CN108197651A - 一种基于振动传感器的车辆识别方法 - Google Patents
一种基于振动传感器的车辆识别方法 Download PDFInfo
- Publication number
- CN108197651A CN108197651A CN201711496108.4A CN201711496108A CN108197651A CN 108197651 A CN108197651 A CN 108197651A CN 201711496108 A CN201711496108 A CN 201711496108A CN 108197651 A CN108197651 A CN 108197651A
- Authority
- CN
- China
- Prior art keywords
- mse
- particle
- sample
- solution
- imf
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于振动传感器的车辆识别方法,能够自动识别车辆类型。该方法利用振动传感器接收车辆引起的路面振动信号,对采集的振动信号进行经验模态分解,得到一组固有模态函数,对每个固有模态函数乘以不同权重,再对固有模态函数求和形成一个新的信号,对新生成的信号进行功率谱分析,获取MFCC特征向量,训练BP神经网络得到分类器,用于识别车辆种类。本发明车辆识别方法鲁棒性强,识别率高,可用于军事车辆分类以及民用中的智能交通系统,前景广阔。
Description
技术领域
本发明涉及一种基于振动传感器的车辆识别方法,可用于车辆检测和识别,属于智能交通和车辆识别领域。
背景技术
在当前的交通领域中,车辆检测与识别是重中之重。目前主要有麦克风、振动传感器、磁感线圈、视频传感器等进行车辆的检测与识别。
磁感线圈安装和维护对道路会造成较大的破坏,且本身容易被大型车辆损坏,铁制材料也容易受到环境因素导致损坏。视频传感器易安装、可靠,但高清视频摄像头价格高,易受环境影响如雨雾天气都会降低检测的准确性。麦克风安装简单,成本低,但受风速、多普勒、鸣笛声影响大,且易损坏。
振动传感器可靠性强,可以埋在路边,安装简单,隐蔽度高,不受恶劣天气影响。
发明内容
本发明的目的是克服现有技术的不足,提高现有技术的识别率,提出一种基于振动传感器的车辆识别方法。
本发明的目的是通过以下技术方案来实现的:一种基于振动传感器的车辆识别方法,包括以下步骤:
(1)利用振动传感器,采集车辆行驶引起的路面振动信号;
(2)对步骤(1)采集的振动信号进行经验模态分解(Empirical ModeDecomposition,EMD),得到一组固有模态函数(Intrinsic Mode Function,IMF);
(3)对步骤(2)得到的固有模态函数分别乘以不同的权重,再求和得到新的信号,记为xnew(t);
其中wi为对应第i个IMF的权重,n为信号分解之后产生的IMF的个数;固有模态的权重由以下方式求取:以BP神经网络均方误差MSE(Mean Square Error)作为适应度评估函数,应用粒子群算法进行求解,MSE表达式如下:
其中N为所有样本的个数,yi为第i个样本的观察值,为第i个样本的估计值;
粒子群算法权重的更新采用如下公式:
分别代表经过k次迭代后第i个粒子在第D个维度上的速度、历史最佳位置、位置;代表第k次迭代后在第D个维度上的全局最优位置;r1、r2为[0,1]区间内的随机数;迭代求解的目的是获取一组使MSE最小的w值;
(4)根据步骤(3)得到的全局最优解w,与样本经EMD分解得到的IMF相乘求和得到新的信号xnew(t),对其提取梅尔频率倒谱系数MFCC作为特征,训练3层BP神经网络,用训练好的神经网络判断车辆类型。
进一步地,所述步骤(3)中,w求解过程如下:
对N个样本数据分别进行EMD分解得到每个样本对应的IMF,保留每个样本分解后得到的前n个IMF;
k=1,随机初始化m个维度为n的粒子的速度与位置,m是可以任意选取的粒子个数,要求为整数;初始化之后,此时每个粒子的位置即为这个粒子的历史最佳位置,每个粒子的位置对应一个解w,共得到m个解,接下来验证每个解,将一个解与每个样本的IMF相乘求和最后可得到N个新信号,对新信号求梅尔频率倒谱系数MFCC特征,以MSE为适应度评估函数并用这些特征训练一个3层BP神经网络分类器,训练结束后根据网络输出样本估计值y~与样本观察值y求得这个解对应的MSE,对m个解均按照此方式处理最终得到m个MSE;记最小MSE对应的解为经过第1次迭代的全局最优位置
k=2,按照上述粒子群算法更新公式进行第2次迭代计算,更新每个粒子的位置与速度,对于每个粒子新位置按照第1次迭代中的方法重新计算MSE并且比较它当前的MSE与历史最佳位置对应的MSE,如果当前MSE更小则更新历史最佳位置,否则维持不变,再根据所有粒子的MSE更新全局最优位置;最后重复上述迭代方式,直到MSE达到最小值,求得全局最优解w。
本发明的有益效果是:本发明在路边安装振动传感器,利用振动传感器检测地面的振动信息,特别使用了经验模态分解方法分解振动信号,并把固有模态函数乘以不同权重,再求和生成新的信号,利用MFCC提取特征,训练好神经网络之后于车辆的检测与分类。这种方法实现了车辆检测与分类,安装方便,不受恶劣天气影响,识别率高。
附图说明
图1是本发明固有模态函数权重求解流程图;
图2是本发明车辆识别方法流程图。
具体实施方式
下面结合附图详细描述本发明,本发明的特点将变得更加明显。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
本发明提供的一种基于振动传感器的车辆识别方法,包括以下步骤:
(1)利用振动传感器,采集车辆行驶引起的路面振动信号;
(2)对步骤(1)采集的振动信号进行经验模态分解(Empirical ModeDecomposition,EMD),得到一组固有模态函数(Intrinsic Mode Function,IMF);
(3)对步骤(2)得到的固有模态函数分别乘以不同的权重,再求和得到新的信号,记为xnew(t);
其中wi为对应第i个IMF的权重,n为信号分解之后产生的IMF的个数;固有模态的权重由以下方式求取:以BP神经网络均方误差MSE(Mean Square Error)作为适应度评估函数,应用粒子群算法进行求解,MSE表达式如下:
其中N为所有样本的个数,yi为第i个样本的观察值,为第i个样本的估计值;
粒子群算法权重的更新采用如下公式:
分别代表经过k次迭代后第i个粒子在第D个维度上的速度、历史最佳位置、位置;代表第k次迭代后在第D个维度上的全局最优位置;r1、r2为[0,1]区间内的随机数;迭代求解的目的是获取一组使MSE最小的w值;下面对w求解过程进行详细说明:
对N个样本数据分别进行EMD分解得到每个样本对应的IMF,由于不同样本分解后得到的IMF个数可能存在不一致的现象,所以只保留每个样本分解后得到的前n个IMF;
k=1,随机初始化m个维度为n的粒子的速度与位置,其中n与每个样本分解后保留的IMF个数相对应,m是可以任意选取的粒子个数,要求为整数,比如50,m过大导致算法运算时间长,太小导致算法不易收敛;初始化之后,此时每个粒子的位置即为这个粒子的历史最佳位置,每个粒子的位置对应一个解w,所以可得到m个解,接下来验证每个解,将一个解与每个样本的IMF相乘求和最后可得到N个新信号,对新信号求梅尔频率倒谱系数MFCC特征,以MSE为适应度评估函数并用这些特征训练一个3层BP神经网络分类器,训练结束后根据网络输出样本估计值y~与样本观察值y求得这个解对应的MSE,对m个解均按照此方式处理最终得到m个MSE;记最小MSE对应的解为经过第1次迭代的全局最优位置
k=2,按照上述粒子群算法更新公式进行第2次迭代计算,更新每个粒子的位置与速度,对于每个粒子新位置按照第1次迭代中的方法重新计算MSE并且比较它当前的MSE与历史最佳位置对应的MSE,如果当前MSE更小则更新历史最佳位置,否则维持不变,再根据所有粒子的MSE更新全局最优位置;最后重复上述迭代方式,直到MSE达到最小值,求得全局最优解w。
(4)根据步骤(3)得到的全局最优解w,与样本经EMD分解得到的IMF相乘求和得到新的信号xnew(t),对其提取梅尔频率倒谱系数MFCC作为特征,训练3层BP神经网络,用训练好的神经网络判断车辆类型。
图1为求取固有模态函数权值的流程。主要包括对信号进行经验模态分解,获得固有模态函数,初始化时以不同的权重乘以固有模态函数,求和得到新的信号。再应用粒子群优化算法求取最优的一组固有模态函数权重,当达到预设要求后,训练结束,否则,继续训练。图2为识别流程,首先采集车辆引起的路面振动信号,得到多个样本,作为训练集;然后对信号进行经验模态分解,用图1求得的权重乘以固有模态函数,求和得到新的信号;在特征生成中,主要是求信号的功率谱,获取MFCC特征,然后进行模型的训练,最终得到神经网络车辆分类器,可以根据车辆的振动信号识别车辆种类。通过4000个轮式车与履带车的振动信号样本来验证该方法的有效性;经检验,只使用MFCC特征时的识别率为90.47%,经过EMD分解加权处理后再使用MFCC特征进行识别,准确率达到92.25%,从而证明了本发明方法的有效性。原因在于通过加权处理,抑制了信号中的噪声分量。
Claims (2)
1.一种基于振动传感器的车辆识别方法,其特征在于,包括以下步骤:
(1)利用振动传感器,采集车辆行驶引起的路面振动信号;
(2)对步骤(1)采集的振动信号进行经验模态分解EMD,得到一组固有模态函数IMF;
(3)对步骤(2)得到的固有模态函数分别乘以不同的权重,再求和得到新的信号,记为xnew(t);
其中wi为对应第i个IMF的权重,n为信号分解之后产生的IMF的个数;固有模态的权重由以下方式求取:以BP神经网络均方误差MSE作为适应度评估函数,应用粒子群算法进行求解,MSE表达式如下:
其中N为所有样本的个数,yi为第i个样本的观察值,为第i个样本的估计值;
粒子群算法权重的更新采用如下公式:
分别代表经过k次迭代后第i个粒子在第D个维度上的速度、历史最佳位置、位置;代表第k次迭代后在第D个维度上的全局最优位置;r1、r2为[0,1]区间内的随机数;迭代求解的目的是获取一组使MSE最小的w值;
(4)根据步骤(3)得到的全局最优解w,与样本经EMD分解得到的IMF相乘求和得到新的信号xnew(t),对其提取梅尔频率倒谱系数MFCC作为特征,训练3层BP神经网络,用训练好的神经网络判断车辆类型。
2.根据权利要求1所述的一种基于振动传感器的车辆识别方法,其特征在于,所述步骤(3)中,w求解过程如下:
对N个样本数据分别进行EMD分解得到每个样本对应的IMF,保留每个样本分解后得到的前n个IMF;
k=1,随机初始化m个维度为n的粒子的速度与位置,m是可以任意选取的粒子个数,要求为整数;初始化之后,此时每个粒子的位置即为这个粒子的历史最佳位置,每个粒子的位置对应一个解w,共得到m个解,接下来验证每个解,将一个解与每个样本的IMF相乘求和最后可得到N个新信号,对新信号求梅尔频率倒谱系数MFCC特征,以MSE为适应度评估函数并用这些特征训练一个3层BP神经网络分类器,训练结束后根据网络输出样本估计值与样本观察值y求得这个解对应的MSE,对m个解均按照此方式处理最终得到m个MSE;记最小MSE对应的解为经过第1次迭代的全局最优位置
k=2,按照上述粒子群算法更新公式进行第2次迭代计算,更新每个粒子的位置与速度,对于每个粒子新位置按照第1次迭代中的方法重新计算MSE并且比较它当前的MSE与历史最佳位置对应的MSE,如果当前MSE更小则更新历史最佳位置,否则维持不变,再根据所有粒子的MSE更新全局最优位置;最后重复上述迭代方式,直到MSE达到最小值,求得全局最优解w。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711496108.4A CN108197651A (zh) | 2017-12-31 | 2017-12-31 | 一种基于振动传感器的车辆识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711496108.4A CN108197651A (zh) | 2017-12-31 | 2017-12-31 | 一种基于振动传感器的车辆识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197651A true CN108197651A (zh) | 2018-06-22 |
Family
ID=62587552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711496108.4A Pending CN108197651A (zh) | 2017-12-31 | 2017-12-31 | 一种基于振动传感器的车辆识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197651A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461064A (zh) * | 2020-04-24 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种用于无人值守传感器系统的车辆目标识别方法及系统 |
CN112509599A (zh) * | 2020-10-21 | 2021-03-16 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于bp神经网络和梅尔倒谱的声谱故障分析诊断方法 |
CN112729509A (zh) * | 2020-12-30 | 2021-04-30 | 北京万集科技股份有限公司 | 一种动态称重装置以及称重方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346711B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying multi-input multi-output Hammerstein models |
CN103679139A (zh) * | 2013-11-26 | 2014-03-26 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
CN104572589A (zh) * | 2015-01-12 | 2015-04-29 | 西南大学 | 基于改进型量子粒子群算法的电子鼻参数同步优化算法 |
CN107256635A (zh) * | 2017-07-14 | 2017-10-17 | 浙江大学 | 一种智能交通中基于分布式光纤传感的车辆识别方法 |
-
2017
- 2017-12-31 CN CN201711496108.4A patent/CN108197651A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346711B2 (en) * | 2009-11-24 | 2013-01-01 | King Fahd University Of Petroleum And Minerals | Method for identifying multi-input multi-output Hammerstein models |
CN103679139A (zh) * | 2013-11-26 | 2014-03-26 | 闻泰通讯股份有限公司 | 基于粒子群优化bp网络的人脸识别方法 |
CN104572589A (zh) * | 2015-01-12 | 2015-04-29 | 西南大学 | 基于改进型量子粒子群算法的电子鼻参数同步优化算法 |
CN107256635A (zh) * | 2017-07-14 | 2017-10-17 | 浙江大学 | 一种智能交通中基于分布式光纤传感的车辆识别方法 |
Non-Patent Citations (2)
Title |
---|
曾以成等: "基于经验模态分解结合傅氏变换与Wigner分布的Mel频率倒谱系数提取", 《湘潭大学自然科学学报》 * |
郭金龙: "机车车辆轮对踏面故障检测系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461064A (zh) * | 2020-04-24 | 2020-07-28 | 中国人民解放军国防科技大学 | 一种用于无人值守传感器系统的车辆目标识别方法及系统 |
CN112509599A (zh) * | 2020-10-21 | 2021-03-16 | 中国人民解放军陆军炮兵防空兵学院 | 一种基于bp神经网络和梅尔倒谱的声谱故障分析诊断方法 |
CN112729509A (zh) * | 2020-12-30 | 2021-04-30 | 北京万集科技股份有限公司 | 一种动态称重装置以及称重方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Won | Intelligent traffic monitoring systems for vehicle classification: A survey | |
CN106935035B (zh) | 基于ssd神经网络的违章停车车辆实时检测方法 | |
Cevher et al. | Vehicle speed estimation using acoustic wave patterns | |
CN108197651A (zh) | 一种基于振动传感器的车辆识别方法 | |
CN111985494B (zh) | 一种基于轻量化车载终端的道路病害检测及分类方法 | |
Vij et al. | Smartphone based traffic state detection using acoustic analysis and crowdsourcing | |
CN110120218A (zh) | 基于gmm-hmm的高速公路大型车辆识别方法 | |
CN106886044A (zh) | 一种基于剪切波与Akaike信息准则的微地震初至拾取方法 | |
Rubin et al. | Automatically detecting avalanche events in passive seismic data | |
Chen et al. | Road vehicle detection and classification using magnetic field measurement | |
CN108197731A (zh) | 一种基于共同训练的机动车尾气遥测与车检结果一致性方法 | |
CN106874912A (zh) | 一种基于改进lbp算子的图像目标检测方法 | |
Li et al. | Vehicle classification with single multi-functional magnetic sensor and optimal MNS-based CART | |
CN112710987A (zh) | 一种针对违法鸣笛车辆进行识别定位的麦克风阵列系统 | |
CN103994820B (zh) | 一种基于微孔径麦克风阵列的运动目标识别方法 | |
CN107886727A (zh) | 一种基于地磁传感器的汽车分类方法、系统及电子设备 | |
CN110263836B (zh) | 一种基于多特征卷积神经网络的不良驾驶状态识别方法 | |
CN105890600A (zh) | 基于手机传感器的地铁乘客位置推测方法 | |
CN113514743B (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
CN113640768B (zh) | 一种基于小波变换的低分辨雷达目标识别方法 | |
Barrineau et al. | Sediment transport and wind flow around hummocks | |
CN102789780B (zh) | 基于谱时幅度分级向量辨识环境声音事件的方法 | |
Kubo et al. | Design of ultra low power vehicle detector utilizing discrete wavelet transform | |
Tobe et al. | vcity map: Crowdsensing towards visible cities | |
Astapov et al. | A multistage procedure of mobile vehicle acoustic identification for single-sensor embedded device |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180622 |