EP0841647A1 - Verfahren und Vorrichtung zur Verkehrsüberwachung - Google Patents
Verfahren und Vorrichtung zur Verkehrsüberwachung Download PDFInfo
- Publication number
- EP0841647A1 EP0841647A1 EP97118758A EP97118758A EP0841647A1 EP 0841647 A1 EP0841647 A1 EP 0841647A1 EP 97118758 A EP97118758 A EP 97118758A EP 97118758 A EP97118758 A EP 97118758A EP 0841647 A1 EP0841647 A1 EP 0841647A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- magnetic field
- vehicle
- sensor signals
- field sensors
- dimensional
- 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.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
Definitions
- the invention relates to a method and a device for traffic monitoring with the or it is possible is to record and recognize individual vehicles.
- Induction loops embedded in the pavement are known, for example to control traffic lights be used. Individual vehicles can not detected and recognized with this device can, at best, by evaluating the induction signals the vehicles certain categories, e.g. Vehicle types. Besides, they are Induction loops both in procurement as well expensive to install.
- the induction loops are in one or several rows in a row arranged to the roadway.
- the sensitivity of the induction loops is the actual sensor loop by several surrounding auxiliary loops increased.
- the Sensor loops are connected to an evaluation device which is the phase angle between voltage and Measures current in the sensor loop.
- optical detection of vehicles In addition to magnetic detection, there are also devices known for the optical detection of vehicles. Such systems are used, for example, in traffic management systems used on highways. With these optical Sensors is an identification of a vehicle not possible. It is only recognized whether a Vehicle has passed.
- DE 35 21 655 A1 describes a device for detecting described by vehicle traffic with magnetic field detectors.
- the magnetic field detectors measure interference a given magnetic field by a vehicle, so that the presence and / or movement of a vehicle can be determined. With this facility however different vehicle types can be distinguished.
- the magnetic Characteristics of a passing vehicle several magnetic field sensors distributed across the road in each case on several spatially separated Places measured selectively. This is done in several successive times. From the multitude of a sensor vector is generated, which characterizes the vehicle and therefore it makes it recognizable. The process works so precisely that even differentiated between vehicles of the same model can be. Because only the magnetic characteristic of the vehicle is not measured It is possible to draw conclusions about the owner of the vehicle.
- the device for traffic monitoring has a cross to the direction of traffic arranged row of magnetic field sensors, whose signals are processed in a computer unit.
- the analog sensor signals go digital converted and summarized in one measured value, several of these that have arisen at successive times Measured values are then processed into a one-dimensional one Combined measured value sequence.
- This processed Measured value sequence is with a transformation matrix to a feature vector identifying the respective vehicle transformed. Due to this processing The sensor signals make the vehicles recognizable increases and the scope of the vehicle identifying Record is reduced, reducing processing speed the device is increased.
- the Magnetic field sensors so sensitive that they affect the earth's magnetic field measure and those caused by the vehicle Determine changes in the earth's magnetic field. Thereby high measuring accuracy of the individual measurements guaranteed, so that same vehicle models with identical equipment can be distinguished. Tests of the invention have shown that vehicles just because of the different rolling directions the body panels can be distinguished.
- this corresponds to one lane, at least 12 magnetic field sensors arranged in a row. This will sufficient measurement resolution is achieved to the vehicles to be able to record and recognize them safely.
- the Magnetic field sensors with a clock pulse the sensor signals out at the same time. This has the advantage that the sensor signals can be processed in parallel, making them quicker and easier to get a reading can be summarized.
- the measured values can initially be multidimensional Measurement sequence are summarized, which then to a prepared one-dimensional measurement sequence in vector form is reduced. So one becomes a vehicle characterizing matrix a vector that is still sufficient Information about the characterization of the vehicle contains.
- the vector can be easier and faster can be processed as a matrix.
- the transformation matrix preferably runs out a covariance matrix that is in a learning phase follow from the prepared one-dimensional measured value several vehicles is formed.
- a covariance matrix is one known from image recognition, among other things statistical means with which deviations of a single pattern calculated from the average of all samples can be. With this method, the scope of the feature vector can be reduced since the Vehicles characterized by deviations from the average and not by a complete sentence of measured values. This enables quick processing of the sensor signals.
- the analog-digital conversion of the analog sensor signals can be done directly in the sensor units, whereby the susceptibility to interference of data transmission from the magnetic field sensors to the computing unit is reduced.
- FIG. 1 shows a traffic monitoring device 1 with sixteen magnetic field sensors 2 that are in a straight line Row are laid across a lane 3.
- the sensors 2 are either embedded in the pavement or under a threshold that can be driven over attached to the pavement.
- the magnetic field sensors 2 measure the magnetic characteristics of a passing vehicle Vehicle 4. They are so sensitive that they measure the earth's magnetic field. While no vehicle 4 located in the measuring range of the magnetic field sensors 2 the sensor signals corresponding to the value of the earth's magnetic field of the magnetic field sensors 2 stored in order as Reference values are available. Is a Vehicle 4 in the measuring range of the magnetic field sensors 2 the measured value is greater than the stored reference value and the difference is used as a sensor signal.
- the sensors 2 are connected to a via a bus line 5 Computer unit 6 connected.
- the on a clock signal the Computer unit 6 output by the magnetic field sensors 2
- Analog sensor signals are in the magnetic field sensors 2 digitally converted and parallel over the Transfer bus line 5 to the computer unit 6.
- a digital measured value 7 is input to the computer unit 6 (Fig. 2) with a word length of 16 digits (corresponding the 16 sensors), with each digit the associated Amplitude value A indicates.
- the measured value 7 sets are thus digitally transformed and sensor signals transmitted in parallel from all 16 magnetic field sensors 2 together.
- a measured value sequence generator 8 they are passed of a vehicle 4 successively generated measured values 7 to a characteristic multidimensional sequence of measured values 9 summarized. It is after each clock pulse a measured value 7 for the previously recorded measured values added until the vehicle 4 the series of Has completely run over magnetic field sensors 2.
- Fig. 2 is such a measurement sequence 9 in three-dimensional Simplified form or for a very slow moving Vehicle shown. There is usually a multi-dimensional one Measured value sequence 9 from significantly more measured values 7.
- the points S1 to S16 on the coordinate S directed transverse to the roadway are assigned to the individual magnetic field sensors 2.
- the coordinate t of time is plotted in the longitudinal direction of the lane.
- the current measured value 7 is added to the measured values recorded up to the time t n at the time t n + 1 .
- the index n continuously indicates the number of clock cycles. This creates the grid spacing, which is only determined by the timing, in the direction of the coordinate t.
- the amplitude A of a grid point is in relation to the measured magnetic field at the respective time t n at the respective magnetic field sensor S.
- the grid point 11 characterizes a sensor signal which at time t 5 , ie five clock cycles after the vehicle 4 in the measuring range of the sensors 2 arrived, from which sensor S2 was recorded.
- the strongest amplitudes A are 10 at four places observe. These are through the wheels or the metal rims of the vehicle 4 caused. Because magnetic fields fall exponentially, parts of the vehicle 4, which are closest to the magnetic field sensors 2, stronger detected as more distant parts. This explains the high amplitudes at points 10 in the area of the wheels of the vehicle 4.
- the discrete quantized samples of the characteristic multidimensional measurement sequence 9 of vehicles can already be considered vehicle descriptive will.
- the amount of data per vehicle is relatively large. For example, for a 30th km / h fast vehicle of 4 m length 480 measurements per Sensor (at a frequency of 1000 Hz). Used at 16 Sensors result in a total of 7680 feature components, which is not in one for vehicle detection realistic time can be processed. In the extraction stage 8a will show the number of feature components 64 reduced.
- the multidimensional measurement value sequences 9 additionally contain Information that is not vehicle-specific (Irrelevance), such as that of the wheels of the Characteristic components evoked by vehicles 10.
- the multidimensional measurement value sequences 9 are prepared in such a way that object-specific properties like instantaneous speed of vehicles, vehicle lengths, Noise and interference components, sensitivity and amplification factors the detectors have different ground clearances, Deflection in the event of uneven road surfaces eliminated are.
- the multidimensional measurement sequence 9 in Direction of the t-coordinate to a length of 32 support points reduced.
- This compression corresponds to one Time normalization because of the speed or the length of the vehicle is eliminated.
- a time normalization factor is calculated from the ratio between the number of recorded Bases of the multidimensional sequence of measured values 9 in the direction of the t-coordinate and the predefined Number (32) of support points defined.
- This normalization factor determines the number of bases of the original multidimensional measurement sequence leading to a Support point of the time-standardized multidimensional measurement sequence be summarized. By summarizing them Bases of the original measurement sequence a degree of regression is set, the slope converted for the time-standardized sequence of measured values becomes.
- the feature values are summarized in regions and a prepared one-dimensional measurement value sequence 9a in vector form (FIG. 3) is formed.
- a heuristic analysis of the multidimensional measurement value sequences 9 shows that there is a statistical link between the feature components. It is mainly caused by the statistical dependence of the input signal. General design principles influence the metal mass distribution on the underside of the vehicle, so that even when viewed ideally, no independent feature components can be obtained. This includes, in particular, the feature components 10 caused by the wheels of the vehicle. For further information compression, the feature components which have been recorded by the sensors which are arranged in the area of the wheels of the vehicle are therefore removed from the multidimensional measurement value sequence 9.
- the feature components of the sensors S 1 to S 5 and S 12 to S 16 which have detected the vehicle wheels, are suppressed.
- these feature components can be used to determine the vehicle width and the center distance. They are therefore well suited for differentiating between different types of vehicles, especially for car, truck and motorcycle classification.
- the remaining feature components of sensors S 6 to S 11 are combined into two groups.
- the values of the first three sensors (S 6 to S 8 ) at the 32 support points are combined to form an average, so that a sequence of 32 averaged feature components is produced.
- the feature components of the three sensors S 9 to S 11 are summarized accordingly.
- the two sequences are attached to each other so that a one-dimensional measurement sequence 9a in the form of a measurement vector is created (FIG. 3).
- the first 32 values of the one-dimensional measurement value sequence 9a come from the sensors S 6 to S 8 , the last 32 values from the sensors S 9 to S 11 .
- the number of values that characterize the vehicle can be limited to 64 per vehicle. This number is of a magnitude that is favorable for vehicle detection.
- the amplitude of the one-dimensional measurement value sequence is standardized in the extraction stage 8a.
- the amplitude value of a measuring point (X (n) samples ) is divided by the value of the maximum amplitude (X max ) and multiplied by 255 in order to obtain amplitude-standardized values.
- Fig. 3 along the abscissa are the numbers of the Vehicle characterizing values and along the ordinate the amounts of these values (standardized to 255) specified.
- the characteristic multi-dimensional measurement sequence an inclined, e.g. overtaking vehicle can also lead to a sequence of measured values prepared with other comparable measured value vector 9a normalized will.
- the measured value vector 9a is multiplied in a feature vector generator 12 by a transformation matrix M T (FIG. 5).
- the transformation matrix M T is obtained from a covariance matrix M K , which is shown in FIG. 4.
- the covariance matrix M K is formed in a learning phase 13 from the measured value vectors 9a of numerous vehicles in a learning part 13.
- the eigenvalues of the covariance matrix M K are the diagonal elements of the actual transformation matrix M T.
- the other elements of the transformation matrix M T are zero. With the assumed Gaussian distribution, this means the statistical independence (uncorrelation) of the components.
- the diagonal components are very large at first (this corresponds to a very high information content) and then decrease very sharply. The most important components are selected by neglecting those components which, according to their intrinsic values, have only a small amount of information.
- V M M T x X .
- the feature vector V M obtained from the transformation is shown in FIG. 6.
- the elements of the feature vector V 11 are plotted along the abscissa, while the ordinate shows the non-normalized values of the elements that were created during the transformation.
- the transformation matrix M T was applied to the measured value vector, which has 64 elements. Therefore, the feature vector V M consists of 64 elements.
- the elements with the highest values, ie with the highest distinctive character, are among the first 32 elements of the feature vector V M.
- the last 32 elements have very small values or the value zero, ie they do not contribute any essential information to distinguish vehicles. Therefore the last 32 elements can be neglected. This results in a feature vector V M with 32 digits which uniquely characterizes a vehicle.
- the feature vector V M generated in the feature vector generator 12 is stored in a comparator 15 and compared with the feature vectors of earlier vehicles previously stored in the computer 6. If the new feature vector V M is unknown, a new data record for the vehicle 4 is created and saved. If the vehicle 4 can be identified on the basis of its feature vector V M , the location and time of the vehicle 4 are recorded in the data record.
- FIG. 7 shows the structure of a magnetic field sensor 2 shown.
- the magnetic field sensor 2 consists of two individual ones Sensor components 2a and 2b in their longitudinal direction are arranged rotated by 90 ° to each other.
- the sensor components 2a and 2b have preferred directions regarding the sensitivity. Towards her The longitudinal sensitivity is low. To everyone Directional components of the magnetic field with the same sensitivity To be able to detect the sensor components 2a and 2b offset by 90 ° so that the disadvantageous measurement characteristics of the individual sensor components 2a, 2b is balanced. To generate the Sensor signal, the two component signals become geometric added.
- the sensor signal is converted digitally and via the bus line 5 to the computer unit 6 passed on.
- the measured value sequence generator 8, the extraction stage 8a, the feature vector generator 12 and the comparator 15 can also in the computer unit 6 by appropriate Software can be realized.
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
Verfahren und Vorrichtung zur Verkehrsüberwachung, mit
dem bzw. der die magnetische Charakteristik eines Fahrzeuges
(4) gemessen wird. Die Messung erfolgt mit einer
quer zur Fahrbahn (3) angeordneten Kette von Magnetfeldsensoren
(2). Die von den Magnetfeldsensoren (2)
erzeugten Sensorsignale werden in den Sensoreinheiten
(2) digital gewandelt und als Meßwert (7) parallel zu
einer Rechnereinheit (6) übertragen. Dort werden die
Meßwerte (7) zu einer eindimensionalen aufbereiteten
Meßwertfolge (9a) zusammengefaßt und mit einer Transformationsmatrix
(MT) zu einem das Fahrzeug (4) identifizierenden
Merkmalsvektor (VM) normiert und reduziert.
Description
Die Erfindung betrifft ein Verfahren und eine Vorrichtung
zur Verkehrsüberwachung mit dem bzw. der es möglich
ist, einzelne Fahrzeuge zu erfassen und wiederzuerkennen.
Das Verkehrsaufkommen ist in den letzten Jahrzehnten
stetig angestiegen. Diese Tendenz wird sich auch in der
Zukunft fortsetzen. So wird es immer wichtiger, das
Verkehrsnetz bis ins Detail planen zu können und mit
verschiedenen Maßnahmen die Leistungsfähigkeit des Verkehrsnetzes
zu steigern. Der Einsatz von intelligenten
Verkehrsleitsystemen, ein flexibler öffentlicher Personennahverkehr
und bauliche Maßnahmen werden die wesentlichen
Ansatzpunkte für Verbesserungen sein. Für alle
Maßnahmen wird eine detaillierte Analyse des Verkehrsaufkommens
und der derzeitigen Verkehrsströme zugrundegelegt
werden müssen. Um die Verkehrsströme analysieren
zu können, muß man den Weg der Fahrzeuge vom Start zum
Ziel feststellen.
Derzeit werden Start-Ziel-Verfolgungen mittels Befragungen
durchgeführt. Diese sind aber personal- und kostenintensiv
und nur über kurze Zeiträume durchführbar.
Das gleiche gilt für Verkehrszählungen, die zur Analyse
von Verkehrsströmen durchgeführt werden.
Bekannt sind in die Fahrbahndecke eingelassene Induktionsschleifen,
die zum Beispiel zur Steuerung von Ampelanlagen
eingesetzt werden. Einzelne Fahrzeuge können
mit dieser Vorrichtung nicht erfaßt und wiedererkannt
werden, allenfalls können durch Auswertung der Induktionssignale
die Fahrzeuge bestimmten Kategorien, z.B.
Fahrzeugtypen, zugeordnet werden. Außerdem sind die
Induktionsschleifen sowohl in der Beschaffung als auch
in der Installation teuer.
Aus der DE 42 31 881 A1 ist eine Anordnung zum Erfassen
von Verkehrsgrößen mit Hilfe von mehreren Induktionsschleifen
bekannt. Die Induktionsschleifen sind in einer
oder mehreren hintereinanderliegenden Reihen quer
zur Fahrbahn angeordnet. Die Empfindlichkeit der Induktionsschleifen
wird durch mehrere die eigentliche Sensorschleife
umgebende Hilfsschleifen heraufgesetzt. Die
Sensorschleifen sind an eine Auswerteeinrichtung angeschlossen,
die den Phasenwinkel zwischen Spannung und
Strom in der Sensorschleife mißt.
Neben der magnetischen Erfassung sind auch Vorrichtungen
zur optischen Erfassung von Fahrzeugen bekannt.
Solche Systeme werden zum Beispiel in Verkehrsleitsystemen
auf Autobahnen eingesetzt. Mit diesen optischen
Sensoren ist eine Identifizierung eines Fahrzeuges
nicht möglich. Es wird bloß erkannt, ob ein
Fahrzeug vorbeigefahren ist.
Mit Kameras ist es möglich, Autos zu erfassen und auch
wiederzuerkennen. Problematisch sind dabei die typischerweise
sehr großen Datensätze sowie datenschutzrechtliche
Bedenken, denn das Fahrzeug wird soweit
identifiziert, daß der Fahrzeughalter ermittelbar ist.
In der DE 35 21 655 A1 ist eine Einrichtung zum Erfassen
von Fahrzeugverkehr mit Magnetfelddektektoren beschrieben.
Die Magnetfelddetektoren messen Störungen
eines vorgegebenen Magnetfeldes durch ein Fahrzeug, so
daß das Vorhandensein und/oder die Bewegung eines Fahrzeuges
ermittelbar ist. Mit dieser Einrichtung sind
jedoch verschiedene Fahrzeugtypen unterscheidbar.
Es ist Aufgabe der Erfindung, ein Verfahren und eine
Vorrichtung zur Verkehrsüberwachung zu schaffen, mit
dem bzw. der Fahrzeuge erfaßt und wiedererkannt werden,
wobei der Fahrzeughalter jedoch anonym bleibt.
Diese Aufgabe wird erfindungsgemäß mit den Merkmalen
der Patentansprüche 1 bzw. 5 gelöst.
Bei dem erfindungsgemäßen Verfahren wird die magnetische
Charakteristik eines vorbeifahrenden Fahrzeugs an
mehreren quer über die Fahrbahn verteilten Magnetfeldsensoren
jeweils an mehreren örtlich auseinanderliegenden
Stellen selektiv gemessen. Dies erfolgt zu mehreren
aufeinanderfolgenden Zeitpunkten. Aus der Vielzahl der
enthaltenen Sensorsignale wird ein Merkmalsvektor erzeugt,
der das Fahrzeug charakterisiert und es somit
wiedererkennbar macht. Das Verfahren arbeitet so genau,
daß selbst zwischen Fahrzeugen des gleichen Modells unterschieden
werden kann. Da nur die magnetische Charakteristik
des Fahrzeugs gemessen wird, sind keine
Rückschlüsse auf den Halter des Fahrzeuges möglich.
Die erfindungsgemäße Vorrichtung zur Verkehrsüberwachung
weist eine quer zur Bewegungsrichtung des Verkehrs
angeordnete Reihe von Magnetfeldsensoren auf,
deren Signale in einer Rechnereinheit verarbeitet werden.
Zunächst werden die analogen Sensorsignale digital
gewandelt und in einem Meßwert zusammengefaßt, mehrere
dieser zu aufeinanderfolgenden Zeitpunkten entstandenen
Meßwerte werden dann zu einer eindimensionalen aufbereiteten
Meßwertfolge zusammengefügt. Diese aufbereitete
Meßwertfolge wird mit einer Transformationsmatrix
zu einem das jeweilige Fahrzeug identifizierenden Merkmalsvektor
umgewandelt. Bedingt durch diese Verarbeitung
der Sensorsignale wird die Erkennbarkeit der Fahrzeuge
erhöht und der Umfang des das Fahrzeug identifizierenden
Datensatzes verringert, wodurch die Verarbeitungsgeschwindigkeit
der Vorrichtung erhöht wird.
In einer bevorzugten Ausführung der Erfindung sind die
Magnetfeldsensoren derart empfindlich, daß sie das Erdmagnetfeld
messen und die durch das Fahrzeug hervorgerufenen
Änderungen des Erdmagnetfeldes ermitteln. Dadurch
wird eine hohe Meßgenauigkeit der Einzelmessungen
garantiert, so daß auch gleiche Fahrzeugmodelle mit
identischer Ausstattung unterschieden werden können.
Erprobungen der Erfindung haben ergeben, daß Fahrzeuge
allein schon durch die unterschiedlichen Walzrichtungen
der Karosseriebleche unterschieden werden können.
Vorteilhafterweise sind über eine Meßbreite von 3,60 m,
dies entspricht einer Fahrspur, mindestens 12 Magnetfeldsensoren
in einer Reihe angeordnet. Dadurch wird
eine ausreichende Meßauflösung erreicht, um die Fahrzeuge
sicher erfassen und wiedererkennen zu können.
In einer bevorzugten Ausführung der Erfindung geben die
Magnetfeldsensoren unter Vorgabe eines Taktes die Sensorsignale
gleichzeitig aus. Dies hat den Vorteil, daß
die Sensorsignale parallel verarbeitet werden können,
wodurch sie schneller und leichter zu einem Meßwert
zusammenfaßbar sind.
Die Meßwerte können zunächst zu einer mehrdimensionalen
Meßwertfolge zusammengefaßt werden, die dann zu einer
aufbereiteten eindimensionalen Meßwertfolge in Vektorform
reduziert wird. So wird aus einer ein Fahrzeug
charakterisierenden Matrix ein Vektor, der noch ausreichend
Informationen zur Charakterisierung des Fahrzeuges
enthält. Der Vektor kann einfacher und schneller
weiterverarbeitet werden als eine Matrix.
Bevorzugterweise geht die Transformationsmatrix aus
einer Kovarianzmatrix hervor, die in einer Lernphase
aus aufbereiteten eindimensionalen Meßwert folgen
mehrerer Fahrzeuge gebildet wird. Eine Kovarianzmatrix
ist ein unter anderem aus der Bilderkennung bekanntes
statistisches Mittel, mit dem Abweichungen eines Einzelmusters
von dem Durchschnittswert aller Muster berechnet
werden können. Mit dieser Methode kann der Umfang
des Merkmalsvektors verringert werden, da die
Fahrzeuge durch Abweichungen vom Durchschnitt charakterisiert
werden und nicht durch einen kompletten Satz
von Meßwerten. Dies ermöglicht eine schnelle Verarbeitung
der Sensorsignale.
Die Analog-Digital-Wandlung der analogen Sensorsignale
kann direkt in den Sensoreinheiten erfolgen, wodurch
die Störanfälligkeit der Datenübertragung von den Magnetfeldsensoren
zu der Rechnereinheit verringert wird.
Im folgenden wird ein Ausführungsbeispiel der Erfindung
anhand der Zeichnungen näher erläutert.
Es zeigen:
- Fig. 1
- den prinzipiellen Aufbau einer Verkehrsüberwachungsvorrichtung,
- Fig. 2
- eine aus den Sensorsignalen der Magnetfeldsensoren gewonnene mehrdimensionale Meßwertfolge,
- Fig. 3
- eine aufbereitete Meßwertfolge,
- Fig. 4
- eine Kovarianzmatrix, die aus einer Stichprobe von ca. 3800 Fahrzeugen gebildet wurde,
- Fig. 5
- eine Transformationsmatrix als Diagonalmatrix mit den Eigenwerten der Kovarianzmatrix als Diagonalelemente,
- Fig. 6
- einen Merkmalsvektor, der durch Anwendung der Transformationsmatrix auf die aufbereitete Meßwertfolge gebildet wird, und
- Fig. 7
- den prinzipiellen Aufbau eines Magnetfeldsensors.
Figur 1 zeigt eine Verkehrsüberwachungsvorrichtung 1
mit sechzehn Magnetfeldsensoren 2, die in einer geradlinigen
Reihe quer zu einer Fahrbahn 3 verlegt sind.
Die Sensoren 2 sind entweder in der Fahrbahndecke eingelassen
oder unter einer überfahrbaren Schwelle auf
der Fahrbahndecke befestigt. Die Magnetfeldsensoren 2
messen die magnetische Charakteristik eines vorbeifahrenden
Fahrzeuges 4. Sie sind so empfindlich, daß sie
das Erdmagnetfeld messen. Während sich kein Fahrzeug 4
im Meßbereich der Magnetfeldsensoren 2 befindet, werden
die dem Wert des Erdmagnetfeldes entsprechenden Sensorsignale
der Magnetfeldsensoren 2 abgespeichert, um als
Bezugswerte zur Verfügung zu stehen. Befindet sich ein
Fahrzeug 4 im Meßbereich der Magnetfeldsensoren 2, wird
der gemessene Wert größer als der abgespeicherte Bezugswert
und die Differenz wird als Sensorsignal verwertet.
Die Sensoren 2 sind über eine Busleitung 5 mit einer
Rechnereinheit 6 verbunden. Die auf ein Taktsignal der
Rechnereinheit 6 von den Magnetfeldsensoren 2 ausgegebenen
analogen Sensorsignale werden in den Magnetfeldsensoren
2 digital gewandelt und parallel über die
Busleitung 5 an die Rechnereinheit 6 übertragen.
Nach jedem Taktimpuls, bei einem benutzten Takt von
1000 Hz, also nach jeder 1000stel Sekunde, liegt am
Eingang der Rechnereinheit 6 ein digitaler Meßwert 7
(Fig. 2) mit einer Wortbreite von 16 Stellen (entsprechend
den 16 Sensoren), wobei jede Stelle den zugehörigen
Amplitudenwert A angibt. Der Meßwert 7 setzt
sich also aus den einzelnen digital gewandelten und
parallel übertragenen Sensorsignalen aller 16 Magnetfeldsensoren
2 zusammen.
In einem Meßwertfolgegenerator 8 werden die beim Passieren
eines Fahrzeugs 4 nacheinander erzeugten Meßwerte
7 zu einer charakteristischen mehrdimensionalen Meßwertfolge
9 zusammengefaßt. Dabei wird nach jedem Taktimpuls
ein Meßwert 7 zu den vorher aufgenommenen Meßwerten
hinzugenommen, bis das Fahrzeug 4 die Reihe von
Magnetfeldsensoren 2 komplett überfahren hat. In Fig. 2
ist eine derartige Meßwertfolge 9 in dreidimensionaler
Form vereinfacht oder für ein sehr langsam fahrendes
Fahrzeug dargestellt. Normalerweise besteht eine mehrdimensionale
Meßwertfolge 9 aus wesentlich mehr Meßwerten
7.
Die Punkte S1 bis S16 auf der quer zur Fahrbahn gerichteten
Koordinate S sind den einzelnen Magnetfeldsensoren
2 zugeordnet. In Fahrbahnlängsrichtung ist die Koordinate
t der Zeit aufgetragen. Nach jedem Taktimpuls
wird zu den bis zu dem Zeitpunkt tn aufgenommenen Meßwerten
der aktuelle Meßwert 7 zu dem Zeitpunkt tn+1 hinzugefügt.
Der Index n gibt dabei fortlaufend die Zahl
der Taktzyklen an. So entsteht der nur durch den Zeittakt
festgelegte Gitterabstand in Richtung der Koordinate
t. Die Amplitude A eines Gitterpunktes steht in
Relation zu dem gemessenen Magnetfeld zu dem jeweiligen
Zeitpunkt tn an dem jeweiligen Magnetfeldsensor S. Der
Gitterpunkt 11 charakterisiert ein Sensorsignal, das
zum Zeitpunkt t5, d.h. fünf Taktzyklen nachdem das
Fahrzeug 4 in dem Meßbereich der Sensoren 2 gelangt
ist, von dem Sensor S2 aufgenommen wurde.
Die stärksten Amplituden A sind an vier Stellen 10 zu
beobachten. Diese werden durch die Räder bzw. die Metallfelgen
des Fahrzeuges 4 verursacht. Da Magnetfelder
exponentiell abfallen, werden Teile des Fahrzeuges 4,
die den Magnetfeldsensoren 2 am nächsten sind, stärker
erfaßt als weiter entfernte Teile. Dies erklärt die
hohen Amplituden an den Stellen 10 im Bereich der Räder
des Fahrzeuges 4.
Um die verschiedenen charakteristischen mehrdimensionalen
Meßwertfolgen 9 vergleichbar zu machen, wird eine
solche Meßwertfolge 9 in einer Extraktionsstufe 8a zu
einer aufbereiteten eindimensionalen Meßwertfolge 9a
zusammengefaßt, wobei der mehrdimensionalen Meßwertfolge
9 Merkmale entzogen werden.
Die diskreten quantisierten Abtastwerte der charakteristischen
mehrdimensionalen Meßwertfolge 9 der Fahrzeuge
können bereits als fahrzeugbeschreibend betrachtet
werden. Die Datenmenge pro Fahrzeug ist jedoch
relativ groß. Beispielsweise ergeben sich für ein 30
km/h schnelles Fahrzeug von 4 m Länge 480 Meßwerte pro
Sensor (bei einem Takt von 1000 Hz). Bei 16 verwendeten
Sensoren ergeben sich somit insgesamt 7680 Merkmalskomponenten,
die nicht in einer für die Fahrzeugerkennung
realistischen Zeit verarbeitbar sind. In der Extraktionsstufe
8a wird die Zahl der Merkmalskomponenten auf
64 reduziert.
Die mehrdimensionalen Meßwertfolgen 9 enthalten zusätzlich
Informationen, die nicht fahrzeugspezifisch sind
(Irrelevanz), wie zum Beispiel die von den Rädern der
Fahrzeuge hervorgerufenen Merkmalskomponenten 10. Die
mehrdimensionalen Meßwertfolgen 9 werden so aufbereitet,
daß objektspezifische Eigenschaften wie Momentangeschwindigkeit
der Fahrzeuge, Fahrzeuglängen,
Rausch- und Störanteile, Empfindlichkeit und Verstärkungsfaktoren
der Detektoren unterschiedliche Bodenfreiheiten,
Einfedern bei Fahrbahnunebenheiten beseitigt
sind.
Zunächst wird die mehrdimensionale Meßwertfolge 9 in
Richtung der t-Koordinate auf eine Länge von 32 Stütz-stellen
reduziert. Diese Komprimierung entspricht einer
Zeitnormierung, da die Geschwindigkeit bzw. die Länge
des Fahrzeuge eliminiert wird. Ein Zeitnormierungsfaktor
wird aus dem Verhältnis zwischen Anzahl der aufgenommenen
Stützpunkte der mehrdimensionalen Meßwertfolge
9 in Richtung der t-Koordinate und der vordefinierten
Anzahl (32) der Stützstellen definiert. Dieser Normierungsfaktor
bestimmt die Anzahl der Stützpunkte der
originalen mehrdimensionalen Meßwertfolge, die zu einer
Stützstelle der zeitnormierten mehrdimensionalen Meßwertfolge
zusammengefaßt werden. Durch diese zusammenzufassenden
Stützpunkte der originalen Meßwertfolge
wird jeweils eine Regressionsgrade gelegt, deren Steigung
für die zeitnormierte Meßwertfolge umgerechnet
wird.
In einem zweiten Schritt werden die Merkmalswerte bereichsweise
zusammengefaßt und eine aufbereitete eindimensionale
Meßwertfolge 9a in Vektorform (Figur 3)
gebildet. Dies ist möglich, da eine heuristische Analyse
der mehrdimensionalen Meßwertfolgen 9 zeigt, daß
eine statistische Bindung zwischen den Merkmalskomponenten
besteht. Sie wird vor allem durch die statistische
Abhängigkeit des Eingangssignales verursacht.
Allgemeine Konstruktionsprinzipien beeinflußen die Metallmassenverteilung
an der Fahrzeugunterseite, so daß
auch bei idealer Betrachtung keine unabhängigen Merkmalskomponenten
gewonnen werden können. Darunter fallen
insbesondere die von den Rädern des Fahrzeuges hervorgerufenen
Merkmalskomponenten 10. Deshalb werden zur
weiteren Informationskomprimierung die Merkmalskomponenten,
die von den Sensoren aufgenommen worden sind,
welche im Bereich der Räder des Fahrzeuges angeordnet
sind, aus der mehrdimensionalen Meßwertfolge 9 entfernt.
In diesem Fall werden die Merkmalskomponenten
der Sensoren S1 bis S5 und S12 bis S16, die die Fahrzeugräder
erfaßt haben, unterdrückt. Diese Merkmalskomponenten
können jedoch zur Bestimmung der Fahrzeugbreite
und des Achsenabstandes benutzt werden. Sie sind daher
zur Unterscheidung verschiedener Fahrzeugarten, insbesondere
zur PKW-, LKW- und Motorrad- Klassifizierung
gut geeignet.
Die verbliebenen Merkmalskomponenten der Sensoren S6
bis S11 werden zu zwei Gruppen zusammengefaßt. Dazu
werden die Werte der ersten drei Sensoren (S6 bis S8)
an den 32 Stützstellen jeweils zu einem Mittelwert zusammengefaßt,
so daß eine Folge von 32 gemittelten
Merkmalskomponenten entsteht. Die Merkmalskomponenten
der drei Sensoren S9 bis S11 werden entsprechend zusammengefaßt.
Die beiden Folgen werden aneinander gehängt,
so daß eine eindimensionale Meßwertfolge 9a in Form
eines Meßwertvektors entsteht (Figur 3). Die ersten 32
Werte der eindimensionalen Meßwertfolge 9a stammen
dabei von den Sensoren S6 bis S8, die letzten 32 Werte
von den Sensoren S9 bis S11. So kann die Anzahl der Werte,
die das Fahrzeug charakterisieren, auf 64 pro Fahrzeug
beschränkt werden. Diese Anzahl liegt in einer für
die Fahrzeugerkennung günstigen Größenordnung.
Abschließend wird in der Extraktionsstufe 8a noch die
Amplitude der eindimensionalen Meßwertfolge normiert.
Dazu wird zunächst die Maximalamplitude der eindimensionalen
Meßwertfolge gesucht. Dieser Wert wird auf 255
festgelegt und bildet nach folgender Formel die Bezugsgröße
für alle anderen Stützpunkte:
X (n ) norm = X (n ) Abtast X max · 255
Nach der Formel wird der Amplitudenwert eines Meßpunktes
(X(n)Abtast)durch den Wert der maximalen Amplitude
(Xmax) geteilt und mit 255 multipliziert, um so amplitudennormierte
Werte zu erhalten.
In Fig. 3 sind entlang der Abszisse die Nummern der das
Fahrzeug charakterisierenden Werte und entlang der Ordinate
die (auf 255 normierten) Beträge dieser Werte
angegeben.
Nach Durchführung dieser drei Normierungen erhält man
komplett normierte Komponenten einer aufbereiteten eindimensionalen
Meßwertfolge 9a mit 64 Werte, die das
Fahrzeug vollständig beschreiben und weitgehend von
nicht fahrzeugtypischen Einflüssen befreit sind.
Die charakteristische mehrdimensionale Meßwertfolge
eines schrägfahrenden, z.B. überholenden, Fahrzeuges
kann ebenfalls zu einer mit anderen aufbereiteten Meßwertfolgen
vergleichbaren Meßwertvektor 9a normiert
werden.
Der Meßwertvektor 9a wird in einem Merkmalsvektorgenerator
12 mit einer Transformationsmatrix MT (Figur
5) multipliziert. Die Transformationsmatrix MT wird aus
einer Kovarianzmatrix MK, die in Figur 4 dargestellt
ist, gewonnen. Die Kovarianzmatrix MK wird in einer
Lernphase aus den Meßwertvektorenn 9a zahlreicher Fahrzeuge
in einem Lernteil 13 gebildet.
Dazu wird die Kenntnis der statistischen Eigenschaften
der mehrdimensionalen Meßwertfolge 9 benötigt. Die Entwicklung
der Kovarianzmatrix MK basiert auf der allgemeinen
Karhunen-Loeve-Entwicklung (erläutert in "Klassifikation
von Mustern", Heinrich Niemann, Springer
Verlag, 1983). Es handelt sich dabei um eine Reihenentwicklung
auf der Basis eines autonormalen problemabhängigen
Funktionensystems, das den Gesamtprozeß optimiert.
Durch diesen Ansatz wird ohne Rücksicht auf eine
Fahrzeugklasseneinteilung der Abstand aller Merkmalsvektoren
VM untereinander maximiert (Maximierung der
Gesamtabstände). Eine Maximierung der Gesamtabstände
läßt sich darstellen, indem die Vektoren im mehrdimensionalen
Merkmalsraum möglichst weit auseinandergerückt
werden. Die Klassifizierung wird dadurch erleichtert,
daß eine einfache Unterscheidung der Vektoren möglich
ist. Da jedes Fahrzeug durch einen Vektor repräsentiert
wird, führt die Maximierung des Vektorabstandes zu
einer guten Klassifikation.
Die Eigenwerte der Kovarianzmatrix MK sind die Diagonalelemente
der eigentlichen Transformationsmatrix MT.
Die anderen Elemente der Transformationsmatrix MT sind
gleich Null. Bei der vorausgesetzten Gaußverteilung
bedeutet das die statistische Unabhängigkeit (Unkorreliertheit)
der Komponenten. Die Diagonalkomponenten
sind zuerst sehr groß (das entspricht einem sehr hohen
Informationsgehalt) und fallen dann sehr stark ab. Die
Selektion der wichtigsten Komponenten erfolgt durch
Vernachlässigung derjenigen Komponenten, die entsprechend
ihren Eigenwerten nur noch einen geringen
Informationsgehalt haben.
Die Vorschrift zur Berechnung des Merkmalsvektors VM
lautet VM = MT x X . Mit dem Merkmalsvektor
der mit der aufbereiteten eindimensionalen Meßwertfolge
9a gebildet wurde, sowie der Transformationsmatrix MT
in Diagonalform mit den Diagonalwerten Ω11 - ΩMN.
Der aus der Transformation erhaltene Merkmalsvektor VM
ist in Figur 6 dargestellt. Entlang der Abszisse sind
die Elemente des Merkmalsvektors V11 aufgetragen, während
auf der Ordinate die bei der Transformation entstandenen
und nicht normierten Werte der Elemente angegeben
sind. Die Transformationsmatrix MT wurde auf den
Meßwertvektor angewendet, der 64 Elemente aufweist.
Deshalb besteht auch der Merkmalsvektor VM aus 64 Elementen.
Die Elemente mit den höchsten Werten, d.h. mit
der höchsten Unterscheidungskraft befinden sich unter
den ersten 32 Elementen des Merkmalsvektors VM. Die
letzten 32 Elemente haben sehr kleine Werte oder den
Wert Null, d.h. sie steuern keine wesentlichen Informationen
zur Unterscheidung von Fahrzeugen bei. Daher
können die letzten 32 Elemente vernachlässigt werden.
Somit ergibt sich ein Merkmalsvektor VM mit 32 Stellen,
der ein Fahrzeug eindeutig charakterisiert.
In einem Komparator 15 wird der in dem Merkmalsvektorgenerator
12 erzeugte Merkmalsvektor VM abgespeichert
und mit den im Rechner 6 zuvor gespeicherten Merkmalsvektoren
früherer Fahrzeuge verglichen. Ist der neue
Merkmalsvektor VM unbekannt, wird ein neuer Datensatz
für das Fahrzeug 4 angelegt und gespeichert. Kann das
Fahrzeug 4 anhand seines Merkmalsvektors VM identifiziert
werden, werden Ort und Zeitpunkt des Fahrzeuges 4
in den Datensatz aufgenommen.
In Figur 7 ist der Aufbau eines Magnetfeldsensors 2
gezeigt. Der Magnetfeldsensor 2 besteht aus zwei einzelnen
Sensorkomponenten 2a und 2b, die in ihrer Längsrichtung
um 90° zueinander verdreht angeordnet sind.
Die Sensorkomponenten 2a und 2b haben Vorzugsrichtungen
bezüglich der Meßempfindlichkeit. In Richtung ihrer
Längsachsen ist die Meßempfindlichkeit gering. Um alle
Richtungskomponenten des Magnetfeldes mit gleicher Empfindlichkeit
erfassen zu können, werden die Sensorkomponenten
2a und 2b um 90° versetzt angeordnet, so daß
die nachteilige Meßcharakteristik der einzelnen Sensorkomponenten
2a,2b ausgeglichen wird. Zur Erzeugung des
Sensorsignals werden die beiden Komponentensignale geometrisch
addiert. Das Sensorsignal wird digital gewandelt
und über die Busleitung 5 an die Rechnereinheit 6
weitergegeben.
Der Meßwertfolgegenerator 8, die Extraktionsstufe 8a,
der Merkmalsvektorgenerator 12 und der Komparator 15
können in der Rechnereinheit 6 auch durch entsprechende
Software realisiert werden.
Claims (10)
- Verfahren zur Verkehrsüberwachung mit den folgenden Schritten:Messung der magnetischen Charakteristik eines vorbeifahrenden Fahrzeugs mit mehreren quer über die Fahrbahn (3) in einer Reihe angeordneten Magnetfeldsensoren (2) an mehreren örtlich auseinanderliegenden Stellen.Analog-Digital-Wandlung der von den Magnetfeldsensoren (2) erzeugten Sensorsignale,Zusammenfassen der einzelnen digital gewandelten Sensorsignale aller Sensoren (2) der Reihe zu einem Meßwert (7),Umwandeln der Meßwerte (7) in eine aufbereitete eindimensionale Meßwertfolge (9a),Transformieren der aufbereiteten eindimensionalen Meßwertfolge (9a) mit Hilfe einer Transformationsmatrix (MT) in einen Merkmalsvektor (VM), der dem Fahrzeug (4) zugeordnet und abgespeichert wird, undVergleichen des Merkmalsvektors (VM) mit früher ermittelten Merkmalsvektoren.
- Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß die Meßwerte (7) zu einer mehrdimensionalen charakteristischen Meßwertfolge (9) zusammengefügt werden, welche auf die aufbereitete eindimensionale Meßwertfolge (9a) reduziert wird.
- Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, daß die Transformationsmatrix (MT) eine Diagonalmatrix ist, deren Diagonalelemente Eigenwerte einer Kovarianzmatrix (MK) sind, wobei die Kovarianzmatrix (MK) in einer Lernphase aus aufbereiteten mehrdimensionalen Meßwertfolgen (9a) mehrerer Fahrzeuge (4) gebildet wird.
- Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß die Analog-Digital-Wandlung der Sensorsignale in den Sensoreinheiten (2) erfolgt.
- Verkehrsüberwachungsvorrichtung mit mehreren quer über die Fahrbahn (3) in einer Reihe angeordneten Magnetfeldsensoren (2) an mehreren örtlich auseinanderliegenden Stellen und mit einer die Sensorsignale verarbeitenden Rechnereinheit (6), die den analogen Sensorsignalen entsprechende digitale Meßwerte (7) zu einer eindimensionalen aufbereiteten Meßwertfolge (9a) umwandelt, welche mit einer Transformationsmatrix (MT) zu einem das jeweilige Fahrzeug (4) identifizierenden Merkmalsvektor (VM) transformiert wird.
- Vorrichtung nach Anspruch 5, dadurch gekennzeichnet, daß die Magnetfeldsensoren (2) die durch das Fahrzeug (4) hervorgerufenen Änderungen des Erdmagnetfeldes messen.
- Vorrichtung nach Anspruch 5 oder 6, dadurch gekennzeichnet, daß über eine Meßbreite von 3,60 m mindestens zwölf Magnetfeldsensoren (2) in einer Reihe angeordnet sind.
- Vorrichtung nach einem der Ansprüche 5 bis 7, dadurch gekennzeichnet, daß die Magnetfeldsensoren (2) unter Vorgabe eines Taktes die Sensorsignale gleichzeitig ausgeben.
- Vorrichtung nach einem der Ansprüche 5 bis 8, dadurch gekennzeichnet, daß die Transformationsmatrix (MT) eine Diagonalmatrix ist, deren Diagonalelemente Eigenwerte einer Kovarianzmatrix (MK) sind, wobei die Kovarianzmatrix (MK) in einer Lernphase aus aufbereiteten, eindimensionalen Meßwertfolgen (9a) mehrerer Fahrzeuge (4) gebildet ist.
- Vorrichtung nach einem der Ansprüche 5 bis 9, dadurch gekennzeichnet, daß die Analog-Digital-Wandlung der Sensorsignale in den Sensoreinheiten (2) erfolgt.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE1996146632 DE19646632C1 (de) | 1996-11-12 | 1996-11-12 | Verfahren und Vorrichtung zur Verkehrsüberwachung |
DE19646632 | 1996-11-12 |
Publications (1)
Publication Number | Publication Date |
---|---|
EP0841647A1 true EP0841647A1 (de) | 1998-05-13 |
Family
ID=7811372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
EP97118758A Withdrawn EP0841647A1 (de) | 1996-11-12 | 1997-10-29 | Verfahren und Vorrichtung zur Verkehrsüberwachung |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP0841647A1 (de) |
DE (1) | DE19646632C1 (de) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000049590A1 (en) * | 1999-02-18 | 2000-08-24 | The University Court Of The University Of Edinburgh | Vehicle detector and classifier |
FR2790834A1 (fr) * | 1999-03-12 | 2000-09-15 | Philippe Gendrier | Systeme d'imagerie magnetique par reseau matriciel de magnetometres |
EP1361555A2 (de) * | 2002-05-10 | 2003-11-12 | Siemens Aktiengesellschaft | System zur Parkraumbewirtschaftung und/oder Fahrzeugregistrierung im Innen- und Aussenbereich |
EP1139086A3 (de) * | 2000-03-29 | 2004-01-07 | MTU Friedrichshafen GmbH | Verfahren zur Detektion von Zündaussetzern anhand der Kurbelwellendrehzahl |
FR2896070A1 (fr) * | 2006-01-11 | 2007-07-13 | Commissariat Energie Atomique | Systeme magnetique de controle de trafic |
DE102011014855A1 (de) * | 2011-03-24 | 2012-09-27 | Thales Defence & Security Systems GmbH | Verfahren und Vorrichtung zum Erfassen und Klassifizieren von fahrenden Fahrzeugen |
EP3091372A1 (de) * | 2015-05-05 | 2016-11-09 | Centro de Cálculo Igs Software S.L. | Fahrzeugdetektionssystem |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201503855D0 (en) | 2015-03-06 | 2015-04-22 | Q Free Asa | Vehicle detection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3521655A1 (de) * | 1985-06-18 | 1987-01-15 | Mueller Ind Management Gmbh | Einrichtung zum erfassen von fahrzeugverkehr mit magnetfelddetektoren |
US5264793A (en) * | 1991-04-11 | 1993-11-23 | Hughes Aircraft Company | Split array dipole moment detection and localization |
WO1995028693A1 (en) * | 1994-04-19 | 1995-10-26 | Honeywell Inc. | Magnetometer vehicle detector |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4231881A1 (de) * | 1992-09-24 | 1994-03-31 | Ant Nachrichtentech | Anordnung zum Erfassen von Verkehrsgrößen |
-
1996
- 1996-11-12 DE DE1996146632 patent/DE19646632C1/de not_active Expired - Fee Related
-
1997
- 1997-10-29 EP EP97118758A patent/EP0841647A1/de not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3521655A1 (de) * | 1985-06-18 | 1987-01-15 | Mueller Ind Management Gmbh | Einrichtung zum erfassen von fahrzeugverkehr mit magnetfelddetektoren |
US5264793A (en) * | 1991-04-11 | 1993-11-23 | Hughes Aircraft Company | Split array dipole moment detection and localization |
WO1995028693A1 (en) * | 1994-04-19 | 1995-10-26 | Honeywell Inc. | Magnetometer vehicle detector |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000049590A1 (en) * | 1999-02-18 | 2000-08-24 | The University Court Of The University Of Edinburgh | Vehicle detector and classifier |
FR2790834A1 (fr) * | 1999-03-12 | 2000-09-15 | Philippe Gendrier | Systeme d'imagerie magnetique par reseau matriciel de magnetometres |
EP1139086A3 (de) * | 2000-03-29 | 2004-01-07 | MTU Friedrichshafen GmbH | Verfahren zur Detektion von Zündaussetzern anhand der Kurbelwellendrehzahl |
EP1361555A2 (de) * | 2002-05-10 | 2003-11-12 | Siemens Aktiengesellschaft | System zur Parkraumbewirtschaftung und/oder Fahrzeugregistrierung im Innen- und Aussenbereich |
EP1361555A3 (de) * | 2002-05-10 | 2004-03-03 | Siemens Aktiengesellschaft | System zur Parkraumbewirtschaftung und/oder Fahrzeugregistrierung im Innen- und Aussenbereich |
FR2896070A1 (fr) * | 2006-01-11 | 2007-07-13 | Commissariat Energie Atomique | Systeme magnetique de controle de trafic |
EP1811479A1 (de) * | 2006-01-11 | 2007-07-25 | Commissariat à l'Energie Atomique | Magnetsystem zur Verkehrsregelung |
JP2007188503A (ja) * | 2006-01-11 | 2007-07-26 | Commiss Energ Atom | 磁気交通制御システム |
US7765056B2 (en) | 2006-01-11 | 2010-07-27 | Commissariat A L'energie Atomique | Magnetic traffic control system |
DE102011014855A1 (de) * | 2011-03-24 | 2012-09-27 | Thales Defence & Security Systems GmbH | Verfahren und Vorrichtung zum Erfassen und Klassifizieren von fahrenden Fahrzeugen |
EP3091372A1 (de) * | 2015-05-05 | 2016-11-09 | Centro de Cálculo Igs Software S.L. | Fahrzeugdetektionssystem |
Also Published As
Publication number | Publication date |
---|---|
DE19646632C1 (de) | 1998-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP0560023B1 (de) | Einrichtung zur Klassifizierung eines Musters, insbesondere von einer Banknote oder von einer Münze | |
DE19620627C2 (de) | Objekterfassungsverfahren in einem Fahrzeug | |
DE112012004000B4 (de) | Fahrunterstützungsvorrichtung und Verfahren | |
EP0915350A2 (de) | Vorrichtung zur Ermittlung fahrspurverlaufsindikativer Daten | |
DE102011014855A1 (de) | Verfahren und Vorrichtung zum Erfassen und Klassifizieren von fahrenden Fahrzeugen | |
EP2206075B1 (de) | Detektor und verfahren zum erkennen einer fahrspurbegrenzung | |
DE19646632C1 (de) | Verfahren und Vorrichtung zur Verkehrsüberwachung | |
EP2819113B1 (de) | Messanlage zur Erfassung eines einem Fahrzeug zugeordneten Kennzeichens bei Passage eines Messquerschnittes einer Fahrbahn | |
DE60224069T2 (de) | Fahrzeug und lenkverfahren dafür | |
EP0978811A2 (de) | Verfahren sowie Einrichtung zur Reisezeitermittlung von Kraftfahrzeugen | |
WO2022135978A1 (de) | Vorrichtung zum ermitteln von daten zum bestimmen einer geschwindigkeit eines fahrzeuges, auswerteeinrichtung und verfahren hierzu | |
DE19638069A1 (de) | Verfahren und Einrichtung zur Erfassung von Verkehrsdaten von Fahrzeugen | |
EP2320384A1 (de) | Verfahren zur Kennzeichenerkennung und Mautkategorisierung von Fahrzeugen | |
DE4041149C1 (en) | Vehicle type classification within traffic flow - comparing vehicle silhouette with patterns stored in memory | |
DE69722014T2 (de) | Verfahren für die detektion,identifizierung und verfolgen von unsichtbaren gegenständen | |
DE19543151C2 (de) | Anordnung zur Fahrzeugerfassung und Verfahren zu deren Betrieb | |
EP0710927A2 (de) | Verfahren zur objektorientierten Erkennung bewegter Objekte | |
DE3016901C2 (de) | ||
EP1022703B1 (de) | Verfahren zur Analyse von Verkehrsflüssen zur optimierten Verkehrsflusssteuerung sowie zur bedarfsgerechten Planung von Strassenverkehrsnetzen | |
DE4328939A1 (de) | Verfahren zur Erfassung von streckenbezogenen Verkehrsgrößen | |
DE102005034988B4 (de) | Verfahren und Anordnung zur Erfassung von ein Erdmagnetfeld örtlich beeinflussenden Fahrzeugen | |
DE102019211459A1 (de) | Verfahren und Vorrichtung zum Überprüfen einer Kalibrierung von Umfeldsensoren | |
EP0629861A1 (de) | Vorrichtung zur Messung der Geschwindigkeit von Landfahrzeugen | |
EP0903711A2 (de) | Verfahren zur Ermittlung von Verkehrsinformationen | |
WO2011144391A1 (de) | Verfahren zum erkennen von magnetisch gekennzeichneten objekten sowie entsprechende vorrichtung |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
AK | Designated contracting states |
Kind code of ref document: A1 Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE |
|
AX | Request for extension of the european patent |
Free format text: AL;LT;LV;RO;SI |
|
AKX | Designation fees paid | ||
RBV | Designated contracting states (corrected) | ||
STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN |
|
18D | Application deemed to be withdrawn |
Effective date: 19981114 |
|
REG | Reference to a national code |
Ref country code: DE Ref legal event code: 8566 |