 |
|
 |
 |
|
关键词：tms320f2812 车型检测器 智能交通 智能交通
摘 要：车型分类是高速公路自动收费和交通流量统计的重要依据，它是智能交通(ITS)的一个重要组成部分。本文针对车型检测器硬件结构和处理算法两方面提出一些具有创新性的设计方案，介绍了由LC振荡电路和TMS320F2812处理芯片构成的车型检测器的硬件结构，为克服LC振荡电路频率不稳定的固有缺陷提出了基频更新算法。并提出了利用一维数学形态滤波方法过滤实际应用中的噪声信号的方法，最后简单介绍了基于粗糙集BP神经网络车型分类算法。 当车辆经过环形线圈上方时，LC振荡电路的振荡频率发生变化（通常为增加），其变化值为TMS320F2812检测到的频率与基频 的差值，即 。该差值就作为车型识别的有效数据源。 3.2 数学形态滤波方法 根据对实验数据分析，相同车型的车辆经过环形线圈时，车型分类器得到的时变频率曲线具有一定的规律。根据这些稳定的规律，可以识别出相应的车型。在实际应用中，相邻车道的车辆和环境磁场微小变化等因素产生的噪声会影响车型识别的精度。而且由于干扰信号与原始信号的频段相近，所以，一般的滤波方法如小波滤波等通过频域分析手段不能有效滤除这些噪声信号，而且会导致原始信号的失真。有鉴于此，本文采用数学形态滤波方法，构造相应的结构元素，通过开－闭，闭－开运算的平均组合来滤除车型检测器在实际应用中的噪声。 数学形态学是一门新兴的图像分析学科，是基于集合论的数学分支。由于该技术只取决于局部的信号特征，是一种有效的非线性滤波技术，其基本思想是用一个结构元素去探测一个图像，同时验证在图像中填放结构元素的方法是否有效，从而得到关于图像结构的信息。腐蚀和膨胀是最基本的形态学运算，开运算和闭运算是由腐蚀和膨胀推演出来的两种运算[5]。通常数学形态滤波器用于二维信号的处理。在一维信号处理中， 关于 的腐蚀、膨胀、开运算、闭运算的定义为：
图3 一维数字滤波与一维形态滤波的效果比较 如图3所示，在时变频率数据中间有一个小的噪声信号与原始信号叠加在一起，导致波峰数从原始的3个变成现在的4个，由于这种错误的训练样本数据的存在，对后面的神经网络分类算法而言是一种很大的干扰。图中虚线为一维数字滤波的效果，可以看出数字滤波算法虽然也能去除该干扰信号，但是同时也造成原始信号的失真。而形态滤波方法，先通过对该类噪声信号的统计，得到噪声波形的形状特征，选择合适的结构元素，而后对采集到的频率数据进行开－闭、闭－开运算，并取两者的平均值，从图中点线为形态滤波的效果，它成功地去除噪声信号，而原始信号的特征波形被很好地保留。
图4 车型分类算法流程框图 形态滤波处理后的时变频率数据，可以通过简单的数学计算（如求导运算、极大极小值的求解）提取出时变频率曲线的特征参数如：波峰值、波谷值、曲线宽度、波峰数、平均值、“山”字特征、“凸”字特征、波峰斜度等的一维曲线特征。这些特征能较好的描述时变频率曲线的外形轮廓和一些具体参数，而对于某一车型来说，其有用的特征（即有别于其它车型的特征）仅为这些特征中的一部分，其余特征是冗余的。冗余的输入特征不利于分类器的模式识别，增加了分类器的结构复杂度以及车型分类的计算时间，特征的冗余甚至会造成分类器的过度拟合现象，降低了车型识别的准确率。为提高分类器的识别效果，在进行BP神经网络的车型分类之前，笔者插入了基于粗糙集的最小简约特征的提取环节，该环节通过对训练样本的分析，得到各种特征对不同车型类别的贡献程度，针对不同车型提取出相应的最小简约特征组。而且该特征组是在不影响分类精度前提下有效特征的最小组合。最小简约特征的提取有利于提高BP神经网络分类器的识别效果，缩减BP神经网络分类器的训练和运算时间。基于粗糙集的改进BP神经网络模型如图5所示。该BP神经网络模型的输出对应不同的车型类别，输出值均为“1”和“-1”，“1”代表输入样本属于相应的车型，“-1”代表输入样本不属于相应的车型。
图5 基于粗糙集的改进BP神经网络模型 4. 总结 |
 |
| 【相关文章】 |
·车牌识别系统在智能交通系统中的应用 2008-07-01 ·联网电子不停车收费(IETC)系统的研究 2007-09-24 ·一种基于环形线圈的车辆检测器设计 2007-07-19 ·电子不停车收费系统(ETC)工作原理综述 2006-12-07 ·RFID在智能交通及停车场管理中的应用 2005-10-26 |
 |
| 【图片文章】 |
|
