如何提高高速公路收费效率和准确性的研究探讨

[摘要]随着现代计算机及信息技术的飞速发展,越来越多的智能化、信息化的技术和设备被广泛应用于智能交通系统。而车型自动分类与识别技术作为智能交通领域的一个重要的分支,得到了更多的关注和研究。本文首先介绍了车型自动分类与识别技术的现实意义以及其当前的研究内容。然后重点分析了音频车辆检测分类与识别,包括音频信号建模及特征提取和车辆音频信号的特征提取及车型分类。最后指出了尚待完善的问题。

[关键词]车型自动分类 音频信号 智能交通

现代计算机及信息技术的飞速发展及其在智能交通领域的广泛应用提供了一种解决交通控制与管理问题的有效途径。车型自动分类与识别技术作为智能交通领域的一个重要的分支,得到了更多的关注和研究。

在交通管理中对车辆进行分型的主要目的是为了统计交通流量或者为道路通行费的征收提供标准和依据。我国现有的交通数据统计还处在主要依靠人工的阶段,在道路通行费用的征收时也主要依靠人工完成车型的分类。一方面,为了更好的规划道路交通建设,需要一种有效的、可实现车辆自动分型统计的交通流量统计技术为其提供可行性研究和理论依据;另一方面,为提高公路,尤其是高速公路的通行能力,需要一种快速准确的车型自动分类技术以提高收费效率和准确性。车型自动分类技术因此具有重要的现实意义和巨大的应用价值。

一、当今车型自动分类与识别技术的研究内容

可以根据检测器的工作原理把现有的车型自动分类与识别技术划分为以下几类:

1. 磁频车辆检测分类与识别

磁频车辆检测器是基于电磁感应原理的车辆检测器。这类检测器包括环形线圈检测器、地磁检测器、磁成像检测器和摩擦电检测器。

利用环形线圈进行车型自动分类的一种方法是依靠车辆经过环形线圈传感器时,车体铁磁物质与环形线圈相互作用改变了线圈的频率,形成感应曲线,针对感应曲线的不同形状,对车辆进行自动分类。

磁成像检测器以近期研究成功的磁成像技术为基础,测量由于车辆的出现而引起的电磁场扰动或变化,通过与已记录的不同结构车辆的磁纹相比较,可以实现车辆的自动分类。

2. 波频车辆检测分类与识别

波频车辆检测器是以微波、超声波和红外线等对车辆发射电磁波而产生感应的检测器。其中超声波检测器和红外检测器在道路交通动态信息检测中已得到了广泛的应用,有较多成熟的产品,超声波检测器可比较准确检测车速、车型、车流量及占有率等信息,红外车辆分离器也在不停车收费等领域发挥着重要的作用。微波雷达检测器由于设备复杂,价格昂贵,并且效果与其他检测手段比较并不具有绝对优势,不认为其能在车型自动分类技术中占据主流位置。

3. 音频车辆检测分类与识别

音频车辆检测技术是通过单麦克风传感器或麦克风传感器阵列采集车辆行驶过程中的音频信号,应用信号处理、模式识别等工具对其进行分析处理,以期得到某种音频信号特征,从而达到车型自动分类的目的。目前出现过的主要方法有基于AR模型参数特征的车型自动分类技术和基于语谱图的纹理特征的车型自动分类技术等。

二、音频信号建模及特征提取

经典的语音信号产生模型是一种线性信号模型,类似的模型也已被应用于车辆音频信号建模中。大量的研究成果表明线性模型在语音信号等音频信号处理中的应用取得了良好的效果。但由于包括语音信号、车辆音频信号在内的很多音频信号都属于非平稳信号,所以经典的线性信号模型具有一定的局限性,使得在此基础上的音频信号处理技术在性能上很难取得突破性的进展。随着非线性动力学、混沌学、神经网络和人工智能等学科的深入研究和发展,目前在语音信号处理方面,基于混沌动力学的语音信号产生机制描述等非线性模型已被建立并取得了良好的效果。

描述音频信号的主要特征参数包括短时能量、短时平均过零率、语谱图特征、倒谱特征、AR模型参数特征、基于AR模型的线性预测LPC参数特征、LPCC倒谱特征、基于DCT的倒谱特征MFCC等。在对现有的特征参数进行加工处理,如对现有特征用特定的方法进行加权、修正、选取与组合而得到新的特征参数,被证明是一种行之有效的方法。语音识别中,提取的声学特征一方面应能表征不同识别基元的声学差异,另一方面又能表征相同识别基元不同样本之间的声学相似性的信息。同样的,在进行车型自动分类时,选择的车辆音频信号特征不但要能表征不同车型之间的声学差异,也要能反映相同车型不同车辆之间的声学相似性信息。

三、车辆音频信号的特征提取及车型分类

1、车辆音频信号的主要特征

车辆音频信号产生过程的复杂性表明车辆音频信号是一个非平稳的信号,现有的声学特征基本上都是针对平稳信号的。所以必须假设车辆音频信号具有短时平稳性,即认为车辆音频信号在一个相当短的时间内是一个平稳信号,这样就可以利用平稳信号的分析方法对其进行分析。一般的声学特征参数主要包括以下三类:

(1)时域特征。时域特征直接从时域信号中计算而来,反映信号的时域波形的特征。时域特征主要包括短时平均能量、短时平均过零率等。

(2)频域及倒谱特征。它们都由时域信号进行频谱变换而反映信号的频域特征。傅立叶频谱、倒谱分析和时频谱都归于此类,对车辆噪声进行一般研究时这类特征比较常见。

(3)听觉特征。听觉特征主要应用于语音信号处理领域。它不直接针对声学模型进行研究,而是从人的听觉系统的感知特性来刻画信号的特征,如感知线性预测分析等。

2. 基于车辆音频信号特征的车型自动分类

在利用车辆音频信号的特征进行车型分类与识别时,是否特征矢量中的各维元素都能反映出车型之间的差异,如何在所取得的特征参数中选择一定数目的可分性最好的参数是特征参数的选取所研究的问题。

在进行特征参数选取时,可以采用前进法、后退法和逐步判别法等策略来选择特征参数。前进法从无开始,逐次引入一个最重要的变量后进行判别,直到预定的所有参数全部被引入,然后从各组判别中选择最优的一个。后退法与之相反。对特征参数逐个进行检验,剔除那些对不同车型的平均值不具备显著性差异的参数。此方法基于车型的特征参数由于个体差异所具有的离散性属于正态分布的假设,可以通过u检验来完成。但前进法和后退法对于每个参数在寻优过程中一旦被剔除以后就一直被排除在外,存在一定的问题。为避免前进法和后退法存在的问题,可以采用逐步判别法。在筛选的每一步,先从尚未选进的参数中引入最优判别能力的参数,此后还应该在新的条件下考察已被选进的变量,剔除其中的多余者。如此重复进行,直到已被选进的参数中没有一个应该被剔除,在所有尚未选进的参数中也没有一个可以被引入为止。

四、尚需完善的问题

从车辆行驶中所产生的音频信号入手,通过对其特征的提取与分析实现车型的自动分类与识别。但目前此方向的研究尚需完善的问题有:

(1)对车辆音频信号产生的过程及各声源在车辆音频信号中所处的地位做进一步准确的研究。需要采取更先进、更有效的测试仪器和方法,花费更多的精力剖析车辆音频信号的本质与特点;

(2)从模型及特征参数出发,采用更加合理的非线性模型,引入更加有效的特征参数或对现有的特征参数进行更加有效的选取与组合,以期对车辆音频信号的产生及特点进行更加合理的数学描述;

(3)使用更有效的数据分析方法,应用更多的现代数据分析研究成果,对样本数据进行更加准确的分析和判断;

五、小结

本文主要研究基于车辆音频信号特征的车型自动分类识别技术。车型自动分类与识别是智能交通的重要组成部分,简便而有效的车型自动分类识别技术对于智能交通控制与管理有着很大的利用价值。与目前多数车型自动分类识别技术不同,本文从车辆行驶中所产生的音频信号入手,通过对其特征的提取与分析实现车型的自动分类与识别。

参考文献:

[1] 杨杰、郭伟. 基于图象处理的车型自动识别及应用研究[J]. 交通与计算机,2001,19(3):30-32

[2] 陈强、王双维、李江,等. 基于AR模型的车型自动分类技术[J]. 吉林大学学报, 2007,37(2):1-2

[3]王帆. 鲁棒语音社别中声学特征的提取与处理研究[D]. 北京:清华大学博士学位论文,2002

[4]Thomas F. Quatieri. 离散时间语音信号处理―原理与应用[M]. 赵胜辉、刘家康、谢湘,等. 北京:电子工业出版社,2004

[5]吴今培、孙德山. 现代数据分析[M]. 北京:机械工业出版社,2006:4-8

[6]杨殿阁. 汽车噪声测量技术:从静止到运动[N]. 中国电子报,2005-6-24(12)

[7]郭仕剑、王宝顺、贺志国,等. MATLAB7.X数字信号处理[M]. 北京:人民邮电出版社,2006:

[8]范金城、梅长林. 数据分析[M]. 北京:科学出版社,2004:135-213

[9] 伊湘源、刘伟铭、管丽萍. 自动车型分类(AVC)系统的研究[J]. 广西交通科技, 2002,4(27):68-70