CN114881156B - 一种w型地磁阵列的多传感器融合决策车辆检测方法 - Google Patents

一种w型地磁阵列的多传感器融合决策车辆检测方法 Download PDF

Info

Publication number
CN114881156B
CN114881156B CN202210533167.9A CN202210533167A CN114881156B CN 114881156 B CN114881156 B CN 114881156B CN 202210533167 A CN202210533167 A CN 202210533167A CN 114881156 B CN114881156 B CN 114881156B
Authority
CN
China
Prior art keywords
data
geomagnetic
model
representing
parking space
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.)
Active
Application number
CN202210533167.9A
Other languages
English (en)
Other versions
CN114881156A (zh
Inventor
武畅
张莹
吴鹏
袁翼飞
孔孝童
杨森林
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202210533167.9A priority Critical patent/CN114881156B/zh
Publication of CN114881156A publication Critical patent/CN114881156A/zh
Application granted granted Critical
Publication of CN114881156B publication Critical patent/CN114881156B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/251—Fusion techniques of input or preprocessed data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/14—Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/145—Traffic control systems for road vehicles indicating individual free spaces in parking areas where the indication depends on the parking areas
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种W型地磁阵列的多传感器融合决策车辆检测方法，属于车辆检测领域，该方法包括对车位进行编号，并进行W型无线地磁传感器阵列布局，将车位状态进行划分，并进行各状态地磁数据采集，对采集的地磁数据进行预处理后分别输入车位状态检测深度学习模型和车位编号检测深度学习模型，对其进行分类损失计算，通过反向传播更新神经网络参数，完成模型训练，两个模型都训练完成之后，输出最终的车位状态检测结果和车位编号检测结果。本发明提出一种W型传感器阵列，并提出一种基于深度学习模型的多传感器融合决策车辆检测算法，在实际场景中的测试表明本算法不仅可以有效排除邻近车位等干扰，相比于传统算法所使用的传感器数量也大幅度减少，更易于在大型停车场中布局实践。

Description

一种W型地磁阵列的多传感器融合决策车辆检测方法
技术领域
本发明属于车辆检测技术领域，具体涉及一种W型地磁阵列的多传感器融合决策车辆检测方法。
背景技术
随着城市机动车数量爆炸式增长，大型停车场内的调度管理需要更加及时和准确，车辆检测技术在其中起到了至关重要的作用。由于地磁传感器具有低成本、易安装等特点，目前许多研究人员都基于地磁传感器开展车辆检测算法的研究。但大部分研究为手动提取信号特征，通过地磁信号的电位差进行判断，检测时易受到环境影响，而且传感器布局在各车位的中间，不能很好地排除邻近车位的干扰。本发明提出一种W型传感器阵列，并提出一种基于深度学习模型的多传感器融合决策车辆检测算法，在实际场景中的测试表明本算法不仅可以有效排除邻近车位等干扰，相比于传统算法所使用的传感器数量也大幅度减少，更易于在大型停车场中布局实践。
发明内容
针对现有技术中的上述不足，本发明提出一种W型地磁传感器阵列的多传感器融合决策的车辆检测算法，能够大量减少传感器的部署成本，有效排除邻近车位干扰。
为了达到上述发明目的，本发明采用的技术方案为：一种W型地磁传感器阵列的多传感器融合决策的车辆检测算法，包括以下步骤：
S1：对车位进行编号，并进行W型无线地磁传感器阵列布局；
S2：将车位状态进行划分，由无线地磁传感器节点进行各状态地磁数据采集；
S3：对采集到的地磁数据进行时间同步、偏移纠正、缺失值填充、滤波等预处理；
S4：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位状态检测的深度学习模型；
S5：判断模型是否已完成训练；若模型未完成训练，则进入步骤S6；否则进入步骤S7；
S6：模型未完成训练，则将模型预测的车位状态标签与真实车位状态标签传入二分类交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S4；
S7：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位编号检测的深度学习模型；
S8：判断模型是否已完成训练；若模型未完成训练，则进入步骤S9；否则进入步骤S10；
S9：模型未完成训练，则将模型预测的车位编号标签与真实车位编号标签传入交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S7；
S10：两个模型均已完成训练，分别获得最终的车位状态检测结果和车位编号检测结果。
进一步地，步骤S1包括以下子步骤：
S101：对于两排车位，分排从左至右对车位进行编号，第一排车位编号为[1,NP]，第二排车位编号为[NP+1,2NP]；
S102：将无线地磁传感器节点按照W型阵列部署在车位边界上，具体方式为：所有节点均部署在车位侧边界中点上，同一排车位上的节点间隔两个车位进行部署，两排车位上的节点排间整体偏移一个车位，形成W型阵列布局。
上述进一步方案的有益效果是：这种部署方式可以帮助改善误判情况，并且大幅度减少了大型停车场的部署管理以及运行维护成本，n个传感器可对2(n-1)个车位进行监测，同时仍然能够有效采集到各车位的信号变化。
进一步地，步骤S2包括以下子步骤：
S201：将车位状态分为空闲和占用两类，空闲标签为0，占用标签为1；
S202：利用无线地磁传感器阵列对每个车位进行各车位状态地磁数据采集。
更进一步地，步骤S202包括以下子步骤：
S2021：进行静态数据采集。对于空闲0状态，在车位无车的场景下进行一段时间数据采集。对于占用1状态，在车位有车的场景下进行一段时间数据采集；
S2022：进行动态数据采集。分别对于停车与出车过程进行一段时间数据采集，数据中包含停车与出车过程中状态0和状态1的变化情况。
进一步地，步骤S3包括以下子步骤：
S301：时间同步。将多个传感器接收到的数据按列拼接，增加输入数据的维度，拼接融合成一张表。在数据包最后设置了两个字节用于指示该数据包的序号pckCnt，开机后周期性地采集数据，一个数据包采集完成后序号加一，可以更准确地将时间与状态一一对应。在对齐各传感器数据时首先根据pckCnt对各传感器数据表进行排序以及去重处理；然后指定一个统一的起始采集时间，各传感器将该时刻对应的数据包作为起始数据包，并删除之前的数据；以各起始包对应的最小序号作为pckCnt_base调整各传感器的序号，统一各传感器的起始序号为pckCnt_base；在保证本表中数据顺序不变的情况下，后面数据的序号也依次作相应的调整；由于一个数据包中包含了十次测量数据，再对这十次测量编号为m，m的范围为[0,9]，新序号为10*pckCnt+m。调整完后各数据表第一行记录的便是同一时刻的地磁数据，此时以调整后各表的pckCnt列为参考连接各表；
S302：基线偏移纠正。将无车状态下数据的平均值作为基线，所有数据均减去对应基线；
S303：对网络丢包造成的缺失值进行填充。缺失值使用邻近数据的平均值来填充，具体方法为向前寻找最近20个不为缺失值的数据，并向后寻找20个不为缺失值的数据，求这40个数据的平均值作为填充值。数据表头20行以及尾20行如果出现缺失值，则直接采用本列数据的均值进行填充；
S304：对地磁数据进行滑动均值滤波，滤波原理如下：
Figure BDA0003640575160000041
其中，N是滑动均值滤波窗口大小，M(k)是原始地磁数据，A(k)是滤波后的地磁数据。
进一步地，步骤S4包括以下子步骤：
S401：对输入数据进行归一化处理，按照如下算式进行：
Figure BDA0003640575160000042
其中，A'表示经过归一化处理后的地磁数据；A表示归一化处理前的地磁数据；
Figure BDA0003640575160000043
表示输入地磁数据的平均值；σ(A)表示输入地磁数据的标准差；
S402：将归一化后的数据传入RNN网络，获得时序抽象特征，具体过程如下：
Ot＝g(V·St)
其中，Ot是t时刻RNN网络的输出，St是t时刻隐藏层的输出，V表示隐藏层到输出层的权重矩阵。St通过下式获得：
St＝f(U·A't+W·St-1)
A't表示t时刻的输入地磁数据；St-1代表t-1时刻隐藏层的输出；U表示输入层到隐藏层的权重矩阵；W表示隐藏层之间的权重矩阵。
S403：将获得的时序抽象特征传入Dropout层，按照伯努利分布以70％的概率随机选择输入数据的一些元素归零，防止网络在训练后期发生过拟合。
S404：将时序特征传入两层全连接层，并将特征转换为分类结果，具体过程如下式所示：
f1＝W1·tanh(Ot)+b1
Figure BDA0003640575160000051
其中，f1表示第一层全连接层的输出；W1表示第一层全连接层的权重矩阵；tanh表示tanh激活函数；b1表示第一层全连接层的偏置；
Figure BDA0003640575160000052
表示全连接层的输出，为各输入样本的车位状态分类结果；W2表示第二层全连接层的权重矩阵；relu表示relu激活函数；b2表示第二层全连接层的偏置。
进一步地，所述步骤S6中，二分类交叉熵损失函数如下所示：
ln＝-(yn*log(δ(zn))+(1-yn)*log(1-δ(zn)))
其中ln表示第n个样本的损失值；yn表示第n个样本的车位状态标签；zn表示预测第n个样本为正例的概率；δ表示sigmoid函数。
进一步地，步骤S7包括以下子步骤：
S701：对输入数据进行归一化处理，按照如下算式进行：
Figure BDA0003640575160000053
其中，A'表示经过归一化处理后的地磁数据；A表示归一化处理前的地磁数据；
Figure BDA0003640575160000061
表示输入地磁数据的平均值；σ(A)表示输入地磁数据的标准差；/>
S702：将输入数据传入一层全连接层，将特征维度转换为d_model，d_model是encoder层设定的特征维度，设置为64；
S703：将数据进行位置编码处理，具体过程如下所示：
Figure BDA0003640575160000062
Figure BDA0003640575160000063
其中，PE为对应样本的位置编码结果；pos为样本所在序列的位置；2i和2i+1表示位置编码的维度信息，i的取值范围是[0,d_model/2)。位置编码后样本的维度依然为d_model，可以直接与经维度转换后的输入样本相加；
S704：将经过位置编码后的样本输入TransformerEncoder结构，TransformerEncoder的层数设置为3，多头注意力机制设置为4；
S705：TransformerEncoder的输出数据尺寸为(N,S,d_model)，其中N代表每一个batch中样本的个数，S表示样本序列的长度，在样本序列维度上对输出数据求平均值，将尺寸变换为(N,d_model)；
S706：将变换尺寸后的输出数据传入两层全连接层，并将输出数据转换为样本分类结果，具体过程如下所示：
Figure BDA0003640575160000064
Figure BDA0003640575160000065
其中，g1表示第一层全连接层的输出；
Figure BDA0003640575160000066
表示第一层全连接层的权重矩阵；/>
Figure BDA0003640575160000067
表示输出数据；/>
Figure BDA0003640575160000068
表示第一层全连接层的偏置；/>
Figure BDA0003640575160000069
表示全连接层的输出，为各输入样本的车位编号分类结果；/>
Figure BDA00036405751600000610
表示第二层全连接层的权重矩阵；relu表示relu激活函数；/>
Figure BDA00036405751600000611
表示第二层全连接层的偏置。
进一步地，所述步骤S9中，交叉熵损失函数如下所示：
Figure BDA00036405751600000612
其中
Figure BDA0003640575160000071
表示第n个样本的损失值；/>
Figure BDA0003640575160000072
表示第n个样本的车位编号标签；/>
Figure BDA0003640575160000073
表示预测第n个样本为正例的概率。
本发明的有益效果是：本发明提出一种适用于大型停车场的车辆检测算法，结合W型地磁无线传感器网络和多传感器融合决策的深度学习模型，可以在保证检测准确率的前提下大幅度减少安装维护成本。相比于传统的‘一对一’布局方式，相同场景下本算法所需要的传感器数量仅为传统算法的一半左右，检测准确率最高可达95％。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例中W型地磁传感器阵列示意图；
图3为本发明实施例车位状态检测模型学习曲线图；
图4为本发明实施例车位状态序列分类结果的混淆矩阵图。
图5为本发明实施测试集数据的实际状态标签和状态分类结果图。
图6为本发明实施例车位编号检测模型学习曲线图；
图7为本发明实施例车位编号序列分类结果的混淆矩阵图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了出一种基于W型地磁传感器阵列的多传感器融合决策的车辆检测算法，包括以下步骤：
S1：对车位进行编号，并进行W型无线地磁传感器阵列布局，其实现方法如下：
S101：对于两排车位，分排从左至右对车位进行编号，第一排车位编号为[1,NP]，第二排车位编号为[NP+1,2NP]；
S102：将无线地磁传感器节点按照W型阵列部署在车位边界上，具体方式为：所有节点均部署在车位侧边界中点上，同一排车位上的节点间隔两个车位进行部署，两排车位上的节点排间整体偏移一个车位，形成W型阵列布局。
本实施例中，对于两排车位采用W型地磁传感器阵列布局，如图2所示。传统布局方式为每一个车位部署一个地磁传感器在车位中间，相邻车位上车辆的行为对于本车位传感器也具有一定的影响，信号的波动趋势基本一致。如果没有选取合适的阈值或增加其他判别条件，很容易造成误判。本实施例中的部署方式可以帮助改善误判情况，并且大幅度减少了大型停车场的部署管理以及运行维护成本，n个传感器可对2(n-1)个车位进行监测，同时仍然能够有效采集到各车位的信号变化。
S2：将车位状态进行划分，由无线地磁传感器节点进行各状态地磁数据采集，其实现方法如下：
S201：将车位状态分为空闲和占用两类，空闲标签为0，占用标签为1；
S202：利用无线地磁传感器阵列对每个车位进行各车位状态地磁数据采集，其实现方法如下：
S2021：进行静态数据采集。对于空闲0状态，在车位无车的场景下进行一段时间数据采集。对于占用1状态，在车位有车的场景下进行一段时间数据采集；
S2022：进行动态数据采集。分别对于停车与出车过程进行一段时间数据采集，数据中包含停车与出车过程中状态0和状态1的变化情况。
S3：对采集到的地磁数据进行时间同步、偏移纠正、缺失值填充、滤波等预处理，其实现方法如下：
S301：时间同步。将多个传感器接收到的数据按列拼接，增加输入数据的维度，拼接融合成一张表。在数据包最后设置了两个字节用于指示该数据包的序号pckCnt，开机后周期性地采集数据，一个数据包采集完成后序号加一，可以更准确地将时间与状态一一对应。在对齐各传感器数据时首先根据pckCnt对各传感器数据表进行排序以及去重处理；然后指定一个统一的起始采集时间，各传感器将该时刻对应的数据包作为起始数据包，并删除之前的数据；以各起始包对应的最小序号作为pckCnt_base调整各传感器的序号，统一各传感器的起始序号为pckCnt_base；在保证本表中数据顺序不变的情况下，后面数据的序号也依次作相应的调整；由于一个数据包中包含了十次测量数据，再对这十次测量编号为m，m的范围为[0,9]，新序号为10*pckCnt+m。调整完后各数据表第一行记录的便是同一时刻的地磁数据，此时以调整后各表的pckCnt列为参考连接各表；
S302：基线偏移纠正。将无车状态下数据的平均值作为基线，所有数据均减去对应基线；
S303：对网络丢包造成的缺失值进行填充。缺失值使用邻近数据的平均值来填充，具体方法为向前寻找最近20个不为缺失值的数据，并向后寻找20个不为缺失值的数据，求这40个数据的平均值作为填充值。数据表头20行以及尾20行如果出现缺失值，则直接采用本列数据的均值进行填充；
S304：对地磁数据进行滑动均值滤波，滤波原理如下：
Figure BDA0003640575160000101
其中，N是滑动均值滤波窗口大小，M(k)是原始地磁数据，A(k)是滤波后的地磁数据。
S4：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位状态检测的深度学习模型；
本实施例中，考虑车辆停入和驶出车位的过程中采集到的地磁信号是前后相关联的连续时间序列，车位状态改变时必然会伴随着信号的上升或下降，因此本专利采用循环神经网络模型来进行车位状态的分类。具体步骤如下：
S401：对输入数据进行归一化处理，按照如下算式进行：
Figure BDA0003640575160000102
其中，A'表示经过归一化处理后的地磁数据；A表示归一化处理前的地磁数据；
Figure BDA0003640575160000103
表示输入地磁数据的平均值；σ(A)表示输入地磁数据的标准差；
S402：将归一化后的数据传入RNN网络，获得时序抽象特征，具体过程如下：
Ot＝g(V·St)
其中，Ot是t时刻RNN网络的输出，St是t时刻隐藏层的输出，V表示隐藏层到输出层的权重矩阵。St通过下式获得：
St＝f(U·A't+W·St-1)
A't表示t时刻的输入地磁数据；St-1代表t-1时刻隐藏层的输出；U表示输入层到隐藏层的权重矩阵；W表示隐藏层之间的权重矩阵。
S403：将获得的时序抽象特征传入Dropout层，按照伯努利分布以70％的概率随机选择输入数据的一些元素归零，防止网络在训练后期发生过拟合。
S404：将时序特征传入两层全连接层，并将特征转换为分类结果，具体过程如下式所示：
f1＝W1·tanh(Ot)+b1
Figure BDA0003640575160000111
其中，f1表示第一层全连接层的输出；W1表示第一层全连接层的权重矩阵；tanh表示tanh激活函数；b1表示第一层全连接层的偏置；
Figure BDA0003640575160000112
表示全连接层的输出，为各输入样本的分类结果；W2表示第二层全连接层的权重矩阵；relu表示relu激活函数；b2表示第二层全连接层的偏置。
S5：判断模型是否已完成训练；若模型未完成训练，则进入步骤S6；否则进入步骤S7；
S6：模型未完成训练，则将模型预测的车位状态标签与真实车位状态标签传入二分类交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S4；
在本实施例中，所述步骤S6中，二分类交叉熵损失函数如下所示：
ln＝-(yn*log(δ(zn))+(1-yn)*log(1-δ(zn)))
其中ln表示第n个样本的损失值；yn表示第n个样本的车位状态标签；zn表示预测第n个样本为正例的概率；δ表示sigmoid函数。
S7：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位编号检测的深度学习模型；
在本实施例中，在实际训练过程中RNN容易产生梯度爆炸和梯度消失的问题。训练时梯度不能在较长序列中一直传递下去，从而使得RNN无法捕捉到长距离的影响。而且由于RNN的顺序性结构，使其不能并行输出，处理较长序列时的运行效率也将会大大降低。Self-Attention机制可以考虑整个序列对某一时刻的输出的影响，即使输入向量之间间隔了较长的距离，也不会丢失相应信息。同一车位具有两种不同的状态，但不管状态如何，车位编号始终不会改变，因此同一车位对应的数据序列更长，不适用于RNN结构。本专利采用依赖于Self-Attention机制的Transformer架构实现车位编号的分类。具体实现方法如下：
S701：对输入数据进行归一化处理，按照如下算式进行：
Figure BDA0003640575160000121
其中，A'表示经过归一化处理后的地磁数据；A表示归一化处理前的地磁数据；
Figure BDA0003640575160000122
表示输入地磁数据的平均值；σ(A)表示输入地磁数据的标准差；
S702：将输入数据传入一层全连接层，将特征维度转换为d_model，d_model是encoder层设定的特征维度，设置为64；
S703：将数据进行位置编码处理；
在本实施例中，在矩阵运算的过程中，序列中的输入向量都并行做一样的运算，没有考虑输入向量在序列中的位置，而整段停车或驶出车位的过程中采集到的地磁信号顺序不能改变。鉴于此本算法使用了位置编码技术，对每个输入向量增加了位置信息后再输入网络，隐藏层能更完整准确地利用整个序列的信息输出结果。具体过程如下所示：
Figure BDA0003640575160000123
/>
Figure BDA0003640575160000124
其中，PE为对应样本的位置编码结果；pos为样本所在序列的位置；2i和2i+1表示位置编码的维度信息，i的取值范围是[0,d_model/2)。位置编码后样本的维度依然为d_model，可以直接与经维度转换后的输入样本相加；
S704：将经过位置编码后的样本输入TransformerEncoder结构，TransformerEncoder的层数设置为3，多头注意力机制设置为4；
S705：TransformerEncoder的输出数据尺寸为(N,S,d_model)，其中N代表每一个batch中样本的个数，S表示样本序列的长度，在样本序列维度上对输出数据求平均值，将尺寸变换为(N,d_model)；
S706：将变换尺寸后的输出数据传入两层全连接层，并将输出数据转换为样本分类结果，具体过程如下所示：
Figure BDA0003640575160000131
Figure BDA0003640575160000132
其中，g1表示第一层全连接层的输出；
Figure BDA0003640575160000133
表示第一层全连接层的权重矩阵；/>
Figure BDA0003640575160000134
表示输出数据；/>
Figure BDA0003640575160000135
表示第一层全连接层的偏置；/>
Figure BDA0003640575160000136
表示全连接层的输出，为各输入样本的车位编号分类结果；/>
Figure BDA0003640575160000137
表示第二层全连接层的权重矩阵；relu表示relu激活函数；/>
Figure BDA0003640575160000138
表示第二层全连接层的偏置。
S8：判断模型是否已完成训练；若模型未完成训练，则进入步骤S9；否则进入步骤S10；
S9：模型未完成训练，则将模型预测的车位编号标签与真实车位编号标签传入交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S7；
在本实施例中，所述步骤S9中，交叉熵损失函数如下所示：
Figure BDA0003640575160000139
其中
Figure BDA00036405751600001310
表示第n个样本的损失值；/>
Figure BDA00036405751600001311
表示第n个样本的车位编号标签；/>
Figure BDA00036405751600001312
表示预测第n个样本为正例的概率。
对于步骤S4-S6和步骤S7-S9的执行先后顺序，本实施例中不做限定，图1中以顺序执行为例，也可以并行执行。
S10：两个模型均已完成训练，分别获得最终的车位状态检测结果和车位编号检测结果。
本实施例中，对于本发明提出的一种基于W型地磁阵列的车辆检测方法进行实际场景测试。测试场景为两排8个停车位，将5个传感器节点按照图2所示的W型阵列部署无线传感器网络。分别对八个车位采集数据，数据采集过程分为静态和动态数据采集，静态数据采集分为状态0数据采集和状态1数据采集，动态数据采集10次完整的车辆停入及驶出过程，即从状态0经状态1再恢复到状态0。原始数据首先经预处理剔除无效数据并滤除大部分噪声，再从10次完整过程中选取3次作为测试集数据，3次作为验证集数据。划分验证集时数据的分布要与训练集保持基本一致，以免影响训练效果。划分完成后训练集数据共32400条，验证集数据共3240条，测试集数据共3780条。
本实施例中，对于车位状态分类，图3为RNN网络训练过程中随着迭代次数增加损失值以及准确率的变化曲线，经过38次迭代后训练停止，耗时5.5分钟。由于网络结构较为简单，前8次迭代时模型收敛较快，损失值下降迅速。但在之后的训练过程中，测试集损失值仍然保持下降趋势，而验证集的损失值逐渐趋于稳定并且有略微回升的趋势，说明模型在此刻正接近于过拟合状态，而使用早停策略可以有效防止模型过拟合。
图4为车位状态序列分类结果的混淆矩阵.总体的分类准确率为91.5873％，查准率为93.48％，查全率为91.95％，说明模型对于正负样本的区分能力都较强。图5显示了测试集数据的实际状态标签和状态分类结果。测试集共有3780条数据，包含了24次停车行为和24次驶出行为。针对行为检测结果进行分析，可以看出车辆停车行为和驶出行为都能被检测到，只是检测到的时间和实际时间略有出入。统计测试集输出结果文件，一共检测到了25次车辆停车行为，24次驶出行为，总体检测准确率为97.96％，检测到状态变化的时刻与实际时刻的平均误差为1.42s。
在实际应用中，只要序列中大部分数据都被判定为同一状态，便能确定整个序列的状态，因此行为检测准确率较图6的实验结果会有所提升。
对于车位编号分类，图6为训练过程中随着迭代次数增加损失值以及准确率的变化曲线，经过140次迭代后训练停止，耗时63分钟。可以看到前20次迭代时模型收敛速度较快，损失值迅速下降，准确率随之快速上升；在第20次到第40次迭代之间收敛速度放缓，并且伴随着较小的波动；后续训练过程中损失值下降的速度放缓并逐渐趋于稳定，且训练集和验证集的曲线逐渐拟合，说明模型训练地较为理想。
图7为以百分比形式显示的车位编号分类结果混淆矩阵，在所选的八个车位中，车位编号分类的总体准确率为95.2381％，观察混淆矩阵发现，每一类别的准确率也都保持在90％以上，可以较为准确地分辨出数据对应的车位。
本实验使用五个传感器进行八个车位的状态检测，实际结果需要结合状态分类和编号分类进行判别，因此实际准确率为车位状态准确率和编号准确率的乘积，为93.29％。在表1中统计了本发明提出的车辆检测算法与传统AMID车辆检测算法间的性能，以检测准确率作为评价指标。
表1
算法 检测准确率
传统AMID 97.5％
本发明算法 93.29％
基于上述实验结果分析，证明本发明所提出的车辆检测算法在大幅减少了所需传感器的数量的情况下，仍然达到了与传统算法相近的准确率。

Claims (5)

1.一种W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，包括以下步骤：
S1：对车位进行编号，对于两排车位，分排从左至右对车位进行编号，第一排车位编号为[1,NP]，第二排车位编号为[NP+1,2NP]；将无线地磁传感器节点按照W型阵列部署在车位边界上，具体方式为：所有节点均部署在车位侧边界中点上，同一排车位上的节点间隔两个车位进行部署，两排车位上的节点排间整体偏移一个车位，形成W型无线地磁传感器阵列布局；
S2：将车位状态进行划分，分为空闲和占用两类，空闲标签为0，占用标签为1，由无线地磁传感器节点利用无线地磁传感器阵列对每个车位进行各车位状态地磁数据采集；
S3：对采集到的地磁数据进行时间同步、偏移纠正、缺失值填充、滤波预处理；
S4：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位状态检测的深度学习模型，首先对输入数据进行归一化处理，按照如下算式进行：
Figure FDA0004153941840000011
其中，A'表示经过归一化处理后的地磁数据；A表示归一化处理前的地磁数据；
Figure FDA0004153941840000012
表示输入地磁数据的平均值；σ(A)表示输入地磁数据的标准差；再将归一化后的地磁数据传入RNN网络，获得时序抽象特征，具体过程如下：
Ot＝g(V·St)
其中，Ot是t时刻RNN网络的输出，St是t时刻隐藏层的输出，V表示隐藏层到输出层的权重矩阵，其中St通过下式获得：
St＝f(U·A't+W·St-1)
A't表示t时刻的输入地磁数据；St-1代表t-1时刻隐藏层的输出；U表示输入层到隐藏层的权重矩阵；W表示隐藏层之间的权重矩阵；将获得的时序抽象特征传入Dropout层，按照伯努利分布以70％的概率随机选择输入数据的一些元素归零，防止网络在训练后期发生过拟合；将时序特征传入两层全连接层，并将特征转换为分类结果，具体过程如下式所示：
f1＝W1·tanh(Ot)+b1
Figure FDA0004153941840000021
其中，f1表示第一层全连接层的输出；W1表示第一层全连接层的权重矩阵；tanh表示tanh激活函数；b1表示第一层全连接层的偏置；
Figure FDA0004153941840000022
表示全连接层的输出，为各输入样本的车位状态分类结果；W2表示第二层全连接层的权重矩阵；relu表示relu激活函数；b2表示第二层全连接层的偏置；
S5：判断模型是否已完成训练；若模型未完成训练，则进入步骤S6；否则进入步骤S7；
S6：模型未完成训练，则将模型预测的车位状态标签与真实车位状态标签传入二分类交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S4；
S7：将经过预处理后的地磁数据作为模型训练过程的输入，传入进行车位编号检测的深度学习模型，首先对输入数据进行归一化处理，按照如下算式进行：
Figure FDA0004153941840000023
将输入数据传入一层全连接层，将特征维度转换为d_model，d_model是encoder层设定的特征维度，设置为64；将数据进行位置编码处理，具体过程如下所示：
PE(pos,2i)＝sin(pos/100002i/d_model)
PE(pos,2i+1)＝cos(pos/100002i/d_model)
其中，PE为对应样本的位置编码结果；pos为样本所在序列的位置；2i和2i+1表示位置编码的维度信息，i的取值范围是[0,d_model/2)，位置编码后样本的维度依然为d_model，直接与经维度转换后的输入样本相加；将经过位置编码后的样本输入TransformerEncoder结构，TransformerEncoder的层数设置为3，多头注意力机制设置为4；TransformerEncoder的输出数据尺寸为(N,S,d_model)，其中N代表每一个batch中样本的个数，S表示样本序列的长度，在样本序列维度上对输出数据求平均值，将尺寸变换为(N,d_model)；将变换尺寸后的输出数据传入两层全连接层，并将输出数据转换为样本分类结果，具体过程如下所示：
Figure FDA0004153941840000031
Figure FDA0004153941840000032
其中，g1表示第一层全连接层的输出；
Figure FDA0004153941840000033
表示第一层全连接层的权重矩阵；/>
Figure FDA0004153941840000034
表示输出数据；/>
Figure FDA0004153941840000035
表示第一层全连接层的偏置；/>
Figure FDA0004153941840000036
表示全连接层的输出，为各输入样本的车位编号分类结果；/>
Figure FDA0004153941840000037
表示第二层全连接层的权重矩阵；/>
Figure FDA0004153941840000038
表示第二层全连接层的偏置；
S8：判断模型是否已完成训练；若模型未完成训练，则进入步骤S9；否则进入步骤S10；
S9：模型未完成训练，则将模型预测的车位编号标签与真实车位编号标签传入交叉熵损失函数，计算分类损失，并通过反向传播更新神经网络参数，继续模型训练，进入步骤S7；
S10：两个模型均已完成训练，分别获得最终的车位状态检测结果和车位编号检测结果。
2.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S2包括以下子步骤：
S201：进行静态数据采集，对于空闲0状态，在车位无车的场景下进行一段时间数据采集；对于占用1状态，在车位有车的场景下进行一段时间数据采集；
S202：进行动态数据采集，分别对于停车与出车过程进行一段时间数据采集，数据中包含停车与出车过程中状态0和状态1的变化情况。
3.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S3包括以下子步骤：
S301：时间同步，将多个传感器接收到的数据按列拼接，增加输入数据的维度，拼接融合成一张表；在数据包最后设置了两个字节用于指示该数据包的序号pckCnt，开机后周期性地采集数据，一个数据包采集完成后序号加一，由此更准确地将时间与状态一一对应；在对齐各传感器数据时首先根据pckCnt对各传感器数据表进行排序以及去重处理；然后指定一个统一的起始采集时间，各传感器将该起始采集时间对应的数据包作为起始数据包，并删除之前的数据；以各起始包对应的最小序号作为pckCnt_base调整各传感器的序号，统一各传感器的起始序号为pckCnt_base；在保证本表中数据顺序不变的情况下，后面数据的序号也依次作相应的调整；由于一个数据包中包含了十次测量数据，再对这十次测量编号为m，m的范围为[0,9]，新序号为10*pckCnt+m；调整完后各数据表第一行记录的便是同一时刻的地磁数据，此时以调整后各表的pckCnt列为参考连接各表；
S302：基线偏移纠正，将无车状态下数据的平均值作为基线，所有数据均减去对应基线；
S303：对网络丢包造成的缺失值进行填充，缺失值使用邻近数据的平均值来填充，具体方法为向前寻找最近20个不为缺失值的数据，并向后寻找20个不为缺失值的数据，求这40个数据的平均值作为填充值；数据表头20行以及尾20行如果出现缺失值，则直接采用本列数据的均值进行填充；
S304：对地磁数据进行滑动均值滤波，滤波原理如下：
Figure FDA0004153941840000051
其中，N是滑动均值滤波窗口大小，M(k)是原始地磁数据，A(k)是滤波后的地磁数据。
4.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S6中，二分类交叉熵损失函数的表达式为：
ln＝-(yn*log(δ(zn))+(1-yn)*log(1-δ(zn)))
其中ln表示第n个样本的损失值；yn表示第n个样本的车位状态标签；zn表示预测第n个样本为正例的概率；δ表示sigmoid函数。
5.根据权利要求1所述的W型地磁阵列的多传感器融合决策车辆检测方法，其特征在于，所述步骤S9中，交叉熵损失函数的表达式为：
Figure FDA0004153941840000052
其中
Figure FDA0004153941840000053
表示第n个样本的损失值；/>
Figure FDA0004153941840000054
表示第n个样本的车位编号标签；/>
Figure FDA0004153941840000055
表示预测第n个样本为正例的概率。/>
CN202210533167.9A 2022-05-12 2022-05-12 一种w型地磁阵列的多传感器融合决策车辆检测方法 Active CN114881156B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210533167.9A CN114881156B (zh) 2022-05-12 2022-05-12 一种w型地磁阵列的多传感器融合决策车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210533167.9A CN114881156B (zh) 2022-05-12 2022-05-12 一种w型地磁阵列的多传感器融合决策车辆检测方法

Publications (2)

Publication Number Publication Date
CN114881156A CN114881156A (zh) 2022-08-09
CN114881156B true CN114881156B (zh) 2023-05-23

Family

ID=82675355

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210533167.9A Active CN114881156B (zh) 2022-05-12 2022-05-12 一种w型地磁阵列的多传感器融合决策车辆检测方法

Country Status (1)

Country Link
CN (1) CN114881156B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825705A (zh) * 2016-01-04 2016-08-03 杨彦兵 车位检测与引导系统及方法
CN108717802A (zh) * 2018-06-28 2018-10-30 西南电子技术研究所（中国电子科技集团公司第十研究所） 停车场车位无线导引自助管理系统
CN108986527A (zh) * 2018-07-17 2018-12-11 新华三云计算技术有限公司 一种停车位引导方法、装置、系统及电子设备
CN109191867A (zh) * 2018-07-31 2019-01-11 四川西牛矩阵科技有限公司 一种基于地磁传感器的车位状态检测方法
CN112949391A (zh) * 2021-01-28 2021-06-11 杭州电子科技大学 一种基于深度学习谐波信号分析的智能安检方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11562206B2 (en) * 2019-09-30 2023-01-24 Wipro Limited System and method for providing personalized driving or navigation assistance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105825705A (zh) * 2016-01-04 2016-08-03 杨彦兵 车位检测与引导系统及方法
CN108717802A (zh) * 2018-06-28 2018-10-30 西南电子技术研究所（中国电子科技集团公司第十研究所） 停车场车位无线导引自助管理系统
CN108986527A (zh) * 2018-07-17 2018-12-11 新华三云计算技术有限公司 一种停车位引导方法、装置、系统及电子设备
CN109191867A (zh) * 2018-07-31 2019-01-11 四川西牛矩阵科技有限公司 一种基于地磁传感器的车位状态检测方法
CN112949391A (zh) * 2021-01-28 2021-06-11 杭州电子科技大学 一种基于深度学习谐波信号分析的智能安检方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Design and verification of parking space detection based on AMR sensor;Wan Jian等;《2017 4th International Conference on Transportation Information and Safety (ICTIS)》;第1页 *
一种通用的地磁测量中载体干扰矢量补偿方法;刘继昊等;《仪器仪表学报》;第41卷(第11期);第112-118页 *
基于433 MHz频段的无线地磁车位检测传感器节点设计;王俊;《传感器与微系统》(第10期);第47-50,57页 *
基于地磁传感器的车位检测系统设计;秦昌辉等;《科技创新与应用》(第16期);第62页 *

Also Published As

Publication number Publication date
CN114881156A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN111273623B (zh) 基于Stacked LSTM的故障诊断方法
CN111563533B (zh) 基于图卷积神经网络融合多种人脑图谱的受试者分类方法
CN111737909B (zh) 基于时空图卷积网络的结构健康监测数据异常识别方法
CN108875771B (zh) 一种基于稀疏高斯伯努利受限玻尔兹曼机和循环神经网络的故障分类模型及方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
KR102399124B1 (ko) 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼
CN112418395B (zh) 一种基于生成对抗网络的气体传感器阵列漂移补偿方法
CN108197731B (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
CN101516099A (zh) 一种传感器网络异常检测方法
Remadna et al. Leveraging the power of the combination of CNN and bi-directional LSTM networks for aircraft engine RUL estimation
CN110880369A (zh) 基于径向基函数神经网络的气体标志物检测方法及应用
Shang et al. A hybrid method for traffic incident detection using random forest-recursive feature elimination and long short-term memory network with Bayesian optimization algorithm
Jiang et al. A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals
CN106600452A (zh) 基于时间分析矩阵及聚类分析的配电网行波故障定位方法
CN112784872A (zh) 一种基于开放集联合迁移学习的跨工况故障诊断方法
CN114881156B (zh) 一种w型地磁阵列的多传感器融合决策车辆检测方法
CN113858566B (zh) 一种基于机器学习的注塑机能耗预测方法及系统
CN114139624A (zh) 一种基于集成模型挖掘时间序列数据相似性信息的方法
CN114757365A (zh) 一种基于深度学习的高速铁路路基沉降预测及预警方法
CN113526282A (zh) 一种电梯中长期老化故障诊断方法、装置、介质和设备
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法
CN110717602A (zh) 一种基于噪音数据的机器学习模型鲁棒性评估方法
CN115064218B (zh) 一种构建病原微生物数据鉴定平台的方法及装置
CN116226758A (zh) 一种基于改进粒子滤波和卷积网络的雕刻机异常检测方法
CN115201685A (zh) 基于自编码器和对抗学习的可迁移电池热失控风险评估系统

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
GR01 Patent grant
GR01 Patent grant