CN105405315A - 一种基于k近邻机器学习的磁场传感器智能停车检测方法 - Google Patents

Abstract

本发明公开了一种基于K近邻机器学习的磁场传感器智能停车检测方法，采用分析磁场传感器实时数据判断泊位占用状态。该检测方法首先建立地磁背景空间，然后在K近邻算法的基础上建立所有背景空间向量点的近邻点关系，对于任何一个待分类点，计算出待分类点在背景空间的K近邻子空间，使得原本只是待分类点与某个背景空间点之间的单一关系，扩展为待分类点与背景空间K近邻子空间之间的空间关系，充分挖掘利用了背景空间中的有用的信息。进一步的，采用圆锥距离计算待分类点到近邻点子空间的空间距离，实现了自适应分类阈值，提高了检测鲁棒性。本方法计算简单,判断准确,可以被广泛应用于路侧停车场、地下停车场和复杂的立体停车库等各类停车场泊位检测和判断中。

Description

一种基于K近邻机器学习的磁场传感器智能停车检测方法

技术领域

本发明涉及停车泊位状态检测方法，尤其涉及一种基于K近邻机器学习的磁场传感器智能停车检测方法。

背景技术

随着城市现代化进程的不断加快和汽车工业的迅猛发展，机动车保有量和机动车交通量不断增加，行车难、停车难已经成为城市交通的两大顽疾。大力发展停车场建设是解决停车难的一个重要手段，但由于智能化管理水平不高，依赖于人工管理的传统模式暴露出越来越明显的弊端。因此，能够方便车主快速准备寻找车位，整合信息化停车资源，提高停车场使用效率，同时保障停车场行业的整体的经济效益的智能停车管理系统获得了巨大关注。

智能停车系统的核心是对停车泊位状态的准确检测。因此,业界发展出了若干检测方法来解决检测停车泊位占用的问题,如感应卡、超声波、涡流、视频、地磁等检测方法。但以上的检测方法均存在一定的缺陷,例如,感应卡虽然安装及使用方便,但只能用于封闭式停车场，而且只能统计停车场总的空闲泊位数目,不能检测具体泊位的占用情况。超声波检测方法只适用于室内停车场,缺点是功耗较高，需单独供电,而且超声波探头寿命短，需经常更换。涡流检测方法需要在地面铺着检测线圈,对现有停车场而言改装的施工量较大。视频检测方法需要布置大量摄像头,所以成本也较高。

现有的地磁检测方法主要采用简单测量磁场强度大小的方式，用经验阈值判断泊位状态。但实际中车辆停靠后磁场的大小和方向都可能发生变化，磁场传感器也随着温度的变化而变化,现有的检测方法没有很好地避免这些因素带来的影响。

发明内容

为了克服现有的停车检测方法的成本较高、安装麻烦、准确性较差的不足，本发明的目的在于针对现有技术的不足，提供一种成本较低、安装方便、测量准确的基于K近邻机器学习的磁场传感器智能停车检测方法。

本发明的技术方案为：

一种基于K近邻机器学习的磁场传感器智能停车检测方法，包括如下步骤：

步骤一、建立泊位无车占用时的长度为N的地磁背景空间；

步骤二、求每个背景向量点的K近邻，获得背景空间的K近邻关系；

步骤三、对于每一个新采集的地磁点数据(待分类点)，找到该点在背景空间的K个近邻点，根据步骤二得到的K近邻关系，获得待分类点在背景空间的K近邻子空间，并计算K近邻子空间的方差ε，作为分类判断的自适应阈值；K近邻子空间的方差计算公式如下：

$\mathrm{\ϵ}=\sqrt{\frac{\underset{i=1}{\overset{m}{\Σ}}{(v_i-\stackrel{\‾}{v})}^2}{m}},$

其中，

m表示K近邻子空间点向量点的数量，最多有K²+K个点；

v_i表示第i个K近邻子空间向量点；

表示K近邻子空间向量点的均值；

步骤四、采用圆锥距离算法，计算待分类点到步骤三得到的背景空间K近邻子空间的距离，通过与K近邻子空间的方差比较判断待分类点是属于背景空间还是前景空间，过程如下：

(1)计算待分类点h_t＝<x,y,z>的范数，

||h_t||²＝x²+y²+z²

(2)计算步骤三得到的K近邻子空间均值的范数,

$\left|\right|\stackrel{\&OverBar;}{v}|{|}^2={\stackrel{\&OverBar;}{x}}^2+{\stackrel{\&OverBar;}{y}}^2+{\stackrel{\&OverBar;}{z}}^2$

(3)计算待分类点和K近邻子空间均值的内积，

$<h_t,\stackrel{\&OverBar;}{v}{>}^2={(\stackrel{\&OverBar;}{x}x+\stackrel{\&OverBar;}{y}y+\stackrel{\&OverBar;}{z}z)}^2$

(4)计算分类点到背景空间的圆锥距离，

$\mathrm{\&delta;}=\sqrt{\left|\right|h_t|{|}^2-p^2}$

其中，

$p^2=\left|\right|h_t|{|}^2{\cos }^2\mathrm{\&theta;}=\frac{<h_t,\stackrel{\&OverBar;}{v}{>}^2}{\left|\right|\stackrel{\&OverBar;}{v}|{|}^2}$

(5)将圆锥距离δ与方差ε相比较，若δ＞3ε,则判断泊位被占

用，若δ≤3ε，则判断泊位未被占用。

进一步，所述方法还包括以下步骤：步骤五、如果步骤四对待分类点的判断结果是背景空间，根据背景空间方差大小动态调整更新速度因子，按照更新速度因子随机更新背景空间，同时更新近邻点空间。

本发明的技术构思为：本发明的智能停车泊位检测方法首先建立地磁背景空间，然后在K近邻算法的基础上建立所有背景空间向量点的近邻点关系，对于任何一个待分类点，计算出待分类点在背景空间的K近邻子空间，使得原本只是待分类点与某个背景空间点之间的单一关系，扩展为待分类点与背景空间K近邻子空间之间的空间关系，充分挖掘利用了背景空间中的有用的信息。进一步的，采用圆锥距离计算待分类点到近邻点子空间的空间距离，实现了自适应分类阈值，提高了检测鲁棒性。本发明方法有效的避免了由于温度变化、相邻泊位地磁干扰、车辆经过地磁干扰和磁场盲点的情况下对检测精度的影响。

本发明的有益效果：成本较低、安装方便、测量准确。

附图说明

图1为本发明方法的实施过程流程图。

图2为本发明待分类点到背景近邻点空间的圆锥距离示意图。

具体实施方式

下面结合附图和具体实施例对本发明具体实施方案做进一步的说明。

参照图1和图2，一种基于K近邻机器学习的磁场传感器智能停车检测方法，包括如下步骤：

步骤一，本发明首先建立停车泊位无车占用情况下的背景空间，为方便说明，选择由30个背景点组成的空间背景，如表1所示。

序号	X	Y	Z
				1	-253	-206	-401
2	-251	-208	-402
				3	-254	-203	-389
4	-252	-206	-408
				……	……	……	……

表1

步骤二、求背景空间中每个点的K近邻，并建立近邻点关系，本实例取K＝3，采用曼哈顿距离计算距离。

泊位地磁数据可以表示为由特征向量h_t＝<x,y,z>，采用曼哈顿距离计算空间两点间的距离，例如坐标<x₁,y₁,z₁>与<x₂,y₂,z₂>两点间曼哈顿距离为：

d＝|x₁-x₂|+|y₁-y₂|+|z₁-z₂|

序号	近邻点1	近邻点2	近邻点3
				1	13	11	25
2	2	5	6
				3	1	6	7
4	8	28	16
				……	……	……	……

表2

表2中每一行的序号是该点在背景空间的序号，每一行近邻点1-3代表该行背景点的3个近邻点序号。

在本实例中，取待分类点数据向量<-259,-266,-448>做具体判断说明。

步骤三，求待分类点的在背景空间的K近邻点，然后从近邻点空间中找出这K个近邻点的K近邻点，获得K近邻子空间，并计算子空间方差。

由K近邻算法得到待分类点的K(本实例取K值为3)个近邻点，序号分别是11，12，17。它们在背景空间中的近邻点序号如表3所示，排除重复，K近邻子空间总共由9个点组成。

表3

计算K近邻子空间的方差，方差ε决定了决策边界，也就是自适应阈值，

$\mathrm{\&epsiv;}=\sqrt{\frac{\underset{i=1}{\overset{m}{\&Sigma;}}{(v_i-\stackrel{\&OverBar;}{v})}^2}{m}}=8.6$

步骤四，采用圆锥距离算法，计算待分类点到步骤三得到的背景空间K近邻子空间的距离，通过与K近邻子空间的方差比较判断待分类点是属于背景空间(泊位未被占用)还是前景空间(泊位被占用)，具体过程如下：

(1)计算待分类点h_t的范数，

||h_t||²＝(-259)²+(-266)²+(-448)²＝338541

(2)计算步骤三得到的K近邻子空间均值的范数,

9个近邻点的平均值是其范数为：

$\left|\right|\stackrel{\&OverBar;}{v}|{|}^2={(-253.9)}^2+{(-203.7)}^2+{(-410)}^2=274860.7$

(3)计算待分类点和背景空间均值范数的内积，

$<h_t,\stackrel{\&OverBar;}{v}>={\left(\right(-259)\&times;(-253.9)+(-266)\&times;(-203.7)+(-448)\&times;(-410\left)\right)}^2=92187715550.5$

(4)计算分类点到背景空间的圆锥距离，

$\begin{array}{c}{p}^2=\left|\right|h_t|{|}^2{\cos }^2\mathrm{\&theta;}=\frac{<h_t,\stackrel{\&OverBar;}{v}{>}^2}{\left|\right|\stackrel{\&OverBar;}{v}|{|}^2}\\ =\frac{\mathrm{92187715550}\mathrm{.5}}{\mathrm{274860}\mathrm{.7}}\\ \mathrm{=335398}\end{array}$

圆锥距离为：

$\mathrm{\&delta;}=\sqrt{\left|\right|h_t|{|}^2-p^2}=\sqrt{338541-335398}=56.1$

(5)可知δ＞3ε，判别待分类点属于泊位被占状态。

由以上实例可以看出本发明通过所有背景空间向量点的近邻点关系，对于任何一个待分类点，计算出待分类点在背景空间的K近邻子空间，使得原本只是待分类点与某个背景空间点之间的单一关系，扩展为待分类点与背景空间K近邻子空间之间的空间关系，充分挖掘利用了背景空间中的有用的信息，不需要预设经验阈值，提高了分类检测精度。

Claims (2)

1.一种基于K近邻机器学习的磁场传感器智能停车检测方法，其特征在于：所述方法包括如下步骤：

步骤一、建立泊位无车占用时的长度为N的地磁背景空间；

步骤二、求每个背景向量点的K近邻，获得背景空间的K近邻关系；

步骤三、对于每一个新采集的地磁点数据，即待分类点，找到该点在背景空间的K个近邻点，根据步骤二得到的K近邻关系，获得待分类点在背景空间的K近邻子空间，并计算K近邻子空间的方差ε，作为分类判断的自适应阈值；K近邻子空间的方差计算公式如下：

$\mathrm{\&epsiv;}=\sqrt{\frac{\underset{i=1}{\overset{m}{\&Sigma;}}{(v_i-\stackrel{\&OverBar;}{v})}^2}{m}},$

其中，

m表示K近邻子空间点向量点的数量，最多有K²+K个点；

v_i表示第i个K近邻子空间向量点；

表示K近邻子空间向量点的均值；

步骤四、采用圆锥距离算法，计算待分类点到步骤三得到的背景空间K近邻子空间的距离，通过与K近邻子空间的方差比较判断待分类点是属于背景空间还是前景空间，过程如下：

(1)计算待分类点h_t＝<x,y,z>的范数，

||h_t||²＝x²+y²+z²

(2)计算步骤三得到的K近邻子空间均值的范数,

$\left|\right|\stackrel{\&OverBar;}{v}|{|}^2={\stackrel{\&OverBar;}{x}}^2+{\stackrel{\&OverBar;}{y}}^2+{\stackrel{\&OverBar;}{z}}^2$

(3)计算待分类点和K近邻子空间均值的内积，

$<h_t,\stackrel{\&OverBar;}{v}{>}^2={(\stackrel{\&OverBar;}{x}x+\stackrel{\&OverBar;}{y}y+\stackrel{\&OverBar;}{z}z)}^2$

(4)计算分类点到背景空间的圆锥距离，

$\mathrm{\&delta;}=\sqrt{\left|\right|h_t|{|}^2-p^2}$

其中，

$p^2=\left|\right|h_t|{|}^2{\cos }^2\mathrm{\&theta;}=\frac{{(h_t,\stackrel{\&OverBar;}{v})}^2}{\left|\right|\stackrel{\&OverBar;}{v}|{|}^2}$

(5)将圆锥距离δ与方差ε相比较，若δ＞3ε,则判断泊位被占用，若δ≤3ε，则判断泊位未被占用。

2.如权利要求1所述的一种基于K近邻机器学习的磁场传感器智能停车检测方法，其特征在于：所述方法还包括以下步骤：步骤五、如果步骤四对待分类点的判断结果是背景空间，根据背景空间方差大小动态调整更新速度因子，按照更新速度因子随机更新背景空间，同时更新近邻点空间。