本發(fā)明涉及車輛檢測技術(shù)，尤其涉及一種停車場車輛檢測方法。
背景技術(shù)：
：目前停車場車輛檢測的方法主要有：超聲、視頻和地磁檢測等手段。超聲檢測是停車場使用較多的成熟的檢測方法，優(yōu)點是準(zhǔn)確度較高，但是在路邊停車場安裝和維護不方便；視頻檢測具有直觀、信息量豐富等優(yōu)點，其缺點是圖像處理需要存儲大量信息，而且容易受到光照條件及天氣條件的影響。地磁傳感器的優(yōu)點有：體積小、功耗低、靈敏度高、易于集成以及安裝和維護方便等優(yōu)點。只要把地磁傳感器放置于車輛經(jīng)過的區(qū)域就可以感應(yīng)到車輛的存在，既可以檢測道路車流量也可以應(yīng)用停車場車輛檢測。當(dāng)一輛汽車經(jīng)過地磁傳感器上方時，會對這一區(qū)域的磁場有較大的瞬間影響，外部磁場的改變會導(dǎo)致傳感器的輸出值發(fā)生變化，如圖1所示；當(dāng)車輛離開目標(biāo)區(qū)域后，磁場恢復(fù)原來狀態(tài)。通過地磁傳感器輸出值的變化來檢測車輛是可行的，目前的已有的算法主要可以分為兩種：基于閾值的檢測方法和基于互相關(guān)的檢測方法?；陂撝档乃惴?，主要的思想是當(dāng)沒車的時候確定背景磁場值作為基線，基線被認(rèn)為是不變的，當(dāng)磁場傳感器的輸出值與基線值的差值超過閾值時則判決有車，否則沒車。這些閾值方法都存在一個共同的問題：基線漂移、閾值選取等因素對算法的檢測精度影響較大?；ハ嚓P(guān)檢測方法可以有效濾掉與參考信號不相關(guān)的噪聲信號，使得有效信號得以加強，從而提高檢測準(zhǔn)確率。但是準(zhǔn)確檢測的關(guān)鍵在于找到一個合適的參考信號，參考信號必須盡可能地與有效信號相似，同時參考信號要保持與噪聲信號無關(guān)。已有的檢測算法參考信號有高斯曲線、磁場變化曲線等，這些方 法適用于動態(tài)車輛檢測，對于靜態(tài)車輛檢測并沒有合適的參考信號，因此本發(fā)明旨在通過K-means聚類算法找到與實際的有效信號最相關(guān)的參考信號，同時設(shè)計停車場車輛檢測算法，最終能夠有效、準(zhǔn)確的檢測停車場車輛，從而能夠準(zhǔn)確地判斷出車位的狀態(tài)信息，為智能化停車場管理奠定了基礎(chǔ)。技術(shù)實現(xiàn)要素：有鑒于此，有必要提供一種可靠的停車場車輛檢測方法。所述地磁傳感器節(jié)點采集所經(jīng)過車輛對地磁的擾動信號；然后對采集的信號進行預(yù)處理和信號特征提??；對預(yù)處理和信號特征提取后的信號進行K-means聚類，并將K-means聚類后的聚類中心作為參考信號；將采集的實時監(jiān)測數(shù)據(jù)與參考信號進行互相關(guān)計算，互相關(guān)計算結(jié)果與閾值進行比較，超過閾值則認(rèn)為車位狀態(tài)改變，在認(rèn)為車位狀態(tài)改變后根據(jù)車位前一時刻狀態(tài)來判斷車位最新狀態(tài)。在優(yōu)選的實施方式中，對采集信號的預(yù)處理步驟包括下述步驟：所述采集信號進行平滑濾波處理；所述濾波后信號進行去基線處理；所述信號進行求模計算。其中平滑濾波采用下述公式：xs(t)=xraw(t)+xraw(t-1)+...+xraw(1)t,t<Nxraw(t)+xraw(t-1)+...+xraw(t-N+1)N,t≥N]]>其中，xraw(t)是采樣的x軸原始數(shù)據(jù)，N為設(shè)置的平滑窗口長度，xs(t)是所述x軸平滑濾波后的信號，y軸和z軸采用與x軸相同的平滑濾波方法。去基線處理采用下述公式：xs-b(t)＝xs(t)-xbase(t)其中，xs(t)是x軸平滑濾波后的信號，xbase(t)是x軸的基線值，y軸和z軸采用與x軸相同的去基線方法。計算模值采用下述公式：Gt=xs-b2(t)+ys-b2(t)+zs-b2(t)]]>其中，xs-b(t)、ys-b(t)和zs-b(t)分別表示x、y和z軸的取基線后的信號。在優(yōu)選的實施方式中，所述對預(yù)處理信號進行特征提取包括下述步驟：所述預(yù)處理后信號進行特征曲線截取，去除靜態(tài)部分；對截取的特征曲線進行插值處理，使特征曲線長度相同；所述插值處理后的信號進行歸一化處理。所述預(yù)處理后信號進行特征曲線截取，去除靜態(tài)部分，采用下述公式；Ga＝G(t)，{(t1-td)≤t≤t2+td}Gd＝G(t)，{(t3-td)≤t≤t4+td}其中，t1是車輛到達的時間，t2是停車后信號從不穩(wěn)定狀態(tài)轉(zhuǎn)變?yōu)榉€(wěn)定狀態(tài)的時間點；同樣，t3是車輛離開的時間，t4是車離開后信號從不穩(wěn)定狀態(tài)轉(zhuǎn)變?yōu)榉€(wěn)定狀態(tài)的時間點，td是時間延遲參數(shù)。所述對截取的特征曲線進行插值處理，使特征曲線長度相同，插值方法包括以下步驟：(1)計算特征曲線長度L，并擬合曲線y＝f(x)；(2)在長度L的區(qū)間上平均分布M個點(x1,x2,…,xM,M為插值后的固定長度)；(3)根據(jù)曲線f(x)，計算出M個點所對應(yīng)的函數(shù)值(y1,y2,…,yM)；(4)Y＝[y1,y2,…,yM]即為插值后特征曲線；所述特征曲線進行歸一化處理，將信號歸一到最大值為1，最小值為-1的范圍中，采用下述公式：Y=(Ymax-Ymin)*(x-xmin)xmax-xmin+Ymin]]>其中，Ymax和Ymin分別表示歸一化范圍的最大值1和最小值-1，X是原始信號，Xmax和Xmin分別表示原始信號中的最大值和最小值。在優(yōu)選的實施方式中，所述對提取的特征信號進行k-means聚類包括下述步驟：Step1:隨機選取k個聚類質(zhì)心點，為μ1，μ2，...，μk∈Rn。Step2:對于每一個樣本{x(1)，...，xm}，計算其類別：C(i):=αrgminj||x(i)-μj||2]]>Step3:對于每一個類j，重新計算該類的質(zhì)心：μj:=Σi=1m1{C(i)=j}x(i)Σi=1m1{C(i)=j}]]>重復(fù)step2和step3直到收斂；其中，K是已知的聚類數(shù)，C(i)代表樣本I與k個類中距離最近的那個類，C(i)的值是1到k中的一個，質(zhì)心μj代表同一類樣本的中心點。在優(yōu)選的實施方式中，所述μj引用為互相關(guān)檢測中的參考信號。在優(yōu)選的實施方式中，所述將采集實時檢測數(shù)據(jù)與參考信號進行互相關(guān)計算，采用下述公式：RGY(τ)=Σm=0M-τ-1(Gm-G‾)(Ym+τ-Y‾)Σm=0M-τ-1(Gm-G‾)2Σm=τM-1(Ym-Y‾)2]]>其中Gm表示經(jīng)過預(yù)處理的待檢測信號，Ym是經(jīng)過聚類得到的參考信號，和分別表示兩個信號的均值，RGY(τ)表示兩個信號的互相關(guān)系數(shù)，且在[-1,1]范圍內(nèi)，當(dāng)兩個信號互相關(guān)程度較高時，越趨近于1，當(dāng)兩個信號完全不相關(guān)時，越趨近于0。所述判斷車位狀態(tài)是否改變采用下述公式：Event(t)=1,RGY(t)≥TH0RGY(t)<TH]]>其中，Event(t)表示狀態(tài)是否改變，為1時表示改變，為0時表示狀態(tài)不變；TH為設(shè)定閾值；RGY(t)為互相關(guān)計算結(jié)果。所述目前車位狀態(tài)判斷采用下述公式：S(t)=0,S(t-1)=0,Event(t)=0;1,S(t-1)=0,Event(t)=1;1,S(t-1)=1,Event(t)=0;0,S(t-1)=1,Event(t)=1;]]>其中，S(t)＝0表示車位空閑，S(t)＝1表示車位被占用。有益效果：本發(fā)明中的互相關(guān)檢測方法不依賴于閾值檢測方法中與基線的對比，其檢測精度不受基線漂移的影響，提高其魯棒性；在已有的互相關(guān)檢測算法中參考信號有高斯曲線、磁場變化曲線等，這些方法適用于動態(tài)車輛檢測，對于停車場靜態(tài)車輛檢測并沒有合適的參考信號，本發(fā)明通過K-means聚類算法找到與實際的有效信號最相關(guān)的參考信號，同時設(shè)計停車場車輛檢測算法，最終能夠有效、準(zhǔn)確的檢測停車場車輛，從而能夠準(zhǔn)確地判斷出車位的狀態(tài)信息，為智能化停車場管理奠定了基礎(chǔ)?！靖綀D說明】圖1為車輛駛?cè)牒婉偝鰰r所對應(yīng)的地磁信號變化曲線；圖2為停車場車輛檢測方法流程圖；圖3為采集信號預(yù)處理流程圖；圖4為提取特征信號流程圖；圖5為去除靜態(tài)波形，截取駛?cè)牒婉偝龅牟ㄐ吻€；圖6為K-means聚類算法流程圖；圖7為互相關(guān)檢測流程圖；圖8為互相關(guān)檢測結(jié)果示例圖?！揪唧w實施方式】以下結(jié)合具體的實施實例和附圖進行說明。如圖2所示，一種傳停車場車位檢測方法，包括以下步驟：S210，采集信號進行預(yù)處理。該步驟包括如下步驟，如圖3所示：S211，采集信號進行平滑濾波處理。均值濾波是對某一參數(shù)連續(xù)采樣N次，然后把N次采樣值求和，再取其平均值作為本次采樣值。地磁信號雖然可靠，但是也會有一些小的高頻干擾，而均值濾波比較適用削弱于這種波動范圍較小的高頻干擾。平滑濾波采用下述公式：xs(t)=xraw(t)+xraw(t-1)+...+xraw(1)t,t<Nxraw(t)+xraw(t-1)+...+xraw(t-N+1)N,t≥N]]>其中，xraw(t)是采樣的x軸原始數(shù)據(jù)，N為設(shè)置的平滑窗口長度，xs(t)是所述x軸平滑濾波后的信號，y軸和z軸采用與x軸相同的濾波方法。S212，本方法不關(guān)心基線，只關(guān)心車輛所引起的地磁變化量，為了簡化計算，本方法采用了去基線處理，采用下述公式：xs-b(t)＝xs(t)-xbase(t)其中，xs(t)是x軸平滑濾波后的信號，xbase(t)是x軸的基線值，y軸和z軸采用與x軸相同的去基線方法。S213，本方法不考慮方向，只考慮了變化量的模值，計算模值采用下述公式：Gt=xs-b2(t)+ys-b2(t)+zs-b2(t)]]>其中，xs-b(t)、ys-b(t)和zs-b(t)分別表示x、y和z軸的取基線后的信號。S220，特征提取處理。該步驟包括如下步驟，如圖4所示：S221，特征信號截取處理。預(yù)處理后的信號絕大部分處于穩(wěn)定狀態(tài)，只有在車輛駛?cè)牖蝰偝龅臅r候，信號才處于波動狀態(tài)，為了節(jié)省計算資源和存儲資源，降低功耗，大部分穩(wěn)定狀態(tài)可以移除，截取部分波動曲線作為特征曲線即可。 如圖5(左)所示，駛?cè)?arrival)事件時間段(t1～t2),輸出(departure)事件時間段(t3～t4)為特征曲線，為了提高準(zhǔn)確性，本發(fā)明設(shè)置了延遲時間td,因此截取的特征曲線為，如圖5(右)所示。特征信號截取處理采用下述公式：Ga＝G(t)，{(t1-td)≤t≤t2+td}Gd＝G(t)，{(t3-td)≤t≤t4+td}其中，t1是車輛到達的時間，t2是停車后信號從不穩(wěn)定狀態(tài)轉(zhuǎn)變?yōu)榉€(wěn)定狀態(tài)的時間點；同樣，t3是車輛離開的時間，t4是車離開后信號從不穩(wěn)定狀態(tài)轉(zhuǎn)變?yōu)榉€(wěn)定狀態(tài)的時間點，td是時間延遲參數(shù)。S222，截取的特征曲線進行插值處理，使特征曲線長度相同，插值方法包括下述步驟：(1)計算特征曲線長度L，并擬合曲線y＝f(x)；(2)在長度L的區(qū)間上平均分布M個點(x1,x2,…,xM,M為插值后的固定長度)；(3)根據(jù)曲線f(x)，計算出M個點所對應(yīng)的函數(shù)值(y1,y2,…,yM)；(4)Y＝[y1,y2,…,yM]即為插值后特征曲線；S223，所述插值后曲線進行歸一化處理，將信號歸一到最大值為1，最小值為-1的范圍中，歸一化采用下述公式：Y=(Ymax-Ymin)*(x-xmin)xmax-xmin+Ymin]]>其中，Ymax和Ymin分別表示歸一化范圍的最大值1和最小值-1，X是原始信號，xmax和xmin分別表示原始信號中的最大值和最小值。S230，特征提取結(jié)果進行K-means聚類，聚類中心作為互相關(guān)檢測的參考信號，如圖6所示聚類包括下述步驟：S231:隨機選取k個聚類質(zhì)心點，為μ1，μ2，...μk∈Rn。S232:對于每一個樣本{x(1)，...，xm}，計算其類別：C(i):=αrgminj||x(i)-μj||2]]>S233:對于每一個類j，重新計算該類的質(zhì)心：μj:=Σi=1m1{C(i)=j}x(i)Σi=1m1{C(i)=j}]]>其中，K是已知的聚類數(shù)，C(i)代表樣本I與k個類中距離最近的那個類，C(i)的值是1到k中的一個，質(zhì)心μj代表同一類樣本的中心點。S234:重復(fù)step2和step3直到收斂；S240，互相關(guān)檢測。該步驟包括下述步驟：采集的實時監(jiān)測數(shù)據(jù)與參考信號進行互相關(guān)計算；將互相關(guān)計算結(jié)果與閾值進行比較，如果超過閾值則認(rèn)為車位狀態(tài)發(fā)生改變，否則車位狀態(tài)不變；在認(rèn)為車位狀態(tài)改變后根據(jù)車位前一時刻狀態(tài)來判斷車位最新狀態(tài)，其流程圖如圖7所示。S241，所述采集的實時監(jiān)測數(shù)據(jù)與參考信號進行互相關(guān)計算，采用下述公式：RGY(τ)=Σm=0M-τ-1(Gm-G‾)(Ym+τ-Y‾)Σm=0M-τ-1(Gm-G‾)2Σm=τM-1(Ym-Y‾)2]]>其中，Gm表示經(jīng)過預(yù)處理的待檢測信號，Ym是經(jīng)過聚類得到的參考信號，和分別表示兩個信號的均值，RGY(τ)表示兩個信號的互相關(guān)系數(shù)，且在[-1,1]范圍內(nèi)，當(dāng)兩個信號互相關(guān)程度較高時，越趨近于1，當(dāng)兩個信號完全不相關(guān)時，越趨近于0。S242，所述將互相關(guān)計算結(jié)果與閾值進行比較采用下述公式：Event(t)=1,RGY(t)≥TH0RGY(t)<TH]]>其中，Event(t)表示狀態(tài)是否改變，為1時表示改變，為0時表示狀態(tài)不變；TH為設(shè)定閾值；RGY(t)為互相關(guān)計算結(jié)果。S243,所述目前車位狀態(tài)判斷采用下述公式：S(t)=0,S(t-1)=0,Event(t)=0;1,S(t-1)=0,Event(t)=1;1,S(t-1)=1,Event(t)=0;0,S(t-1)=1,Event(t)=1;]]>其中，S(t)＝0表示車位空閑，S(t)＝1表示車位被占用。以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本
技術(shù)領(lǐng)域：
的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以作出若干改進和潤飾，這些改進和潤飾也應(yīng)視為本發(fā)明的保護范圍。當(dāng)前第1頁1 2 3