如何提高高速公路收費效率和準確性的研究探討

2010-12-31 00:00:00周軍

商場現代化 2010年16期

[摘要]隨著現代計算機及信息技術的飛速發展，越來越多的智能化、信息化的技術和設備被廣泛應用于智能交通系統。而車型自動分類與識別技術作為智能交通領域的一個重要的分支，得到了更多的關注和研究。本文首先介紹了車型自動分類與識別技術的現實意義以及其當前的研究內容。然后重點分析了音頻車輛檢測分類與識別，包括音頻信號建模及特征提取和車輛音頻信號的特征提取及車型分類。最后指出了尚待完善的問題。

[關鍵詞]車型自動分類音頻信號智能交通

現代計算機及信息技術的飛速發展及其在智能交通領域的廣泛應用提供了一種解決交通控制與管理問題的有效途徑。車型自動分類與識別技術作為智能交通領域的一個重要的分支，得到了更多的關注和研究。

在交通管理中對車輛進行分型的主要目的是為了統計交通流量或者為道路通行費的征收提供標準和依據。我國現有的交通數據統計還處在主要依靠人工的階段，在道路通行費用的征收時也主要依靠人工完成車型的分類。一方面，為了更好的規劃道路交通建設，需要一種有效的、可實現車輛自動分型統計的交通流量統計技術為其提供可行性研究和理論依據;另一方面，為提高公路，尤其是高速公路的通行能力，需要一種快速準確的車型自動分類技術以提高收費效率和準確性。車型自動分類技術因此具有重要的現實意義和巨大的應用價值。

一、當今車型自動分類與識別技術的研究內容

可以根據檢測器的工作原理把現有的車型自動分類與識別技術劃分為以下幾類:

1. 磁頻車輛檢測分類與識別

磁頻車輛檢測器是基于電磁感應原理的車輛檢測器。這類檢測器包括環形線圈檢測器、地磁檢測器、磁成像檢測器和摩擦電檢測器。

利用環形線圈進行車型自動分類的一種方法是依靠車輛經過環形線圈傳感器時，車體鐵磁物質與環形線圈相互作用改變了線圈的頻率，形成感應曲線，針對感應曲線的不同形狀，對車輛進行自動分類。

磁成像檢測器以近期研究成功的磁成像技術為基礎，測量由于車輛的出現而引起的電磁場擾動或變化，通過與已記錄的不同結構車輛的磁紋相比較，可以實現車輛的自動分類。

2. 波頻車輛檢測分類與識別

波頻車輛檢測器是以微波、超聲波和紅外線等對車輛發射電磁波而產生感應的檢測器。其中超聲波檢測器和紅外檢測器在道路交通動態信息檢測中已得到了廣泛的應用，有較多成熟的產品，超聲波檢測器可比較準確檢測車速、車型、車流量及占有率等信息，紅外車輛分離器也在不停車收費等領域發揮著重要的作用。微波雷達檢測器由于設備復雜，價格昂貴，并且效果與其他檢測手段比較并不具有絕對優勢，不認為其能在車型自動分類技術中占據主流位置。

3. 音頻車輛檢測分類與識別

音頻車輛檢測技術是通過單麥克風傳感器或麥克風傳感器陣列采集車輛行駛過程中的音頻信號，應用信號處理、模式識別等工具對其進行分析處理，以期得到某種音頻信號特征，從而達到車型自動分類的目的。目前出現過的主要方法有基于AR模型參數特征的車型自動分類技術和基于語譜圖的紋理特征的車型自動分類技術等。

二、音頻信號建模及特征提取

經典的語音信號產生模型是一種線性信號模型，類似的模型也已被應用于車輛音頻信號建模中。大量的研究成果表明線性模型在語音信號等音頻信號處理中的應用取得了良好的效果。但由于包括語音信號、車輛音頻信號在內的很多音頻信號都屬于非平穩信號，所以經典的線性信號模型具有一定的局限性，使得在此基礎上的音頻信號處理技術在性能上很難取得突破性的進展。隨著非線性動力學、混沌學、神經網絡和人工智能等學科的深入研究和發展，目前在語音信號處理方面，基于混沌動力學的語音信號產生機制描述等非線性模型已被建立并取得了良好的效果。

描述音頻信號的主要特征參數包括短時能量、短時平均過零率、語譜圖特征、倒譜特征、AR模型參數特征、基于AR模型的線性預測LPC參數特征、LPCC倒譜特征、基于DCT的倒譜特征MFCC等。在對現有的特征參數進行加工處理，如對現有特征用特定的方法進行加權、修正、選取與組合而得到新的特征參數，被證明是一種行之有效的方法。語音識別中，提取的聲學特征一方面應能表征不同識別基元的聲學差異，另一方面又能表征相同識別基元不同樣本之間的聲學相似性的信息。同樣的，在進行車型自動分類時，選擇的車輛音頻信號特征不但要能表征不同車型之間的聲學差異，也要能反映相同車型不同車輛之間的聲學相似性信息。

三、車輛音頻信號的特征提取及車型分類

1、車輛音頻信號的主要特征

車輛音頻信號產生過程的復雜性表明車輛音頻信號是一個非平穩的信號，現有的聲學特征基本上都是針對平穩信號的。所以必須假設車輛音頻信號具有短時平穩性，即認為車輛音頻信號在一個相當短的時間內是一個平穩信號，這樣就可以利用平穩信號的分析方法對其進行分析。一般的聲學特征參數主要包括以下三類:

(1)時域特征。時域特征直接從時域信號中計算而來，反映信號的時域波形的特征。時域特征主要包括短時平均能量、短時平均過零率等。

(2)頻域及倒譜特征。它們都由時域信號進行頻譜變換而反映信號的頻域特征。傅立葉頻譜、倒譜分析和時頻譜都歸于此類，對車輛噪聲進行一般研究時這類特征比較常見。

(3)聽覺特征。聽覺特征主要應用于語音信號處理領域。它不直接針對聲學模型進行研究，而是從人的聽覺系統的感知特性來刻畫信號的特征，如感知線性預測分析等。

2. 基于車輛音頻信號特征的車型自動分類

在利用車輛音頻信號的特征進行車型分類與識別時，是否特征矢量中的各維元素都能反映出車型之間的差異，如何在所取得的特征參數中選擇一定數目的可分性最好的參數是特征參數的選取所研究的問題。

在進行特征參數選取時，可以采用前進法、后退法和逐步判別法等策略來選擇特征參數。前進法從無開始，逐次引入一個最重要的變量后進行判別，直到預定的所有參數全部被引入，然后從各組判別中選擇最優的一個。后退法與之相反。對特征參數逐個進行檢驗，剔除那些對不同車型的平均值不具備顯著性差異的參數。此方法基于車型的特征參數由于個體差異所具有的離散性屬于正態分布的假設，可以通過u檢驗來完成。但前進法和后退法對于每個參數在尋優過程中一旦被剔除以后就一直被排除在外，存在一定的問題。為避免前進法和后退法存在的問題，可以采用逐步判別法。在篩選的每一步，先從尚未選進的參數中引入最優判別能力的參數，此后還應該在新的條件下考察已被選進的變量，剔除其中的多余者。如此重復進行，直到已被選進的參數中沒有一個應該被剔除，在所有尚未選進的參數中也沒有一個可以被引入為止。

四、尚需完善的問題

從車輛行駛中所產生的音頻信號入手，通過對其特征的提取與分析實現車型的自動分類與識別。但目前此方向的研究尚需完善的問題有:

(1)對車輛音頻信號產生的過程及各聲源在車輛音頻信號中所處的地位做進一步準確的研究。需要采取更先進、更有效的測試儀器和方法，花費更多的精力剖析車輛音頻信號的本質與特點;

(2)從模型及特征參數出發，采用更加合理的非線性模型，引入更加有效的特征參數或對現有的特征參數進行更加有效的選取與組合，以期對車輛音頻信號的產生及特點進行更加合理的數學描述;

(3)使用更有效的數據分析方法，應用更多的現代數據分析研究成果，對樣本數據進行更加準確的分析和判斷;

五、小結

本文主要研究基于車輛音頻信號特征的車型自動分類識別技術。車型自動分類與識別是智能交通的重要組成部分，簡便而有效的車型自動分類識別技術對于智能交通控制與管理有著很大的利用價值。與目前多數車型自動分類識別技術不同，本文從車輛行駛中所產生的音頻信號入手，通過對其特征的提取與分析實現車型的自動分類與識別。

參考文獻:

[1] 楊杰、郭偉. 基于圖象處理的車型自動識別及應用研究[J]. 交通與計算機，2001，19(3):30-32

[2] 陳強、王雙維、李江，等. 基于AR模型的車型自動分類技術[J]. 吉林大學學報， 2007，37(2):1-2

[3]王帆. 魯棒語音社別中聲學特征的提取與處理研究[D]. 北京:清華大學博士學位論文，2002

[4]Thomas F. Quatieri. 離散時間語音信號處理—原理與應用[M]. 趙勝輝、劉家康、謝湘，等. 北京:電子工業出版社，2004