基于激光测距的车型识别分类系统
|
摘要
随着全球经济的发展和汽车保有量的逐年增多,对上路车辆的监测与管理也变得越来越重要。作为监管的重要依据,近年来,对车型的自动识别与分类已经成为智能交通系统中的一个重要组成部分。本文设计了一套基于激光测距的车型自动识别系统,利用激光测距精度高的优点,配合车辆速度信息,可精确获取车辆侧视轮廓,进行准确识别和分类;特征提取简单,算法计算量小;可用于各种环境,实现全天候工作,从而为交通管理部门对车辆的管理提供了依据。
本文设计了一套完整的模式识别系统。首先以车辆侧视轮廓为识别依据,并用车辆顶部高度序列进行描述。利用激光测距传感器和雷达测速传感器,分别采集车辆的顶部高度序列和即时速度,用即时速度乘以车辆驶过时间,换算出车辆长度,从而还原出车辆的精确侧视轮廓,并拟将车辆分为轿车、面包车、客车、货车四类。然后根据观察和分析,提取车辆的长度、高度作为外形尺寸特征,顶长比作为形状特征。并针对一些货车侧视与客车相似的情况,根据货车顶部不平整以及驾驶室与货箱中有间隙的特点,提出了顶部高度方差与顶部相邻高度差的新特征。对500种车型的车长、车高、顶长比进行统计并用正态分布进行参数估计,估计出每种车型对应特征的大致分布范围。由于提取特征较少,在有些区域线性可分,因此结合决策树规则简单、计算量小的优点,设计了一棵决策树对车型进行识别与分类,先利用车长将车辆识别为6米以下的轿车、面包车、小货车和6米以上的客车、大货车,再利用车辆高度与顶长比进行细分,最后对侧视与客车相似的货车计算顶部高度方差并判断其顶部相邻数据差序列中是否有离群值,实现最终的识别与分类。最后在VC6.0开发环境下分别编写了串口调试程序读取传感器的数据以及车型识别程序与界面输出最后的识别结果。
本文的创新之处在于在现有的激光车型分类技术的基础上,加装了雷达测速传感器,从而可以准确获取车辆的速度与长度信息,增加了一个重要的车辆特征。此外还根据实际上路车辆中大客车与大货车顶部高度的差异,针对性的为这两种车型设计了新的特征,即顶部高度方差和顶部相邻高度差序列,从而提高了车型识别系统的可靠性与准确性。
As the global economy and the amount of cars on road increase year by year, monitoring and management of vehicles have become more and more important. In recent years, as an important basis for management, automatic vehicle identification and classification have become an important part of the intelligent transportation system. At present most of the monitoring of road vehicles are still in the manual identification stage, it leads to a huge waste of manpower and material, and it is inefficient. This paper designs a laser ranging-based system of automatic vehicle recognition. It achieves the automatic vehicle recognition and classification in unattended conditions.
This paper designs a complete system of pattern recognition. Firstly, it starts with data collection and gets the information of the vehicle side-view profile. Secondly, based on the observation and analysis, the paper proposes the length, height, length ratio of the top as the feature of a vehicle and gives a large number of statistical samples. At last, the paper designs a decision tree to recognize and classify the vehicles.
With an additional radar sensor, the system can get the accurate speed and length of a vehicle as an important feature. In addition, it also proposes two new features for large trucks and buses to improve the accuracy and reliability of the system.
本文设计了一套完整的模式识别系统。首先以车辆侧视轮廓为识别依据,并用车辆顶部高度序列进行描述。利用激光测距传感器和雷达测速传感器,分别采集车辆的顶部高度序列和即时速度,用即时速度乘以车辆驶过时间,换算出车辆长度,从而还原出车辆的精确侧视轮廓,并拟将车辆分为轿车、面包车、客车、货车四类。然后根据观察和分析,提取车辆的长度、高度作为外形尺寸特征,顶长比作为形状特征。并针对一些货车侧视与客车相似的情况,根据货车顶部不平整以及驾驶室与货箱中有间隙的特点,提出了顶部高度方差与顶部相邻高度差的新特征。对500种车型的车长、车高、顶长比进行统计并用正态分布进行参数估计,估计出每种车型对应特征的大致分布范围。由于提取特征较少,在有些区域线性可分,因此结合决策树规则简单、计算量小的优点,设计了一棵决策树对车型进行识别与分类,先利用车长将车辆识别为6米以下的轿车、面包车、小货车和6米以上的客车、大货车,再利用车辆高度与顶长比进行细分,最后对侧视与客车相似的货车计算顶部高度方差并判断其顶部相邻数据差序列中是否有离群值,实现最终的识别与分类。最后在VC6.0开发环境下分别编写了串口调试程序读取传感器的数据以及车型识别程序与界面输出最后的识别结果。
本文的创新之处在于在现有的激光车型分类技术的基础上,加装了雷达测速传感器,从而可以准确获取车辆的速度与长度信息,增加了一个重要的车辆特征。此外还根据实际上路车辆中大客车与大货车顶部高度的差异,针对性的为这两种车型设计了新的特征,即顶部高度方差和顶部相邻高度差序列,从而提高了车型识别系统的可靠性与准确性。
As the global economy and the amount of cars on road increase year by year, monitoring and management of vehicles have become more and more important. In recent years, as an important basis for management, automatic vehicle identification and classification have become an important part of the intelligent transportation system. At present most of the monitoring of road vehicles are still in the manual identification stage, it leads to a huge waste of manpower and material, and it is inefficient. This paper designs a laser ranging-based system of automatic vehicle recognition. It achieves the automatic vehicle recognition and classification in unattended conditions.
This paper designs a complete system of pattern recognition. Firstly, it starts with data collection and gets the information of the vehicle side-view profile. Secondly, based on the observation and analysis, the paper proposes the length, height, length ratio of the top as the feature of a vehicle and gives a large number of statistical samples. At last, the paper designs a decision tree to recognize and classify the vehicles.
With an additional radar sensor, the system can get the accurate speed and length of a vehicle as an important feature. In addition, it also proposes two new features for large trucks and buses to improve the accuracy and reliability of the system.
引文
[1]昌云宗,刘成江,崔同来等,公路超限运输的现状及治理,山东交通科技,2004,3:94~95
[2]刘峰,超限超载运输的危害和计重收费的实施,交通世界,2005,12:28~30
[3]李忠奎,荣朝和,治理公路超载超限运输的长效机制和对策研究,中国公路学报,2005,18(4):76~77
[4]王丹,基于ETC的车辆动态称重系统应用研究:[硕士学位论文],长安大学,2009
[5]陈莹,韩崇昭,基于雷达和图像融合的3D车辆定位与识别,电子学报,2005,33(6):1105~1108
[6]郑丽,车辆外形检测关键技术研究:[硕士学位论文],南京理工大学,2010
[7]王自上,基于视频图像的交通事件自动识别算法研究:[硕士学位论文],北京交通大学,2010
[8] Z. Sun, G. Bebis, R. Miller, On-road vehicle detection: A review, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2006, 28(5): 694~711
[9] TN Tan, G.D. Sullivan, K.D. Baker, Model-based localisation and recognition of road vehicles, International Journal of Computer Vision, 1998, 27(1): 5~25
[10]霍炜,刘大维,王江涛,复杂背景下的车型自动分类研究,青岛理工大学学报,2008,29(1):107~110
[11]姜庆昌,王冬,石望远,基于光电跟踪技术的汽车轮廓尺寸测量机的研制,机械工程师,2008,5:79~80
[12]禹琳琳,基于激光测距技术的车辆宽高检测系统的设计,电子设计工程,2011,19(10):103~106
[13]边肇祺,张学工,模式识别,北京:清华大学出版社,2000
[14]陈琳,基于激光测距的三坐标测量系统研究,光学仪器,2002,24(002):7~12
[15]闫小伟,邓甲昊,孙志慧,基于激光三维成像数据的车辆目标方位估计,科技导报,2009,27(8):39~42
[16]刘希灵,基于激光三维探测的空区稳定性分析及安全预警的研究:[学位论文],长沙:中南大学,2008
[17]陈家璧,激光原理及应用,北京:电子工业出版社,2004
[18]章书寿,陈福山,测量学教程,北京:测绘出版社,2006
[19]钟声远,李松山,脉冲串激光测距技术研究,激光与红外,2006,36(B09):797~799
[20]肖彬,激光测距方法探讨,地理空间信息,2010,8(4):162~164
[21]王丽,许安涛,王瑛,激光器的发展及激光测距的方法,焦作大学学报,2007,21(4):55~56
[22]陈丽诗,冯桂兰,田维坚等,基于TDC-GP2的脉冲激光测速系统设计,工业控制计算机,2009,22(10):84~85
[23]曲兴华,吴宏岩,戴建芳等,基于手持式激光测距仪的大尺寸测量应用研究,计量学报,2009,30(6):498~501
[24]王瑞凤,郭文成,用TDC-GP1芯片设计手持激光测距仪,单片机与嵌入式系统应用,2008,8:50~53
[25]蒋守培,浅谈多普勒效应,物理教学探讨,2004,22(8):2
[26]苏秀芝,网络数控加工中数据传输技术的研究:[硕士学位论文],武汉理工大学,2007
[27]李琴,跨越模拟到数字鸿沟的网络视频服务器,安防科技,2007,6:19~22+18
[28]陈增发,严锋,Delphi+SPCOMM控件实现串口通信,科技资讯,2006,31:222
[29]刘翠,中国专用汽车发展现状与趋势研究:[硕士学位论文],河南农业大学,2010
[30]张静忻,我国载货汽车市场分析及预测:[硕士学位论文],对外经济贸易大学,2006
[31]周红晓,基于BP神经网络的汽车车型识别方法,微电子学与计算机,2003,20(4):39~41
[32]周红晓,基于神经网络的汽车车型识别器的设计,工业控制计算机,2003,16(001):19~21
[33]马国兵,张楠,一种基于神经网络的机动目标轨迹预测方法,青岛理工大学学报,2006,27(5):108~111
[34]司兴涛,张新义,基于神经网络的多传感器信息融合及其在机器人中的应用,传感器世界,2009,15(7):40~43
[35]王年,任彬,基于神经网络的汽车车图象自动识别,中国图象图形学报: A辑,1999,4(8):668~672
[36] H.A. Rowley, S. Baluja, T. Kanade, Neural network-based face detection, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1998, 20(1): 23~38
[37] S.E. Fahlman, Faster-learning variations on back-propagation: An empirical study, 1988, Morgan Kaufmann: 38~51
[38]胡方明,简琴,张秀君,基于BP神经网络的车型分类器,西安电子科技大学学报:自然科学版,2005,32(3):439~442
[39]陈蕾,黄贤武,仲兴荣等,基于改进BP算法的数字字符识别,微电子学与计算机,2004,21(012):127~130
[40]郭曦榕,黄地龙,一种基于神经网络的沉积相识别方法,计算机应用与软件,2007,24(3):132~134
[41]陈诚高,神经网络技术在商业银行信用风险评估系统中的应用研究:[硕士学位论文],东南大学,2006
[42]陆琼,彭志杰,浅谈数据挖掘,西部探矿工程,2004,16(11):229~231
[43]罗海蛟,刘显,数据挖掘中分类算法的研究及其应用,微机发展,2003,13(a02):48~50
[44]马秀红,宋建社,董晟飞,数据挖掘中决策树的探讨,计算机工程与应用,2004,40(001):185~185
[45] R. Agrawal, M. Mehta, JC Shafer, SPRINT: A scalable parallel classifier for data mining, 1996: 544~555
[46] Q. JR, Induction of Decision Trees, Machine Learning, 1986, 1: 81~106
[47]魏晓云,决策树分类方法研究,计算机系统应用,2007,9:42~45
[48]杨学兵,张俊,决策树算法及其核心技术,计算机技术与发展,2007,17(1):43~45
[49]姜绍飞,张永强,基于决策树的导管架海洋平台损伤定位,沈阳建筑大学学报:自然科学版,2009,25(004):708~711
[50]王永梅,ID3算法在计算机成绩分析中的应用,合肥学院学报:自然科学版,2010,20(1):34~38
[51]侯伟,基于移动平台的联机手写汉字识别:[硕士学位论文],西安电子科技大学,2010
[52]何孝金,垃圾短信过滤系统的设计与实现:[硕士学位论文],电子科技大学,2009
[53]张亮修,王玉林,张鲁邹,一种树形结构的实时道路车辆识别方法,青岛大学学报:工程技术版,2008,23(003):49~53
[2]刘峰,超限超载运输的危害和计重收费的实施,交通世界,2005,12:28~30
[3]李忠奎,荣朝和,治理公路超载超限运输的长效机制和对策研究,中国公路学报,2005,18(4):76~77
[4]王丹,基于ETC的车辆动态称重系统应用研究:[硕士学位论文],长安大学,2009
[5]陈莹,韩崇昭,基于雷达和图像融合的3D车辆定位与识别,电子学报,2005,33(6):1105~1108
[6]郑丽,车辆外形检测关键技术研究:[硕士学位论文],南京理工大学,2010
[7]王自上,基于视频图像的交通事件自动识别算法研究:[硕士学位论文],北京交通大学,2010
[8] Z. Sun, G. Bebis, R. Miller, On-road vehicle detection: A review, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2006, 28(5): 694~711
[9] TN Tan, G.D. Sullivan, K.D. Baker, Model-based localisation and recognition of road vehicles, International Journal of Computer Vision, 1998, 27(1): 5~25
[10]霍炜,刘大维,王江涛,复杂背景下的车型自动分类研究,青岛理工大学学报,2008,29(1):107~110
[11]姜庆昌,王冬,石望远,基于光电跟踪技术的汽车轮廓尺寸测量机的研制,机械工程师,2008,5:79~80
[12]禹琳琳,基于激光测距技术的车辆宽高检测系统的设计,电子设计工程,2011,19(10):103~106
[13]边肇祺,张学工,模式识别,北京:清华大学出版社,2000
[14]陈琳,基于激光测距的三坐标测量系统研究,光学仪器,2002,24(002):7~12
[15]闫小伟,邓甲昊,孙志慧,基于激光三维成像数据的车辆目标方位估计,科技导报,2009,27(8):39~42
[16]刘希灵,基于激光三维探测的空区稳定性分析及安全预警的研究:[学位论文],长沙:中南大学,2008
[17]陈家璧,激光原理及应用,北京:电子工业出版社,2004
[18]章书寿,陈福山,测量学教程,北京:测绘出版社,2006
[19]钟声远,李松山,脉冲串激光测距技术研究,激光与红外,2006,36(B09):797~799
[20]肖彬,激光测距方法探讨,地理空间信息,2010,8(4):162~164
[21]王丽,许安涛,王瑛,激光器的发展及激光测距的方法,焦作大学学报,2007,21(4):55~56
[22]陈丽诗,冯桂兰,田维坚等,基于TDC-GP2的脉冲激光测速系统设计,工业控制计算机,2009,22(10):84~85
[23]曲兴华,吴宏岩,戴建芳等,基于手持式激光测距仪的大尺寸测量应用研究,计量学报,2009,30(6):498~501
[24]王瑞凤,郭文成,用TDC-GP1芯片设计手持激光测距仪,单片机与嵌入式系统应用,2008,8:50~53
[25]蒋守培,浅谈多普勒效应,物理教学探讨,2004,22(8):2
[26]苏秀芝,网络数控加工中数据传输技术的研究:[硕士学位论文],武汉理工大学,2007
[27]李琴,跨越模拟到数字鸿沟的网络视频服务器,安防科技,2007,6:19~22+18
[28]陈增发,严锋,Delphi+SPCOMM控件实现串口通信,科技资讯,2006,31:222
[29]刘翠,中国专用汽车发展现状与趋势研究:[硕士学位论文],河南农业大学,2010
[30]张静忻,我国载货汽车市场分析及预测:[硕士学位论文],对外经济贸易大学,2006
[31]周红晓,基于BP神经网络的汽车车型识别方法,微电子学与计算机,2003,20(4):39~41
[32]周红晓,基于神经网络的汽车车型识别器的设计,工业控制计算机,2003,16(001):19~21
[33]马国兵,张楠,一种基于神经网络的机动目标轨迹预测方法,青岛理工大学学报,2006,27(5):108~111
[34]司兴涛,张新义,基于神经网络的多传感器信息融合及其在机器人中的应用,传感器世界,2009,15(7):40~43
[35]王年,任彬,基于神经网络的汽车车图象自动识别,中国图象图形学报: A辑,1999,4(8):668~672
[36] H.A. Rowley, S. Baluja, T. Kanade, Neural network-based face detection, Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1998, 20(1): 23~38
[37] S.E. Fahlman, Faster-learning variations on back-propagation: An empirical study, 1988, Morgan Kaufmann: 38~51
[38]胡方明,简琴,张秀君,基于BP神经网络的车型分类器,西安电子科技大学学报:自然科学版,2005,32(3):439~442
[39]陈蕾,黄贤武,仲兴荣等,基于改进BP算法的数字字符识别,微电子学与计算机,2004,21(012):127~130
[40]郭曦榕,黄地龙,一种基于神经网络的沉积相识别方法,计算机应用与软件,2007,24(3):132~134
[41]陈诚高,神经网络技术在商业银行信用风险评估系统中的应用研究:[硕士学位论文],东南大学,2006
[42]陆琼,彭志杰,浅谈数据挖掘,西部探矿工程,2004,16(11):229~231
[43]罗海蛟,刘显,数据挖掘中分类算法的研究及其应用,微机发展,2003,13(a02):48~50
[44]马秀红,宋建社,董晟飞,数据挖掘中决策树的探讨,计算机工程与应用,2004,40(001):185~185
[45] R. Agrawal, M. Mehta, JC Shafer, SPRINT: A scalable parallel classifier for data mining, 1996: 544~555
[46] Q. JR, Induction of Decision Trees, Machine Learning, 1986, 1: 81~106
[47]魏晓云,决策树分类方法研究,计算机系统应用,2007,9:42~45
[48]杨学兵,张俊,决策树算法及其核心技术,计算机技术与发展,2007,17(1):43~45
[49]姜绍飞,张永强,基于决策树的导管架海洋平台损伤定位,沈阳建筑大学学报:自然科学版,2009,25(004):708~711
[50]王永梅,ID3算法在计算机成绩分析中的应用,合肥学院学报:自然科学版,2010,20(1):34~38
[51]侯伟,基于移动平台的联机手写汉字识别:[硕士学位论文],西安电子科技大学,2010
[52]何孝金,垃圾短信过滤系统的设计与实现:[硕士学位论文],电子科技大学,2009
[53]张亮修,王玉林,张鲁邹,一种树形结构的实时道路车辆识别方法,青岛大学学报:工程技术版,2008,23(003):49~53