一种车联网数据传输的方法及系统与流程

本发明属于车联网技术领域，尤其涉及一种车联网数据传输的方法及系统。

背景技术：

车联网是物联网在智能交通领域的运用，车联网项目是智能交通系统的重要组成部分。踏入新世纪，物联网、智慧地球、智慧城市等概念兴起，具体到交通领域的应用便产生了智慧交通；车联网就是汽车移动物联网，是指利用车载电子传感装置，通过移动通讯技术、汽车导航系统、智能终端设备与信息网络平台，使车与路、车与车、车与人、车与城市之间实时联网，实现信息互联互通，从而对车、人、物、路、位置等进行有效的智能监控、调度、管理的网络系统。然而，现有车联网采集的数据容易生成大量的冗余数据，采集的数据精度差；同时，车辆的轨迹与道路的几何形状匹配的精度不高，从而导致车辆在电子地图上的位置精度不高的问题；现有的车联网数据传输系统采集的图像，分辨低，不能获取便于人眼感知和系统的分析处理的图像数据；现有的车联网数据传输系统采集车速的过程中，传感器容易受环境的影响，导致降低速度传感器检测的精度，增加控制系统的储存量和计算量；现有的车联网数据传输系统采集车辆电量数据的过程中，电量检测器容易由于故障引起非线性误差。

综上所述，现有技术存在的问题是：

(1)现有车联网采集的数据容易生成大量的冗余数据，采集的数据精度差；同时，车辆的轨迹与道路的几何形状匹配的精度不高，从而导致车辆在电子地图上的位置精度不高的问题。

(2)现有的车联网数据传输系统采集的图像，分辨低，不能获取便于人眼感知和系统的分析处理的图像数据。

(3)现有的车联网数据传输系统采集车速的过程中，传感器容易受环境的影响，导致降低速度传感器检测的精度，增加控制系统的储存量和计算量。

(4)现有的车联网数据传输系统采集车辆电量数据的过程中，电量检测器容易由于故障引起非线性误差。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种车联网数据传输的方法及系统。

本发明是这样实现的，一种车联网数据传输方法，所述车联网数据传输方法包括：

第一步，采集车辆的行驶环境图像，车辆行驶速度数据，车辆剩余油量数据和车辆电量数据；

第二步，将采集的数据信息传输到控制器，控制器对采集的数据进行过滤处理；

第三步，将数据经过处理的数据，通过无线网卡连接无线互联网进行网络数据传输；

第四步，对车辆进行定位，并且通过显示器显示采集的图像、车速、油量、电量的数据信息。

进一步，所述车联网数据传输方法通过摄像器采集车辆行驶环境图像数据，采用基于小波变换的图像增强算法，具体包括以下步骤：

设f(x，y)是空间l²(ir)的图像，其小波变换为(wψf)j，k(x，y)，其中s＝2j表示尺度；k表示分解方向；

步骤一，将图像f(x，y)通过小波正变换成(wψf)j，k(x，y)；

步骤二，根据图像模型计算小波系数(wψf)j，k(x，y)的阈值tj，k；

步骤三，对小波系数(wψf)j，k(x，y)≤tj，k作置零处理；

步骤四，对非零小波系数采取拉伸，即gj，k(x，y)·(wψf)j，k(x，y)其中gj，k(x，y)≥1是在位置(x，y)上尺度为j，方向为k的增益因子；

步骤五，对处理后的小波系数(wψf)j，k(x，y)实施相应的小波变换。

进一步，所述车联网数据传输方法通过车速传感器采集车辆行驶速度数据，采用基于预测的kalman自适应滤波算法，具体过程如下：

(1)初始条件：

观测向量序列：{z(0)，...，z(k+1)}；

(2)已知参数：

状态转移矩阵φ(k+1，k)；

观测矩阵h(k)；

过程噪声向量的相关矩阵q(k)；

观测噪声向量的相关矩阵r(k)；

(3)计算k＝1，2，3，...；

预测方程：

滤波方程：

增益矩阵：kk+1＝pk+1|kh^t[hpk+1|kh^t+r]^-1；

预测误差方差阵：pk+1|k＝φk+1|kpk|kφ^tk+1|k+γk+1|kqγ^tk+1|k；

滤波误差方差阵pk+1|k+1＝[i-kk+1h]pk+1|k。

进一步，所述车联网数据传输方法通过电量检测器采集车辆电量数据，采用lm-bp算法，具体过程如下：

通常神经网络连接权的调整为；

ωk+1＝ωk+δω；

将误差平方和作为优化的目标函数；

式中di与yi分别是网络期望输出与实际输出；

根据牛顿算法得：

式中，误差函数的海森矩阵为：

h＝j^t(ω)j(ω)+s(ω)；

式中，j为误差对权值的雅可比矩阵，计算公式为：

高斯-牛顿法中的s(ω)通常很小，可以忽略不计，此时hessian矩阵可近似为：

h≈j^t(ω)j(ω)；

同时，梯度可表示为；

g＝j^t(ω)e(ω)；

由于雅可比矩阵的计算相比通过hessian矩阵的计算简单，因此高斯-牛顿算法的权值更新为；

δω＝-[j^t(ω)j(ω)]^-1j^t(ω)e(ω)；

新的海森矩阵hn表示为；

hn＝j^t(ω)j(ω)+μi；

lm算法近似的权值更新表示为；

ωk+1＝ωk-[j^t(ω)j(ω)+μi]^-1j(ω)e(ω)；

当μ为0时，用hessian矩阵的牛顿法；当μ很大时，则变成了小步长的梯度下降，lm算法正是通过增加μi，使得[j^t(ω)j(ω)+μi]必可逆，网络收敛。

本发明的另一目的在于提供一种基于所述车联网数据传输方法的车联网数据传输系统，所述车联网数据传输系统包括：

图像采集模块，与主控模块连接，用于通过摄像器采集车辆行驶环境图像数据；

车速采集模块，与主控模块连接，用于通过车速传感器采集车辆行驶速度数据；

油量采集模块，与主控模块连接，用于通过油量检测器采集车辆剩余油量数据；

电量采集模块，与主控模块连接，用于通过电量检测器采集车辆电量数据；

主控模块，与图像采集模块、车速采集模块、油量采集模块、电量采集模块、数据过滤模块、网络通信模块、定位模块、显示模块连接，用于通过ecu控制器控制各个模块正常工作；

数据过滤模块，与主控模块连接，用于通过数据处理程序对采集的数据进行过滤操作；

网络通信模块，与主控模块连接，用于通过无线网卡连接无线互联网进行网络通信；

定位模块，与主控模块连接，用于对车辆位置进行定位操作；

显示模块，与主控模块连接，用于通过显示器显示采集的图像、车速、油量、电量数据信息。

本发明的另一目的在于提供一种应用所述车联网数据传输方法的车联网处理系统。

本发明的优点及积极效果为：本发明通过数据过滤模块对行程化数据进行过滤和修正，进一步提升算法精度和稳定性，大大提高车辆数据精准性；同时，通过定位模块利用待定位车辆的轨迹与道路进行匹配，再用匹配的到的位置偏差修正附近车辆定位，而被修正后的附近车辆轨迹再次进行路径匹配，得到的位置偏差来修正待定位车辆的轨迹，从而提高待定位车辆轨迹的精度，从而提高待定位车辆在电子地图上的定位精度，该方法可应用于电子地图的车辆定位。

本发明中图像采集模块通过摄像器采集车辆行驶环境图像数据的过程中，采用基于小波变换的图像增强算法对图像进行增强，使获取的图像便于人眼感知和系统的分析处理。

本发明中车速采集模块通过车速传感器采集车辆行驶速度数据的过程中，基于预测的kalman自适应滤波算法对获取的车速数据进行处理，能提高速度传感器检测的精度，降低控制系统的储存量和计算量。

本发明中电量采集模块通过电量检测器采集车辆电量数据的过程中，采用lm-bp算法可以避免电量检测器由于故障引起产生的非线性误差，抑制了故障影响在系统中的传播。

附图说明

图1是本发明实施例提供的车联网数据传输的方法流程图。

图2是本发明实施例提供的车联网数据传输系统结构示意图；

图2中：1、图像采集模块；2、车速采集模块；3、油量采集模块；4、电量采集模块；5、主控模块；6、数据过滤模块；7、网络通信模块；8、定位模块；9、显示模块。

具体实施方式

为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。

下面结合附图对本发明的结构作详细的描述。

如图1所示，本发明提供的车联网数据传输的方法包括以下步骤：

s101：采集车辆的行驶环境图像，车辆行驶速度数据，车辆剩余油量数据和车辆电量数据；

s102：将采集的数据信息传输到控制器，控制器对采集的数据进行过滤处理；

s103；将数据经过处理的数据，通过无线网卡连接无线互联网进行网络数据传输；

s104；对车辆进行定位，并且通过显示器显示采集的图像、车速、油量、电量等数据信息。

如图2所示，本发明实施例提供的车联网数据传输系统包括：图像采集模块1、车速采集模块2、油量采集模块3、电量采集模块4、主控模块5、数据过滤模块6、网络通信模块7、定位模块8、显示模块9。

图像采集模块1，与主控模块5连接，用于通过摄像器采集车辆行驶环境图像数据；

车速采集模块2，与主控模块5连接，用于通过车速传感器采集车辆行驶速度数据；

油量采集模块3，与主控模块5连接，用于通过油量检测器采集车辆剩余油量数据；

电量采集模块4，与主控模块5连接，用于通过电量检测器采集车辆电量数据；

主控模块5，与图像采集模块1、车速采集模块2、油量采集模块3、电量采集模块4、数据过滤模块6、网络通信模块7、定位模块8、显示模块9连接，用于通过ecu控制器控制各个模块正常工作；

数据过滤模块6，与主控模块5连接，用于通过数据处理程序对采集的数据进行过滤操作；

网络通信模块7，与主控模块5连接，用于通过无线网卡连接无线互联网进行网络通信；

定位模块8，与主控模块5连接，用于对车辆位置进行定位操作；

显示模块9，与主控模块5连接，用于通过显示器显示采集的图像、车速、油量、电量数据信息。

所述图像采集模块1通过摄像器采集车辆行驶环境图像数据的过程中，需要对图像进行增强，为了使获取的图像便于人眼感知和系统的分析处理，采用基于小波变换的图像增强算法，具体包括以下步骤：

设f(x，y)是空间l²(ir)的图像，其小波变换为(wψf)j，k(x，y)，其中s＝2j表示尺度；k表示分解方向；

步骤一，将图像f(x，y)通过小波正变换成(wψf)j，k(x，y)；

步骤二，根据图像模型计算小波系数(wψf)j，k(x，y)的阈值tj，k；

步骤三，对小波系数(wψf)j，k(x，y)≤tj，k作置零处理；

步骤四，对非零小波系数采取拉伸，即gj，k(x，y)·(wψf)j，k(x，y)其中gj，k(x，y)≥1是在位置(x，y)上尺度为j，方向为k的增益因子；

步骤五，对处理后的小波系数(wψf)j，k(x，y)实施相应的小波变换。

所述车速采集模块2通过车速传感器采集车辆行驶速度数据的过程中，为了提高速度传感器检测的精度，提高车辆网数据的准确性的同时，降低控制系统的储存量和计算量，采用基于预测的kalman自适应滤波算法，具体过程如下：

1、初始条件：

观测向量序列：{z(0)，...，z(k+1)}；

2、已知参数：

状态转移矩阵φ(k+1，k)；

观测矩阵h(k)；

过程噪声向量的相关矩阵q(k)；

观测噪声向量的相关矩阵r(k)；

3、计算k＝1，2，3，...；

预测方程：

滤波方程：

增益矩阵：kk+1＝pk+1|kh^t[hpk+1|kh^t+r]^-1；

预测误差方差阵：pk+1|k＝φk+1|kpk|kφ^tk+1|k+γk+1|kqγ^tk+1|k；

滤波误差方差阵pk+1|k+1＝[i-kk+1h]pk+1|k。

所述电量采集模块4通过电量检测器采集车辆电量数据的过程中，为了有效补偿检测器故障产生的非线性误差，抑制了故障影响在系统中的传播，采用lm-bp算法，具体过程如下：

通常神经网络连接权的调整为

ωk+1＝ωk+δω；

将误差平方和作为优化的目标函数

式中di与yi分别是网络期望输出与实际输出；

根据牛顿算法得：

式中，误差函数的海森矩阵为：

h＝j^t(ω)j(ω)+s(ω)；

式中，j为误差对权值的雅可比矩阵，计算公式为：

高斯-牛顿法中的s(ω)通常很小，可以忽略不计，此时hessian矩阵可近似为：

h≈j^t(ω)j(ω)；

同时，梯度可表示为

g＝j^t(ω)e(ω)；

由于雅可比矩阵的计算相比通过hessian矩阵的计算简单，因此高斯-牛顿算法的权值更新为

δω＝-[j^τ(ω)j(ω)]^-1j^t(ω)e(ω)；

新的海森矩阵hn表示为

hn＝j^t(ω)j(ω)+μi；

lm算法近似的权值更新表示为

ωk+1＝ωk-[j^t(ω)j(ω)+μi]^-1j(ω)e(ω)；

当μ为0时，用hessian矩阵的牛顿法；当μ很大时，则变成了小步长的梯度下降，lm算法正是通过增加μi，使得[j^t(ω)j(ω)+μi]必可逆，网络收敛。

本发明提供的数据过滤模块6过滤方法如下：

(1)初步处理行程化数据；

(2)行程化数据入库后的修正和精滤；

(3)针对不同的应用对数据进行处理，识别设备的异常工作状态，检测伪造数据并进行滤除。

本发明提供的行程化数据是指在设备端采集的车联网原始数据，在服务器端被合并为行程化数据。

本发明提供的步骤(1)中，初步处理行程化数据包括对所取得的行程化数据进行过滤，去除明显错误的行程数据并尽可能多的保持原始行程。

本发明提供的步骤(2)中，行程化数据入库后的修正和精滤的步骤包括：

a.进行异常数据点修正；

b.进行错误数据点去除。

本发明提供的步骤a，包括以下步骤：

a-1)倒序判断行程最前的若干数据点的系统时间和卫星时间是否在设定的异常区域内；若是，则修正当前数据点为行程开始数据点并标记所有未判断的数据点为异常点；若否，则继续判断前一个数据点；

a-2)正序判断行程最后的若干数据点的系统时间和卫星时间是否在设定的异常区域内；若是，则修正当前数据点为行程结束数据点并标记所有未判断的数据点为异常点；若否，则继续判断后一个数据点；

a-3)判断所有数据点与其前后数据点的时间间隔是否小于设定阈值；若否，则直接判断下一个数据点；若是，继续判断此数据点的卫星定位速度是否在设定区域外但前后数据点的卫星定位速度在设定区域内；若是，则修正此数据点卫星定位速度为前后数据点均值，并继续判断下一个数据点；若否，则直接判断下一个数据点；

a-4)判断所有数据点与其前后数据点的行驶里程间隔是否超出合理区域；若是，则修正此数据点的经纬度为前后数据点均值，并继续判断下一个数据点；若否，则直接判断下一个数据点；

a-5)若出现相同紧急事件数据点，则判断事件前后三轴加速度值是否相同；若是，则去除；若否，则保留。

本发明提供的定位模块8定位方法如下：

1)接收待定位车辆的移动轨迹；

2)用轨迹匹配算法将待定位车辆的移动轨迹与电子地图的道路几何信息进行匹配得到待定位车辆的移动轨迹与道路几何信息之间的位置偏差；

3)接收待定位车辆附近车辆的移动轨迹；

4)用步骤2)得到的位置偏差修正步骤3)中所述的附近车辆的移动轨迹得到修正后的移动轨迹；

5)用轨迹匹配算法将步骤4)中所述的修正后的移动轨迹与电子地图的道路几何信息进行匹配得到附近车辆的移动轨迹与道路几何信息之间的位置偏差；

6)用步骤5)得到附近车辆的移动轨迹与道路几何信息之间的位置偏差来修正待定位车辆的移动轨迹。

以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。