专利名称：一种车辆型号识别方法以及识别系统的利记博彩app
技术领域：
本发明涉及智能交通领域，尤其涉及一种车辆型号识别方法以及识别系统。
背景技术：
随着经济的快速发展，机动车的数量迅速增加，城市道路建设跟不上机动车增长速度的现象已在各大城市突显出来，若城市道路长期处于严重拥塞状态，出行公众的情绪会受到潜移默化的影响，违章变道、闯红灯等诸多易产生交通事故的驾车行为在日常生活中频频出现，城市每年因此造成的车祸、连环车祸层出不穷，严重影响到公众出行安全并使得交通路况进一步恶化，故对于道路上的实时交通情况真实检测变得尤其重要。现有的车辆型号检测系统通常的做法是在出入口路面下埋设地感线圈，地感线圈连接地感检测器，地感线圈可以感应到金属物体，这样车辆通过时线圈就能产生信号的变化序列，将该变化序列进行简单的匹配以判断车辆型号，该信号识别方式过于简单，导致车型检测准确率较低。
发明内容
本发明的目的旨在至少解决上述技术缺陷之一，提供一种车辆型号识别方法以及识别系统。本发明提供一种车辆型号的识别方法，所述方法包括以下步骤
步骤S01，输出波形检测信号至安装在每条道路上的至少两个地感线圈；
步骤S02，当车辆经过地感线圈时，检测每个地感线圈的信号变化序列并保存；
步骤S03，根据所述信号变化序列和获取到的分类器，识别当前车辆的型号。进一步,所述步骤S03,具体包括以下步骤
步骤S031，根据信号变化序列，得到与信号变化序列对应的信号时间序列；
步骤S032，根据信号变化序列和信号时间序列，计算得到所述信号变化序列的波形特征值；
步骤S033，根据所述波形特征值和获取到的分类器，得到当前车辆的型号。进一步，在步骤SOI、步骤S02或步骤S03之前，所述方法包括以下步骤
步骤S11，获取至少一种模板车型的信号变化序列和信号时间序列；
步骤S12，根据所述模板车型的信号变化序列和信号时间序列，计算得到所述信号变化序列的波形特征值；
步骤S13，在OpenCV数据库中，采用MLP的方式对所述波形特征值进行训练，得到分类器。进一步，所述分类器具体为XML文件。进一步，在步骤S13中，所述训练方法具体为模式识别方法。进一步，所述波形特征值具体包括车长、波峰最大值、波峰个数值、波谷最小值、波谷个数值以及波形尾部的序列最小方差值。
进一步，在步骤S03之后，所述方法还包括以下步骤
步骤S04，将当前车辆的型号以网络通讯的方式输出。本发明还提供一种车辆型号的识别系统，所述系统包括驱动模块、检测模块以及处理模块；
所述驱动模块，用于输出波形检测信号至安装在每条道路上的至少两个地感线圈； 所述检测模块，用于当车辆经过地感线圈时，检测每个地感线圈的信号变化序列并保
存；
所述处理模块，用于根据检测模块的信号变化序列和获取到的分类器，识别当前车辆的型号。进一步，所述驱动模块和检测模块具体为信号采集器。进一步，处理模块还用于将当前车辆的型号以网络通讯的方式输出。
从上述的方案可以看出，通过所述信号变化序列和获取到的分类器来识别当前车辆的型号，也就是提取分析了当前车型的有用特征，将当前车型的有用特征与分类器中的特征进行综合比较以识别当前车辆的型号，提高了匹配精确度及提高车型检测的准确率，达到更好的车辆型号识别效果。
图1为本发明车辆型号的识别方法一种实施例的流程 图2为本发明识别当前车辆的型号方法一种实施例的流程 图3为本发明车辆型号的识别方法另一种实施例的流程 图4为本发明车辆型号的识别系统一种实施例的结构框 图5为本发明车辆型号的识别系统另一种实施例的结构框图。
具体实施例方式为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。本发明提供一种实施例车辆型号的识别方法，如图1所示，所述方法包括以下步骤
步骤S01，输出波形检测信号至安装在每条道路上的至少两个地感线圈I ;
步骤S02，当车辆经过地感线圈I时，检测每个地感线圈I的信号变化序列并保存； 步骤S03，根据所述信号变化序列和获取到的分类器，识别当前车辆的型号。在步骤SOl中，按照一定的时间间隔分别向两个地感线圈I施加波形检测信号，当没有车辆经过地感线圈1，地感线圈I的感应信号都是一样的，当有车辆经过地感线圈I时，地感线圈I的感应信号才会发生变化。从上述方案可以看出，通过所述信号变化序列和获取到的分类器来识别当前车辆的型号，也就是提取分析了当前车型的有用特征，将当前车型的有用特征与分类器中的特征进行综合比较以识别当前车辆的型号，提高了匹配精确度及提高车型检测的准确率，达到更好的车辆型号识别效果。
在具体实施中，图2所示,所述步骤S03,具体包括以下步骤
步骤S031，根据信号变化序列，得到与信号变化序列对应的信号时间序列；
步骤S032，根据信号变化序列和信号时间序列，计算得到所述信号变化序列的波形特征值；
步骤S033，根据所述波形特征值和获取到的分类器，得到当前车辆的型号。在步骤S031中，比如当前车辆的信号变化序列为al，a2,…an，当当前的车辆与地感线圈的距离不断接近或远离时，地感线圈I的感应信号时不同的，因此车辆经过地感线圈时，能检测到地感线圈的信号变化序列。
在步骤S032中，当接收到地感线圈I的感应信号，记录接收到地感线圈I的感应信号的当前时刻，由于地感线圈I的感应信号是信号变化序列，那么也就得到信号时间序列tl，t2,-tn0另外所述波形特征值具体包括车长、波峰最大值、波峰个数值、波谷最小值、波谷个数值以及波形尾部的序列最小方差值，其中车长L= V * n * t，其中t为感应信号的时间间隔即最小时间间隔，n为采样点的个数即每个序列中感应信号的个数，而车速V是根据以下公式得到比如当车辆通过第一个地感线圈，记录车辆通过时的时间Tl，当车辆通过第二个地感线圈时，记录车辆通过时的时间T2，记2个线圈之间的距离为S，那么，车速 V= S / (T2 - Tl)；
波峰个数值Maxn =统计波形的波峰个数；
波峰最大值Maxv =统计最大波峰的数值；
波谷最小值Minv =统计波形最小波谷的数值，去掉左右边缘低于最大值10%的部分；波谷个数值Minn =统计波形波谷的个数；
序列最小方差值f6是根据以下公式得到的
所述波形就是根据信号变化序列得到的，由于波形的尾部为一条下降曲线，计算波形的尾部连续3个点的方差，可以得到波形尾部的序列最小方差值f6，比如波形的尾部有8组连续3个点,通过以下公式计算每组数值的均值avg和方差fangcha ；
float avg= (pSig[i]. value+pSig[i+l]. value+ pSig[i+2] value)/3,其中 pSig[i]代表信号变化序列的第几个点，i的取值范围为0到MAX-1，value为该点的感应信号值；fangcha = sqrt(pow((float)pSig[i]. value-avg, 2) + pow((float)pSig[i+l].value-avg, 2) + pow ((float)pSig[i+2]. value-avg, 2));
当计算出每组的方差fangcha之后，取这8组数值中的最小值，便是序列最小方差值
f60在具体实施中，在步骤SOl、步骤S02或步骤S03之前，所述方法还包括得到分类器的方法，如图3所示，在步骤SOl之前，所述得到分类器的方法具体包括以下步骤
步骤S11，获取至少一种模板车型的信号变化序列和信号时间序列；
步骤S12，根据所述模板车型的信号变化序列和信号时间序列，计算得到所述信号变化序列的波形特征值；
步骤S13,在OpenCV数据库中，采用MLP (Mult1-layer Perceptron,多层感知器)的方式对所述波形特征值进行训练，得到分类器。在步骤Sll中，模板车型具体可以为小型客车I、小型客车2、小型客车3以及小型货车I、小型货车2、小型货车3等，可以保存7或8种模板车型的模板序列，当然更多的模板序列也是可以的；
当小型客车I进过地感线圈1，记录信号变化序列为Sll，Sl2, -Sln和信号时间序列Tl，T2，."Tn,将上述两序列保存为模版kl ；
当小型客车2进过地感线圈1，产生信号变化序列为s21，s22, -s2n和信号时间序列Tl，T2，一Tn,将该序列保存为模版k2 ；
当小型客车3进过地感线圈1，记录信号变化序列为s31，s32, -s3n和信号时间序列Tl，T2，一Tn,将该序列保存为模版k3;
当小型货车I进过地感线圈1，产生信号变化序列为hll，hl2, -hln和信号时间序列Tl，T2，一Tn,将该序列保存为模版kl ；
当小型货车2进过地感线圈1，产生信号变化序列为h21，h22，"4211和信号时间序列Tl，T2，…!^，将该序列保存为模版kh ；
当小型货车3进过地感线圈1，产生信号变化序列为h31，h32，一hSn和信号时间序列Tl, T2, -Tn,将该序列保存为模版h3;
接着计算每种模版序列的波形特征值，和计算当前车辆的信号变化序列的波形特征值是一样，所述波形特征值具体包括车长、波峰最大值、波峰个数值、波谷最小值、波谷个数值以及波形尾部的序列最小方差值；
然后在OpenCV数据库中，采用MLP的方式对每种模版序列的波形特征值进行训练，得到分类器，即得到XML文件。所述训练方法具体为模式识别方法，为本领域的公知常识。步骤S033中，根据所述波形特征值和获取到的分类器，得到当前车辆的型号，即将当前车辆的波形特征值与分类器中每种模版序列的波形特征值进行模糊识别，从而得到当前车辆的型号，也就是说本发明是通过提取当前车辆的特定特征和样本模版进行比较，并结合当前波形和模版波形的差异度，综合计算当前车辆与模版车型的相似度，从而可以 准确预测出通过当前的车辆型号，达到更好的车辆识别效果。在具体实施中，如图3所示，在步骤S03之后，所述方法还包括以下步骤
步骤S04，将当前车辆的型号以网络通讯的方式输出。在步骤S04中，将当前车辆的型号输出至停车场车辆进出管理主机上或道路车流量监测主机上，可以对当前车辆进行分类后以便于收费或便于监控。在具体实施中，本发明还提供一种车辆型号的识别系统，如图4和图5所示，所述系统包括驱动模块11、检测模块12以及处理模块13 ；
所述驱动模块11，用于输出波形检测信号至安装在每条道路上的至少两个地感线圈
I ;
所述检测模块12，用于当车辆经过地感线圈I时，检测每个地感线圈I的信号变化序列并保存；
所述处理模块13，用于根据检测模块12的信号变化序列和获取到的分类器，识别当前车辆的型号；
所述处理模块13，还用于将当前车辆的型号以网络通讯的方式输出，即将当前车辆的型号输出至停车场车辆进出管理主机上或道路车流量监测主机上，可以对当前车辆进行分类后以便于收费或便于监控。在具体实施中，所述驱动模块11和检测模块12具体为信号采集器2。处理模块13具体为中央处理器3。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
权利要求
1.一种车辆型号的识别方法，其特征在于，所述方法包括以下步骤 步骤S01，输出波形检测信号至安装在每条道路上的至少两个地感线圈； 步骤S02，当车辆经过地感线圈时，检测每个地感线圈的信号变化序列并保存； 步骤S03，根据所述信号变化序列和获取到的分类器，识别当前车辆的型号。
2.如权利要求I所述的识别方法，其特征在于，所述步骤S03具体包括以下步骤 步骤S031，根据信号变化序列，得到与信号变化序列对应的信号时间序列； 步骤S032，根据信号变化序列和信号时间序列，计算得到所述信号变化序列的波形特征值； 步骤S033，根据所述波形特征值和获取到的分类器，得到当前车辆的型号。
3.如权利要求I所述的识别方法，其特征在于，在步骤SOI、步骤S02或步骤S03之前，所述方法包括以下步骤 步骤S11，获取至少一种模板车型的信号变化序列和信号时间序列； 步骤S12，根据所述模板车型的信号变化序列和信号时间序列，计算得到所述信号变化序列的波形特征值； 步骤S13，在OpenCV数据库中，采用MLP的方式对所述波形特征值进行训练，得到分类器。
4.如权利要求3所述的识别方法，其特征在于所述分类器具体为XML文件。
5.如权利要求3所述的识别方法，其特征在于在步骤S13中，所述训练方法具体为模式识别方法。
6.如权利要求2或3所述的识别方法，其特征在于所述波形特征值具体包括车长、波峰最大值、波峰个数值、波谷最小值、波谷个数值以及波形尾部的序列最小方差值。
7.如权利要求I所述的的识别方法，其特征在于，在步骤S03之后，所述方法还包括以下步骤 步骤S04，将当前车辆的型号以网络通讯的方式输出。
8.—种车辆型号的识别系统，其特征在于，所述系统包括驱动模块、检测模块以及处理模块； 所述驱动模块，用于输出波形检测信号至安装在每条道路上的至少两个地感线圈； 所述检测模块，用于当车辆经过地感线圈时，检测每个地感线圈的信号变化序列并保存； 所述处理模块，用于根据检测模块的信号变化序列和获取到的分类器，识别当前车辆的型号。
9.如权利要求8所述的识别系统，其特征在于所述驱动模块和检测模块具体为信号采集器。
10.如权利要求9所述的识别系统，其特征在于处理模块还用于将当前车辆的型号以网络通讯的方式输出。
全文摘要
本发明提供了一种车辆型号的识别方法及识别系统，所述方法包括以下步骤步骤S01，输出波形检测信号至安装在每条道路上的至少两个地感线圈；步骤S02，当车辆经过地感线圈时，检测每个地感线圈的信号变化序列并保存；步骤S03，根据所述信号变化序列和获取到的分类器，识别当前车辆的型号。该方法能提高车辆匹配精确度及提高车型检测的准确率，达到更好的车辆型号识别效果。
文档编号G08G1/017GK102982684SQ20121049406
公开日2013年3月20日 申请日期2012年11月28日 优先权日2012年11月28日
发明者刘国文, 郑双明, 张灵 申请人:深圳市迈科龙影像技术有限公司