基于超聲與微波的車型分類方法

南京市第十三中學 馮凌云

基于超聲與微波的車型分類方法

南京市第十三中學 馮凌云

為了實現車輛類型分類，介紹了一種利用超聲波與微波技術實現車型分類統計的方法。利用超聲波測距儀與微波測速儀采集車輛的原始數據，對車輛原始數據進行預處理，從原始數據中提取特征點，并對特征點進行組合優選，然后使用支持向量機分類器，通過大量車型樣本數據對已知車型進行訓練，實現車型建模，利用車型建模結果實現動態車型識別。實際應用結果表明該分類方法準確率可達95%以上。

超聲；微波；車型分類；提取特征；支持向量機

引言

隨著國民經濟的高速發展和城市化進程的加快，交通運輸業也隨之飛速發展，交通路網總里程數以及機動車保有量在急劇增加，交通主管部門需要掌握公路網的交通流量情況。

交通流量情況的一個重要指標是某路段單位時間內通過了不同類型車輛的總數，統計交通流量必須實現車型分類識別。現有車型識別方法主要有地感線圈檢測法、視頻圖像檢測法、激光探測法等。地感線圈檢測法技術成熟但安裝維護需要破壞路面且中斷交通；視頻圖像檢測法直觀可靠但是受天氣因素影響較大；激光探測法雖然獲得車輛信息準確，但是硬件成本太高，處理過程復雜，氣象條件也會對激光探測有一定的影響。本文提出基于超聲與微波車型識別方法，不僅具有安裝維護方便，受氣象環境影響小的特點，而且成本低，識別率高。

1.車輛原始數據的獲取及預處理

1.1 利用微波測速儀測車速

在車型識別過程中，車長與車速是兩個特別重要的技術參數。其中，車速利用微波測速儀直接測出。微波測速儀根據微波的多普勒效應[1]測定車速。車長可以通過車速與時間計算得到，車輛通過的時間T有兩種渠道測定，一是通過微波測速儀測定，另一種方法可以通過超聲波測距儀測定，因為，超聲波測距儀每隔40ms進行一次測量，車輛通過測距儀時的總數據個數N可以統計，車輛通過測距儀的時間T= 40MS * N。

1.2 利用超聲測距儀獲取車輛外輪廓數據

在車型識別過程中，利用超聲波測距儀來獲取車輛外輪廓數據。車輛的外部輪廓是車型識別的核心數據，因為它本身就能直觀展現車輛外形，準確提取車輛外部輪廓數據對于后面的數據特征值提取，車型建模等環節至關重要。

圖1 超聲波傳感器單車道測距示意圖

超聲波測距儀是用來測量被測物到測距儀之間的直線距離，當把超聲波測距儀用于測量車輛外部輪廓時，一般是把超聲波測距儀安裝于公路每個車道的正上方，測距儀安裝高度建議安裝在距離地面6米左右的位置。測距儀在連續不斷地且每隔40ms發出一組超聲波，當安裝有超聲波測距儀的車道上無車輛通過時，測距儀探測到的是測距儀與地面之間的距離，當車道上有車通過時，測距儀探測到的是測距儀與車頂之間的最短距離，由于車輛頂部高低起伏，測距儀探測到的距離長短也隨之變化。把測距儀的安裝高度H減去這個長短變化的距離值即是車輛頂部高低變化的外輪廓。

圖1是單車道超聲波測量車輛外輪廓示意圖。圖中A點是超聲波傳感器的安裝位置，隨著車輛通過測距儀下方，A點到車頂的距離隨著車頂部高低變化而長短變化。

以下通過小客車與大貨車這兩種典型車型為例，舉例說明超聲波測距儀采集到的車輛原始數據。

表一 采集時間：03:00:51 車速：56.0公里/小時 車長：4.35米 車型：小客

表二 采集時間：03:03:31 車速：57.0公路/小時 車長：12.03米 車型：大貨

表一與表二中的數據分別是小客車與大貨車通過超聲波測距儀時測到的車輛原始車高數據。表頭上方列出了車輛通過時的起始時間，車速，車長以及車型。不同類型的車輛，由于其車長和通過時的車速不同，所采集到的數據個數也不同，表中的時間列表示超聲波每40ms進行的一次采集時序，實測距離是以超聲波測距儀為參考點而實際測量出來的距離，車高值是以地面為參考點，根據實測距離計算出來的。計算公式為：

車高H = 超聲波測距儀安裝高度L - 實測距離S

1.3 車型數據預處理過程

以上獲得的原始數據不能直接進行車型特征值提取，要進行預處理，因為在超聲波測距儀采集數據時，會因氣象條件、設備質量、電氣條件等因素而帶來干擾，因而原始數據中可能包含噪聲。

汽車的實際車高是有一定范圍的，當測量車高超出了汽車實際高度范圍時，就認為是一個擾動，例如：規定當計算出來的車輛高度＞ 5米或＜0.5米的數據是擾動。對于這類擾動的車高數據，可采用中值濾波處理。即把該擾動車高數據H的前面一個車高數據H1 + 其后面一個車高數據H2求平均，用平均之后的值替換原擾動數據。

在公路上連續通行的汽車，可能會出現多輛車從同一車道連續通過，對于這種前后連續通行的車輛，超聲波測距儀采集到如下圖的波形數據。

圖2 兩輛車從同一車道連續通過超聲波傳感囂下方

圖2中是表一中的小客車與表二中的大貨車通過超聲波測距儀采集到的數據在軟件中的點陣圖。其中，前面是小客車通過時形成的小的車形峰，后面是大貨車通過時形成的大的車形峰。

在車型識別數據特征提取之前，要把一輛完整的車輛數據從超聲波測距儀發送來的數據流中分離出來。本文中的整車數據分離是通過讀取微波發出車輛駛入與駛離的狀態標志信號，以分割超聲波測距儀探測到的數據流，從而分離出整車的原始車形數據。

2.車型識別數據的特征選和特征提取

2.1 車型識別數據的特征生成

經過預處理之后的原始車形數據就可以生成車型特征信息。根據超聲波與微波采集到的數據特點，將生成的特征分為兩大類：結構特征和數值特征。

結構特征：結構特征主要反映不同車型波形的形狀差異，即在波形的結構、波動程度、波形表觀等方面體現不同車型差異特征，初步提取的結構特征見下表。

表2 .1 結構特征表

波峰數：一個整車外形輪廓波波峰數，即超聲波測距儀在車輛單次通過采集到的波峰個數。

波谷數：一個整車外形輪廓波波谷數，即超聲波測距儀在車輛單次通過采集到的波谷個數。

波峰的相對位值：車輛波形第一次出現波峰值的相對位置。將第一次采集波峰值的時間與第一次采集到數據的時間做差值，得出相對時間，再將相對時間與車速相乘，得出波峰的相對位值。公式如2.1：

波谷的相對位值：車輛波形第一次出現波谷值的相對位置。具體的計算方式同波峰的相對位值。公式如下：

數值特征：波形的數值特征能夠通過具體數值還原波的信息，從而能夠更廣更深地探索不同車型的波形差異，提取的數值特征見表2.2

表2 .2 數值特征表

最大值：超聲波傳感器捕捉到車子單次通過的軌跡數據的最大值。

最小值：超聲波傳感器捕捉到車子單次通過的軌跡數據的最小值。

車長和車速都是通過微波傳感器獲得。

方差：超聲波傳感器捕捉到車子單次通過的軌跡數據中車高的方差。

波持續時間：車形輪廓波數據持續的時間。即為超聲波傳感器捕捉到車輛單次通過的軌跡數據中最大時間與最小時間之差。

2.2 基于熵法的車型識別數據特征選擇

特征選擇[2]是指從一組特征中挑選出一些最有效的特征的過程，它的主要目的是在保持特征的物理意義基礎上，降低特征空間維數，從而降低分類器設計的復雜性和特征形成的成本，提高分類器的性能，易于車型識別分類器的設計與實現。

在車型識別系統中，使用熵法對車型識別數據進行特征選擇。

表2 .3 特征選擇后的結果

3.支持向量機[3]的分類技術在車型識別系統中的應用

實現車型識別之前，首先需要采集大量的樣本數據，訓練車型識別模型。樣本數據建議在實時車型識別同等條件下獲取。從大量的樣本數據中，按照上述車型特征提取方法，選擇最優特征組合，以此特征組合做為支持向量機的輸入量，以車型編號做為輸出量，訓練出已知車型的模型。

通過采集測試車型數據對訓練出來的車型模型進行測試，驗證車型分類效果，從實際實驗觀察發現，通過超聲與微波技術，利用基于支持向量機的分類方法，其分類準確率可達95%以上。

4.總結

本文提出了利用微波與超聲波技術，獲取并分析公路通行車輛原始數據（車速、車長、車頂外輪廓等），從原始數據中生成特征值，并對特征值進一步選擇和提取，利用支持向量機技術對特定車型進行訓練建模，進而實現自動識別車型的方法。

[1]童匯琛．基于多普勒效應的RFID室內定位技術研究與實現[D]．上海交通大學,2014:89-105．

[2]毛勇,周曉波,夏錚等．特征選擇算法研究綜述[J]．模式識別與人工智能,2007,2:23-26．

[3]李應紅,尉詢楷,劉建勛．支持向量機的工程應用[M]．北京:兵器工業出版社,2004:10-25．

馮凌云，男，漢族，現就讀于南京市第十三中學高三7班。