基于无线传感器网络的车辆检测与分类

米什拉¹， g.m.阿苏特卡²

MIET电子工程系副教授，印度冈迪亚(M.S.
印度那格浦尔理工学院电子与通信系教授兼系主任

摘要

越来越需要利用无线技术的进步来提高当代车辆监控技术的性能传感器网络(WSN)技术。利用WSN技术的最新进展进行车辆检测和分类已被广泛提出。交通监控系统为构建高效的智能交通系统(ITS)提供数据。传感器网络灵活、易于安装和维护、成本低、精度高，使车辆检测和分类更加准确。本文提出了一个简单而强大的实时车辆分类系统。这种方法是对已有算法的即兴发挥和改进。该算法用于特征向量的提取。实验采用检测状态机(DSM)对车辆进行检测，并采用k -近邻算法对车辆进行分类。这个分类器利用磁信号的形状，将车辆分类到规定的类别，准确率接近100%。实践证明，该算法提高了车辆监控性能，具有较高的精度和鲁棒性。

关键字

无线传感器网络，交通监控，K-nn分类器，检测状态机。

介绍

城市交通管理是全球规划者面临的一个大问题[1,2]。这是由于车辆密度的迅速增加。交通堵塞尤其让城市上班族头疼，而且每天都在造成巨大的经济损失。智能交通系统的设计似乎是解决这类问题的最有效的方法之一。实施智能交通系统的最大障碍之一是无法获得准确可靠的交通监控数据。目前使用的交通传感器技术(视频、声纳、雷达、感应、磁、电容和气动)在安装和后续维护过程中存在问题，也需要花费数千卢比[4,5,6,7]。它们在分类精度方面表现不佳。这里需要更多关于速度、占用率和其他交通统计量的信息，或者只是关于车辆在特定地点(停车场)的存在与否的信息。

1999年Caruso等人[8]提出利用各向异性磁阻(Anisotropic Magneto Resistive, AMR)传感器的车辆特征进行车辆分类是可行的。之后，Nooralahiyanet al.[9]提出可以利用车辆的声学特征，通过神经网络对车辆进行分类。近年来，研究人员开发了大量的检测和分类算法[10]。平均横坡模式匹配是应用于车辆分类的重要方法之一。然而，分类的准确性还没有达到标准。在加州大学伯克利分校的PATH(先进交通和公路合作伙伴)项目中，创造性地研究了用WSN取代传统传感器(如环路探测器)的可能性。他们的自适应阈值检测算法(Adaptive Threshold Detection Algorithm, ATDA)是一种高效的车辆检测算法，准确率高达97%，但分类方案效率不高，总体分类率低于60%。该分类算法主要存在以下三个方面的缺陷:(1)用于分类的车辆信号特征不足，只考虑了山型和平均条(2)根据信号坡度对车辆进行分类，这组特征不能很好地代表车辆类型(3)。该方法利用形状的统计度量对车辆进行分类。

本工作的目标是设计一个简易的自动车辆检测和分类系统。AMR传感器用于探测车辆在经过传感器时引起的地球磁场扰动。检测信号的形状取决于车辆的类别，如汽车，公共汽车，卡车等。然后对采集到的信号进行平滑、压缩和归一化，以供后续操作。DSM用于检测过往车辆。此外，它还用于避免由于假信号引起的错误检测。然后，计算信号的矩、偏度、峰度等统计量，并将其输入分类器。K-NN分类器将每辆通过的车辆分类到其规定的类别，准确率为100%。

本文共分为五个部分。本文首先简要介绍了ITS环境下的无线传感器网络，为本课题的研究提供了充分的背景知识。随后，在材料和方法部分，介绍了AMR传感器的相关原理、检测算法，利用状态机检测车辆的到达。本节还介绍数据收集和原始数据的后续处理。本节最后对KNN分类器进行了详细介绍。第四部分着重于实验和相关的发现。文章最后对结果进行了总结，结果与假设一致。

2无线传感器网络在其(智能交通系统)环境中的应用

全球化、自由化、私有化以及随之而来的经济繁荣让人们拥有了大量的可支配收入。这导致道路上的车辆数量增加。这就需要更多的道路空间。最终，会有更多的交通堵塞导致交通堵塞。因此，交通问题导致更多的延误、事故、燃料浪费和相关的环境污染。因此，需要更多更宽的道路和桥梁来缓解拥堵和堵塞是有必要的。但是，在扩大现有道路和建设新道路的同时，也存在与开放空间的可用性以及资源调动有关的实际问题。因此，解决之道在于优化利用现有资源。ITS的目标是为运输相关问题找到解决方案，并优化现有资源。[10]。

成功高效的ITS系统的设计和实施需要准确可靠的交通数据。旅行者信息系统、高速公路和城市交通管理、停车场管理等智能交通系统的应用严重依赖于准确的实时和过去的交通数据。交通控制系统的大规模部署需要最大限度地发挥ITS技术的优势。目前应用的监控技术有:环形探测器、摄像机、红外传感器、微波雷达、压电传感器、GPS等。它们的性能是可以接受的，但有一些固有的严重缺陷，如:侵入性、高成本、视线、天气条件(冰、雨)、夜间操作或灯光不好以及安装和维护成本高[4,12]。

无线传感器网络是最先进的技术，可用于远程信息的传感、收集和传播。WSN具有成本低、体积小、无线通信、可扩展性强、部署配置灵活、功能多等优点。有了这些特性，WSN可以成为交通监控应用的一个很好的候选。智能交通系统的大规模部署是有可能通过使用灵活和成本效益高的基于WSN的监控技术。

三、材料与方法

3.1各向异性磁阻传感器:

几乎所有的车辆都是由铁、镍、钴等黑色材料制成的。地球母亲为我们提供了磁场，它渗透在南北两极之间的一切地方。地球磁场的磁通量密度接近半高斯。此外，地球磁场也会受到交通工具的干扰。需要一个低场磁传感器来捕捉这种场干扰。图1显示了来自地球磁极的通量线以及它们穿透飞行器[13]时所受到的扰动。

AMR传感器能够检测到这种干扰。磁通量线集中在铁质材料密度较大的车轴、车体等部位，导致前后端分布较稀疏。AMR传感器是一种方向传感器，仅对其敏感轴上的磁场提供幅值响应。通过将AMR传感器组合在两轴或三轴结构中，可以以极好的线性度对通过传感器的磁场进行二维或三维测量。因此，该传感器可用于交通监控应用。该传感器采用惠斯通电桥装置，如图2所示。

该传感器由镍铁(Permalloy)薄膜沉积在硅片上，并制成电阻条形元件。磁场的变化导致电桥电阻元件电阻的变化，进而导致电桥输出电压的变化。如果电桥在敏感轴上接受磁场密度或磁场线的正变化，则vb对Out(+)和Out(-)对GND元件的电阻会略有降低，而其他两个元件的电阻会增加。结果，输出(+)端电压高于Vb/2，输出(-)端电压低于Vb/2。AMR传感器输出的电压在Out(+)和Out(-)端子之间测量。

差动输出电压= Out(+) - Out(-)= sxvb xbs

其中S为电桥灵敏度，单位为mv/v/高斯，Vb为电桥供电电压，单位为伏特，b为外加磁通量，单位为高斯。该输出在敏感方向上随磁场密度的增加而增加。

3.2车辆检测:

AMR传感器能探测到地球磁场的扭曲。根据制造车辆所使用的黑色材料的成分、车辆的大小、形状、速度以及与传感器的横向距离，不同的车辆在AMR传感器中感应出不同的磁信号。这些特定车辆的特定磁信号被称为该车辆的磁信号。不同等级的车辆底盘中黑色金属(铁、钢、镍、钴等)的含量有显著差异。车辆引起的磁场扰动足以被磁传感器检测到。AMR传感器的这一特性使其成为车辆检测、交通监控、停车场管理、自动收费和执法的潜在候选者。这些是可以使用AMR传感器的几个重要应用。

在文献中研究了温度对HMC1051Z磁传感器测量结果的影响，发现温度对测量结果的影响是不可避免的。路上的温度在一天中会有很大的变化。这可能会给交通监控带来严重的问题。在车辆检测算法的设计中应该考虑到这一事实。磁传感器输出的信号只有十位信号分辨率中的一位传感器噪声。所以，没有必要进行降噪。信号平滑需要减少不必要的波动。自适应阈值检测算法(ATDA)具有足够的鲁棒性，能够在不同的工作环境下提供准确的检测[15]。“超过阈值”布尔标记D (k)由ATDA生成并传递给检测状态机(DSM)。

3.3检测状态机:

DSM的主要目标是滤除非车辆产生的杂散信号，并输出真正的二进制检测标志(k)。下面是DSM[16]的描述。由于温度的变化，磁信号有不可控的漂移。漂移率非常小。为了弥补长期漂移，基线是自适应的，它反过来跟踪背景磁读数。这用于确定检测状态机的自适应阈值水平。状态机的输入是当前时间和超过阈值标志D(k)。状态机输出为正常时间、停机时间和检测标志d(k)。

式中，b(k)为自适应基线，a(k)为平滑磁信号，h(k)为阈值水平，iis为x、y或z轴。下图3显示了DSM的状态图。

状态机有以下不同的状态:

(a)状态“No Car”:复位后状态机隐式进入此状态，并开始初始化基线与后台环境。在预定义的初始化时间后，它将开始自适应地更新基线。如果磁测量值大于自适应阈值水平，即D(k) = 1，机器将跳转到状态“a”。这个事件的时间被记录为预期的正常运行时间，如果这被证明是有效的车辆检测，并保存以供以后使用。

(b)状态“a”:如果车辆磁签名在D(k)中产生连续的磁签名，并且机器处于状态“a”，则初始化count = 00的计数器开始计数，直到D(k) =1。一旦计数器达到预定义的临界计数值，状态机就跳转到状态“car”。否则，如果在两者之间检测到D(k) =0，则机器跳转到状态' b '。

(c)状态' b ':进入此状态以确保D(k) =0不是伪事件。如果在状态“a”中检测到D (k) =0，则进入该状态。当状态机进入此状态时，一个初始化为count = 00的计数器开始计数。如果连续记录D (k) = 0，并且与状态“b”相关的计数器达到预定义的临界计数值，则从该状态机将跳转到状态“无车”，从而确认D (k) = 0不是畸变。否则，如果在计数器达到预定义的临界值之前记录了D (k) = 1，则状态机跳回并再次进入状态“a”。

d)状态“car”:进入并保持此状态意味着车辆仍在传感器节点上行驶。在此状态下的条目生成事件d (k) = 1(车辆检测)。在此状态下，如果记录D (k) =0，则机器跳转到状态“c”。

(e)状态“c”:当记录D (k) =0时，从“car”状态进入该状态。在这种状态的入口，一个单独的计数器，初始化为零，开始计数，如果机器接收到连续的D (k) = 0。此外，当前时间被记录为潜在的，如果证明是正确的，即停机时间并保存以供将来使用，检测事件结束。当计数器达到预定义的临界值时，状态机跳转到“无车”状态，并在该状态下等待下一个检测事件发生。否则，在此状态“c”和计数器达到临界计数值之前，如果进一步记录D (k) =1，则机器再次返回状态“car”。此外，记录的停机时间将被擦除。

3.4数据收集:

美国联邦公路管理局(FHWA)的分类方案包括13类车辆。它是各种运输应用程序的主要关注点。其他方案是通过将FHWA方案分为更少的类别而派生出来的，对卡车和其他商用车辆的重视程度较低。FHWA计划有以下十三个类别的车辆:(1)摩托车(2)乘用车(3)四轮胎单单元(4)公共汽车(5)两轴六轮胎单单元(6)三轴单单元(7)四轴及以上单单元(8)四轴及以下单挂车(9)五轴及以下单挂车(10)六轴及以上单挂车(11)五轴及以下多挂车(12)六轴及以上多挂车(13)七轴及以上多挂车。

一些研究人员在区分乘用车、SUV、皮卡和厢式货车时遇到了问题，而将车辆分为13类以上[17]。这些分类所需的信号在文献中都有。在本文的工作中使用了相同的信号和模拟信号。在信号仿真方面，采用MATLAB环境下的Simulink信号构建工具。从文献中发现，生成的车辆特征具有足够的分辨率，可以用于分类目的。此外，还澄清了，签名的更精细的细节并不具有显著的重要性(10)。

3.5数据处理:

详细的签名具有持续时间短的小峰值和低谷。只要信号的形状、图案和其他关键特征得以保留，就需要对其进行平滑处理。需要对数据进行处理，以便提取分类所需的签名的最基本特征。这些特征是签名的偏度、峰度和矩。

3.6采样率估计:

最短车辆的最小长度为2.5米，最长车辆的长度不超过72米。假设车辆可以通过传感器，最小速度为3公里/小时，最大速度不超过100公里/小时。分类所需的最小样本数量为10。因此，车辆通过传感器的最短时间为0.09秒。因此，最小采样率为10/0.09 =111hz。

3.7系统组织:

本系统的一般流程流程分为四个模块:

(a)信号预处理:对传感器输出处的原始信号进行平滑处理。

(b)信号变换:利用样条函数对平滑后的信号进行插值或外推，使每个特征都有一个固定的20个样本的向量大小。这使得车辆的特征不受速度和长度变化的影响。

(c)归一化:对信号进行归一化处理，消除了传感器放置相对于车辆横向位置变化引起的信号强度变化。

(d)特征提取:在这一阶段，提取签名的特征并输入分类器。分类器输出的是从1到5的车辆类别。

3.8磁信号特征:

1.矩:信号的矩定义为mk= E(x-u)^k，其中E(x)是信号x的值，k是中心矩的阶数。矩描述了函数的形状，关于它的均值，独立于它的几何平移。

2.偏度:它是对样本均值周围数据的不对称性的度量。

3.峰度:它是分布中异常值的度量。

3.9使用k -最近邻分类器进行车辆分类:

K-最近邻分类器是一种简单但功能强大的分类[18]的方法。该算法基于在瞬间空间中足够接近的测试点属于同一类的原理。给定一个由n个点组成的集合X和一个距离函数D, K近邻搜索允许人们找到X中与数据样本最近的K个点。将数据样本分类为训练数据集中K个最近邻的多数类。算法的训练意味着为训练数据集的特征向量分配相关的类标签。在实际分类过程中，计算测试样本到训练数据集中所有样本的距离。从这个距离矩阵中选取K个最接近的样本。K个最接近样本的大多数的类标签被分配给测试样本。欧几里得距离、绝对差和、相关和汉明是几种常用的距离计算方法。最接近、随机和共识是一些决策规则。 Generally a large value of K reduces noise on classification, but the boundary between the classes become less distinct.

四、实验与结果

不同类别车辆在实验中使用的代表性磁信号如表1所示。

如前所述，五种车辆类型，即乘用车，SUV，皮卡和货车是很难区分使用平均条形和丘陵模式算法。这是因为这些特征对于分类的目的来说还不够充分。因此，除了两轴卡车的长度外，目前的实验只集中在这五种车辆类型的分类上，它们具有几乎相似的车辆长度，都是两轴和四个轮胎。数据库中存储了5种车型及其在Z轴、X轴上的磁信号。

在仿真中，使用了数据库中的50个车辆特征进行实验。在Z轴和X轴测量中产生了25辆车的磁特征。车辆在数据集中的分布如表2所示。

观察分类器输入的这种变化的影响，并以混淆矩阵的形式及其图形表示制成表格。

第一阶段:

在这一阶段的实验中，原始特征被平滑，压缩或外推根据需要，并归一化后作为输入应用到K-NN分类器。

实验第一阶段的混淆矩阵如表4所示，为了清晰起见，对应的图形输出如图4所示。

从图中可以看出，分类器的输出对于四种阶梯形状的车辆都是比较理想的。此外，混淆矩阵和后续图表表明，六辆两轴卡车中的一辆被错误地归类为厢式货车。由此可以推导出:

第二、三、四阶段:

在实验的第二阶段，X轴特征被根据需要平滑、压缩或外推，归一化并作为输入应用到分类器。输入向量的大小保持为20。在实验的第三阶段，X轴特征被平滑，压缩或外推，如果需要和归一化。从该归一化签名中计算峰度、矩和偏度，并将其输入K-NN分类器。输入向量大小减少到三个。在实验的第四阶段，Z轴特征被平滑，压缩或外推，如果需要和标准化。从这个归一化签名中计算峰度、矩和偏度，并将其馈送到K-NN分类器。输入向量大小减少到三个。

实验的第二阶段、第三阶段和第四阶段的混淆矩阵是相同的。矩阵和相应的图形输出分别如表5和图5所示。

从混淆矩阵和对应的梯形图可以明显看出，以Z轴测量样本和(Z轴和X轴测量样本的)统计量作为特征向量时，没有对车辆进行错分类。此外，从混淆矩阵可以推断出:

此外，据观察，当使用统计测量作为特征向量时，特征向量的长度大大减少。

诉的结论

WSN有可能彻底改变涉及信息传感、收集和传播的ITS应用。提出了一种利用磁场畸变信号和k -nn分类器对车辆进行检测与分类的新方法。该方法具有更高的可靠性和准确性，有可能取代传统的昂贵的交通监控技术，如环路检测技术。传感器网络具有较高的配置灵活性，使系统具有可扩展性和可部署性。车辆类别是通行管理(某些车辆类别的禁区、车速限制等)、执法、研究数据收集、道路交通测量和道路养护的重要因素。无线传感器网络技术是最具吸引力的替代选择车辆检测和分类使用的当代技术。与传统技术相比，WSN具有固有的优势。当车辆从传感器上方或旁边经过时，测量电路中产生时变信号。不同类别车辆产生的信号在形状、幅度、持续时间和其他统计参数上存在差异。这种磁信号被称为车辆磁特征，是车辆分类算法的基础。

本文提出了一个简单、功能强大的实时自动车辆分类系统。这种方法是对已有算法的即兴发挥和改进。该算法用于特征向量的提取。实验采用检测状态机对车辆进行检测，并采用k近邻算法对车辆进行分类。这个分类器利用磁信号的形状，将车辆分类到规定的类别，准确率接近100%。实践证明，该算法提高了车辆监控性能，具有较高的精度和鲁棒性。

参考文献

Fernando Losilla, Antonio-Javier Garcia-Sanchez, Felipe Garcia-Sanchez, Joan Garcia-HaroandZygmunt J. Haas，基于wsn的ITS应用的综合方法:一项调查，国际传感器杂志，第11卷，P.P. 10220 - 10265, 2011。
David Schrank, Tim Lomax，《2005年城市交通报告》，德克萨斯交通研究所，德克萨斯农工大学系统，2005年。[3]公路统计2000,FHWA报告，http://www.fhwa.dot.gov/ohim/hs00/index.htm。
马丁,PT;冯,Y;王,X;探测器技术评估，土木与环境工程系，MPC报告No. 03-154, 2003。
非侵入式交通检测技术的NIT阶段II评估，最终报告，明尼苏达州交通部，圣保罗，明尼苏达州，2002年9月。
Nathan A. Weber，车辆雷达探测设备的验证，报告sd98 -15- f, 1999年3月。
使用非侵入性技术监测城市车辆运行的现场测试最终报告，明尼苏达州交通部，SRF咨询集团有限公司，明尼苏达州，1997年5月。
刘国强，刘国强，基于磁传感器的车辆检测与罗盘应用，中国机械工程，1999。
李国强，李志强，基于声学特征的车辆分类方法。Math.Comput.Model1999.27 p.p.205 - 214。
张S.， Variya P.，无线传感器网络的交通监控:任务订单5301的最终报告:加州PATH研究报告:加州伯克利大学，加州，美国，2007 ISSN 1055,1425。
吴朝晖;刘Yanfei;许巍;毛剑;知识的应用[12]C. Oh, S.G.里奇，s.t。刘正。使用异质检测系统的车辆再识别。第83届交通运输委员会年会，2004年1月，华盛顿特区智能交通系统管理，智能交通系统，2003。
霍尼韦尔国际公司。应用笔记- an218车辆检测使用AMR传感器，2005。
数据表，HMC1051 / HMC1052 / HMC1053, 1、2和3轴磁传感器，霍尼韦尔国际，http://www.honeywell.com/
叮,Jiagen;张，星耀;谭进宇;Varaiya普拉文·;车辆检测中传感器节点数据的信号处理，智能交通系统，2004。程序。第7届IEEE国际会议，2004年10月3-6日，第70 - 75页
Matlab和Simulink状态流工具用户指南，The MathWorks, Inc。
Hamid Reza Hajimohammadi，车辆检测数据序列分类，论文报告，瑞典乌普萨拉大学，2009年10月。
T. M. Cover和P. E. Hart(1967)，最近邻模式分类，inTrans。IEEE通知。理论，IT-13，第21-27页。