基于TMR傳感器的車輛檢測(cè)與識(shí)別技術(shù)研究.pdf

1、隨著中國汽車工業(yè)的快速發(fā)展和城市車輛數(shù)量的激增，交通問題變得越來越嚴(yán)重。為了解決交通問題，人們開始發(fā)展智能交通系統(tǒng)(Intelligent Transportation System)。在ITS中的交通信息系統(tǒng)、交通管理系統(tǒng)、車載系統(tǒng)等多個(gè)領(lǐng)域迫切需要車輛有無檢測(cè)、方向檢測(cè)、車輛識(shí)別、車輛位置估計(jì)等方面的技術(shù)研究。本文基于隧道磁電阻(Tunnel Magneto Resistance，TMR)傳感器，利用TMR車輛數(shù)據(jù)采集系統(tǒng)獲得相關(guān)的

2、車輛信息，分析TMR檢測(cè)信號(hào)的特點(diǎn)，結(jié)合ITS中的技術(shù)需求，設(shè)計(jì)了基于TMR傳感器的車輛檢測(cè)與識(shí)別技術(shù)的研究方案。
　　在車輛檢測(cè)算法研究方案中，設(shè)計(jì)了基于TMR傳感器的車輛有無檢測(cè)算法與車輛方向檢測(cè)算法。其中，設(shè)計(jì)車輛有無檢測(cè)算法時(shí)：對(duì)車輛信號(hào)進(jìn)行預(yù)處理，并通過車輛樣本確定狀態(tài)機(jī)的閾值，利用實(shí)時(shí)的車輛信息實(shí)現(xiàn)閾值的更新，最后利用多狀態(tài)機(jī)進(jìn)行車輛狀態(tài)的判定。設(shè)計(jì)車輛方向檢測(cè)算法時(shí)：根據(jù)TMR傳感器放置，分析得出Y，Z兩軸的車輛信息

3、無法反應(yīng)車輛行駛方向信息，依據(jù)X軸的車輛檢測(cè)信息設(shè)計(jì)基于單個(gè)傳感器和雙傳感器的車輛方向檢測(cè)算法。大量實(shí)驗(yàn)表明，車輛有無檢測(cè)和方向算法準(zhǔn)確率高，未出現(xiàn)誤檢情況。
　　在車輛識(shí)別算法研究方案中，設(shè)計(jì)了基于遺傳BP（GA-BP）神經(jīng)網(wǎng)絡(luò)車輛識(shí)別算法與基于遺傳支持向量機(jī)（GA-SVM）車輛識(shí)別算法。針對(duì)BP神經(jīng)網(wǎng)絡(luò)算法的不足，提出遺傳BP神經(jīng)網(wǎng)絡(luò)車輛識(shí)別算法，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，最后對(duì)車輛進(jìn)行識(shí)別。雖然該算法取得

4、了92％的識(shí)別準(zhǔn)確率。但是BP神經(jīng)網(wǎng)絡(luò)存在著先天性的不足如易局部極小化問題，同時(shí)本文車輛樣本并不是非常充分，在一定程度上也影響著BP神經(jīng)網(wǎng)絡(luò)的識(shí)別效果。SVM將識(shí)別分類問題轉(zhuǎn)變?yōu)槎涡蛯?yōu)問題，解決了BP神經(jīng)網(wǎng)絡(luò)中易局部極小化的缺點(diǎn)，得到的將是全局最優(yōu)解。且在處理非線性、小樣本問題時(shí)有一定的優(yōu)勢(shì)。因此，進(jìn)一步提出SVM識(shí)別算法并利用遺傳算法優(yōu)化SVM的參數(shù)，得到GA-SVM車輛識(shí)別算法，取得了95.3％的識(shí)別準(zhǔn)確率。
　　在車輛位

5、置估計(jì)算法研究方案中，設(shè)計(jì)了基于Kalman濾波的車輛位置估計(jì)算法。通過車輛信息的檢測(cè)，分析車輛運(yùn)動(dòng)軌跡的磁信號(hào)變化曲線，將車輛磁信號(hào)轉(zhuǎn)化成車輛相對(duì)速度和距離信號(hào)，然后利用Kalman濾波來估計(jì)車輛的相對(duì)位置。實(shí)驗(yàn)結(jié)果表明，車輛的位置估計(jì)誤差范圍在0.1m內(nèi)。
　　隨著ITS的不斷發(fā)展，其功能不斷完善和規(guī)模不斷擴(kuò)大，對(duì)車輛檢測(cè)和識(shí)別技術(shù)的需求也將變得更加迫切。基于TMR傳感器的車輛檢測(cè)和識(shí)別技術(shù)研究是一個(gè)新的發(fā)展方向，它的研究必能