1. 引言

車型分類是高速公路自動(dòng)收費(fèi)和交通流量統(tǒng)計(jì)的重要依據(jù)，它是智能交通（ITS）的一個(gè)重要組成部分。環(huán)形感應(yīng)線圈檢測(cè)器是車型分類中使用最廣的一種，其原理是當(dāng)環(huán)形線圈中有高頻電流通過(guò)時(shí)，在環(huán)的周圍就產(chǎn)生交變的電磁場(chǎng)，當(dāng)車輛從環(huán)形線圈上方經(jīng)過(guò)，由于車體一般由鐵磁材料構(gòu)成的，一方面，鐵磁車體的介入使線圈周圍空間的導(dǎo)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(chǎng)使車體內(nèi)產(chǎn)生渦流效應(yīng)，使線圈的電感量減少。西安公路交通大學(xué)李誠(chéng)等人由實(shí)驗(yàn)得到，當(dāng)環(huán)形線圈頻率為20KHz～100KHz時(shí)，渦流效應(yīng)是主導(dǎo)因素。因此，頻率的變化與經(jīng)過(guò)線圈上方的車體形狀、線圈形狀、車體與線圈的相對(duì)位置、車體的電導(dǎo)率和磁導(dǎo)率、線圈的激勵(lì)頻率等有關(guān)，由于線圈形狀、激勵(lì)頻率、車體的電導(dǎo)率和磁導(dǎo)率是相對(duì)穩(wěn)定的，而車輛經(jīng)過(guò)線圈的整個(gè)過(guò)程中，經(jīng)過(guò)線圈上方的車體形狀以及車體與線圈的相對(duì)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(guò)模式識(shí)別方法可以得到車型信息?；诃h(huán)形線圈的車型檢測(cè)器就是基于上述原理識(shí)別經(jīng)過(guò)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(jīng)過(guò)后，車型檢測(cè)器采集到不同形狀特征的時(shí)變頻率曲線。

圖1 不同車型對(duì)應(yīng)的不同的時(shí)變頻率曲線

本文從車型檢測(cè)器硬件結(jié)構(gòu)和處理算法兩方面提出一些具有創(chuàng)新性的設(shè)計(jì)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(guò)對(duì)環(huán)形線圈振蕩頻率的采集和分析，并運(yùn)用基頻更新算法、數(shù)學(xué)形態(tài)濾波方法和BP神經(jīng)網(wǎng)絡(luò)分類算法來(lái)識(shí)別通過(guò)車輛的車型。

2. 基于TMS320F2812的線圈檢測(cè)器的設(shè)計(jì)

TMS320F2812是TI公司的一款高性能、多功能的32位定點(diǎn)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(chǔ)器，2路16位定時(shí)/計(jì)數(shù)器，3個(gè)獨(dú)立的32位CPU定時(shí)器，56個(gè)獨(dú)立編程的GPIO引腳，可擴(kuò)展1MB的外部存儲(chǔ)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(jí)流水線，專門的讀、寫等6條總線，頻率高達(dá)150MHz。高速處理能力可以實(shí)現(xiàn)車輛檢測(cè)和車型分類的快速運(yùn)算雙重功能。

車型檢測(cè)器的硬件設(shè)計(jì)主要包括：振蕩波形發(fā)生電路、TMS320F2812的信號(hào)處理模塊、存儲(chǔ)擴(kuò)展模塊、通訊模塊、輸出控制模塊以及功能設(shè)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(diǎn)式的LC振蕩電路構(gòu)成。埋設(shè)在道路上的環(huán)形線圈與檢測(cè)器的一組線圈相連接形成一個(gè)閉環(huán)線圈，檢測(cè)器經(jīng)互感線圈把該閉環(huán)線圈的信號(hào)耦合到振蕩電路，因此，當(dāng)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(dǎo)致振蕩電路的振蕩頻率發(fā)生變化。而振蕩信號(hào)經(jīng)過(guò)NPN三極管和二極管的電平轉(zhuǎn)換后輸入到TMS320F2812的計(jì)數(shù)器的時(shí)鐘輸入口TCKINA上進(jìn)行檢測(cè)。TMS320F2812計(jì)算出即時(shí)的頻率變化值，并把數(shù)據(jù)存放到外擴(kuò)的SRAM中，然后對(duì)所采集到的連續(xù)的時(shí)間序列數(shù)據(jù)進(jìn)行的信號(hào)濾波、特征提取以及模式識(shí)別的運(yùn)算，最終得到與經(jīng)過(guò)的車輛相對(duì)應(yīng)的車型信息。除了車型信息外，還可以通過(guò)計(jì)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(duì)交通數(shù)據(jù)的調(diào)查、分析、統(tǒng)計(jì)、交通誘導(dǎo)以及交通信號(hào)的分配管理是很有意義的。基于TMS320F2812處理芯片的車型檢測(cè)器可以通過(guò)TMS320F2812芯片上的RS232接口或者CAN總線的網(wǎng)絡(luò)接口把實(shí)時(shí)交通數(shù)據(jù)的發(fā)送到交通指揮中心進(jìn)行上層的交通數(shù)據(jù)分析和管理。

圖2 車型檢測(cè)器硬件設(shè)計(jì)

3. 車型檢測(cè)的算法處理

由上述的環(huán)形線圈檢測(cè)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(shí)別出車型必須經(jīng)過(guò)以下幾個(gè)數(shù)據(jù)處理階段：實(shí)時(shí)基頻計(jì)算、頻率變化值計(jì)算、形態(tài)濾波處理、神經(jīng)網(wǎng)絡(luò)車型分類算法。

3.1 基頻實(shí)時(shí)更新算法

正如圖2所示，車型檢測(cè)器選擇電容三點(diǎn)式的LC振蕩電路的優(yōu)點(diǎn)是電路簡(jiǎn)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(dǎo)致了LC振蕩電路的頻率不穩(wěn)定，盡管不少研究人員對(duì)傳統(tǒng)的LC振蕩電路提出過(guò)不少的改進(jìn)方案，如克拉潑振蕩器，但始終未能實(shí)現(xiàn)振蕩電路的基頻在長(zhǎng)時(shí)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(lái)自LC電路本身的固有干擾，在車輛檢測(cè)過(guò)程中會(huì)因此而產(chǎn)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(dǎo)致車輛誤判問(wèn)題，筆者做了大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，LC電路本身基頻的變化通常是連續(xù)的，不會(huì)有太大的突變，相反，因鐵磁車體經(jīng)過(guò)環(huán)形線圈所產(chǎn)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(shí)時(shí)更新算法如公式（1）（2）所示，其中 是當(dāng)前檢測(cè)到的基頻值， 是前一次檢測(cè)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(shí)際應(yīng)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(shí)現(xiàn)對(duì)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(dǎo)致車輛檢測(cè)出現(xiàn)誤判的情況。

當(dāng)車輛經(jīng)過(guò)環(huán)形線圈上方時(shí)，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(cè)到的頻率與基頻Fb的差值，即。該差值就作為車型識(shí)別的有效數(shù)據(jù)源。

3.2 數(shù)學(xué)形態(tài)濾波方法

根據(jù)對(duì)實(shí)驗(yàn)數(shù)據(jù)分析，相同車型的車輛經(jīng)過(guò)環(huán)形線圈時(shí)，車型分類器得到的時(shí)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(shí)別出相應(yīng)的車型。在實(shí)際應(yīng)用中，相鄰車道的車輛和環(huán)境磁場(chǎng)微小變化等因素產(chǎn)生的噪聲會(huì)影響車型識(shí)別的精度。而且由于干擾信號(hào)與原始信號(hào)的頻段相近，所以，一般的濾波方法如小波濾波等通過(guò)頻域分析手段不能有效濾除這些噪聲信號(hào)，而且會(huì)導(dǎo)致原始信號(hào)的失真。有鑒于此，本文采用數(shù)學(xué)形態(tài)濾波方法，構(gòu)造相應(yīng)的結(jié)構(gòu)元素，通過(guò)開(kāi)－閉，閉－開(kāi)運(yùn)算的平均組合來(lái)濾除車型檢測(cè)器在實(shí)際應(yīng)用中的噪聲。

數(shù)學(xué)形態(tài)學(xué)是一門新興的圖像分析學(xué)科，是基于集合論的數(shù)學(xué)分支。由于該技術(shù)只取決于局部的信號(hào)特征，是一種有效的非線性濾波技術(shù)，其基本思想是用一個(gè)結(jié)構(gòu)元素去探測(cè)一個(gè)圖像，同時(shí)驗(yàn)證在圖像中填放結(jié)構(gòu)元素的方法是否有效，從而得到關(guān)于圖像結(jié)構(gòu)的信息。腐蝕和膨脹是最基本的形態(tài)學(xué)運(yùn)算，開(kāi)運(yùn)算和閉運(yùn)算是由腐蝕和膨脹推演出來(lái)的兩種運(yùn)算。通常數(shù)學(xué)形態(tài)濾波器用于二維信號(hào)的處理。在一維信號(hào)處理中，f（x）關(guān)于g（x）的腐蝕、膨脹、開(kāi)運(yùn)算、閉運(yùn)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(shí)變頻率數(shù)據(jù)中間有一個(gè)小的噪聲信號(hào)與原始信號(hào)疊加在一起，導(dǎo)致波峰數(shù)從原始的3個(gè)變成現(xiàn)在的4個(gè)，由于這種錯(cuò)誤的訓(xùn)練樣本數(shù)據(jù)的存在，對(duì)后面的神經(jīng)網(wǎng)絡(luò)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(hào)，但是同時(shí)也造成原始信號(hào)的失真。而形態(tài)濾波方法，先通過(guò)對(duì)該類噪聲信號(hào)的統(tǒng)計(jì)，得到噪聲波形的形狀特征，選擇合適的結(jié)構(gòu)元素，而后對(duì)采集到的頻率數(shù)據(jù)進(jìn)行開(kāi)－閉、閉－開(kāi)運(yùn)算，并取兩者的平均值，從圖中點(diǎn)線為形態(tài)濾波的效果，它成功地去除噪聲信號(hào)，而原始信號(hào)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(guān)于車型分類算法，在之前所寫的《BP神經(jīng)網(wǎng)絡(luò)算法在車型識(shí)別中的應(yīng)用》和《多分支BP網(wǎng)絡(luò)模型及其在車型分類中的應(yīng)用》中有詳細(xì)的介紹，以下圖4為該識(shí)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(shí)變頻率數(shù)據(jù)，可以通過(guò)簡(jiǎn)單的數(shù)學(xué)計(jì)算（如求導(dǎo)運(yùn)算、極大極小值的求解）提取出時(shí)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(shí)變頻率曲線的外形輪廓和一些具體參數(shù)，而對(duì)于某一車型來(lái)說(shuō)，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(shí)別，增加了分類器的結(jié)構(gòu)復(fù)雜度以及車型分類的計(jì)算時(shí)間，特征的冗余甚至?xí)斐煞诸惼鞯倪^(guò)度擬合現(xiàn)象，降低了車型識(shí)別的準(zhǔn)確率。為提高分類器的識(shí)別效果，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的車型分類之前，筆者插入了基于粗糙集的最小簡(jiǎn)約特征的提取環(huán)節(jié)，該環(huán)節(jié)通過(guò)對(duì)訓(xùn)練樣本的分析，得到各種特征對(duì)不同車型類別的貢獻(xiàn)程度，針對(duì)不同車型提取出相應(yīng)的最小簡(jiǎn)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(jiǎn)約特征的提取有利于提高BP神經(jīng)網(wǎng)絡(luò)分類器的識(shí)別效果，縮減BP神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練和運(yùn)算時(shí)間?；诖植诩母倪M(jìn)BP神經(jīng)網(wǎng)絡(luò)模型如圖5所示。該BP神經(jīng)網(wǎng)絡(luò)模型的輸出對(duì)應(yīng)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(yīng)的車型，“-1”代表輸入樣本不屬于相應(yīng)的車型。

圖5 基于粗糙集的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型

4. 總結(jié)

車型檢測(cè)器的設(shè)計(jì)主要分為硬件結(jié)構(gòu)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(shè)計(jì)方案，介紹了由LC振蕩電路和TMS320F2812處理芯片構(gòu)成的車型檢測(cè)器的硬件結(jié)構(gòu)，針對(duì)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(xué)形態(tài)濾波方法過(guò)濾實(shí)際應(yīng)用中的噪聲信號(hào)，最后簡(jiǎn)單介紹了基于粗糙集BP神經(jīng)網(wǎng)絡(luò)車型分類算法?；赥MS320F2812的嵌入式車型檢測(cè)器具有廣泛的應(yīng)用前景，是ITS系統(tǒng)中不可或缺的設(shè)備之一。

責(zé)任編輯：gt