本发明公开了交通状态检测传感器技术领域中的一种基于地磁传感技术的交通车辆速度获取方法,用于准确获取交通车辆的速度信息。该方法包括:对地磁传感器接收的地磁波形数据进行预处理;根据处理后的地磁波形数据判断是否有车辆临近地磁传感器;根据处理后的地磁波形数据判断车辆是否处于停止状态;根据处理后的地磁波形数据判断车辆是否处于通过状态;当有车辆经过地磁传感器时,在地磁波形数据中,选取车辆临近传感器时的起点和车辆离开传感器时的终点;利用不同的算法计算车辆速度;对不同算法计算得到的车辆速度进行融合处理,获得最终的车辆速度。本发明根据地磁波形数据和不同算法,求得不同的车辆速度,并通过融合算法得到融合速度。
1.一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述方法包括:步骤1:对地磁传感器接收的地磁波形数据进行预处理;步骤2:根据处理后的地磁波形数据判断是否有车辆临近地磁传感器;步骤3:根据处理后的地磁波形数据判断车辆是否处于停止状态;步骤4:根据处理后的地磁波形数据判断车辆是否处于通过状态;步骤5:当有车辆经过地磁传感器时,在地磁波形数据中,选取车辆临近传感器时的起点和车辆离开传感器时的终点;步骤6:利用不同的算法计算车辆速度;步骤7:对不同算法计算得到的车辆速度进行融合处理,获得最终的车辆速度。
2.根据权利要求1所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述地磁传感器采用双芯片地磁传感器。
3.根据权利要求1所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述对接收的地磁波形数据进行预处理,包括利用低通滤波器对接收的地磁波形数据进行滤波处理,用以去除环境噪声及硬件噪声;进一步还包括对滤波处理后的地磁波形数据进行线性插值处理。
4.根据权利要求1所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述判断是否有车辆临近地磁传感器具体是:步骤11:设定车辆临近传感器时的第一滑动窗口的高度和宽度;步骤12:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差大于第一滑动窗口的高度,且持续时间大于第一滑动窗口的宽度,则判定车辆的车头经过传感器。
5.根据权利要求1所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述判断车辆处于是否处于停车状态具体是:步骤21:设定车辆停止时的第二滑动窗口的高度和宽度;步骤22:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第二滑动窗口的高度,且持续时间大于第二滑动窗口的宽度,则判定车辆处于停止状态。
6.根据权利要求1所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述判断车辆是否处于通过状态具体是:步骤31:设定车辆离开传感器时的第三滑动窗口的高度和宽度;步骤32:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第三滑动窗口的高度,且持续时间大于第三滑动窗口的宽度,则判定有车辆的车尾经过传感器,并进一步判定车辆的整体经过传感器。
7.根据权利要求1所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述车辆临近传感器时的起点是地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差大于第一滑动窗口的高度的第一时间点,所述车辆离开传感器时的终点是地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第三滑动窗口的高度的第一时间点。
8.根据权利要求2所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述利用不同的算法计算车辆速度包括利用车型分析法、时间差分析法和短时预测法计算车辆速度;所述车型分析法采用公式:ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="341"/>其中:L_Veh为车长;L_extra为附加车长;fs为地磁传感器采样频率;VehEnd-VehStart为车辆波形采样点数;所述时间差分析法采用公式:ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="223"/>其中:L为传感器两芯片距离;fs为地磁传感器采样频率;k为插值倍数;defData为两波形的采样点差;所述短时预测法公式:v_C=f(v₁,v₂,v₃,...)其中:v₁,v₂,v₃,...为历史速度值。
9.根据权利要求2所述的一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述对不同算法计算得到的车辆速度进行融合处理具体是:取任何两种算法计算的速度的绝对差最小的两个速度值的均值作为融合速度。技术领域
本发明属于交通状态检测传感器技术领域,尤其涉及一种基于地磁传感技术的交通车辆速度获取方法。
背景技术
道路交通状态获取是进行交通流控制和诱导等交通管理的重要前提,是制定交通安全管理策略、交通事故检测、交通事故致因分析等交通安全保障措施的必要基础,是交通基础设施管理、监控和维护不可缺少的第一手资料。因此交通状态获取是交通管理、交通安全保障和交通基础设施监控维护的重要基础性问题。交通状态的获取是通过布设在道路上的传感器提供的信息进行的,而地磁传感器有其独特的优势,不受气候条件影响、成本低廉、数据易于处理、便于无线传输等。另外通过固定的交通传感器获取道路车辆速度及路段平均速度是交通管理者掌握道路状况的有效途径。所以基于交通传感器求得准确的车辆速度及一段时间内的平均速度能够为上层的数据融合及管理决策提供基础数据和依据。随着ITS(Intelligentxa0Transportationxa0Systems,智能交通系统)在中国的发展和应用,实时掌握道路交通状态,准确获取交通车辆的速度信息,为交通管理部门实时决策提供重要依据成为一项亟待解决的问题。
发明内容
本发明的目的在于,提供一种基于地磁传感技术的交通车辆速度获取方法,用于准确获取交通车辆的速度信息,克服现有智能交通系统在获取交通车辆的速度信息方面存在的缺陷。技术方案是,一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述方法包括:步骤1:对地磁传感器接收的地磁波形数据进行预处理;步骤2:根据处理后的地磁波形数据判断是否有车辆临近地磁传感器;步骤3:根据处理后的地磁波形数据判断车辆是否处于停止状态;步骤4:根据处理后的地磁波形数据判断车辆是否处于通过状态;步骤5:当有车辆经过地磁传感器时,在地磁波形数据中,选取车辆临近传感器时的起点和车辆离开传感器时的终点;步骤6:利用不同的算法计算车辆速度;步骤7:对不同算法计算得到的车辆速度进行融合处理,获得最终的车辆速度。所述地磁传感器采用双芯片地磁传感器。所述对接收的地磁波形数据进行预处理,包括利用低通滤波器对接收的地磁波形数据进行滤波处理,用以去除环境噪声及硬件噪声;进一步还包括对滤波处理后的地磁波形数据进行线性插值处理。所述判断是否有车辆临近地磁传感器具体是:步骤11:设定车辆临近传感器时的第一滑动窗口的高度和宽度;步骤12:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差大于第一滑动窗口的高度,且持续时间大于第一滑动窗口的宽度,则判定车辆的车头经过传感器。所述判断车辆处于是否处于停车状态具体是:步骤21:设定车辆停止时的第二滑动窗口的高度和宽度;步骤22:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第二滑动窗口的高度,且持续时间大于第二滑动窗口的宽度,则判定车辆处于停止状态。所述判断车辆是否处于通过状态具体是:步骤31:设定车辆离开传感器时的第三滑动窗口的高度和宽度;步骤32:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第三滑动窗口的高度,且持续时间大于第三滑动窗口的宽度,则判定有车辆的车尾经过传感器,并进一步判定车辆的整体经过传感器。所述车辆临近传感器时的起点是地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差大于第一滑动窗口的高度的第一时间点,所述车辆离开传感器时的终点是地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第三滑动窗口的高度的第一时间点。所述利用不同的算法计算车辆速度包括利用车型分析法、时间差分析法和短时预测法计算车辆速度;所述车型分析法采用公式:ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="330"/>其中:L_Veh为车长;L_extra为附加车长;fs为地磁传感器采样频率;VehEnd-VehStart为车辆波形采样点数;所述时间差分析法采用公式:ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="223"/>其中:L为传感器两芯片距离;fs为地磁传感器采样频率;k为插值倍数;defData为两波形的采样点差;所述短时预测法公式:v_C=f(v₁,v₂,v₃,...)其中:v₁,v₂,v₃,...为历史速度值。所述对不同算法计算得到的车辆速度进行融合处理具体是:取任何两种算法计算的速度的绝对差最小的两个速度值的均值作为融合速度。本发明的有益效果是,根据地磁传感器得到的地磁信号,通过不同算法求得不同算法下的车辆速度,并通过一定的融合算法得到更准确的融合速度,为交通管理者提供交通状态参数。
附图说明
图l是基于地磁传感技术的交通车辆速度获取方法流程图;图2是滤波前地磁波形数据图;图3是滤波后地磁波形数据图;图4是滤波并插值后的地磁波形数据图;图5是车辆临近传感器和车辆离开传感器的滑动窗口示意图;图6是停车状态时的地磁数据波形及停车滑动窗口示意图;图7是双芯片传感器采集得到滤波后的地磁波形数据图;图8是附加车长示意图;图9是速度融合的实施示意路;图10是实施例给出的部分车辆波形图;图11是实际速度与融合速度对比图;图12是视频标定的现场车辆情况表;图13是实际速度和融合速度表。
具体实施方式
下面结合附图,对优选实施例作详细说明。应该强调的是,下述说明仅仅是示例性的,而不是为了限制本发明的范围及其应用。图1是基于地磁传感技术的交通车辆速度获取方法流程图。图1中,一种基于地磁传感技术的交通车辆速度获取方法,其特征是所述方法包括:步骤1:对地磁传感器接收的地磁波形数据进行预处理。地磁传感器采用设定采样频率接收地磁波形数据,采样频率设定好后,一般不会改变。对接收的地磁波形数据进行预处理,包括利用低通滤波器对接收的地磁波形数据进行滤波处理,以及对滤波处理后的地磁波形数据进行线性插值处理。A)利用低通滤波器对车辆经过传感器时采集到的地磁信号滤波,去除环境噪声及硬件噪声。地磁传感器具有自学习能力,可以学习无车辆是地磁环境的情况,并返回一个经过放大后对应的特定的幅值,以标识环境磁场的大小。若有车辆经过,车辆的金属物质导致磁场波动,通过同样的放大和处理,设定特定的采样频率,得到车辆经过的波形数据。图2是滤波前地磁波形数据图。车辆经过传感器时的原始数据由于环境等因素的干扰,数据比较粗糙,不利于处理。根据对波形数据频谱分析,设计特定的低通滤波器,得到新的波形数据如图3。可见滤波后的数据比较平滑,且没有改变波形的整体形状和采样频率,这样得到便于处理的波形数据。B)为提高求解精度,对滤波后的地磁数据进行线性插值。由于硬件设计的采样频率是一定的,即1s单位采集的地磁幅值的个数,通过插值可以得到更高采样频率的波形数据,可以提高求解的精度。图4为图2波形数据进行10倍插值的结果,由图4可见波形没有改变,横坐标拉伸。步骤2:根据处理后的地磁波形数据判断是否有车辆临近地磁传感器。如图3,可以通过设置特定算法判别车辆临近地磁传感器和车辆离开地磁传感器。本发明采用双门限法,分别对车辆临近和车辆离开设定滑动窗口,判断车辆临近与离开与否。如图5,A和B分别为车辆临近和车辆离开的判别滑动窗口。步骤11:分别设定车辆临近传感器时的第一滑动窗口的高度和宽度为InWinHeigh和InWinWidth。EnvironValue为没有车辆时环境对应的波形峰值。步骤12:无车时,EnvironValue基本不变,在一定值左右波动,当有车辆临近时,幅值会有大的波动。若以地磁波形数据的幅值与EnvironValue绝对之差大于第一滑动窗口的高度InWinHeigh为条件,找到满足条件的点(VehStart表示),并判断InWinWidth窗口内都满足该条件(即持续时间大于第一滑动窗口的宽度),则记VehStart为车辆临近传感器时的起点。步骤3:根据处理后的地磁波形数据判断车辆是否处于停止状态。车辆经过传感器状态可分为停车状态和通过状态,若为停车状态,得到车辆的经过传感器的瞬时速度为0,若为通过状态,得到车辆经过传感器的瞬时速度为一正数。停车时,磁场无趋势变化,而是在某个值浮动(此值远离于EnvironValue,与EnvironValue的绝对之差一般大于InWinHeigh),故其波形数据也在某个值浮动,停车时的波形图如图6所示。可以设置一定的滑动窗口判断是否停车。如图6中窗口C,对波形按照窗口C进行扫描。步骤21:设定车辆停止时的第二滑动窗口的高度和宽度分别为StopWinWidth和StopWinHeigh。步骤22:如果地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第二滑动窗口的高度StopWinHeigh,且持续时间大于第二滑动窗口的宽度StopWinWidth,则判定车辆处于停止状态。若算法中StopWinWidth是可变的,利用上述算法,可以得到图6中的停车开始时间点(StartStop)和停车结束时间点(EndStop),根据采样频率(每秒采样数据点的个数),可以得到停车时间。对于停车的情况,可以根据波形情况判断车辆的存在。车辆经过传感器时,若先减速再停车,把步骤2中得到的车辆起点(VehStart)的编号设为1,则StartStop的编号大于1;若开始检测时车辆已经存在,并停在传感器处,则StartStop的编号也为1。所以可以根据得到的StartStop的值判断车辆存在或车辆停车。步骤4:根据处理后的地磁波形数据判断车辆是否处于通过状态。如图5所示,B分别为车辆离开的判别滑动窗口。步骤31:分别设定车辆离开传感器时的第三滑动窗口的高度和宽度为OutWinHeight和OutWinWinth。EnvironValue为没有车辆时环境对应的波形峰值。步骤32:无车时,EnvironValue基本不变,在一定值左右波动,当有车辆临近时,幅值会有大的波动。若以地磁波形数据的幅值与EnvironValue绝对之差小于第三滑动窗口的高度OutWinHeight为条件,找到满足条件的点(VehEnd表示),并判断OutWinWinth窗口内都满足该条件(即持续时间大于第三滑动窗口的宽度),则记VehEnd为车辆离开传感器时的终点。步骤5:当有车辆经过地磁传感器时,在地磁波形数据中,选取车辆临近传感器时的起点和车辆离开传感器时的终点。车辆临近传感器时的起点是地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差大于第一滑动窗口的高度的第一时间点,即步骤2中的VehStart。车辆离开传感器时的终点是地磁波形数据的幅值与无车辆经过时地磁波形数据的幅值之差小于第三滑动窗口的高度的第一时间点,即步骤2中的VehEnd。步骤6:利用不同的算法计算车辆速度。根据地磁传感器特定的采样频率和芯片模式,选择速度求解算法。本研究的交通地磁传感器为双芯片多功能新型地磁传感器,即在电路板中沿车流方向以特定距离(设为L)安装两个同样的数据采集芯片,两芯片感应地磁的方向为竖直方向,分别设为Z1轴和Z2轴,两芯片同时采集车辆波形,当车辆经过时的滤波处理后的车辆波形数据如图8所示。基于交通地磁传感器的速度求解有以下算法:A.车型分析法若车长(设L_Veh)已知,则可根据车辆经过传感器的时间求得速度(只需利用其中一个轴的波形数据),公式为:vA=(LVeh+Lextra)×1000×3.6×fsVehEnd-VehStart(km/h)]]>其中:L_Veh为车长;L_extra为附加车长;fs为地磁传感器采样频率;VehEnd-VehStart为车辆波形采样点数。L_Veh和fs为已知,VehEnd-VehStart可以根据步骤2求得,L_extra需要进行标定。L_extra的存在是因为算法中车辆临近传感器起点VehStart的幅值并不正好是车头前沿刚好经过传感器时的幅值,车辆离开传感器终点VehEnd的幅值也并不正好是车尾后沿刚好经过离开传感器时的幅值。如图8所示,当幅值在InWinHeigh时,车辆离传感器点的距离为L_extra1;幅值在VehEnd时,车辆离传感器点的距离为L_extra2;则L_extra=L_extra1+L_extra2。根据滑动窗口设定的不同,L_extra可能为正,也可能为负。由地磁特性可知,同一辆车,不同车速,波形形状不变,时间轴压缩或拉伸;不同车辆,同一车速,波形形状不同。所以同一车型有相同的L_extra,不同车型可能有不同的L_extra。这样可以根据固定的几种车型,采集不同车型的现场数据,根据实际车速对L_extra进行标定,得到不同车型的L_extra。实践中不同车型的L_extra差别不大,简化起见,可以以几种车型的L_extra的平均值代替。B.时间差分析法若地磁传感器为双芯片,这车辆先后经过两芯片时会得到具有一定时间差的大致相同的两个波形,如图7,可以根据两芯片之间的距离及两波形的采样点差求得车辆经过传感器时的速度。由于两波形的时间之差较小,为了降低舍入误差,对两波形数据进行插值,得到插值后的采样点差。计算公式为:vB=L×fs×3.6×kdefData(km/h)]]>其中:L为传感器两芯片距离;fs为采样频率;k为插值倍数;defData为两波形的采样点差。插值后,采样点差的计算可以用以下方法:通过两波形横坐标错移,求得两数据向量具有最大相关系数时的错移值,即为采样点差;也可在两波形上取特殊点,分别计算对应特殊点的横坐标差,求平均得到采样点差。采样点差除以插值倍数与采样频率的积,即得车辆经过两芯片的时间差。C.短时预测法根据车流理论,前后相邻车辆的速度之间遵循跟驰行为,并与路段整体车流速度有一定关系,把以前两种方法求得的速度值作为历史值,可以进行短时速度预测,并可作为车辆速度的参考值。计算公式:v_C=f(v₁,v₂,v₃,...)其中:v₁,v₂,v₃,...为历史速度值。v_C与历史速度之间的关系可以通过一定的预测模型求得,车辆经过传感器的各个速度值,可以看作传感器对车流速度基于时间序列的采样,故可以利用时间序列分析的理论,建立时间序列预测模型,得到当前速度与历史速度的函数关系。步骤7:对不同算法计算得到的车辆速度进行融合处理,获得最终的车辆速度。根据上述不同算法可以求得的不同车辆速度值,通过数据融合,可以得到更准确的融合速度。最简单的方法可以利用三者的平均值作为融合速度值,但这种方法扩大了误差较大的速度值对融合速度值得影响。另一种方法是三取二法,取绝对差最小的两速度值的均值作为融合速度,其实施思路如图9,这样可以消除某个误差较大速度值对融合速度值的影响,但若误差都较大时,可能得到较坏的结果。实施例:利用现场试验安装的交通地磁传感器采集到的实际数据,对本方法进行验证,得到相应的实验结果。(1)实验数据及处理本实施例选取2009年5月12日上午11时采集到45辆车的现场波形数据,并利用现场拍摄的视频对现场车辆情况进行标定,给出了车辆通过传感器时的状态和速度,如图12所示。记开始录像时的时间为0,相对时间为车辆经过传感器时距开始录像的时间,经过的车辆中都为小汽车,统一取小汽车平均车长4.5m。设计FIR低通滤波器,得到滤波后的波形数据,滤波器的参数为:b[66]={-0.0007,-0.0006,-0.0009,-0.0011,-0.0013,-0.0016,-0.0017,-0.0018,-0.0018,-0.0016,-0.0012,-0.0006,0.0003,0.0015,0.003,0.0048,0.0071,0.0096,0.0126,0.0158,0.0193,0.0229,0.0268,0.0306,0.0345,0.0382,0.0417,0.0449,0.0478,0.0501,0.052,0.0532,0.0539,0.0539,0.0532,0.052,0.0501,0.0478,0.0449,0.0417,0.0382,0.0345,0.0306,0.0268,0.0229,0.0193,0.0158,0.0126,0.0096,0.0071,0.0048,0.003,0.0015,0.0003,-0.0006,-0.0012,-0.0016,-0.0018,-0.0018,-0.0017,-0.0016,-0.0013,-0.0011,-0.0009,-0.0006,-0.0007}。(2)车辆临近和离开判别通过设置合适临近判别窗口(InWinHeigh和InWinWidth)和离开判别窗口(OutWinHeight和OutWinWinth)的大小,从波形数据中切割出车辆波形数据,通过实验,本实施例选取的窗口参数如下:InWinHeigh=70,InWinWidth=30,OutWinHeight=25,OutWinWinth=120;同样判别停车的窗口参数如下:StopWinHeigh=10,StopWinWidth=DStopT*fs,其中DStopT为设定的认为满足车辆停车的最短时间(可取1s或2s)。利用上述窗口参数,得到45辆车的波形数据,计数准确率达100%,处理后的部分车辆波形数据如图10所示,波形的特征反映了车辆通过传感器的状态。经现场试验,本参数对传感器处所在路段车辆计数的准确率大于98%。(3)速度融合及对比利用得到的车辆波形数据及本发明的算法,得到各方法的计算速度,并利用三取二的速度融合算法,得到最后的融合速度如图13,可知平均绝对误差约3.47km/h,平均速度之差仅0.38km/h。实际速度与融合速度的对比图见图11,柱形图为实际速度与融合速度之差,最大不超过15km/h。以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。