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车型识别方法,用于解决当前智能交通系统缺乏车型识别的问题。该方法包括:通过地磁传感器获取车辆波形数据;根据车辆波形数据,例举波形特征;根据波形特征对车型识别结果的影响,选择有效波形特征;利用有效波形特征和车型分类函数,训练得到决策树;根据得到的决策树,进行车型识别。本发明能够根据交通地磁传感器得到的车辆波形数据,得到具体车辆的车型,为智能交通系统提供基础数据。
1.一种基于地磁传感技术的车型识别方法,其特征是所述方法包括:步骤1:通过地磁传感器获取车辆波形数据;所述地磁传感器设定特定的采样频率;步骤2:根据车辆波形数据,提取波形特征;所述波形特征包括波峰数、最大波峰时间比、最大波谷时间比、均值、均方差、波峰幅值、波谷幅值、最大波峰值波谷值比和峰谷分布序列;步骤3:根据波形特征对车型识别结果的影响,选择有效波形特征;根据上述提取的特征,并把各特征融合为一个正数,作为此车型的一个特征向量,即x_i=(f1_i,f2_i,...fk_i,...,fn_i)^T。其中:x_i为第i辆车的特征向量;fk_i为第i辆车的第k个特征值;n为提取的特征数;定义X=(x₁,x₂,...,x_k,...,x_m)^T为m辆车的特征矩阵,其中:矩阵X中的每行代表一辆车的n个特征;定义y=(y₁,y₂,...,y_k,...,y_m)^T为车型向量,其中y_i=VehCFun(i),VehCFun()为车型分类函数;步骤4:对有效波形特征进行正数融合处理,利用有效波形特征和车型分类函数,训练得到决策树;利用特征矩阵X和车型向量y作为已知数据,训练得到决策树;步骤5:根据得到的决策树,进行车型识别,具体是,从得到的决策树根部开始搜索,直到叶子节点,所述叶子节点对应的车型就是识别结果。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车型识别方法。
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车型等信息是交通管理者掌握道路运行车辆状况的有效途径。基于交通传感器的车型识别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(Intelligentxa0Transportationxa0System,智能交通系统)在中国的发展和应用,实时掌握道路交通信息,特别是道路车型信息,为交通管理部门实时决策提供依据,成为一项亟待解决的课题。
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车型识别方法,用于解决当前智能交通系统缺乏车型识别,不能交通管理部门实时决策提供准确依据的问题。技术方案是,一种基于地磁传感技术的车型识别方法,其特征是所述方法包括:步骤1:通过地磁传感器获取车辆波形数据;步骤2:根据车辆波形数据,例举波形特征;步骤3:根据波形特征对车型识别结果的影响,选择有效波形特征;步骤4:利用有效波形特征和车型分类函数,训练得到决策树;步骤5:根据得到的决策树,进行车型识别。所述地磁传感器设定特定的采样频率。所述波形特征包括波峰数、最大波峰时间比、最大波谷时间比、均值、均方差、波峰幅值、波谷幅值、最大波峰值波谷值比、峰谷分布序列。所述步骤4,利用有效波形特征和车型分类函数,训练得到决策树之前,还包括对有效波形特征进行正数融合处理。所述步骤5具体是,从得到的决策树根部开始搜索,直到叶子节点,所述叶子节点对应的车型就是识别结果。本发明的有益效果是,基于地磁传感技术的车型识别方法根据交通地磁传感器得到的车辆波形数据,通过提取有效波形特征,得到车型识别的决策树模型,利用决策树的二分搜索算法,得到具体车辆的车型,为ITS提供基础数据。
附图说明
图1是基于地磁传感技术的车型识别方法流程图;图2是地磁传感器测得的不同车型车辆的波形对比图;图3是提取车辆波形特征示意图;图4是基于不同应用的车型分类函数表;图5是训练得到的车型分类决策树示意图;图6是车型判别集内测试结果表;图7是车型判别集外测试结果表。
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车型识别方法流程图。图1中,一种基于地磁传感技术的车型识别方法包括下列步骤:步骤1:通过地磁传感器获取车辆波形数据。地磁传感器具有自学习能力,可以学习无车辆时地磁环境的情况,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。由车辆经过传感器的波形数据,根据一定的算法,得到每个车辆经过传感器时的车辆波形数据。不同车型得到的车辆波形数据不同;同种车型由于噪声等因素得到的车辆波形数据也不尽相同,但形状大致不变。图2是地磁传感器测得的不同车型车辆的波形对比图,图2中,同一行的两个波形图对应的车型相同。步骤2:根据车辆波形数据,例举波形特征。从图2中可以看出,不同车辆所对应的波形有很大的不同,同种车辆所对应的波形有很多相似之处,所以可以根据波形具备的特征来区分不同的车辆。考虑从车辆的结构分析波形特征的形成原因,由于地磁传感器检测是车辆经过时地磁的变化情况,所以车辆的金属沿车行进方向的分布情况,车辆长度,车底盘高低,发动机结构等都会影响地磁上的大小,加之车辆以一定的速度经过,会使波形图具有不同的形状,经过分析可以列举如下特征:波峰波谷的个数及分布情况,最大最小幅值,各特征点位置等。根据分析,可以提取以下波形特征:特征1:波峰数(f1=m),波形出现峰值的数目(与波谷数(n)相差1);特征2:最大波峰时间比ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="266"/>特征3:最大波谷时间比ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="269"/>特征4:均值(f4=average(VehWave));特征5:均方差(f5=var(VehWave));特征6:波峰幅值(f6=max(VehWave));特征7:波谷幅值(f7=min(VehWave));特征8:最大波峰值波谷值比(峰谷比)ntent="drawing" img-format="tif" inline="yes" orientation="portrait" wi="524"/>特征9:峰谷分布序列(f9=series(VehWave));其中,VehWave为车辆波形数据序列。特征9的峰谷分布序列函数可以定义一个01序列,即极大值时取1,极小值时取0;也可定义为如图3的分区序列,即波峰波谷落在某区时,取相应区的代号。特征9可以比较精细的反应出波形的特征和趋势,但不利于计算。步骤3:根据波形特征对车型识别结果的影响,选择有效波形特征。根据上述提取的特征,并把各特征融合为一个正数,作为此车型的一个特征向量,即x_i=(f1_i,f2_i,...fk_i,...,fn_i)^T。其中:x_i为第i辆车的特征向量;fk_i为第i辆车的第k个特征值;n为提取的特征数。定义X=(x₁,x₂,...,x_k,...,x_m)^T为m辆车的特征矩阵,其中:矩阵X中的每行代表一辆车的n个特征。定义y=(y₁,y₂,...,y_k,...,y_m)^T为车型向量,其中y_i=VehCFun(i),车型分类函数(VehCFun())可以根据不同的应用定义,图4是基于不同应用的车型分类函数表,图4例举了不同应用的车型分类函数定义。步骤4:利用有效波形特征和车型分类函数,训练得到决策树。决策树是一种非常有效的机器学习分类算法,是用二叉树形图来表示处理逻辑的一种工具。可以直观、清晰地表达加工的逻辑要求。决策树的基本原理是递归地将数据拆分成子集,以便每一个子集包含目标变量类似的状态,这些目标变量是可预测属性。每一次对树进行拆分,都要评价所有的输入属性对可预测属性的影响。当这个递归地过程结束时,决策树也创建完了。建立决策树的过程,即树的生长过程是不断的把数据进行切分的过程,每次切分对应一个问题,也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。在沿着决策树从上到下遍历的过程中,在每个节点都会遇到一个问题,对每个节点上问题的不同回答导致不同的分支,最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程,利用几个变量(每个变量对应一个问题)来判断所属的类别(最后每个叶子会对应一个类别)。利用特征矩阵X和车型向量y作为已知数据,训练得到决策树。步骤5:根据得到的决策树,进行车型识别。对于新得到的每个车型数据,根据步骤4得到相应的特征向量,在利用训练得到的决策树,从树根部开始搜索,直到叶子结点。此时的叶子节点对应的车型就是识别出的此车的车型。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9月19日采集到264辆车的现场波形数据作为训练数据,其中49辆公交车数据,215辆小汽车数据。通过对预处理和车辆判别算法,得到各车完整的车辆波形数据,部分车辆波形数据见图2。(2)特征提取利用方法中的算法,得到各车辆波形数据的特征向量,本实施例选取前8种特征作为特征向量,并由264辆车的特征向量得到264×8的特征矩阵。(3)训练决策树为简化起见,选取图4中的表的车型分类A作为车型分类方式,把车型分为两类,小型车和大型车。根据已知的车辆的车型,得到与特征矩阵对应的车型向量,利用matlab中的treefit函数,训练得到的决策树如图5所示。(4)车型判别通过集内测试,得到的训练结果如图6所示。利用2009年9月19采集到的另外281个车辆数据(其中26辆公交车,255辆小汽车)作为测试数据,得到的训练结果如图7所示。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。