[发明专利]一种基于振动传感器的车辆识别方法

说明书

本发明公开了一种基于振动传感器的车辆识别方法，能够自动识别车辆类型。该方法利用振动传感器接收车辆引起的路面振动信号，对采集的振动信号进行经验模态分解，得到一组固有模态函数，对每个固有模态函数乘以不同权重，再对固有模态函数求和形成一个新的信号，对新生成的信号进行功率谱分析，获取MFCC特征向量，训练BP神经网络得到分类器，用于识别车辆种类。本发明车辆识别方法鲁棒性强，识别率高，可用于军事车辆分类以及民用中的智能交通系统，前景广阔。

技术领域

本发明涉及一种基于振动传感器的车辆识别方法，可用于车辆检测和识别，属于智能交通和车辆识别领域。

背景技术

在当前的交通领域中，车辆检测与识别是重中之重。目前主要有麦克风、振动传感器、磁感线圈、视频传感器等进行车辆的检测与识别。

磁感线圈安装和维护对道路会造成较大的破坏，且本身容易被大型车辆损坏，铁制材料也容易受到环境因素导致损坏。视频传感器易安装、可靠，但高清视频摄像头价格高，易受环境影响如雨雾天气都会降低检测的准确性。麦克风安装简单，成本低，但受风速、多普勒、鸣笛声影响大，且易损坏。

振动传感器可靠性强，可以埋在路边，安装简单，隐蔽度高，不受恶劣天气影响。

发明内容

本发明的目的是克服现有技术的不足，提高现有技术的识别率，提出一种基于振动传感器的车辆识别方法。

本发明的目的是通过以下技术方案来实现的：一种基于振动传感器的车辆识别方法，包括以下步骤：

(1)利用振动传感器，采集车辆行驶引起的路面振动信号；

(2)对步骤(1)采集的振动信号进行经验模态分解(Empirical ModeDecomposition,EMD)，得到一组固有模态函数(Intrinsic Mode Function，IMF)；

(3)对步骤(2)得到的固有模态函数分别乘以不同的权重，再求和得到新的信号，记为x_new(t)；

其中w_i为对应第i个IMF的权重，n为信号分解之后产生的IMF的个数；固有模态的权重由以下方式求取：以BP神经网络均方误差MSE(Mean Square Error)作为适应度评估函数，应用粒子群算法进行求解，MSE表达式如下：

其中N为所有样本的个数，y_i为第i个样本的观察值，为第i个样本的估计值；

粒子群算法权重的更新采用如下公式：

分别代表经过k次迭代后第i个粒子在第D个维度上的速度、历史最佳位置、位置；代表第k次迭代后在第D个维度上的全局最优位置；r₁、r₂为[0,1]区间内的随机数；迭代求解的目的是获取一组使MSE最小的w值；

(4)根据步骤(3)得到的全局最优解w，与样本经EMD分解得到的IMF相乘求和得到新的信号x_new(t)，对其提取梅尔频率倒谱系数MFCC作为特征，训练3层BP神经网络，用训练好的神经网络判断车辆类型。

进一步地，所述步骤(3)中，w求解过程如下：

对N个样本数据分别进行EMD分解得到每个样本对应的IMF，保留每个样本分解后得到的前n个IMF；