一种基于振动传感器的车辆识别方法与流程

本发明涉及一种基于振动传感器的车辆识别方法，可用于车辆检测和识别，属于智能交通和车辆识别领域。

背景技术：

在当前的交通领域中，车辆检测与识别是重中之重。目前主要有麦克风、振动传感器、磁感线圈、视频传感器等进行车辆的检测与识别。

磁感线圈安装和维护对道路会造成较大的破坏，且本身容易被大型车辆损坏，铁制材料也容易受到环境因素导致损坏。视频传感器易安装、可靠，但高清视频摄像头价格高，易受环境影响如雨雾天气都会降低检测的准确性。麦克风安装简单，成本低，但受风速、多普勒、鸣笛声影响大，且易损坏。

振动传感器可靠性强，可以埋在路边，安装简单，隐蔽度高，不受恶劣天气影响。

技术实现要素：

本发明的目的是克服现有技术的不足，提高现有技术的识别率，提出一种基于振动传感器的车辆识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于振动传感器的车辆识别方法，包括以下步骤：

(1)利用振动传感器，采集车辆行驶引起的路面振动信号；

(2)对步骤(1)采集的振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)，得到一组固有模态函数(Intrinsic Mode Function，IMF)；

(3)对步骤(2)得到的固有模态函数分别乘以不同的权重，再求和得到新的信号，记为xnew(t)；

其中wi为对应第i个IMF的权重，n为信号分解之后产生的IMF的个数；固有模态的权重由以下方式求取：以BP神经网络均方误差MSE(Mean Square Error)作为适应度评估函数，应用粒子群算法进行求解，MSE表达式如下：

其中N为所有样本的个数，yi为第i个样本的观察值，为第i个样本的估计值；

粒子群算法权重的更新采用如下公式：

分别代表经过k次迭代后第i个粒子在第D个维度上的速度、历史最佳位置、位置；代表第k次迭代后在第D个维度上的全局最优位置；r1、r2为[0,1]区间内的随机数；迭代求解的目的是获取一组使MSE最小的w值；

(4)根据步骤(3)得到的全局最优解w，与样本经EMD分解得到的IMF相乘求和得到新的信号xnew(t)，对其提取梅尔频率倒谱系数MFCC作为特征，训练3层BP神经网络，用训练好的神经网络判断车辆类型。

进一步地，所述步骤(3)中，w求解过程如下：

对N个样本数据分别进行EMD分解得到每个样本对应的IMF，保留每个样本分解后得到的前n个IMF；

k＝1，随机初始化m个维度为n的粒子的速度与位置，m是可以任意选取的粒子个数，要求为整数；初始化之后，此时每个粒子的位置即为这个粒子的历史最佳位置，每个粒子的位置对应一个解w，共得到m个解，接下来验证每个解，将一个解与每个样本的IMF相乘求和最后可得到N个新信号，对新信号求梅尔频率倒谱系数MFCC特征，以MSE为适应度评估函数并用这些特征训练一个3层BP神经网络分类器，训练结束后根据网络输出样本估计值y～与样本观察值y求得这个解对应的MSE，对m个解均按照此方式处理最终得到m个MSE；记最小MSE对应的解为经过第1次迭代的全局最优位置

k＝2，按照上述粒子群算法更新公式进行第2次迭代计算，更新每个粒子的位置与速度，对于每个粒子新位置按照第1次迭代中的方法重新计算MSE并且比较它当前的MSE与历史最佳位置对应的MSE，如果当前MSE更小则更新历史最佳位置，否则维持不变，再根据所有粒子的MSE更新全局最优位置；最后重复上述迭代方式，直到MSE达到最小值，求得全局最优解w。

本发明的有益效果是：本发明在路边安装振动传感器，利用振动传感器检测地面的振动信息，特别使用了经验模态分解方法分解振动信号，并把固有模态函数乘以不同权重，再求和生成新的信号，利用MFCC提取特征，训练好神经网络之后于车辆的检测与分类。这种方法实现了车辆检测与分类，安装方便，不受恶劣天气影响，识别率高。

附图说明

图1是本发明固有模态函数权重求解流程图；

图2是本发明车辆识别方法流程图。

具体实施方式

下面结合附图详细描述本发明，本发明的特点将变得更加明显。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

本发明提供的一种基于振动传感器的车辆识别方法，包括以下步骤：

(1)利用振动传感器，采集车辆行驶引起的路面振动信号；

(2)对步骤(1)采集的振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)，得到一组固有模态函数(Intrinsic Mode Function，IMF)；

(3)对步骤(2)得到的固有模态函数分别乘以不同的权重，再求和得到新的信号，记为xnew(t)；

其中wi为对应第i个IMF的权重，n为信号分解之后产生的IMF的个数；固有模态的权重由以下方式求取：以BP神经网络均方误差MSE(Mean Square Error)作为适应度评估函数，应用粒子群算法进行求解，MSE表达式如下：

其中N为所有样本的个数，yi为第i个样本的观察值，为第i个样本的估计值；

粒子群算法权重的更新采用如下公式：

分别代表经过k次迭代后第i个粒子在第D个维度上的速度、历史最佳位置、位置；代表第k次迭代后在第D个维度上的全局最优位置；r1、r2为[0,1]区间内的随机数；迭代求解的目的是获取一组使MSE最小的w值；下面对w求解过程进行详细说明：

对N个样本数据分别进行EMD分解得到每个样本对应的IMF，由于不同样本分解后得到的IMF个数可能存在不一致的现象，所以只保留每个样本分解后得到的前n个IMF；

k＝1，随机初始化m个维度为n的粒子的速度与位置，其中n与每个样本分解后保留的IMF个数相对应，m是可以任意选取的粒子个数，要求为整数，比如50，m过大导致算法运算时间长，太小导致算法不易收敛；初始化之后，此时每个粒子的位置即为这个粒子的历史最佳位置，每个粒子的位置对应一个解w，所以可得到m个解，接下来验证每个解，将一个解与每个样本的IMF相乘求和最后可得到N个新信号，对新信号求梅尔频率倒谱系数MFCC特征，以MSE为适应度评估函数并用这些特征训练一个3层BP神经网络分类器，训练结束后根据网络输出样本估计值y～与样本观察值y求得这个解对应的MSE，对m个解均按照此方式处理最终得到m个MSE；记最小MSE对应的解为经过第1次迭代的全局最优位置

k＝2，按照上述粒子群算法更新公式进行第2次迭代计算，更新每个粒子的位置与速度，对于每个粒子新位置按照第1次迭代中的方法重新计算MSE并且比较它当前的MSE与历史最佳位置对应的MSE，如果当前MSE更小则更新历史最佳位置，否则维持不变，再根据所有粒子的MSE更新全局最优位置；最后重复上述迭代方式，直到MSE达到最小值，求得全局最优解w。

(4)根据步骤(3)得到的全局最优解w，与样本经EMD分解得到的IMF相乘求和得到新的信号xnew(t)，对其提取梅尔频率倒谱系数MFCC作为特征，训练3层BP神经网络，用训练好的神经网络判断车辆类型。

图1为求取固有模态函数权值的流程。主要包括对信号进行经验模态分解，获得固有模态函数，初始化时以不同的权重乘以固有模态函数，求和得到新的信号。再应用粒子群优化算法求取最优的一组固有模态函数权重，当达到预设要求后，训练结束，否则，继续训练。图2为识别流程，首先采集车辆引起的路面振动信号，得到多个样本，作为训练集；然后对信号进行经验模态分解，用图1求得的权重乘以固有模态函数，求和得到新的信号；在特征生成中，主要是求信号的功率谱，获取MFCC特征，然后进行模型的训练，最终得到神经网络车辆分类器，可以根据车辆的振动信号识别车辆种类。通过4000个轮式车与履带车的振动信号样本来验证该方法的有效性；经检验，只使用MFCC特征时的识别率为90.47％，经过EMD分解加权处理后再使用MFCC特征进行识别，准确率达到92.25％，从而证明了本发明方法的有效性。原因在于通过加权处理，抑制了信号中的噪声分量。