基于传感器的车辆信息识别

(三峡大学水利与环境学院管理科学与工程系 湖北 宜昌 443000)

一、引言

车辆识别作为一种交通监控的重要技术，用以明确目标车辆所属类别，根据车辆的外部特征可进行初步区分和处理，在交通车辆管理过程中，常常需要对车辆的类别和不同车道通过的车辆频率，用以调整城市的交通枢纽布置，目前我国的的交通枢纽问题存在的挑战在于通过利用摄像头对车辆进行画面处理过程中，常常受到气候因素的影响，导致车辆在画面中的视觉误差较大给车辆的识别系统造成影响。

张强等学者通过浅层学习与深层学习的车辆识别系统[1],总结了我国目前车辆识别的现存问题，关于车辆的图像处理问题，考虑到交通管理中信息搜集过程的数据处理，可以利用更为简单的设备与方式对于来往车辆进行数量和车辆款式的统计，因此本文提出一种简单的基于传感器原理的车辆识别模型。

可通过激光感应器的工作原理分析其反馈数据，进而得到数学关系并构建模型，利用模型结合数据得到车辆的宽度以及高度，最后利用决策树对数据进行分类从而得到车辆类别以及对应数量，为交通规划设计提供参考数据。

二、信息识别模型的建立

激光传感器是一种内部具有放大功能的光学传感器，因此它能检测极其微弱的光信号，其激光头以25HZ的频率旋转，旋转轴与道路方向平行，并以步进角度0.5度自左向右逆时针扫描，可获得181点的测量数据，分析数据可知共有181个返回值，其中有148个返回值不为0，说明第148个数据就是车道的最边界处，可得出传感器有效扫描角度θ∈(90°,163.5°)。结合扫描数据求出立杆到第四车道最边缘的距离λ=5900/cos(163.5°-90°)，假设所有的车道都是一样宽，设车道宽为Z=(L-1700)/4,可利用三角函数关系确定各车道所对应的角度θ和返回值l

θ=90°+arctan[(z+1700)/5900]，ρ=5900/COS(θ-90°)；x=ρsin(θ-90°),y=ρcos(θ-90°)。

接下来为了筛选出异常数据，将对所给数据以每扫描一次即181个反馈数据为一组通过MATLAB绘制出散点图，当纵坐标轴上数值主要集中在0-2000mm之间，当距离值(纵坐标数值)在此范围外的均视为异常数值。对于异常数值我们利用差值法将其替换，并对修改后的数据运用多项式最小二乘曲线拟合，允许拟合函数的xi处的残差不全为o，但要求计算高度测量数据的偏差平方和最小。

三、车辆信息的确定

根据车道的宽度，利用三角函数关系确定各车道所对应的角度θ和返回值，在每一组高度序列中进行坏值定位搜索坏值标准为Hi≤0||Hi≥4200，其中4200为高速限高。最终多项式次数等于5比较合理，根据最小二乘偏差平方和最小的原则求出拟合多项式系数，对已经剔除坏值的散点图依据车道的进行分离，然后将其中的第一个数据的返回值转换成该点距离激光转换器的水平距离Xi，即Xi=ρsin(θi-90°)，同理可得出最后一个点距离激光转换器的水平距离，从而得出车辆的宽度。

最后将车高高于2000mm为客车、搅拌车、载货车；低于2000为轿车、面包车皮卡、车长超过12000mm的是客车；轿车与面包车车长小于4000mm车宽小于2000mm。对于搅拌车以及载货车而言根据交通部门规定车长6000mm以上规定为大货车，将车辆分为轿车、面包车、皮卡、客车、大货车这五类，根据决策树思想进行分类,先根据车长判断小于6000的可能为皮卡、轿车、面包车。大于6000为大货车，车长超过12000mm为客车再根据车宽大于2000mm找出皮卡。

四、结果分析

利用异常值处理后的数据，计算出所有车辆的长宽高，结合决策树中车长、车高区别客车、货车、皮卡，再结合图形区别轿车以及面包车。最终得到如下结果：

表1 车辆类型以及数量

经过计算总共有116辆车辆经过，其中面包车共计7辆、皮卡13辆、客车15辆、轿车21辆、货车60辆。说明高速公路上货车数量最多并且所占比例最多，面包车数量最少，皮卡数量与客车数量类似。

【参考文献】

[1]张强.北京工业大学学报.车辆识别技术综述，2018年3月.

[2]张小军.智能交通系统中的车辆检测和车型识别技术研究，陕西：西北大学，2006.

[3]司守奎.数学建模算法与程序.北京：国防工业出版社，2007.

[4]唐小平.基于相关算法的激光传感器车辆长高检测系统的研究与设计.太原:太原理工大学硕士论文，2012.

[5]刘怡光.车辆识别若干基础算法与技术研究.四川大学学士论文，2004.