基于地磁傳感器網(wǎng)絡的低功耗路邊停車檢測方法
【專利說明】基于地磁傳感器網(wǎng)絡的低功耗路邊停車檢測方法 【技術領域】
[0001] 本發(fā)明設及車輛檢測技術，尤其設及一種基于地磁傳感器網(wǎng)絡的低功耗路邊停車 檢測方法。 【【背景技術】】
[0002] 路邊停車檢測是實現(xiàn)智能交通的重要部分，目前主要的檢測方法有:超聲、地感線 圈、視頻和地磁傳感器等手段。其中，雖然超聲檢測準確度較高，但是不適合在路邊停車場 安裝和維護;地感線圈檢測性能穩(wěn)定，但是安裝和維護需要切割路面，妨礙正常交通;視頻 檢測信息量豐富而且直觀，但是需要更大的存儲能力和計算能力，其檢測性能極易受到光 照條件及雨雪天氣的影響。相比較而言，地磁傳感器具有低功耗、低成本、高靈敏度、小體 積、易于集成W及安裝和維護方便等優(yōu)點。把地磁傳感器放置于車輛經(jīng)過的區(qū)域就可W采 集到車輛對地磁的擾動信號，擾動信號進行處理后可W用來檢測車輛的存在、車型、車速等 交通信息。
[0003] 地面磁場強度在幾公里范圍內(nèi)認為是均勻穩(wěn)定的，當含有大量鐵磁的車輛經(jīng)過時 將對地磁場產(chǎn)生較大的擾動，外部磁場的變化導致地磁傳感器輸出值發(fā)生變化。輸出的信 號經(jīng)過處理后可W用來檢測車輛的存在，布設兩個地磁傳感器節(jié)點即可估計車輛行駛速 度，輸出信號的波形與車輛本身構造 W及含鐵磁量有很大關系，因此根據(jù)此特征可W實現(xiàn) 車型識別。目前的已有的算法主要分為兩種:基于闊值的狀態(tài)機檢測和基于相似性的互相 關檢測方法。
[0004] 基于闊值的狀態(tài)機檢測算法，主要的思想是將車輛檢測過程分為不同的狀態(tài)，當 滿足相應的條件后狀態(tài)進行跳轉，從而得出車位狀態(tài)。其中，狀態(tài)機跳轉條件主要依賴其監(jiān) 測信號與設定闊值的比較。其優(yōu)點是方法簡單，功耗低，計算量小，便于在傳感器節(jié)點上實 現(xiàn)，但是其缺點是闊值是經(jīng)驗值，難W保證其客觀性，在信號擾動強度較小時，容易出現(xiàn)誤 判或漏判。路邊停車的背景信號復雜，存在道路行車的干擾信號，信噪比較低，運種簡單的 狀態(tài)機方法在路邊停車檢測中檢測精度難W保證。
[0005] 基于相似性的互相關檢測方法可W有效濾掉與參考信號不相關的噪聲信號，使得 有效信號得W加強，從而提高檢測準確率。互相關檢測的檢測精度受所選取的參考信號影 響較大，已有的互相關檢測采用的參考信號有地磁場變化模型和高斯擬合曲線等，可是運 些研究主要是針對運動車輛，不適用于停車場車輛檢測，因此本發(fā)明通過K-means聚類算法 找到與實際的車輛擾動信號最相關的參考信號，同時均衡了功耗與性能，將狀態(tài)機檢測算 法與互相關檢測算法相結合得到一種低功耗的路邊停車車輛檢測方法。 【
【發(fā)明內(nèi)容】
】
[0006] 有鑒于此，有必要提供一種低功耗的路邊停車場車輛檢測方法。所述地磁傳感器 節(jié)點采集停車場車輛對地磁的擾動信號，并對采集的信號進行預處理，對根據(jù)處理后的信 號強度來選擇停車檢測方法，如果信號強度低于挾擇闊值(TH_0P)則選擇復雜度較低的狀 態(tài)機檢測算法，根據(jù)狀態(tài)機的跳轉結果得到車位狀態(tài)的判斷，否則選擇相對復雜的互相關 檢測方法，根據(jù)信號與K-means聚類得到的參考模型的相關性判斷車位的狀態(tài)。
[0007]在優(yōu)選的實施方式中，對采集信號的預處理步驟包括下述步驟:所述采集信號進 行高斯濾波處理;所述濾波后信號進行求模計算。其中高斯濾波采用下述公式：
[000引
[0009] 其中，σ決定了高斯函數(shù)的寬度，xs是所述X軸平滑濾波后的信號，y軸和Z軸采用與 X軸相同的方法進行高斯濾波。
[0010] 計算模值采用下述公式：
[0011]
[001 ^ 其中，Bx、By和Bz分別表示X、y和Z軸的高斯濾波后的信號，Bxo、Byo和Bzo分別表示X，y 和Z軸基線值。
[0013] 在優(yōu)選的實施方式中，所述選取路邊停車車輛檢測算法包括下述步驟:將預處理 后信號的模值與挾擇闊值(TH_0P)進行比較，如果超過挾擇闊值(TH_0P)則選擇復雜度較低 的狀態(tài)機檢測方法，否則選擇精確度較高的互相關檢測算法。
[0014] 在優(yōu)選的實施方式中，所述低復雜度狀態(tài)機檢測方法包括W下步驟：
[0015] (1)初始化所有參數(shù)及基線，初始化完成后設置標志Flag_Initial為1，并跳轉至 步驟(2);
[0016] (2)車位狀態(tài)為空閑。S = 0)，并在該步驟進行基線更新，基線更新公式如下：
[0017]
[0018] 式中，Bio(t-l)是前一時刻的i軸基線值，ie{x，y，z};Bl(t)是當前i軸的高斯濾波 后的信號;α為遺忘因子，其范圍是[0-1] ;PS(t-l)為前一時刻的車位狀態(tài)；
[0019] 當檢測信號有擾動，并且擾動信號超過設定駛入闊值(TH_AR)則設置駛入擾動標 志（Fluctuation_A;r;rival = 1)，跳轉至步驟（3);
[0020] (3)記錄超過駛入闊值(TH_AR)的駛入擾動次數(shù)(Cnt_Arriva 1)，如果出現(xiàn)了擾動 低于駛入闊值(TH_AR)則設置駛入擾動標志為0(Fluc化ation_A;r;rival = 0)并跳轉至步驟 (4)，否則當車輛駛入擾動次數(shù)超過設定駛入次數(shù)闊值(N_Arrival)時跳轉至步驟(5);
[0021] (4)清零駛入擾動次數(shù)Cnt_Arrival，并記錄無車輛駛入擾動次數(shù)（Cnt_ noArrival)，如果擾動再次超過駛入闊值（TH_AR)，再次設置駛入擾動標志為1 (Flue化ation_Arrival = 1)，跳轉至步驟(3);否則，當無車輛駛入擾動次數(shù)超過設定無駛 入次數(shù)闊值(N_noArrival)，貝峭巧專至步驟(2);
[0022] (5)車位被占用(設置標志PS=1)，如果擾動超過車輛駛出闊值(TH_DP)，貝峭巧專步 驟(6);
[0023] (6)設置車輛駛出擾動標志（Fluctuation_depa;rture = 1)，并記錄駛出擾動次數(shù) (Cnt_Departure)，如果擾動低于駛出闊值(TH_DP)則設置駛出擾動標志為0(Fluctuation_ departure = 0)，并跳轉至步驟（5);否則，當駛出擾動次數(shù)（Cnt_Departure)超過設定駛出 次數(shù)闊值(N_Depadure)則跳轉步驟(2);
[0024] 在優(yōu)選的實施方式中，所述高精度互相關檢測方法包括W下步驟：
[0025] (1)所述預處理后信號與K-means聚類獲取的參考信號進行互相關計算；
[0026]
[0027] 其中，SD(t)是預處理后模值，客氏為模值均值，R(t)為參考信號，反,為參考信號均 值，CC(T)表示兩個信號的互相關系數(shù)，且在[-1,1]范圍內(nèi)，當兩個信號互相關程度較高時， 越趨近于1，當兩個信號完全不相關時，越趨近于0。
[0028] (2)互相關計算結果CC(T)與設定互相關闊值(TH_C0)進行比較，車位狀態(tài)更新公 式如下
[0029]
[0030] 其中，Event(t)表示狀態(tài)是否改變，為1時表示改變，為加寸表示狀態(tài)不變;TH_C0為 設定互相關闊值;CC( τ)為互相關計算結果。
[0031] 在優(yōu)選的實施方式中，所述判斷車位最新狀態(tài)采用下述公式：
[0032]
[0033] 其中，PS(t)=0表示車位空閑，PS(t) = l表示車位被占用。
[0034] 在優(yōu)選的實施方式中，所述參考信號獲取方法包括W下步驟:所述預處理信號進 行截取處理;所述截取信號進行插值處理;所述插值后信號進行歸一化處理;所述歸一化處 理后信號進行K-means聚類，得到的聚類中屯、即為參考信號。
[0035] 所述預處理后信號進行特征曲線截取，去除靜態(tài)部分，采用下述公式；
[0036] SD_A = SD(t),{(ti-td) < t< (t2+td)}
[0037] SD_D = SD(t)，{(t3-td) < t< (t4+td)}
[0038] 其中，SD(t)是預處理后信號模值，ti是車輛到達的時間，t2是停車后信號從不穩(wěn)定 狀態(tài)轉變?yōu)榉€(wěn)定狀態(tài)的時間點；同樣，t3是車輛離開的時間，t4是車離開后信號從不穩(wěn)定狀 態(tài)轉變?yōu)榉€(wěn)定狀態(tài)的時間點，td是時間延遲參數(shù)。
[0039] 所述對截取的特征曲線進行插值處理，使特征曲線