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 PDF

Info

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
Application number
CN201711496108.4A
Other languages
English (en)
Inventor
靳国政
瞿逢重
叶彬
吴叶舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201711496108.4A priority Critical patent/CN108197651A/zh
Publication of CN108197651A publication Critical patent/CN108197651A/zh
Pending legal-status Critical Current

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

一种基于振动传感器的车辆识别方法
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。
CN201711496108.4A 2017-12-31 2017-12-31 一种基于振动传感器的车辆识别方法 Pending CN108197651A (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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