基于TMS320F2812的车型检测器设计及算法研究

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。

    3.3 车型分类算法

    由于本文的篇幅有限，关于车型分类算法，笔者在之前所写的《BP神经网络算法在车型识别中的应用》[6]和《多分支BP网络模型及其在车型分类中的应用》[7]中有详细的介绍，以下图4为该识别算法的流程框图。 

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

    车型检测器的设计主要分为硬件结构和处理算法两方面，本文就这两方面提出了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，针对LC振荡电路频率不稳定的固有缺陷提出基频更新算法，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，最后简单介绍了基于粗糙集BP神经网络车型分类算法。基于TMS320F2812的嵌入式车型检测器具有广泛的应用前景，是ITS系统中不可或缺的设备之一。

参考文献
[1]Y. Xiao, “Research on Vehicle Classification with Loop Sensors,” Journal of SSSRI, Dec. 2004, vol. 27, no. 2, pp.1942-1948.
[2]李诚. 环形线圈车辆传感器的研究, 西安公路交通大学学报, 1995, no. 2, pp. 56-59.
[3]苏奎峰, 吕强, 耿庆锋等. TMS320F2812原理与开发. 北京: 电子工业出版社, 2005.
[4]叶树亮, 李东升. 改进型高稳定度LC振荡电路的研究, 中国计量学院学报, 2003, no.3, pp. 174-177.
[5]龚炜, 石青云等. 数字空间的数学形态学――理论及应用[M]. 北京: 科学出版社, 1997.
[6]钟汉如, 梁俊斌. BP神经网络算法在车型识别中的应用, 自动化技术与应用, 2003, vol. 22, no. 8, pp. 65-68.
[7]林培群, 徐建闽, 梁俊斌等. 多分支BP网络模型及其在车型分类中的应用, 微计算机信息, 2005, vol. 21, no. 12, pp. 183-185