一种联合磁场和微波的车位状态检测方法与流程

文档序号:18945120发布日期:2019-10-23 01:30阅读:484来源:国知局
一种联合磁场和微波的车位状态检测方法与流程

本发明属于检测领域,涉及一种车位状态检测技术,具体涉及一种联合磁场和微波的车位状态检测方法。用于实现对于车辆进出车位、以及车位占用状态的识别,应用产品包括车位检测器、闸道车辆检测器等。



背景技术:

现有车辆检测器都是在检测器中进行车辆状态的检测,主要采取单一的地磁检测方式。

现有技术中为了降低地磁传感器对于地磁扰动的影响,主要采用了复杂的数字滤波的方式;为了降低临车位干扰,多采用给不同轴向地磁数值赋予不同权值的方式,降低侧向数值的权重,降低临车位干扰的同时,也同步降低了地磁检测的灵敏度。

随着汽车制造业的飞速发展,比强度(强度-重量比)大幅优于铁磁性材料的铝材料,在汽车车身中占比越来越大,自然会降低由于车辆进出引起的车位附近磁场波动的强度,降低车位状态检测的准确率。

同时车辆底盘的高度,临近车辆的距离等相关现实场景,都会给地磁造成干扰,导致漏检或误判,在有限的功耗情况下,能够在较短的时间内将停车状态准确的判断出来是目前产品遇到的难以解决的问题。



技术实现要素:

本发明的目的是提供一种联合磁场和微波的车位状态检测方法,融合地磁传感器数据和微波检测技术,降低相临车位和温度等环境因素干扰的影响,提高对于微型车辆、全铝车型、高底盘车型的识别能力,提升车位状态的检测正确率。

为了解决上述技术问题,本发明采用的技术方案是:

一种联合磁场和微波的车位状态检测方法,其特征在于:该方法采用的设备包括三轴地磁传感器和微波雷达传感器,具体包括以下步骤:

步骤1、利用三轴地磁传感器监测xyz三轴磁场数据的波动值、峰峰值、均值的变化,判断车位状态变化,如果采样数据处于临界值附近,则启动微波雷达传感器;

步骤2、微波数据获取与预处理,利用微波雷达传感器进行等间隔的三角波扫描,并接收每一个离散频率点下的两路信号,利用汉宁窗公式对采集的数据进行处理,通过离散傅里叶变换对数据进行进一步处理,将时域转换为频域进行分析;

步骤3、微波检测,包括以下子步骤:

步骤3.1、对步骤2中得到的数据进行频域分析的数据进行取模操作;

步骤3.2、将步骤3.1得到的取模数据送入svm预测器,可以得到svm预测器对于车位状态的判决结果;

步骤3.2、将步骤3.1得到的取模数据送入神经网络预测器,可以得到神经网络预测器对于车位状态的判决结果;

步骤4、动态权重调整,包括以下子步骤:

步骤4.1、首先根据三轴地磁传感器、svm预测器以及神经网络预测器三者的准确率预设一个判断权重;

步骤4.2、对于三者判断结果一致的,则权重保持不变;

步骤4.3、对于三者判断结果不一致的,根据各自的准确率重新计算权重;

步骤5、将地磁车位检测结果、svm预测器判决结果、神经网络预测器判决结果,进行按照最新的权重得出综合判决后的车位状态。

作为优选,所述步骤2中,所述微波雷达传感器利用数模转换器在一定的频带内进行等间隔的三角波扫描,通过压控振荡器控制电压,控制射频模块的输出频率,并接收每一个离散频率点下的接收i和q两路正交信号,再通过模数转换器将i和q两路正交信号转换为数字信息进行分析。

作为优选,所述步骤2中,对数据进行汉宁窗公式处理前先进行去直流处理,具体步骤如下:

步骤2.1、通过模数转换器采样得到n个点的i,q信号,命名为i_buf[1:n],q_buf[1:n],首先对数据进行n点平均,公式如下:

i_mean和q_mean分别为i信号和q信号的平均值;

步骤2.2、将原始的i信号和q信号减去平均值,即可去直流分量的信号,公式如下:

i_ac_signal[k]=i_buf[k]-i_mean

q_ac_signal[k]=q_buf[k]-q_mean

i_ac_signal[k]为i信号去直流后的信号,q_ac_signal[k]为q信号去直流后的信号。

作为优选,所述步骤2中利用汉宁窗公式对采集的数据进行处理具体步骤如下:

步骤a、汉宁窗公式如下:

n为变量参数,利用上述汉宁窗公式对直流后的i信号和q信号进行处理,技术方法如下:

i_hanning_w[n]=i_ac_signal[n]*w[n],1≤n≤n

q_hanning_w[n]=q_ac_signal[n]*w[n],1≤n≤n

i_hanning_w[n]和q_hanning_w[n]分别为汉宁公式处理后的i信号和q信号。

作为优选,为了更好的观察功率谱的密度情况,将获取到的汉宁公式处理后的i信号和q信号进行离散傅里叶数据变换,首先将汉宁公式处理后的i信号i_haning_w和q信号q_haning_w转换为复数的方式进行表达,公式如下:

iq_w[n]=i_hanning_w[n]+q_hanning_w[n]*j,1≤n≤n

将上述复数表达式转换为指数表达方式,如下式所示:

iq_w[n]=r[n]*ejθn,1≤n≤n

上式中,θ为幅角,r[n]为iq_w[n]的模;

通过离散傅里叶变换将上式中的时域转换为频域进行分析,得到公式如下:

上式中,ω为角速度,j为虚数的虚部表达式,j2=-1。

作为优选,所述步骤3中,svm预测器通过预先大量数据样本训练得到内部参数建立。

作为优选,所述步骤3中,神经网络预测器通过预先大量数据样本训练得到各级参数建立。

作为优选,所述步骤4中,三轴地磁传感器、svm预测器以及神经网络预测器三者的准确率通过大量训练数据测试获取,准确率越高,权重相对越大,三个权重值分别定义为a,b,c。

作为优选,所述步骤4.3中具体方法如下:

首先按照目前的an,bn,cn的权重值对停车状态进行判断,判断完成之后,得出结果xn,根据xn的结果,重新对最近n次的三轴地磁传感器、svm预测器以及神经网络预测器三者进行准确率的计算,根据最新的确率重新计算三者的权重,计算公式如下公式:

an+1=dn/(dn+en+fn)

bn+1=en/(dn+en+fn)

cn+1=fn/(dn+en+fn)

上式中,dn、en和fn分别为三轴地磁传感器、svm预测器以及神经网络预测器三者的重新计算的准确率,an+1,bn+1,cn+1三轴地磁传感器、svm预测器以及神经网络预测器新的判断权重。

本发明有益效果是:

本本发明在传统无线三轴地磁车辆检测器上增加了微波检测技术,采用微波雷达传感器和三轴地磁传感器联合检测的方式对停车状态进行检测,通过微波的算法判决和地磁检测的判决,给出一个综合判决结果,可以较好的降低地磁扰动和临车位干扰的影响,提高车位状态的检测率。因此本发明检测精度高,错误率低,并且相对功耗低下。

附图说明

图1是本发明联合磁场和微波的车位状态检测方法算法流程示意图。

具体实施方式

下面结合附图对本发明进行举例说明,如图1所示,一种联合磁场和微波的车位状态检测方法,包括以下步骤

步骤1、地磁波动检测阶段:

车辆检测器利用三轴地磁传感器,记录x、y和z轴的地磁数值,步骤如下:

(1)磁场采样

三轴地磁传感器周期性的采集磁场信息。

(2)磁场动态检测

通过计算采集的xyz三轴磁场数据的波动值、峰峰值、均值的变化,来捕获磁场发生剧烈变化的时刻,此时认为有潜在车位状态发生变化的可能。当磁场数据发生相对稳定——波动——恢复稳定的过程后,立即启动基于磁场的车位状态检测,作为磁场车位状态检测判决。

(3)磁场检测临界:

地磁采样数据如果比较临界(即有可能产生误判的阈值的时候),启动微波雷达传感器进行测试。

步骤2、微波数据获取与处理阶段

(1)微波雷达传感器利用dac(数模转换器)在一定的频带内进行等间隔的三角波扫描,通过vco(压控振荡器)控制电压,控制射频模块的输出频率,并接收每一个离散频率点下的接收i和q信号,通过adc(模数转换器)将i,q的模拟数据转换为数字量进行数据分析。

(2)通过adc采样得到n个点的i,q信号,命名为i_buf[1:n],q_buf[1:n],首先对数据进行n点平均,公式如下

i_mean和q_mean分别为i信号和q信号的平均值;

(3)由于扫描信号的规律性,可以认为i,q信号的平均值基本为信号量的直流分量,将我们获取到的原始数据i_buf[1:n],q_buf[1:n]去除直流分量

i_ac_signal[k]=i_buf[k]-i_mean

q_ac_signal[k]=q_buf[k]-q_mean

i_ac_signal[k]为i信号去直流后的信号,q_ac_signal[k]为q信号去直流后的信号。

(4)本发明主要需要观察的是功率谱密度情况,于是采用汉宁窗对现有数据进行加窗处理,防止在数据衔接的位置出现阶跃跳变,导致后期做傅里叶变化产生不利的影响,汉宁窗公式如下:

n为变量参数,利用上述汉宁窗公式,对i_ac_signal[k]和q_ac_signal[k]进行处理,计算出i和q的加窗后的数据,计算方法如下

i_hanning_w[n]=i_ac_signal[n]*w[n],1≤n≤n

q_hanning_w[n]=q_ac_signal[n]*w[n],1≤n≤n

(5)为了更好的观察功率谱的密度情况,将获取到的i_haning_w和q_haning_w进行dft(离散傅里叶变换)数据变换,首先将i_haning_w和q_haning_w转换为复数的方式进行表达,公式如下:

iq_w[n]=i_hanning_w[n]+q_hanning_w[n]*j,1≤n≤n

将上述复数表达式转换为指数表达方式,如下式所示:

iq_w[n]=r[n]*ejθn,1≤n≤n

上式中,θ为幅角,r[n]为iq_w[n]的模;

通过dft将上式子中的时域转换为频域进行分析,得到公式如下

上式中,ω为角速度,j为虚数的虚部表达式,j2=-1。

步骤3、微波检测阶段:

(1)步骤2中信号前处理之后,得到所需要的频域信息进行取模操作;

(2)svm预测器:通过大量的数据样本训练,可以得到svm预测器的内部参数。将(1)中取模操作处理后的数据送入svm预测器,可以得到svm预测器对于车位状态的判决结果。

(3)神经网络预测器:通过大量的数据样本训练,可以得到神经网络预测器的各级参数。将(1)中取模操作处理后的数据送入神经网络预测器,可以得到神经网络预测器对于车位状态的判决结果。

步骤4、动态权重调整阶段:

(1)初始化地磁,svm和神经网络的权重值,初始化值采用大量训练数据测试后的准确率进行三者的权重评估,准确率越高,权重相对越大,三个权重值分别为a,b,c。

(2)如果地磁,,svm和神经网络对于停车判断一致,则权重值保持不变。

(3)如果地磁,,svm和神经网络对于停车判断不一致,按照目前的an,bn,cn的权重值对停车状态进行判断,判断完成之后,得出结果xn。根据xn的结果,重新对最近n次的三个算法(地磁,,svm和神经网络)进行准确率的计算,根据最新的准确率dn(地磁),en(svm),fn(神经网络),重新计算权重an+1,bn+1,cn+1,计算公式如下公式:

an+1=dn/(dn+en+fn)

bn+1=en/(dn+en+fn)

cn+1=fn/(dn+en+fn)

5.联合判决阶段:

将地磁车位检测结果、svm预测器判决结果、神经网络预测器判决结果,根据少数服从多数的原则,给出最终的车位状态。最后按照最新的权重得出综合判决后的车位状态。

作为一种更优的实施例,本发明三轴地磁传感器采用无线地磁传感器。

当前第1页1 2 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1