CN117874630A - 一种光纤交通轴载信号处理方法、装置、电子设备及介质 - Google Patents
一种光纤交通轴载信号处理方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN117874630A CN117874630A CN202410281579.7A CN202410281579A CN117874630A CN 117874630 A CN117874630 A CN 117874630A CN 202410281579 A CN202410281579 A CN 202410281579A CN 117874630 A CN117874630 A CN 117874630A
- Authority
- CN
- China
- Prior art keywords
- optical fiber
- traffic
- axis signal
- signal
- fiber traffic
- 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.)
- Granted
Links
- 239000013307 optical fiber Substances 0.000 title claims abstract description 376
- 238000003672 processing method Methods 0.000 title abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 8
- 230000009466 transformation Effects 0.000 claims description 43
- 238000000354 decomposition reaction Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 26
- 239000000835 fiber Substances 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 description 26
- 238000003066 decision tree Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 15
- 238000005303 weighing Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 235000019800 disodium phosphate Nutrition 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004091 panning Methods 0.000 description 2
- 238000004549 pulsed laser deposition Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 238000002513 implantation Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明属于光纤交通轴载信号处理技术领域，为了解决目前交通轴载信号处理效率低的问题，提供了一种光纤交通轴载信号处理方法、装置、电子设备以及存储介质。其中，光纤交通轴载信号处理方法包括：获取第一光纤交通轴载信号；对第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；对第二光纤交通轴载信号进行特征提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果，进而确定目标车辆的类型和轴载大小，可应用的领域包括但不限于智能交通、智慧养护、自动驾驶、车联网等领域。
Description
技术领域
本发明属于光纤交通轴载信号处理技术领域，尤其涉及一种光纤交通轴载信号处理方法、装置、电子设备及介质。
背景技术
车辆载荷是造成路面损坏和道路寿命衰减的主要原因。其中，车辆载荷主要采用轴载表示。其中，不同道路上的轴载组成复杂，不同轴载对路面的损害作用存在指数级差别，因此，准确判断轴载对于进一步道路基础设施设计、维护以及估计道路寿命有着重要作用。
传统的车辆轴载计算方法是交通流中的各种车辆分类，统计每一种中的所有车型，然后根据其中一种车型的典型轴重值计算该车辆类型下的当量轴载换算系数，进而计算当量设计轴载累计作用次数。这种方法能正确反映车辆按照标准载重方式下进行行驶的情况，但无法考虑车辆超载或空载引起的轴载变化，难以反映真实的轴载情况，且差异性较大；而且该方法依赖交通量的调查与预测，难以保证轴载大小的准确性。
发明内容
有鉴于此，本发明实施例提供一种光纤交通轴载信号处理方法、装置及电子设备以及存储介质，能够通过对光纤交通轴载信号的分类，准确地识别车辆的类型及轴载大小。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种光纤交通轴载信号处理方法，包括：
获取第一光纤交通轴载信号；
对第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；
对第二光纤交通轴载信号进行时域特征及频域特征的提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；
根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果；
根据待识别光纤交通轴载信号特征的分类结果，确定目标车辆的类型及轴载大小；
其中，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号，包括：
确定与所述第一光纤交通轴载信号相匹配的分解层级数量；其过程为：对所述第一光纤交通轴载信号进行局部信号分析，得到所述第一光纤交通轴载信号的响应频率特征；根据所述第一光纤交通轴载信号的响应频率特征，对与所述第一光纤交通轴载信号相匹配的初始分解层级数量进行动态调整，以适配同一道路的不同车流量时段，得到动态匹配的分解层级数量；
根据动态匹配的分解层级数量，对所述第一光纤交通轴载信号进行离散小波变换，得到离散小波变换结果；
对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；其过程为：分析离散小波变换结果中的高频细节系数的统计特性，估计第一光纤交通轴载信号的噪声水平，动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值；根据所述目标自适应噪声阈值，区分第一光纤交通轴载信号中的噪声和有用的车辆通行信息，对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；
对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号。
本发明实施例还提供了一种光纤交通轴载信号处理装置，包括：
信息传输模块，其用于获取第一光纤交通轴载信号；
信息处理模块，包括：
信号转换子模块，其用于对所述第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；
特征提取子模块，其用于对所述第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；
特征分类子模块，其用于根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果；
轴载确定子模块，其用于根据所述待识别光纤交通轴载信号特征的分类结果，确定所述目标车辆的类型及轴载大小；
其中，在所述信号转换子模块中，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号，包括：
确定与所述第一光纤交通轴载信号相匹配的分解层级数量；其过程为：对所述第一光纤交通轴载信号进行局部信号分析，得到所述第一光纤交通轴载信号的响应频率特征；根据所述第一光纤交通轴载信号的响应频率特征，对与所述第一光纤交通轴载信号相匹配的初始分解层级数量进行动态调整，以适配同一道路的不同车流量时段，得到动态匹配的分解层级数量；
根据动态匹配的分解层级数量，对所述第一光纤交通轴载信号进行离散小波变换，得到离散小波变换结果；
对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；其过程为：分析离散小波变换结果中的高频细节系数的统计特性，估计第一光纤交通轴载信号的噪声水平，动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值；根据所述目标自适应噪声阈值，区分第一光纤交通轴载信号中的噪声和有用的车辆通行信息，对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；
对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号。
本发明实施例还提供了一种电子设备，电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行存储器存储的可执行指令时，实现前述的光纤交通轴载信号处理方法。
本发明实施例还提供了一种计算机可读存储介质，存储有可执行指令，可执行指令被处理器执行时实现前述的光纤交通轴载信号处理方法。
本发明实施例具有以下有益效果：
（1）本发明通过获取第一光纤交通轴载信号；对第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；对第二光纤交通轴载信号进行多尺度特征提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征，可以实现对复杂道路环境中每一个车道中目标车辆相匹配的光纤交通轴载信号的准确监控，使得利用光纤交通轴载信号对目标车辆的类型判断结果全面，对车流量的监测结果更加准确。
（2）通过对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果；根据待识别光纤交通轴载信号特征的分类结果，确定目标车辆的类型，由此，可以利用光纤交通轴载信号的高灵敏度和抗干扰能力，提升对目标车辆的类型判断的准确性，从而结合车流量监测结果，实现对路面结构状况速度的准确预判，同时，获取目标车辆光纤交通轴载信号的设备结构简单，成本低，抗干扰能力强，有利于本发明的大范围推广，使得本方案可应用的领域包括但不限于智慧养护、自动驾驶、车联网、智慧交通等领域。
附图说明
图1是本发明实施例提供的一种光纤交通轴载信号处理方法的使用环境示意图；
图2为本发明实施例提供的电子设备的组成结构示意图；
图3为本发明实施例提供的光纤交通轴载信号处理方法一个可选的流程示意图；
图4为本申请实施例中由第一光纤交通轴载信号转换为第二光纤交通轴载信号的过程示意图；
图5为本申请实施例中所提取的第二光纤交通轴载信号的特征示意图；
图6为本发明实施例提供的决策树分类模型的结构示意图；
图7为本发明实施例中确定目标车辆的类型的结果示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步详细描述，所描述的实施例不应视为对本发明的限制，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解， “一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。
对本发明实施例进行进一步详细说明之前，对本发明实施例中涉及的名词和术语进行说明，本发明实施例中涉及的名词和术语适用于如下的解释。
1）响应于：用于表示所执行的操作所依赖的条件或者状态，当满足所依赖的条件或状态时，所执行的一个或多个操作可以是实时的，也可以具有设定的延迟；在没有特别说明的情况下，所执行的多个操作不存在执行先后顺序的限制。
2）卷积神经网络（CNNConvolutional Neural Networks）是一类包含卷积计算且具有深度结构的前馈神经网络（Feedforward Neural Networks），是深度学习（deeplearning）的代表算法之一。卷积神经网络具有表征学习（representation learning）能力，能够按其阶层结构对输入信息进行平移不变分类（shift-invariantclassification）。
3）光纤式称重传感器：光纤式称重传感器是利用光调制效应将作用于光纤的压力转化为内部传播光线的相位、强度、波长等参数的变化进行测量。常见的光纤称重传感器有偏振光纤传感器、干涉光纤传感器、强度光纤传感器、光纤光栅传感器等。相较于其他称重传感器，光纤式称重传感器较为新颖，具有抗干扰能力强、灵敏度高、响应速度快、整体结构简单以及安装方便等特点。
4）交通轴载监测：
其中，交通轴载（即交通轴载信息），是交通基本信息和车辆轴载信息的简称。交通轴载（即交通轴载信息）与特殊观测点应观测交通基本信息（断面日交通量和交通组成），这两者构成观测点交通基本信息。
通过交通轴载监测获取交通轴载数据能够提升路面结构设计水平，并在道路养护及运维管理中促进形成更加科学的评估结果与养护决策，对于提升道路基础设施建管养水平具有重大意义。
在介绍本申请提供的光纤交通轴载信号处理方法之前，首先对相关技术中的交通轴载监测方法进行简要说明。在现有技术中，为了实现对交通轴载的监测，可以有以下方式：1）可以基于实时动态（RTK Real - time kinematic）载波相位差分技术，实时处理两个测量站载波相位观测量的差分，将基准站采集的载波相位发给相应的接收机，进行求差解算坐标，实现对目标车辆的厘米级别的监控，但是基于RTK的定位技术对设备依赖程度高，同时还需要依赖高精地图数据进行定位匹配，但是高精地图的采集成本过高，不利于大规模推广。2）基于高精度图像采集设备，该方式虽然能够采集单一车辆的高精度图像，但是对于高车速，大车流量的高速道路场景却不适用，不具备大规模推广的条件。
图1为本发明实施例提供的光纤交通轴载信号处理方法的使用场景示意图，参见图1，道路中安装有光纤式称重传感器10-1，用于对每一车道中的车辆进行监测，车辆10-2可以行驶在不同类型的道路中，当车辆进入到光纤式称重传感器的检测范围中时，可以产生第一光纤交通轴载信号，需要说明的是，本申请中的第一光纤交通轴载信号是针对道路中一条车道的监测所得到的，当目标路段存在若干条车道时，通过对光纤式称重传感器的发射端和接收端的参数调整，可以实现对目标路段若干条车道的统一监测，每一条车道监测得到的光纤交通轴载信号可以组合为第一光纤交通轴载信号；对于多车道的高速公路监测场景或者，城市多车道的复杂道路场景，通过调整光纤式称重传感器的发射端和接收端的参数可以实现对任意车道中车辆的监测，例如高速公路场景中的超车道、应急车道，或者城市多车道场景中的快速公交车道，从而利用光纤交通轴载信号确定车辆类型识别结果，实现对任一车路面结构状况的定向检测。
终端10-3上设置有能够执行光纤交通轴载信号处理功能的相应客户端，用户可以通过终端10-3的显示界面实时获知待识别光纤交通轴载信号特征的分类结果，实现对于相应路段中车辆类型的监测和车流量的监测。终端10-3处理得到的待识别光纤交通轴载信号特征的分类结果也可由服务器200或云服务器集群进行调取，服务器200或云服务器集群获取待识别光纤交通轴载信号特征的分类结果后进行存储或执行后续其他操作。当光纤式称重传感器10-1获取车辆所处位置的第一光纤交通轴载信号后，可以保存在服务器200或云服务器集群中，供其他设备使用，也可以由服务器200或云服务器集群执行本申请所提供的光纤交通轴载信号处理方法，并将待识别光纤交通轴载信号特征的分类结果传输至终端10-3中。其中，对于执行本申请所提供的光纤交通轴载信号处理方法的设备，本申请不作具体限制。终端通过网络300连接光纤交通轴载信号处理装置时，网络300可以是广域网或者局域网，又或者是二者的组合，使用无线链路实现数据传输，其中，光纤交通轴载信号处理装置可以获取第一光纤交通轴载信号；对第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；对第二光纤交通轴载信号进行时域特征及频域特征的提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果；根据待识别光纤交通轴载信号特征的分类结果，确定目标车辆的类型及轴载大小，以实现对相应车道中目标车辆的类型和车流量的准确监控。
下面对本发明实施例的光纤交通轴载信号处理装置的结构做详细说明，光纤交通轴载信号处理装置可以各种形式来实施，如带有信号处理与数据计算功能的专用终端，也可以为带有信号处理功能与数据处理功能的云服务器，例如前述图1中的光纤交通轴载信号处理装置。图2为本发明实施例提供的光纤交通轴载信号处理装置的组成结构示意图，可以理解，图2仅仅示出了光纤交通轴载信号处理装置的示例性结构而非全部结构，根据需要可以实施图2示出的部分结构或全部结构。
本发明实施例提供的光纤交通轴载信号处理装置包括：至少一个处理器201、存储器202、用户接口203和至少一个网络接口204。光纤交通轴载信号处理装置中的各个组件通过总线系统205耦合在一起。可以理解，总线系统205用于实现这些组件之间的连接通信。总线系统205除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见，在图2中将各种总线都标为总线系统205。
其中，用户接口203可以包括显示器、键盘、鼠标、轨迹球、点击轮、按键、按钮、触感板或者触摸屏等。
可以理解，存储器202可以是易失性存储器或非易失性存储器，也可包括易失性和非易失性存储器两者。本发明实施例中的存储器202能够存储数据以支持终端（如10-3）的操作。这些数据的示例包括：用于在终端（如10-3）上操作的任何计算机程序，如操作系统和应用程序。其中，操作系统包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序可以包含各种应用程序。
在一些实施例中，本发明实施例提供的光纤交通轴载信号处理装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的光纤交通轴载信号处理装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的光纤交通轴载信号处理方法。例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，Complex Programmable LogicDevice）、现场可编程门阵列（FPGA，Field-Programmable Gate Array）或其他电子元件。
作为本发明实施例提供的光纤交通轴载信号处理装置采用软硬件结合实施的示例，本发明实施例所提供的光纤交通轴载信号处理装置可以直接体现为由处理器201执行的软件模块组合，软件模块可以位于存储介质中，存储介质位于存储器202，处理器201读取存储器202中软件模块包括的可执行指令，结合必要的硬件（例如，包括处理器201以及连接到总线系统205的其他组件）完成本发明实施例提供的光纤交通轴载信号处理方法。
作为示例，处理器201可以是一种集成电路芯片，具有信号的处理能力，例如通用处理器、数字信号处理器（DSP，Digital Signal Processor），或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其中，通用处理器可以是微处理器或者任何常规的处理器等。
作为本发明实施例提供的光纤交通轴载信号处理装置采用硬件实施的示例，本发明实施例所提供的装置可以直接采用硬件译码处理器形式的处理器201来执行完成，例如，被一个或多个应用专用集成电路（ASIC，Application Specific Integrated Circuit）、DSP、可编程逻辑器件（PLD，Programmable Logic Device）、复杂可编程逻辑器件（CPLD，Complex Programmable Logic Device）、现场可编程门阵列（FPGA，Field-ProgrammableGate Array）或其他电子元件执行实现本发明实施例提供的光纤交通轴载信号处理方法。
本发明实施例中的存储器202用于存储各种类型的数据以支持光纤交通轴载信号处理装置的操作。这些数据的示例包括：用于在光纤交通轴载信号处理装置上操作的任何可执行指令，如可执行指令，实现本发明实施例的从光纤交通轴载信号处理方法的程序可以包含在可执行指令中。
在另一些实施例中，本发明实施例提供的光纤交通轴载信号处理装置可以采用软件方式实现，图2示出了存储在存储器202中的光纤交通轴载信号处理装置2020，其可以是程序和插件等形式的软件，并包括一系列的模块，作为存储器202中存储的程序的示例，可以包括光纤交通轴载信号处理装置2020，光纤交通轴载信号处理装置2020中包括以下的软件模块：信息传输模块2081，信息处理模块2082。当光纤交通轴载信号处理装置2020中的软件模块被处理器201读取到RAM中并执行时，将实现本发明实施例提供的光纤交通轴载信号处理方法，下面对光纤交通轴载信号处理装置2020中各个软件模块的功能进行介绍：
信息传输模块2081，用于获取第一光纤交通轴载信号；
信息处理模块2082，包括：
信号转换子模块，其用于对所述第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；
特征提取子模块，其用于对所述第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；
特征分类子模块，其用于根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果；
轴载确定子模块，其用于根据所述待识别光纤交通轴载信号特征的分类结果，确定所述目标车辆的类型及轴载大小；
其中，在所述信号转换子模块中，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号，包括：
确定与所述第一光纤交通轴载信号相匹配的分解层级数量；其过程为：对所述第一光纤交通轴载信号进行局部信号分析，得到所述第一光纤交通轴载信号的响应频率特征；根据所述第一光纤交通轴载信号的响应频率特征，对与所述第一光纤交通轴载信号相匹配的初始分解层级数量进行动态调整，以适配同一道路的不同车流量时段，得到动态匹配的分解层级数量；
根据动态匹配的分解层级数量，对所述第一光纤交通轴载信号进行离散小波变换，得到离散小波变换结果；
对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；其过程为：分析离散小波变换结果中的高频细节系数的统计特性，估计第一光纤交通轴载信号的噪声水平，动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值；根据所述目标自适应噪声阈值，区分第一光纤交通轴载信号中的噪声和有用的车辆通行信息，对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；
对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号。
上述方案中，在所述信号转换子模块中，在动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值的过程中，从离散小波变换结果中的高频细节系数选择一段信号处于稳定状态且只包含背景噪声的光纤交通轴载信号作为参考；对于所选择的作为参考的光纤交通轴载信号的剩余部分，计算每个小波系数的局部能量，并与背景噪声能量进行比较，根据比较结果动态调整目标自适应噪声阈值。上述方案中，在所述信号转换子模块中，在动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值的过程中，当局部能量大于或等于背景噪声能量2倍时，判断所选择的作为参考的光纤交通轴载信号中含有车辆信号，更换作为参考的光纤交通轴载信号。
上述方案中，在所述信号转换子模块中，所述对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号的过程，包括：
确定与所述离散小波变换结果的除噪结果相匹配的细节系数和逼近系数；
根据所述细节系数和所述逼近系数，对所述离散小波变换结果的除噪结果进行逆小波变换，得到所述第二光纤交通轴载信号。
上述方案中，在所述特征提取子模块中，对所述第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取的过程，包括：
响应于所得到的第二光纤交通轴载信号，触发光纤交通轴载信号特征提取算法；
通过所述光纤交通轴载信号特征提取算法，根据所述第二光纤交通轴载信号的极值点，提取所述第二光纤交通轴载信号中的时域特征及频域特征。
上述方案中，在所述特征分类子模块中，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果，包括：
确定所述第一光纤交通轴载信号的采集环境类型；
根据所述第一光纤交通轴载信号的采集环境类型，确定与所述待识别光纤交通轴载信号特征相匹配的特征分类模型；
通过所述特征分类模型，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果。
根据图2所示的电子设备，在本申请的一个方面中，本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述光纤交通轴载信号处理方法的各种可选实现方式中所提供的不同实施例及实施例的组合。
继续结合图2示出的光纤交通轴载信号处理装置说明本发明实施例提供的光纤交通轴载信号处理方法，参考图3，图3为本发明实施例提供的光纤交通轴载信号处理方法一个可选的流程示意图，可以理解地，图3所示的步骤的执行主体可以由运行有光纤交通轴载信号处理方法的终端单独实现，也可以由运行光纤交通轴载信号处理方法的服务器实现。
其中，信息处理模块2082中的各个子模块的具体实施过程与图3所示的光纤交通轴载信号处理方法中的步骤相对应。下面以图3所示的处理步骤中以服务器作为执行主体实现为例进行说明，下面针对图3示出的步骤进行说明。
步骤301：获取第一光纤交通轴载信号。
在一些实施例中，道路中可以采用表面粘贴或者开槽植入的方式安装光纤式称重传感器，用于对每一车道中的车辆进行监测，当车辆进入到光纤式称重传感器的检测范围中时，可以产生第一光纤交通轴载信号，由于第一光纤交通轴载信号是针对道路中一条车道的监测所得到的，当目标路段存在若干条车道时，通过对光纤式称重传感器的发射端和接收端的参数调整，可以实现对目标路段若干条车道的统一监测，对每一条车道监测得到的光纤交通轴载信号可以组合为第一光纤交通轴载信号。
在本申请的一些实施例中，基于本申请提供的光纤交通轴载信号处理方法可以对车道中行驶的车辆类型进行准确判断，结合通过光纤交通轴载信号确定的车流量大小，可以对道路路面结构状况进行预判，从而确定路面结构的养护时间。对于多车道的高速公路监测场景，或者城市多车道的复杂道路场景，通过调整光纤式称重传感器的发射端和接收端的参数可以实现对任意车道中车辆的监测，例如通过对高速公路场景中的重载车道的第一光纤交通轴载信号进行处理，可以通过相应车辆的类型，定向判断重载车道的路面结构状况，或者通过对城市多车道场景中的快速公交车道的第一光纤交通轴载信号的处理，可以利用相应光纤交通轴载信号的分类结果确定车辆类型，实现对快速公交车道的路面结构状况的定向检测。
步骤302：对第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号。
在本申请的一些实施例中，对于步骤302中的第一光纤交通轴载信号进行信号转换处理，主要包括：小波变换、信号除噪以及信号重构，参考图4，图4为本申请实施例中由第一光纤交通轴载信号转换为第二光纤交通轴载信号的过程示意图，可以理解地，图4所示的步骤的执行主体可以由运行有光纤交通轴载信号处理装置的终端单独实现，也可以由光纤交通轴载信号处理装置的服务器实现。图4所示的处理步骤中以服务器作为执行主体实现为例进行说明，下面针对图4示出的步骤进行说明。
步骤3021：确定与第一光纤交通轴载信号相匹配的分解层级数量。
在本申请的一些实施例中，由于道路环境不同，行驶车辆的类型和车速存在很大差异，因此，所获取的第一光纤交通轴载信号的信号频率存在较大差异，分解层级的数量需要根据信号的频率内容确定，以能够完整地捕捉相应道路环境中从低频的车辆运动到高频的噪声的所有光纤交通轴载信号。在一些实施例中，当本申请提供信号处理方法用于高速公路场景时，由于高速公路中车流量大，车速快，需要更高层级的小波分解以捕捉更细微的第一光纤交通轴载信号变化，因此，分解的层级优选大于三层；对于校园内，小区内的道路场景，车辆多，车速慢，分解层级可以固定为两层；对于乡镇道路场景，车速不固定，但是车辆载重大，因此，为了保证能够完整地捕捉乡镇道路场景中低频的车辆运动和高速车辆行驶时的高频噪声，分解的层级优选小于或等于四层，以加速小波变换的处理时间，节省光纤交通轴载信号的处理的整体耗时。
在本申请的一些实施例中，确定与第一光纤交通轴载信号相匹配的分解层级数量可以通过以下方式实现：对第一光纤交通轴载信号进行局部信号分析，得到第一光纤交通轴载信号的响应频率特征；根据第一光纤交通轴载信号的响应频率特征和预设分解层级数量表，确定分解层级数量；其中，预设分解层级数量表中预先存储有光纤交通轴载信号的响应频率特征与分解层级数量的关系。
在本申请的另一些实施例中，确定与第一光纤交通轴载信号相匹配的分解层级数量的过程也可采用如下方式：
对所述第一光纤交通轴载信号进行局部信号分析，得到所述第一光纤交通轴载信号的响应频率特征；根据所述第一光纤交通轴载信号的响应频率特征，对与所述第一光纤交通轴载信号相匹配的初始分解层级数量进行动态调整，以适配同一道路的不同车流量时段，得到动态匹配的分解层级数量。
具体来说，执行步骤3021确定与第一光纤交通轴载信号相匹配的分解层级数量可以通过两种方式实现：
1）分析第一光纤交通轴载信号中任意一段的时域特征和/或频域特征，之后根据时域特征和/或频域特征查找预设分解层级数量表，直接确定分解层级；其中，预设分解层级数量表中可以包括对应小区内道路、工矿厂区道路、乡镇道路情况，城市主干道，城市快速路、高速公路等不同类型路况的时域特征和/或频域特征，其中，第一光纤交通轴载信号的时域特征可以包括：差分值、差分中位数和差分绝对值均值；第一光纤交通轴载信号的频域特征可以包括：重心频率、均方频率、均方根频率、频率方差和频率标准差。
2）分析第一光纤交通轴载信号中任意一段的时域特征和/或频域特征，之后根据时域特征和/或频域特征动态调整初始分解层级，其中，在对高速公路等车流量变化大的场景的光纤交通轴载信号进行处理时，由于日间车流量明显大于夜间车流量，因此为了保证光纤交通轴载信号离散小波变换的处理速度，通过第一光纤交通轴载信号中任意一段的时域特征和/或频域特征，可以根据车流量大小，对第一光纤交通轴载信号相匹配的分解层级数量实现动态调整，以适配同一道路的不同车流量时段。
步骤3022：根据动态匹配的分解层级数量，对所述第一光纤交通轴载信号进行离散小波变换，得到离散小波变换结果。
在一些实施例中，离散小波变换（Discrete Wavelet Transform，DWT）继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。它的主要特点是通过变换能够充分突出问题某些方面的特征，能对时间（空间）频率的局部化分析，通过伸缩平移运算对信号（函数）逐步进行多尺度细化，最终达到高频处时间细分，低频处频率细分，能自动适应时频信号分析的要求，从而可聚焦到信号的任意细节。在步骤3022的处理中，离散小波函数的表示参考公式（1），在信号处理的研究中，DWT的原理是采用离散、二进制、正交的小波函数ψ(t)让信号有序地通过多组低通和高通滤波器组，将信号分解成逼近系数(A)和细节系数(D)。Mallat算法关于DWT结果为：
（1）
其中，为离散时间序列个数，/>；/>为层数，即缩放参数，；/>为平移参数；/>为所选取的小波函数对应的低通滤波器的抽头系数序列；/>为所选取的小波函数对应的高通滤波器的抽头系数序列。
离散序列的Mallat算法的重构公式如公式（2）：
（2）
离散小波变换是通过对信号进行多尺度的时间频率分析，以获取信号的细节和近似信息，如公式（3）：
（3）
其中，是离散小波变换函数，/>是输入信号，/>是由母小波/>通过缩放和平移得到的小波函数，/>和/>分别表示缩放参数和平移参数。
小波重构是离散小波变换的逆过程，用于从小波系数中重建原始信号。重构公式可以表示为公式（4）：
（4）
其中，是离散小波变换的逆函数，/>是小波系数，/>是由母小波通过缩放和平移得到的小波函数，/>和/>分别表示缩放参数和平移参数。
在一些实施例中，离散小波变换可以将信号分解成不同频率的小波分量，在分子过程中，使用Python中的pywavelets库来进行小波变换和特征提取。给定wavelet类型与level=n，返回n阶细节系数（details coefficients），将输出的n阶系数分别求取均值、方差和能量函数等特征，对第一光纤交通轴载信号进行小波变换，得到小波变换转换维度对应的小波变换维度数据，从而使得所得到的小波变换维度数据，能够从多个不同的小波变换维度综合反映第一光纤交通轴载信号的小波变换特性，同时利用小波变换的多分辨率分析能力，可以对第一光纤交通轴载信号进行局部化的频率分析，从而分离出车辆通过产生的瞬态信号和背景噪声，为后续的光纤交通轴载信号特征提取和分类提供准确的基础。
步骤3023：对离散小波变换结果进行除噪，得到离散小波变换结果的除噪结果。
在一些实施例中，经过离散小波变换处理所得到的离散小波变换结果中既存在车辆行驶时产生的相应光纤交通轴载信号，也存在着路面震动、异物撞击等产生的噪声光纤交通轴载信号，为了保证光纤交通轴载信号分类的准确性，需要对离散小波变换结果进行除噪处理，对离散小波变换结果进行除噪，得到离散小波变换结果的除噪结果，可以通过以下方式实现：
分析离散小波变换结果中的高频细节系数的统计特性，估计第一光纤交通轴载信号的噪声水平，动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值；根据所述目标自适应噪声阈值，区分第一光纤交通轴载信号中的噪声和有用的车辆通行信息，对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果。其中，通过分析离散小波变换中的高频细节系数的统计特性，如能量、标准差或中值绝对偏差，可以估计第一光纤交通轴载信号的噪声水平。这些统计特性可以区分信号中的噪声和有用的车辆通行信息，在此基础上，设置与第一光纤交通轴载信号相匹配的目标自适应噪声阈值，该目标自适应噪声阈值可以根据预估的噪声水平动态调整，以实现对第一光纤交通轴载信号的噪声进行有效的抑制，使得分类结果可以更加准确。
在本申请的一些实施例中，本申请所使用的目标自适应噪声阈值可以根据不同的道路环境进行灵活调整，在动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值可以通过以下方式实现：
从离散小波变换结果中的高频细节系数选择一段信号处于稳定状态且只包含背景噪声的光纤交通轴载信号作为参考；其中，通过所选择的光纤交通轴载信号可以预估该路段光纤交通轴载信号噪声的能量水平；
对于所选择的作为参考的光纤交通轴载信号的剩余部分，可以计算每个小波系数的局部能量，并与背景噪声能量进行比较，根据比较结果动态调整目标自适应噪声阈值。其中，当局部能量大于或等于背景噪声能量2倍时，认为所选择的作为参考的光纤交通轴载信号中含有车辆信号，可以选择更换作为参考的光纤交通轴载信号。最终，利用本申请所提供的目标自适应噪声阈值，当在车辆通行峰值期间，可以减少噪声抑制，以避免有效光纤交通轴载信号的丢失，而在交通流量较低时，增加噪声抑制，提升分类的准确性。
步骤3024：对离散小波变换结果的除噪结果进行信号重构，得到第二光纤交通轴载信号。
在本申请的一些实施例中，对离散小波变换结果的除噪结果进行信号重构，得到第二光纤交通轴载信号，可以通过以下方式实现：
确定与离散小波变换结果的除噪结果相匹配的细节系数和逼近系数；根据细节系数和逼近系数，对离散小波变换结果的除噪结果进行逆小波变换，得到第二光纤交通轴载信号。其中，利用细节系数和逼近系数进行逆小波变换的过程可以参考公式（5）：
（5）
其中，是在最粗略层级/>的逼近系数，/>是对应于逼近系数的尺度函数，/>是第/>层的细节系数，/>是对应于细节系数的小波函数，/>是离散时间索引，/>是系数的索引，它在每一层上变化。
通过图4所示的处理步骤3021-步骤3024的处理，对所获得的第一光纤交通轴载信号完成了信号转换处理，得到了经过小波变换、信号除噪以及信号重构处理的第二光纤交通轴载信号，通过对第二光纤交通轴载信号进行特征提取和分类，可以利用相应的分类结果确定车道中行驶的目标车辆的类型。
步骤303：对第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征。
在说明本申请对第二光纤交通轴载信号进行特征提取的过程之前，首先对本申请中所使用的光纤交通轴载信号特征提取算法进行说明，本申请所提出的光纤交通轴载信号特征提取算法包括以下步骤：
（1）建立光纤交通轴载信号检测的基线信号：
其中，在没有车辆通行的情况下，可以收集光纤传感器的输出信号，建立基线信号模型。通过所建立的基线信号模型可以表示出光纤传感器在正常工作状态下的输出特性。
（2）进行异常光纤交通轴载信号特征分析：
收集目标路段中有车辆经过时的光纤交通轴载信号，分析在车辆通行期间所收集的光纤交通轴载信号，并与步骤（1）中所建立的基线信号模型进行对比，筛选与基线模型显著不同的信号特征，如幅度异常特征点、频率偏差或信号断裂点，最后使用统计分析方法，如标准差、偏度或峰度对出现异常的光纤交通轴载信号的异常程度进行量化表示。
（3）进行光纤传感器状态诊断：
通过比较光纤传感器的实时信号与基线信号的差异，确定光纤传感器的状态。例如，如果信号的连续性或稳定性与基线模型的连续性或者稳定性的偏差值超过稳定性阈值或者偏差值阈值，可能表明传感器存在接触不良或损坏的问题，可以向运维人员发送提示检测信息。
在一些实施例中，对第二光纤交通轴载信号进行特征提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征，可以通过以下方式实现：
响应于所得到的第二光纤交通轴载信号，触发光纤交通轴载信号特征提取算法；通过光纤交通轴载信号特征提取算法，根据第二光纤交通轴载信号的极值点，提取第二光纤交通轴载信号中的待识别光纤交通轴载信号特征，待识别光纤交通轴载信号特征包括至少以下之一：第二光纤交通轴载信号突变点的幅度、第二光纤交通轴载信号持续时间、第二光纤交通轴载信号时间间隔以及第二光纤交通轴载信号突变之间的能量分布。参考图5，图5为本申请实施例中所提取的第二光纤交通轴载信号的特征示意图，如图5所示，通过光纤交通轴载信号特征提取算法，利用第二光纤交通轴载信号的极值点，提取第二光纤交通轴载信号突变点的幅度为：
（-0.008V，-0.006 V，-0.006V，-0.006V），（0.050 V，0.040 V，-0.006V，-0.006V），（0.040 V，-0.005V，-0.006V，-0.006V，-0.004V，-0.005V），（0.633V，0.666 V）；
第二光纤交通轴载信号持续时间为（1.090s，1.240s，2.000 s，0.625 s）；
第二光纤交通轴载信号时间间隔为（2.500s，4.675s，4.100s）；
以及第二光纤交通轴载信号突变之间的能量分布。
步骤304：根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果。
在本发明的一些实施例中，可以选用的特征分类模型的种类众多，例如随机森林决策树、支持向量机、梯度提升树以及卷积神经网络。对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果，可以通过以下方式实现：
确定第一光纤交通轴载信号的采集环境类型；根据第一光纤交通轴载信号的采集环境类型，确定与待识别光纤交通轴载信号特征相匹配的特征分类模型；通过特征分类模型，对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果。其中，对于不同的第一光纤交通轴载信号的采集环境类型，可以选用的特征分类模型不同，对于高速公路环境中车流量大、车辆类型单一（包括但不限于2轴、3轴、4轴、5轴、6轴车辆）的情况，实施例中可以优选使用支持向量机或者梯度提升树分类模型，满足大规模信号数据集的处理，有效提升光纤交通轴载信号分类的速度，对于小区环境中，车辆类型复杂，车速慢、车流量小的情况，可以选用随机森林决策树分类模型，兼顾特征分类速度和准确性，对于车道少或流量大的公路等难以判断的环境，则可以选用卷积神经网络的分类方式，以实现特征分类的准确性。
下面以随机森林决策树模型作为特征分类模型为例，对待识别光纤交通轴载信号特征进行分类的过程进行说明，参考图6，图6为本发明实施例提供的决策树分类模型的结构示意图，以决策树模型为单个决策树为例，如图6所示，该决策树涉及节点类型包括：根节点(Root Node)，表示待识别光纤交通轴载信号特征的集合，可以进一步划分成两个或多个子集；决策节点(Decision Node)，当一个子节点进一步被拆分成多个子节点时，这个子节点就叫做决策节点；叶子节点(Leaf/Terminal Node)，无法再拆分的节点被称为叶子节点。
在一些实施例中，在构建(训练)图6所示出的决策树分类模型的一些实施例中，包括特征选择、决策树生成和决策树裁剪三个阶段，下面分别进行说明。
在特征选择阶段，可以从待识别光纤交通轴载信号特征集合涉及的众多的特征中选择一个特征作为当前节点分裂的标准，如何选择特征有不同的量化评估方法，从而衍生出不同的决策树，如输入数据3(ID3，Input Data3)算法通过信息增益选择特征，C4.5算法通过信息增益比选择特征，分类回归树(CART，Classification And Regression Tree)算法通过基尼指数选择特征。使用任一特征对数据集划分之后，各数据子集的纯度要比划分前的数据集D的纯度高(也就是不确定性要比划分前的数据集D的不确定性低)。
在决策树分类模型的生成阶段，可以根据选择的特征评估标准，从上至下递归地生成子节点，直到数据集不可分，则停止决策树的生长。这个过程就是使用满足划分准则的特征不断地将数据集划分成纯度更高，不确定性更小的子集的过程。对于当前数据集的每一次划分，都使得根据某个特征划分之后的各个子集的纯度更高，不确定性更小。
在决策树的裁剪节点，针对决策树容易过拟合的情况，剪枝来缩小树结构中的冗余节点，以缩小决策树的规模、缓解过拟合的现象。
在本申请的一些实施例中，可以使用包括多个决策树的集成学习模型进行待识别光纤交通轴载信号特征评估，例如随机森林模型，随机森林模型中的每个决策树独立地进行待识别光纤交通轴载信号特征的评估，基于投票的方式结合多个决策树的评分确定最终的评分，例如，相对投票法，即每个决策树的权重都是一样的，将每个决策树的评分按照权重相加作为最终的评分，得到相应的待识别光纤交通轴载信号特征的分类结果。
步骤305：根据所述待识别光纤交通轴载信号特征的分类结果，确定所述目标车辆的类型及轴载大小。
参考图7，图7为本发明实施例中确定目标车辆的类型的结果示意图，其中，通过步骤301-步骤305的处理，确定待识别光纤交通轴载信号特征的分类结果包括：目标对象一和目标对象二，目标对象一包括两段连续的光纤交通轴载信号，通过随机森林通过构建多个决策树，并在决策时考虑多数树的预测结果，以增强分类的准确性和鲁棒性，最终由特征分类模型利用待识别光纤交通轴载信号的特征确定目标对象一的车辆类型为两轴汽车，目标对象二的车辆类型为六轴半挂汽车。
通过上述处理步骤301-步骤305的处理，通过本申请所提供的光纤交通轴载信号处理方法对在相应路段所采集的光纤交通轴载信号进行处理，可以准确地监控相应路段的车辆类型和车流量，实现对路段中交通轴载的准确监控，通过交通轴载监测获取交通轴载数据能够提升路面结构设计水平，并在道路养护及运维管理中促进形成更加科学的评估结果与养护决策，从而保护道路安全。
本发明具有以下有益技术效果：
本发明通过获取第一光纤交通轴载信号；对第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；对第二光纤交通轴载信号进行特征提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征，可以实现对复杂道路环境中每一个车道中目标车辆相匹配的光纤交通轴载信号的准确监控，使得利用光纤交通轴载信号对目标车辆的类型判断结果全面，对车流量的监测结果更加准确。
通过对待识别光纤交通轴载信号特征进行分类，得到待识别光纤交通轴载信号特征的分类结果；根据待识别光纤交通轴载信号特征的分类结果，确定目标车辆的类型，由此，可以利用光纤交通轴载信号的高灵敏度和抗干扰能力，提升对目标车辆的类型判断的准确性，从而结合车流量监测结果，实现对路面结构的准确预判，同时，获取目标车辆光纤交通轴载信号的设备结构简单，成本低，抗干扰能力强，有利于本申请的大范围推广，使得本方案可应用的领域包括但不限于自动驾驶、车联网、智慧交通等领域。
以上，仅为本发明的实施例而已，并非用于限定本发明的保护范围，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。
Claims (10)
1.一种光纤交通轴载信号处理方法，其特征在于，所述方法包括：
获取第一光纤交通轴载信号；
对所述第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；
对所述第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；
根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果；
根据所述待识别光纤交通轴载信号特征的分类结果，确定所述目标车辆的类型及轴载大小；
其中，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号，包括：
确定与所述第一光纤交通轴载信号相匹配的分解层级数量；其过程为：对所述第一光纤交通轴载信号进行局部信号分析，得到所述第一光纤交通轴载信号的响应频率特征；根据所述第一光纤交通轴载信号的响应频率特征，对与所述第一光纤交通轴载信号相匹配的初始分解层级数量进行动态调整，以适配同一道路的不同车流量时段，得到动态匹配的分解层级数量；
根据动态匹配的分解层级数量，对所述第一光纤交通轴载信号进行离散小波变换，得到离散小波变换结果；
对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；其过程为：分析离散小波变换结果中的高频细节系数的统计特性，估计第一光纤交通轴载信号的噪声水平，动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值；根据所述目标自适应噪声阈值，区分第一光纤交通轴载信号中的噪声和有用的车辆通行信息，对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；
对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号。
2.根据权利要求1所述的光纤交通轴载信号处理方法，其特征在于，在动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值的过程中，从离散小波变换结果中的高频细节系数选择一段信号处于稳定状态且只包含背景噪声的光纤交通轴载信号作为参考；对于所选择的作为参考的光纤交通轴载信号的剩余部分，计算每个小波系数的局部能量，并与背景噪声能量进行比较，根据比较结果动态调整目标自适应噪声阈值。
3.根据权利要求2所述的光纤交通轴载信号处理方法，其特征在于，在动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值的过程中，当局部能量大于或等于背景噪声能量2倍时，判断所选择的作为参考的光纤交通轴载信号中含有车辆信号，更换作为参考的光纤交通轴载信号。
4.根据权利要求1所述的光纤交通轴载信号处理方法，其特征在于，所述对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号的过程，包括：
确定与所述离散小波变换结果的除噪结果相匹配的细节系数和逼近系数；
根据所述细节系数和所述逼近系数，对所述离散小波变换结果的除噪结果进行逆小波变换，得到所述第二光纤交通轴载信号。
5.根据权利要求1所述的光纤交通轴载信号处理方法，其特征在于，所述对所述第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取的过程，包括：
响应于所得到的第二光纤交通轴载信号，触发光纤交通轴载信号特征提取算法；
通过所述光纤交通轴载信号特征提取算法，根据所述第二光纤交通轴载信号的极值点，提取所述第二光纤交通轴载信号中的时域特征及频域特征。
6.根据权利要求1所述的光纤交通轴载信号处理方法，其特征在于，所述对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果，包括：
确定所述第一光纤交通轴载信号的采集环境类型；
根据所述第一光纤交通轴载信号的采集环境类型，确定与所述待识别光纤交通轴载信号特征相匹配的特征分类模型；
通过所述特征分类模型，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果。
7.一种光纤交通轴载信号处理装置，其特征在于，所述装置包括：
信息传输模块，其用于获取第一光纤交通轴载信号；
信息处理模块，包括：
信号转换子模块，其用于对所述第一光纤交通轴载信号进行信号转换处理，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号；
特征提取子模块，其用于对所述第二光纤交通轴载信号进行时域特征及频域特征的多尺度提取，得到与目标车辆相匹配的待识别光纤交通轴载信号特征；
特征分类子模块，其用于根据时域特征及频域特征与车辆轴数量及轴载大小的对应关系，对所述待识别光纤交通轴载信号特征进行分类，得到所述待识别光纤交通轴载信号特征的分类结果；
轴载确定子模块，其用于根据所述待识别光纤交通轴载信号特征的分类结果，确定所述目标车辆的类型及轴载大小；
其中，在所述信号转换子模块中，得到降噪且具有多尺度信号分量的第二光纤交通轴载信号，包括：
确定与所述第一光纤交通轴载信号相匹配的分解层级数量；其过程为：对所述第一光纤交通轴载信号进行局部信号分析，得到所述第一光纤交通轴载信号的响应频率特征；根据所述第一光纤交通轴载信号的响应频率特征，对与所述第一光纤交通轴载信号相匹配的初始分解层级数量进行动态调整，以适配同一道路的不同车流量时段，得到动态匹配的分解层级数量；
根据动态匹配的分解层级数量，对所述第一光纤交通轴载信号进行离散小波变换，得到离散小波变换结果；
对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；其过程为：分析离散小波变换结果中的高频细节系数的统计特性，估计第一光纤交通轴载信号的噪声水平，动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值；根据所述目标自适应噪声阈值，区分第一光纤交通轴载信号中的噪声和有用的车辆通行信息，对所述离散小波变换结果进行除噪，得到所述离散小波变换结果的除噪结果；
对所述离散小波变换结果的除噪结果进行信号重构，得到所述第二光纤交通轴载信号。
8.根据权利要求7所述的光纤交通轴载信号处理装置，其特征在于，在所述信号转换子模块中，在动态调整与所述第一光纤交通轴载信号相匹配的目标自适应噪声阈值的过程中，从离散小波变换结果中的高频细节系数选择一段信号处于稳定状态且只包含背景噪声的光纤交通轴载信号作为参考；对于所选择的作为参考的光纤交通轴载信号的剩余部分，计算每个小波系数的局部能量，并与背景噪声能量进行比较，根据比较结果动态调整目标自适应噪声阈值。
9.一种电子设备，其特征在于，所述电子设备包括：
存储器，用于存储可执行指令；
处理器，用于运行所述存储器存储的可执行指令时，实现权利要求1至6任一项所述的光纤交通轴载信号处理方法。
10.一种计算机可读存储介质，存储有可执行指令，其特征在于，所述可执行指令被处理器执行时实现权利要求1至6任一项所述的光纤交通轴载信号处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281579.7A CN117874630B (zh) | 2024-03-13 | 2024-03-13 | 一种光纤交通轴载信号处理方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281579.7A CN117874630B (zh) | 2024-03-13 | 2024-03-13 | 一种光纤交通轴载信号处理方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117874630A true CN117874630A (zh) | 2024-04-12 |
| CN117874630B CN117874630B (zh) | 2024-05-03 |
Family
ID=90584936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410281579.7A Active CN117874630B (zh) | 2024-03-13 | 2024-03-13 | 一种光纤交通轴载信号处理方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117874630B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102003970A (zh) * | 2010-10-14 | 2011-04-06 | 南京大学 | 光纤激光传感器动态信号解调方法 |
| US20190137305A1 (en) * | 2016-05-09 | 2019-05-09 | Fugro Technology B.V. | Fiber-optic based traffic and infrastructure monitoring system |
| CN115031824A (zh) * | 2022-06-08 | 2022-09-09 | 中国人民解放军国防科技大学 | 低噪声白光pmdi信号检测与复用系统和方法 |
| CN115661749A (zh) * | 2022-10-30 | 2023-01-31 | 同济大学 | 一种车辆轴载位置的监测方法 |
-
2024
- 2024-03-13 CN CN202410281579.7A patent/CN117874630B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102003970A (zh) * | 2010-10-14 | 2011-04-06 | 南京大学 | 光纤激光传感器动态信号解调方法 |
| US20190137305A1 (en) * | 2016-05-09 | 2019-05-09 | Fugro Technology B.V. | Fiber-optic based traffic and infrastructure monitoring system |
| CN115031824A (zh) * | 2022-06-08 | 2022-09-09 | 中国人民解放军国防科技大学 | 低噪声白光pmdi信号检测与复用系统和方法 |
| CN115661749A (zh) * | 2022-10-30 | 2023-01-31 | 同济大学 | 一种车辆轴载位置的监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117874630B (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108513676B (zh) | 一种路况识别方法、装置及设备 | |
| CN111192284B (zh) | 一种车载激光点云分割方法及系统 | |
| EP3152675B1 (fr) | Procédé d'analyse d'une scène dynamique, module d'analyse et programme d'ordinateur associés | |
| CN111861933B (zh) | 基于空间划分的点云去噪方法及装置 | |
| CN109117856B (zh) | 基于智能边缘云的人及物追踪方法、装置及系统 | |
| CN113610143B (zh) | 一种点云噪点的分类方法、装置、设备及存储介质 | |
| CN113516663B (zh) | 点云语义分割方法及装置、电子设备及存储介质 | |
| CN112733886A (zh) | 样本图像的处理方法、装置、设备及存储介质 | |
| Kapoor et al. | An intelligent railway surveillance framework based on recognition of object and railway track using deep learning | |
| CN112258850A (zh) | 一种车路协同系统边缘侧多传感器数据融合系统 | |
| CN116258940A (zh) | 一种多尺度特征及自适应权重的小目标检测方法 | |
| CN115146478A (zh) | 基于优化算法的行驶工况构建方法、装置及相关设备 | |
| CN115761551A (zh) | 一种自动驾驶仿真场景生成方法、装置、设备及介质 | |
| CN117874630B (zh) | 一种光纤交通轴载信号处理方法、装置、电子设备及介质 | |
| Ngo et al. | Beamforming and scalable image processing in vehicle-to-vehicle networks | |
| CN112488190A (zh) | 一种基于深度学习的点云数据分类方法及系统 | |
| CN117465472A (zh) | 一种车速控制的控制方法、装置、车速控制器及介质 | |
| EP4138039A2 (en) | System and method for hybrid lidar segmentation with outlier detection | |
| CN112906519B (zh) | 一种车辆类型识别方法及装置 | |
| CN114155495B (zh) | 跨海桥梁中车辆运行的安全监控方法、装置、设备及介质 | |
| CN111338336B (zh) | 一种自动驾驶方法及装置 | |
| CN113313654A (zh) | 激光点云滤波去噪方法、系统、设备及存储介质 | |
| Fu et al. | Machine Learning Road Recognition Based on Wavelet Decomposition | |
| CN114299633B (zh) | 汽车驾驶事故预测方法、装置、电子设备及存储介质 | |
| CN114387777B (zh) | 道路数据处理方法、装置、计算机设备和存储介质 |
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 |