CN105046946A - 基于复合传感器的交通流参数检测方法 - Google Patents

Abstract

本发明提供一种基于复合传感器的交通流参数检测方法。该方法包括通过检测车辆到达离开的时间，实现车流统计，同时实现车速及车长的估计；基于车轴、车长、车速的信息，对车辆进行I级车型分类；在I级车型分类结果的基础上，对波形特征进行提取，实现II级车型分类。本发明仅仅利用单个地磁传感器，实现了交通流参数复合检测，尤其是对车型进行分级识别，减少了特征计算量，提高了检测效率，为智能交通系统、交通规划等提供了基础数据。

Description

基于复合传感器的交通流参数检测方法

技术领域

本发明涉及交通流参数获取技术领域，尤其涉及一种采用单个地磁传感器检测交通流参数的方法。

背景技术

道路交通流参数获取是交通管理、交通安全保障和交通基础设施监控维护的重要基础性问题。多年的实践表明，智能交通系统为解决城市交通问题提出了理论、技术支持和实践方向。智能交通系统的子系统先进的交通信息服务系统和先进的交通管理系统都是建立在完善的路网交通信息的基础上。

现有的采用传感器组检测交通流参数的方法中，大多采用多个地磁传感器检测车辆信息，再通过数据融合计算得出所需的各项交通流数据。然而，这种传感器组结构复杂，检测结果精度不高，且费用较高。对于车型识别技术，现有技术中大多只进行简单的一级分类，即只分为小型车、中型车、大型车等，并没有对车辆的具体类型有进一步的细分，所提供的基础数据类型有限，限制了对智能交通及交通规划研究的范围。

本发明仅仅利用单个地磁传感器，实现了交通流参数复合检测，尤其是对车型进行分级识别，减少了特征计算量，提高了检测效率，为智能交通系统、交通规划等提供了基础数据。

发明内容

本发明的目的之一是为了提供一种成本低、检测效率高的交通流参数检测方法，目的之二是提供一种能够识别多种车型的分类方法，以克服现有技术中存在的技术问题。为了实现上述目的，本发明采取如下技术方案：

该方法中复合传感器包括两个压电传感器和一个地磁传感器，车辆经过复合传感器时，依次经过第一个压电传感器S₁，地磁传感器S₂和第二个压电传感器S₃，所述方法包括如下步骤：步骤1：判断车辆通过复合传感器的情况，对车辆正常或者压道通过复合传感器的车辆进行计数:若|t₁-t_{magnetic_arrive}|≤T_{thred_1}且|t_{magnetic_leave}-t₃|≤T_{thred_2}，则车辆正常或者压道通过复合传感器；其中t₁是车辆第一个车轴通过压电传感器S₁的时刻，t₂是车辆第一个车轴通过压电传感器S₃的 时刻，t₃是最后一个车轴离开压电传感器的时刻；t_{magnetic_arrive}是车辆到达地磁传感器S₂的时刻；t_{magnetic_leave}车辆离开地磁传感器S₂的时刻，T_{thred_1}和T_{thred_2}是分别给定的时间阈值。步骤2：根据车辆同一车轴通过复合传感器中的两个压电传感器的时间差计算车辆通过速度：其中D是两个压电传感器的固定距离；步骤3：根据车辆通过地磁传感器的时间差计算车长，车长 步骤4：利用复合传感器采集的车轴数、车长、速度信息对车型进行识别，实现I级车型分类，具体分为小型车、中型车、大型车、特大型车：小型车为2轴且L≤6m；中型车为2轴且6m<L≤12m；大型车为3轴或4轴且6m≤L≤12m；特大型车为4轴以上且L>12m。

优选地，还包括如下步骤：步骤5：根据I级车型分类结果，利用车辆波形特征，进行II级车型分类：如果I级分类结果是小型车，进而区分小客车、SUV、面包车、小型货车；如果I级分类结果是中型车，则区分大客车、中型货车；如果I级分类结果是大型车和特大型车，则无需进一步分类。

优选地，步骤5中进行II级车型分类的具体方法为：在I级车型分类结果基础上,对于需要进一步分类的小型车和中型车的地磁信号进行曲线归一化处理，选择坐标z轴上的信号S_i，i＝1,2,…,m，计算需要缩放的比例其中,m为信号采样点数，g为缩放比例，v为车辆通过传感器的实际速度，v₀为设定的标准速度，任意具有m个采样点的信号曲线经过归一化处理后的样点数为gm，若g＜1,则对波形信号进行样本抽取；若g＞1，则对波形信号进行插值；

选择的波形特征为:

偏度： $\mathrm{\&gamma;}=E\left[{\left(\frac{S_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^3\right]=\frac{{\mathrm{\&mu;}}^3}{{\mathrm{\&sigma;}}^3}$

峰度： $\mathrm{\&beta;}=E\left[{\left(\frac{S_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^4\right]=\frac{{\mathrm{\&mu;}}^4}{{\mathrm{\&sigma;}}^4}$

波峰数：n_p

最大波峰时间比：α＝n_Max/m

最大波峰的角度： $\tan \left({\mathrm{\&theta;}}_1\right)=\left|\frac{k_2-k_1}{1+k_2\&CenterDot;k_1}\right|$

最大波谷的角度： $\tan \left({\mathrm{\&theta;}}_2\right)=\left|\frac{k_3-k_2}{1+k_3\&CenterDot;k_2}\right|$

$k_1=\frac{s_2-s_1}{n_2-n_1},k_2=\frac{s_3-s_2}{n_3-n_2},k_3=\frac{s_4-s_3}{n_4-n_3}$

其中，μ是均值；σ是方差；n_Max是有效波形信号起点到最大波峰的样本数；(n₁,s₁)表示有效波形信号起点位置；(n₂,s₂)表示最大波峰值位置；(n₃,s₃)表示最大波谷值位置；(n₄,s₄)表示有效波形信号终点位置坐标。

优选地，对小型车进一步分类的具体方法为：

①以峰度γ和偏度β作为输入量，计算分类函数其中 和b₁是分类函数的系数。若f₁＜0则该车型为面包车,分类结束；否则需要进一步分类,同时转到②。

②以波峰数n_p和最大波峰时间比α作为输入量，计算分类函数其中x₂＝[n_p,α]^T，和b₂是分类函数的系数。若f₂＜0则该车型为SUV,分类结束；否则需要进一步分类,同时转到③。

③以最大波峰的角度tan(θ₁)和最大波谷的角度tan(θ₂)作为输入量，计算分类函数 $f_3={\mathrm{\&omega;}}_3^T{x}_3+b_3,$ 其中 和b₃是分类函数的系数。若f₃＜0则该车型为小客车,分类结束；若f₃≥0为小型货车,分类结束。

优选地，对中型车进一步分类的具体方法为：以最大波峰的角度tan(θ₁)和最大波谷的角度tan(θ₂)作为输入量，计算分类函数其中x₄＝[tan(θ₁),tan(θ₂)]^T，和b₄是分类函数的系数。若f₄＜0则该车型为大客车；若f₄≥0为中型货车。

本发明具有如下有益效果：

(1)采用单个地磁传感器，易安装，易维护。

(2)采用地磁传感器和压电传感器组成复合传感器，接收到的交通流参数类型丰富。

(3)采用二级分类方法对车型进行细分，算法简单易于实现。

附图说明

图1为复合传感器布置示意图。

图2为本发明数据处理流程图。

图3为车型分类流程图

具体实施方式

下面结合附图,对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

复合传感器包括两个压电传感器和一个地磁传感器，两个压电传感器中放置一个地磁传感器，两个压电传感器的固定间距设为3m。通过复合传感器采集车辆车轴数和车长信息。车轴数信息统计是通过统计车轴对压电传感器施加压力产生的脉冲信号个数得到。图1是复合传感器的布置示意图，图2是数据处理流程图。

对符合定义的车辆进行计数，如果车辆是正常行驶或者压道通过传感器，则利用公式计算车长，否则忽略此车辆不计。其中L是车辆长度，t_{magnetic_arrive}是车辆到达地磁传感器的感应时间；t_{magnetic_leave}车辆离开地磁传感器的感应时间；D是两个压电传感器的固定距离；t₁是车辆第一个车轴通过传感器S₁的时间；t₂是车辆第一个车轴通过传感器S₃的时间。

(1)若(t₁-t_{magnetic_arrive})≤T_{thred_1}且(t_{magnetic_leave}-t₃)≤T_{thred_2}，则车辆正常或者压道通过传感器；

(2)若(t₁-t_{magnetic_arrive})≤T_{thred_1}且(t_{magnetic_leave}-t₃)>T_{thred_2}车辆在通过传感器时换道。

t₃是最后一个车轴离开压电传感器的时间；L是车辆长度；T_{thred_1}和T_{thred_2}是分别给定的时间阈值。

通过统计车轴对压电传感器施加压力产生的脉冲信号个数；同时利用车辆同一车轴通过复合传感器中的两个压电传感器的时间差计算车辆通过速度，利用的 公式为 $v=\frac{D}{t_1-t_2}.$

利用车辆通过地磁传感器中同一个芯片的时间差，计算车长，计算车长公式为：L＝(t_{magnetic_arrive}-t_{magnetic_leave})*v。

利用车轴数、车长、速度信息对车型进行识别，具体实施步骤为：

(1)对复合传感器中地磁传感器接收的信号进行预处理,根据车轴数、车长信息，实现I级车型分类：小型车、中大型车、特大型车，所述I级车型分类具体指：小型车：2轴，L≤6m；中型车：2轴，6m<L≤12m；大型车：3轴或4轴，6m≤L≤12m；特大型车：4轴以上，L>12m。

(2)根据速度信息，对车辆波形进行Akima插值重采样，转化为标准速度区间下的车辆波形，并将信号幅值归一化到0-1之间。对于一个车辆波长信号，其对应的时间序列为x₀<x₁<…<x_n-1，其对应的信号输出值为y₀，y₁，…，y_n-1，令y_i＝f(x_i)，在子区间[x_k,x_k+1](k＝0,1,…,n-2)上，若

$\left\{\begin{array}{c}{y}_k=f\left(x_k\right)\\ y_{k+1}=f\left(x_{k+1}\right)\\ y_k^{\&prime;}=g_k\\ y_{k+1}^{\&prime;}=g_{k+1}\end{array}\right.$

在此区间上可以唯一确定一个三次多项式：

$s\left(x\right)=s_0+g_k(x-x_k)+\frac{{3u}_k-{2g}_k-g_{k+1}}{x_{k+1}-x_k}{(x-x_k)}^2+\frac{g_{k+1}+g_k-{2u}_k}{x_{k+1}-x_k}{(x-x_k)}^3$

$g_k=\frac{|u_{k+1}-u_k|u_{k-1}+|u_{k-1}-u_{k-2}|u_k}{|u_{k+1}-u_k|+|u_{k-1}-u_{k-2}|}$

$g_{k+1}=\frac{|u_{k+2}-u_{k+1}|u_k+|u_k-u_{k-1}|u_{k+1}}{|u_{k+2}-u_{k+1}|+|u_k-u_{k-1}|}$

其中， $u_k=\frac{y_{k+1}-y_k}{x_{k+1}-x_k}$

当u_k+1＝u_k，且u_k-1＝u_k-2时，g_k＝0.5(u_k-1+u_k)

当u_k+1＝u_k，且u_k-1＝u_k-2时，g_k＝0.5(u_k-1+u_k)

在端点处，有

$\left\{\begin{array}{c}{u}_{-1}={2u}_0-u_1\\ u_{-2}={2u}_{-1}-u_0\\ u_{n-1}={2u}_{n-2}-u_{n-3}\\ u_n={2u}_{n-1}-u_{n-2}\end{array}\right.$

选择z轴上的信号S_i(i＝1,2,…,m)，计算需要缩放的比例其中,m为信号采样点数，g为缩放比例，v为车辆通过传感器的实际速度，v₀为标准速度，此处取20km/h。任意具有m个采样点的信号曲线经过归一化处理后的样点数为。若g＜1,则对波形信号进行样本抽取；若g＞1，则对波形信号进行插值。

(3)在I级车型分类结果，利用车辆波形特征，实现II车型分类：小客车、SUV、面包车、小型货车、大客车、中大货车、特大型货车(包括集装箱车)。

II级车型分类是在I级分类结果基础上，对车辆波形进行特征提取，对车型作进一步分类：

如果I级分类结果是小型车，进而区分小客车、SUV、面包车、小型货车；

如果I级分类结果是中型车，则区分大客车、中型货车；

如果I级分类结果是大型车或特大型车，则无需进一步分类。

图3为车型分类流程图。

在I级分类结果的基础上，根据车型类别，选择有效的波形特征：

选择的波形特征为:

偏度： $\mathrm{\&gamma;}=E\left[{\left(\frac{S_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^3\right]=\frac{{\mathrm{\&mu;}}^3}{{\mathrm{\&sigma;}}^3}$

峰度： $\mathrm{\&beta;}=E\left[{\left(\frac{S_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^4\right]=\frac{{\mathrm{\&mu;}}^4}{{\mathrm{\&sigma;}}^4}$

波峰数：n_p

最大波峰时间比：α＝n_Max/m

最大波峰的角度： $\tan \left({\mathrm{\&theta;}}_1\right)=\left|\frac{k_2-k_1}{1+k_2\&CenterDot;k_1}\right|$

最大波谷的角度： $\tan \left({\mathrm{\&theta;}}_2\right)=\left|\frac{k_3-k_2}{1+k_3\&CenterDot;k_2}\right|$

$k_1=\frac{s_2-s_1}{n_2-n_1},k_2=\frac{s_3-s_2}{n_3-n_2},k_3=\frac{s_4-s_3}{n_4-n_3}$

其中，μ是均值；σ是方差；n_Max是有效波形信号起点到最大波峰的样本数；(n₁,s₁)表示有效波形信号起点位置；(n₂,s₂)表示最大波峰值位置；(n₃,s₃)表示最大波谷值位置；(n₄,s₄)表示有效波形信号终点位置坐标。

(1)对小型车进一步分类：

①以峰度γ和偏度β作为输入量，计算分类函数其中 和b₁是分类函数的系数。若f₁＜0则该车型为微型面包车,分类结束；否则需要进一步分类,同时转到②。

②以波峰数n_p和最大波峰时间比α作为输入量，计算分类函数其中x₂＝[n_p,α]^T，和b₂是分类函数的系数。若f₂＜0则该车型为中型面包车,分类结束；否则需要进一步分类,同时转到③。

③以最大波峰的角度tan(θ₁)和最大波谷的角度tan(θ₂)作为输入量，计算分类函数 $f_3={\mathrm{\&omega;}}_3^T{x}_3+b_3,$ 其中 和b₃是分类函数的系数。若f₃＜0则该车型为小客车,分类结束；若f₃≥0为小货车,分类结束。

(2)对中型车做进一步分类：

以最大波峰的角度tan(θ₁)和最大波谷的角度tan(θ₂)作为输入量，计算分类函数其中x₄＝[tan(θ₁),tan(θ₂)]^T，和b₄是分类函数的系数。若f₄＜0则该车型为大客车；若f₄≥0为中型货车。

Claims (5)

1.一种基于复合传感器的交通流参数检测方法，其特征在于，所述复合传感器包括两个压电传感器和一个地磁传感器，车辆经过复合传感器时，依次经过第一个压电传感器S₁，地磁传感器S₂和第二个压电传感器S₃，所述方法包括如下步骤：

步骤1：判断车辆通过复合传感器的情况，对车辆正常或者压道通过复合传感器的车辆进行计数:若|t₁-t_{magnetic_arrive}|≤T_{thred_1}且|t_{magnetic_leave}-t₃|≤T_{thred_2}，则车辆正常或者压道通过复合传感器；其中t₁是车辆第一个车轴通过压电传感器S₁的时刻，t₂是车辆第一个车轴通过压电传感器S₃的时刻，t₃是最后一个车轴离开压电传感器的时刻；t_{magnetic_arrive}是车辆到达地磁传感器S₂的时刻；t_{magnetic_leave}车辆离开地磁传感器S₂的时刻，T_{thred_1}和T_{thred_2}是分别给定的时间阈值；

步骤2：根据车辆同一车轴通过复合传感器中的两个压电传感器的时间差计算车辆通过速度：其中D是两个压电传感器的固定距离；

步骤3：根据车辆通过地磁传感器的时间差计算车长，车长 $L=(t_{\mathrm{magnetic\; arrive}}-$ $t_{\mathrm{magnetic\; leave}})*\frac{D}{t_1-t_2};$

步骤4：利用复合传感器采集的车轴数、车长、速度信息对车型进行识别，实现I级车型分类，具体分为小型车、中型车、大型车、特大型车：小型车为2轴且L≤6m；中型车为2轴且6m<L≤12m；大型车为3轴或4轴且6m≤L≤12m；特大型车为4轴以上且L>12m。

2.根据权利要求1中所述的基于复合传感器的交通流参数检测方法，其特征在于，还包括如下步骤：

步骤5：根据I级车型分类结果，利用车辆波形特征，进行II级车型分类：如果I级分类结果是小型车，进而区分小客车、SUV、面包车、小型货车；如果I级分类结果是中型车，则区分大客车、中型货车；如果I级分类结果是大型车和特大型车，则无需进一步分类。

3.根据权利要求1或2中所述的基于复合传感器的交通流参数检测方法，其特征在于，步骤5中进行II级车型分类的具体方法为：

在I级车型分类结果基础上,对于需要进一步分类的小型车和中型车的地磁信号进行曲线归一化处理，选择坐标z轴上的信号S_i，i＝1,2,…,m，计算需要缩放的比例其中,m为信号采样点数，g为缩放比例，v为车辆通过传感器的实际速度，v₀为设定的标准速度，任意具有m个采样点的信号曲线经过归一化处理后的样点数为gm，若g＜1,则对波形信号进行样本抽取；若g＞1，则对波形信号进行插值；

选择的波形特征为:

偏度： $\mathrm{\&gamma;}=E\left[{\left(\frac{S_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^3\right]=\frac{{\mathrm{\&mu;}}^3}{{\mathrm{\&sigma;}}^3}$

峰度： $\mathrm{\&beta;}=E\left[{\left(\frac{S_i-\mathrm{\&mu;}}{\mathrm{\&sigma;}}\right)}^4\right]=\frac{{\mathrm{\&mu;}}^4}{{\mathrm{\&sigma;}}^4}$

波峰数：n_p

最大波峰时间比：α＝n_Max/m

最大波峰的角度： $\tan \left({\mathrm{\&theta;}}_1\right)=\left|\frac{k_2-k_1}{1+k_2\&CenterDot;k_1}\right|$

最大波谷的角度： $\tan \left({\mathrm{\&theta;}}_2\right)=\left|\frac{k_3-k_2}{1+k_3\&CenterDot;k_2}\right|$

$k_1=\frac{s_2-s_1}{n_2-n_1},k_2=\frac{s_3-s_2}{n_3-n_2},k_3=\frac{s_4-s_3}{n_4-n_3}$

其中，μ是均值；σ是方差；n_Max是有效波形信号起点到最大波峰的样本数；(n₁,s₁)表示有效波形信号起点位置；(n₂,s₂)表示最大波峰值位置；(n₃,s₃)表示最大波谷值位置；(n₄,s₄)表示有效波形信号终点位置坐标。

4.根据前述权利要求任一项中所述的基于复合传感器的交通流参数检测方法，其特征在于，

对小型车进一步分类的具体方法为：

①以峰度γ和偏度β作为输入量，计算分类函数其中x₁＝[γ,β]^T，和b₁是分类函数的系数；若f₁＜0则该车型为面包车,分类结束；否则需要进一步分类,同时转到②；

②以波峰数n_p和最大波峰时间比α作为输入量，计算分类函数其中x₂＝[n_p,α]^T，和b₂是分类函数的系数；若f₂＜0则该车型为SUV,分类结束；否则需要进一步分类,同时转到③；

③以最大波峰的角度tan(θ₁)和最大波谷的角度tan(θ₂)作为输入量，计算分类函数其中x₃＝[tan(θ₁),tan(θ₂)]^T，和b₃是分类函数的系数；若f₃＜0则该车型为小客车,分类结束；若f₃≥0为小型货车,分类结束。

5.根据前述权利要求任一项中所述的基于复合传感器的交通流参数检测方法，其特征在于，

对中型车进一步分类的具体方法为：

以最大波峰的角度tan(θ₁)和最大波谷的角度tan(θ₂)作为输入量，计算分类函数其中x₄＝[tan(θ₁),tan(θ₂)]^T，和b₄是分类函数的系数；若f₄＜0则该车型为大客车；若f₄≥0为中型货车。