基于地磁的车型识别模糊数据融合方法研究

第 25 卷 　第 1 期 2008 年 1 月 　　 公 　路 　交 　通 　科 　技 Journal of Highway and Transportation Research and Development Vol125 　No11 　　Jan12008 文章编号 : 1002Ο0268 (2008) 01Ο0155Ο04 收稿日期 : 2006Ο07Ο26 基金项目 : 武汉市科学技术局技术攻关资助项目 (20061002078) 作者简介 : 王明哲 (1949 - ) , 男 , 浙江临海人 , 教授 , 从事复杂系统控制理论、智能交通教研工作 1 (mzwang @public1wh1hb1cn) 基于地磁的车型识别模糊数据融合方法研究 王明哲 , 吴 　皓 , 周 　丰 (华中科技大学 　控制科学与工程系 , 湖北 　武汉 　430074) 摘要 : 把由各向异性磁阻传感器检测获得的地磁曲线视为车辆磁偶极模型的映像 , 通过 分析 定性数据统计分析pdf销售业绩分析模板建筑结构震害分析销售进度分析表京东商城竞争战略分析 车辆地磁曲线的峰值、峰 谷比、峰值时间、谷值时间、车身长等特征的选择和提取 , 建立相应车型特征向量 ; 然后 , 依据各类车型特征 , 应用 三角形隶属度 函数 excel方差函数excelsd函数已知函数     2 f x m x mx m      2 1 4 2拉格朗日函数pdf函数公式下载 特征描述和模糊数据融合 , 提出了一种基于地磁传感器实时数据采集的车辆检测与车型识别流程和 车型识别分类算法 ; 最后 , 通过一组实际采集的车辆检测数据的分类结果 , 比较了 4 种模糊数据融合算式的差异 , 证 明了车辆识别分类算法的有效性 , 并讨论了有待进一步研究的问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 。 关键词 : 智能运输系统 ; 数据融合 ; 车型识别 ; 各向异性磁阻 ; 曲线特征 中图分类号 : U491 　　　　　　　　文献标识码 : A Re search of Fuzzy Data Fusion Ba sed on Geomagnetism for Vehicle Type Identification Proce ss WANG MingΟzhe , WU Hao , ZHOU Feng (Department of Control Science and Engineering , Huazhong University of Science and Technology , Wuhan 　Hubei 　430074 , China) Abstract : Firstly , the curve of the vehicle detected using AMR sensor was mapped to a magnetic dipole1By analysis of the choosing and eliciting the peak , vale , peak time and peakΟvale rate of the curve , appropriate feature vectors were established1And then , a vehicle classification algorithm based on geomagnetic sensor realΟtime data collection was realized on the basis of fuzzy data fusion , the feature is distilled according to various feature classes of vehicle types and depicted by using of triangular function1Finally , four data fusion functions for each type of vehicle were presented and compared to testify the effectiveness , and the issues in future workings were also discussed1 Key words : Intelligent Transport Systems ; data fusion ; vehicle type identification ; AMR ; curve feature 0 　引言 自动车辆识别技术AVI (Automatic Vehicle Identifi2 cation) 在某些场合中已经成为一个重要的环节。例 如在一些有通行限制的控制区域、对于不同类别车辆 的速度及载重限制的路口、高速公路收费站、大型停 车场的管理以及公路交通的监控中 , 对运动中的车辆 类型进行识别都是一个前提。 近 10 年来 , 采用地磁感应原理对车辆进行识别 的优势越来越受重视。当前在磁感应式车辆分类检测 当中主要采用两种手段 , 其中地磁感应线圈 ( ILD) 车型识别系统[2 ,8 ] 因为其成本低廉而被广泛采用 , 本 文提出 AMR (各向异性磁阻) 传感器的车辆检测及 分类方法。利用不同类型车辆通过地磁传感器引起不 同的地球磁场扰动的原理 , 通过采集不同波形的磁场 强度输出曲线来达到对运动车辆进行分类的目的。 目前对于车辆磁曲线的分类算法主要包括 : 对曲 线进行参数化后进行模式匹配[1 ,6 ,7 ] 、人工神经网络算 法、统计、模式识别算法等 , 其中以模式匹配最为常 用 , 但其识别正确率偏低 , 并且在识别前需要对磁曲 线归一化[2 ,5 ]处理 , 以消除因车速等因素对于车型判 别的不利影响。本文基于模糊判别算法进行车型分 类 , 选择仅与车辆磁曲线形状相关的特征量 , 避免了 辨识过程中车速的影响 , 并且对于识别过程采用了 4 种不同的数据融合方法 , 最后对于每种方法进行了分 析和比较。 1 　车型识别基本思路 车辆识别系统 设计 领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计 的具体思路可见文献[7 ] , 检 测过程中 , 车辆从传感器正上方通过 , 传感器感应方 向为垂直地面向上 , 检测的磁场是传感器所在点的地 磁垂直于地面向上的分量 , 从而车辆通过时可以得到 地磁受扰动后的波形。在同一个车道上可以等间距放 置多个传感器 , 利用波形间的时间间隔得到车辆速度 参数。 目前在车型识别过程中数据融合主要涉及 3 个方 面 : 不同类型的传感器用于车型识别[4 ] ; 单一类型的 多台传感器用于车型识别[9 ] ; 单个传感器用于车型识 别时各特征之间的融合。本文主要讨论的是第 3 个方 面的内容。 整个车型识别的流程如图 1。 图 1 　车型识别过程 Fig11 　Vehicle type identification process 2 　特征选择 在模糊判决中 , 一个关键的步骤是特征提取 , 特 征选择要遵守充分性、稳定性以及方便性原则 , 同时 利用一些专家的经验。由此可以看出特征的选择既是 整个辨识过程的关键 , 也是辨识过程的难点。在基于 模糊识别的地磁感应线圈 ( ILD) 车型识别系统[8 ,10 ] 中 , 常用的特征包括磁曲线的高度、左右比重、上下 比重、上升沿、下降沿、车长、凹凸性、峰值等。本 文提出的识别系统基于 AMR 传感器 , 其检测曲线与 ILD 的检测曲线相似却又有自己明显的特征。主要体 现在地磁传感器的检测曲线呈现明显的双极性 , 原因 在于我们用 AMR 对车辆进行测量时可把车辆看作一 个磁偶极的数学模型[3 ] 。同时地磁曲线的波形峰值和 谷值主要是由车辆的发动机以及前后车轮的铁质材料 引起 , 由此可知曲线的极值特征与车辆的发动机以及 前后车轮的位置相关 , 可作为车辆辨识的重要特征。 图 2 分别列出了小轿车和面包车通过 AMR 传感器时 的地磁响应曲线。 图 2 　小轿车与面包车地磁传感器响应曲线 Fig12 　Corresponding AMR curves of cars (a) and minibuses (b) 根据地磁传感器曲线的特征 , 本文根据对于曲线 的采样参数 , 采用如下的辨识特征 : 采样点的均值、 均方差、峰值、峰谷比、峰值时间 , 谷值时间以及车 长参数。 其中均值、均方差的定义可以参见参考文献 [1 ] , 其他参见图 3 及下列定义 : 峰谷比 = 波形峰值Π 谷值 , 峰值时间为 t1Πt ,谷值时间为 t2Πt。根据两相 邻传感器阵列测出的车辆速度结合单个车辆的波形时 间跨度 t 可得出车长。 图 3 　曲线特征示意图 Fig13 　Character of AMR curve 3 　模糊判决 每一个模式类别的模糊模型中都包括一系列关于 选定参数的隶属函数 ,模糊辨识中隶属函数的描述方 法很多 ,常用的有三角形描述法、梯形描述法、高斯描 述法等。根据识别的对象的特点 ,各类车辆的某一特 征取值都不能唯一确定其类别。三角形描述法的隶属 函数如图 4 ,能表达出这种在全部区间内隶属度渐变 的特性。在本文中 ,所有特征的隶属函数描述均采用 651　　　　　　　　　　　　　　　　　　　　公 　路 　交 　通 　科 　技 　　　　　　　　　　　　　　　　　　　第 25 卷 三角形法来表示 ,其量化特性可由 公式 小学单位换算公式大全免费下载公式下载行测公式大全下载excel公式下载逻辑回归公式下载 (1)来表示。 图 4 　某一特征的隶属函数 Fig14 　Triangular function for a certain character u ( x) = 1 - | xi - mi | 2δi ,| xi - mi | ≤2δi 0 , 　　　　　| xi - mi | ≥2δi (1) 其中 ,参数 mi 以及δi 分别为统计曲线的均值以及标 准差。通过试验发现用于决定参数的曲线样本数至少 需要 50 个曲线 ,因此我们对于每类模式均采集 50 辆 车作为特征识别的样本保存用于决定参数 mi 、δi 。 当所有隶属函数的参数确定后 ,便可以根据新测 量数据计算出对于某一类车辆每个特征的隶属度。表 1 显示了 1 辆经过传感器的被测车辆对于某类模式样 本特征的隶属度取值。 表 1 　待识别车辆对于某类车型的隶属度取值 Tab11 　Subordinated degree value of a certain vehicle type for identification 特征 均值 均方差 峰值 峰谷比 峰值时间 谷值时间 车长 曲线值 018 0135 215 418 0183 0121 312 隶属度 0168 0175 0195 0163 0179 018 0182 　　下面我们将对待识别车辆的 7 组参数的隶属度融 合方法进行讨论。 4 　数据融合算法 在特征选择步骤中每个车型类都采用了 7 组参数 构成模糊识别的特征向量 ,由该向量决定被测车辆的 类别。一个被测数据向量中各参数的模糊融合可以基 于以下式 (2)～ (5) 。 f ( AND) j = ∩ N i = 1 uij ( xi ) = min ( u1 j , ⋯, uNj ) , (2) f ( OR) j = ∪ N i = 1 uij ( xi ) = max( u1 j , ⋯, uNj ) , (3) f ( POWER) j = 1N Power ( u1 j , ⋯, uNj ) = 1 N ∑ N i = 1 uij ( xi ) , (4) f j = ∏ N i = 1 uij ∏ N i = 1 uij + ∏ N i = 1 (1 - uij ) , (5) 其中 , N 为参数个数 ; f ( AND) j , f ( OR) j , f ( Power) j , f j 分别为对 于第 j 类模式的融合结果 ; xi 为被测曲线向量第 i 个 参数的值 ; uij为对于第 j 类模型第 i 个参数的隶属度。 分别采用公式 (2) ～ (5) 的融合方法 ,比较每个类 别隶属度融合后的输出值。例如 ,对表 1 中被测车辆 各曲线参数的隶属度进行数据融合 ,结果见表 2。 表 2 　实现数据融合后的函数值 Tab12 　Function values after data fusion 公式 (2) (3) (4) (5) 融合结果 0163 0195 0177 0199 　　选取 (2) ～ (5) 融合方法中的一种。分别针对 不同类型车辆计算其最后的融合结果 , 判别被测车辆 属于融合输出值最大的那一类模式。 5 　试验结果 融合的结果可以通过分类的有效性来进行比较。 在此有效性表现为分类的正确率 , 即正确分类车辆与 实际该类别车辆总数的比值。本文中试验车辆的类别 分为 4 类 : 小轿车 , 中型面包车 , 卡车以及公交车。 我们采用三角形隶属函数 , 对于 80 辆被测小轿 车以及 40 辆面包车分别采用融合过程 (2) - (5) 进行数据融合 , 分类有效性结果见表 3。 表 3 　数据融合过程示例 Tab13 　Examples of data fusion process 公式 小轿车 小轿车 面包车 卡车 公交车 无法识别 有效性 面包车 小轿车 面包车 卡车 公交车 无法识别 有效性 (2) 72 4 2 0 2 0190 0 31 3 0 6 0178 (3) 62 7 0 11 0 0178 6 24 8 2 0 016 (4) 73 7 0 0 0 0191 4 33 3 0 0 0183 (5) 71 4 0 0 5 0189 0 32 3 5 018 　　由表 3 的结果可以看出 , 公式 (2) 、 (4) 、 (5) 具有不错的识别率 , 但是采用公式 (2) 和 (5) 会由 于对于不同的车型进行融合时 , 最小值同时取到 0 而 产生无法比较的情况。因为我们观察公式 (2) 、 (5) 751第 1 期 　　　　　　　　　　　　王明哲 , 等 : 基于地磁的车型识别模糊数据融合方法研究 　　　　　　　　　　　　 可以看出 , 只要某一个隶属度输出为 0 , 便会导致最 终的融合输出为 0。同时可以看出 , 一般误判主要发 生在相邻类别的车辆类型之间。 本文提出的识别系统在单车道上以一定间距布置 了多台地磁传感器。除了可以获取车速信息 , 还可以 利用多台传感器分别对被测车辆进行识别 , 这样可以 使车型的识别率得到进一步提高。 6 　结论 本文提出在道路车辆分类过程中可行的模糊数据 融合算法 , 其中分类过程基于选定的曲线参数 , 隶属 函数的参数根据样本曲线的统计特性确立。对于每个 类别都采样了 50 条样本曲线 , 数据融合的过程采用 了 4 种函数 , 文中对采用这些函数的有效性进行了比 较。错误识别主要发生在相邻的类别中 , 此类数据融 合方法的关键在于对车辆地磁曲线的分析后抽取出的 特征向量 , 向量中的参数之间最好具有正交性或者有 较小的相关性。关于如何选择向量参数可以获得最大 的车辆类别辨识率有待进一步研究 , 另外对于隶属函 数形状的选择也需要进一步探讨。通过试验可以看 出 , 对于车辆的地磁曲线进行模糊辨识具有良好的可 行性。 参考文献 : References : [1 ] 　STENCEL M1Signal Parameterization vs1Ortogonalization on Ex2 ample of Vehicle’s Magnetic Signature Recognition [ C ] ∥ IMTC 04 , Proceedings of the 21st IEEE12004 : 1 416 - 1 4181 [2 ] 　GAJDA J , SROKA R , STCNCEL M , et al1A Vehicle Classi2 fication Based on Inductive Loop Detectors [ C] ∥ Proceed2 ings of the 18th IEEE IMTC1Budapest : 2001 : 460 - 4641 [3 ] 　PHAN T , KWAN B W , TUNGL J1Magnetoresistors for Vehi2 cle Detection and Identification [J ] 1Systems , Man , and Cy2 bernetics , IEEE , 1997 4 (4) : 3 839 - 3 8431 [4 ] 　LIU WeiΟming , ZHAO XueΟping , XIAO JingΟfeng , et al1A2 utomatic Vehicle Classification Instrument Based On Multiple Sensor Information Fusion [ C] ∥ Proceedings of The Third International Conference on Information Technology and Appli2 cations12005 : 379 - 3821 [5 ] 　WENG GuoΟqing , HE TongΟneng , CHEN MingΟjun , et al1The Vehicle’s Classification Recognition System Based on DTW Algorithm [ C] ∥Proceedings of the 5th World Congress on Intelligent Control and Automation1Hangzhou , China : 2004 : 4 169 - 4 1711 [6 ] 　张健雄 , 张进 , 戴志超 1 基于压力传感器阵列的车型 分类系统 [J ] 1 公路交通科技 , 2006 , 23 (7) : 125 - 1291 　　　ZHANGJianΟxiong , ZHANGJin , DAI ZhiΟchao1Vehicle Clas2 sification System Based on Pressure Sensor Array [J ] 1Journal of Highway and Transportation Research and Development , 2006 , 23 (7) : 125 - 1291 [7 ] 　李谋成 , 徐满意 1 基于地磁传感的交通监测系统 [J ] 1 大连大学学报 , 2005 , 26 (4) : 19 - 231 　　　LI MouΟcheng , XU ManΟyi1Traffic Flow Meter Based on Ter2 restrial Magnetic Sensor for the Monitoring and Evaluation Sys2 tem [J ] 1Journal of Dalian University , 2005 , 26 (4) : 19 - 231 [8 ] 　耿彦峰 , 马钺 1 基于模糊模式识别的车型分类研究 [J ] 1计算机工程 , 2002 , 28 (1) : 133 - 1351 　　　GENG YanΟfeng , MA Yue1Research of Vehicle Classification Based on Fuzzy Pattern Recognition [J ] 1Computer Engineer2 ing , 2002 , 28 (1) : 133 - 1351 [9 ] 　吴今培 , 尹征琦 , 刘智勇 , 等 1 多传感器信息融合的 智能交通控制系统研究 [J ] 1 信息与控制 , 2001 , 30 (5) : 460 - 4641 　　　WU JinΟpei , YIN ZhengΟqi , LIU ZhiΟyong , et al1An Ap2 proach to Intersection Intelligent Traffic Signal Control Based On Multisensor Integration and Fusion Technology [J ] 1Info2 rmation and Control , 2001 , 30 (5) : 460 - 4641 [10 ] 谢宇 , 康景利 , 董巍 , 等 1 智能交通系统中车型分类 的模糊模式识别方法 [J ] 1 北京理工大学学报 , 1999 , 19 (2) : 171 - 1751 　　　XIE Yu , KANG JingΟli , DONG Wei , et al1A Method of Fuzzy Pattern Recognition Applied in Intelligent Transport Sys2 tems for Vehicle Classification [J ] 1Transactions of Beijing In2 stitute of Technology , 1999 , 19 (2) : 171 - 1751 851　　　　　　　　　　　　　　　　　　　　公 　路 　交 　通 　科 　技 　　　　　　　　　　　　　　　　　　　第 25 卷