《数学建模—车辆类型与数量的自动检测.doc》由会员分享，可在线阅读，更多相关《数学建模—车辆类型与数量的自动检测.doc（28页珍藏版）》请在三一文库上搜索。
1、 数学建模一周论文课程设计题目：车辆类型与数量的自动检测 姓名： 齐宠 学号： 201420350125专 业： 城乡规划 班 级： 1423501 指导教师：杨志辉 2016年06月09日题目为考察高速公路的车辆通行情况，试图利用安装在路侧的传感装置获取的数据来对通过的车辆类型及数量进行计量。具体原理如下：（1）首先将激光传感器安装在路侧一定高度的立杆上，安装在激光传感器上的激光头以25HZ的频率旋转，旋转轴与道路方向平行。如下图：图1：激光扫描所有车道的车辆（2）设置激光传感器的参数，指定要测量的角度范围和步进角度，例如90-180度，步进角度为0.5度，那么就可以获取到181个点的测量数
2、据。激光头的旋转角度为面向激光头圆形部分，自左向右逆时针旋转。（3）这些测量点的数据为直线传播距离的数值，也就是说是激光头发射点到障碍物之间的距离。利用这些数值加上时间轴，就可以在一个三维空间中建立道路车辆运行情况的信息。（4）这些三维信息是通过一个激光头进行侧面扫描获得的信息，而且激光头扫描的信息受到车辆的颜色和车窗以及车辆形状的影响。通常会产生一些异常数据。试解决以下问题：1. 根据传感器装置的数据特征建立数学模型，描述通过车辆的几何特征；2. 对异常数据进行判别并给出处理方法；3. 利用附件2中的四组数据，给出相应数据对应的车辆形状、所在车道等信息；4. 试设计车辆分类标准，对附件3中两
3、组数据给出分类结果（包括种类及数量），进一步讨论算法效率；5. 为获取更多分类条件可对此类装置增加速度检测。如果增加有何进一步建议，请描述增加何种设备，以何种方式准确测速，如何调整安装方式等。车辆类型与数量的自动检测摘 要随着我国社会经济的迅猛发展，人们对汽车的需求量也在不断增加，导致近年来汽车大面积普及，所以车辆类型与数量的自动检测，对高速公路上监测车辆行驶情况越来越有着极为重要的作用。基于以上背景，本文通过安装在路一侧的激光传感器装置获取数据，来对所通过车辆的类型及数量进行计算，以达到车辆自动检测的目的。针对问题一，本文提出一种高速公路上的车辆自动检测分类算法（AVDC），描述了车辆的高度
4、和宽度，建立车辆参数空间，提取特征矢量高度轮廓，加强鉴别具有类似的高度和宽度的充分条件。并且使用基于欧氏距离的计算距离算法，通过计算轮廓和各类模式之间的距离进行分类，对最近距离决定在哪，进行模式分类。针对问题二，采用狄克逊（Dixon）准则，做出统计量，并与统计量的临界值进行比较，若统计量大于临界值，则应将异常数据代换成前一个正常数据或后一个正常数据，从而达到对异常数据进行处理的结果。针对问题三，运用建立的模型及MATLAB软件，对附件中的数据进行数据清洗和后续的数据处理，以此来建立三维立体图像，进而判别出附件2中对应的所在车道是第一车道、第三车道、第三车道及第二车道；其车辆形状分别为轿车、客
5、车、越野车及卡车。针对问题四，因为激光传感器可测得车宽、车高，根据车辆自动检测分类算法（AVDC）及传感器输出的数据，我们把车型分为五类，即轿车、越野车、客车、皮卡车、厢式货车。根据简化的GRM模板匹配算法及编程的应用，运用MATLAB来进行数据分析，我们可以得到附件3中车辆种类及数量分别为轿车10辆、越野车27辆、客车35辆、皮卡车36辆及货车8辆。针对问题五，我们结合题目选定雷达测速装置对高速公路上通过的车辆进行测速，雷达测速的原理是应用多普勒效应，通过微波来测量运动物体的速度，是目前侦测移动物体最普遍的方法，安装雷达测速仪，可以更有效的检测高速公路上的车辆通行情况。关键词:AVDC ，狄
6、克逊（Dixon）准则，MATLAB，GRM模板，雷达测速仪1问题重述测量技术是现代化工业化社会生产的组成部分，车辆类型与数量的自动检测系统也是一项重要的技术。为了保证高速公路的安全，需要对公路上的车辆通行情况进行考察。现利用安装在路侧的传感装置获取的数据，对通过此路段的车辆类型及数量进行计量，以达到自动检测的目的。通常情况下，我们将激光传感器安装在路侧一定高度的立杆上，安装在激光传感器上的激光头以25HZ的频率旋转，且旋转轴方向与道路方向平行；在此我们需设置激光传感器的参数，指定测量的角度范围和步进角度；上面测量点的数据为直线传播距离的数值，即激光头发射点到障碍物之间的距离。利用以上数值加上
7、时间轴，则可得到一个三维空间中建立道路车辆运行情况的信息；这些三维信息是通过一个激光头进行侧面扫描获得的信息，而且激光头扫描的信息受到车辆的颜色和车窗以及车辆形状的影响。所以可能会产生一些异常数据。那么根据激光传感器测量的数据和我们所搜集整理的大量资料，我们利用了简化的GRM模板匹配算法来建立数学模型，来描述通过此路段车辆的几何特征，对车辆类型与数量的自动检测提供更有利的帮助，解决各种相关问题。2问题分析现如今，随着我国经济的快速发展，人们的生活水平不断提高的同时，对快捷的交通工具的需求也越来越大，这导致了近年来汽车大面积普及。因此，近年来在高速公路上的汽车数量迅速增长，这给道路交通带来了巨大
8、的压力和严峻的考验。在测量技术上也日趋完善，因此在高速公路上车辆分类及数量检测方面的需求也越来越大。下面我们队题目中的5个问题进行分析：基于问题一，需要分析激光传感器装置的数据特征及自己所搜集的资料，并通过简化的GRM模板匹配算法来建立相应的数学模型，来描述车辆的几何特征，如车宽、车高等。基于问题二，由于激光头扫描的信息会受到车辆的颜色、车辆形状以及车辆行驶状态的影响，可能会产生一些异常数据。需要对这些异常数据进行分析，给出一个判别方法来处理这些异常数据。基于问题三，根据我们所建立的数学模型，来分析附件2中给出的四组数据，可得到相应数据所对应的车辆形状、所在车道等信息。基于问题四，根据我们所建
9、立的数学模型，来分析车辆的几何特征数据，以此设计车辆的分类标准。对附件3中的两组数据进行分析并给出分类结果，进一步讨论该算法的效率。基于问题五，分析激光传感器所得到的数据可知该装置有一定的局限性。为获取更多的分类条件可对此类装置增加速度检测。若增加速度检测我们需要增加何种设备？要以何种方式准确测量速度？如何调整安装方式？3模型假设（1）假设该激光传感装置一直处于正常工作状态，激光头一直以25HZ的频率旋转，未出现偏差且发生毁坏。（2）假设该路段的路面未发生大面积毁坏情况，车辆可以在路段正常行驶。（3）假设车辆通过激光传感器时是匀速行驶的且车速不超过120km/h。（4）假设激光传感器所扫描的路
10、段未发生大型交通事故，车辆以正常范围内的速度行驶。（5）假设激光传感器工作时，天气无异常现象，如大雾、雨雪及扬沙等。4符号说明数学符号表达含义车辆几何数据为整体数据的平均值，m车辆高度，m车辆宽度，m，属于几何数据车辆数据中的一个数据待检测数据中当前位置处的匹配相似度车高轮廓的矢量尺寸是不同车辆类型所分类的数目算法分类车辆高度最小值车辆高度最大值车辆长度最小值车辆长度最大值经过清洗后的数据时间5模型的建立与求解5.1 车辆自动检测分类模型5.1.1车辆自动检测分类算法（AVDC）介绍当车辆通过高速公路时，车辆自动检测分类算法（AVDC）被用于车辆的确认，对于驾驶员或观测者没有任何影响。这些系统
11、使用与很多方面，如审计检查、手动和自动的费用收集程序、形成详细的车辆统计和桥梁隧道清洁的例行检查试验。车辆自动检测分类算法（AVDC）可以增加收费站的车辆通过量和减少高速公路的拥挤程度。根据要考虑到的车辆类型来进行公路上车辆的分类是有一定难度的。这个提议的解决是基于激光传感器所获得的车辆几何特征（宽度、高度等）及高度轮廓。如果激光传感器满足所确定的设备，我们展示了矢量特征的精度是相互影响的，并且简单确切的算法可以适用于车辆分类的判定。追踪领域所使用的激光传感器利用这些原理来操作，已经开始实施执行了。它们证实对车辆类型大数据的准确分类是可以做到的。（1）车辆特征提取我们利用安装在路侧的传感装置收
12、集反映车辆的距离，而扫描激光传感器采集的数据则生成了距离图像。每个距离图像都能显示，激光传感器接收到反射的激光脉冲的强度。图5.1激光传感器扫描示意图在本文中，我们假定数据源使用的激光传感器返回范围和距离信息如下：首先将激光传感器安装在路侧一定高度的立杆上，安装在激光传感器上的激光头以25HZ的频率旋转，旋转轴与道路方向平行。激光头的旋转角度为面向激光头圆形部分，自左向右逆时针旋转。下面我们对测量角度和步进角度进行计算：激光传感器距地面垂直高度约5.9m，激光传感器距离第一个车道最近边沿的水平距离约为1.7m，同时扫描双向四个车道（两个车道一个方向），一个车道宽3.75m，则三角函数：，算得
13、(1)，算得 (2)，算得 (3)，算得 (4)，算得 (5) ，算得 (6)如图5.2所示：图5.2激光传感器扫描角度范围示意图其中为，为，为，为，为，为，所以我们根据激光传感器扫描一次所输出的数据为148个，及上面算出的测量最大角度，可以算出步进角度为：。激光传感器的数据可画出距离图像，从这些图片我们可以提炼出车辆的各种特征，包括车辆的高度和宽度。（2）高度与宽度的基本分类很多车辆在特征矢量的尺寸上是很精确地被表示出来，这些是基于车高和车宽，例如轿车、皮卡车和箱式货车。但是，对于这种车辆类型，使用车高轮廓也不是太重要。这些特征空间的基本需求量是可以清晰表示出车辆类型的。这个分类困难是唯一的
14、解决途径，如果建立这些分类是不相交的，即。我们可以指出很多车辆有相似的宽度，如箱式货车、轿车和皮卡车，所以我们所面临的最大困难是车辆有交集。特别的，对于所有，很多轿车的车高和车宽是少于相应的皮卡车及厢式货车的尺寸。然后，这些非交叉的子集可被定义为： (7)其中，是车高和车长的最大值及最小值，它代表着车高和车宽各自的子集边缘。（3）基于车高轮廓的分类为了准确的确定更多车型，需要增加一些特征矢量。除了车高和车宽，车高轮廓特征也是经常被利用的。我们的分类是基于基本标准来分的，这些分类的矢量特征，所对应的种车型，是已经被定义的车辆类型。关于矢量，有种假设可以被介绍。我们设这些假设为。规定假设的特征矢量
15、是属于分类。这个决定去接受其中一种可以被用于很多不同的策略。其中最优分类方法如Bayesian、最大相似法、最大最小值法及其他先进的统计决定理论。我们的分类方法使用的是一个基本的统计技术：最小距离法。这种分类是基于轮廓的描述，是对车辆高度和宽度的描述。一个未知的轮廓是通过计算轮廓和各类模式之间的距离进行分类，并对最近距离决定在哪个模式进行分类。这个距离算法是基于欧氏距离计算。因此，每一个矢量特征都可以被代表为： (8)这里是种车辆类型的典范轮廓，它是属于种分类。事实上，矢量的统计分类是未知的，这个发展中的可接受的模型对于建立全部的车辆分类不是一件容易的事。为了避免这种困难，我们利用从实际情况出
16、发，这个激光传感器可以被代替的垂直于路面车道的中心。这使我们假设，这种特征矢量所估计的误差相对于整体车辆的尺寸是很小的。我们还假设，存储在数据库中的数据覆盖所有基本类型的车辆以便获取所有的特征矢量，则以下条件成立： (9)这里；是梯度距离中的最小值，是在数据库中的特征矢量，并且这个梯度距离是矢量和之间被用于确定正方形区域的错误。计算如下：(L是矢量高度的轮廓) (10)（4）车辆分类技术此分类步骤利用了从特征矢量取出过程中所输出的距离数据，来对所有特征提取的方法。车辆可以被代替进入基础子集去利用特征矢量（高、宽等）。为了识别更多的完全的车辆类型，我们需要更多的特征矢量。除了车宽和车高，还需要提
17、取车高轮廓。车高轮廓的测量是已给的车高前后分配比例的一个象征，这对分别区分车型有很大的帮助，如轿车、小卡车、越野车等。这些特征是依据他们的能力来被选择的。这些车的类型如汽车、货车或者卡车会根据它们车的型号做出决定并进行分类。（5）分类体系通常情况下这些特征实际运用于车轴的数字和它们之间的距离。例如，车轴角度的分类方案是由美国联邦公路管理局应用的。该体系共包括13类，如轿车、乘用车、等，其他双轴单位的车辆，如公共汽车、卡车等。英国M6收费标准是使用一个六种分类方案与其他相近的分类，这也是定义车辆车轴的一个方面。在这可以看到以前说过的很多车辆类型，如客车、轻型卡车、公共汽车、重型卡车及其他可分辨的
18、车辆的几何形态。为了提高分类精度及增加车辆类型分类的数目，我们研究了现已存在的分类方法和从激光扫描传感器的特征向量，并且我们可提高并完善分类体系。5.2 简化的GRM模板匹配算法GRM模板匹配算法是模板匹配算法的一种，它是基于梯度响应图进行目标检测，从而达到识别目标的目的，GRM为Gradient Response Maps （梯度响应图）的缩写。该算法通过线下训练以及并行内存计算的特点，这样就可以减少模板匹配过程中的大量计算，尤其是利用并行内存计算的特点，极大的提高了模板匹配的速度。对于简化的GRM模板匹配算法，我们可以进行如下描述：我们先通过线下训练计算所有模板数据的梯度方向，并将结果保存
19、。当进行线上匹配时，计算待检测数据的梯度方向，然后将待检测数据的梯度方向与所有模板数据的梯度方向进行线上匹配。通过计算余弦相似度的最大值得到各位置处的模板相似度，再选择相似度最大的模板数据在待检测数据中的位置，作为目标所在的位置，具体描述如下： (11)其中，在待检测数据中当前位置处的匹配相似度，记作S(Laser ,Original ,c)；在待检测图像中当前位置的偏移量，记作；对于模板数据，记作；在被检测数据中模板数据当前所在的位置，记作；对于待检测数据的梯度索引值，记作；对于模板数据的梯度索引值，记作。GRM算法的流程如下：图5.3 GRM算法流程5.2.1计算图像梯度点我们通过激光传感
20、器扫描得到的通过车辆的车宽和车高轮廓，可得到车辆的具体特征，通过这些特征将该车型与其他车辆的车型进行区分。计算图像梯度点的方法描述如下：(1) 对于被检测的四个车道，先要对这四个车道分别进行处理，计算出四个车道相对应的梯度图。为了增强抗干扰能力，通过设置一个固定值来对梯度图中的梯度值进行过滤，去掉较小的梯度点。(2) 为了进一步增强抗干扰的能力，对梯度图中的梯度方向进行量化，即N个方向，我们为了对算法描述方便，将N取为5，具体梯度方向量化标准如下图所示：图5.4梯度方向量化标准 5.2.2梯度点扩展与编码为了更好地描写车辆特征，我们将对梯度图的梯度点进行扩展。此外，为了更好地设计算法，将对量化
21、之后的梯度点的梯度方向进行二进制编码，下面介绍梯度点扩展与二进制编码的方法：(1) 量化之后的梯度方向的二进制编码标准如图所示，描述了5个梯度方向的二进制编码标准，就是将梯度方向用长度为N=5的二进制串表示。 (2) 梯度点扩展是对二进制化的梯度图进行处理，梯度点扩展过程和二进制编码过程如图所示。图5.5梯度点扩展过程和二进制编码过程根据简化的GRM模板匹配算法，利用梯度相应图来进行全面的目标检测，从而达到识别车辆信息的目的。且具有线下训练以及内存计算的特点，它可以减少模板过程中的大量计算，极大的提高模板匹配的速度，从而达到对高速公路上车辆快速分类的目的。5.3问题一的分析与解答5.3.1车辆
22、分类算法在我们的论点中这个被提议的分类算法是基于现有车辆的特征矢量，包括车高、车宽和车高轮廓。若所测车辆有相似的车高和车宽，车高轮廓矢量可在有效的条件下提高对车辆的识别能力。但是，为了确定车辆的类型，使用车高轮廓也不最太重要的。调查显示，客车和大货车的部分可以识别90%甚至更多。因此，车辆分类算法需要测量大量车辆的车高轮廓。分类问题的解决方案包括从激光传感器上输出的特征矢量，并且可以映射到已设定的分类。分类是被定义在一些特征空间里的子空间，这对矢量空间的发展起着重要作用。车辆的基本参数可以从激光传感器所扫描出的数据中提取，包括车辆的高度、宽度和车高轮廓。因此，使用激光传感器，这些特征矢量所遵循
23、的结构是可以得到的： (12)在此，h 为车高轮廓的矢量尺寸，所以特征矢量对车辆类型的分类可以被定义为： (13)（）K是不同车辆类型所分类的数目。在此我们运用这些激光传感器所输出的数据来发展我们的分类技术，我们做了一下几个基本假设：（1）这个分类算法包含M中分类，为。每个分类中包含着种车辆类型以便。例如，该分类轿车中包括小型轿车、中型轿车和中大型轿车。（2）通过必要的算法模型，每一种车的类型都可以被准确的分类。这种对车辆类型分类，且被分为k种的算法被描述为车高轮廓的矢量尺寸，且。我们可以根据所给的m种车辆类型，它可以定义为一种模型以便确定车型： (14)5.3.2高度与宽度的特征描述5.3.
24、2.1高度我们可以通过激光传感器来逐一获取数据，并且利用车辆区域中的每一个数据减去整体数据的平均值来获得车辆高度。 (15)在此是车辆数据中的一个数据，为整体数据的平均值。假设激光传感器距离第一个车道最近边沿的水平距离为1.7米，即，并且车辆高度被定义为 (16)5.3.2.2宽度由于车辆几何数据，让为中最左边的数据，为中最右边的数据，在此给定一个。然后目标车辆的高度可有以下公式确定： (17)（全部是在中与的数据）的单位是数据，需转化成单位米。我们需要考虑通过激光传感器所得到的数据的几何特征。（如图5.4） 激光传感器通过扫描车辆表面得到了148个射线。这些所给射线所在点为，射线分开的距离为
25、5cm，让代表点和点之间的宽度，则我们可以得到车辆宽度平均值为（符号被用于计算车辆宽度） (18)所以车辆宽度为： (19)是不变的，与属于几何数据，在我们的例子中。5.4问题二的分析与解答 5.4.1 异常数据的判别激光传感器所测得的数据均为直线传播距离的数值，也就是激光头发射点到所测车辆之间的距离。这些距离信息是通过激光头进行侧面扫描获得的信息，在激光传感器正常工作的过程中，激光头扫描的信息受到车辆的颜色、车窗以、场景、光照等不同因素的影响。我们判断这种情况下传感器所输出的数据为异常数据。在交通场景中，车辆之间不可避免的会发生遮挡、粘连等情况，而阴影也影响所测车辆的轮廓特征。在此时传感器所
26、输出的数据也为异常数据。图5.6原始数据折线图图5.7替换异常数据后数据折线图5.4.2 异常数据的处理根据以上情况下，我们判定激光传感器所输出的数据为异常数据。我们利用狄克逊（Dixon）准则来做异常数据的处理，把异常数据带换成前一个正常数据或后一个正常数据。狄克逊准则的介绍：该准则是对某量进行次重复测量，得到，设测量误差服从正常分布，按数值大小进行排列为，若某数据，为异常数据，则进行异常数据的替换，将异常数据带换成前一个正常数据或后一个正常数据。若前后也为异常数据，也进行上面替换，直到将异常数据都替换为正常数据为止。表5.1临界值对应表临界值统计量n检验时检验时30.9880.94140.
27、8890.76550.7800.64260.6980.56070.6370.50780.6830.55490.6350.512100.5970.477为检验是否为异常数据，做统计量： (20)选定显著度，由表5.1查得的该统计量的临界值，若满足，则认为为异常数据，应将异常数据代换成前一个正常数据或后一个正常数据。同样，为检验是否为异常数据，做统计量： (21)若满足则认为为异常数据，应将异常数据代换成前一个正常数据或后一个正常数据。5.5问题三的分析与解答 通过对附件2中的数据的观察，附件2中的数据是十六进制，所以我们利用excel中的HEX2DEC函数把数据从十六进制转换为十进制，部分如下图
28、所示：表5.2部分数据十六进制转十进制#NUM!#NUM!11121600390027271272743.98E+093.98E+0900700500036001#NUM!1.07E+10090000050001815006496450134959496750085000502250628.16E+105379596759785984598259886012600960306042605860526066607360996108611161386144616961846194620962346249626862826292631263416341157286464046430644664746
29、49865286548656465946635663966666704674167556802683468696901702570527079711771557192723272907333737774207477754175667671772777877849791479738021808481418306826083505.37E+08849885758650873188088901899890809178927493769471957097829894100005.5.1 数据处理及数据清洗运用我们所建立的模型及MATLAB软件，对附件2中所给出的数据进行数据处理和脏数据的清洗，在此数据
30、清洗是指发现并纠正附件中数据文件中可识别的错误的最后一道程序，包括检查数据一致性，处理数据中的无效值、异常数据等。数据清洗的原理是利用有关技术如数理统计、数据挖掘或预定义的清理规则将异常数据转化或替换为满足数据质量要求的正常数据，如下图所示：图5.8数据清洗的原理根据附件中的数据可知，探测仪每周期T内扫描的有效数据n为148个，在此根据下列公式： (22) (23) (24)在此为有效数据的个数，为时间。根据以上数据及公式，利用所编写的程序（附录一）及MATLAB，可建立三维立体图像，从而来对车辆所在车道及形状进行判断。其建立三维立体图像如下图：图5.9第一组数据处理图5.10 第二组数据处理
31、图5.11第三组数据处理图5.12第四组数据处理5.5.2相应数据对应的车辆形状及所在车道根据激光传感器所输出的数据，可测得车宽、车高，我们可把车型分为五类:轿车、越野车、客车、皮卡车、厢式货车。还根据数据可知，探测仪每周期扫描148个点，而扫描的角度范围是0，步进角度为，若没有车辆通过，则探测仪扫描的是地面到探测仪的距离，该值为固定值，设这个固定值为X，且不同的固定值所对应的角度是不同的。当探测仪扫描角度为时，且点到探测仪的距离小于该角度所对应的固定值,说明这时有车辆通过该车道。图5.13扫描示意图通过下表5.2中的车道范围，我们可判断出附录二中的数据对应的车辆所在车道表5.3不同车道范围表
32、车道第一车道第二车道第三车道第四车道车道距探测仪的水平距离/米1.75.455.459.29.212.912.916.7 基于以上的这些数据及数据处理所获得三维立体图形，我们可以判断出附件2中所给出的数据中车辆所在车道分别为第一车道、第三车道、第三车道及第二车道。其车辆形状分别为轿车、客车、越野车及卡车。5.6问题四的分析与解答5.6.1分类算法的步骤该分类技术是基于车高、车宽及车高轮廓的讨论，且通过对特征矢量的使用所确立的。它所遵循的步骤是：（1）对于激光传感器所输出的数据，可以计算特征矢量 (25)（2）对于检查这个条件。如果任何一个存在，除了作为车辆分类估算及最终的算法。否则，进入步骤（
33、3）（3）计算矢量车高轮廓及特征矢量 (26)（4）计算距离其中，（5）找出标志： (27)和有同一种分类。（6）作为车辆分类估计，除了分类。 对于每辆车，观察该算法考虑到涉及步骤（1）和（3）（5）。在所提出的技术中，一定比例的车辆可以分为步骤（1）和（2）。因此，对于许多车型，对车高轮廓典范及测量车高轮廓是可以避免的。这个例子所提出的技术是实际运用中的。5.6.2车辆分类标准激光传感器可测得车宽、车高，根据国际内外的一些分类标准，我们可把车型分为五类:轿车、越野车、客车、皮卡车、厢式货车。具体分类标准如下：表5.4车辆分类标准车辆分类高度范围（米）宽度范围（米）下界上界下界上界轿车1.12
34、1.501.022.09越野车1.701.901.702.26客车2.202.852.052.64皮卡车1.451.601.601.80厢式货车1.952.121.952.25基于简化的GRM模板匹配算法适用于车流密度较小，车辆没有遮挡、粘连、阴影等因素的因素影响下的单个车辆的识别，算法的运算量也相对较小。我们运用简化的GRM模板匹配算法，对数据中进行匹配，得到车辆分类结果。5.6.3车辆分类结果（1）对于车辆种类，我们用五个不同字母A，B，C，D，E来表示五中车型分别对应轿车，越野车，客车，皮卡车，厢式货车。X，Y 分别是探测仪扫描到车辆的高度和宽度。不同的车型有不同的高度和宽度，只需要判断
35、扫描到的X，Y符合哪一个范围即可判断该车的车型。具体见附件二。（2）对于车辆数量，首先用五个不同字母A，B，C，D，E来表示五中车型分别对应轿车，越野车，客车，皮卡车，厢式货车。用字母N来表示探测仪所扫描到的信号。用小写字母a，b，c，d，e分别来表示这五种车型的数量，n表示所有车的个数，开始时分别给这些小写字母赋值0。然后判断输入信号N的类型，若N是轿车型即N=A，则a进行自增1，输出a=1若下个车型仍然是轿车，则a再自增1，此时输出a=2，以此类推，同理若N=B，则b进行自增1。扫描结束后a，b，c，d，e的值，即对应车型的数量，n的值是扫描到所有车辆的总数，即n=a+b+c+e+d，也可
36、以用此式子来检验该程序的正确性。具体见附录三。所以根据以上算法及编程的应用，运用MATLAB来进行数据分析，我们可以得到附件3中车辆种类及数量分别为轿车10辆、越野车27辆、客车35辆、皮卡车36辆及货车8辆。5.6.4讨论算法效率本文通过对算法效率的分析，主要考虑空间和时间两个因素，而时间性能是决定是否采用该算法的首要因素。为了衡量算法运行时间的效率，通常用渐进时间复杂度来描述。渐进分析是指当我们的输入规模很大时，或者说在微积分意义下达到极限时，对算法效率的研究。对本文的两个算法进行渐进分析，在这个过程中，经常忽略其系数和一些次要因素，是注意力集中到最重要的增长率上。即当问题规模很大时，文中
37、算法解决这一问题所耗费的时间增长的速率，而不是对某一特定值所花费时间的绝对值。因此，在一台计算机上所能解决的问题的大小主要取决于程序运行时间的增长率，这就是要尽可能降低算法时间复杂性的原因。尽管随着计算机速度的不断提高，能够求解问题的规模越来越大，但如果没有一个低增长率的有效算法，计算机速度的提高对于在限定时间内可以求解问题的最大规模不会带来显著的影响。了解求解某一具体问题的不同方法的时间增长率，这与算法效率成正相关的关系。本文中所运用的车辆自动检测算法（AVDC）及简化的GRM算法，将复杂的问题简单化。通过激光传感器所输出的数据，来快速获取车辆高度和宽度，并且对车辆类型进行分类。具体问题具体
38、分析，从而避免不必要的代价和周折，达到快速而准确求解的目的。5.7问题五的分析与解答本文根据激光传感器测得的通过车辆的高度和宽度，对车辆进行分类，但这种分类具有一定的局限性，并不能够准确的确定被测车辆的类型。为获取更多分类条件，精确的确定车辆类型，下面我们将对装置增加一个速度检测仪。根据资料显示，现在高速公路上的测试仪有很多种，我们结合题目选定雷达测速装置对高速公路上通过的车辆进行测速。目前，雷达测速仪分为固定测速和移动测速，本文采则用固定测速的方式。具体如下：5.7.1技术原理雷达英文为RADAR，是 Radio Detection And Ranging 的缩写，为目前侦测移动物体最普遍的
39、方法，雷达测速仪是通过微波来测量运动物体的速度。基本原理是应用了Doppler效应，利用持续不断发射出电波的装置，对着物体发射出电波, 当无线电波在行进的过程中，碰到物体时被反射，而且其反弹回来的电波波长会随着所碰到的物体的移动状态而改变。当微波照射到运动的物体上时，会产生一个与运动物体速度成比率的一个变化，其变化大小正比于物体运动的速度。雷达发射的微波以一个扇型的方式出去，在照射区域内的目标会对微波形成一个反射，其中依据实际测量的要求，我们运用雷达的静态工作模式。所谓静态，即雷达静止不动（不在运动的巡逻车内），测迎面来的汽车或同向远离的汽车。雷达测速的原理是应用多普勒效应，因此，具有以下特点
40、：（1）雷达波束比激光光束的照射面积大，因此雷达测速易于捕捉目标，无须精确瞄准。（2）雷达固定测速误差为1km/h，运动时测速误差为2km/h，完全可以满足对交通违章查处的要求。（3）雷达发射的电磁波波束有一定的张角，因此有效测速距离相对于激光测速较近, 最远测速距离为800m( 针对大车)。（4）雷达测速仪的技术成熟，价格适中。（5）雷达测速仪发射波束的张角是一个很重要的技术指标。张角越大，测速准确率越易受影响，反之，则影响较小。使用雷达测速仪时应注意避免高温暴晒环境、高湿度环境、震动冲击环境和电磁干扰环境。因为在长期高温暴晒等坏境下容易造成雷达测速仪外壳非金属部分老化变形，主体核心部分也会
41、受到高温的干扰会导致雷达测速仪响应时间变长变慢；酸性或者盐性的条件下极容易对雷达测速仪金属部分包括天线都会造成严重的腐蚀性，大大减小雷达测速仪的使用寿命；雷达测速仪经过长期的震动或者强烈的冲击后，会造成天线角度的变化，从而影响雷达测速仪的精确度，特别是车载用雷达测速仪，应做好防震措施，尽可能在使用的过程中关掉发动机在停车的状态下使用；另外，强烈的冲击会对雷达测速仪造成致命的破坏，所以应避免摔落、乱扔的现象，使用的时候应轻拿轻放；雷达测速仪是通过发射电磁波来进行测速，电磁波会在传播过程中受到其他电波的干扰，如噪声、无线发射塔、无线接收信号装置、高压电都会影响，所以雷达测速仪在使用的时候应避免这些
42、干扰的存在。5.7.2雷达测速仪参数工作波段：K波段工作频率：24150 45MHz发射功率：20mW输出功率密度：0.5mW/cm2波束宽度：6探测距离：500m工作电压：10.8 12VDC工作电流：12V 180mA 24V 120mA浪涌电流：1A工作温度：-30 - 70工作最大湿度：100%极化方式：线极化处理器通讯接口：串行RS485数据传输速率：波特率9600雷达响应时间：20ms机械参数重量：0.52kg长度：15.55cm宽度：15.55cm测速范围：5 400 km/h测速精度：1km/h水平方向和垂直方向均可进行余弦修正，从0 45 度5.7.3雷达测速仪安装方式在这里
43、我们采用横杆顶装式安装法对雷达测速仪进行安装。横杆顶装式安装法是通过将测速仪安置在龙门架或者其他横杆上，通过将测速仪与地面摆放呈一定角度（测速仪与路面夹角不宜超过30度）。因考虑到路面车辆的高度和雷达测速仪探测距离问题，龙门架不宜设的太低，太低了会影响车辆通行；太高了可能会造成雷达测速仪探测不到。横杆高度一般设置为4-8米。具体如下图所示：图5.14雷达测速仪安装示意图6模型优缺点的分析6.1模型的优点（1）利用激光传感器的特征及车辆自动检测分类算法（AVDC）来对高速公路上车高、车宽进行描述。精确的算出了激光传感器在扫描每个车道时所成的角度，通过传感器所输出的数据进过编程和MATLAB的运用
44、，准确的判断出所行驶车道的车辆类型。（2）对车辆的特征矢量进行详细的描述，如车高和车宽。为了识别更多更全面的车辆类型，我们还需要车高轮廓这个特征矢量。在此，使用基于欧氏距离的计算距离算法，通过计算轮廓和各类模式之间的距离进行分类，对最近距离决定在哪，进行模式分类。（3）根据简化的GRM模板匹配算法，利用梯度相应图来进行全面的目标检测，从而达到识别车辆信息的目的。且具有线下训练以及内存计算的特点，它可以减少模板过程中的大量计算，极大的提高模板匹配的速度，从而达到对高速公路上车辆快速分类的目的。（4）通过该模型的建立，可以到达对高速公路上所通过的车辆进行快速的分类及准确的判断其数量。对高速公路上的交通情况进行实时监控，可以实现自动交通管理。通过对该模型的运用，还