智能交通系统中车型分类的模糊模式识别方法.doc
文本预览下载声明
上海大学2014~2015学年 秋 季学期研究生课程考试
课程名称: 模式识别技术及其应用 课程编号: 09Z117001
论文题目: 智能交通系统中车型分类的模糊模式识别方法
研究生姓名: 韩海亮 学 号:
论文评语:
成 绩: 任课教师:
评阅日期:
智能交通系统中车型分类的模糊模式识别方法
韩海亮
(上海大学 ,上海200072)1 背景
智能交通系统中,管理人员或计算机自动管理系统需要获取大量的有关道路、车辆的信息,进行决策,以便有效地管理,其中车辆信息是最主要的.本文在借助感应线圈车辆检测的基础上,利用特征分离与匹配分类的模糊模式识别方法对车辆进行分类,为道路、桥梁收费及交通流量统计打下了基础.。目前常用的车型自动识别方法有红外、雷达、超声波、感应线圈、视频等.红外、雷达、超声波受环境干扰影响较大;视频处理方法成本较高.感应线圈虽然具有成本较低、安装使用方便等优点,但环形线圈用于车型识别,仍然存在较多问题,主要有:我国车辆种类较多,各类车辆之间没有明确的界线;o传感手段简单,用环形线圈仅能获得车辆的感应曲线;动态、实时的条件下,有很多难以料想的干扰因素存在;?难以获得各类车辆的典型样本.因此,利用感应线圈进行车型识别是一个具有不确定性条件的动态模式识别问题,单靠传统的模式识别方法难以进行有效的分类。
2 原理和方法
车辆识别系统的结构如图1所示.虚框为车辆识别系统建立前必需的学习训练部分.通过大量的数据采集、学习和训练,建立起车辆类型的模糊模式库,作为识别时模式匹配的样本。
图1 车辆系统识别结构.
Fig.1 Vehicle Identification System structure
车辆经过环形线圈传感器时,车体铁磁物质与环形线圈相互作用改变了线圈的频率,形成感应曲线.针对感应曲线的不同形状,对车辆进行自动分类.如图2目前常用的车型自动识别方法有红外、雷达、超声波、感应线圈、视频等.红外、雷达、超声波受环境干扰影响较大;视频处理方法成本较高.感应线圈虽然具有成本较低、安装使用方便等优点,但环形线圈用于车型识别,仍然存在较多问题,主要有:我国车辆种类较多,各类车辆之间没有明确的界线;传感手段简单,用环形线圈仅能获得车辆的感应曲线;?动态、实时的条件下,有很多难以料想的干扰因素存在;?难以获得各类车辆的典型样本.因此,利用感应线圈进行车型识别是一个具有不确定性条件的动态模式识别问题,单靠传统的模式识别方法难以进行有效的分类。
图2 车型识别原理
Fig.2 Vehicle identification principle
图3列出了几类车辆的感应曲线
商务车 大型客车 SUV 轿车
图3
Fig.3
3 车型特征提取
根据采集到的车辆频率曲线样本,选取频率曲线的高度、左右比重、上下比重、车长、凹凸性、峰值6个特征(F1~F6)来描述不同的车辆。
几种车辆频率曲线的高度(每组采样8次)
表1 车型曲线高度
Tab.1Vehicle height of the curve
现以高度特征(F1)为例,高度是一个很突出的特征,建立隶属函数。分为 “较低”、“中等”、“较高”3个模糊集。其表达式为F1/f1(x),其中f1(x)为该3个模糊集中的1个。通过上表列出了几种车辆频率曲线高度的值,就可以确定“较低”、“中等”、“较高”3个模糊子集,并取λ1=40, λ2=60, λ3=70。
图4 高度的隶属函数
Fig.4 The height of the membership function
4 车型特征分离
轿车:介绍用特征分离的方法为每类车辆选择一组特征.在6个特征中,高度和上下比重是轿车的主要特征,因为车辆感应曲线给人最深刻的印象是瘦而高,而此处凹凸性与左右比重是很次要的,在特征选择时可以不予考虑.用语言变量描述其特征的表达式为
F1/f13(x)∧F3/f3k(x)∧F4/f4k(x)∧F6/f6k(x) (4-1)
F1为高度,F3为上下比重,F4为车长,F6为峰值;“∧
显示全部