摘 要： 環(huán)形線圈檢測(cè)器是目前使用最廣泛的一種車輛檢測(cè)器，但其在對(duì)騎線車輛的檢測(cè)方面存在誤判的可能性，這種誤判影響車輛檢測(cè)的準(zhǔn)確性。本文通過分析環(huán)形線圈檢測(cè)原理，進(jìn)而通過對(duì)車輛檢測(cè)數(shù)據(jù)進(jìn)行分析，提出了一種基于時(shí)間序列分層匹配的騎線車輛檢測(cè)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(cè)器；分層匹配；EMD分解；序列轉(zhuǎn)換

0 引言

　　隨著經(jīng)濟(jì)前進(jìn)的步伐，道路上機(jī)動(dòng)車日益增多，交通負(fù)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(cè)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(zhǔn)確性將影響到后續(xù)對(duì)交通信息的分析和處理。環(huán)形線圈檢測(cè)器是目前使用最廣泛的一種車輛檢測(cè)器，其在全天候、高精度車輛檢測(cè)方面有其他檢測(cè)器無法比擬的優(yōu)勢(shì)[1-2]。然而它存在著一個(gè)缺陷：如果車輛按正常車道行駛，那它能夠精確檢測(cè)車輛；但當(dāng)車輛違章騎線行駛時(shí)，相鄰的兩個(gè)線圈都會(huì)檢測(cè)到有車，這時(shí)就會(huì)產(chǎn)生誤判。這會(huì)在很大程度上影響交通信息采集的準(zhǔn)確性與可信度。本文基于該缺陷，提出了一種基于時(shí)間序列分層匹配的騎行車輛檢測(cè)方法，較好地提高了車輛檢測(cè)器采集數(shù)據(jù)的準(zhǔn)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(cè)原理分析

　　1.1 線圈檢測(cè)原理

　　線圈檢測(cè)器工作時(shí)，內(nèi)部LC振蕩電路產(chǎn)生一定頻率的正弦信號(hào)，該信號(hào)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?cè)撔盘?hào)的頻率，檢測(cè)器通過檢測(cè)信號(hào)頻率的變化來判別車輛。車輛相當(dāng)于一個(gè)電感與電阻串聯(lián)的閉合環(huán)路，其與環(huán)形線圈及檢測(cè)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(cè)電路及車輛的總體等效電感；Rp為環(huán)形線圈和檢測(cè)電路的等效電阻；Lp為環(huán)形線圈和檢測(cè)電路的等效電感；ω為L(zhǎng)C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(chéng)等人的實(shí)驗(yàn)表明，當(dāng)車輛檢測(cè)器的工作頻率為20 kHz~400 kHz時(shí)，渦流效應(yīng)在車輛線圈檢測(cè)中起主導(dǎo)作用[4-5]。當(dāng)車輛停在或駛過線圈上方時(shí)，車輛的金屬部分產(chǎn)生渦流電流，渦流電流產(chǎn)生的磁場(chǎng)與線圈電流產(chǎn)生的磁場(chǎng)方向相反，使得線圈磁場(chǎng)場(chǎng)強(qiáng)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(xiàn)[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(duì)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(huì)有所差異，所以不同的車輛其對(duì)振蕩頻率的改變量也不同。

　　1.2 線圈檢測(cè)器結(jié)構(gòu)簡(jiǎn)介

　　環(huán)形線圈檢測(cè)器主要由環(huán)形線圈、信號(hào)檢測(cè)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(cè)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(diǎn)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(cè)電路，并使線圈電感的變化反映到振蕩電路。三極管Q3對(duì)信號(hào)進(jìn)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(shí)，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(shí)際環(huán)形線圈的電感量范圍（國(guó)標(biāo)GB/T26942-2011：50 μH~700 μH），選擇振蕩電路的激勵(lì)頻率在40 kHz~200 kHz之間。振蕩信號(hào)由Output1輸出，經(jīng)過整形電路后進(jìn)入微處理器，微處理器實(shí)時(shí)計(jì)算當(dāng)前的頻率值。車輛的通過轉(zhuǎn)變成相應(yīng)的時(shí)變頻率曲線被微處理器記錄下來，分析該曲線即可檢測(cè)車輛。

　　1.3 騎線車輛檢測(cè)

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

　　由于不同的車輛對(duì)振蕩頻率改變量不同，經(jīng)過環(huán)形線圈上方時(shí)，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(shí)，由于頻率變化只取決于車輛與環(huán)形線圈的相對(duì)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(shí)間序列曲線，根據(jù)這一特性，可以通過時(shí)間序列的相似性匹配來分析所檢測(cè)的車輛是否為騎線車輛。

2 騎線車輛檢測(cè)方法

　　2.1 時(shí)間序列相似模式的分層匹配

　　車輛檢測(cè)器是一種對(duì)實(shí)時(shí)性要求較高的設(shè)備。綜合考慮匹配算法的可靠性、計(jì)算量以及匹配效率，本文選擇了一種適合騎線車輛檢測(cè)的時(shí)間序列匹配算法。該算法只有當(dāng)相鄰線圈在很短的時(shí)間內(nèi)同時(shí)檢測(cè)到有車時(shí)才會(huì)被調(diào)用。如圖6所示，每一路振蕩頻率采樣值被存儲(chǔ)起來構(gòu)造成時(shí)間序列，匹配算法對(duì)每一路時(shí)間序列進(jìn)行EMD（Empirical Mode Decomposition）分解，提取出趨勢(shì)序列后再進(jìn)行線性分線段轉(zhuǎn)換，隨后進(jìn)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(shí)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(jìn)一步判斷序列間的歐式距離來進(jìn)行序列細(xì)匹配。若細(xì)匹配不成功，則判定為不同車輛；若細(xì)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(jìn)行序列匹配的算法[9-10]，這些算法能夠進(jìn)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(jìn)行線性線段轉(zhuǎn)換。序列信號(hào)可以分解為趨勢(shì)信號(hào)和細(xì)節(jié)信號(hào)。趨勢(shì)信號(hào)反映信號(hào)的整體，信號(hào)變化頻率較低；而細(xì)節(jié)信號(hào)是序列的高頻部分，不適合分線段表示。所以在進(jìn)行線性線段轉(zhuǎn)換之前需要去除信號(hào)的細(xì)節(jié)部分，提取出趨勢(shì)信號(hào)。EMD方法被認(rèn)為是目前提取時(shí)間序列趨勢(shì)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(gè)條件：

　?。?）采樣數(shù)據(jù)的極值點(diǎn)與過零點(diǎn)個(gè)數(shù)之差不超過1；

　?。?）極大點(diǎn)構(gòu)成的包絡(luò)與極小點(diǎn)構(gòu)成的包絡(luò)關(guān)于時(shí)間t軸對(duì)稱。

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

　　其中，Cj(t)為滿足IMF條件的子信號(hào)，rn(t)為要提取的趨勢(shì)序列數(shù)據(jù)。具體分解步驟可參閱參考文獻(xiàn)[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(shì)序列后，先對(duì)序列進(jìn)行分線段轉(zhuǎn)換，達(dá)到數(shù)據(jù)壓縮目的，以提高序列的匹配速度。此后為了計(jì)算方便，序列需要進(jìn)行字符轉(zhuǎn)換[13]。假設(shè)趨勢(shì)序列rn(t)長(zhǎng)度為m×n，將趨勢(shì)序列等分成n段，每段中有m個(gè)采樣點(diǎn)，?。↘1，K2，…，Kn）組成新序列，對(duì)其進(jìn)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(hào)轉(zhuǎn)換如圖7所示，當(dāng)KYiR-KYiL≥0時(shí)，li=1；否則，li=0，其中KYiR為線段右端點(diǎn)值，KYiL為線段左端點(diǎn)值。圖中序列段通過線段和符號(hào)轉(zhuǎn)換后，轉(zhuǎn)變?yōu)椋?1101）。

　　2.4 序列粗匹配與細(xì)匹配

　　通過判斷兩時(shí)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(biāo)準(zhǔn)。本文采用趨勢(shì)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(gè)等長(zhǎng)時(shí)間序列，給定閾值ε，如果滿足條件：

　　則稱時(shí)間序列垂直移動(dòng)相似。該度量方法可以避免兩相似時(shí)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(gè)等長(zhǎng)時(shí)間序列，它們進(jìn)行序列符號(hào)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(shí)間序列趨勢(shì)相似。

　　在將趨勢(shì)序列轉(zhuǎn)換為相應(yīng)字符序列后，根據(jù)定義2與實(shí)際測(cè)試情況選擇合適的閾值，首先對(duì)兩序列進(jìn)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(jìn)一步進(jìn)行序列細(xì)匹配。細(xì)匹配之前需要對(duì)序列做歸一化處理，以便有一個(gè)相同的衡量標(biāo)準(zhǔn)。根據(jù)定義1與實(shí)際測(cè)試情況可以為細(xì)匹配選擇合適的閾值。若細(xì)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(shí)驗(yàn)結(jié)果與分析

　　實(shí)驗(yàn)中對(duì)實(shí)際車輛頻率變化曲線進(jìn)行EMD分解。圖8(a)、(b)為不同車輛同時(shí)經(jīng)過環(huán)形線圈時(shí)頻率變化曲線（圖4）的EMD分解。由于趨勢(shì)序列變化較緩慢，可取50個(gè)采集點(diǎn)為一個(gè)分段，將趨勢(shì)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(cè)量為非騎線車輛，這與實(shí)際相符合。圖9為騎線車輛經(jīng)過環(huán)形線圈時(shí)，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(jìn)行了細(xì)匹配，序列間的歐氏距離計(jì)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(shí)際中閾值的設(shè)定。所以細(xì)匹配成功，判斷該次測(cè)量為騎線車輛，這與實(shí)際相符合。

4 結(jié)論

　　本文對(duì)騎線車輛與非騎線車輛的頻率曲線進(jìn)行了分析。當(dāng)兩輛車在各自的車道上同時(shí)經(jīng)過環(huán)形線圈時(shí)，該檢測(cè)方法能夠準(zhǔn)確判斷出該次測(cè)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(shí)，該檢測(cè)方法可判斷出該車輛為騎線車輛。實(shí)驗(yàn)結(jié)果證明了該測(cè)試方法有效可行。在實(shí)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(cè)器通常只進(jìn)行粗匹配就能夠很好地判斷出非騎線車輛，細(xì)匹配則是用來進(jìn)一步分析判斷出騎線車輛。粗匹配成功，細(xì)匹配不成功的車輛非常少，需要更大量的測(cè)試數(shù)據(jù)才能夠更精確地設(shè)定細(xì)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(cè)出騎線車輛，大大提高了匹配效率，十分符合車輛檢測(cè)器實(shí)時(shí)性要求。

　　參考文獻(xiàn)

　　[1] 孔俊麗，周重陽(yáng)，朱雨婷. 基于磁阻傳感器的無線車輛檢測(cè)器的設(shè)計(jì)[J]. 微型機(jī)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(jì)數(shù)門限的車檢器設(shè)計(jì)[J]. 電子技術(shù)應(yīng)用, 2012,38(1):21-23.

　　[3] 馮慈璋. 電磁場(chǎng)[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(chéng). 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(bào), 1995,16(2):56-59.

　　[6] 邢磊. 車輛檢測(cè)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(cè)方法[J]. 華南理工大學(xué)學(xué)報(bào), 2007,35(7):22-24.

　　[8] 邱海欽. 智能車輛檢測(cè)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.