1. 引言

車型分類是高速公路自動收費和交通流量統(tǒng)計的重要依據(jù)，它是智能交通（ITS）的一個重要組成部分。環(huán)形感應線圈檢測器是車型分類中使用最廣的一種，其原理是當環(huán)形線圈中有高頻電流通過時，在環(huán)的周圍就產生交變的電磁場，當車輛從環(huán)形線圈上方經過，由于車體一般由鐵磁材料構成的，一方面，鐵磁車體的介入使線圈周圍空間的導磁率發(fā)生變化，使線圈的電感量增加；另一方面，交變的電磁場使車體內產生渦流效應，使線圈的電感量減少。西安公路交通大學李誠等人由實驗得到，當環(huán)形線圈頻率為20KHz～100KHz時，渦流效應是主導因素。因此，頻率的變化與經過線圈上方的車體形狀、線圈形狀、車體與線圈的相對位置、車體的電導率和磁導率、線圈的激勵頻率等有關，由于線圈形狀、激勵頻率、車體的電導率和磁導率是相對穩(wěn)定的，而車輛經過線圈的整個過程中，經過線圈上方的車體形狀以及車體與線圈的相對位置是不斷變化的，從而使環(huán)形線圈中的高頻電流的頻率發(fā)生變化。以高頻電流頻率的變化特征為依據(jù)，通過模式識別方法可以得到車型信息?；诃h(huán)形線圈的車型檢測器就是基于上述原理識別經過車輛的車型。如圖1所示，不同車型的車輛在環(huán)形線圈上方經過后，車型檢測器采集到不同形狀特征的時變頻率曲線。

圖1 不同車型對應的不同的時變頻率曲線

本文從車型檢測器硬件結構和處理算法兩方面提出一些具有創(chuàng)新性的設計方案。以TI公司推出的最高工作頻率為150MHz的TMS320F2812為主處理芯片，通過對環(huán)形線圈振蕩頻率的采集和分析，并運用基頻更新算法、數(shù)學形態(tài)濾波方法和BP神經網絡分類算法來識別通過車輛的車型。

2. 基于TMS320F2812的線圈檢測器的設計

TMS320F2812是TI公司的一款高性能、多功能的32位定點DSP芯片。它具有32位數(shù)據(jù)總線，最高工作頻率為150MHz，單周期32×32位或雙16×16的MAC功能，18K×16位的SRAM和128K×16位的片上FLASH存儲器，2路16位定時/計數(shù)器，3個獨立的32位CPU定時器，56個獨立編程的GPIO引腳，可擴展1MB的外部存儲器，并具有多種通訊接口：SPI、SCI、ECAN、MCBSP，以及16路ADC模塊等。TMS320F2812具有8級流水線，專門的讀、寫等6條總線，頻率高達150MHz。高速處理能力可以實現(xiàn)車輛檢測和車型分類的快速運算雙重功能。

車型檢測器的硬件設計主要包括：振蕩波形發(fā)生電路、TMS320F2812的信號處理模塊、存儲擴展模塊、通訊模塊、輸出控制模塊以及功能設置模塊等，如圖2所示。振蕩波形發(fā)生模塊主要以電容三點式的LC振蕩電路構成。埋設在道路上的環(huán)形線圈與檢測器的一組線圈相連接形成一個閉環(huán)線圈，檢測器經互感線圈把該閉環(huán)線圈的信號耦合到振蕩電路，因此，當環(huán)形線圈的電感量發(fā)生變化，該變化就馬上反饋到振蕩電路中，導致振蕩電路的振蕩頻率發(fā)生變化。而振蕩信號經過NPN三極管和二極管的電平轉換后輸入到TMS320F2812的計數(shù)器的時鐘輸入口TCKINA上進行檢測。TMS320F2812計算出即時的頻率變化值，并把數(shù)據(jù)存放到外擴的SRAM中，然后對所采集到的連續(xù)的時間序列數(shù)據(jù)進行的信號濾波、特征提取以及模式識別的運算，最終得到與經過的車輛相對應的車型信息。除了車型信息外，還可以通過計算得到車速、車流量、道路占有率等交通數(shù)據(jù)信息，這些數(shù)據(jù)信息對交通數(shù)據(jù)的調查、分析、統(tǒng)計、交通誘導以及交通信號的分配管理是很有意義的?；赥MS320F2812處理芯片的車型檢測器可以通過TMS320F2812芯片上的RS232接口或者CAN總線的網絡接口把實時交通數(shù)據(jù)的發(fā)送到交通指揮中心進行上層的交通數(shù)據(jù)分析和管理。

圖2 車型檢測器硬件設計

3. 車型檢測的算法處理

由上述的環(huán)形線圈檢測電路，TMS320F2812芯片可以采集到的LC振蕩電路的振蕩頻率數(shù)據(jù)。而從頻率數(shù)據(jù)中識別出車型必須經過以下幾個數(shù)據(jù)處理階段：實時基頻計算、頻率變化值計算、形態(tài)濾波處理、神經網絡車型分類算法。

3.1 基頻實時更新算法

正如圖2所示，車型檢測器選擇電容三點式的LC振蕩電路的優(yōu)點是電路簡單，但LC振蕩電路的穩(wěn)定性容易受振蕩回路的等效電感L和等效電容C的穩(wěn)定性影響。此外，晶體管的各極間電容值又隨溫度、電壓、電流的變化而變化，以上因素都導致了LC振蕩電路的頻率不穩(wěn)定，盡管不少研究人員對傳統(tǒng)的LC振蕩電路提出過不少的改進方案，如克拉潑振蕩器，但始終未能實現(xiàn)振蕩電路的基頻在長時間工作下穩(wěn)定不變。因此，由TMS320F2812采集到的振蕩頻率數(shù)據(jù)不可避免地存在來自LC電路本身的固有干擾，在車輛檢測過程中會因此而產生誤判，影響了車型分類器的工作穩(wěn)定性。為解決LC振蕩電路導致車輛誤判問題，筆者做了大量的實驗，實驗結果發(fā)現(xiàn)，LC電路本身基頻的變化通常是連續(xù)的，不會有太大的突變，相反，因鐵磁車體經過環(huán)形線圈所產生的LC電路的振蕩頻率變化是突變的。根據(jù)這種特性，本文提出了基頻的實時更新算法如公式（1）（2）所示，其中 是當前檢測到的基頻值， 是前一次檢測到的基頻值，t是判斷是否因LC電路本身造成的噪聲閾值， 是更新因子，在實際應用中取值為0.9，根據(jù)公式（2）可以求出新的基頻值。

基頻更新算法可以有效地判別LC振蕩電路本身造成的頻率變化，實現(xiàn)對LC振蕩電路基頻的快速跟蹤，從而很大程度上避免因LC振蕩電路本身缺陷導致車輛檢測出現(xiàn)誤判的情況。

當車輛經過環(huán)形線圈上方時，LC振蕩電路的振蕩頻率發(fā)生變化（通常為增加），其變化值為TMS320F2812檢測到的頻率與基頻Fb的差值，即。該差值就作為車型識別的有效數(shù)據(jù)源。

3.2 數(shù)學形態(tài)濾波方法

根據(jù)對實驗數(shù)據(jù)分析，相同車型的車輛經過環(huán)形線圈時，車型分類器得到的時變頻率曲線具有一定的規(guī)律。根據(jù)這些穩(wěn)定的規(guī)律，可以識別出相應的車型。在實際應用中，相鄰車道的車輛和環(huán)境磁場微小變化等因素產生的噪聲會影響車型識別的精度。而且由于干擾信號與原始信號的頻段相近，所以，一般的濾波方法如小波濾波等通過頻域分析手段不能有效濾除這些噪聲信號，而且會導致原始信號的失真。有鑒于此，本文采用數(shù)學形態(tài)濾波方法，構造相應的結構元素，通過開－閉，閉－開運算的平均組合來濾除車型檢測器在實際應用中的噪聲。

數(shù)學形態(tài)學是一門新興的圖像分析學科，是基于集合論的數(shù)學分支。由于該技術只取決于局部的信號特征，是一種有效的非線性濾波技術，其基本思想是用一個結構元素去探測一個圖像，同時驗證在圖像中填放結構元素的方法是否有效，從而得到關于圖像結構的信息。腐蝕和膨脹是最基本的形態(tài)學運算，開運算和閉運算是由腐蝕和膨脹推演出來的兩種運算。通常數(shù)學形態(tài)濾波器用于二維信號的處理。在一維信號處理中，f（x）關于g（x）的腐蝕、膨脹、開運算、閉運算的定義為：

圖3 一維數(shù)字濾波與一維形態(tài)濾波的效果比較

如圖3所示，在時變頻率數(shù)據(jù)中間有一個小的噪聲信號與原始信號疊加在一起，導致波峰數(shù)從原始的3個變成現(xiàn)在的4個，由于這種錯誤的訓練樣本數(shù)據(jù)的存在，對后面的神經網絡分類算法而言是一種很大的干擾。圖中虛線為一維數(shù)字濾波的效果，可以看出數(shù)字濾波算法雖然也能去除該干擾信號，但是同時也造成原始信號的失真。而形態(tài)濾波方法，先通過對該類噪聲信號的統(tǒng)計，得到噪聲波形的形狀特征，選擇合適的結構元素，而后對采集到的頻率數(shù)據(jù)進行開－閉、閉－開運算，并取兩者的平均值，從圖中點線為形態(tài)濾波的效果，它成功地去除噪聲信號，而原始信號的特征波形被很好地保留。

3.3 車型分類算法

由于本文的篇幅有限，關于車型分類算法，在之前所寫的《BP神經網絡算法在車型識別中的應用》和《多分支BP網絡模型及其在車型分類中的應用》中有詳細的介紹，以下圖4為該識別算法的流程框圖。

圖4 車型分類算法流程框圖

形態(tài)濾波處理后的時變頻率數(shù)據(jù)，可以通過簡單的數(shù)學計算（如求導運算、極大極小值的求解）提取出時變頻率曲線的特征參數(shù)如：波峰值、波谷值、曲線寬度、波峰數(shù)、平均值、“山”字特征、“凸”字特征、波峰斜度等的一維曲線特征。這些特征能較好的描述時變頻率曲線的外形輪廓和一些具體參數(shù)，而對于某一車型來說，其有用的特征（即有別于其它車型的特征）僅為這些特征中的一部分，其余特征是冗余的。冗余的輸入特征不利于分類器的模式識別，增加了分類器的結構復雜度以及車型分類的計算時間，特征的冗余甚至會造成分類器的過度擬合現(xiàn)象，降低了車型識別的準確率。為提高分類器的識別效果，在進行BP神經網絡的車型分類之前，筆者插入了基于粗糙集的最小簡約特征的提取環(huán)節(jié)，該環(huán)節(jié)通過對訓練樣本的分析，得到各種特征對不同車型類別的貢獻程度，針對不同車型提取出相應的最小簡約特征組。而且該特征組是在不影響分類精度前提下有效特征的最小組合。最小簡約特征的提取有利于提高BP神經網絡分類器的識別效果，縮減BP神經網絡分類器的訓練和運算時間?；诖植诩母倪MBP神經網絡模型如圖5所示。該BP神經網絡模型的輸出對應不同的車型類別，輸出值均為“1”和“-1”，“1”代表輸入樣本屬于相應的車型，“-1”代表輸入樣本不屬于相應的車型。

圖5 基于粗糙集的改進BP神經網絡模型

4. 總結

車型檢測器的設計主要分為硬件結構和處理算法兩方面，本文就這兩方面提出了一些具有創(chuàng)新性的設計方案，介紹了由LC振蕩電路和TMS320F2812處理芯片構成的車型檢測器的硬件結構，針對LC振蕩電路頻率不穩(wěn)定的固有缺陷提出基頻更新算法，并提出了利用一維數(shù)學形態(tài)濾波方法過濾實際應用中的噪聲信號，最后簡單介紹了基于粗糙集BP神經網絡車型分類算法?；赥MS320F2812的嵌入式車型檢測器具有廣泛的應用前景，是ITS系統(tǒng)中不可或缺的設備之一。

責任編輯：gt