本发明属于地磁分类识别,具体涉及一种具有磁信号特征车辆的分类识别方法及装置。
背景技术:
1、智能交通系统(its)的提出,使得目前的交通系统将信息技术、传感器技术、计算机技术等综合应用于交通管理体系,如此极大地提升了交通运输效率、缓解交通阻塞,减少交通事故,降低能源消耗,减轻环境污染。
2、而为了有效的进行交通规划,车辆检测与分类技术是极为重要的。在实现车辆检测与分类时,需要在动态的交通环境中有效获取车辆的类别信息,此时传感器技术发挥了重要作用。目前的交通管理系统中,主要采用声、磁传感器以及图像等获取车辆信息,其中磁传感器由于不受天气等自然环境因素的影响,且具有灵敏度高,安装方便等优点而被广泛使用。
3、现有用于采集车辆信息的方案是利用在道路边部署的磁传感器收集大量的车辆磁信号数据,这些数据包含了车辆的类型,行驶速度等信息。但是由于实际场景中,车辆具有多种不同的分类情况,如按照车辆的大小、类型、驱动类型等,而目前的方法对于磁信号的处理以及车辆的及时、准确分类效果欠佳。
技术实现思路
1、本发明要解决的技术问题是提供一种具有磁信号特征车辆的分类识别方法及装置,用于对车辆进行车辆类型、车辆驱动类型进行快速准确地分类识别。
2、本发明的内容包括一种具有磁信号特征车辆的分类识别方法,包括:
3、获得第一车辆的磁信号数据;
4、对所述磁信号数据进行预处理,所述预处理包括以下至少之一:磁补偿、降噪、数据增强、数据扩充;
5、对预处理后的所述磁信号数据进行第一特征提取,得到三分量信号的频谱,并基于所述三分量信号的频谱进行第二特征提取,以得到所述磁信号数据的第一特征向量;
6、确定所述第一车辆的驱动类型和车辆类型,并生成对应标签;
7、将所述第一特征向量作为输入数据,标签作为输出数据来训练第一初始网络模型和第二初始网络模型,以分别形成车辆驱动类型检测模型和车辆类型检测模型;
8、对待检测的第二车辆的磁信号数据进行处理生成第二特征向量,并利用所述车辆驱动类型检测模型和车辆驱动类型检测模型分别处理所述第二特征向量,实现对所述第二车辆进行驱动类型、车辆类型的分类检测。
9、在一些实施例中,所述磁信号数据包括多段磁信号,所述对所述磁信号数据进行预处理,包括:
10、提取所述磁信号数据中每段信号的前20个信号检测值,并计算所有信号检测值的均值作为背景磁场强度值;
11、基于所述背景磁场强度值对所述磁信号数据进行磁补偿,消除信号的背景磁场;
12、过滤消除背景磁场的所述磁信号数据中的噪声及干扰信号;
13、对过滤后的所述磁信号中的每段信号按照预置信噪比分别加入高斯白噪声进行数据增强,以扩充所述磁信号数据。
14、在一些实施例中,所述过滤消除背景磁场的所述磁信号数据中的噪声及干扰信号,包括:
15、过滤消除背景磁场的所述磁信号数据中40hz以上的高频噪声及50hz的工频干扰信号。
16、在一些实施例中,所述对过滤后的所述磁信号中的每段信号按照预置信噪比分别加入高斯白噪声进行数据增强,包括:
17、对过滤后的所述磁信号中的每段信号按照预置信噪比5db、10db、15db、20db、25db依次加入高斯白噪声进行数据增强。
18、在一些实施例中,所述磁信号数据包括多段磁信号,所述三分量信号包括每段磁信号的三分量信号;
19、所述基于所述三分量信号的频谱进行第二特征提取,以得到所述磁信号数据的第一特征向量,包括:
20、提取所述三分量信号的频谱中的单边谱,并截取所述单边谱中的前n个频点中的低频部分,形成频谱特征;
21、提取所述三分量信号中的小波变换能量特征;
22、将对应同一段磁信号的所述频谱特征和小波变换能量特征进行串行特征融合,得到对应每段磁信号的特征向量。
23、在一些实施例中,所述所述第一初始网络模型和第二初始网络模型均由支持向量机模型和卷积神经网络模型构成。
24、在一些实施例中,将所述第一特征向量作为输入数据,标签作为输出数据来训练第一初始网络模型,以形成车辆类型检测模型,包括:
25、利用smote算法对所述第一特征向量、标签按照车辆类别进行数据均衡处理;
26、基于处理后的所述第一特征向量作为输入数据,标签作为输出数据来训练第一初始网络模型,以形成车辆类型检测模型。
27、在一些实施例中,所述支持向量机模型的损失函数为:
28、
29、所述w和b为支持向量机模型的参数,t为向量转置符号,xi为模型变量,yi为输入的车辆类型、车辆驱动类型真实值,为车辆类型、车辆驱动类型的预测值。
30、在一些实施例中,所述卷积神经网络为由两个卷积层、两个池化层和两个全连接层构成的一维卷积神经网络。
31、本发明另一实施例同时提供一种具有磁信号特征车辆的分类识别装置,包括:
32、获得模块,用于获得第一车辆的磁信号数据;
33、预处理模块,用于对所述磁信号数据进行预处理,所述预处理包括以下至少之一:磁补偿、降噪、数据增强、数据扩充;
34、提取模块,用于对预处理后的所述磁信号数据进行第一特征提取,得到三分量信号的频谱,并基于所述三分量信号的频谱进行第二特征提取,以得到所述磁信号数据的第一特征向量;
35、第一确定模块,用于确定所述第一车辆的驱动类型和车辆类型,并生成对应标签;
36、训练模块,用于将所述第一特征向量作为输入数据,标签作为输出数据来训练第一初始网络模型和第二初始网络模型,以分别形成车辆驱动类型检测模型和车辆类型检测模型;
37、检测模块,用于对待检测的第二车辆的磁信号数据进行处理生成第二特征向量,并利用所述车辆驱动类型检测模型和车辆驱动类型检测模型分别处理所述第二特征向量,实现对所述第二车辆进行驱动类型、车辆类型的分类检测。
38、本发明的有益效果包括通过提取车辆的磁信号的频域特征和时频域特征,并采用支持向量机和卷积神经网络作为车辆类型分类模型和车辆驱动类型分类模型的初始模型,通过对车辆的磁信号进行处理形成的特征向量及分类标签进行训练,使得到分别用于对车辆类型和驱动类型进行分类识别的模型,基于该两个分类模型可以实现车辆在两种不同的分类情况下的分类识别,实现了高效率且高准确率的车辆识别分类。
1.一种具有磁信号特征车辆的分类识别方法,其特征在于,包括:
2.根据权利要求1所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述磁信号数据包括多段磁信号,所述对所述磁信号数据进行预处理,包括:
3.根据权利要求2所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述过滤消除背景磁场的所述磁信号数据中的噪声及干扰信号,包括:
4.根据权利要求2所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述对过滤后的所述磁信号中的每段信号按照预置信噪比分别加入高斯白噪声进行数据增强,包括:
5.根据权利要求1所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述磁信号数据包括多段磁信号,所述三分量信号包括每段磁信号的三分量信号;
6.根据权利要求1所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述所述第一初始网络模型和第二初始网络模型均由支持向量机模型和卷积神经网络模型构成。
7.根据权利要求6所述的具有磁信号特征车辆的分类识别方法,其特征在于,将所述第一特征向量作为输入数据,标签作为输出数据来训练第一初始网络模型,以形成车辆类型检测模型,包括:
8.根据权利要求6所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述支持向量机模型的损失函数为:
9.根据权利要求6所述的具有磁信号特征车辆的分类识别方法,其特征在于,所述卷积神经网络为由两个卷积层、两个池化层和两个全连接层构成的一维卷积神经网络。
10.一种具有磁信号特征车辆的分类识别装置,其特征在于,包括: