基于TMR傳感器的車輛檢測(cè)分類算法研究

吳兆明

(南京交通職業(yè)技術(shù)學(xué)院電子信息工程學(xué)院，江蘇南京 211188)

0 引 言

隨著城市化進(jìn)程的不斷加快，智能交通系統(tǒng)(Intelligent Transportation System，ITS)的研究與建設(shè)也日趨深入，主要涉及到交通管理及車輛控制、車輛檢測(cè)與識(shí)別、交通信號(hào)燈智能控制、車位檢測(cè)與停車誘導(dǎo)系統(tǒng)等多方面[1]。其中車輛作為 ITS的構(gòu)成主體之一，其自動(dòng)識(shí)別與檢測(cè)技術(shù)更是當(dāng)前人們研究的熱點(diǎn)和難點(diǎn)。

目前世界上的道路車輛檢測(cè)技術(shù)有以下幾種方式：基于地感線圈、超聲波、紅外線、視頻圖像、射頻識(shí)別(Radio Frequency Identification，RFID)以及地磁傳感。其中，地感線圈、視頻圖像和超聲波技術(shù)以其性能穩(wěn)定、安裝方便等優(yōu)勢(shì)，在我國(guó)交通系統(tǒng)中已廣泛應(yīng)用。文獻(xiàn)[2]利用小波變換方法，結(jié)合遺傳算法及復(fù)數(shù)特征值計(jì)算方法，能自動(dòng)識(shí)別交通振動(dòng)試驗(yàn)中行走的車輛參數(shù)；文獻(xiàn)[3]通過(guò)對(duì)采集的前后方車輛的視頻圖像信息進(jìn)行處理，結(jié)合非線性支持向量機(jī)算法，實(shí)現(xiàn)小波去噪，成功識(shí)別車輛分類；文獻(xiàn)[4]采用各向異性磁阻(Anisotropic Magneto Resistance，AMR)傳感器，可根據(jù)不同車型的整車長(zhǎng)度、車型尺寸等進(jìn)行車輛分類。以上車輛檢測(cè)方法都取得了一定的效果，但仍然存在局限性。比如地感線圈檢測(cè)系統(tǒng)對(duì)安裝要求高、使用壽命短，不易維護(hù)；視頻圖像系統(tǒng)的精確度不高，且算法實(shí)時(shí)性差，道路高峰期的車流量、車型等參數(shù)都有一定的時(shí)延。另外，無(wú)線磁阻檢測(cè)器通信容易受到路面積水、積雪的影響，檢測(cè)靈敏度、功耗及穩(wěn)定性方面也得不到進(jìn)一步提升，這些問(wèn)題限制了其大范圍推廣。

為此，本文結(jié)合隧穿磁阻傳感器(Tunneling Magneto Resistance，TMR)，提出了一種基于特征波形向量提取的改進(jìn)算法，用于道路車輛監(jiān)測(cè)與類型識(shí)別。實(shí)驗(yàn)結(jié)果顯示，該方法精確性高、功耗低，有較強(qiáng)的實(shí)用性。

1 TMR傳感器

1.1 TMR傳感器的原理

磁電阻效應(yīng)是指強(qiáng)磁性材料在受到外加磁場(chǎng)作用時(shí)引起電阻變化的現(xiàn)象[5]，按照電阻變化率的高低，可將磁傳感器劃分為霍爾傳感器、各向異性磁電阻 AMR傳感器、巨磁電阻(Giant Magneto Resistance，GMR)傳感器以及隧道磁電阻 TMR傳感器四類。其中，TMR傳感器電阻變化率最大，且溫度穩(wěn)定性高、功耗低、線性度好，是目前工業(yè)應(yīng)用中最為廣泛的一種。

TMR傳感器的產(chǎn)生機(jī)理是自旋相關(guān)的隧穿效應(yīng)，一般結(jié)構(gòu)為鐵磁層FM/非磁絕緣層I/鐵磁層FM(The Ferromagnetic Layer / Non-magnetic Insulation/The Ferromagnetic layer/FM)的三明治結(jié)構(gòu)[6]，分別對(duì)應(yīng)釘扎層、隧道勢(shì)壘層以及自由層，其理想響應(yīng)曲線如圖1所示。其中，橫坐標(biāo)為外加磁場(chǎng)作用H，縱坐標(biāo)為磁電阻R；RL為低阻態(tài)阻值，RH之為高阻態(tài)阻值，H0為曲線的對(duì)稱中心，是典型的偏移磁場(chǎng)，通常稱為“奈爾耦合”[6]；HS、?HS是線性區(qū)域切線分別與高低阻態(tài)切線的交點(diǎn)；白色箭頭表示自由層磁矩的方向，黑色箭頭表示釘扎層磁矩的方向。

圖 1 TMR元件的理想響應(yīng)曲線Fig.1 The ideal response curve of TMR element

由圖1可知：

(1)在區(qū)間[?HS+H0，HS+H0]內(nèi)，元件處于理想狀態(tài)，磁電阻R隨外場(chǎng)H的變化是完美的線性關(guān)系，同時(shí)沒(méi)有磁滯(曲線滯后右移的現(xiàn)象)。斜率越大，證明元件靈敏度越高。

(2)理想狀態(tài)左側(cè)為低阻態(tài)，右側(cè)為高阻態(tài)。白色箭頭代表第一層F層磁矩，黑色箭頭代表第三層F層磁矩。具有自旋的電子通過(guò)量子隧穿效應(yīng)穿過(guò)中間絕緣層時(shí)，磁電阻曲線隨磁矩之間的角度發(fā)生變化。當(dāng)兩個(gè)箭頭反平行時(shí)，曲線對(duì)應(yīng)高阻態(tài)，平行時(shí)則對(duì)應(yīng)低阻態(tài)[7]。

(3)當(dāng)兩層磁矩垂直時(shí)，對(duì)應(yīng)理想狀態(tài)的工作點(diǎn)H，即位于RL及RH之間。

1.2 TMR傳感器的優(yōu)點(diǎn)

TMR元件是近年來(lái)工業(yè)應(yīng)用的新型磁電阻效應(yīng)傳感器，性能較優(yōu)。表1是AMR、GMR以及TMR元件的技術(shù)參數(shù)對(duì)比。

表1 磁傳感技術(shù)參數(shù)對(duì)比Table 1 Comparison of technical parameters between magnetic sensors

由表 1可知，TMR元件具有更好的溫度穩(wěn)定性、更高的靈敏度、更寬的線性范圍和更低的功耗。

2 基于TMR的車輛檢測(cè)分類算法

2.1 基本原理

本文采用TMR傳感器，結(jié)合雙節(jié)點(diǎn)動(dòng)態(tài)采樣及基于拐點(diǎn)斜率的加權(quán)歐氏距離分類法，提出了一種改進(jìn)的車輛檢測(cè)分類算法，擬在第一時(shí)間內(nèi)監(jiān)測(cè)到車輛信息，并能快速識(shí)別出車輛類型。

在車輛檢測(cè)環(huán)節(jié)，采用TMR傳感器作為檢測(cè)元器件。由于TMR效應(yīng)具有極佳的穩(wěn)定性，磁滯現(xiàn)象幾乎可以忽略不計(jì)，只要不是人為加入強(qiáng)磁場(chǎng)干擾，一般安裝初始化后，TMR傳感器檢測(cè)節(jié)點(diǎn)就能以固定閾值來(lái)檢測(cè)車輛，且檢測(cè)效果較好。同時(shí)，為了降低元件的功耗，算法還引入了雙節(jié)點(diǎn)動(dòng)態(tài)采樣及喚醒機(jī)制，有利于延長(zhǎng)傳感器的使用壽命。

在車型識(shí)別方面，常見(jiàn)的算法較多，有固定閾值、自適應(yīng)分類、狀態(tài)機(jī)檢測(cè)法等，但模式識(shí)別方式需要大量的運(yùn)算，且不適合在低功耗場(chǎng)合應(yīng)用。因此，本文采用基于拐點(diǎn)斜率的加權(quán)歐氏距離算法來(lái)實(shí)現(xiàn)車型識(shí)別。由于該算法計(jì)算量低，自主學(xué)習(xí)效率高，很容易集成到單片機(jī)中運(yùn)行，是一種較為可靠的檢測(cè)算法。

2.2 T MR檢測(cè)節(jié)點(diǎn)設(shè)計(jì)

本文選用的TMR傳感器，其集成芯片內(nèi)部采用推挽式惠斯通全橋結(jié)構(gòu)，包含四個(gè)非屏蔽高靈敏度TMR元件。當(dāng)檢測(cè)車輛經(jīng)過(guò)TMR效應(yīng)傳感器時(shí)，外加磁場(chǎng)將沿平行于傳感器敏感的方向變化，惠斯通全橋提供差分電壓輸出，具有良好的溫度穩(wěn)定性。利用TMR效應(yīng)傳感器設(shè)計(jì)的無(wú)線車輛檢測(cè)節(jié)點(diǎn)將能獲得更加豐富的車輛波形數(shù)據(jù)，提高車輛識(shí)別精度。

圖2為T(mén)MR傳感器檢測(cè)到的某大貨車檢測(cè)波形，圖3為T(mén)MR傳感器檢測(cè)到的某小轎車檢測(cè)波形。其中，橫軸為采樣點(diǎn)、縱軸為對(duì)應(yīng)的強(qiáng)度。

圖2 某大貨車檢測(cè)波形Fig.2 The actually detected waveforms of a large truck

圖3 某小轎車檢測(cè)波形Fig.3 The actually detected waveforms of a car

圖3中第一波峰為檢測(cè)到的車頭位置，第一波谷為檢測(cè)到的底盤(pán)位置。對(duì)比發(fā)現(xiàn)，小轎車底盤(pán)較低，車頭也較矮，由此導(dǎo)致磁場(chǎng)變化較大，波峰波谷的數(shù)值變化也比大貨車的明顯，車輛識(shí)別效果較好。

2.3 雙節(jié)點(diǎn)動(dòng)態(tài)采樣法

在實(shí)際應(yīng)用中，為減少檢測(cè)難度，很多節(jié)點(diǎn)在獲取車輛經(jīng)過(guò)傳感器波形時(shí)使用的是固定的采樣率，即使在無(wú)車經(jīng)過(guò)、甚至夜晚少車的空閑時(shí)段，也按常規(guī)采樣率進(jìn)行采樣，其功耗比重較大[8]，對(duì)節(jié)點(diǎn)壽命非常不利。

為減少功耗，可以采用單點(diǎn)間歇、雙點(diǎn)交替的混合動(dòng)態(tài)采樣間隔和喚醒控制。如圖4所示，單點(diǎn)間歇主要采取按一定的時(shí)間間隔T0采集信號(hào)，采集一段時(shí)間T1，休眠一段時(shí)間T0(T0>T1)，在采集時(shí)間段t內(nèi)如果有車輛經(jīng)過(guò)，則停止休眠，產(chǎn)生波形曲線，然后進(jìn)行算法處理，判別車輛狀態(tài)，再喚醒無(wú)線發(fā)送。

圖4 單點(diǎn)間歇采樣時(shí)序Fig.4 Single point intermittent sampling time sequence

雙點(diǎn)交替主要采取同步交替時(shí)序機(jī)制，節(jié)點(diǎn)A休眠時(shí)B工作，節(jié)點(diǎn)B休眠時(shí)A工作，使得空閑休眠時(shí)間T0可加大，從而極大地降低功耗，同時(shí)減少車輛漏檢的情況，兩節(jié)點(diǎn)交替檢測(cè)時(shí)序如圖5所示。

圖5 兩節(jié)點(diǎn)交替檢測(cè)時(shí)序Fig.5 Two nodes alternate detection sampling time sequence

2.4 基于斜率拐點(diǎn)的加權(quán)歐氏距離法

通過(guò)對(duì)大量采樣后的車輛波形曲線進(jìn)行分析，發(fā)現(xiàn)不同車型的波形不一，即使是同一款車，以不同速度或方向行駛，通過(guò)同一地點(diǎn)的波形都不盡相同，但是曲線的突變點(diǎn)(或稱拐點(diǎn))的數(shù)量及類型卻非常相似。此種變化完全可以用不同階段內(nèi)的斜率特征來(lái)體現(xiàn)。因此，本文提出了基于窗口斜率拐點(diǎn)的加權(quán)歐氏距離算法進(jìn)行車輛分類識(shí)別。具體描述如下：

(1) 數(shù)據(jù)預(yù)處理

對(duì)于檢測(cè)到的波形數(shù)據(jù)進(jìn)行數(shù)字濾波以及歸一化處理。

(2) 劃分網(wǎng)格

對(duì)于一個(gè)完整的車輛波形曲線，橫坐標(biāo)為觀測(cè)時(shí)間段內(nèi)波形的采樣點(diǎn)數(shù)，縱坐標(biāo)則為處理后的采樣點(diǎn)幅值。利用平行于x軸和y軸的直線將整個(gè)坐標(biāo)軸分割成網(wǎng)格狀，這樣二維波形曲線在平面內(nèi)被劃分為很多網(wǎng)格[9]，如圖6所示。

圖6 完整的小轎車波形曲線Fig.6 Complete car waveform curves

(3) 計(jì)算窗口斜率

設(shè)定窗口閾值為t，網(wǎng)格高度為h。對(duì)于任一窗口，幅值可表示為ai，其窗口斜率為

通過(guò)計(jì)算波形窗口斜率，可直觀反映出曲線變化的急劇程度，但要注意閾值t的選取。

(4) 得出拐點(diǎn)特征向量

(5) 計(jì)算歐氏加權(quán)距離

通過(guò)大數(shù)據(jù)分析，已確定并在數(shù)據(jù)庫(kù)中存儲(chǔ)了M種已知車型的斜率拐點(diǎn)特征向量，其中，第i種車型的特征值表示為當(dāng)傳感器檢測(cè)到未知車輛時(shí)，通過(guò)計(jì)算該車輛的特征向量Vx與數(shù)據(jù)庫(kù)中已知車型的斜率拐點(diǎn)特征向量Vi的歐氏距離，即可匹配出該車輛的車型，計(jì)算公式如下。

其中，wk表示加權(quán)量，該值與待測(cè)車輛速度有關(guān)系，歸一化之后一般可設(shè)置為 1。表示未知車型的特征值與已知車型特征值之間的距離，數(shù)值越小，代表兩者越相似。如果最小，則判定未知車輛的車型為第k類。

3 實(shí)驗(yàn)及結(jié)果分析

為檢測(cè)該算法效果，本實(shí)驗(yàn)采用實(shí)地檢測(cè)，將2個(gè)TMR中+CC系列傳感器與線圈安裝至選定道路同一位置進(jìn)行自由流檢測(cè)，記錄過(guò)往車輛的數(shù)據(jù)并保存至文件。

3.1 算法分析

(1) 數(shù)據(jù)采樣及預(yù)處理

采用雙節(jié)點(diǎn)動(dòng)態(tài)采樣機(jī)制，設(shè)T1=20 ms，T0=100 ms時(shí)效果較好。將兩個(gè)TMR傳感器采樣后的數(shù)據(jù)存儲(chǔ)至軟件，可顯示出不同類型車輛的波形特征。其中橫軸為采樣點(diǎn)數(shù)、縱軸為采樣值。圖 7為某大貨車實(shí)際檢測(cè)波形，圖8是某小轎車實(shí)際檢測(cè)波形。

由于小轎車底盤(pán)較低，車頭也較矮，離 TMR傳感器距離近，因此檢測(cè)到的波形峰值變化較為明顯。

圖7 兩個(gè)TMR傳感器采樣后某大貨車檢測(cè)波形Fig.7 A large truck waveform detected by two TMR sensors sampling

8 兩個(gè)TMR傳感器采樣后某小轎車檢測(cè)波形Fig.8 A car waveform detected by two TMR sensors sampling

(2) 根據(jù)圖形特征，劃分網(wǎng)格，并計(jì)算拐點(diǎn)的特征值大小

以圖5節(jié)點(diǎn)A為例，通過(guò)網(wǎng)格劃分，設(shè)窗口閾值t=1 s，則可得出每個(gè)窗口的斜率，由此確定拐點(diǎn)及數(shù)目，排除干擾點(diǎn)。其該車輛有5個(gè)極大值點(diǎn)，采樣的強(qiáng)度值分別為 159、176、156、163、159，另有4個(gè)極小值點(diǎn)，采樣的強(qiáng)度值分別為73、86、83、91，則該車輛的極大值拐點(diǎn)特征向量為Vmax=(159，176，156，163，159)，極小值拐點(diǎn)特征向量為Vmin=(73，86，83，91)。

(3) 計(jì)算加權(quán)歐氏距離

表 2為已存儲(chǔ)的部分車輛極大值拐點(diǎn)特征向量，表3為對(duì)應(yīng)的極小值拐點(diǎn)特征向量。

根據(jù)式(2)，計(jì)算待測(cè)車輛與已知模板的特征值發(fā)現(xiàn)，Vmax與模板 7的歐氏距離最接近，Vmin與模板7的歐氏距離最接近。對(duì)照模板表發(fā)現(xiàn)，該車輛為大型車，與人工監(jiān)測(cè)結(jié)果一致，且計(jì)算時(shí)耗低，效率高。

表2 部分車輛極大值拐點(diǎn)特征向量Table 2 The part of feature vectors of vehicle maximum inflection points

表3 部分車輛極小值拐點(diǎn)特征向量Table 3 The part of feature vectors of vehicle minimum inflection points

3.2 實(shí)驗(yàn)結(jié)果

為了更直觀地監(jiān)測(cè)和識(shí)別車輛信息，本實(shí)驗(yàn)結(jié)合C語(yǔ)言及串口通信技術(shù)，開(kāi)發(fā)了一套同步TMR車型識(shí)別軟件。該軟件可將TMR傳感器采集到的數(shù)據(jù)以波形圖的方式實(shí)時(shí)顯示，并根據(jù)以上加權(quán)歐氏距離算法，快速地進(jìn)行車型匹配，得出結(jié)論。

圖9～11分別為2.2節(jié)提到的小中大型車輛的顯示效果圖。

通過(guò)對(duì)比極大值、極小值以及波形圖可發(fā)現(xiàn)：車型越大，波形圖的拐點(diǎn)或極值點(diǎn)就越多；極大值對(duì)應(yīng)于車頭，車頭距離地面越近，采樣幅值越大；極小值對(duì)應(yīng)于車輛底盤(pán)，底盤(pán)越低，對(duì)應(yīng)的采樣幅值越高。因此，隨著車型的不斷增大，極大值幅值越小，而極小值幅值越大。

圖9 某小型車識(shí)別效果Fig.9 The recognition effect of a small car

圖10 某中型車識(shí)別效果Fig.10 The recognition effect of a medium car

圖11 某大型車識(shí)別效果Fig.11 The recognition effect of a large car

3.3 性能分析

本文通過(guò)TMR傳感器及線圈對(duì)實(shí)際道路車輛進(jìn)行檢測(cè)，其流量和車速統(tǒng)計(jì)結(jié)果如表4、5所示。

表4 流量測(cè)試驗(yàn)證Table 4 Flow test validation

表5 速度測(cè)試驗(yàn)證Table 5 Speed test validation

從以上測(cè)試結(jié)果來(lái)看，TMR效應(yīng)檢測(cè)器在流量檢測(cè)方面略低于線圈檢測(cè)器的檢測(cè)，但在速度檢測(cè)方面都高于線圈檢測(cè)器，且TMR傳感器功耗低、維護(hù)簡(jiǎn)單，無(wú)傳輸時(shí)延。總的來(lái)說(shuō)，TMR效應(yīng)檢測(cè)器在車輛檢測(cè)技術(shù)中能達(dá)到比較好的檢測(cè)效果，可廣泛應(yīng)用于智能交通的車輛檢測(cè)中。

4 總 結(jié)

本文分析了隧道結(jié)磁性電阻效應(yīng)TMR的原理及特點(diǎn)，并提出單點(diǎn)間歇、雙點(diǎn)交替的動(dòng)態(tài)采樣間隔和喚醒互補(bǔ)檢測(cè)方法，配合斜率拐點(diǎn)的加權(quán)歐氏距離算法，使得檢測(cè)器節(jié)點(diǎn)具有功耗更低、體積更小的特點(diǎn)，提高了檢測(cè)效率。實(shí)驗(yàn)結(jié)果表明，TMR效應(yīng)檢測(cè)技術(shù)具有較好的車輛檢測(cè)效果，能實(shí)時(shí)準(zhǔn)確地檢測(cè)和識(shí)別出車輛類型，且使用壽命長(zhǎng)，維護(hù)方便，該算法是可行和有效的。作為先進(jìn)的磁效應(yīng)技術(shù)，對(duì)其深入研究將具有深遠(yuǎn)的實(shí)際意義，相信該技術(shù)將能夠?yàn)橹悄芙煌I(lǐng)域注入新的動(dòng)力。

[1]陸化普, 李瑞敏. 城市智能交通系統(tǒng)的發(fā)展現(xiàn)狀與趨勢(shì)工程研究[J]. 跨學(xué)科視野中的工程, 2014, 6(1): 6-19.

LU Huapu, LI Ruimin. Development status and trend of Urban Intelligent Transportation System[J]. Journal of Engineering Studies, 2014, 6(1): 6-19.

[2]謝旭, 李季隆, 趙俊亮, 等. 基于遺傳算法的車輛參數(shù)識(shí)別方法[J]. 浙江大學(xué)學(xué)報(bào)(工學(xué)版), 2010, 44(8): 1818-1824.

XIE Xu, LI Jilong, ZHAO Junliang, Identification of vehicle parameters based on genetic algorithm[J]. Journal of Zhejiang University (Engineering Science), 2010, 44(8): 1818-1824.

[3]周辰雨, 張亞岐, 李健. 基于 SVM 的車輛識(shí)別技術(shù)[J]. 科技導(dǎo)報(bào),2012, 30(30): 53-57.

ZHOU Chenyu, ZHANG Yaqi, LI Jian. Vehicle identification technology based on SVM[J]. Science & Technology Review, 2012,30(30): 53-57

[4]雷旭, 侯瑩瑩, 武奇生. 地磁車輛檢測(cè)器車型分類算法設(shè)計(jì)[J]. 長(zhǎng)安大學(xué)學(xué)報(bào)(自然科學(xué)版), 2013, 33(5): 118-123.

LEI Xu, HOU Yingying, WU Qisheng. Design of vehicle classification algorithm for geomagnetic vehicle detector[J]. Journal of Chang'an University(Natural Science Edition, 2013, 33(5): 118-123.

[5]呂華, 劉明峰, 曹江偉. 隧道磁電阻(TMR)磁傳感器的特性與應(yīng)用[J]. 磁性材料及器件, 2012, 43(3): 1-5.

LV Hua, LIU Mingfeng, CAO Jiangwei. Performance and applications of magnetic sensors based on TMR effect[J]. Journal of Magnetic Materials and Devices, 2012, 43(3): 1-5.

[6]錢(qián)正洪, 白茹, 孫宇澄. GMR/TMR材料及相關(guān)自旋電子芯片研究[J]. 功能材料, 2014, 45(10): 10005-10014.

QIAN Zhenghong, BAI Ru, SUN Yucheng. Study on GMR/TMR materials and related spintronic chips[J]. Journal of Functional Materials, 2014, 45(10): 10005-10014.

[7]薛凌云, 謝作孟. 基于TMR檢測(cè)的遺傳BP神經(jīng)網(wǎng)絡(luò)車輛分類算法[J]. 杭州電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 35(4): 84-87.

XUE Linyun, XIE Zhuomeng. Genetic BP neural network vehicle classification algorithm based on TMR detection[J]. Journal of Hangzhou Dianzi University(Natural Sciences), 2015, 35(4): 84-87.

[8]王麗麗, 賈誠(chéng). 巨磁阻效應(yīng)研究的最近進(jìn)展[J]. 哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào), 2005, 21(1): 48-50.

WANG Lili, JIA Cheng. Recent progress in the study of giant magnetoresistance[J]. Natural Science Journal of Harbin Normal University, 2005, 21(1): 48-50.

[9]張建軍, 陳曉, 趙意. 一種無(wú)線傳感器節(jié)點(diǎn)動(dòng)態(tài)采樣策略[J]. 電子測(cè)量與儀器學(xué)報(bào), 2016, 30(2): 249-255.

ZHANG Jianjun, CHEN Xiao, ZHAO Yi. A dynamic sampling strategy for wireless sensor nodes[J]. Journal of Electronic Measurement and Instrumentation, 2016, 30(2): 249-255.