基于模糊神經(jīng)網(wǎng)絡(luò)的車(chē)輛類(lèi)型自動(dòng)檢測(cè)

黎俊輝，張少騰，邢 軍，郭良棟，徐做師

（1.遼寧科技大學(xué) 理學(xué)院，遼寧 鞍山 114051；2.遼寧科技大學(xué) 圖書(shū)館，遼寧 鞍山 114051；3.鞍山市人民檢察院 檢察技術(shù)處，遼寧 鞍山 114001）

基于模糊神經(jīng)網(wǎng)絡(luò)的車(chē)輛類(lèi)型自動(dòng)檢測(cè)

黎俊輝1，張少騰1，邢 軍2，郭良棟1，徐做師3

（1.遼寧科技大學(xué) 理學(xué)院，遼寧 鞍山 114051；2.遼寧科技大學(xué) 圖書(shū)館，遼寧 鞍山 114051；3.鞍山市人民檢察院 檢察技術(shù)處，遼寧 鞍山 114001）

高速公路車(chē)輛類(lèi)型自動(dòng)檢測(cè)是智能交通系統(tǒng)中的一個(gè)重要組成部分。本文提出了一種用于高速公路車(chē)輛類(lèi)型檢測(cè)的T-S型模糊神經(jīng)網(wǎng)絡(luò)（T-SFNN）模型。通過(guò)幾何模型，從激光傳感器所采集的數(shù)據(jù)中提取車(chē)型特征向量。在此基礎(chǔ)上，設(shè)計(jì)出模糊神經(jīng)網(wǎng)絡(luò)車(chē)輛類(lèi)型識(shí)別檢測(cè)器并對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行有效地訓(xùn)練與測(cè)試。仿真結(jié)果表明，該方法的收斂速度快，車(chē)輛類(lèi)型識(shí)別的精度較高，具有穩(wěn)定的輸出性。

模糊神經(jīng)網(wǎng)絡(luò)；車(chē)輛類(lèi)型識(shí)別；激光傳感器；智能交通

為了考察高速公路的車(chē)輛通行情況，利用安裝在路側(cè)的傳感裝置獲取車(chē)輛類(lèi)型及流量等數(shù)據(jù)。車(chē)型自動(dòng)檢測(cè)系統(tǒng)是高速公路車(chē)流量管理的基礎(chǔ)，也是智能交通系統(tǒng)的一個(gè)重要組成部分。只有對(duì)車(chē)輛準(zhǔn)確檢測(cè)，才能有效管控高速公路車(chē)輛，減少超限超載等危險(xiǎn)現(xiàn)象的發(fā)生，保護(hù)公路基礎(chǔ)設(shè)施，延長(zhǎng)公路的使用壽命。Gupte等［1］給出了基于視覺(jué)圖像的車(chē)輛自動(dòng)分類(lèi)算法，該算法能在連續(xù)的圖像序列中識(shí)別出車(chē)輛并進(jìn)行分類(lèi)。Wang等［2］以基于壓電薄膜交通傳感器的車(chē)輛識(shí)別基礎(chǔ)為基礎(chǔ)，結(jié)合激光測(cè)距獲取車(chē)輛高度，來(lái)對(duì)車(chē)型進(jìn)行分類(lèi)。禹琳琳［3］利用LMS二維激光測(cè)距傳感器對(duì)車(chē)輛輪廓高速動(dòng)態(tài)掃描，分析接受到的實(shí)時(shí)數(shù)據(jù)，實(shí)現(xiàn)了車(chē)輛的寬高檢測(cè)。胡方明等［4］從圖像中獲取車(chē)型特征向量，用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)出車(chē)輛分類(lèi)器。胡彬等［5］以雷達(dá)檢測(cè)數(shù)據(jù)為基礎(chǔ)，在基于多假設(shè)跟蹤模型下采用廣義概率數(shù)據(jù)關(guān)聯(lián)算法處理數(shù)據(jù)進(jìn)行車(chē)輛檢測(cè)。這些方法成本高且計(jì)算較復(fù)雜，如通過(guò)壓電薄膜等傳感器進(jìn)行識(shí)別需要在每個(gè)車(chē)道安裝傳感器，而且大多數(shù)都要結(jié)合多種傳感器才能進(jìn)行檢測(cè)；圖像識(shí)別法要對(duì)圖像進(jìn)行降維處理時(shí)往往計(jì)算量很大。本文基于安裝在道路一側(cè)的激光傳感器所采集的數(shù)據(jù)進(jìn)行處理，提取車(chē)輛的高度、長(zhǎng)度、頂長(zhǎng)比、高度方差四類(lèi)特征信息，建立了T-S型（Takagi-Sugeno）模糊神經(jīng)網(wǎng)絡(luò)（FNN，F(xiàn)uzzy neural networks）的車(chē)輛類(lèi)型自動(dòng)檢測(cè)模型。T-S型模糊神經(jīng)網(wǎng)絡(luò)，不僅具有模糊邏輯易于表達(dá)人類(lèi)知識(shí)的優(yōu)點(diǎn)，而且還具備神經(jīng)網(wǎng)絡(luò)的分布式信息存儲(chǔ)以及學(xué)習(xí)能力。由于具有神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，參數(shù)可以實(shí)現(xiàn)自主學(xué)習(xí)和調(diào)整，且神經(jīng)網(wǎng)絡(luò)還具有復(fù)雜的非線性處理能力，因此模型具有合理性和可靠性。最后，利用MATLAB給出了模糊神經(jīng)網(wǎng)絡(luò)用于車(chē)輛檢測(cè)的仿真情況。

1 特征參數(shù)提取

首先將激光傳感器獲取的十六進(jìn)制數(shù)據(jù)轉(zhuǎn)化為十進(jìn)制數(shù)據(jù)。為了獲取車(chē)特征信息，建立激光傳感器檢測(cè)車(chē)輛的幾何模型，如圖1所示。

圖1 車(chē)輛通過(guò)測(cè)量區(qū)域的幾何模型Fig.1 Ageometric model of vehicle passing through measurement area

以激光傳感器所掃描出的與道路方向垂直的直線為x軸，與立桿平行且通過(guò)激光頭的直線為y軸，建立二維直角坐標(biāo)系。設(shè)置傳感器的步進(jìn)角度為γ，指定要測(cè)量的角度范圍為［A，B］。則傳感器轉(zhuǎn)一圈獲取的數(shù)據(jù)個(gè)數(shù)為

傳感器的參數(shù)設(shè)置應(yīng)保證n為正整數(shù)；γ的設(shè)置要使得激光傳感器掃描每一圈時(shí)都能在相同的角度位置獲取數(shù)據(jù)；并且A與B的指定數(shù)值要使激光傳感器可以?huà)呙璧秸麄€(gè)路面的寬度。

高速公路的每車(chē)道寬為pm。不考慮應(yīng)急車(chē)道和中央隔離帶的情況下，雙向四個(gè)車(chē)道的高速公路寬度為4pm。因此從激光頭發(fā)射點(diǎn)垂直向下發(fā)射開(kāi)始，在旋轉(zhuǎn)一圈的時(shí)間內(nèi)，每轉(zhuǎn)γ時(shí)，激光頭發(fā)射點(diǎn)到地面的固定距離為

式中：H為激光傳感器到地面的垂直高度；k=0，1，2，…。

由于傳感器測(cè)量的頻率較高，在獲取數(shù)據(jù)時(shí)不可避免地有一定的誤差。激光頭的外形尺寸類(lèi)似于一個(gè)圓，其半徑相對(duì)于傳感器旋轉(zhuǎn)軸到地面的距離可以忽略不計(jì)。在此規(guī)定一個(gè)誤差范圍R=［-0.1，0.1］（單位：m）。用傳感器轉(zhuǎn)過(guò)一定的角度時(shí)獲取的距離數(shù)據(jù)Lk在同一個(gè)角度下傳感器到地面的距離L′k進(jìn)行比較。當(dāng)沒(méi)有汽車(chē)進(jìn)入到掃描區(qū)域內(nèi)時(shí)，激光傳感器采集到的只是傳感器到地面的直線距離數(shù)據(jù)；若汽車(chē)進(jìn)入了掃描區(qū)域，則激光傳感器此時(shí)采集到的距離數(shù)據(jù)會(huì)變小，由于車(chē)輛自身具有高度，激光傳感器到車(chē)輛的直線距離會(huì)比到地面時(shí)的直線距離要小。

若發(fā)現(xiàn)獲取的數(shù)據(jù)值與Lk之間的誤差超過(guò)誤差范圍R時(shí)，則認(rèn)為有車(chē)輛已經(jīng)進(jìn)入了測(cè)量區(qū)域；而后繼續(xù)對(duì)比，直到有數(shù)據(jù)值與其對(duì)應(yīng)的Lk相等或兩者之間的誤差在R內(nèi)時(shí)，則激光傳感器開(kāi)始掃射地面了，這表示激光傳感器對(duì)此車(chē)輛完成了一次數(shù)據(jù)采集。隨后激光傳感器繼續(xù)對(duì)車(chē)道掃描，采集這一圈掃描中其他進(jìn)入到測(cè)量區(qū)域車(chē)輛的數(shù)據(jù)。按照這種方式，從激光傳感器采集到汽車(chē)車(chē)頭的數(shù)據(jù)開(kāi)始，直到采集完汽車(chē)車(chē)尾的數(shù)據(jù)后，完整地獲得這輛汽車(chē)的數(shù)據(jù)樣本。

1.1 車(chē)輛高度

當(dāng)某一個(gè)車(chē)輛處于測(cè)量區(qū)域時(shí)，傳感器每獲取一個(gè)采集點(diǎn)的數(shù)據(jù)L，通過(guò)步進(jìn)角度γ以及此時(shí)激光與y軸的夾角θ，計(jì)算車(chē)輛高度

如圖1所示，θ1為傳感器第一次采集到目標(biāo)車(chē)輛的數(shù)據(jù)時(shí)，激光與y軸的夾角，θm為最后一次采集到目標(biāo)車(chē)輛的夾角數(shù)據(jù)。θ1與θm之間的角度（包括θ1與θm）均可以根據(jù)步進(jìn)角度γ計(jì)算出來(lái)。傳感器每旋轉(zhuǎn)λ角度時(shí)便獲取一個(gè)數(shù)據(jù)，當(dāng)激光頭垂直向下掃描時(shí)，θ=0°，自左向右逆時(shí)針旋轉(zhuǎn)獲取下一次數(shù)據(jù)時(shí)θ=γ。

在掃描第一圈的過(guò)程中，所有獲取的關(guān)于這一目標(biāo)車(chē)輛的每一個(gè)測(cè)量點(diǎn)所對(duì)應(yīng)的車(chē)輛高度根據(jù)式（1）計(jì)算出來(lái)，并組成一個(gè)高度數(shù)據(jù)序列

式中：h1表示第一次掃射到目標(biāo)車(chē)輛時(shí)所對(duì)應(yīng)的高度值；hm表示最后一次掃射到目標(biāo)車(chē)輛時(shí)所對(duì)應(yīng)的高度值。

如圖1所示，根據(jù)車(chē)身高度的定義，車(chē)身高度即從地面算起，到汽車(chē)最高點(diǎn)的距離。在這一圈的掃描中被測(cè)量的車(chē)輛的高度［6］為

每一圈測(cè)量時(shí)獲得車(chē)輛高度h2,h3,…,hp。近似認(rèn)為車(chē)輛的實(shí)際高度為

1.2 車(chē)輛長(zhǎng)度

描述車(chē)輛的幾何特征以及區(qū)分不同種類(lèi)車(chē)輛時(shí)，車(chē)長(zhǎng)是另外一個(gè)重要的特征，通常面包車(chē)、轎車(chē)的車(chē)長(zhǎng)比客車(chē)、貨車(chē)的車(chē)長(zhǎng)要小。在這里，記激光頭旋轉(zhuǎn)一圈獲取的測(cè)量數(shù)據(jù)為一次采樣，在已知激光頭的旋轉(zhuǎn)頻率固定的情況下，如果知道某一車(chē)輛的速度v，那么車(chē)輛每次采樣之間的車(chē)身距離

通過(guò)采樣數(shù)量，計(jì)算出汽車(chē)的車(chē)身總長(zhǎng)度［5］

式中：t表示采樣測(cè)量數(shù)據(jù)的時(shí)間間距，s；n為采樣數(shù)量；f為激光的旋轉(zhuǎn)頻率，Hz。

雙向四車(chē)道高速公路的設(shè)計(jì)速度為80 km/h。在這里可以假定一車(chē)道和四車(chē)道的車(chē)輛的平均速度為80 km/h；二車(chē)道和三車(chē)道為超車(chē)道，車(chē)輛的平均速度為100 km/h。

1.3 車(chē)輛頂長(zhǎng)比

不同車(chē)型的車(chē)頂位置不同，且車(chē)頂長(zhǎng)度占車(chē)身長(zhǎng)度的比例也有所區(qū)別。客車(chē)的車(chē)頂長(zhǎng)度與車(chē)身長(zhǎng)度接近；轎車(chē)的車(chē)頂長(zhǎng)度約為車(chē)身長(zhǎng)度的一半，且車(chē)頂位于車(chē)身的中部或中后部；貨車(chē)的車(chē)頂長(zhǎng)度所占車(chē)身長(zhǎng)度的比例很小，且車(chē)頂都位于車(chē)輛的前部。據(jù)此，為了更進(jìn)一步對(duì)測(cè)量車(chē)輛進(jìn)行分類(lèi)，本文選取“頂長(zhǎng)比”作為車(chē)輛的又一個(gè)幾何特征。頂長(zhǎng)比即車(chē)頂長(zhǎng)度與車(chē)輛長(zhǎng)度的比值［6］，如圖2所示，這里以轎車(chē)為例，頂長(zhǎng)比就為C/D。

1.4 高度序列方差

貨車(chē)的車(chē)身較長(zhǎng)較高，當(dāng)貨車(chē)裝載集裝箱后，整個(gè)外形都與客車(chē)相近，因此還需引入其他特征區(qū)分客車(chē)與貨車(chē)。

圖2 車(chē)輛頂長(zhǎng)比示意圖Fig.2 Length ratio of top of vehicle

客車(chē)的頂部近似為一條直線，而貨車(chē)的頂部由于貨車(chē)與牽引車(chē)連接處的空隙、貨物頂端高度與車(chē)篷高度的差別以及貨物頂端的不平整性等原因，導(dǎo)致貨車(chē)頂部高度數(shù)據(jù)序列的方差較大，因此引入高度序列方差這個(gè)特征用于區(qū)別大客車(chē)與貨車(chē)。

根據(jù)車(chē)輛頂部高度數(shù)據(jù)序列{h1,h2,…,hm}，引入特征量方差 D(h)［6］

2 基于T-S型模糊神經(jīng)網(wǎng)絡(luò)的車(chē)輛類(lèi)型識(shí)別

通過(guò)結(jié)合模糊推理系統(tǒng)與人工神經(jīng)網(wǎng)絡(luò)，構(gòu)造出具有自適應(yīng)性學(xué)習(xí)能力的模糊神經(jīng)網(wǎng)絡(luò)。模糊模型主要有Mamdani模型和Takagi-Sugeno模型兩種。本文選取的是基于Takagi-Sugeno型的模糊神經(jīng)網(wǎng)絡(luò)，該模糊神經(jīng)網(wǎng)絡(luò)不僅計(jì)算簡(jiǎn)單利于數(shù)學(xué)分析，而且還能不斷自動(dòng)更新、不斷修正模糊子集的隸屬函數(shù)［7］。

2.1 T-S模糊神經(jīng)網(wǎng)絡(luò)的基本原理

本文采用的T-S模糊神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示［8］。

（1）輸入層：輸入層與輸入向量xi連接，節(jié)點(diǎn)數(shù)與輸入向量的維數(shù)相同。由于輸入向量由4個(gè)車(chē)輛特征組成，所以n=4。

（2）模糊化層：根據(jù)模糊規(guī)則計(jì)算各輸入變量xj得到模糊隸屬度μ。

式中：j=1,2,…,k;i=1,2,…,n；cij和bij分別為高斯隸屬度函數(shù)的中心和寬度；A為模糊規(guī)則集；k為輸入向量緯度；n為模糊子集數(shù)。模糊數(shù)的隸屬度函數(shù)可以是連續(xù)形式，也可以是離散形式。常用的隸屬度函數(shù)有：高斯、sigmoid、三角形以及鐘形隸屬函數(shù)等［8］。

圖3 T-S模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 T-S Fuzzy neural network structure

（3）模糊規(guī)則計(jì)算層：將各隸屬度進(jìn)行模糊計(jì)算得到ω。

（4）輸出層：計(jì)算模糊神經(jīng)網(wǎng)絡(luò)的輸出，輸出為每條規(guī)則的輸出量的加權(quán)平均。

2.2 網(wǎng)絡(luò)設(shè)計(jì)及車(chē)輛識(shí)別仿真

在這里，輸入向量為X=[x1,x2,x3,x4]，分別對(duì)應(yīng)上述四種車(chē)輛特征，輸出為Y，存儲(chǔ)網(wǎng)絡(luò)的輸出。本文識(shí)別樣本來(lái)源于某東北三省數(shù)學(xué)建模競(jìng)賽題目，首先利用幾何模型獲取車(chē)輛特征參數(shù)數(shù)據(jù)，再通過(guò)人工的方式根據(jù)車(chē)輛分類(lèi)標(biāo)準(zhǔn)來(lái)確定每輛車(chē)的車(chē)型，依次給每輛車(chē)按照順序作編號(hào)，并打上標(biāo)記，1號(hào)代表轎車(chē)，2號(hào)代表面包車(chē)，3號(hào)代表客車(chē)，4號(hào)代表貨車(chē)。隱含層神經(jīng)元個(gè)數(shù)為8個(gè)，隸屬度函數(shù)b和c通過(guò)隨機(jī)初始化得到，然后計(jì)算網(wǎng)絡(luò)的實(shí)際輸出，并與期望的輸出進(jìn)行比較，利用給定的誤差上限判定是否結(jié)束訓(xùn)練。

根據(jù)文獻(xiàn)［6］的車(chē)輛分類(lèi)標(biāo)準(zhǔn)，從車(chē)輛分類(lèi)標(biāo)準(zhǔn)中隨機(jī)得到500組輸入輸出數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，其中每種車(chē)輛類(lèi)型都有125組輸入輸出數(shù)據(jù)，在這125組數(shù)據(jù)中選取25組數(shù)據(jù)作為測(cè)試數(shù)據(jù)。訓(xùn)練數(shù)據(jù)的迭代誤差和訓(xùn)練數(shù)據(jù)識(shí)別誤差的仿真圖，如圖4和圖5所示。最終，利用訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)對(duì)應(yīng)用樣本進(jìn)行識(shí)別，并且與樣本里真實(shí)的車(chē)輛類(lèi)型進(jìn)行比較，比較結(jié)果以及識(shí)別準(zhǔn)確率見(jiàn)表1。

圖4 誤差關(guān)系Fig.4 Error as a function of iteration number

圖5 訓(xùn)練數(shù)據(jù)識(shí)別誤差Fig.5 Error of training data recognition

表1 車(chē)輛類(lèi)型識(shí)別結(jié)果Tab.1 Results of classification

從圖4中可以看出，T-S模糊神經(jīng)網(wǎng)絡(luò)的收斂速度極快，迭代次數(shù)達(dá)到100步左右之后就開(kāi)始收斂了，而且誤差已經(jīng)能收斂到0.1以?xún)?nèi)。本文設(shè)定模糊神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果與真實(shí)的識(shí)別結(jié)果相差0.1之內(nèi)，認(rèn)為模糊神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果準(zhǔn)確。從圖5可以直觀地看出，訓(xùn)練數(shù)據(jù)的識(shí)別結(jié)果誤差除了個(gè)別一部分外，極大部分都能落在［-0.1，0.1］區(qū)間，跟識(shí)別樣本的真實(shí)車(chē)型很接近。最后利用訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò)對(duì)識(shí)別樣本車(chē)輛類(lèi)型進(jìn)行檢測(cè)，結(jié)果詳見(jiàn)表1。

每一類(lèi)車(chē)型的識(shí)別結(jié)果準(zhǔn)確率均大于85%，準(zhǔn)確率較高。其中，客車(chē)的識(shí)別準(zhǔn)確率達(dá)到100%，而轎車(chē)、面包車(chē)和貨車(chē)三種車(chē)型不能全部識(shí)別。

面包車(chē)識(shí)別結(jié)果偏差最大，這是因?yàn)槟承┐笮兔姘?chē)，如15座面包車(chē)，在尺寸上很接近客車(chē)，不能識(shí)別為面包車(chē)，甚至某部分還會(huì)識(shí)別為客車(chē)，這同樣也說(shuō)明了客車(chē)的識(shí)別率可能是偏高的。貨車(chē)裝載的貨物種類(lèi)很多，形狀多樣，造成貨車(chē)頂部高低不平，影響貨車(chē)的有效識(shí)別。轎車(chē)中的跑車(chē)在尺寸上跟普通轎車(chē)有較大區(qū)別，某些皮卡的形狀也跟轎車(chē)接近，所以遇到這兩類(lèi)車(chē)，也有可能不能識(shí)別為轎車(chē)。

綜上，雖然識(shí)別結(jié)果有偏差，但識(shí)別結(jié)果總體上準(zhǔn)確率是較高的，所以基于模糊神經(jīng)網(wǎng)絡(luò)的車(chē)輛類(lèi)型識(shí)別模型能對(duì)高速公路激光掃描器所采集的數(shù)據(jù)進(jìn)行車(chē)輛類(lèi)型的有效檢測(cè)，證明本文所用的方法對(duì)車(chē)輛的自動(dòng)檢測(cè)具有可行性。

3 結(jié)論

本文討論了高速公路的車(chē)輛檢測(cè)和識(shí)別問(wèn)題，通過(guò)數(shù)據(jù)預(yù)處理與幾何模型提取出車(chē)輛高度、車(chē)輛長(zhǎng)度、車(chē)輛頂長(zhǎng)比和車(chē)輛高度方差序列后，建立了基于模糊神經(jīng)網(wǎng)絡(luò)的車(chē)輛類(lèi)型自動(dòng)檢測(cè)模型。仿真計(jì)算表明，模糊神經(jīng)網(wǎng)絡(luò)收斂速度在100步左右開(kāi)始收斂，收斂速度極快；且車(chē)輛識(shí)別準(zhǔn)確率都能大于85%，模型精度較高，具有穩(wěn)定的輸出性，所以模糊神經(jīng)網(wǎng)絡(luò)方法在檢測(cè)車(chē)輛類(lèi)型上是可行且有優(yōu)越性的。

［1］GUPTES，MASOUD O，MARTIN RFK，et al.Detection and classification of vehicles［J］.IEEE Transactions on Intelligent Transportation Systems，2002，3（1）：37-47.

［2］WANG L，JING N，YAO C.Construction of traffic control vehicle type identification system based on piezoelectric sensing and laser ranging［J］.Sensor Letters，2015，13（12）：1022-1027.

［3］禹琳琳.基于激光測(cè)距技術(shù)的車(chē)輛寬高檢測(cè)系統(tǒng)的設(shè)計(jì)［J］.電子設(shè)計(jì)工程，2011，19（10）：103-106.

［4］胡方明，簡(jiǎn)琴，張秀君.基于BP神經(jīng)網(wǎng)絡(luò)的車(chē)型分類(lèi)器［J］.西安電子科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2005，32（3）：439-442.

［5］胡彬，趙春霞.基于MHT模型的毫米波雷達(dá)車(chē)輛檢測(cè)方法［J］.南京理工大學(xué)學(xué)報(bào)，2012，36（4）：557-560.

［6］樊大帥；張軍；王寒凝.基于多傳感器的車(chē)輛外圍輪廓檢測(cè)和車(chē)型識(shí)別系統(tǒng)［C］//第三十一屆中國(guó)控制會(huì)議論文集D卷，合肥，2012：1558-1562.

［7］李國(guó)勇.神經(jīng)模糊預(yù)測(cè)控制及其MATLAB實(shí)現(xiàn)［M］.北京：電子工業(yè)出版社，2013：262-267.

［8］蒙霞，張有山，郭良棟.基于模糊神經(jīng)網(wǎng)絡(luò)的電能耗預(yù)測(cè)模型［J］.遼寧科技大學(xué)學(xué)報(bào)，2015，38（6）：440-445.

［］［］

Automatic detection and classification of vehicles based on fuzzy neural network

LI Junhui1，ZHANG Shaoteng1，XING Jun2，GUO Liangdong1，XU Zuoshi3

（1.School of Science，University of Science and Technology Liaoning，Anshan 114051，China；2.Library，University of Science and Technology Liaoning，Anshan 114051，China；3.Institute of Forensic Science，Anshan Municipal People's Procuratorate，Anshan 114001，China）

Automatic detection and classification of vehicles in highway is an important part of intelligent transportation system.In this paper，a Takagi-Sugeno fuzzy neural network（FNN）model for automatic detection and classification of vehicles is proposed.The parameters of vehicle can be obtained from the data which laser sensor collects by using geometrical model.On this basis，an automatic vehicle identification system based on fuzzy neural network is designed.Furthermore，the system can be trained and tested effectively.At last，the simulation result demonstrates the method has the advantages of fast convergence speed，high precision and stable output.

fuzzy neural network；vehicles detection；laser sensor；intelligent transportation system

March 12，2017）

TP183

A

1674-1048（2017）04-0287-06

2017-03-12。

黎俊輝（1994—），男，廣東清遠(yuǎn)人。

邢軍（1976—），女，遼寧葫蘆島人，講師。

10.13988/j.ustl.2017.04.009