基于邻接传感器及神经网络的车辆分类算法.doc

第11期张伟等：基于邻接传感器及神经网络的车辆分类算法145基于邻接传感器及神经网络的车辆分类算法张伟，谭国真，丁男，商瑶( 大连理工大学 计算机科学与工程系，辽宁 大连 116023)摘 要：为了提高车辆分类的性能，基于邻接传感器网络和BP神经网络提出一个有效的车辆分类算法MSVCA。在本算法中，使用成本相对低廉、灵敏度高的地磁传感器，采集车辆对地磁场的磁扰动特征信号，并根据邻接传感器网络本身的几何特性估计车辆长度，最后采用BP神经网络对车辆进行分类。神经网络的输入包括车辆长度、速度以及特征向量序列，输出为预定义的车辆类型。仿真及路面实验获得了93.61%的准确率。结果表明该算法提高了车辆分类的准确性，且具有较高的精度和顽健性。关键词：智能交通；车辆分类；邻接传感器网络；神经网络；聚类算法中图分类号：TP393 文献标识码：A 文章编号：1000-436X(2008)11-0139-06Vehicle classification algorithm based on binary proximity sensors and neural networksZHANG Wei, TAN Guo-zhen, DING Nan, SHANG Yao( Department of Computer Science and Engineering, Dalian University of Technology, Dalian 116023, China )Abstract: To improve the classification accuracy, a new algorithm was developed with binary proximity magnetic sensors and back propagation neural networks. In this algorithm, use the low cost and high sensitive magnetic sensors to detect the magnetic field distortion when vehicle pass by them and estimate vehicle length with the geometrical characteristics of binary proximity networks, and finally classify vehicles via neural networks. The inputs to the neural networks include the vehicle length, velocity and the sequence of features vector set, and the output is predefined vehicle types. Simulation and on-road experiment obtains high recognition rate of 93.61%. It verified that this algorithm enhances the vehicle classification with high accuracy and solid robustness.Key words: intelligent transportation; vehicle classification; binary proximity sensor networks; neural network; clustering1 引言收稿日期：2008-06-21；修回日期：2008-10-12基金项目：国家重点基础研究发展计划（“973”计划）基金资助项目（2005CB321904）Foundation Item: The National Basic Research Program of China (973 Program) (2005CB321904)车辆分类是交通监督中的一个重要研究领域，对交通资源的分配、维护及管理具有重要意义1。目前大量应用中的基于视频、磁感应线圈、微波雷达及GPS技术的车辆检测与分类系统具有成本高、精度低、受环境影响大及维护代价高等缺点，限制了其在智能交通中的应用范围2。无线传感器节点具有成本低、体积小、感知精度高、可大量布置等优点，在智能交通中具有广泛的应用前景3。加州大学Berkeley分校的PATH项目研究了利用无线传感器网络代替感应线圈进行交通信息采集的可能性。基于铁磁物质改变周围磁场的性质，使用高灵敏度的磁强检测传感器在地磁场背景中检测车辆磁扰动信号，同时与无线传感器网络相结合进行数据处理，提出了基于磁信号的车辆检测模型。其中自适应阈值车辆检测算法ATDA的检测准确率达到97%以上4,5。但是在车辆的分类算法中，性能不理想，准确率在60%以下4。其分类策略主要有2个缺点：1) 车辆信号的特征因素考虑不足，仅考虑了信号的宏观波动特征(hill pattern)，没有充分考虑时间特性和车辆速度的影响，即信号的占空比。2) 没有考虑车辆长度特性。车辆长度是车辆分类中的一个重要参数5,6，由于占用时长会受到行驶速度的影响，因此通过单个传感器节点无法准确地对车辆长度进行估计。估计车辆长度实际上需要对车辆的特征部分进行定位。无线传感器网络中的跟踪与定位是一个研究热点，近年来人们提出了一系列基于网络拓扑的几何定位方法8,9。其中邻接网络是一种简单有效的定位方法，适合交通信息检测拓扑结构比较简单的应用场景。由于其准确性和顽健性，逐渐引起了人们的重视912。针对上述背景，本文提出了一种磁敏车辆分类算法MSVCA (magnetic sensors based vehicle classification algorithm)。该算法采用邻接传感器网络拓扑布置传感器，采集车辆磁扰动信息并利用自身几何特性估计车辆长度，然后抽取重要的特征信息输入BP神经网络进行分类。仿真及路面实验证明该算法有效地提高了分类的准确性。2 相关的工作2.1 邻接传感器网络邻接网络(binary proximity sensor network)是一种特殊的传感器网络。每个传感器节点具有确定的位置以及有限的检测范围R，在检测中仅报告1bit信息，即是否检测到目标存在，计算节点能够利用这些信息和无线传感器网络自身的几何特性对目标进行定位和轨迹的跟踪10，如图1所示。 图1 二进制邻接网络定位和跟踪假设m个邻接传感器组成网络，则在一定时间间隔内周期性检测，可以得到维二进制向量集s。其中+1表示目标进入感知范围，-1表示目标离开感知范围，0为空闲状态，即未检测到任何目标。根据式(1)所示的向量集及时间戳(ti)就可以计算目标的移动轨迹10,11。(1)2.2 磁性传感器节点及ATDA算法磁性传感器能够以较高的灵敏度检测地磁场变化(例如Honeywell HMC1002双轴磁性传感器)。铁磁材质的车辆经过时会造成地磁扰动是ATDA算法的理论基础5。车头进入和车尾离开传感器的检测范围时都会产生显著的磁场波动，一个典型的磁扰动信号原始数据r(k)及ATDA检测输出如图2所示，输出的高电平为对应的检测输出。图2 磁扰动信号及ATDA检测原始数据经过滤波平滑成，经ATDA算法进行处理。ATDA根据自适应阈值判决后输出检测脉冲信号序列，车辆检测标识以及对应的磁扰动信号的上升时刻()、下降时刻()。不同种类的车辆铁质分布不同，产生的磁扰动信号在波形和时域特征上会有差别，基于这些信号特征即可以对车辆进行分类。3 基于邻接传感器的信号采集根据在路口车道上进行车辆检测和分类的应用背景，基于磁性传感器及ATDA算法，设计了一个用于智能交通监测的二进制邻接网络。分析了车辆的特征信号，引入了车辆长度和速度这2个重要特征参数，同时进一步考虑了信号的占空比，提出用于对车辆类型进行聚类的特征矢量集FVS，采用训练过的BP神经网络进行车辆类型识别。最后提出了MSVCA算法的处理流程。实验仿真中采用Honeywell HMC1002双轴磁性传感器实验板采集车辆磁扰信号数据集，基于样本数据对识别率及算法的性能进行了分析。3.1 网络拓扑结合交通的应用场景及邻接网络的特点，设计如图3所示的网络拓扑模型。由个传感器节点组成邻接传感器网络部署在与车道平行的直线上，偏移距离为，传感器的感知半径为，节点与邻近节点之间的距离为。簇节点AP可以与所有传感器节点进行单跳通信。AP具有较多的资源和计算能力，负责时钟同步、运算、通信以及网络拓扑维护；感知节点采集磁扰动信号，运行ATDA算法检测车辆并报告结果。图3 传感器节点布置假设车辆按与车道平行的路径运行，当AP在一定的时间间隔内采集数据则可以得到如式(2)的二进制检测序列，其中为ATDA算法输出的车辆检测状态。(2)检测精度与节点间距成反比关系11，考虑到节省节点个数，布置上可以结合车辆长度分布特性，使节点间距在车辆长度区间上服从正态分布。在ATDA方案中，感知半径R可以由阈值h(k)进行控制。3.2 车辆长度估计定义节点i上的事件，表示t时刻i节点上发生了事件I，用来描述目标M的当前位置（如图4所示）。图4 长度估计如图4所示，目标在检测区内移动，车辆进入检测范围时刻，离开时刻，事件定义为(3)若节点p和q分别检测到车头进入和车尾离开事件，则车辆长度满足(4)其中为模糊参数，用来缩小车辆“磁性长度”与真实长度之间的误差。设计了图5所示的状态机模型用于检测事件并进行长度估计。其中N为事件计数器。图5 长度估计状态机根据式(4)即可对车辆的长度进行估计，速度由单个传感器节点基于车辆长度进行计算。根据占用时间长度，有(5)4 基于神经网络的车辆分类BP神经网络是对非线性可微分函数进行权值训练的后向传播网络，在模式识别和分类中具有非常良好的性能，在智能交通领域中也有广泛的应用1316。4.1 特征矢量集及聚类算法根据车辆通过时对地磁场造成的扰动原理6以及前述的对传感器节点采集到的磁扰动信号分析有：1) 信号的幅度特征变化与车辆的物理铁质结构及偏移距离有着直接的关系；2)信号的时域宽度即占空比特征则由车辆的长度和速度决定。为了提高分类的准确性，需要同时考虑这2个方面的特征。对于光滑处理后得到的在窗口W内用频率f进行抽样处理抽取信号特征，如图6所示。设得到序列为Hf(n)，则根据频率的变化，H序列可以不同程度地模拟原始信号的幅度以及时域特征。图6 信号特征提取综上所述，定义车辆的特征矢量V如下：(6)设车辆类别集合为，车辆特征矢量样本集合为，有 (7)为了提高算法的抗干扰性能，采用改进的模糊C均值聚类算法17，用隶属度函数定义的聚类损失函数如式(8)所示。(8)其中m为聚类中心，b1是一个可以控制聚类结果的模糊程度的常数，是第i个样本对于第j类的隶属度函数，满足式(9)所示的松归一化约束。(9)在条件式(9)的约束下求式(8)的极小值，使用迭代法可以得到隶属度函数(10)最后根据车辆的特征矢量的隶属度将样本归类到某一特定类别中。4.2 BP神经网络BP神经网络的主要思想是利用网络的实际输出与目标矢量之间的误差来修正其权值，使得网络输出层的误差平方和达到最小。根据前人的研究成果和实际应用经验，一个具有无限隐含层节点的3层BP神经网络可以实现任意从输入到输出的非线性映射，所以这里也采用3层结构。车辆分类神经网络的结构如图7所示。图7 车辆分类用BP神经网络结构输入为特征矢量，进行训练之后，可以对样本进行分类，输出为预定义的车辆类别(如FHWA车辆分类方案)。4.3 MSVCA算法MSVCA算法逻辑框图如图8所示。基于ATDA算法采集车辆数据，通过计算获取车辆长度、速度以及特征数据，最后通过BP神经网络进行类型识别。图8 MSVCA算法逻辑考虑到传感器节点计算能力有限，为了降低信号模式识别的复杂性，引入PCA(principal component analysis)来降低FVS的维数5,18。5 实验仿真及性能分析在数据采集实验中，采用了6个配备Honeywell HMC1002双轴传感器的MICAz系列节点，物理参数如表1所示。实验参数如下：传感器采样频率128Hz，R =3.2m，W=60时隙，=1.8m，=50ms，=4Hz，=0.15，N=10，。表1传感器节点物理参数参数参数值灵敏度3mV / V / Gauss解析度40m Gauss检测范围2 Gauss输出电压15mV / Gauss带宽 1MHz路面实验场景如图9所示。采集了5个车型共500组样本数据集，同时采用目测方式记录车辆类型(按照FHWA车辆分类方案)，车流量累积到达特性及类型分布如图10所示。图9 数据采集实验场景(a) 车辆累积到达特性(b) 车辆类型图10 样本的车辆累积到达特性及类型分布采用140组数据训练神经网络，剩下的作为样本用来验证算法性能，实验数据及识别率统计如表2所示，结果表明MSVCA能够有效地进行分类。表2实验数据及车辆识别率MSVCA分类实际类别(目测)识别类型总计12345Bus107233115Car1221123Truck514652Van4313442Motorcycle2828实际类型总计116128503828360识别率/%92.295.39289.510093.61视频、磁感应线圈、微波雷达及GPS是目前智能交通应用中车辆检测及车辆分类采用的主要技术手段，对几种采用不同技术的车辆分类算法的性能进行了比较，实验条件均为正常情况下的实际交通流，识别率如表3所示。MSVCA算法提高了利用磁性传感器进行车辆类型识别的性能。表3分类方案性能比较分类方案识别率备注PATH4,560%无线传感器网络MSVCA93.61%无线传感器网络ILD1491.5%感应线圈，BP网络Anshuls method1586%摄像头，BP网络NN&SVM based1694.8%图像传感器，BP网络MW Sensor1987%微波雷达Partial Gabor filter bank2095.17%摄像头6 结束语无线传感器网络是信息感知和采集应用的一场革命，在智能交通系统中具有广阔的应用前景。本文基于邻接传感器网络和神经网络提出了一种新的磁敏车辆分类算法，有效地提高了分类的准确性和顽健性，能替代磁感应线圈进行车辆监督。但是，该算法(包括ATDA算法)仅适用于正常的交通流状况。车流量较大的情况下车辆信号的叠加会影响车辆检测及分类性能。交通拥塞状态下的车辆检测和分类仍是人们在将来的研究中需要解决的一个重要问题。参考文献：1ALASTAIR R, BERESFOR D. Intelligent transportation systemJ. IEEE Pervasive Computing, 2006, 5(4): 63-67.2ARORA A, DUTTA P, BAPAT S, et al. A line in the sand: a wireless sensor network for target detection, classification and trackingJ. Computer Networks, 2004, 46(5): 605-634.3LI J Z, GAO H. Survey on sensor network researchJ. Journal of Computer Research and Development, 2008, 45(1): 1-15.4CHEUNG S Y, COLERI S, DUNDAR B, et al. Traffic Measurement and Vehicle Classification with a Single Magnetic SensorR. Transportation Research Board, 2005.5CHEUNG S Y, PRAVIN V. Traffic Surveillance by Wireless Sensor Networks: Final ReportR. University of California, Berkeley, 2007.6BENJAMIN C. Vehicle Classification from Single Loop DetectorsR. Department of Electrical and Computer Engineering, the Ohio State University, 2007.7MARC B, JEAN F M, IDRISSA S. An operational model for mobile target tracking in wireless sensor networksA. Proceedings of the 2nd International Symposium on Wireless Pervasive ComputingC. 2007. 99-104.8SEEMA K, ERIC M, VOLKAN I. Triangulation based multi target tracking with mobile sensor networksA. Proceedings of IEEE International Conference on Robotics and AutomationC. 2007. 3283-3288.9ASLAM J, BUTLER Z, COSTANTIN F, et al. Tracking a moving object with a binary sensor networkA. Proceedings of ACM International Conference on Embedded Networked Sensor SystemsC. 2003. 150-161.10KIM W Y, MECHITOV K, CHOI J Y, et al. On targets tracking with binary proximity sensorsA. Proceedings of the 4th International Symposium on Information Processing in Sensor NetworksC. 2005. 301-308.11BERESFORD R, SHRIYASTAVA N, MUDUMBAI R, et al. Target tracking with binary proximity sensors: fundamental limits, minimal descriptions, and algorithmsA. Proceedings of the 4th International Conference on Embedded Networked Sensor SystemsC. 2006.251-264.12SINGH J, KUMAR R, SURI S, et al. Tracking multiple targets using binary proximity sensorsA. Proceedings of the 6th International Symposium on Information Processing in Sensor NetworksC. 2007. 529-538.13WU W, ZHANG Q S, WANG M J. A method of vehicle classification using models and neural networksA. Proceedings of IEEE VTS 53rd Vehicular Technology ConferenceC. 2001. 3022-3026.14KI Y K, BAIK D K. Vehicle classification algorithm for single loop detector using neural networkJ. IEEE Transactions on Vehicular Technology, 2006, 55(6): 1701-1711.15ANSHUL G, BRIJESH V. A neural network based approach for the vehicle classificationA. Proceedings of IEEE Symposium on Computational Intelligence in Image and Signal ProcessingC. 2007. 226-231.16PETER S, HECTOR J, SAMEER T, et al. Automatic vehicle type classification using strain gauge sensorsA. Proceedings of the Fifth Annual IEEE In