感應(yīng)線圈車輛檢測器數(shù)據(jù)的預(yù)處理方法研究

陶漢卿

(柳州鐵道職業(yè)技術(shù)學(xué)院電子工程系，廣西 柳州 545616)

感應(yīng)線圈車輛檢測器數(shù)據(jù)的預(yù)處理方法研究

陶漢卿

(柳州鐵道職業(yè)技術(shù)學(xué)院電子工程系，廣西 柳州 545616)

為提高感應(yīng)線圈車輛檢測器的感應(yīng)曲線特征提取和交通信息檢測的準(zhǔn)確率，文章以感應(yīng)線圈車輛檢測器的感應(yīng)曲線信號為基礎(chǔ)，研究了感應(yīng)線圈信號曲線的預(yù)處理方法，并通過基于中值濾波和聚類分析的基頻漂移抑制實(shí)驗(yàn)驗(yàn)證，表明該預(yù)處理方法能很好地抑制噪聲，達(dá)到了較為理想的效果，具有極大的應(yīng)用前景和推廣價(jià)值。

車輛檢測器；中值濾波；聚類分析；數(shù)據(jù)預(yù)處理

0 引言

隨著經(jīng)濟(jì)和社會的高速發(fā)展，交通問題越來越突出，智能交通系統(tǒng)(ITS)運(yùn)用計(jì)算機(jī)技術(shù)、網(wǎng)絡(luò)技術(shù)、自動控制技術(shù)解決交通問題，提高交通的運(yùn)輸能力和效率，要實(shí)現(xiàn)智能交通系統(tǒng)的管理和控制，交通信息獲取是基礎(chǔ)，是智能交通系統(tǒng)中的關(guān)鍵部分。應(yīng)用于交通信息采集的設(shè)備很多，如感應(yīng)線圈、視頻監(jiān)控、紅外線、激光信息采集，感應(yīng)線圈于同類設(shè)備比較，具有穩(wěn)定和可靠性好、性價(jià)比和檢測精度高、使用時間長和技術(shù)成熟等優(yōu)勢。本文以感應(yīng)線圈車輛檢測器采集到的數(shù)據(jù)為基礎(chǔ)，對感應(yīng)曲線數(shù)據(jù)預(yù)處理算法進(jìn)行了研究。

目前感應(yīng)線圈交通信息采集的技術(shù)已經(jīng)相當(dāng)成熟，但利用其采集的數(shù)據(jù)進(jìn)行處理分析的研究還很有限，提升空間較大，因此近年來吸引了不少研究者的關(guān)注。而現(xiàn)有的基于感應(yīng)線圈的感應(yīng)數(shù)據(jù)曲線的預(yù)處理技術(shù)還很少，基線漂移抑制具有不同的解決方案，如基于FIR和IIR濾波器的基線漂移抑制法、基于自適應(yīng)濾波器的基線漂移抑制方法、運(yùn)用小波分解方法抑制基線漂移，但是這些方法具有不同的缺陷：基于FIR和IIR濾波器的基線漂移抑制法，不適用于噪聲頻率超過截止頻率的情況[1]；基于自適應(yīng)濾波器的基線漂移抑制方法需要參考一段時間內(nèi)采集到的噪聲信號，而該信號與所需要采集的信號沒有關(guān)聯(lián)[2]；小波分解方法需要對基線移頻信號進(jìn)行分解，然后再濾波，對于和噪聲信號接近時的采集信號，該方法無法準(zhǔn)確濾波。在平滑濾波方面，文獻(xiàn)[4]提出了“五點(diǎn)三次”的方法對感應(yīng)線圈曲線數(shù)據(jù)進(jìn)行平滑濾波，平滑后的曲線很好地揭示了信號的主要起伏特征(突出波峰、波谷)，但是還可以進(jìn)一步改進(jìn)。因此，有必要對感應(yīng)數(shù)據(jù)曲線的預(yù)處理技術(shù)進(jìn)行深入的研究。

1 感應(yīng)線圈數(shù)據(jù)曲線感應(yīng)數(shù)據(jù)預(yù)處理需求分析

本文以感應(yīng)線圈車輛檢測器的感應(yīng)曲線信號為基礎(chǔ)，對感應(yīng)線圈數(shù)據(jù)處理分析技術(shù)進(jìn)行深入研究。各種車輛經(jīng)過感應(yīng)線圈時產(chǎn)生的典型信號曲線如圖1所示，其中橫坐標(biāo)為時間，縱坐標(biāo)為頻率變化值[4]，感應(yīng)線圈數(shù)據(jù)是離散的時間序列，具有隨機(jī)性。

大客車小客車大貨車中貨車小貨車拖掛車摩托車自行車

圖1 常用車識別典型曲線圖

由數(shù)據(jù)采集系統(tǒng)獲取的感應(yīng)數(shù)據(jù)是最原始的，其蘊(yùn)含了各種不同成因下的干擾信號，包括長期工作后感應(yīng)線圈的老化變形，溫度、電磁場等環(huán)境因素的影響，倘若直接利用這些數(shù)據(jù)進(jìn)行實(shí)時交通信息處理和分析，必然導(dǎo)致較差的效果，嚴(yán)重影響交通信息檢測的精度和結(jié)果的可靠性。因此，在實(shí)時交通信息處理和分析步驟之前，必須對原始數(shù)據(jù)進(jìn)行一系列的預(yù)處理，剔除不同干擾因素的噪聲信號，提取原始數(shù)據(jù)的真實(shí)信息。感應(yīng)線圈曲線數(shù)據(jù)預(yù)處理的流程如圖2所示。

圖2 感應(yīng)數(shù)據(jù)預(yù)處理流程圖

(1)感應(yīng)線圈車輛檢測器采集原始數(shù)據(jù)，對噪聲和信號進(jìn)行壓縮處理；

(2)采用聚類分析融合分離和剔除出無效信號，用中值濾波的方法獲取準(zhǔn)確的車輛檢測器感應(yīng)數(shù)據(jù)；

(3)采用chebyshev多項(xiàng)式擬合的方法進(jìn)行平滑濾波處理，得到感應(yīng)曲線的準(zhǔn)確特征。

2 感應(yīng)線圈車輛檢測器數(shù)據(jù)的預(yù)處理方法

2.1 中值濾波的算法

傳統(tǒng)中值濾波的算法[5]是：建立一個長度為N=2L+1(L=1，2，…，n)，N為奇數(shù)，組成濾波窗口，移動離散信號序列窗口中心，采用升序或降序的方式排列每個窗口的數(shù)據(jù)；把原中心位置的值更換為排序所得的中值，該算法窗口數(shù)據(jù)排序頻繁，速度慢，實(shí)時性低。

2.2 基于中值濾波和聚類分析的基頻漂移抑制方法

本文在傳統(tǒng)中值濾波算法的基礎(chǔ)上進(jìn)行改進(jìn)，對車輛檢測器的基頻漂移進(jìn)行抑制：利用一個長度為N的時間窗沿著時間軸作聚類分析，把窗內(nèi)的N個原始數(shù)據(jù)序列x(n)，…，x(n+N-1)分成基頻信號和“異常信號”兩個簇(通?；l類的聚類中心值較小，而“異常信號”類的聚類中心值較大)，以基頻信號序列中第K個位置為中心，取2L+1個數(shù)據(jù)，建立一個滾動窗口，設(shè)窗口數(shù)據(jù)為：W[i](i=0，1…，2L+1)，將窗口的前2L+1個數(shù)據(jù)進(jìn)行降序排序放到數(shù)組F[i](i=0，1…L)，則中值為F1[L]，更新基頻值為中值點(diǎn)，向橫坐標(biāo)時間軸移動窗口，然后插入前一個窗口數(shù)據(jù)的中值F1[L]作為新數(shù)據(jù)，為保持窗口的長度2L+1不變，需要剔除原窗口中最左端的數(shù)據(jù)，然后重復(fù)上述的步驟，對新窗口進(jìn)行聚類分析，新窗口為2L+1個數(shù)據(jù)序列x(n+1)，…(x+N)，根據(jù)以下公式(1)～(4)對窗口的后2L+1數(shù)據(jù)進(jìn)行比較判斷[6]，F(xiàn)2[L]為窗口后2L+1個數(shù)據(jù)的中值，作為該窗口的新基頻值，通過窗口和中值的滾動計(jì)算，選取，可以跟蹤基頻，從而實(shí)現(xiàn)基頻漂移抑制。

(1)

(2)

(3)

(4)

正確地選取濾波窗口的大小N直接影響基頻漂移跟蹤的效果[7]。N值太小，會影響聚類的準(zhǔn)確性，算法失去了基頻漂移抑制的效果；N值過大，濾波窗口過大，會導(dǎo)致時間間距太大，計(jì)算的基頻聚類中心值與當(dāng)前值具有一定的差距，基頻漂移無法進(jìn)行跟蹤。根據(jù)實(shí)驗(yàn)計(jì)算，N一般取7～11(L一般取3～5)。

2.3Chebyshev多項(xiàng)式

Tn(x)=cos(narccosx)

(5)

該式被稱為切比雪夫(Chebyshev)多項(xiàng)式。

切比雪夫多項(xiàng)式具有以下性質(zhì)[8]：

(1)正交性

(6)

(2)遞推關(guān)系

Tn+1(x)=2xTn-Tn-1(x)，n≥1

(7)

由T0(x)=1，T1(x)=x遞推可得：

T2(x)=2x2-1

T3(x)=4x3-3x

T4(x)=8x4-8x2+1

T5(x)=16x5-20x3+5x

T6(x)=32x6-48x4+18x2+1

(8)

顯然，Tn(x)的首項(xiàng)系數(shù)an=2n-1(n≥1)。

(3)奇偶性

當(dāng)n為奇數(shù)時，Tn(x)為奇函數(shù)；當(dāng)n為偶數(shù)時，Tn(x)為偶函數(shù)。即Ln(-x)=(-1)nLn(x)。

2.4 感應(yīng)數(shù)據(jù)的Chebyshev多項(xiàng)式擬合

應(yīng)用Chebyshev多項(xiàng)式擬合感應(yīng)數(shù)據(jù)的步驟如下：

(9)

(2)根據(jù)性質(zhì)2中的式(8)，計(jì)算

T0(ti)=1，T1(ti)=ti，i=1，…，m，

(10)

以及

T2(ti)，…，Tn(ti)，i=1，…，m；

(11)

(3)計(jì)算內(nèi)積

(12)

(13)

(4)求法方程組

[(Tj，Tk)]c=b

(14)

的解c=[c0，c1，…，cn]T，其中b=[(y，T0)，(y，T1)，…(y，Tn)]T；

(5)由區(qū)間變換

(15)

計(jì)算得到t值后，相應(yīng)計(jì)算Tk(t)的值(k=0，1，…，n)。

(6)感應(yīng)數(shù)據(jù)的多項(xiàng)式擬合為

f(x)=c0T0(t)+c1T1(t)+…+cnTn(t)。

(16)

在感應(yīng)數(shù)據(jù)時間序列個數(shù)>m+1(m>0)的情況下，都能夠擬合到一個n階Chebyshev多項(xiàng)式，該Chebyshev多項(xiàng)式擬合方法要求m遠(yuǎn)大于n，這對于感應(yīng)線圈數(shù)據(jù)信號序列是普遍適合的。擬合的階數(shù)越高，擬合點(diǎn)越準(zhǔn)確，由于高階次會增加計(jì)算量，數(shù)據(jù)點(diǎn)吻合好不代表擬合合理，但是并非擬合的階次越高越好[9]。實(shí)驗(yàn)證明階數(shù)≤6效果最好，所以本文階數(shù)取n=5。

3 實(shí)驗(yàn)分析

基于中值濾波和聚類分析的基頻漂移抑制實(shí)驗(yàn)如圖3所示。

(a)基于中值濾波和聚類分析的基頻漂移跟蹤曲線

(b)基頻漂移抑制后的車輛感應(yīng)曲線

從圖3(b)可以看出，感應(yīng)信號較強(qiáng)的車輛(如小轎車)，其頻率數(shù)據(jù)(單位為HZ)變化峰值>600，而感應(yīng)信號較弱的車輛(如自行車)，其頻率數(shù)據(jù)變化峰值很小，一般在30左右，同時也可以從圖3(a)中看出，基頻漂移是緩慢變化的，但是變化的幅度在一定時間內(nèi)超過了感應(yīng)信號較弱的車輛的幅值。因此需要對基頻漂移進(jìn)行跟蹤和抑制。

采集到的原始信號序列為X1=[3 46 103 188 201 193 182 190 192 171 53 22 18 8 29 48 100 170 173 176 166 167 173 185 178 68 36 17 8]；

經(jīng)過中值濾波和聚類分析的基頻漂移進(jìn)行基頻漂移后為X2=[3 46 98 189 201 183 185 190 192 150 55 22 18 8 20 50 102 170 173 168 171 167 170 175 178 70 33 17 8]；

根據(jù)理論計(jì)算值為X3=[3 46 98 188 201 183 182 190 192 150 53 22 18 8 20 48 100 170 173 168 166 167 173 175 178 68 33 17 8]；

利用公式S=max{Xi，j[k]-X3[k]}(i，j=1，2，k=1，2，3…)計(jì)算最大誤差。采集到的原始信號最大誤差為：X1[10]-X3[10]=171-150=21；中值濾波和聚類分析的基頻漂移抑制后最大誤差為：X2[21]-X3[21]=171-166=5。

實(shí)驗(yàn)結(jié)果表明：中值濾波和聚類分析的基頻漂移抑制后最大誤差僅為5，比采集到的原始信號最大誤差小很多，提高了采集的感應(yīng)線圈車輛傳感器數(shù)據(jù)的準(zhǔn)確性，因此基于中值濾波和聚類分析的基頻漂移抑制方法，能自動區(qū)分車輛感應(yīng)數(shù)據(jù)和基頻漂移數(shù)據(jù)的能力，并且可以利用基頻信號聚類中心實(shí)時更新當(dāng)前基頻值。故能有效抑制基頻漂移，并且成功分離車輛感應(yīng)信號，達(dá)到較理想的效果。

經(jīng)過抑制基線漂移后，對采集到的感應(yīng)線圈數(shù)據(jù)信號，進(jìn)行Chebyshev多項(xiàng)式擬合平滑濾波，結(jié)果如圖4所示。實(shí)驗(yàn)結(jié)果表明：平滑濾波后能更為準(zhǔn)確地反映感應(yīng)曲線的特征，所以該方法是有效的。

圖4 感應(yīng)曲線平滑濾波圖

4 結(jié)語

本文闡述的感應(yīng)線圈數(shù)據(jù)的預(yù)處理方法能很好地抑制基頻漂移，平滑濾波后的數(shù)據(jù)曲線進(jìn)一步揭示了信號的主要起伏特征(突出波峰、波谷)，這對于提高感應(yīng)線圈車輛檢測器的抗干擾能力具有重要的意義，平滑濾波使得曲線的特征提取更加準(zhǔn)確，從而提高了車流量、車速、車型等交通信息的檢測精度。

[1]鄒 波，周 遠(yuǎn).一種濾除基線漂移和工頻干擾的數(shù)字濾波算法[J].深圳職業(yè)技術(shù)學(xué)院學(xué)報(bào)，2005(4)：3-5.

[2]李 剛，劉 巍，虞啟璉，等.抑制工頻干擾及基線漂移的快速算法[J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2000，19(1)：63-65.

[3]李小燕，王 濤，馮煥清，等.基于小波變換的自適應(yīng)濾波器消除ECG中基線漂移[J].中國科學(xué)技術(shù)大學(xué)學(xué)報(bào).2000，30(4)：450-454.

[4]林培群.道路交通參數(shù)及交通事件智能檢測關(guān)鍵技術(shù)研究[D].廣州：華南理工大學(xué)，2008.

[5]林成森.數(shù)值計(jì)算方法[M].北京：科學(xué)出版社，2005.

[6]危疆樹.中值濾波算法及其并行化研究[J].福建電腦，2008(7)：101-101.

[7]YINL，YANGR，GABBOUJM，NEUVOY.Weightedmedianfilters：atutorial[J].IEEETransCircuitsSystem，1996，43(3)：157-192.

[8]張可村，趙英良.數(shù)值計(jì)算的算法與分析[M].北京：科學(xué)出版社，2002.

[9]徐宜會，趙寶貴.Matlab在數(shù)據(jù)擬合中的應(yīng)用[J].科技廣場，2007，34(2)：169-170.

Study on the Preprocessing Methods of Induction Coil Vehicle Detector Data

TAO Han-qing

(Department of Electronic Engineering，Liuzhou Railway Vocational and Technical College，Liuzhou，Guangxi，545616)

To improve the accuracy of induction curve feature extraction and traffic information detection for the induction coil vehicle detector，based on induction curve signal of induction coil vehicle detector，this article studied the preprocessing methods of induction coil signal curve，and through the base fre-quency drift suppression experiments based on median filtering and cluster analysis，it showed that this preprocessing method can suppress the noise，reaching more satisfactory results，thus it has great ap-plication prospects and promotional value.

Vehicle detector；Median filtering；Cluster analysis；Data preprocessing

陶漢卿，碩士，講師，從事智能交通系統(tǒng)方面的教學(xué)科研工作。

2013年度廣西高校科學(xué)技術(shù)研究項(xiàng)目“城市軌道交通車載測速定位裝置的研制”(編號：2013YB358)

U

A

10.13282/j.cnki.wccst.2015.07.015

1673-4874(2015)07-0063-05

2015-06-06