摘 要： 環(huán)形線圈檢測器是目前使用最廣泛的一種車輛檢測器,，但其在對騎線車輛的檢測方面存在誤判的可能性,，這種誤判影響車輛檢測的準確性。本文通過分析環(huán)形線圈檢測原理,，進而通過對車輛檢測數(shù)據(jù)進行分析,，提出了一種基于時間序列分層匹配的騎線車輛檢測方法。該方法能夠有效判別出騎線車輛,，并具有較好的匹配效率,。

　　關(guān)鍵詞：騎線車輛；環(huán)形線圈檢測器,；分層匹配,；EMD分解；序列轉(zhuǎn)換

0 引言

　　隨著經(jīng)濟前進的步伐,，道路上機動車日益增多,，交通負荷不斷加重。智能交通系統(tǒng)是解決各種交通問題的重要途徑,，而交通數(shù)據(jù)的獲取是智能交通系統(tǒng)的基礎(chǔ),。車輛檢測器作為交通信息采集的重要前端部分，其采集數(shù)據(jù)的準確性將影響到后續(xù)對交通信息的分析和處理,。環(huán)形線圈檢測器是目前使用最廣泛的一種車輛檢測器,，其在全天候、高精度車輛檢測方面有其他檢測器無法比擬的優(yōu)勢[1-2],。然而它存在著一個缺陷：如果車輛按正常車道行駛,，那它能夠精確檢測車輛；但當(dāng)車輛違章騎線行駛時,，相鄰的兩個線圈都會檢測到有車,，這時就會產(chǎn)生誤判。這會在很大程度上影響交通信息采集的準確性與可信度,。本文基于該缺陷,，提出了一種基于時間序列分層匹配的騎行車輛檢測方法，較好地提高了車輛檢測器采集數(shù)據(jù)的準確性與可信度,，為后續(xù)一系列交通數(shù)據(jù)處理打下良好基礎(chǔ),。

1 騎線車輛檢測原理分析

　　1.1 線圈檢測原理

　　線圈檢測器工作時，內(nèi)部LC振蕩電路產(chǎn)生一定頻率的正弦信號,，該信號通過互感線圈耦合到埋于路面下的環(huán)形線圈,，車輛的經(jīng)過將改變該信號的頻率，檢測器通過檢測信號頻率的變化來判別車輛,。車輛相當(dāng)于一個電感與電阻串聯(lián)的閉合環(huán)路,，其與環(huán)形線圈及檢測電路的等效電路如圖1所示。由等效電路可推導(dǎo)出該電路的總體等效電感L為：

　　其中，L為環(huán)形線圈,、檢測電路及車輛的總體等效電感,；Rp為環(huán)形線圈和檢測電路的等效電阻；Lp為環(huán)形線圈和檢測電路的等效電感,；ω為LC諧振電路的振蕩角頻率,；M為環(huán)形線圈與金屬車體之間的互感量；RA為車輛的等效電阻,；LA為車輛的等效電感,。Lp與車輛本身的材料磁導(dǎo)率有關(guān)，與渦流效應(yīng)[3]有關(guān),，由式(1)可知,，等效電感L的大小取決于車輛本身的材料導(dǎo)磁率與渦流效應(yīng)。西安公路交通大學(xué)李誠等人的實驗表明,，當(dāng)車輛檢測器的工作頻率為20 kHz~400 kHz時,，渦流效應(yīng)在車輛線圈檢測中起主導(dǎo)作用[4-5]。當(dāng)車輛停在或駛過線圈上方時,，車輛的金屬部分產(chǎn)生渦流電流,，渦流電流產(chǎn)生的磁場與線圈電流產(chǎn)生的磁場方向相反，使得線圈磁場場強減小,，等效電感L的電感量也隨之減小,，從而使得振蕩電路的振蕩頻率增高。通過參考文獻[6-7]的分析和推導(dǎo)可知,，振蕩頻率的變化量只與車輛與環(huán)形線圈的相對位置有關(guān)系,。不同的車輛，其車體材質(zhì),、大小以及底盤離地高度都會有所差異,，所以不同的車輛其對振蕩頻率的改變量也不同。

　　1.2 線圈檢測器結(jié)構(gòu)簡介

　　環(huán)形線圈檢測器主要由環(huán)形線圈,、信號檢測處理單元以及饋線3部分組成,。埋設(shè)于路面下的環(huán)形線圈與檢測器內(nèi)部的電容共同構(gòu)成LC振蕩電路，可控振蕩電路如圖2所示,。該電路為電容三點式振蕩電路,，線圈L通過饋線連接到變壓器T9一端，T9的另一端連接振蕩器其他部分,，變壓器隔離了線圈與檢測電路，并使線圈電感的變化反映到振蕩電路,。三極管Q3對信號進行放大形成振蕩,。三極管Q2和Q4組成選通電路，選通端Select1連接到微處理器IO口，當(dāng)Select1為低電平時,，振蕩電路工作,，反之電路停止振蕩。穩(wěn)壓管D53和D54構(gòu)成限幅電路,，使振蕩電壓限制在一定范圍內(nèi)[8],。考慮上述的渦流效應(yīng)以及實際環(huán)形線圈的電感量范圍（國標GB/T26942-2011：50 μH~700 μH）,，選擇振蕩電路的激勵頻率在40 kHz~200 kHz之間,。振蕩信號由Output1輸出，經(jīng)過整形電路后進入微處理器,，微處理器實時計算當(dāng)前的頻率值,。車輛的通過轉(zhuǎn)變成相應(yīng)的時變頻率曲線被微處理器記錄下來，分析該曲線即可檢測車輛,。

　　1.3 騎線車輛檢測

　　實際應(yīng)用中,，在路線某一地點的斷面上埋設(shè)多個環(huán)形線圈，線圈大小略小于每個車道的寬度,，通過分時選通每路振蕩電路來檢測各個車道的車輛,。如圖3所示，當(dāng)車輛按規(guī)定車道行車時,，車輛檢測器能夠準確檢測出該車道有無車輛,；如果車輛不按規(guī)定行車，車輛檢測器可能同時在相鄰的車道上檢測到有車,，但實際上只有一輛車通過,。這時就需要車輛檢測器做出分析，判斷是否為騎線車輛,。

　　由于不同的車輛對振蕩頻率改變量不同,，經(jīng)過環(huán)形線圈上方時，其頻率變化曲線是不同的,，如圖4所示,。當(dāng)車輛以騎線狀態(tài)經(jīng)過環(huán)形線圈時，由于頻率變化只取決于車輛與環(huán)形線圈的相對位置,，其在相鄰的線圈上引起的頻率變化曲線在形狀上差異不大,，如圖5所示。又由于頻率變化曲線是一時間序列曲線,，根據(jù)這一特性,，可以通過時間序列的相似性匹配來分析所檢測的車輛是否為騎線車輛。

2 騎線車輛檢測方法

　　2.1 時間序列相似模式的分層匹配

　　車輛檢測器是一種對實時性要求較高的設(shè)備,。綜合考慮匹配算法的可靠性,、計算量以及匹配效率,，本文選擇了一種適合騎線車輛檢測的時間序列匹配算法。該算法只有當(dāng)相鄰線圈在很短的時間內(nèi)同時檢測到有車時才會被調(diào)用,。如圖6所示,，每一路振蕩頻率采樣值被存儲起來構(gòu)造成時間序列，匹配算法對每一路時間序列進行EMD（Empirical Mode Decomposition）分解,，提取出趨勢序列后再進行線性分線段轉(zhuǎn)換,，隨后進行字符轉(zhuǎn)換。兩路序列被轉(zhuǎn)換成字符序列后,，通過判斷字符序列的相似程度來實現(xiàn)序列粗匹配,。若粗匹配不成功，則直接判定為不同車輛,；若粗匹配成功,，則需要進一步判斷序列間的歐式距離來進行序列細匹配。若細匹配不成功,，則判定為不同車輛,；若細匹配成功，則判定為騎線車輛,。

　　2.2 EMD分解

　　Keogh等提出了分段表示序列并利用線段進行序列匹配的算法[9-10],，這些算法能夠進行數(shù)據(jù)壓縮及噪聲濾除，但并非所有的序列都適合直接進行線性線段轉(zhuǎn)換,。序列信號可以分解為趨勢信號和細節(jié)信號,。趨勢信號反映信號的整體，信號變化頻率較低,；而細節(jié)信號是序列的高頻部分,，不適合分線段表示。所以在進行線性線段轉(zhuǎn)換之前需要去除信號的細節(jié)部分,，提取出趨勢信號,。EMD方法被認為是目前提取時間序列趨勢最好的方法之一。Huang[11]等提出了該方法,，并首先定義了以下兩個條件：

　?。?）采樣數(shù)據(jù)的極值點與過零點個數(shù)之差不超過1；

　?。?）極大點構(gòu)成的包絡(luò)與極小點構(gòu)成的包絡(luò)關(guān)于時間t軸對稱,。

　　滿足以上兩個條件的信號稱為IMF（Intrinsic Mode Function）信號。待分析信號X(t)如果不滿足以上兩個條件,，則進行信號分解,，即：

　　其中，Cj(t)為滿足IMF條件的子信號,，rn(t)為要提取的趨勢序列數(shù)據(jù),。具體分解步驟可參閱參考文獻[12],。

　　2.3 線性分線段轉(zhuǎn)換與字符轉(zhuǎn)換

　　頻率變化曲線提取出趨勢序列后，先對序列進行分線段轉(zhuǎn)換,，達到數(shù)據(jù)壓縮目的，以提高序列的匹配速度,。此后為了計算方便,，序列需要進行字符轉(zhuǎn)換[13]。假設(shè)趨勢序列rn(t)長度為m×n,，將趨勢序列等分成n段,，每段中有m個采樣點，?。↘1,，K2，…,，Kn）組成新序列,，對其進行代表增減方向的“0”、“1”字符轉(zhuǎn)換,，得到字符序列L(x)=(l1,，l2，…,，ln),，ln為序列元素。符號轉(zhuǎn)換如圖7所示,，當(dāng)KYiR-KYiL≥0時,，li=1；否則,，li=0,，其中KYiR為線段右端點值，KYiL為線段左端點值,。圖中序列段通過線段和符號轉(zhuǎn)換后,，轉(zhuǎn)變?yōu)椋?1101）。

　　2.4 序列粗匹配與細匹配

　　通過判斷兩時間序列的相似性可以判斷出它們的匹配程度,，而相似性的判斷需要有相似性度量的標準,。本文采用趨勢一致和距離相近的方法來判定序列的相似性[14]。

　　定義1 設(shè)兩個等長時間序列,，給定閾值ε,，如果滿足條件：

　　則稱時間序列垂直移動相似。該度量方法可以避免兩相似時間序列由于縱向平移導(dǎo)致不相似的結(jié)果,。

　　定義2 設(shè)兩個等長時間序列,，它們進行序列符號轉(zhuǎn)換后分別得到字符串A和B,，給定閾值ε，如果滿足條件：

　　則稱時間序列趨勢相似,。

　　在將趨勢序列轉(zhuǎn)換為相應(yīng)字符序列后,，根據(jù)定義2與實際測試情況選擇合適的閾值，首先對兩序列進行粗匹配,，匹配不成功,，則判定為非騎線車輛；匹配成功,，則需要進一步進行序列細匹配,。細匹配之前需要對序列做歸一化處理，以便有一個相同的衡量標準,。根據(jù)定義1與實際測試情況可以為細匹配選擇合適的閾值,。若細匹配成功，則判定該車輛為騎線車輛,，否則為非騎線車輛,。

3 實驗結(jié)果與分析

　　實驗中對實際車輛頻率變化曲線進行EMD分解。圖8(a),、(b)為不同車輛同時經(jīng)過環(huán)形線圈時頻率變化曲線（圖4）的EMD分解,。由于趨勢序列變化較緩慢，可取50個采集點為一個分段,，將趨勢序列分成6段,，然后再轉(zhuǎn)換成字符序列。圖8(a)轉(zhuǎn)換后的字符序列A為：111000,；圖8(b)轉(zhuǎn)換后的字符序列B為：111100,。經(jīng)過粗匹配可發(fā)現(xiàn)，A和B存在差異,，所以判斷該次測量為非騎線車輛,，這與實際相符合。圖9為騎線車輛經(jīng)過環(huán)形線圈時,，在相鄰線圈上頻率變化曲線（圖5）的EMD分解,。其轉(zhuǎn)換后的字符序列分別為：111000、111000,，經(jīng)過粗匹配可發(fā)現(xiàn)兩序列相似,。之后進行了細匹配，序列間的歐氏距離計算值為0.322 9,，而相比于圖4中兩序列的歐氏距離2.125 6,，很明顯滿足實際中閾值的設(shè)定。所以細匹配成功,，判斷該次測量為騎線車輛,，這與實際相符合,。

4 結(jié)論

　　本文對騎線車輛與非騎線車輛的頻率曲線進行了分析。當(dāng)兩輛車在各自的車道上同時經(jīng)過環(huán)形線圈時,，該檢測方法能夠準確判斷出該次測量為非騎線車輛,。當(dāng)一輛車騎線經(jīng)過環(huán)形線圈上方時，該檢測方法可判斷出該車輛為騎線車輛,。實驗結(jié)果證明了該測試方法有效可行,。在實際應(yīng)用中，違法騎線屬于極小部分駕駛員的行為,，車輛檢測器通常只進行粗匹配就能夠很好地判斷出非騎線車輛，細匹配則是用來進一步分析判斷出騎線車輛,。粗匹配成功,，細匹配不成功的車輛非常少，需要更大量的測試數(shù)據(jù)才能夠更精確地設(shè)定細匹配閾值,，這將是以后所要研究的問題,。所以該分層匹配算法在應(yīng)用中能夠有效地檢測出騎線車輛，大大提高了匹配效率,，十分符合車輛檢測器實時性要求,。

　　參考文獻

　　[1] 孔俊麗，周重陽,，朱雨婷. 基于磁阻傳感器的無線車輛檢測器的設(shè)計[J]. 微型機與應(yīng)用, 2012,29(3):17-19.

　　[2] 謝秋金,，李曉菲，董衍旭,，等. 基于可變計數(shù)門限的車檢器設(shè)計[J]. 電子技術(shù)應(yīng)用, 2012,38(1):21-23.

　　[3] 馮慈璋. 電磁場[M]. 北京:人民教育出版社, 1979.

　　[4] Xiao Y. Research on vehicLe classification with loop sensors[J]. Journal of SSSRI, 2004,27(2):1942-1948.

　　[5] 李誠. 環(huán)形線圈車輛傳感器的研究[J]. 西安公路交通大學(xué)學(xué)報, 1995,16(2):56-59.

　　[6] 邢磊. 車輛檢測技術(shù)研究[D]. 重慶:重慶大學(xué), 2013.

　　[7] 梁俊斌,，徐建閩. 基于感應(yīng)線圈的騎線車輛檢測方法[J]. 華南理工大學(xué)學(xué)報, 2007,35(7):22-24.

　　[8] 邱海欽. 智能車輛檢測器的開發(fā)[D]. 武漢:華中科技大學(xué), 2009.

　　[9] Keogh E，Pazzani M. An enhanced representation of time series which allows fast and accurate classification,，clustering and relevance feedback[C]. Proceedings of the 4th International Conference of Knowledge Discovery and Data Mining, New York, 1998:239-241.

　　[10] Keogh E,Smyth P.A probabilistic approach to fast pattern matching in time series databases[C].Proceedings of the 3rd International Conference of Knowledge Discovery and Data Mining,Newport Beach,California,1997:24-30.