智能交通系统中车型分类的模糊模式识别方法.doc

《智能交通系统中车型分类的模糊模式识别方法.doc》由会员分享，可在线阅读，更多相关《智能交通系统中车型分类的模糊模式识别方法.doc（4页珍藏版）》请在沃文网上搜索。

1、摘要：车辆经过环形线圈传感器时,车体铁磁物质与环形线圈相互作用改变了线圈的频率,形成感应曲线。针对感应曲线的不同形状,对车辆进行自动分类。方法采用特征分离的模糊模式识别方法,根据每类车辆感应曲线的特点,找出一组特征唯一地描述该类车辆,从而进行匹配分类.结果。本文的研究方法及其装置已在道路、桥梁收费系统以及在交通流量统计中得到利用。特征分离与匹配分类的模糊模式识别方法能够较为准确地对车辆进行分类。.关键词：模糊模式识别;特征分离;车辆分类Vehicle classification fuzzy pattern recognition method of Intelligent Transport

2、ation SystemsHAN hailiang(School of Mechatronics Engineering and Automation, Shanghai University, Shanghai 200072, China)Abstract: When the vehicle passes through the toroidal coil sensor, the body of ferromagnetic material and the change in the frequency of interaction between the loop coil of the

3、coil, the formation of the induction curve. Different shapes for the induction of the curve, the vehicle automatic classification. The method uses fuzzy pattern recognition method feature separate induction curve according to each type of vehicle characteristics, to identify a set of features that u

4、niquely describe such vehicles, thereby matching the classification results. Research methods and apparatus of this article has been on roads, bridges and toll system to get traffic statistics in use. Fuzzy pattern recognition method and matching feature separate classification can more accurately c

5、lassify the vehicle. .Key words: Fuzzy pattern recognition; feature separation; vehicle classification1 背景智能交通系统中,管理人员或计算机自动管理系统需要获取大量的有关道路、车辆的信息,进行决策,以便有效地管理,其中车辆信息是最主要的.本文在借助感应线圈车辆检测的基础上,利用特征分离与匹配分类的模糊模式识别方法对车辆进行分类,为道路、桥梁收费及交通流量统计打下了基础.。目前常用的车型自动识别方法有红外、雷达、超声波、感应线圈、视频等.红外、雷达、超声波受环境干扰影响较大;视频处理方法成本较

6、高.感应线圈虽然具有成本较低、安装使用方便等优点,但环形线圈用于车型识别,仍然存在较多问题,主要有:我国车辆种类较多,各类车辆之间没有明确的界线;传感手段简单,用环形线圈仅能获得车辆的感应曲线;动态、实时的条件下,有很多难以料想的干扰因素存在;难以获得各类车辆的典型样本.因此,利用感应线圈进行车型识别是一个具有不确定性条件的动态模式识别问题,单靠传统的模式识别方法难以进行有效的分类。2 原理和方法车辆识别系统的结构如图1所示.虚框为车辆识别系统建立前必需的学习训练部分.通过大量的数据采集、学习和训练,建立起车辆类型的模糊模式库,作为识别时模式匹配的样本。图1 车辆系统识别结构.Fig.1 Ve

7、hicle Identification System structure车辆经过环形线圈传感器时,车体铁磁物质与环形线圈相互作用改变了线圈的频率,形成感应曲线.针对感应曲线的不同形状,对车辆进行自动分类.如图2目前常用的车型自动识别方法有红外、雷达、超声波、感应线圈、视频等.红外、雷达、超声波受环境干扰影响较大;视频处理方法成本较高.感应线圈虽然具有成本较低、安装使用方便等优点,但环形线圈用于车型识别,仍然存在较多问题,主要有:我国车辆种类较多,各类车辆之间没有明确的界线;传感手段简单,用环形线圈仅能获得车辆的感应曲线;动态、实时的条件下,有很多难以料想的干扰因素存在;难以获得各类车辆的典型

8、样本.因此,利用感应线圈进行车型识别是一个具有不确定性条件的动态模式识别问题,单靠传统的模式识别方法难以进行有效的分类。 图2 车型识别原理Fig.2 Vehicle identification principle 图3列出了几类车辆的感应曲线 商务车 大型客车 SUV 轿车图3Fig.33 车型特征提取根据采集到的车辆频率曲线样本,选取频率曲线的高度、左右比重、上下比重、车长、凹凸性、峰值6个特征(F1F6)来描述不同的车辆。几种车辆频率曲线的高度(每组采样8次)商务车轿车Suv大型客车表1 车型曲线高度Tab.1Vehicle height of the curve 现以高度特征(F1)

9、为例,高度是一个很突出的特征,建立隶属函数。分为 “较低”、“中等”、“较高”3个模糊集。其表达式为F1/f1(x),其中f1(x)为该3个模糊集中的1个。通过上表列出了几种车辆频率曲线高度的值,就可以确定“较低”、“中等”、“较高”3个模糊子集,并取1=40, 2=60, 3=70。图4高度的隶属函数Fig.4 The height of the membership function4 车型特征分离轿车：介绍用特征分离的方法为每类车辆选择一组特征.在6个特征中,高度和上下比重是轿车的主要特征,因为车辆感应曲线给人最深刻的印象是瘦而高,而此处凹凸性与左右比重是很次要的,在特征选择时可以不予考

10、虑.用语言变量描述其特征的表达式为 F1/f13(x)F3/f3k(x)F4/f4k(x)F6/f6k(x) （4-1）F1为高度,F3为上下比重,F4为车长,F6为峰值;“”表示逻辑“与”，k为选择的模糊子集。 Suv 的曲线与轿车的曲线在形状上非常接近。所以选择同样的特征表达式 F1/f11(x)F3/f3k(x)F4/f4k(x)F6/f6k(x) （4-2） F1为高度,F3为上下比重,F4为车长,F6为峰值;“”表示逻辑“与”，k为选择的模糊子集。大型客车的最大特征是其波形有2个或3个峰值,而且车长较长.仅这两个特征就可以将大客车从其它车辆中区分开来.其特征描述为 F4/f4k(x)

11、F6/f6k(x) （4-3）其中F4为车长，F6为峰值。 商务车的最大特征是 左右比重商务车左边更大右边略小车长较大有两个峰值。描述其特征的表达式为 F2/f2(x)F4/f4(x)F5/f5(x) （4-4）其中F2为左右比重，F4为车长，F5为凹凸性。5 车型匹配分类特征分离的模糊模式识别方法,其独特之处在于“特征分离”,对于车型识别而言,特征分离是针对每类车辆的各自特点,找出该类车的一组特征,唯一地描述该类车辆.这里的特征是总结各类车辆的感应曲线的特征,用概念层次的语言变量来描述的.所以,在进行特征选取时,用模糊集作为特征的表达方式.分类具体步骤：1、设x为所要识别的对象2、计算x的感

12、应曲线在6个特征上的值,3、对应不同车型n（本文用了四类）带入不同车型的隶属函数。4、要识别它属于哪一个车型,按下列原则作判断: Ak(x)=maxA1(x), A2(x), An(x) （5-1）则认为x相对属于Ak所代表不同车型.5、根据人的识别经验,预先设定一阈值,若Ak(x) ,则判定x是k类车辆;若Ak(x) ,则认为输入的信号不清楚或输入车辆不在模式样本库中,作为拒识处理.6 结论由于识别系统受环境影响较大,所以一般的识别算法的识别效果都不很理想.本文采用特征分离与匹配分类的模糊模式识别方法, 为每类车辆建立了一组特征;同时采用了模糊子集作为特征的表达,对于外界干扰具有较高的容忍度

13、. 能更好地利用人的识别经验,把人的经验归纳成推理规则,用推理代替计算完成识别的过程.同时,系统还加入了拒识,识别效果是比较理想的。参考文献：1 郭桂蓉 模糊模式识别 国防科技大学出版社, 19921 Guo Guirong Fuzzy Pattern Recognition University of Defense Technology Press, 19922 傅京孙等 模式识别应用 北京大学出版社, 19901 Fu Jing Sun and other pattern recognition applications Peking University Press, 199013 于濂 模糊模式识别和模糊图像处理 北京师范大学博士论文, 19971 Mrs fuzzy pattern recognition and fuzzy image processing PhD thesis, Beijing Normal University, 19971- 4 -