微波雷达辅助视频车辆分类检测器
开篇：润墨网以专业的文秘视角，为您筛选了一篇微波雷达辅助视频车辆分类检测器范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要:车辆检测与分类系统是智能交通系统中的一个重要组成部分,其功能是检测路上车流量并对车辆进行分类,为道路监控和交通规划提供信息。本文提出了一种微波雷达辅助视频车辆检测与分类系统,微波雷达检测模块对经过的车辆进行检测,并触发视频分类模块结合雷达传感器信息对车辆进行分类。实验表明,该系统车辆检测率达到98%,车辆分类的准确率达到84%。
关键词:智能交通车辆检测与分类微波雷达视频检测
中图分类号: 文献标识码:A文章编号:1007-9416(2010)01-0000-00
1 引言
交通车辆检测与分类系统是智能交通系统(ITS)的重要组成部分,现有的车辆分类与检测技术按照传感器工作方式可以分为超声波检测、声音检测、红外检测、磁感应检测、激光检测、视频检测以及微波雷达检测等。
常用的检测与分类方法中磁感应线圈造价便宜,易于安装,可灵活部署,它一般被放置在路面以下,当车辆从感应线圈上方经过时,车辆的运动会使线圈内产生一个时变的电磁信号。感应线圈主要就是通过分析这个电磁信号的特性来进行车辆分类,但是这种检测方式精度较低,如果地面发生沉降,感应线圈的形状发生变化,会对其工作有很大的影响[1]。激光传感器可以比较有效地进行车辆计数,但其缺点仍非常明显,除了对天气的严重依赖以外,对安装方式,安装工艺和工程精度也有较高的要求,不适合大规模工程推广[2]。视频检测是现在的主流检测方法,具有信息量大,信息处理方式灵活等特点,能得到车辆全面的信息,但是受光照,阴影,天气的影响比较大,车辆检测准确率不高[3]。微波雷达传感器通过检测车辆的回波强度和车辆的多普勒特征来识别车辆,具有稳定性高,受环境影响小,抗干扰能力强,安装方便等特点,不足在于获取的信息较为单一,车辆分类错误率高[4][5]。因此,采用单一模式的交通流检测器难以达到现代智能交通系统对交通流检测器的全面要求,将若干种检测技术融合起来,取长补短,开发出兼具各类传感器优点的车辆检测与分类系统是提高车辆检测与分类准确率的有效途径。
本文提出了一种采用微波雷达辅助视频车辆检测与分类系统,采用雷达进行车辆检测,然后通过视频传感器获取车辆信息对车辆进行分类,结合了雷达检测的稳定性和视频检测的信息量大的特点,提高了车辆的检测率和分类准确率。
2 车辆检测与分类系统
2.1 系统流程描述
车辆经过检测区域,首先由微波雷达进行车辆检测,通过处理雷达回波信息确定是否有车辆经过。确定有车辆经过后,雷达检测模块会触发视频检测模块对采集到的车辆视频信息做处理,并且根据提取到的车辆特征结合雷达回波信息对车辆类型做分类。
2.2 微波雷达车辆检测模块
雷达车辆检测模块由脉冲微波雷达,雷达控制和数据采集模块,计算机三个相对独立的部分组成。如图1所示:
图1 微波雷达车辆检测模块
脉冲微波雷达一共有三条信号线。输入控制线一条,输出数据线两条(同相输出和正交输出)。雷达控制和数据采集模块负责控制雷达的工作方式和接受雷达反馈的数据,然后将原始数据传给计算机。
系统采用高距离分辨率脉冲雷达,发射频率为24GHz。它的最大特点是极短的脉冲宽度( ),这一点保证了该雷达极高的距离分辨力( )。
该雷达工作的时候,以4MHz的脉冲重复频率,不断地发射400ps的极短脉冲。雷达接收遇到障碍物反射回来的脉冲,接收脉冲与发射脉冲之间的延时能够反映障碍物到雷达的距离。通过外部控制信号,可以将发射脉冲延迟一段时间。由发射脉冲经过内部延时得到的脉冲,在雷达内部与接收脉冲做混频,依靠混频器I路(同相输出路)和Q路(正交输出路)的幅值大小,就可以判断在由控制信号决定的距离门范围内,有没有障碍物存在。
在检测模块中,雷达被放置在单车道正上方距离地面6米处。在车辆的行进方向上,雷达的波束宽度为 ,这样窄的波束宽度保证了测到的反射物位于雷达的正下方,而不是车辆行进方向上的其它位置。在垂直于车道的平面方向上,雷达的波束宽度比较宽,这样可以保证车辆无论是在车道的正中,还是在靠近分道线的位置,都能够被雷达探测到。如果有一辆5米长的车辆以50公里/小时的速度从雷达正下方通过,该车会被扫描36次,足以稳定地完成车辆的检测任务。
在实际检测中,雷达采集得到的数据一共有三路,分别是控制输入信号 ,I路数据输出信号 ,Q路数据输出信号 。根据式(1)
(1)
可得到雷达的回波强度 。
然后假设控制输入信号的周期为t。然后将回波强度 重组为一个二维数组。
(2)
将各元素归一化,再乘以256,就可以用一幅256级的灰度图将此二维数组表示出来。这样就组成了雷达回波图,横坐标表示时间轴,每帧图的间隔为10个扫描周期,纵坐标表示检测高度,范围为地面上6米到地下1米,如图2所示。对雷达回波采用设定虚拟检测区域的方法,累加检测区域内的雷达回波强度值并且设置门限,如果计算所得的雷达回波强度和超过设定门限即可认为检测到车辆经过,然后根据设定的阈值沿高度轴统计雷达回波强度较强的区域,可以得到车辆的高度特征[6]。
图2 雷达回波强度分布图
2.3 视频车辆检测模块
视频车辆检测模块采用USB摄像头,工作在车道上方6米,和雷达安置在同一高度,垂直向下拍摄通过的车辆。模块采集得到的视频为avi格式,采集速率为30帧/秒,每帧图像大小为240×320, 包括76800个像素点。对模块得到的车辆视频采取分帧处理,每帧图像包括一个三维的数组,分别表示像素阵列的长度,宽度和每个像素的RGB颜色值,通过图像边缘处理可以得到车辆的平面轮廓。
首先将图像进行灰度处理,图像信息降维成一个二维矩阵,矩阵中每个值代表像素的灰度值,范围为0～255。然后对图像进行边缘处理,边缘检测是视频检测中一个关键环节,目的是得到车辆的平面轮廓,便于提取车辆特征。边缘检测算子的种类有很多种,本检测环境的特点是目标突出,背景环境相对简单,所关心的车辆平面轮廓主要处于垂直方向和水平方向,故此采用Roberts算子。
Robert边缘检测算子具有两个分量,如式(3)
(3)
Roberts算子根据任意一对互相垂直方向上的差分可用来计算梯度的原理,计算对角线方向相邻两像素之差,如式(4)
, ,
(4)
即为算得的权值,适当设置门限 ,判断 ,符合条件的即为边缘点.最后处理得到的图像就是图像的边缘。Roberts边缘检测算子具有算法复杂度小,对垂直和水平方向灰度变化敏感,边缘处理图像清晰的优点。经过了灰度和边缘处理后的车辆图像信息如图3所示。根据车辆平面轮廓特征,可以对边缘图像像素点的强度进行横向和纵向的累加,通过设定门限对累加后的图像强度进行扫描,判断超过门限的强度所覆盖的区域为车辆存在的区域,计算区域的大小即可获得车辆的宽度特征和长度特征。
图3 视频灰度边缘处理
3 检测与分类结果
在实验中对100辆经过检测区域的车做车辆检测和分类,车辆检测由雷达模块完成,然后根据雷达模块提供的车辆高度做辅助特征,结合视频检测出的车辆长度和宽度,组成一个车辆特征的三维空间,对这些特征做聚类后,确定不同类型车辆特征模板的中心点位置,通过计算车辆特征点距离模板点的距离来对车辆进行分类。实验将车辆分为五类,A表示两厢小车和三厢小车,B表示面包车,C表示轻型卡车和货车,D表示重型卡车,E表示公交车,检测和分类结果如表1所示。
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文
表1 雷达辅助视频车辆检测与分类结果
检测的车辆数 检测率 分类错误数 分类错误率
A 41/42 97.6% 8 19.1%
B 11/12 91.6% 2 16.6%
C 32/32 100% 4 12.5%
D 10/10 100% 2 20%
E 4/4 100% 0 0%
总计 98/100 98% 16 16%
从表1可以看出,雷达辅助视频车辆检测率达到了98%,对车辆分类的准确率也达到了84%,说明该系统具有较高的车辆检测率,并且能对车辆进行较为细致的分类,不足在于对A和D车型的分类准确度有待提高。
4 结语
本文提出的雷达辅助视频车辆检测与分类系统,结合了两种传感器的优点,能准确的检测车辆的经过,并且能对车辆进行较为细致的分类。和单一传感器车辆检测与分类系统相比,雷达辅助视频车辆检测与分类系统在系统工作稳定性,车辆检测率和车辆分类准确率上有很大优势。从实验结果来看,该系统能提供高的车辆检测率和较高的车辆分类准确率,在某些车型的分类准确率上有提高的空间。
参考文章
[1] 林凌,韩晓斌,丁茹等.微型感应线圈车辆传感器[J].传感技术学报,2006,19(4): 994-1000.
[2] Abdelbaki H M, Hussain K, Gelenbe E. A laser intensity image based automatic vehicle classification system [C]// 2001 IEEE Intelligent Transportation Systems Conference Proceedings. Oakland, CA: IEEE Press, 2001: 460-465.
[3] 吴爱华.基于视频的运动车辆检测技术研究 [J]. 电脑与信息技术,2008,16(5): 14-16.
[4] XUAN Yiguang, MENG Huadong, WANG Xiqin, et al. A high-range-resolution microwave radar system for traffic flow rate measurement [C]// Proceedings of the 8th International IEEE Conference on Intelligent Transportation Systems. Vienna, Austria: IEEE Press, 2005: 880-885.
[5] FANG Jianxin, MENG Huadong, ZHANG Hao, et al. A Low-Cost Vehicle Detection and Classification System based on Unmodulated Continuous-Wave Radar [C]// Proceedings of the 2007 IEEE Intelligent Transportation Systems Conference. Seattle, WA: IEEE Press, 2007: 715-720.
[6] Urazghildiiev I, Ragnarsson R, Ridderstrom P, et al. Vehicle Classification Based on the Radar Measurement of Height Profiles [J]. IEEE Transaction on Intelligent Transportation System, 2007, 8(2): 245-253.
本文为全文原貌 未安装PDF浏览器用户请先下载安装 原版全文