 VD2的相鄰傳感器VD1和VD3在Tex(i)時(shí)間段內(nèi)沒有出現(xiàn)了同步的波動(dòng)序列,則判定VD2為弱磁車輛停泊,否則執(zhí)行第3步,所謂同步的波動(dòng)序列是指VD1或VD3波動(dòng)的持續(xù)時(shí)間在Tex(i)的范圍內(nèi);

Step 3 如果VD1與VD2在Tex(i)內(nèi)出現(xiàn)了同步的波動(dòng)序列U1、U2,如式(19)計(jì)算Sim,其中H為相似度閾值,K1與K2分別為U1與U2的斜率集,如果Sim=1,則判定VD2無車停泊,VD2檢測到的信號(hào)為相鄰?fù)＼囄籚D1的干擾信號(hào);如果Sim=0,判定VD2為弱磁車輛停泊;

(19)

Step 4 如果VD3與VD2出現(xiàn)了同步的波動(dòng)序列,則判別方法與Step 3類似;

Step 5 返回判決結(jié)果給VD2。

3 實(shí)驗(yàn)

常見的車位布局[20]有平行式、斜列式和垂直式3種。平行式停車是指停車位平行于行車道的排列方式,相鄰車位磁信號(hào)干擾較少,但動(dòng)態(tài)行駛車輛磁干擾較大。斜列式停車是指停車位與行車道呈一定的角度排列,常見的有30°、45°和60°,磁信號(hào)容易受相鄰車位干擾。垂直式停車是指車位垂直于行車道排列,磁信號(hào)容易受相鄰車位干擾。

為了測試本文的車輛檢測算法,我們?cè)诖怪笔酵＼囄粚?shí)地部署了50個(gè)傳感器節(jié)點(diǎn)。傳感器節(jié)點(diǎn)采用STM8L151C8 MCU,具有LoRa SX1278]通訊模塊,集成HMC5883L磁傳感器,5 000 mAH鋰電池供電,生命周期大于5年。設(shè)計(jì)開發(fā)了客戶端系統(tǒng),如圖6所示,通過客戶端圖形界面用戶可以知道停車位是空閑還是占用狀態(tài),可以看到每個(gè)停車位的占用時(shí)長。如圖6所示,白色方框表示停車位,小圓點(diǎn)表示節(jié)點(diǎn)。路由節(jié)點(diǎn)部署在道路旁的路燈上。傳感器節(jié)點(diǎn)部署在停車位中。小圓點(diǎn)為紅色表示車位占用,綠色表示車位空閑。藍(lán)色連線表示網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。停車位的空閑信息發(fā)送到路邊的誘導(dǎo)屏幕上,用戶通過誘導(dǎo)屏幕可以得知是否還有空閑車位。

圖6 客戶端系統(tǒng)界面

實(shí)驗(yàn)參數(shù)取值如表2所示。該實(shí)驗(yàn)系統(tǒng)實(shí)地部署后,持續(xù)運(yùn)行超過5個(gè)月。本文的車輛檢測算法簡稱為TSSA(Time Series Similarity Algorithm)。表3為統(tǒng)計(jì)的車輛檢測算法的平均精度為99%,在總共9 665次測試中,誤檢次數(shù)為97次。

表2 實(shí)驗(yàn)參數(shù)

對(duì)算法的檢測效果做進(jìn)一步細(xì)分,我們分別針對(duì)強(qiáng)磁車輛干擾在不同場景下做了測試,結(jié)果如表4所示。并且在測試中租用了特種車型,如圖7所示,測試車輛是比亞迪電動(dòng)汽車和體積較大的金杯面包車,該兩種類型車輛均屬于強(qiáng)磁車輛。當(dāng)車位左右兩邊均無車輛停泊時(shí)檢測精度最高,左右有一邊有強(qiáng)磁車輛停泊時(shí)檢測精度次之,左右兩邊都有強(qiáng)磁車輛停泊時(shí),此時(shí)當(dāng)前車位傳感器容易受到左右兩邊車輛的干擾,檢測精度最低。當(dāng)左右兩側(cè)在同一時(shí)間段內(nèi)都有強(qiáng)磁車輛停泊時(shí),當(dāng)前車位感知到的磁信號(hào)是兩者干擾信號(hào)的疊加,與左右兩邊傳感器的信號(hào)都不相似,容易誤檢。

表4 各類場景干擾測試結(jié)果

圖7 垂直式停車位測試

圖8 實(shí)驗(yàn)數(shù)據(jù)仿真系統(tǒng)

也做了大量的實(shí)驗(yàn)與其他算法的性能進(jìn)行對(duì)比,使用實(shí)驗(yàn)取得的原始磁場信號(hào),將本文的算法與對(duì)比算法分別在PC端仿真運(yùn)行。在部署的實(shí)驗(yàn)系統(tǒng)中,探測節(jié)點(diǎn)將采集的磁信號(hào)數(shù)據(jù)打包上傳至基站,存儲(chǔ)在數(shù)據(jù)庫中,用于對(duì)其他算法進(jìn)行對(duì)比仿真驗(yàn)證。我們使用C語言實(shí)現(xiàn)車輛檢測算法,用JAVA實(shí)現(xiàn)仿真系統(tǒng)界面,如圖8所示,該系統(tǒng)可以從下拉框中選擇對(duì)應(yīng)的停車位節(jié)點(diǎn)編號(hào),然后選擇需要仿真的數(shù)據(jù)日期。運(yùn)行后,可選擇顯示x、y、z原始地磁信號(hào),同時(shí)顯示仿真結(jié)果及節(jié)點(diǎn)運(yùn)算結(jié)果。該系統(tǒng)可支持單節(jié)點(diǎn)算法仿真,也可以支持節(jié)點(diǎn)協(xié)同處理仿真。

與其他算法對(duì)比實(shí)驗(yàn)結(jié)果如表5所示。最大-最小值算法[15]基于波形的特征統(tǒng)計(jì),檢測精度為95%,其判據(jù)簡單,需要設(shè)置特定閾值,算法檢測精度較低。自適應(yīng)閾值算法[14]對(duì)車輛的檢測成功率為94%,對(duì)強(qiáng)磁車輛都能成功檢測,但其抗干擾性差,檢測不到弱磁信號(hào)車輛;本文所述算法TSSA計(jì)算量相對(duì)較小,檢測精度優(yōu)于上述兩種算法。在如圖9和10所示的場景下,如表5中所示的前兩種算法均會(huì)出現(xiàn)誤判,TSSA算法利用相鄰傳感器數(shù)據(jù)融合,具有分辨相鄰?fù)＼囄桓蓴_的能力,提高了車輛檢測精度。

表5 算法性能比較

圖9 相鄰車位干擾信號(hào)

圖10 干擾信號(hào)與本車位車輛停泊信號(hào)疊加

圖11 平行式停車位測試

為了測試算法對(duì)不同場景的適用性,在平行式布局的停車位也做了測試,如圖11所示。平行式停車位由于相鄰車位之間間距較遠(yuǎn),通常是6～7 m,不存在相鄰干擾現(xiàn)象,主要是受到旁邊道路上通行車輛的干擾,該類干擾會(huì)產(chǎn)生一個(gè)持續(xù)時(shí)間很短的脈沖信號(hào)。如圖12所示為一輛SMV車輛從平行式停車位旁邊通過時(shí)采樣的磁場數(shù)據(jù),其特征是道路上通過車產(chǎn)生的干擾是一個(gè)短時(shí)間的脈沖干擾,不會(huì)形成穩(wěn)定的漂移。車輛停泊后,如圖13所示,形成的穩(wěn)定干擾abs(Drift)>T1(實(shí)驗(yàn)中,T1=45)是判斷車輛停泊的必要條件之一。所以道路駛過的車輛不會(huì)對(duì)停車帶來誤判。

圖12 附近駛過車輛對(duì)傳感器的干擾

使用數(shù)據(jù)融合會(huì)帶來延時(shí),已有的研究成果表明,VD可以在本地實(shí)現(xiàn)對(duì)強(qiáng)磁信號(hào)和中磁信號(hào)車輛泊車的精確檢測[15];若VD檢測到強(qiáng)磁或中磁信號(hào),則判決本車位有車輛泊車。信息將直接發(fā)送到服務(wù)器。若VD檢測到弱磁信號(hào),則無法單獨(dú)判決,需要發(fā)送到RP進(jìn)行數(shù)據(jù)融合,延時(shí)主要包括:VD本地?cái)?shù)據(jù)歸一化計(jì)算時(shí)間+RP等待鄰居VD上報(bào)數(shù)據(jù)的時(shí)間+RP融合計(jì)算的時(shí)間,計(jì)算的時(shí)間可以忽略,對(duì)RP等待時(shí)間設(shè)定一個(gè)上限,當(dāng)RP收到第1個(gè)VD上傳的數(shù)據(jù)后,開啟等待計(jì)時(shí)器Timer=5 s,如果在該段時(shí)間內(nèi)都沒有收到鄰居VD的磁場數(shù)據(jù),則認(rèn)為鄰居VD沒有車輛停泊,直接判斷本車位為WMV車輛停泊。這種延時(shí)對(duì)路邊停車檢測系統(tǒng)的實(shí)際使用沒有影響,因?yàn)樵擃愊到y(tǒng)對(duì)停車檢測允許一定的時(shí)延。

目前市場上已經(jīng)有實(shí)際應(yīng)用的磁感應(yīng)停車檢測系統(tǒng),東莞帕馬停車服務(wù)有限公司和浙江創(chuàng)泰科技有限公司是該類系統(tǒng)的主要提供商。本文的停車檢測系統(tǒng)是由課題組與深圳市凱達(dá)爾科技公司合作研發(fā),已經(jīng)與東莞帕馬停車服務(wù)有限公司的系統(tǒng)(簡稱:)進(jìn)行過對(duì)比。如表6所示,由于本系統(tǒng)采用了數(shù)據(jù)融合算法,所以檢測精度比帕馬要好。另外本系統(tǒng)傳感器節(jié)點(diǎn)采用了LoRa通信模塊,通信上比帕馬更可靠性。

表6 系統(tǒng)性能比較

5 結(jié)論

在基于磁阻傳感器的停車位車輛檢測系統(tǒng)中,磁信號(hào)容易受到相鄰車位車輛停泊干擾,在低信噪比情況下,傳感器節(jié)點(diǎn)無法分辨干擾信號(hào)與當(dāng)前車位泊車信號(hào)。本文基于時(shí)間序列相似性度量方法,設(shè)計(jì)了車輛檢測磁場信號(hào)融合算法,實(shí)驗(yàn)證明該算法比已有算法具有更好的檢測精度。但是本算法存在以下不足,傳感器旁邊車位同時(shí)各有一輛SMV進(jìn)入,那么傳感器處的磁場為疊加信號(hào),所形成的干擾信號(hào)可能與相鄰節(jié)點(diǎn)的信號(hào)都不相似,本算法無法進(jìn)行分辨,需要從其他的特征進(jìn)行分析,這是本文下一步工作。

[1] Chakraborty S,Nandi S,Karmakar S. ADCROSS:Adaptive Data Collection from Road Surveilling Sensors[J]. IEEE Trans Intelligent Transportation System,2014,15(5):2049-2062.

[2] 王瑋,沈繼忠,董利達(dá). 自供電磁阻車輛檢測節(jié)點(diǎn)設(shè)計(jì)[J]. 傳感技術(shù)學(xué)報(bào),2013,26(12):1734-1739.

[3] 孫榮麗,王睿,崔莉. 交通無線傳感器網(wǎng)絡(luò)研究進(jìn)展[J]. 計(jì)算機(jī)研究與發(fā)展,2011,48(Suppl):360-366.

[4] Gontarz S,Szulim P,Seńko J,et al. Use of Magnetic Monitoring of Vehicles for Proactive Strategy Development[J]. Transportation Research Part C:Emerging Technologies,2015,52(part c):102-115.

[5] Yiu S,Coleri S,Dundar B,et al. Traffic Measurement and Vehicle Classification with a Single Magnetic Sensor[R]. California Partners for Advanced Transit and Highways(PATH). Working Papers:UCB-ITS-PWP-2004-7,2004.

[6] Cheung S Y,Varaiya P. Traffic Surveillance by Wireless Sensor Networks:Final report[R]. Technical Report,California PATH,University of California,Berkeley,CA 94720,2007.

[7] Taghvaeeyan S,Rajamani R. The Development of Vehicle Position Estimation Algorithms Based on the Use of AMR Sensors[J]. IEEE Trans Intelligent Transportation Systems,2012,13(4):1845-1854.

[8] Taghvaeeyan S,Rajamani R. Portable Roadside Sensors for Vehicle Counting,Classification,and Speed Measurement[J]. IEEE Trans Intelligent Transportation Systems,2014,15(1):73-83.

[9] Wang R,Zhang L,Sun R,et al. EasiTia:A Pervasive Traffic Information Acquisition System based on Wireless Sensor Networks[J]. IEEE Trans Intelligent Transportation Systems,2011,12(2):615-621.

[10] Zhang L,Wang R,Cui L. Real-Time Traffic Monitoring with Magnetic Sensor Networks[J]. Journal of Information Science and Engineering,2011,27(3):1473-1486.

[11] Wahlstr?m N,Hostettler R,Gustafsson F,et al. Classification of Driving Direction in Traffic Surveillance Using Magnetometers[J]. IEEE Trans Intelligent Transportation Systems,2014,15(4):1405-1418.

[12] 王瑋,沈繼忠,董利達(dá). 一種低功耗雙磁阻節(jié)點(diǎn)互補(bǔ)車輛檢測方法[J]. 傳感技術(shù)學(xué)報(bào),2014,27(6):763-769.

[13] Jeffrey J,Gajanan R,Kumar S,et al. Smart Parking System Using Wireless Sensor Networks[C]//The Sixth International Conference on Sensor Technologies and Applications,2012:306-311.

[14] Ding J,Cheung S Y. Signal Processing of Sensor Node Data for Vehicle Detection[C]//The 7th International IEEE Conference on Intelligent Transportation Systems,2004:70-75.

[15] Gu J,Zhang Z,Yu F. Design and Implementation of A Street Parking System Using Wireless Sensor Networks[C]//IEEE International Conference on Industrial Informatics,2012:1212-1217.

[16] Zhang Z,Tao M,Yuan H. A Parking Occupancy Detection Algorithm based on AMR Sensor[J]. IEEE Sensor Journal,2015,15(2):1261-1269.

[17] Zhu J,Cao H,Shen J,et al. Data Fusion for Magnetic Sensor Based on Fuzzy Logic Theory[C]//International Conference on Intelligent Computation Technology and Automation,2011:87-92.

[18] Klir G J,Yuan B. Fuzzy Sets and Fuzzy Logic[M]. New Jersey:Prentice Hall,1995:1-25.

[19] Zhu H,Yu F. A Vehicle Parking Detection Method Based on Correlation of Magnetic Signals[J]. International Journal of Distributed Sensor Networks,2015,10(5):89-104.

[20] 關(guān)向科. 基于無線磁阻傳感器網(wǎng)絡(luò)的車輛檢測技術(shù)研究[D]. 南京:南京郵電大學(xué),2014.

[21] Honeywell. HMC5883L datasheet[EB/OL]. http://www51.honeywell.com/aero/common/documents/myaerospacecatalog-documents/Defense_Brochures-documents/HMC5883L_3-Axis_Digital_Compass_IC.pdf.

[22] Zhang Z,Li X,Yuan H,et al. A Street Parking System Using Wireless Sensor Networks[J]. International Journal of Distributed Sensor Networks,2013,2013(7):155-165.

[23] 董曉莉,顧成奎,王正歐. 基于形態(tài)的時(shí)間序列相似性度量研究[J]. 電子與信息學(xué)報(bào),2007,29(5):1228-1231.

[24] 張建業(yè),潘泉,張鵬,等. 基于斜率表示的時(shí)間序列相似性度量方法[J]. 模式識(shí)別與人工智能,2007,20(2):271-274.

[25] Zhu H,Yu F. A Cross-Correlation Technique for Vehicle Detections in Wireless Magnetic Sensor Network[J]. IEEE Sensors Journal,2016,16(11):4484-4494.

[26] 余修武,范飛生,周利興. 無線傳感器網(wǎng)絡(luò)自適應(yīng)預(yù)測加權(quán)數(shù)據(jù)融合算法[J]. 傳感技術(shù)學(xué)報(bào),2017,30(5):772-776.