CN112816043A - 一种确定车辆的车型的方法及系统 - Google Patents

Abstract

本公开涉及一种确定车辆的车型的方法及系统。该方法包括通过振动传感器来感测车辆在行进过程中的振动信号；以及根据振动信号来确定车辆的车型信息。本公开利用振动传感器采集振动信号，并直接对振动信号进行分析，从而可以确定车辆的车型。

Description

一种确定车辆的车型的方法及系统

技术领域

本公开一般地涉及称重技术领域。具体地，本公开涉及一种确定车辆的车型的方法及系统。

背景技术

本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。

动态称重技术是指在车辆行进过程中对车辆进行称重的技术。动态称重装置被广泛应用于计重收费、超限检测等应用中，在交通管理、超限治理以及进出口监管中起到了重要的作用。采用现有称重系统可以实现车辆称重，同时，基于其重量和车型信息还可以判断车辆是否超限或超载。其中，传统的识别车型信息的方式可以有多种，例如通过激光、摄像机等方式来获取，但传统的识别车型信息的方式不仅存在成本高的问题，还可能会受天气、光线的影响，从而使得车型信息识别不准确。

发明内容

为了至少解决上面的一个或多个技术问题，本公开提供一种确定车辆的车型的方法及系统，利用振动传感器获取振动信号，通过对振动信号进行分析来确定车辆的车型。鉴于此，本公开在如下的多个方面提供相应的解决方案。

在第一方面，本公开提供一种确定车辆的车型的方法，包括：通过振动传感器来感测所述车辆在行进过程中的振动信号；根据所述振动信号来确定所述车辆的车型信息。

在一个实施例中，其中，根据所述振动信号来确定所述车辆的车型信息包括：根据所述振动信号确定车辆的轴数和车辆的轴间距，确定车辆的车型信息。

在另一个实施例中，其中，根据所述振动信号确定车辆的轴数包括：将时域的振动信号进行时频变换，以得到时频图，所述时频图包括不同时间处对应的振动频率以及不同时间、不同振动频率处对应的所述振动信号的强弱；通过边缘检测来确定所述时频图中强信号的边界；以及通过对所述时频图中强信号的边界进行分析，确定所述车辆的轴数。

在又一个实施例中，其中，通过边缘检测来确定所述时频图中强信号的边界包括：将所述时频图的二维矩阵与边缘检测算子进行卷积运算，以得到目标矩阵；以及基于所述目标矩阵中的元素值来确定所述时频图中强信号的边界。

在又一个实施例中，其中，基于所述目标矩阵中的元素值来确定所述时频图中强信号的边界包括：将所述目标矩阵中同一时间对应的特定元素相加以得到滤波向量，所述滤波向量包括与时间对应的信号强度值；以及根据设定的阈值从所述滤波向量的元素值中选取有效信号强度值，以作为所述时频图中强信号的边界的边界点，以便确定所述强信号的边界。

在又一个实施例中，其中，根据所述振动信号确定车辆的轴间距包括：根据所述车辆的速度与所述时频图中不同强信号的边界之间的时间差，确定车辆的轴间距。

在又一个实施例中，其中，基于以下确定所述车辆的速度：获取所述时频图中不同排振动传感器感测到同一振动源对应的不同强信号的边界之间的时间差；以及根据该时间差与不同排振动传感器之间的距离来确定车辆的速度。

在又一个实施例中，其中，其中，所述的根据所述的振动信号来确定所述车辆的车型信息还包括：将所述时频图输入到神经网络模型；以及所述神经网络模型基于该输入，输出车辆的轴数。

在第二方面，本公开还提供一种确定车辆的车型的系统，包括：振动传感器，用于感测所述车辆在行进过程中的振动信号；以及数据处理单元，用于根据所述振动信号来确定所述车辆的车型信息。

在又一个实施例中，其中，所述振动传感器至少包括加速度传感器、速度传感器和/或位移传感器中的一种或者多种。

在再一个实施例中，其中，所述振动传感器被设置在所述车辆的行驶路面上，优选地，被设置为与路面平齐；和/或所述振动传感器通过安装装置设置在所述车辆行驶方向的路侧，优选地，所述安装装置包括立杆、龙门架和L杆中的一种。

根据本公开的实施例，通过利用振动传感器来感测车辆在行进过程中的振动信号，直接对振动信号进行分析，从而获得车辆的车型。进一步地，本公开实施例通过对振动信号进行时频变换获得时频图，并利用图像识别时频图中的强信号的边界，从而可以准确获取车辆的轴数。进一步地，本公开实施例只采用振动传感器，相比于传统的识别车辆车型的装置而言，不仅安装不受限，而且施工简便。同时，本公开实施例只采用振动传感器，使得用于识别车辆的车型的成本较低。

附图说明

通过参考附图阅读下文的详细描述，本公开示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本公开的若干实施方式，并且相同或对应的标号表示相同或对应的部分其中：

图1是示出现有高速称重系统的示例性示意图；

图2是示出车辆沿路边行驶的示例性示意图；

图3是示出车辆绕过称重平台行驶的示例性示意图；

图4示出根据本公开实施例的确定车辆的车型的方法的示例性结构示意图；

图5示出根据本公开实施例的采集的振动信号的示例性示意图；

图6示出根据本公开实施例的振动信号的时频图的示例性示意图；

图7示出根据本公开实施例的进行卷积后的时频图的示例性示意图；

图8示出神经网络的示例性框图；

图9示出根据本公开实施例的确定车辆的车型的系统的示例性结构框图；以及

图10示出根据本公开实施例的振动传感器的布局的示例性示意图。

具体实施方式

下面将参考若干示例性实施方式来描述本公开的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本公开，而并非以任何方式限制本公开的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。

动态车辆称重是指通过测量和分析轮胎动态力来测量一辆运动中的车辆的总重和/或部分重量。动态称重系统通常至少包括一组传感器和包含软件的电子仪器组成，以便测量动态轮胎力、轮重、轴重或者总重。根据设备适应的速度范围，可以分为高速称重系统和低速称重系统。动态车辆称重通常可应用于例如计重收费、高速超限管理等多个场景中。其中，高速称重系统主要应用于高速道路的非现场超限超载执法场景中，可以对0～120km/h速度范围的车辆进行称重，将其称重结果以及车辆的车型对应的重量限值作比较，从而来判断车辆是否超限超载。因此，称重装置的称重精度以及车型识别的准确性尤为重要。

图1示出现有传统称重系统的示例性示意图。如图1所示，在沿车辆行驶方向上的路面基础1上布置有称重平台2，称重平台2沿车辆行驶方向的前方设置有龙门架3。在龙门架3的顶部安装有识别设备4。其中，称重平台2处通常布置板式称重传感器、条式称重传感器或者石英称重传感器。同时，称重平台2可以通过有线或无线连接电子仪器和/数据处理装置(图中未示出)。识别设备4通常包括摄像机装置、轮廓识别装置以及电子显示屏等设备。

当车辆5沿行驶方向正常行驶经过称重平台2时，称重平台2感测车辆经过时的压力信号，感测到的压力接着可以传送到电子仪器和/或数据处理装置，以对压力信号进行分析、处理，从而获得车辆经过时的称重数值。同时，通过对压力信号进行分析、处理还可以获取车辆的轴型，并且识别率高。

识别设备4中的摄像机装置可以对车辆的车牌号码以及道路实况进行抓拍，从而获得车辆的图像数据，后期再结合人工审核来确认车辆的车型识别的准确性。识别设备4中的轮廓识别装置(例如激光器)扫描车辆轮廓，可以获得准确的车辆的车型信息，并通过电子显示屏进行信息发布。此外，还通过后台处理器接收车辆的称重数值以及车辆的车型信息与数据库中预存的数据比对，以判断当前车辆的型号、大小、自重，从而得出其尺寸是否超限、重量是否超载。

结合上述图1描述可知，采用传统称重系统可以实现车辆称重和车型信息，并基于其重量和车型信息判断车辆是否超限或超载。但是也存在如下缺陷。

在一个方面，传统称重系统在安装时需要大面积开挖路面，使得施工周期长，封路周期长，从而造成交通不便。传统称重系统中主要包括窄条传感器、石英传感器等，这些传感器在车辆行驶方向上的尺寸较小，受车辆轮胎冲击小，但在车辆行驶过程中，由于车辆本身的减震结构和路面基础的影响，车辆自身也会发生振动(该振动还与车辆自身的结构和路面平整度有关)，使得车辆轮胎可能不与传感器接触而导致车辆对地面的压力数据丢失，从而导致称重数值和车型识别不准确。此外，当传统称重传感器应用于高速路等场景时，由于车辆速度较快，容易导致单轴秤、轴组秤、整车秤等设备损坏。

在另一个方面，采用现有的称重系统需要安装多个识别设备，例如摄像机装置、激光装置，但摄像机装置和激光装置需要安装至龙门架或者道路两侧的立杆，从而造成安装和维护不便。称重系统车型轮廓识别通常采用激光传感器等扫描技术和摄像机装置，使得称重系统的成本较高。此外，采用激光器扫描车辆外形轮廓时，容易受雨雪天气的影响，使得车型数据不准确。同时，采用摄像机图像识别装置时，容易受光线的影响，同样导致图像识别的准确性较差。

在又一个方面，当车辆非正常行驶经过称重平台时，例如，车辆驾驶员有意在称重平台采取突然加速、减速或者绕“S”等作弊行为时，使得车辆重心转移而导致称重系统的称重精度降低。具体地，当车辆驾驶员有意在称重平台突然加速，此时由于惯性车辆向前行驶而重心向后转移，使得车辆的后轮抓地力增大，车辆前轮的对于地面的附着力降低，从而导致车辆后轮重量较重，前轮重量较轻。由此造成称重平台的压力数据不准确，从而导致识别数据不准确。

与上述加速相反，当车辆驾驶员有意在称重平台踩刹车减速，车辆的重心向前转移，使得车辆的前轮抓地力增大，车辆的后轮对于地面的附着力降低，从而导致车辆的前轮较重，车辆的后轮变轻，同样造成称重平台的压力数据不准确。

由于称重平台布置时可能与路边留有间隙(如图2所示)，或者称重平台只布置在半个车道上(如图3所示)，车辆驾驶员有意绕开称重平台行驶。例如图3中所示，车辆的一侧的车轮沿着图中箭头碾压路边间隙行驶，或者例如图4中所示，车辆沿着箭头方向绕过称重平台2以避免碾压称重平台，使得称重平台的数值减小而导致无法获取车辆的准确重量，从而不能识别车辆的车型。

有鉴于此，为了克服上述一个或多个方面的缺陷，在本公开的实施例，只采用振动传感器来感测车辆的振动信号，通过直接对振动信号分析获得车辆的车型信息。

下面将结合本公开实施例中的附图，对本公开实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。

图4示出根据本公开实施例的确定车辆的车型的方法400的示例性结构示意图。如图所示，在步骤402处，通过振动传感器来感测车辆在行进过程中的振动信号。经过分析，车辆在行进过程中的主要振动包括以下几类：车辆的轴重给路面板块的形变；车身自身的俯仰振动传递给路面；车轮部分振动的固有频率；以及车轮的轮胎花纹、发动机振动、变速箱等给路面的激励。更进一步分析，车辆的轴重给板块的形变又可以包括两部分：重量带给板块的形变，其表现为超低频的信号；其次为重物对板块的冲击带来的板块振动，这部分振动的频率与速度相关。

更为具体地，由于车辆的振动主要与车型、车重、路面情况有关，而振动传感器安装在道路基础上，由此，采集到的振动信号数据只与车辆的车型以及车辆的载重有关。基于此，可以通过分析车辆行进过程中引起道路基础振动的特定频率下的振动信号来分析车辆的车型信息，从而获得车辆的车型。在一个实施例中，振动传感器可以至少包括速度传感器、加速度传感器和位移传感器，关于振动传感器的布置将在后面详细描述。

图5示出根据本公开实施例的采集的振动信号的示例性示意图。图中横坐标表示时间，纵坐标表示幅值。取决于振动传感器的类型，当传感器是加速度传感器时，该幅值为加速度；当传感器是速度传感器时，该幅值为速度；当传感器是位移传感器时，该幅值为位移。从图中可以看出，振动传感器采集到的振动信号为连续信号，无法直接由采集的波形图中获取车辆的轴数，因此，需要对振动信号进行时频变换来进行分析，从而获取车辆的车型信息。

在一个应用场景中，通常在沿车辆行驶方向上布置有振动传感器的道路基础的前后位置设置分车设备，例如可以采用线圈来分离车辆。由于车辆是金属，因此，当有车辆经过线圈时会有电流产生，其周围磁场发生变化，以此来对车辆进行分离，以获得每辆车经过振动传感器时的振动信号。

继续图4，在步骤404处，根据振动信号来确定车辆的车型信息。进一步地，根据振动信号确定车辆的轴数和车辆的轴间距，从而确定车辆的车型信息。

更为具体地，根据振动信号确定车辆的轴数时，首先需要将时域的振动信号进行时频变换至频域，以便获得时频图。需要理解的是，本领域技术人员还可以采用短时傅里叶变换、傅里叶变换或者小波变换来进行时频变换，本公开实施例不作限制。由上述图5可以看出，振动信号为非平稳的信号，因此可以采用短时傅里叶变换对振动信号进行分析，其具体的公式表示如下：

其中，s(t)表示采集的原始振动信号，h(t)表示窗函数，该窗函数在区间-1≤t≤1时h(t)＝1+cosπt，当|t|>1时，h(t)＝0。移动窗函数，可以使s(t)h(τ-t)在不同的有限时间宽度内是平稳信号，从而便于分析。本领域技术人员可以根据需要设置窗函数，本公开实施例不作限制。

基于上述描述，通过对采集的振动信号进行时频变换，可以获得时频图，例如图6所示。图6示出根据本公开实施例的振动信号的时频图的示例性示意图，图中横坐标表示时间，纵坐标表示频率。可以理解，时频图中可以包括不同时间处对应的振动频率，还可以包括不同时间、不同频率处对应的振动信号的强弱。进一步地，可以基于时频图中灰度值的大小来判断振动信号的强弱，例如灰度值越大(例如时频图中示例性箭头a指向的白色区域)，表示振动信号越强，也即有车辆的轴经过，时频图中的亮边界为强信号的边界；灰度值越小(也即时频图中示例性箭头c指向的黑色区域或示例性箭头b指向的灰色区域)，表示振动信号越弱，也即没有轴经过。由此，可以通过时频图中强信号的边界来确定是否有车辆的轴经过，从而根据强信号的边界确定车辆的轴数。

根据获得的时频图，可以通过图像识别方法来识别强信号的边界，更为具体地，可以通过梯度识别方法来识别时频图中强信号的边界。进一步地，可以通过边缘检测来确定时频图中强信号的边界。在一个实施例中，可以将时频图利用二维矩阵表示，该二维矩阵中的值为灰度值(通常为0-255之间的数值，白色为255，黑色为0)。接着，将二维矩阵与边缘检测算子进行卷积运算，来获得目标矩阵B：

B＝A*G (2)

其中，A表示时频图的二维矩阵，G表示sobel边缘检测算子，具体地，

利用公式(2)可以获得目标矩阵

其中，

也即卷积运算，目标矩阵B中的值也为0-255之间的数值。

需要理解的是，sobel边缘检测算子对灰度渐变和噪声较多的图像处理效果较好，并且对边缘定位比较准确。车辆经过振动传感器时，振动传感器测得的振动信号强度是由弱减强再变弱，即时频图中灰度渐变。同时，采用sobel边缘检测算子可以检测沿水平方向上的边缘的变化。由此，利用sobel边缘检测算子可以较为准确的获得强信号的边界。本领域技术人员也可以采用其他例如canny边缘检测算子、prewitt边缘检测算子来进行边缘检测，本公开实施例对此不作限制。

基于上述获得目标矩阵以及目标矩阵中的元素值，可以来确定时频图中的边界。具体地，可以将目标矩阵中同一时间对应的特定元素进行相加以得到滤波向量C＝(c₁ c₂… c_n)，其中，

该滤波向量包括与时间对应的信号强度值(也即时频图的灰度值)。

接着，可以通过设定阈值X从滤波向量中选取有效信号强度值，将这些有效信号强度值作为时频图中强信号的边界的边界点(也即灰度值较大的点)，从而确定强信号的边界。不属于阈值内的元素值很小(也即灰度值较小的点)，作为弱信号的边界。

可以理解，上述滤波向量可以认为是对应于时频图中一个时刻上同一排振动传感器的采集的同一振动源。滤波向量相加后的信号强度值(灰度值)大的作为强信号的边界，此时可以认为在这时刻有车辆的轴。由此，可以通过对强信号的边界进行分析(例如计数)，从而获得车辆的轴数，例如图7所示。图7示出根据本公开实施例的进行卷积后的时频图的示例性示意图。图7是由上述图6进行卷积后的示例性结果图，图中横坐标表示时间，纵坐标表示频率。从该图中可以看出，在t＝1.0-1.5时刻内检测到两个强信号的边界(图7中示例性箭头d指向的白色亮点边界)，也即识别到两个车轴。类似地，在t＝2.0-2.5时刻内检测到三个强信号的边界，也即识别三个车轴。由此，可以获得该车辆为五轴车辆。

结合上述描述可以获得强信号的边界，一个强信号的边界对应于一个车辆的车轴，并且强信号的边界还对应不同的时刻。由此，不同强信号的边界之间的时间差即为车辆的同一个轴经过不同排振动传感器对应的不同强信号的边界之间的时间差，结合车辆的速度从而可以获得车辆的轴间距。

在一个实施场景中，当连续采集振动信号时，车辆经过不同排传感器采集到的同一振动源分别获得对应的强信号的边界，该同一振动源对应的不同强信号的边界的相位不同，也即同一振动源对应的不同强信号的边界之间具有时间差。进一步地，不同排振动传感器之间的距离可以在布置时获得。由此，根据不同强信号的边界之间的时间差以及不同排振动传感器之间的距离可以获得车辆的速度，从而获得车辆的轴间距。可以理解，同一振动源是指车辆的车轴经过每一排传感器时引起的一整排传感器的振动。

根据前文描述可知，本公开实施例只采用振动传感器来采集振动信号，并直接分析振动信号来获取车辆的车型信息(轴数和轴间距)，从而确定车辆的车型。进一步地，本公开实施例通过对振动信号进行时频变换获取时频图，利用图像识别的方法提取时频图中强信号的边界，以便更准确地确定车辆的轴数。同时，更准确的计算车辆的轴间距。更进一步地，本公开实施例只采用振动传感器，使得安装简便，而且节约了成本。

本公开实施例的根据振动信号来确定车辆的车型信息还可以包括：将振动信号输入神经网络模型中，进一步地，该神经网络模型基于输入的振动信号，直接输出车辆的车型。本领域技术人员所知，神经网络通常包括输出层和以及位于该输入层和输出层之间的隐藏层，其中隐藏层可以有多个，例如卷积层、激活层、池化层和全连接层。

图8示出神经网络800的示例性框图。输入层的神经元被称为输入神经元，图中示出3个输入神经元，其接收3个输入信号x1，x2，x3。输入层作为神经网络中的第一层，接受需要输入信号(值)并将它们传递到下一层。通常情况下，输入层不会对输入信号(值)做操作，并且没有关联的权值和偏置。

隐藏层包含用于对输入数据应用不同变换的神经元(节点)。在图8所示出的神经网络中包括了四个隐藏层，即包括4个神经元(节点)的卷积层、4个神经元的激活层、2个神经元的池化层、6个神经元的全连接层。最后，由全连接层的运算值传递给输出层。输出层的神经元被称为输出神经元。输出层接收来自最后一个隐藏层的输出。在图8所示的神经网络中，输出层有2个神经元，有2个输出信号y1和y2。从所示出的隐藏层可以看出，基于特定的隐藏层，每个隐藏层的每一个神经元可以或可以不与下一层的每一个神经元进行连接，例如激活层和池化层的神经元是部分连接，而池化层与全连接层之间是全连接。

下面对于本例中的示例性隐藏层进行简要的描述。需要理解的是这里关于上述各个隐藏层的描述仅仅是示例性的而非限制性的，本公开的技术方案并不受图8所示神经网络隐藏层结构的限制，并且本领域技术人员根据本公开的教导可以对图8所示出的神经网络结构进行修改，例如根据应用的需要增加一个或多个层，或去除图8所示结构中的一个或多个层，而这些操作依然涵盖于本公开所涵盖的技术方案之内。

作为本例中的第一个隐藏层-卷积层，其功能通常是对输入数据进行特征提取，其内部可以包含多个卷积核，组成卷积核的每个元素可以对应于一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。当处理图片数据时，在卷积层中，图片中的每一个特征首先局部感知，然后更高层次地对局部进行综合操作，从而得到全局信息。卷积层参数可以包括卷积核大小、步长和填充，三者共同决定卷积层输出特征图的尺寸，是卷积神经网络的超参数。在应用中，卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，该区域的大小取决于卷积核的大小。卷积核在工作时，会有规律地扫过输入特征，对输入特征做矩阵元素乘法求和(乘加)并叠加偏差量。

接收上述卷积层输出的激活层实际上是对卷积层的输出结果做一次非线性映射。常用的激励函数有：Sigmoid函数、Tanh函数、ReLU函数、Leaky、ReLU函数、ELU函数及Maxout函数等。通过这些激活函数之后，前一层的输出将变得相对复杂，从而提升了神经网络模型的表达能力。

池化层主要用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性。通常，池化方法主要包括最大池化和平均池化。在卷积层进行特征提取并且经激活层处理后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，该步骤可以由池化大小、步长和填充进行控制。

经过前面的卷积+激活+池化后，神经网络的信号处理流程到达全连接层，其位于本例神经网络隐藏层的最后部分。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数输出。全连接层可以对提取的特征进行非线性组合以得到输出，即全连接层本身不被期望具有特征提取能力，而是试图利用现有的高阶特征完成学习目标。另外在全连接层还可以进行局部归一化(LRN)、数据增强等操作，以便增加神经网络的鲁棒性。

尽管在图8中未示出，在神经网络中的每一层处具有与该层关联的一个或多个算子以执行相对应的计算操作。算子在神经网络中是一个函数空间到函数空间上的映射。广义上来讲，对任何函数进行某一项操作都可以认为是一个算子。简言之，算子可以是映射、关系或者变换。例如，对于卷积层(或其他需要执行卷积操作的层)存在卷积算子，该卷积算子可以具体化为一个或多个卷积计算公式的表达。通过利用该卷积算子将输入数据与卷积核进行计算，可以获得卷积操作后的结果值。

为了获得良好的神经网络模型，预先会提供大量的样本数据(包含输入和输出)对初始神经网络进行训练。在本公开实施例中将采集的大量的振动信号和对应的车辆的车型分别作为神经网络的输入和输出，来对初始神经网络进行训练。神经网络的训练过程分为两个阶段，第一阶段是信号的正向处理操作(在本公开中称为“前向传播过程”)，训练从输入层经过隐藏层，最后到达输出层。更为具体地，在前向传播过程中，将输入值输入到神经网络的输入层，经过多个隐藏层的相关算子执行的相应运算，可以从神经网络的输出层得到所谓的预测值的输出。

第二阶段是反向传播梯度操作(在本公开中称为后向传播过程)，训练从输出层到隐藏层，最后到输入层，根据梯度依次调节神经网络中每层的权值和偏置。更为具体地，在反向传播过程中，可以使用微分学的链式法则来对各层的权值进行更新，以期在下一次的前向传播过程中获得相对于前次较低的误差值。

训练完成后，就获得训练后的神经网络。该受训后的神经网络可以对于将来的真实环境的输入给出一个正确的输出，就本公开实施例而言，当有车辆通过时，利用振动传感器获取当前车辆的振动信号，并将其输入训练好的神经网络中，可以直接输出车辆的车型。

在一个实施场景中，本公开实施例也可以直接利用AlexNet网络模型、Resnet网络模型或者VGG网络模型。其中，AlexNet网络模型中的隐藏层包括5个卷积层和3个全连接层，并在全连接层后面加入Dropout层，以便减少模型的过拟合问题。VGG网络模型相对于AlexNet网络模型，采用了较小卷积核(例如3*3)来代替AlexNet网络模型中的较大卷积核(例如11*11，5*5)。Resnet网络模型与VGG网络模型类似，采用3*3大小的卷积核，并在VGG网络模型的基础上通过短路连接插入(也即在输入和输出直接建立一个直接连接)，从而形成残差网络。本领域技术人员可以根据需要选择任意神经网络模型，本公开对此不作限制。

图9示出根据本公开实施例的确定车辆的车型的系统900的示例性结构框图。该系统900包括振动传感器901和数据单元902。其中，振动传感器901用于感测车辆在行进过程中的振动信号。数据处理单元902用于根据振动信号来确定车辆的车型信息。进一步地，将振动信号进行时频变换以获得时频图，通过对时频图进行边缘检测获得强信号的边界。更进一步地，通过对强信号的边界进行分析获得车辆的车型。

在一个实施例中，振动传感器至少包括加速度传感器、速度传感器、位移传感器中的一种或者多种。振动传感器可以设置在行驶路面或者路侧，例如图10所示。

图10示出根据本公开实施例的振动传感器的布局的示例性示意图。在沿车辆行驶方向上的道路基础6上，与车辆行驶方向垂直布置有四排振动传感器7，每排振动传感器示出四个振动传感器。同时，在沿车辆行驶方向上的道路基础6两侧也布置有振动传感器7，两侧各示出三个振动传感器。在沿车辆行驶方向上的道路基础6上布置的振动传感器的前后处分别安装有前置线圈8和后置线圈9，其用于分离车辆。在一个实施例中，振动传感器可以包括加速度传感器、速度传感器和/或位移传感器中的一种或者多种。

在一个实施场景中，振动传感器在安装时，可以通过预制或者灌封于道路基础内，道路基础在制作时预先安装该振动传感器(也即振动传感器预制于路面板块内)，并且通过固定支架固定于道路基础内。该固定支架的强度远远小于道路基础的强度。在本公开实施例中，固定支架仅仅起到辅助振动传感器定位以及在浇筑时固定振动传感器的作用。

道路基础在制作好之后通过开槽、灌封等方式后期安装有振动传感器(也即传感器灌封于路面板块内)，并且通过固定支架固定于道路基础内。具体地，首先在道路基础上开设多个切槽，接着将振动传感器通过固定支架固定于切槽内，并且在固定支架的表面开始灌封有灌封材料直至与路面切槽平齐。

在另一个实施场景中，振动传感器可以通过安装装置(图中未示出)设置在道路基础两侧，该安装装置包括立杆、龙门架和L杆中的一种。

需要理解的是，振动传感器在道路基础的深度会影响振动传感器对振动信号的可检测距离。通常，超出可检测距离时，振动传感器无法检测或者产生较大误差。由此，在一些实施例中，可以根据振动传感器的深度来调整每个振动传感器的位置以及振动传感器数量，以便保证多个振动传感器产生的相关信号的一致性，从而获得更准确的振动信号。本公开对振动传感器的嵌入深度、位置及数量不作限制。此外，本公开实施例中的每排振动传感器也可以不与车辆行驶方向垂直，并且振动传感器可以只布置在道路基础中或者只布置在路侧，本领域技术人员可以根据需求来进行布局，本发明对此不作限制。

本公开实施例只采用振动传感器，相比于传统的识别车辆车型的装置而言，不受天气或者光线的影响，同时，振动传感器的安装也不受限，而且安装方便简单。进一步地，本公开实施例只采用振动传感器，使得用于识别车辆的车型的成本较低。

应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。

应当理解，本公开的权利要求、说明书及附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象，而不是用于描述特定顺序。本公开的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在此本公开说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本公开。如在本公开说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本公开说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

虽然本文已经示出和描述了本披露的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式来提供。本领域技术人员可以在不偏离本披露思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本披露的过程中，可以采用对本文所描述的本披露实施例的各种替代方案。所附权利要求书旨在限定本披露的保护范围，并因此覆盖这些权利要求范围内的等同或替代方案。

Claims (11)

1.一种确定车辆的车型的方法，包括：

通过振动传感器来感测所述车辆在行进过程中的振动信号；

根据所述振动信号来确定所述车辆的车型信息。

2.根据权利要求1所述的方法，其中，根据所述振动信号来确定所述车辆的车型信息包括：

根据所述振动信号确定车辆的轴数和车辆的轴间距，确定车辆的车型信息。

3.根据权利要求2所述的方法，其中，根据所述振动信号确定车辆的轴数包括：

将时域的振动信号进行时频变换，以得到时频图；

通过边缘检测来确定所述时频图中强信号的边界；以及

通过对所述时频图中强信号的边界进行分析，确定所述车辆的轴数。

4.根据权利要求3所述的方法，其中，通过边缘检测来确定所述时频图中强信号的边界包括：

将所述时频图的二维矩阵与边缘检测算子进行卷积运算，以得到目标矩阵；以及

基于所述目标矩阵中的元素值来确定所述时频图中强信号的边界。

5.根据权利要求4所述的方法，其中，基于所述目标矩阵中的元素值来确定所述时频图中强信号的边界包括：

将所述目标矩阵中同一时间对应的特定元素相加以得到滤波向量，所述滤波向量包括与时间对应的信号强度值；以及

根据设定的阈值从所述滤波向量的元素值中选取有效信号强度值，以作为所述时频图中强信号的边界的边界点，以便确定所述强信号的边界。

6.根据权利要求3-5中任意一项所述的方法，其中，根据所述振动信号确定车辆的轴间距包括：

根据所述车辆的速度与所述时频图中不同强信号的边界之间的时间差，确定车辆的轴间距。

7.根据权利要求6中所述的方法，其中，基于以下确定所述车辆的速度：

获取所述时频图中不同排振动传感器感测到同一振动源对应的不同强信号的边界之间的时间差；以及

根据该时间差与不同排振动传感器之间的距离来确定车辆的速度。

8.根据权利要求3所述的方法，其中，所述的根据所述的振动信号来确定所述车辆的车型信息还包括：

将所述时频图输入到神经网络模型；以及

所述神经网络模型基于该输入，输出车辆的轴数。

9.一种确定车辆的车型的系统，包括：

振动传感器，用于感测所述车辆在行进过程中的振动信号；以及

数据处理单元，用于根据所述振动信号来确定所述车辆的车型信息。

10.根据权利要求9所述的系统，其中，所述振动传感器至少包括加速度传感器、速度传感器、位移传感器中的一种或者多种。

11.根据权利要求10所述的系统，其中，

所述振动传感器被设置在所述车辆的行驶路面上，优选地，被设置为与路面平齐；和/或

所述振动传感器通过安装装置设置在所述车辆行驶方向的路侧，优选地，所述安装装置包括立杆、龙门架和L杆中的一种。

Images