摘 要： 环形线圈检测器是目前使用最广泛的一种车辆检测器，但其在对骑线车辆的检测方面存在误判的可能性，这种误判影响车辆检测的准确性。本文通过分析环形线圈检测原理，进而通过对车辆检测数据进行分析，提出了一种基于时间序列分层匹配的骑线车辆检测方法。该方法能够有效判别出骑线车辆，并具有较好的匹配效率。

　　关键词：骑线车辆；环形线圈检测器；分层匹配；EMD分解；序列转换

0 引言

　　随着经济前进的步伐，道路上机动车日益增多，交通负荷不断加重。智能交通系统是解决各种交通问题的重要途径，而交通数据的获取是智能交通系统的基础。车辆检测器作为交通信息采集的重要前端部分，其采集数据的准确性将影响到后续对交通信息的分析和处理。环形线圈检测器是目前使用最广泛的一种车辆检测器，其在全天候、高精度车辆检测方面有其他检测器无法比拟的优势[1-2]。然而它存在着一个缺陷：如果车辆按正常车道行驶，那它能够精确检测车辆；但当车辆违章骑线行驶时，相邻的两个线圈都会检测到有车，这时就会产生误判。这会在很大程度上影响交通信息采集的准确性与可信度。本文基于该缺陷，提出了一种基于时间序列分层匹配的骑行车辆检测方法，较好地提高了车辆检测器采集数据的准确性与可信度，为后续一系列交通数据处理打下良好基础。

1 骑线车辆检测原理分析

　　1.1 线圈检测原理

　　线圈检测器工作时，内部LC振荡电路产生一定频率的正弦信号，该信号通过互感线圈耦合到埋于路面下的环形线圈，车辆的经过将改变该信号的频率，检测器通过检测信号频率的变化来判别车辆。车辆相当于一个电感与电阻串联的闭合环路，其与环形线圈及检测电路的等效电路如图1所示。由等效电路可推导出该电路的总体等效电感L为：

　　其中，L为环形线圈、检测电路及车辆的总体等效电感；Rp为环形线圈和检测电路的等效电阻；Lp为环形线圈和检测电路的等效电感；ω为LC谐振电路的振荡角频率；M为环形线圈与金属车体之间的互感量；RA为车辆的等效电阻；LA为车辆的等效电感。Lp与车辆本身的材料磁导率有关，与涡流效应[3]有关，由式(1)可知，等效电感L的大小取决于车辆本身的材料导磁率与涡流效应。西安公路交通大学李诚等人的实验表明，当车辆检测器的工作频率为20 kHz~400 kHz时，涡流效应在车辆线圈检测中起主导作用[4-5]。当车辆停在或驶过线圈上方时，车辆的金属部分产生涡流电流，涡流电流产生的磁场与线圈电流产生的磁场方向相反，使得线圈磁场场强减小，等效电感L的电感量也随之减小，从而使得振荡电路的振荡频率增高。通过参考文献[6-7]的分析和推导可知，振荡频率的变化量只与车辆与环形线圈的相对位置有关系。不同的车辆，其车体材质、大小以及底盘离地高度都会有所差异，所以不同的车辆其对振荡频率的改变量也不同。

　　1.2 线圈检测器结构简介

　　环形线圈检测器主要由环形线圈、信号检测处理单元以及馈线3部分组成。埋设于路面下的环形线圈与检测器内部的电容共同构成LC振荡电路，可控振荡电路如图2所示。该电路为电容三点式振荡电路，线圈L通过馈线连接到变压器T9一端，T9的另一端连接振荡器其他部分，变压器隔离了线圈与检测电路，并使线圈电感的变化反映到振荡电路。三极管Q3对信号进行放大形成振荡。三极管Q2和Q4组成选通电路，选通端Select1连接到微处理器IO口，当Select1为低电平时，振荡电路工作，反之电路停止振荡。稳压管D53和D54构成限幅电路，使振荡电压限制在一定范围内[8]。考虑上述的涡流效应以及实际环形线圈的电感量范围（国标GB/T26942-2011：50 μH~700 μH），选择振荡电路的激励频率在40 kHz~200 kHz之间。振荡信号由Output1输出，经过整形电路后进入微处理器，微处理器实时计算当前的频率值。车辆的通过转变成相应的时变频率曲线被微处理器记录下来，分析该曲线即可检测车辆。

　　1.3 骑线车辆检测

　　实际应用中，在路线某一地点的断面上埋设多个环形线圈，线圈大小略小于每个车道的宽度，通过分时选通每路振荡电路来检测各个车道的车辆。如图3所示，当车辆按规定车道行车时，车辆检测器能够准确检测出该车道有无车辆；如果车辆不按规定行车，车辆检测器可能同时在相邻的车道上检测到有车，但实际上只有一辆车通过。这时就需要车辆检测器做出分析，判断是否为骑线车辆。

　　由于不同的车辆对振荡频率改变量不同，经过环形线圈上方时，其频率变化曲线是不同的，如图4所示。当车辆以骑线状态经过环形线圈时，由于频率变化只取决于车辆与环形线圈的相对位置，其在相邻的线圈上引起的频率变化曲线在形状上差异不大，如图5所示。又由于频率变化曲线是一时间序列曲线，根据这一特性，可以通过时间序列的相似性匹配来分析所检测的车辆是否为骑线车辆。

2 骑线车辆检测方法

　　2.1 时间序列相似模式的分层匹配

　　车辆检测器是一种对实时性要求较高的设备。综合考虑匹配算法的可靠性、计算量以及匹配效率，本文选择了一种适合骑线车辆检测的时间序列匹配算法。该算法只有当相邻线圈在很短的时间内同时检测到有车时才会被调用。如图6所示，每一路振荡频率采样值被存储起来构造成时间序列，匹配算法对每一路时间序列进行EMD（Empirical Mode Decomposition）分解，提取出趋势序列后再进行线性分线段转换，随后进行字符转换。两路序列被转换成字符序列后，通过判断字符序列的相似程度来实现序列粗匹配。若粗匹配不成功，则直接判定为不同车辆；若粗匹配成功，则需要进一步判断序列间的欧式距离来进行序列细匹配。若细匹配不成功，则判定为不同车辆；若细匹配成功，则判定为骑线车辆。

　　2.2 EMD分解

　　Keogh等提出了分段表示序列并利用线段进行序列匹配的算法[9-10]，这些算法能够进行数据压缩及噪声滤除，但并非所有的序列都适合直接进行线性线段转换。序列信号可以分解为趋势信号和细节信号。趋势信号反映信号的整体，信号变化频率较低；而细节信号是序列的高频部分，不适合分线段表示。所以在进行线性线段转换之前需要去除信号的细节部分，提取出趋势信号。EMD方法被认为是目前提取时间序列趋势最好的方法之一。Huang[11]等提出了该方法，并首先定义了以下两个条件：

　　（1）采样数据的极值点与过零点个数之差不超过1；

　　（2）极大点构成的包络与极小点构成的包络关于时间t轴对称。

　　满足以上两个条件的信号称为IMF（Intrinsic Mode Function）信号。待分析信号X(t)如果不满足以上两个条件，则进行信号分解，即：

　　其中，Cj(t)为满足IMF条件的子信号，rn(t)为要提取的趋势序列数据。具体分解步骤可参阅参考文献[12]。

　　2.3 线性分线段转换与字符转换

　　频率变化曲线提取出趋势序列后，先对序列进行分线段转换，达到数据压缩目的，以提高序列的匹配速度。此后为了计算方便，序列需要进行字符转换[13]。假设趋势序列rn(t)长度为m×n，将趋势序列等分成n段，每段中有m个采样点，取（K1，K2，…，Kn）组成新序列，对其进行代表增减方向的“0”、“1”字符转换，得到字符序列L(x)=(l1，l2，…，ln)，ln为序列元素。符号转换如图7所示，当KYiR-KYiL≥0时，li=1；否则，li=0，其中KYiR为线段右端点值，KYiL为线段左端点值。图中序列段通过线段和符号转换后，转变为（01101）。

　　2.4 序列粗匹配与细匹配

　　通过判断两时间序列的相似性可以判断出它们的匹配程度，而相似性的判断需要有相似性度量的标准。本文采用趋势一致和距离相近的方法来判定序列的相似性[14]。

　　定义1 设两个等长时间序列，给定阈值ε，如果满足条件：

　　则称时间序列垂直移动相似。该度量方法可以避免两相似时间序列由于纵向平移导致不相似的结果。

　　定义2 设两个等长时间序列，它们进行序列符号转换后分别得到字符串A和B，给定阈值ε，如果满足条件：

　　则称时间序列趋势相似。

　　在将趋势序列转换为相应字符序列后，根据定义2与实际测试情况选择合适的阈值，首先对两序列进行粗匹配，匹配不成功，则判定为非骑线车辆；匹配成功，则需要进一步进行序列细匹配。细匹配之前需要对序列做归一化处理，以便有一个相同的衡量标准。根据定义1与实际测试情况可以为细匹配选择合适的阈值。若细匹配成功，则判定该车辆为骑线车辆，否则为非骑线车辆。

3 实验结果与分析

　　实验中对实际车辆频率变化曲线进行EMD分解。图8(a)、(b)为不同车辆同时经过环形线圈时频率变化曲线（图4）的EMD分解。由于趋势序列变化较缓慢，可取50个采集点为一个分段，将趋势序列分成6段，然后再转换成字符序列。图8(a)转换后的字符序列A为：111000；图8(b)转换后的字符序列B为：111100。经过粗匹配可发现，A和B存在差异，所以判断该次测量为非骑线车辆，这与实际相符合。图9为骑线车辆经过环形线圈时，在相邻线圈上频率变化曲线（图5）的EMD分解。其转换后的字符序列分别为：111000、111000，经过粗匹配可发现两序列相似。之后进行了细匹配，序列间的欧氏距离计算值为0.322 9，而相比于图4中两序列的欧氏距离2.125 6，很明显满足实际中阈值的设定。所以细匹配成功，判断该次测量为骑线车辆，这与实际相符合。

4 结论

　　本文对骑线车辆与非骑线车辆的频率曲线进行了分析。当两辆车在各自的车道上同时经过环形线圈时，该检测方法能够准确判断出该次测量为非骑线车辆。当一辆车骑线经过环形线圈上方时，该检测方法可判断出该车辆为骑线车辆。实验结果证明了该测试方法有效可行。在实际应用中，违法骑线属于极小部分驾驶员的行为，车辆检测器通常只进行粗匹配就能够很好地判断出非骑线车辆，细匹配则是用来进一步分析判断出骑线车辆。粗匹配成功，细匹配不成功的车辆非常少，需要更大量的测试数据才能够更精确地设定细匹配阈值，这将是以后所要研究的问题。所以该分层匹配算法在应用中能够有效地检测出骑线车辆，大大提高了匹配效率，十分符合车辆检测器实时性要求。

　　参考文献

　　[1] 孔俊丽，周重阳，朱雨婷. 基于磁阻传感器的无线车辆检测器的设计[J]. 微型机与应用, 2012,29(3):17-19.

　　[2] 谢秋金，李晓菲，董衍旭，等. 基于可变计数门限的车检器设计[J]. 电子技术应用, 2012,38(1):21-23.

　　[3] 冯慈璋. 电磁场[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] 李诚. 环形线圈车辆传感器的研究[J]. 西安公路交通大学学报, 1995,16(2):56-59.

　　[6] 邢磊. 车辆检测技术研究[D]. 重庆:重庆大学, 2013.

　　[7] 梁俊斌，徐建闽. 基于感应线圈的骑线车辆检测方法[J]. 华南理工大学学报, 2007,35(7):22-24.

　　[8] 邱海钦. 智能车辆检测器的开发[D]. 武汉:华中科技大学, 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.