JP2023517592A - 車両検出装置、方法及びプログラム - Google Patents

車両検出装置、方法及びプログラム Download PDF

Info

Publication number
JP2023517592A
JP2023517592A JP2022554513A JP2022554513A JP2023517592A JP 2023517592 A JP2023517592 A JP 2023517592A JP 2022554513 A JP2022554513 A JP 2022554513A JP 2022554513 A JP2022554513 A JP 2022554513A JP 2023517592 A JP2023517592 A JP 2023517592A
Authority
JP
Japan
Prior art keywords
lane
frame
vehicle
amplitude
time
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
Application number
JP2022554513A
Other languages
English (en)
Other versions
JP7452686B2 (ja
Inventor
ムルトゥザ ペトラードワラー
翔平 木下
茂 葛西
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.)
NEC Corp
Original Assignee
NEC Corp
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 NEC Corp filed Critical NEC Corp
Publication of JP2023517592A publication Critical patent/JP2023517592A/ja
Application granted granted Critical
Publication of JP7452686B2 publication Critical patent/JP7452686B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G08G1/056—Detecting movement of traffic to be counted or controlled with provision for distinguishing direction of travel
    • 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
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G08G1/0133—Traffic data processing for classifying traffic situation
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/001—Acoustic presence detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/30—Analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/32—Transforming one recording into another or one representation into another
    • G01V1/325—Transforming one representation into another
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • 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
    • G08G1/02—Detecting movement of traffic to be counted or controlled using treadles built into the road
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
    • G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
    • G01V1/36—Effecting static or dynamic corrections on records, e.g. correcting spread; Correlating seismic signals; Eliminating effects of unwanted energy
    • G01V1/364—Seismic filtering

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Acoustics & Sound (AREA)
  • Environmental & Geological Engineering (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

【課題】【解決手段】本発明は、橋梁の並列車線を通過する車両を検出し識別することを可能にする装置及び方法を提供する。信号取得部は、橋梁の車線下、伸縮継手の近くに設けられたセンサから振動信号を取得し、信号分離部は、前記振動信号に対してＢＳＳを適用して、前記複数の車線にそれぞれ対応する分離されたソース振動信号を推定し、前記ソース振動信号の振幅を調整して、振幅調整された振動信号を出力し、車両推定部は、前記振幅調整された振動信号から、対象車線を通過する車両による応答振動を推定し、前記車線を通過する車両を検出且つカウントする。【選択図】図２

Description

本発明は、車両検出装置、方法及びプログラムに関する。
橋梁上を通過する車両について計測された応答を用いた検出に関して、非特許文献（ＮＰＬ）１には、交通負荷がかかった橋梁の加速度応答データ（時間履歴）から自動的に車両の台数を得る自動車両検出（automatic Vehicle Detection: AVD）アルゴリズムが開示されている。非特許文献１のAVDアルゴリズムは、ある時間間隔の間に通過した車両の総数（車両台数）といった交通に関する情報を提供する。ヘッドウェイ（headway）は、高速道路の交通状況における先行車と後続車との時間差又は距離差である。時間ヘッドウェイ（ＴＨＷ）と、距離ヘッドウェイ（ＤＨＷ）は、非特許文献１の図１及び図２を引用した本願の図１６（Ａ）及び図１６（Ｂ）に示すように、車両の速度（Ｖ）を用いて、ＴＨＷ＝ＤＨＷ／Ｖという関係を有する。AVDでは、車両を識別するために、辞書を用いて車両識別（Vehicle Identification）を行う。AVDでは、以下の条件が成り立つとき、２台の車両を識別できる。
THW>=THWmin
ただし、THWminは時間ヘッドウェイの最小値である。
AVDでは、時間ヘッドウェイの最小値THWminは予め定められる。その値は、大多数のトラックが互いに追従することになる値に設定される。THW<THWminとなるよう通過する一対のトラックは、１台の車両とみなされる。つまり、AVDでは、THW<THWminで通過する一対のトラックを個々に識別できない。
特許文献１は、フィンガージョイントのフィンガー部先端裏側に歪ゲージを取り付けることにより、車両が継手部を通過する際に生じるフィンガージョイントのフィンガー部のたわみを電気信号に変える、フィンガージョイントベースの検出システムが開示されている。橋梁の幅方向に適切な間隔で設けられた歪ゲージにより、車線ごとの交通量調査が可能となる。
特許文献２は、橋梁の床版上を通過する車両を、床版の側面に取り付けられた加速度センサから送信される加速度信号（振動信号）に基づいて検出する計測装置を開示している。車両検知は、振動信号の包絡線を用いて、以下の手順で行われる。測定装置は、垂直方向の加速度の絶対値を算出し、その絶対値の包絡線（信号）を算出する。車両が加速度センサの近傍に進入すると、車両通過時の開始時刻に包絡線の大きさが大きくなり、反対方向から進入すると、終了時刻に包絡線の大きさが大きくなり、加速度センサの近傍に車両が進入すると、車両通過時の開始時刻に包絡線の大きさが大きくなる。
特許文献３には、橋梁を通過する車両の車軸間隔を検出するために、橋梁の各車線に複数のセンサを配置するシステムが開示されている。車軸の通過時間群において、車軸間の通過時間差が設定値よりも大きい点を車両と車両の区切れとして、車両ごとの車軸間隔を検出する。活荷重ひずみと、車線Ｐにおけるｋ番目の車軸が基準位置を通過した時刻と、車線Ｐ上のｋ番目の車両の速度と、車両が通過する車線Ｐとが取得される。橋梁の車線を通過中の車両の車軸間隔を、車軸間隔と車種との対応関係が予め格納されているデータベースと照合することにより、橋梁を通過中の車両の車種が、自動的に且つ実質的にリアルタイムで検出される。
実開平４－１１２９０３号公報 特開２０１７－０６８７８１号公報 特開２００６－０８４４０４号公報
Kanwardeep Singh Bhachu, J. David Baldwin, Kyran D. Mish, "Method for Vehicle Identification and Classification for Bridge Response Monitoring", Proceedings of the IMAC-XXVIII February 1-4, 2010, Jacksonville, Florida USA 2.1. "Gaussian mixture models",［令和２年１月８日検索］、インターネット〈URL https://scikit-learn.org/stable/modules/mixture.html〉 David M. Blei, Michael I. Jordan, "Variational Inference for Dirichlet Process Mixtures", 2006 International Society for Bayesian Analysis, 1, Number 1, pp. 121-144,［令和２年１月８日検索］、インターネット〈URL http://www.cs.columbia.edu/~blei/papers/BleiJordan2004.pdf〉
以下の分析は、本願発明者らによってなされたものである。
非特許文献１に開示されているAVDアルゴリズムは、車線上を通過する車両（トラック）と、それに先行する又は後続する他の車両との間の時間ヘッドウェイＴＨＷが最小時間ヘッドウェイ以上である場合、個々の車両を識別又は区別することができる。しかしながら、AVDアルゴリズムは、図１７に例示されるように、以下の交通状況において車両をよく識別／区別することができない。
（１）橋梁の並列車線を通過する複数の車両（並列交通モデル）。
（２）例えば、トラックと乗用車など車種の組み合わせで次々に通過する複数の車両（直列交通モデル）。
（３）並列交通モデル（１）と直列交通モデル（２）との組み合わせで通過する複数の車両（混合交通モデル）。
複数の車両が橋梁の並列の車線を通過する場合、各車線における車両の存在は、個々の車両に特有の振動が発生する。AVDアルゴリズムは、橋梁の並列車線を通過する車両を識別／区別することができない。混合した加速度信号（振動信号）の組み合わせは、図１８（Ｂ）に示すように測定される。図１８（Ｂ）は、図１８（Ａ）に例示されるように、橋梁の車線１を通過する車両１（４軸トラック）と、当該橋梁の車線２を通過する車両２（２軸車）とが存在する並列交通モデルにおいて、加速度センサによって測定された加速度信号の測定結果を示している。
図１９（Ｂ）は、直列交通モデルにおいて、加速度センサによって測定された加速度の測定結果を示している。図１９（Ａ）に例示されるように、単一車線（single lane）１において、大型車両１（５軸トラック）のあとに小型車両２（２軸車）が続く。小型車両２によって誘発される橋梁の加速度信号（振動信号）は、大型車両１によって誘発される橋梁の振動信号の中に埋もれてしまう。非特許文献１に開示されているAVDアルゴリズムは、車種が組み合わされた直列交通モデルにおいて、大型車両１に続く小型車両２を識別することができない。
図２０（Ｂ）は、混合交通モデルにおいて、加速度センサによって測定された加速度の測定結果を示している。この混合交通モデルでは、図２０（Ａ）に例示されるように、橋梁の車線１を通過する車両１（３軸トラック）と、車両１に続き橋梁の車線１を通過する車両２（２軸車）が存在する。また、車線２には、車線１の車両１と並列に通過する車両３（２軸車）と、車両３に続いて車線２を通過する車両４（２軸車）が存在している。なお、橋梁下の加速度信号（振動信号）の測定位置は、非特許文献１に開示されているAVDアルゴリズムで提案されている通りであり、図１７、図１８及び図１９に示された信号は、AVDアルゴリズムにおいて定義された同一の位置に対応する。
非特許文献１に開示されているAVDアルゴリズムは、図２０（Ａ）に例示されるように、橋梁上に複数の車両が存在する間、橋梁の２車線を通過する個々の車両を識別／区別できない。非特許文献１に開示されているAVDアルゴリズムは、前述の理由により、直列と並列とが混合して通過する車両を識別できない。
非特許文献１に開示されているAVDアルゴリズムは、閾値ベースの辞書を使用している。複数の車種の組み合わせのために辞書を作成することは、時間がかかり、非常に複雑である。
したがって、本発明の目的の１つは、それぞれが橋梁の並列車線を通過する車両の検出及び識別を可能とする検出装置、方法、プログラムを提供することにある。
本開示の第１の側面によれば、平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能である複数のセンサからそれぞれ複数の振動信号を取得する信号取得部と、
前記信号取得部から前記複数の振動信号を受信し、前記複数の振動信号に対してブラインドソース分離（ＢＳＳ）を適用して、各車線に特有な複数のソース振動信号を推定して分離し、前記複数のソース振動信号の個々の信号の振幅を調整して複数の振幅調整された振動信号を出力する信号分離部と、
前記信号分離部から関心対象の前記車線に対応する前記振幅調整された振動信号を受信し、前記振幅調整された振動信号から前記車線を通過する車両による応答振動を推定して、前記車線を通過する個々の車両を検出してカウントする車両推定部を含む検出装置が提供される。
本開示の第２の側面によれば、各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能な複数のセンサからそれぞれ複数の振動信号を取得すること、
信号分離処理を実行すること、及び、
推定処理を実行すること、
を含み、
前記信号分離処理は、
前記複数の振動信号に対してブラインドソース分離（ＢＳＳ）を適用して、それぞれが各車線に特有である複数のソース振動信号を推定して分離すること、
前記複数のソース振動信号の内の個々の信号の振幅を調整し、複数の振幅調整された振動信号を出力すること、
を含み、
前記推定処理は、
前記信号分離処理から出力された、関心対象の車線に対応する前記振幅調整された振動信号を受信すること、
前記振幅調整された振動信号から前記対象車線を通過する車両による応答振動を推定して、前記関心対象の車線を通過する個々の車両を検出してカウントする、
ことを含む、コンピュータ・ベースの車両検出方法が提供される。
本開示の第３の側面によれば、コンピュータに、
各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能な複数のセンサからそれぞれ複数の振動信号を取得すること、
信号分離処理を実行すること、及び、
推定処理を実行すること、
を含む処理であって、
前記信号分離処理は、
前記複数の振動信号に対してブラインドソース分離（ＢＳＳ）を適用して、それぞれが各車線に特有である複数のソース振動信号を推定して分離すること、
前記複数のソース振動信号の内の個々の信号の振幅を調整し、複数の振幅調整された振動信号を出力すること、
を含み、
前記推定処理は、
前記信号分離処理から出力された、関心対象の車線に対応する前記振幅調整された振動信号を受信すること、
前記振幅調整された振動信号から前記対象車線を通過する車両による応答振動を推定して、前記関心対象の車線を通過する個々の車両を検出してカウントすること、を含む処理を実行させるプログラムを記憶した記録媒体が提供される。
本開示によれば、本開示の上記第３の側面によるプログラムが格納されたコンピュータ読み出し可能な記録媒体が提供される。前記記録媒体は、半導体メモリ（ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）など）、ハードディスクドライブ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ（ＨＤＤ））、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）などでもよい。
本開示のさらなる側面によれば、各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能な複数のセンサからそれぞれ複数の振動信号を取得する信号取得部と、
車両推定部と、を備え、
前記車両推定部は、
スライディングウィンドウによって前記振動信号から抽出された各フレームにフーリエ変換を適用することにより、前記振動信号の前記各フレームの周波数スペクトルを取得し、各車線について、前記各フレームの周波数スペクトルから正規化周波数ベクトルの和を算出し、その各要素が前記複数の車線について算出された正規化周波数ベクトルの前記和の最大値である最大ベクトルを生成し、
その数が正規化周波数ベクトルの前記和の数に等しい列と、その要素が時間インデックスに対応し、最大値を有する要素位置で値１を有し、それ以外の場合は０を有する行とを有するバイナリベクトルを生成し、
時間値に正規化周波数ベクトル及び最大ベクトルの大きさの値を乗算することにより、前記ベクトルそれぞれの和の時間繰り返しベクトルを取得し、
前記時間繰り返しベクトルに対して、ガウス混合モデルクラスタリングを実行して、クラスタの数をカウントし、各車線における車両の存在の開始時刻及び終了時刻を判断し、
前記バイナリ行列の行において、前記開始時刻及び前記終了時刻に対応する要素の列ごとの平均値を算出して、前記列ごとの平均値が所定の閾値以上である場合、前記車両が、前記列ごとの平均値が算出される前記バイナリ行列の列に対応する車線に存在すると判断し、
前記列ごとの平均値が前記バイナリ行列のすべての列について所定の閾値よりも小さい場合、前記車両が前記複数の車線に存在すると判断する、車両検出装置が提供される。本開示の前記さらなる側面に対応する方法、プログラム、非一時的媒体が提供される。
本発明によれば、橋梁の並列車線を通過する車両の検出及び識別を可能としている。本発明のさらに他の特徴及び利点は、本発明を実施することが企図されている最良の形態の単なる例示により、本発明の実施形態のみを図示及び説明した添付の図面と併せて以下の詳細な説明から当業者には容易に明らかになるであろう。本発明は、他の異なる実施形態が可能であり、そのいくつかの詳細は、本発明から逸脱することなく、様々な明白な点において変更可能である。したがって、図面及び説明は、本質的に例示的であるとみなされるべきであり、限定的ではないとみなされるべきである。
図１（Ａ）、図1（Ｂ）は本発明の一実施形態説明する図である。 図２は実施形態の車両検出システムの構成を説明する図である。 図３（Ａ）～図３（Ｃ）はＢＳＳによる車線分離を説明する図である。 図４は実施形態の動作例を説明するフローチャートである。 図５（Ａ）～図５（Ｃ）は実施形態の一例を説明する図である。 図６（Ａ）～図６（Ｄ）は実施形態の一例を説明する図である。 図７は実施形態の一例を説明する図である。 図８（Ａ）～図８（Ｄ）は実施形態の一例を説明する図である。 図９（Ａ）、図９（Ｂ）は実施形態の一例を説明する図である。 図１０は実施形態の動作例を示すフローチャートである。 図１１（Ａ）～図１１（Ｃ）は実施形態の一例を説明する図である。 図１２（Ａ）～図１２（Ｃ）は実施形態の一例を説明する図である。 図１３（Ａ）、図１３（Ｂ）は実施形態の一例を説明する図である。 図１４は実施形態の車両検出システムの構成説明する図である。 図１５は別の実施形態の車両推定部の動作例説明する図である。 図１６（Ａ）、図１６（Ｂ）は非特許文献１から引用された図である。 図１７は交通モデルの模式図である。 図１８（Ａ）、図１８（Ｂ）は並列交通モデルの図及び加速度信号の一例である。 図１９（Ａ）、図１９（Ｂ）は直列交通モデルの図及び加速度信号の一例である。 図２０（Ａ）、図２０（Ｂ）は混合交通モデルの図及び加速度信号の一例である。
以下に図面を参照して実施形態を説明する。図１は、本発明の実施形態を説明する模式図である。図１（Ａ）は側面図の模式的な例示であり、図１（Ｂ）は平面図の模式的な例示である。図１を参照すると、伸縮継手１４は、鉄筋及びプレストレストコンクリート、複合材料並びに鉄骨構造物の動き、収縮、及び温度変化に対応するための、異なる特性を有する別個の構造物の間に設けられる継手である。橋梁１０の車線を通過する車両１によって引き起こされる橋梁の加速度（すなわち、振動）を検出して振動を電気信号に変換するためのセンサ１２としては、加速度センサが使用される。センサ（加速度センサ）１２は、橋梁１０のコンクリートスラブの下、少なくとも橋梁１０の端点上に設けられている。加速度センサによって取得された加速度データ（振動信号）は、有線又は無線通信を介してデジタルデータとして不図示の車両検出装置に送信される。
図２は、実施形態の車両検出装置の構成の一例を説明する模式図である。図２を参照すると、車両検出装置１００は、信号取得部１０２と、信号分離部１０４と、車両推定部１０６と、出力部１０８とを含む。信号取得部１０２は、信号取得部１０２に通信接続されたセンサｓ１、ｓ２から加速度データを取得する。加速度データは、車線のインパルス応答を含み、インパルスは、橋梁を通過する車両の車軸によって橋梁１０に与えられる。センサｓ１およびｓ２からの加速度データ（振動信号）は、時間的に同期され、すなわち、同じサンプリング時間にてセンサｓ１およびｓ２によってサンプリングされた加速度データは、時系列加速度データベクトルにおいて同じインデックスのデータとして信号取得部１０２によって受信される。信号分離部１０４は、センサｓ１及びｓ２によって取得されたそれぞれの加速度データ（振動信号）を信号取得部１０２から受信し、センサｓ１及びｓ２からの加速度データ（振動信号）にブラインドソース分離（Blind Source Separation; BSS）を適用して、各車線に特有のそれぞれの振動信号へと分離する。車両推定部１０６は、信号分離部１０４によって分離されたそれぞれの車線特有の振動信号に基づいて、各車線における個々の車両を検出し、カウントする。車両推定部１０６は、車線ごとに分離された振動信号の振幅のピークから時間補充特徴（time repletion feature）を計算し、時間補充特徴に対してクラスタリングを行い、各車線における車両の存在を検出する。出力部１０８は、検出結果を記憶装置内の表示装置に出力するか、又は通信ネットワークを介して端末又はコンピュータシステムに出力する。信号取得部１０２、信号分離部１０４、車両推定部１０６、及び出力部１０８は、車両検出装置１００に含まれ、車両検出装置１００に含まれるメモリに記憶されたプログラム命令を実行することができるプロセッサによって実現されてもよい。
図３（Ａ）乃至図３（Ｃ）は、一組の混合信号から一組のソース信号を、当該ソース信号や混合システムに関する情報を得ずに分離するブラインドソース分離（ＢＳＳ）の模式的な例示である。
ＢＳＳは、測定された振動応答を分離して車線ごとの個々の振動応答の推定が可能であるということを前提とする。図３（Ａ）では、２台の車両が橋梁の車線１と車線２が通過している。図３（Ｂ）及び図３（Ｃ）に例示されるように、センサｓ１及びｓ２は、車線１及び車線２のそれぞれの実際のソース信号（振動信号）ｘ１、ｘ２を混合する混合システムの出力である混合振動信号ｙ１、ｙ２を取得する。
Figure 2023517592000002
…（１）
ここで、
Figure 2023517592000003
は実際のソースからの信号、
Figure 2023517592000004
はセンサ（加速度センサ）ｓｊ（ｊ＝１，２）によって捕捉された信号、
Figure 2023517592000005
は実際のソースからセンサ（加速度センサ）ｓｊへの混合行列である。
ＢＳＳの出力は以下のようになる。
Figure 2023517592000006
…（２）
ここで、
Figure 2023517592000007
（ｊ＝１，２）は分離された信号、
Figure 2023517592000008
はＱタップの分離フィルタである。
図３（Ｂ）及び図３（Ｃ）に例示されるように、ｐ＝１、ｑ＝１の場合、以下のようになる。
Figure 2023517592000009

Figure 2023517592000010

Figure 2023517592000011

Figure 2023517592000012

…（３）
図４は、本実施形態のフローチャートである。図４を参照すると、信号取得部１０２が、センサｓ１、ｓ２から振動信号（時間領域信号）を取得する（Ｓ１０１）。信号取得部１０２は、振動信号の直流成分をカットしてもよい。
信号分離部１０４は、正規化された周波数スペクトルの和を算出する（Ｓ１０２）。より詳細には、信号分離部１０４は、時間間隔Ｔ（１フレームの長さ）のスライディングウィンドウを用いて波形データ（フレーム）を抽出し、抽出された波形データに対してＦＦＴ（fast Fourier transform；高速フーリエ変換）を実行して、各周波数成分（振幅）を、周波数スペクトルの周波数成分（振幅）の合計値で除することで正規化される周波数スペクトルを取得する。信号分離部１０４は、センサｓ１、ｓ２によって取得された波形データの各フレームについて、正規化周波数スペクトルの和を算出する。
図５は、本実施形態を説明するための図である。図５（Ａ）に例示されるように、３軸の車両１（トラック）が車線１を通過し、２軸の車両２（乗用車）が車線２を通過しているとする。図５（Ｂ）及び図５（Ｃ）は、車両１（３軸トラック）と車両２（２軸車）とが、それぞれ通過している車線１及び車線２に設けられたセンサｓ１、ｓ２によって取得された波形データ（振動信号）を示している。図５（Ｂ）及び図５（Ｃ）において、横軸は時間であり、縦軸は加速度［ｍ／ｓ２］である。
図６（Ａ）に、車線１の正規化周波数スペクトルの和の時系列を示し、図６（Ｂ）に、車線２の正規化周波数スペクトルの和の時系列を示す。図６（Ａ）及び図６（Ｂ）において、フレームごとの正規化周波数スペクトルの和が、時間軸（横軸）に沿ってプロットされている。
周波数成分は、振動信号（各フレーム）の周波数スペクトルの総和によって正規化される。図６（Ａ）の場合、センサｓ１（車線１）によって取得されたフレームの正規化周波数の和は、以下の式によって与えられる。

Figure 2023517592000013
…（４）
ここで、spectrum (s1)は、センサｓ１によって取得された振動信号のフレームの周波数スペクトルにおける各周波数ビンの振幅スペクトルを、各要素に有するベクトルであり、
spectrum (s2)は、センサｓ２によって取得された振動信号のフレームの周波数スペクトルにおける各周波数ビンの振幅スペクトルを、各要素に有するベクトルであり、
sum of (spectrum (s1), spectrum (s2))は、ベクトルスペクトル（ｓ１）及びベクトルスペクトル（ｓ２）の各要素の各振幅スペクトルを加算して、加算された振幅スペクトルを合計することによってスカラー値（和）を生成する和演算の組み合わせであり、
spectrum (s1)/sum of (spectrum (s1), spectrum (s2))は、ベクトルスペクトル（ｓ１）の各要素（周波数ビン）の振幅スペクトルを、sum of (spectrum (s1), spectrum (s2))で除算し、スペクトル（ｓ１）内の各要素（周波数ビン）の正規化された振幅スペクトルを得る演算であり、
sum ()は、スペクトル（ｓ１）内の各要素（周波数ビン）の各正規化振幅スペクトルを合計する演算である。
図６（Ｂ）の場合、センサｓ２（車線２）によって取得されたフレームの正規化周波数の和は、数式（４）と同様に、以下の式によって与えられる。
Figure 2023517592000014
…（５）
信号分離部１０４は、車線１及び車線２それぞれの正規化周波数スペクトルの和において最初のピークを検出する（Ｓ１０３）。図６（Ｃ）は、車線１（センサｓ１）の正規化周波数の和を示しており、小さな円で表される第１のピークは、最初の車両が車線１に入ったことを示す。図６（Ｄ）は、車線２の正規化周波数の和を示しており、円で表される第１のピークは、２番目の車両が車線２に入ったことを示す。正規化周波数の和のピークを用いて、信号分離部１０４は、1台の車両が一方の車線に進入し、他方の車線には車両が進入していない時間間隔である第１の車両領域と、両方の車線に車両が進入している時間間隔である混合信号領域との間の領域境界を判断する。信号分離部１０４は、図６（Ｃ）の第１のピークのタイムスタンプから図６（Ｄ）の第１のピークのタイムスタンプまでの第１の車両領域を選択する（Ｓ１０４）。
図７に、センサｓ１によって取得された車線１の振動信号（時間領域信号）（図５（Ｂ））にマッピングされた第１の車両領域及び混合信号領域を示す。信号分離部１０４は、車線１及び車線２（図５（Ｂ）及び図５（Ｃ））の時間領域信号を、車両検出装置に設けられた半導体メモリ（例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）又はＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ））、又は記憶装置（例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ））に記憶する。
信号分離部１０４は、第１の領域及び混合信号領域を含む時間領域信号（図５（Ｂ）、図５（Ｃ））にＢＳＳを適用して、推定ソース信号（図３（Ｃ）の
Figure 2023517592000015
、
Figure 2023517592000016
）を取得する（Ｓ１０５）。
図８（Ａ）及び図８（Ｂ）に、ＢＳＳによって推定された、車線１の推定ソース信号
Figure 2023517592000017
と車線２の推定ソース信号
Figure 2023517592000018
を示す。
信号分離部１０４は、測定された時間領域信号の第１の車両領域のパワースペクトルの和を、ＢＳＳによって推定された時間領域信号の第１の車両領域のパワースペクトルの和で割ることによって、振幅比αを算出する。

Figure 2023517592000019
…（６）
信号分離部１０４は、振幅比αを推定信号
Figure 2023517592000020
と
Figure 2023517592000021
に乗算して、増幅された推定信号
Figure 2023517592000022
と
Figure 2023517592000023
を得る。
振幅比αを、図８（Ａ）及び図８（Ｂ）に示す車線１及び車線２の推定ソース信号
Figure 2023517592000024
と
Figure 2023517592000025
に乗算して得たそれぞれ車線１及び車線２の増幅された推定信号
Figure 2023517592000026
と
Figure 2023517592000027
を図８（Ｃ）及び図８（Ｄ）に示す。
次に、増幅された推定信号
Figure 2023517592000028
と
Figure 2023517592000029
のいずれかに基づいて、単一対象車線（車線１及び車線２の内の１つ）ごとに、トラックと乗用車など異なる車種の組み合わせ（直列モデル）で次々に通過する車両を検出且つカウントすることができる車両推定部１０６の動作例を説明する。
図９（Ａ）は、橋梁１０の車線１に車両１（３軸トラック）と、車両１に続く車両２（２軸車）が存在する直列のケースを示している。車両２は、好ましくは、車両１から、例えば、約０．５秒以上の時間間隔分離間している。図９（Ｂ）は、事前にディリクレ過程（Dirichlet process）を使用したガウス混合分布モデルを用いたクラスタリングに基づく車両数の推定を説明する図である。クラスタリングと、所定の閾値より大きい値をとることによって得られるガウス確率密度関数の値が、車両数としてカウントされる。
図１０は、車線を通過する車両の数を検出する車両推定部１０６の動作例を説明するフローチャートである。
車両推定部１０６は、信号取得部１０２から、振動信号、すなわち、図１１（Ａ）に示すような、対象車線の増幅された推定信号を受信すると仮定する。
車両推定部１０６は、センサｓ１によって捕捉された車線１の振動信号から、単一の車線（例えば、車線１）を直列に通過する車両を検出するように構成される。
車両推定部１０６は、正規化された周波数スペクトルを算出する（Ｓ２０１）。図１１（Ｂ）は、図１１（Ａ）に示される信号の正規化された周波数スペクトルを示す。より具体的には、車両推定部１０６は、図１１（Ａ）に示す振動信号に短時間ＦＦＴ（Fast Fourier Transform;高速フーリエ変換）（ＳＴＦＴ）を適用する。すなわち、それぞれが所定の値だけシフトされる、所定の長さ（１フレームの長さ）のスライディングウィンドウを用いて、各フレームが振動信号から抽出される。隣接するフレームは重なり合う部分を有する。ＦＦＴをそれぞれのフレームに適用することにより、各フレームの周波数スペクトルが得られる。勿論、離散フーリエ変換（Discrete Fourier Transform; DFT）をＦＦＴの代わりに用いてもよい。
Ｘｔ＝［ｘ０、ｘ１…、ｘＮ-１、ｘＮ、…］を振動信号のサンプル値ｘｋ（ここで、ｋは非負の整数）の時系列、スライディングウィンドウのシフト＝ｍとし、長さＮ（Ｎ＞ｍ）のフレームＸｊ（ｊ＝１，２，３…）を、スライディングウィンドウにより振動信号から抽出し、ＦＦＴを各フレームに適用し、ｊ番目のフレームＸｊ（ｊ＝１，２，３…）の周波数スペクトル
Figure 2023517592000030
を得る。
X1=[x0,…,xN-1] → Y(ω)1=FFT(X1)
X2=[xm-1,…,xN+m-2] → Y(ω)2=FFT(X2)
X3=[x2m-1,…,xN+2m-3] → Y(ω)3=FFT(X3)
…
車両推定部１０６は、各周波数成分（振幅）を周波数スペクトルの周波数成分の振幅の和で割ることにより、正規化された周波数スペクトルを算出する。ｊ番目のフレームＸｊの振幅スペクトルqｊの総和は次の式で与えられる。
Figure 2023517592000031
…（７）
ここで、
Figure 2023517592000032
は、ｊ番目のフレームＸｊの周波数スペクトル
Figure 2023517592000033
のｉ番目の周波数ビンの振幅である。
Figure 2023517592000034
…（８）
ここで、
Figure 2023517592000035
（i=1,…,N/2-1）は、周波数スペクトル
Figure 2023517592000036
のｉ番目の周波数成分（ビン）である。Ｒｅ（）及びＩｍ（）は、複素数
Figure 2023517592000037
の実数部及び虚数部であり、ここで、
Figure 2023517592000038
（i=0）は直流成分、その虚数部はゼロ、そしてその実数部はゼロであると仮定され、インデックスｉ＝Ｎ／２は、ナイキスト周波数ビンに対応する。
ｊ番目のフレームＸｊの正規化された周波数スペクトルＱｊは次のように与えられる。
Figure 2023517592000039
…（９）
車両推定部１０６は、正規化された周波数スペクトルのフレームごとの和(frame-wise sum)を算出する（Ｓ２０２）。
ｊ番目のフレームＸｊ（ｊ＝１,２,…）について、正規化された周波数スペクトルのフレームごとの和(frame-wise sum) ｆ（ｊ）は以下で与えられる。
Figure 2023517592000040
…（１０）
図１１（Ｃ）に、各フレームのフレームごとの和を示す。図１１（Ｃ）において、フレームごとの和ｆ（ｊ）（ｊ＝１，２，３,…）の値がプロットされ、横軸は時間軸（すなわち、インデックスｊ＝１，２，３,…）、縦軸はフレームごとの和ｆ（ｊ）の値である。図１１（Ｃ）は、以下のベクトル（フレームごとの和のベクトル（frame-wise sum vector））のプロットである。
F=(f(1), f(2), f(3),…) …（１１）
車両推定部１０６は、ベクトルＦの振幅変換を実行して、予め定められた範囲でスケーリングする（Ｓ２０３）。図１２（Ａ）に、図１１（Ｃ）に示されるフレームごとの和のベクトルの振幅変換の結果を示す。図１２（Ａ）の例において、図１１（Ｃ）のベクトルＦが、０から１００の範囲のベクトルＦ＿ｓｃａｌｅｄに変換されているが、これに限定されない。
scaled_min = 0,
scaled_max = 100,
F_min = min(F),
F_max = max(F).
振幅変換は以下のように算出される。
F_scaled = scale * F + scaled_min - F_min * scale …（１２）
ここで、
scale = (scaled _max - scaled_min) / (V_max - V_min) …（１３）
車両推定部１０６は、時間値（time value）を、その大きさの値（magnitude value）分、繰り返すことにより、ベクトルＦ＿ｓｃａｌｅｄから新しいベクトル（時間繰り返し（time-repeated）ベクトル）を作成する（Ｓ２０４）。図１２（Ｂ）は、新しいベクトル（時間繰り返しベクトル）の一例を示しており、縦軸は時間軸、横軸は繰り返し(repetition)インデックスである。より詳細には、車両推定部１０６は、時間オカレンス（time occurrence）（時間発生又は時間出現）を、その大きさの分、繰り返す。車両推定部１０６は、ｘ（time value:時間値）をｙ（scaled amplitude:スケーリングされた振幅）回繰り返す。すなわち、（時間値）*（対応する時間におけるスケーリングされた振幅）。例えば、図１３（Ａ）において、時間０（Ｆ＿ｓｃａｌｅｄのインデックス０）では、スケーリングされた振幅（Ｆ＿ｓｃａｌｅｄの要素０の値）は２であるため、時間繰り返しベクトルＶは、２回繰り返される時間値０から始まり、次に、時間１（Ｆ＿ｓｃａｌｅｄのインデックス１）では、スケーリングされた振幅（Ｆ＿ｓｃａｌｅｄの要素１の値）は１０であるため、時間値１は１０回繰り返される。すべての時間値の乗算が繰り返された後、図１２（Ｂ）に示すような新しい時間繰り返しベクトルＶを得ることができる。図１２（Ｂ）において、時間軸（横軸）は時間繰り返しベクトルＶの各要素のインデックスであり、縦軸は時間繰り返しベクトルＶの各要素の値である。
各車両がガウス混合分布モデルに基づいて推定されると仮定すると、信号を時間反復特徴に変換することにより、ガウス混合モデリングを用いたクラスタリング及び車両検出を容易に実行することができる。振動信号における車両の出現時間(occurrence time)は不明である。車両の出現時間を検出するために、時間値(time value)を、スケーリングされた振幅値(scaled amplitude)分繰り返すことを採用し、振幅のピーク位置の密度を増加させる。この操作により、車両推定部１０６によって作成された時間繰り返しベクトルのヒストグラム（時間軸ヒストグラム）である図１２（Ｃ）に示されるように、各車両出現(vehicle occurrence)において予想される分布（例えば、ガウス確率分布）が得られる。
車両推定部１０６は、ガウス確率分布の混合の学習（教師なしモデル学習）に基づいてクラスタリングを実行する（Ｓ２０５）。ガウス混合分布モデルは、すべてのデータポイントが未知のパラメータを有する有限数のガウス確率分布の混合から生成されると仮定する確率モデルである。ガウス混合分布モデルは、学習データから学習することができる。特に制限されないが、本実施形態では、変分ベイズDPGMM(Dirichlet Process Gaussian Mixture Model；ディリクレ過程ガウス混合モデル）などの、変分推論（variational inference）アルゴリズムを用いたガウス混合分布モデルの変形である変分ベイズガウス混合モデルが用いられ、これは、クラスタ数の事前分布としてのディリクレ過程を用いた無限混合モデルである。変分ベイズＤＰＧＭＭに関しては、非特許文献２又は３を参照することができる。図１３（Ａ）は、変分ベイズＤＰＧＭＭを用いた時間繰り返しベクトルＶのクラスタリング結果を示している。図１３（Ａ）において、横軸は時間軸であり、縦軸はスケーリングされた確率密度値である。
車両推定部１０６は、図１３（Ｂ）に例示されるように、それぞれが所定の閾値よりも大きい確率密度関数の値を有するクラスタの数をカウントする（Ｓ２０６）。この所定の閾値は、橋梁の車線を通過する車両によって誘発される橋の応答振動を識別するように決定される。
車両検出装置１００は、図１４に示されるようなコンピュータシステム上に実装されてもよい。図１４を参照すると、サーバなどのコンピュータ装置２００は、プロセッサ(Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ)２０２と、例えば半導体メモリ（例えばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）等）、及び/又はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等の少なくともいずれかを含む記憶装置などを含むメモリ２０４と、各車線を通過する車両の数の検出結果を表示する表示装置２０６と、通信インタフェース２０８を含む。通信インタフェース２０８（例えば、ネットワークインタフェースコントローラ（ＮＩＣ））は、橋梁の車線の下に設けられたセンサと通信接続するように構成されてもよい。図２に示す車両検出装置１００の信号取得部１０２、信号分離部１０４、車両推定部１０６、出力部１０８の処理を実行するためのプログラム命令（プログラムモジュール）を含むプログラム２１０は、メモリ２０４に記憶される。プロセッサ２０２は、メモリ２０４からプログラム２１０（プログラム命令）を読み出し、プログラム（プログラム命令）を実行して、車両検出装置１００の機能及び処理を実現するように構成される。
上記実施形態では、橋梁の単一車線を通過する車両の数の検出が説明されているが、本発明は車両の数に制限されない。本発明は、橋梁の単一車線を通過する車両の重量の検出、車両の積載重量、橋梁の劣化／疲労診断などに適用することができる。
上記実施形態では、加速度センサが、橋梁のインパルス応答（振動）を検出するためのセンサとして使用されている。しかしながら、本発明において、センサは、橋梁のインパルス応答（振動）の検出に制限されない。すなわち、本発明は、圧電トランスデューサ、マイクロフォンなどの音響センサによって検出される振動信号に適用可能である。
以下では別の実施形態を説明する。この実施形態では、車両推定部１０６は、並列交通モデル（図１８（Ａ））における車両検出を実現するように構成されている。この実施形態では、車両推定部１０６は、ＢＳＳを使用することなく、橋梁１０の車線を通過する車両の有無を確認することができる。この実施形態は、車両検出装置１００は、信号取得部１０２と、車両推定部１０６と、出力部１０８を含む。信号分離部１０４は含まれなくてもよい。
図１５は、本実施形態における車両推定部１０６の動作例を説明するフローチャートである。信号取得部１０２は、センサｓ１及びｓ２から振動信号（時間領域信号）を取得する（Ｓ３０１）。
車両推定部１０６は、正規化された周波数スペクトルの和を算出する（Ｓ３０２）。より詳細には、車両推定部１０６は、時間間隔Ｔ（１フレームの長さ）のスライディングウィンドウを用いて波形データ（フレーム）を抽出し、抽出された波形データに対してＦＦＴ（高速フーリエ変換）を実行して、各周波数成分（振幅）を、周波数スペクトルの周波数成分（振幅）の合計値で割ることによって正規化される周波数スペクトルを取得する。
車両推定部１０６は、各フレームの正規化周波数の和を与える数式（４）及び（５）をそれぞれ用いて、センサｓ１及びｓ２から正規化周波数ベクトルの和を取得する（Ｓ３０３）。正規化周波数ベクトル（ｓ１）の和は、その要素として（総数Ｎ個の要素とする）、例えば、フレーム１、２、…、Ｎ（又は時点１からＮ）について正規化された周波数の和（それぞれ数式（４）で与えられる）を含む時系列ベクトルによって構成される。センサｓ２からの正規化周波数ベクトルの和は、その要素として（総数Ｎ個の要素とする）、例えば、フレーム１、２、…、Ｎ（又は時点１からＮ）について正規化された周波数の和（それぞれ数式（５）で与えられる）を含む時系列ベクトルによって構成される。
次に、車両推定部１０６は、正規化周波数ベクトル（ｓ１）の和と正規化周波数ベクトル（ｓ２）の和から、各時点（各要素）での最大振幅値を選択することにより、s1s2_maximumベクトルを得る。s1s2_maximumベクトルはＮ個の要素を有する（Ｓ３０４）。

s1s2_maximumベクトル＝max（正規化周波数ベクトル（ｓ１）の和、正規化周波数ベクトル（ｓ２）の和） …（１４）
例えば、正規化周波数ベクトル（ｓ１）の和＝［ｓａ１,ｓａ２, …,ｓａＮ］（ここで、ｓａ１,ｓａ２,…,ｓａＮは、正規化周波数ベクトル（ｓ１）の時点１,２,…,Ｎでの和）、正規化周波数ベクトルの和（ｓ２）＝［ｓｂ１,ｓｂ２,…,ｓｂＮ］（ここで、ｓｂ１,ｓｂ２,…,ｓｂＮは、正規化周波数ベクトル（ｓ２）の時点１,２,…,Ｎでの和）、そして、ｓａ１＞ｓｂ１、ｓａ２＜ｓａ２、．．及びｓａＮ＜ｓｂＮとすると、
s1s2_maximumベクトル＝［ｓａ１,ｓｂ２,…,ｓｂＮ］…（１５）
車両推定部１０６は、行数がs1s2_maximumベクトル（Ｎ要素）の要素数に等しく、列数が２（正規化周波数ベクトル（ｓ１）と（ｓ２）の和に対応）に等しい新しいバイナリ行列Ｂを生成し（Ｓ３０５）、ここで、各時点、すなわち各行において、値１は最大値を有する要素位置を表し、０はそうでないことを表す。数式（１５）の場合、Ｎ行２列バイナリ行列は以下で与えられる。

Figure 2023517592000041
…（１６）
ここで、上付き文字Ｔは、行列Ｂの転置を示す。
車両推定部１０６は、s1s2_maximumベクトルの対応する大きさの値だけ時間値を繰り返すことにより、時間繰り返しベクトルを作成する（Ｓ３０６）。同様に、車両推定部１０６は、s1s2_maximumベクトルの大きさの値に対応する各行を繰り返すことにより、行列Ｂの行を繰り返す。
次に、車両推定部１０６は、図１０のステップＳ２０５及びＳ２０６で説明した通り、時間繰り返しベクトルに対してガウス混合分布モデルベースのクラスタリングを適用し（Ｓ３０７）、クラスタの数をカウントする（Ｓ３０８）。すなわち、推定されたガウス分布の数（車両の数）をカウントする。
例えば、車両のインパルスの開始時刻及び終了時刻をガウス分布の平均値から±３σの値（ここで、σは標準偏差）と仮定して、車両推定部１０６は、各車線における各車両の存在の開始時刻と終了時刻を取得する（Ｓ３０９）。車両がどの車線に存在するかを検出するために、車両推定部１０６は、バイナリ行列Ｂからスライスした、各車両の存在の開始時刻及び終了時刻に対応する行の列ごとの平均（column-wise mean）を算出する。ｂｉｊを、バイナリ行列Ｂのｉ番目の行及びｊ番目の列の値（１又は０）とすると（ここで、ｊ＝１又は２）（Ｓ３１０）、
Figure 2023517592000042
…（１７）
バイナリ行列Ｂからスライスした行の列ごとの平均値が予め定められた閾値以上である場合（Ｓ３１１の「Ｙｅｓ」分岐）、車両推定部１０６は、行列Ｂの列ごとの平均値が算出された行列Ｂの列（センサｓ１又はセンサｓ２に対応）に対応する車線で車両が検出されたと推定する（Ｓ３１２）。行列Ｂの両方の列の列ごとの平均値（column-wise mean）が予め定められた閾値よりも小さい場合（Ｓ３１１の「Ｎｏ」分岐）、車両推定部１０６は、下にセンサｓ１とセンサｓ２が設けられている車線の両方で車両の存在が検出されたと推定する（Ｓ３１３）。なお、上記実施形態は、橋梁の上を平行に走る２車線に限定されず、橋梁上の３つ以上の車線を通過する車両の検出にも適用可能である。
なお、上記の特許文献１乃至３及び非特許文献１乃至３の各開示は、本書に引用をもって繰り込み記載されているものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、各実施形態及び各実施例の変更・調整が可能である。また、本発明の請求の範囲の枠内において、種々の開示要素（各付記の各要素、各実施例の各要素、各図面の各要素等を含む）の多様な組み合わせ及び選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。
１ 車両
１０ 橋梁
１２ センサ
１４ 伸縮継手
１００ 車両検出装置
１０２ 信号取得部
１０４ 信号分離部
１０６ 車両推定部
１０８ 出力部
２００ コンピュータ装置
２０２ プロセッサ
２０４ メモリ
２０６ 表示装置
２０８ 通信インタフェース
２１０ プログラム

Claims (15)

  1. 平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能である複数のセンサからそれぞれ複数の振動信号を取得する信号取得部と、
    前記信号取得部から前記複数の振動信号を受信し、前記複数の振動信号に対してブラインドソース分離（ＢＳＳ）を適用して、各車線に特有な複数のソース振動信号を推定して分離し、前記複数のソース振動信号の個々の信号の振幅を調整して複数の振幅調整された振動信号を出力する信号分離部と、
    前記信号分離部から関心対象の前記車線に対応する前記振幅調整された振動信号を受信し、前記振幅調整された振動信号から前記車線を通過する車両による応答振動を推定して、前記車線を通過する個々の車両を検出してカウントする車両推定部と、
    を含む車両検出装置。
  2. 前記信号分離部は、
    スライディングウィンドウによって前記振動信号から抽出された各フレームにフーリエ変換を適用して前記振動信号の前記各フレームの周波数スペクトルを算出し、
    各車線について、前記各フレームの周波数スペクトルから正規化された周波数スペクトルの和を算出し、
    正規化された周波数スペクトルの各和は各車線に対応し、正規化された周波数スペクトルの複数の前記和の少なくとも一つの和において第１のピークを検出し、一台の車両が一つの車線を走行し、他方の車線には走行している車両がない時間間隔である第１の車両領域を判断し、
    前記第１の車両領域を含む時間間隔の前記振動信号に対して前記ＢＳＳを実行して前記ソース振動信号を推定及び分離し、
    各車線について前記センサによって測定された前記振動信号と、前記ＢＳＳによって推定された、各車線に特有の対応するソース振動信号とに基づいて、振幅比を算出し、
    前記ソース振動信号の振幅を前記振幅比で増幅して、前記振幅調整された振動信号を出力することにより、各車線に特有の前記ソース振動信号の振幅を調整する、請求項１に記載の車両検出装置。
  3. 前記車両推定部は、
    所定の長さのウィンドウによって抽出された各フレームに対してフーリエ変換を適用し、周波数領域における前記各フレームの特徴量を算出することにより、前記振幅調整された振動信号の前記各フレームについて特徴量を取得し、
    それぞれのフレームについての前記特徴量の時系列に対してガウス混合モデルクラスタリングを実行し、それぞれが前記時系列に最もよく適合するガウス確率分布でモデル化される１つ以上のクラスタを推定し、
    それぞれが前記車線を通過する車両による応答振動を検出するための所定の閾値よりも大きい確率密度値を有するクラスタの数をカウントすることにより、前記車線を通過する個々の車両を検出してカウントする、請求項１又は２に記載の車両検出装置。
  4. 前記車両推定部は、
    所定の長さのウィンドウによって抽出された各フレームにフーリエ変換を適用して、前記各フレームの周波数スペクトルを取得し、
    前記各フレームの前記周波数スペクトルを正規化することにより、前記各フレームの正規化された周波数スペクトルを算出し、
    前記各フレームについて、前記正規化された周波数スペクトルの振幅スペクトルのフレームごとの和を算出し、
    前記フレームごとの和を予め定められた範囲にスケーリングし、
    前記スケーリングされたフレームごとの和それぞれの時間値に、前記フレームごとの和それぞれの大きさを乗算することにより、前記スケーリングされたフレームごとの和の時間繰り返しベクトルを取得し、
    前記時間繰り返しベクトルに対して前記ガウス混合モデルクラスタリングを実行し、
    前記車線を通過する車両による応答振動を検出するための所定の閾値よりも大きい確率密度値を有するクラスタの数をカウントすることにより、前記車線を通過する個々の車両を検出してカウントする、請求項１又は２に記載の車両検出装置。
  5. 各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能な複数のセンサからそれぞれ複数の振動信号を取得すること、
    信号分離処理を実行すること、及び、
    推定処理を実行すること、
    を含み、
    前記信号分離処理は、
    前記複数の振動信号に対してブラインドソース分離（ＢＳＳ）を適用して、それぞれが各車線に特有である複数のソース振動信号を推定して分離すること、
    前記複数のソース振動信号の内の個々の信号の振幅を調整し、複数の振幅調整された振動信号を出力すること、
    を含み、
    前記推定処理は、
    前記信号分離処理から出力された、関心対象の車線に対応する前記振幅調整された振動信号を受信すること、
    前記振幅調整された振動信号から前記対象車線を通過する車両による応答振動を推定して、前記関心対象の車線を通過する個々の車両を検出してカウントする、
    ことを含む、コンピュータ・ベースの車両検出方法。
  6. 前記信号分離処理は、
    所定の長さのウィンドウによって抽出された各フレームにフーリエ変換を適用することにより、前記振動信号の各フレームの周波数スペクトルを算出すること、
    各車線について、各フレームの前記周波数スペクトルから正規化された周波数スペクトルの和を算出すること、
    前記正規化された周波数スペクトルの複数の前記和の少なくとも一つで第１のピークを検出し、前記和それぞれはそれぞれの車線に対応し、1台の車両が一つの車線を走行し、他方の車線には走行している車両がない時間間隔である第１の車両領域を判断すること、
    前記第１の車両領域を含む時間間隔の前記振動信号に対して前記ＢＳＳを実行し前記ソース振動信号を推定して分離すること、
    各車線について前記センサによって測定された前記振動信号と、前記ＢＳＳによって推定された、各車線に特有の対応するソース振動信号とに基づいて、振幅比を算出すること、
    前記ソース振動信号の振幅を前記振幅比で増幅して、前記振幅調整された振動信号を出力することにより、各車線に特有の前記ソース振動信号の振幅を調整すること、
    を含む、請求項５に記載のコンピュータ・ベースの車両検出方法。
  7. 前記推定処理は、
    所定の長さのウィンドウによって抽出された各フレームに対してフーリエ変換を適用し、周波数領域における前記各フレームの特徴量を算出することにより、前記振幅調整された振動信号の各フレームについて特徴量を取得すること、
    それぞれのフレームについての前記特徴量の時系列に対してガウス混合モデルクラスタリングを実行し、それぞれが前記時系列に最もよく適合するガウス確率分布でモデル化される１つ以上のクラスタを推定すること、
    それぞれが前記車線を通過する車両による応答振動を検出するための所定の閾値よりも大きい確率密度値を有するクラスタの数をカウントすることにより、前記車線を通過する個々の車両を検出してカウントすること、
    を含む、請求項５又は６に記載のコンピュータ・ベースの車両検出方法。
  8. 前記推定処理は、
    所定の長さのウィンドウによって抽出された各フレームにフーリエ変換を適用して、前記各フレームの周波数スペクトルを取得すること、
    前記各フレームの前記周波数スペクトルを正規化することにより、前記各フレームの正規化された周波数スペクトルを算出すること、
    前記各フレームについて、前記正規化された周波数スペクトルの振幅スペクトルのフレームごとの和を算出すること、
    前記フレームごとの和を予め定められた範囲にスケーリングすること、
    スケーリングされたフレームごとの和それぞれの時間値に前記フレームごとの和それぞれの大きさを乗算することにより、前記スケーリングされたフレームごとの和の時間繰り返しベクトルを取得すること、
    前記時間繰り返しベクトルに対して前記ガウス混合モデルクラスタリングを実行し、
    それぞれが前記車線を通過する車両による応答振動を検出するための所定の閾値よりも大きい確率密度値を有するクラスタの数をカウントすることにより、前記車線を通過する個々の車両を検出してカウントすること、
    を含む、請求項５又は６に記載のコンピュータ・ベースの車両検出方法。
  9. コンピュータに、
    各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能な複数のセンサからそれぞれ複数の振動信号を取得すること、
    信号分離処理を実行すること、及び、
    推定処理を実行すること、
    を含む処理であって、
    前記信号分離処理は、
    前記複数の振動信号に対してブラインドソース分離（ＢＳＳ）を適用して、それぞれが各車線に特有である複数のソース振動信号を推定して分離すること、
    前記複数のソース振動信号の内の個々の信号の振幅を調整し、複数の振幅調整された振動信号を出力すること、
    を含み、
    前記推定処理は、
    前記信号分離処理から出力された、関心対象の車線に対応する前記振幅調整された振動信号を受信すること、
    前記振幅調整された振動信号から前記対象車線を通過する車両による応答振動を推定して、前記関心対象の車線を通過する個々の車両を検出してカウントすること、
    を含む処理を実行させるプログラム。
  10. 前記信号分離処理は、
    所定の長さのウィンドウによって抽出された各フレームにフーリエ変換を適用することにより、前記振動信号の各フレームの周波数スペクトルを算出し、
    各車線について、各フレームの前記周波数スペクトルから正規化された周波数スペクトルの和を算出し、
    前記正規化された周波数スペクトルの複数の前記和の少なくとも一つで第１のピークを検出し、前記和それぞれはそれぞれの車線に対応し、1台の車両が一つの車線を走行し、他方の車線には走行している車両がない時間間隔である第１の車両領域を判断し、
    前記第１の車両領域を含む時間間隔の前記振動信号に対して前記ＢＳＳを実行し前記ソース振動信号を推定して分離し、
    各車線について前記センサによって測定された前記振動信号と、前記ＢＳＳによって推定された、各車線に特有の対応するソース振動信号とに基づいて、振幅比を算出し、
    前記ソース振動信号の振幅を前記振幅比で増幅して、前記振幅調整された振動信号を出力することにより、各車線に特有の前記ソース振動信号の振幅を調整すること、
    を含む、請求項９に記載のプログラム。
  11. 前記推定処理は、
    所定の長さのウィンドウによって抽出された各フレームに対してフーリエ変換を適用し、周波数領域における前記各フレームの特徴量を算出することにより、前記振幅調整された振動信号の各フレームについて特徴量を取得すること、
    それぞれのフレームについての前記特徴量の時系列に対してガウス混合モデルクラスタリングを実行し、それぞれが前記時系列に最もよく適合するガウス確率分布でモデル化される１つ以上のクラスタを推定すること、
    それぞれが前記車線を通過する車両による応答振動を検出するための所定の閾値よりも大きい確率密度値を有するクラスタの数をカウントすることにより、前記車線を通過する個々の車両を検出してカウントすること、
    を含む、請求項９又は１０に記載のプログラム。
  12. 前記推定処理は、
    所定の長さのウィンドウによって抽出された各フレームにフーリエ変換を適用して、前記各フレームの周波数スペクトルを取得すること、
    前記各フレームの前記周波数スペクトルを正規化することにより、前記各フレームの正規化された周波数スペクトルを算出すること、
    前記各フレームについて、前記正規化された周波数スペクトルの振幅スペクトルのフレームごとの和を算出すること、
    前記フレームごとの和を予め定められた範囲にスケーリングすること、
    スケーリングされたフレームごとの和それぞれの時間値に前記フレームごとの和それぞれの大きさを乗算することにより、前記スケーリングされたフレームごとの和の時間繰り返しベクトルを取得すること、
    前記時間繰り返しベクトルに対して前記ガウス混合モデルクラスタリングを実行し、
    それぞれが前記車線を通過する車両による応答振動を検出するための所定の閾値よりも大きい確率密度値を有するクラスタの数をカウントすることにより、前記車線を通過する個々の車両を検出してカウントすること、
    を含む、請求項９又は１０に記載のプログラム。
  13. 各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能な複数のセンサからそれぞれ複数の振動信号を取得する信号取得部と、
    車両推定部と、を備え、
    前記車両推定部は、
    スライディングウィンドウによって前記振動信号から抽出された各フレームにフーリエ変換を適用することにより、前記振動信号の前記各フレームの周波数スペクトルを取得し、各車線について、前記各フレームの周波数スペクトルから正規化周波数ベクトルの和を算出し、その各要素が前記複数の車線について算出された正規化周波数ベクトルの前記和の最大値である最大ベクトルを生成し、
    その数が正規化周波数ベクトルの前記和の数に等しい列と、その要素が時間インデックスに対応し、最大値を有する要素位置で値１を有し、それ以外の場合は０を有する行とを有するバイナリベクトルを生成し、
    時間値に正規化周波数ベクトル及び最大ベクトルの大きさの値を乗算することにより、前記ベクトルそれぞれの和の時間繰り返しベクトルを取得し、
    前記時間繰り返しベクトルに対して、ガウス混合モデルクラスタリングを実行して、クラスタの数をカウントし、各車線における車両の存在の開始時刻及び終了時刻を判断し、
    前記バイナリ行列の行において、前記開始時刻及び前記終了時刻に対応する要素の列ごとの平均値を算出して、前記列ごとの平均値が所定の閾値以上である場合、前記車両が、前記列ごとの平均値が算出される前記バイナリ行列の列に対応する車線に存在すると判断し、
    前記列ごとの平均値が前記バイナリ行列のすべての列について所定の閾値よりも小さい場合、前記車両が前記複数の車線に存在すると判断する、車両検出装置。
  14. 各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能である複数のセンサからそれぞれ複数の振動信号を取得すること、
    スライディングウィンドウによって前記振動信号から抽出された各フレームにフーリエ変換を適用することにより、前記振動信号の前記各フレームの周波数スペクトルを取得し、各車線について、前記各フレームの周波数スペクトルから正規化周波数ベクトルの和を算出して、その各要素が前記複数の車線について算出された正規化周波数ベクトルの前記和の最大値である最大ベクトルを生成すること、
    その数が正規化周波数ベクトルの前記和の数に等しい列と、その要素が時間インデックスに対応し、最大値を有する要素位置で値１を有し、それ以外の場合は０を有する行とを有するバイナリベクトルを生成すること、
    時間値に正規化周波数ベクトル及び最大ベクトルの大きさの値を乗算することにより、前記ベクトルそれぞれの和の時間繰り返しベクトルを取得すること、
    前記時間繰り返しベクトルに対してガウス混合モデルクラスタリングを実行して、クラスタの数をカウントし、各車線における車両の存在の開始時刻及び終了時刻を判断すること、
    前記バイナリ行列の行において、前記開始時刻及び前記終了時刻に対応する要素の列ごとの平均値を算出して、前記列ごとの平均値が所定の閾値以上である場合、前記車両が、前記列ごとの平均値が算出される前記バイナリ行列の列に対応する車線に存在すると判断すること、
    前記列ごとの平均値が前記バイナリ行列のすべての列について所定の閾値よりも小さい場合、前記車両が前記複数の車線に存在すると判断すること、
    を含むコンピュータ・ベースの車両検出方法。
  15. コンピュータに、
    各センサが平行に走る複数の車線を含む橋梁の各車線に設けられ、前記車線を通過する車両によって誘発される振動を検知することが可能である複数のセンサからそれぞれ複数の振動信号を取得すること、
    スライディングウィンドウによって前記振動信号から抽出された各フレームにフーリエ変換を適用することにより、前記振動信号の前記各フレームの周波数スペクトルを取得し、各車線について、前記各フレームの周波数スペクトルから正規化周波数ベクトルの和を算出して、その各要素が前記複数の車線について算出された正規化周波数ベクトルの前記和の最大値である最大ベクトルを生成すること、
    その数が正規化周波数ベクトルの前記和の数に等しい列と、その要素が時間インデックスに対応し、最大値を有する要素位置で値１を有し、それ以外の場合は０を有する行とを有するバイナリベクトルを生成すること、
    時間値に正規化周波数ベクトル及び最大ベクトルの大きさの値を乗算することにより、前記ベクトルそれぞれの和の時間繰り返しベクトルを取得すること、
    前記時間繰り返しベクトルに対してガウス混合モデルクラスタリングを実行して、クラスタの数をカウントし、各車線における車両の存在の開始時刻及び終了時刻を判断すること、
    前記バイナリ行列の行において、前記開始時刻及び前記終了時刻に対応する要素の列ごとの平均値を算出して、前記列ごとの平均値が所定の閾値以上である場合、前記車両が、前記列ごとの平均値が算出される前記バイナリ行列の列に対応する車線に存在すると判断すること、
    前記列ごとの平均値が前記バイナリ行列のすべての列について所定の閾値よりも小さい場合、前記車両が前記複数の車線に存在すると判断すること、
    を含む処理を実行させるプログラム。
JP2022554513A 2020-03-12 2020-03-12 車両検出装置、方法及びプログラム Active JP7452686B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/010715 WO2021181594A1 (en) 2020-03-12 2020-03-12 Vehicle detection apparatus, method and program

Publications (2)

Publication Number Publication Date
JP2023517592A true JP2023517592A (ja) 2023-04-26
JP7452686B2 JP7452686B2 (ja) 2024-03-19

Family

ID=77670595

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022554513A Active JP7452686B2 (ja) 2020-03-12 2020-03-12 車両検出装置、方法及びプログラム

Country Status (3)

Country Link
US (1) US20230154314A1 (ja)
JP (1) JP7452686B2 (ja)
WO (1) WO2021181594A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0628595A (ja) * 1992-07-09 1994-02-04 Oki Electric Ind Co Ltd 交通流計測方法
JP2004252520A (ja) * 2003-02-18 2004-09-09 Sumitomo Electric Ind Ltd 道路監視システム
JP2017067721A (ja) * 2015-10-02 2017-04-06 セイコーエプソン株式会社 計測装置、計測方法、計測システム、およびプログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0628595A (ja) * 1992-07-09 1994-02-04 Oki Electric Ind Co Ltd 交通流計測方法
JP2004252520A (ja) * 2003-02-18 2004-09-09 Sumitomo Electric Ind Ltd 道路監視システム
JP2017067721A (ja) * 2015-10-02 2017-04-06 セイコーエプソン株式会社 計測装置、計測方法、計測システム、およびプログラム

Also Published As

Publication number Publication date
WO2021181594A1 (en) 2021-09-16
US20230154314A1 (en) 2023-05-18
JP7452686B2 (ja) 2024-03-19

Similar Documents

Publication Publication Date Title
WO2019201178A1 (zh) 基于Lamb波成像的列车部件裂纹损伤检测方法和系统
Chen et al. A novel pavement transverse cracks detection model using WT-CNN and STFT-CNN for smartphone data analysis
KR102027252B1 (ko) 임의 지진구역 대상 무작위 생성 지진학습데이터를 이용한 지진여부판별 방법 및 이에 의한 진도예측 시스템
Xu et al. Enhanced sparse component analysis for operational modal identification of real-life bridge structures
Figueiredo et al. Autoregressive modeling with state-space embedding vectors for damage detection under operational variability
George et al. Exploring sound signature for vehicle detection and classification using ANN
EP0932859B1 (en) Object classification and identification system
Yao et al. Blind modal identification using limited sensors through modified sparse component analysis by time‐frequency method
KR20150035633A (ko) 지진측정장치 및 지진측정방법
CN112816352B (zh) 工程结构损伤识别方法、装置、计算机设备及存储介质
CN105862935A (zh) 一种用于挡土墙结构系统的损伤识别方法
Liu et al. Detecting anomalies in longitudinal elevation of track geometry using train dynamic responses via a variational autoencoder
CN110398775B (zh) 隧道突涌水灾害微震事件信号波动初至拾取方法及系统
JP7452686B2 (ja) 車両検出装置、方法及びプログラム
JP2022516219A (ja) レインセンサ
WO2021181595A1 (en) Event detection apparatus, method and program
EP1769267B1 (en) Movement detection system and method
CN114323512B (zh) 一种重载车辆识别方法及系统
Kandula et al. Field testing of indirect displacement estimation using accelerometers
Wang et al. Estimating adaptive cruise control model parameters from on-board radar units
CN114046864A (zh) 车辆轴数确定方法及装置
Altmann et al. Identification of Damaging Road Events Using Pseudo Damage Density
Chen et al. Analysis of traffic-induced vibration and damage detection by blind source separation with application to bridge monitoring
CN116577055B (zh) 基于多源传感数据的桥梁状态评估方法及系统
Kwon Blind deconvolution of vehicle inductance signatures for travel-time estimation

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220909

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220909

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230905

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231102

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240206

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240219

R151 Written notification of patent or utility model registration

Ref document number: 7452686

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151