基于模糊神经网络的车辆类型自动检测

作者:黎俊辉;张少腾;邢军;郭良栋;徐做师; 刊名:辽宁科技大学学报 上传者:张淑娟

【摘要】高速公路车辆类型自动检测是智能交通系统中的一个重要组成部分.本文提出了一种用于高速公路车辆类型检测的T-S型模糊神经网络(T-SFNN)模型.通过几何模型,从激光传感器所采集的数据中提取车型特征向量.在此基础上,设计出模糊神经网络车辆类型识别检测器并对神经网络进行有效地训练与测试.仿真结果表明,该方法的收敛速度快,车辆类型识别的精度较高,具有稳定的输出性.

全文阅读

为了考察高速公路的车辆通行情况,利用安装在路侧的传感装置获取车辆类型及流量等数据。车型自动检测系统是高速公路车流量管理的基础,也是智能交通系统的一个重要组成部分。只有对车辆准确检测,才能有效管控高速公路车辆,减少超限超载等危险现象的发生,保护公路基础设施,延长公路的使用寿命。Gupte等[1]给出了基于视觉图像的车辆自动分类算法,该算法能在连续的图像序列中识别出车辆并进行分类。Wang等[2]以基于压电薄膜交通传感器的车辆识别基础为基础,结合激光测距获取车辆高度,来对车型进行分类。禹琳琳[3]利用LMS二维激光测距传感器对车辆轮廓高速动态扫描,分析接受到的实时数据,实现了车辆的宽高检测。胡方明等[4]从图像中获取车型特征向量,用改进的BP神经网络设计出车辆分类器。胡彬等[5]以雷达检测数据为基础,在基于多假设跟踪模型下采用广义概率数据关联算法处理数据进行车辆检测。这些方法成本高且计算较复杂,如通过压电薄膜等传感器进行识别需要在每个车道安装传感器,而且大多数都要结合多种传感器才能进行检测;图像识别法要对图像进行降维处理时往往计算量很大。本文基于安装在道路一侧的激光传感器所采集的数据进行处理,提取车辆的高度、长度、顶长比、高度方差四类特征信息,建立了T-S型(Takagi-Sugeno)模糊神经网络(FNN,Fuzzyneuralnetworks)的车辆类型自动检测模型。T-S型模糊神经网络,不仅具有模糊逻辑易于表达人类知识的优点,而且还具备神经网络的分布式信息存储以及学习能力。由于具有神经网络结构,参数可以实现自主学习和调整,且神经网络还具有复杂的非线性处理能力,因此模型具有合理性和可靠性。最后,利用MATLAB给出了模糊神经网络用于车辆检测的仿真情况。1特征参数提取首先将激光传感器获取的十六进制数据转化为十进制数据。为了获取车特征信息,建立激光传感器检测车辆的几何模型,如图1所示。图1车辆通过测量区域的几何模型Fig.1Ageometricmodelofvehiclepassingthroughmeasurementarea以激光传感器所扫描出的与道路方向垂直的直线为x轴,与立杆平行且通过激光头的直线为y轴,建立二维直角坐标系。设置传感器的步进角度为,指定要测量的角度范围为[A,B]。则传感器转一圈获取的数据个数为n=B-A+1(1)传感器的参数设置应保证n为正整数;的设置要使得激光传感器扫描每一圈时都能在相同的角度位置获取数据;并且A与B的指定数值要使激光传感器可以扫描到整个路面的宽度。高速公路的每车道宽为pm。不考虑应急车道和中央隔离带的情况下,双向四个车道的高速公路宽度为4pm。因此从激光头发射点垂直向下发射开始,在旋转一圈的时间内,每转时,激光头发射点到地面的固定距离为Lk=Hsin(/2-k)(2)式中:H为激光传感器到地面的垂直高度;k=0,1,2,…。由于传感器测量的频率较高,在获取数据时不可避免地有一定的误差。激光头的外形尺寸类似于一个圆,其半径相对于传感器旋转轴到地面的距离可以忽略不计。在此规定一个误差范围R=[-0.1,0.1](单位:m)。用传感器转过一定的角度时获取的距离数据Lk在同一个角度下传感器到地面的距离Lk进行比较。当没有汽车进入到扫描区域内时,激光传感器采集到的只是传感器到地面的直线距离数据;若汽车进入了扫描区域,则激光传感器此时采集到的距离数据会变小,由于车辆自身具有高度,激光传感器到车辆的直线距离会比到地面时的直线距离要小。若发现获取的数据值与Lk之间的误差超过误差范围R时,则认为有车辆已经进入了测量区域;而

参考文献

引证文献

问答

我要提问