基于TMS320F2812的車(chē)型檢測器設計及算法研究

摘要車(chē)型分類(lèi)是高速公路自動(dòng)收費和交通流量統計的重要依據，它是智能交通(ITS)的一個(gè)重要組成部分。本文針對車(chē)型檢測器硬件結構和處理算法兩方面提出一些具有創(chuàng )新性的設計方案，介紹了由LC振蕩電路和TMS320F2812處理芯片構成的車(chē)型檢測器的硬件結構，為克服LC振蕩電路頻率不穩定的固有缺陷提出了基頻更新算法。并提出了利用一維數學(xué)形態(tài)濾波方法過(guò)濾實(shí)際應用中的噪聲信號的方法，最后簡(jiǎn)單介紹了基于粗糙集BP神經(jīng)網(wǎng)絡(luò )車(chē)型分類(lèi)算法。
關(guān)鍵字TMS320F2812基頻更新算法數學(xué)形態(tài)濾波基于粗糙集的BP神經(jīng)網(wǎng)絡(luò )

1. 引言

車(chē)型分類(lèi)是高速公路自動(dòng)收費和交通流量統計的重要依據，它是智能交通(ITS)的一個(gè)重要組成部分。環(huán)形感應線(xiàn)圈檢測器是車(chē)型分類(lèi)中使用最廣的一種，其原理是當環(huán)形線(xiàn)圈中有高頻電流通過(guò)時(shí)，在環(huán)的周?chē)彤a(chǎn)生交變的電磁場(chǎng)，當車(chē)輛從環(huán)形線(xiàn)圈上方經(jīng)過(guò)，由于車(chē)體一般由鐵磁材料構成的，一方面，鐵磁車(chē)體的介入使線(xiàn)圈周?chē)臻g的導磁率發(fā)生變化，使線(xiàn)圈的電感量增加；另一方面，交變的電磁場(chǎng)使車(chē)體內產(chǎn)生渦流效應，使線(xiàn)圈的電感量減少。西安公路交通大學(xué)李誠等人由實(shí)驗得到，當環(huán)形線(xiàn)圈頻率為20KHz～100KHz時(shí)，渦流效應是主導因素^[1][2]。因此，頻率的變化與經(jīng)過(guò)線(xiàn)圈上方的車(chē)體形狀、線(xiàn)圈形狀、車(chē)體與線(xiàn)圈的相對位置、車(chē)體的電導率和磁導率、線(xiàn)圈的激勵頻率等有關(guān)，由于線(xiàn)圈形狀、激勵頻率、車(chē)體的電導率和磁導率是相對穩定的，而車(chē)輛經(jīng)過(guò)線(xiàn)圈的整個(gè)過(guò)程中，經(jīng)過(guò)線(xiàn)圈上方的車(chē)體形狀以及車(chē)體與線(xiàn)圈的相對位置是不斷變化的，從而使環(huán)形線(xiàn)圈中的高頻電流的頻率發(fā)生變化。以高頻電流頻率的變化特征為依據，通過(guò)模式識別方法可以得到車(chē)型信息?；诃h(huán)形線(xiàn)圈的車(chē)型檢測器就是基于上述原理識別經(jīng)過(guò)車(chē)輛的車(chē)型。如圖1所示，不同車(chē)型的車(chē)輛在環(huán)形線(xiàn)圈上方經(jīng)過(guò)后，車(chē)型檢測器采集到不同形狀特征的時(shí)變頻率曲線(xiàn)。

圖1 不同車(chē)型對應的不同的時(shí)變頻率曲線(xiàn)

本文從車(chē)型檢測器硬件結構和處理算法兩方面提出一些具有創(chuàng )新性的設計方案。以TI公司推出的最高工作頻率為150MHz的TMS320F2812為主處理芯片，通過(guò)對環(huán)形線(xiàn)圈振蕩頻率的采集和分析，并運用基頻更新算法、數學(xué)形態(tài)濾波方法和BP神經(jīng)網(wǎng)絡(luò )分類(lèi)算法來(lái)識別通過(guò)車(chē)輛的車(chē)型。

2. 基于TMS320F2812的線(xiàn)圈檢測器的設計

TMS320F2812是TI公司的一款高性能、多功能的32位定點(diǎn)DSP芯片。它具有32位數據總線(xiàn)，最高工作頻率為150MHz，單周期3232位或雙1616的MAC功能，18K16位的SRAM和128K16位的片上FLASH存儲器，2路16位定時(shí)/計數器，3個(gè)獨立的32位CPU定時(shí)器，56個(gè)獨立編程的GPIO引腳，可擴展1MB的外部存儲器，并具有多種通訊接口：SPI、SCI、ECAN、MCBSP，以及16路ADC模塊等。TMS320F2812具有8級流水線(xiàn)，專(zhuān)門(mén)的讀、寫(xiě)等6條總線(xiàn)，頻率高達150MHz。高速處理能力可以實(shí)現車(chē)輛檢測和車(chē)型分類(lèi)的快速運算雙重功能。^[3]

車(chē)型檢測器的硬件設計主要包括：振蕩波形發(fā)生電路、TMS320F2812的信號處理模塊、存儲擴展模塊、通訊模塊、輸出控制模塊以及功能設置模塊等，如圖2所示。振蕩波形發(fā)生模塊主要以電容三點(diǎn)式的LC振蕩電路構成。埋設在道路上的環(huán)形線(xiàn)圈與檢測器的一組線(xiàn)圈相連接形成一個(gè)閉環(huán)線(xiàn)圈，檢測器經(jīng)互感線(xiàn)圈把該閉環(huán)線(xiàn)圈的信號耦合到振蕩電路，因此，當環(huán)形線(xiàn)圈的電感量發(fā)生變化，該變化就馬上反饋到振蕩電路中，導致振蕩電路的振蕩頻率發(fā)生變化。而振蕩信號經(jīng)過(guò)NPN三極管和二極管的電平轉換后輸入到TMS320F2812的計數器的時(shí)鐘輸入口TCKINA上進(jìn)行檢測。TMS320F2812計算出即時(shí)的頻率變化值，并把數據存放到外擴的SRAM中，然后對所采集到的連續的時(shí)間序列數據進(jìn)行的信號濾波、特征提取以及模式識別的運算，最終得到與經(jīng)過(guò)的車(chē)輛相對應的車(chē)型信息。除了車(chē)型信息外，還可以通過(guò)計算得到車(chē)速、車(chē)流量、道路占有率等交通數據信息，這些數據信息對交通數據的調查、分析、統計、交通誘導以及交通信號的分配管理是很有意義的?；赥MS320F2812處理芯片的車(chē)型檢測器可以通過(guò)TMS320F2812芯片上的RS232接口或者CAN總線(xiàn)的網(wǎng)絡(luò )接口把實(shí)時(shí)交通數據的發(fā)送到交通指揮中心進(jìn)行上層的交通數據分析和管理。

圖2 車(chē)型檢測器硬件設計

3. 車(chē)型檢測的算法處理

由上述的環(huán)形線(xiàn)圈檢測電路，TMS320F2812芯片可以采集到的LC振蕩電路的振蕩頻率數據。而從頻率數據中識別出車(chē)型必須經(jīng)過(guò)以下幾個(gè)數據處理階段：實(shí)時(shí)基頻計算、頻率變化值計算、形態(tài)濾波處理、神經(jīng)網(wǎng)絡(luò )車(chē)型分類(lèi)算法。

3.1 基頻實(shí)時(shí)更新算法

正如圖2所示，車(chē)型檢測器選擇電容三點(diǎn)式的LC振蕩電路的優(yōu)點(diǎn)是電路簡(jiǎn)單，但LC振蕩電路的穩定性容易受振蕩回路的等效電感L和等效電容C的穩定性影響。此外，晶體管的各極間電容值又隨溫度、電壓、電流的變化而變化，以上因素都導致了LC振蕩電路的頻率不穩定，盡管不少研究人員對傳統的LC振蕩電路提出過(guò)不少的改進(jìn)方案^[4]，如克拉潑振蕩器，但始終未能實(shí)現振蕩電路的基頻在長(cháng)時(shí)間工作下穩定不變。因此，由TMS320F2812采集到的振蕩頻率數據不可避免地存在來(lái)自L(fǎng)C電路本身的固有干擾，在車(chē)輛檢測過(guò)程中會(huì )因此而產(chǎn)生誤判，影響了車(chē)型分類(lèi)器的工作穩定性。為解決LC振蕩電路導致車(chē)輛誤判問(wèn)題，筆者做了大量的實(shí)驗，實(shí)驗結果發(fā)現，LC電路本身基頻的變化通常是連續的，不會(huì )有太大的突變，相反，因鐵磁車(chē)體經(jīng)過(guò)環(huán)形線(xiàn)圈所產(chǎn)生的LC電路的振蕩頻率變化是突變的。根據這種特性，本文提出了基頻的實(shí)時(shí)更新算法如公式（1）（2）所示，其中 是當前檢測到的基頻值， 是前一次檢測到的基頻值，t是判斷是否因LC電路本身造成的噪聲閾值， 是更新因子，在實(shí)際應用中取值為0.9，根據公式（2）可以求出新的基頻值。

基頻更新算法可以有效地判別LC振蕩電路本身造成的頻率變化，實(shí)現對LC振蕩電路基頻的快速跟蹤，從而很大程度上避免因LC振蕩電路本身缺陷導致車(chē)輛檢測出現誤判的情況。

當車(chē)輛經(jīng)過(guò)環(huán)形線(xiàn)圈上方時(shí)，LC振蕩電路的振蕩頻率發(fā)生變化（通常為增加），其變化值為T(mén)MS320F2812檢測到的頻率與基頻 的差值，即 。該差值就作為車(chē)型識別的有效數據源。

3.2 數學(xué)形態(tài)濾波方法

根據對實(shí)驗數據分析，相同車(chē)型的車(chē)輛經(jīng)過(guò)環(huán)形線(xiàn)圈時(shí)，車(chē)型分類(lèi)器得到的時(shí)變頻率曲線(xiàn)具有一定的規律。根據這些穩定的規律，可以識別出相應的車(chē)型。在實(shí)際應用中，相鄰車(chē)道的車(chē)輛和環(huán)境磁場(chǎng)微小變化等因素產(chǎn)生的噪聲會(huì )影響車(chē)型識別的精度。而且由于干擾信號與原始信號的頻段相近，所以，一般的濾波方法如小波濾波等通過(guò)頻域分析手段不能有效濾除這些噪聲信號，而且會(huì )導致原始信號的失真。有鑒于此，本文采用數學(xué)形態(tài)濾波方法，構造相應的結構元素，通過(guò)開(kāi)－閉，閉－開(kāi)運算的平均組合來(lái)濾除車(chē)型檢測器在實(shí)際應用中的噪聲。

數學(xué)形態(tài)學(xué)是一門(mén)新興的圖像分析學(xué)科，是基于集合論的數學(xué)分支。由于該技術(shù)只取決于局部的信號特征，是一種有效的非線(xiàn)性濾波技術(shù)，其基本思想是用一個(gè)結構元素去探測一個(gè)圖像，同時(shí)驗證在圖像中填放結構元素的方法是否有效，從而得到關(guān)于圖像結構的信息。腐蝕和膨脹是最基本的形態(tài)學(xué)運算，開(kāi)運算和閉運算是由腐蝕和膨脹推演出來(lái)的兩種運算^[5]。通常數學(xué)形態(tài)濾波器用于二維信號的處理。在一維信號處理中， 關(guān)于 的腐蝕、膨脹、開(kāi)運算、閉運算的定義為：

…………………………………… (3)………………………………. (4)……………………………………….….…… (5)

…………………………………………………(6)

圖3 一維數字濾波與一維形態(tài)濾波的效果比較

如圖3所示，在時(shí)變頻率數據中間有一個(gè)小的噪聲信號與原始信號疊加在一起，導致波峰數從原始的3個(gè)變成現在的4個(gè)，由于這種錯誤的訓練樣本數據的存在，對后面的神經(jīng)網(wǎng)絡(luò )分類(lèi)算法而言是一種很大的干擾。圖中虛線(xiàn)為一維數字濾波的效果，可以看出數字濾波算法雖然也能去除該干擾信號，但是同時(shí)也造成原始信號的失真。而形態(tài)濾波方法，先通過(guò)對該類(lèi)噪聲信號的統計，得到噪聲波形的形狀特征，選擇合適的結構元素，而后對采集到的頻率數據進(jìn)行開(kāi)－閉、閉－開(kāi)運算，并取兩者的平均值，從圖中點(diǎn)線(xiàn)為形態(tài)濾波的效果，它成功地去除噪聲信號，而原始信號的特征波形被很好地保留。

3.3 車(chē)型分類(lèi)算法

由于本文的篇幅有限，關(guān)于車(chē)型分類(lèi)算法，筆者在之前所寫(xiě)的《BP神經(jīng)網(wǎng)絡(luò )算法在車(chē)型識別中的應用》^[6]和《多分支BP網(wǎng)絡(luò )模型及其在車(chē)型分類(lèi)中的應用》^[7]中有詳細的介紹，以下圖4為該識別算法的流程框圖。

圖4 車(chē)型分類(lèi)算法流程框圖

形態(tài)濾波處理后的時(shí)變頻率數據，可以通過(guò)簡(jiǎn)單的數學(xué)計算（如求導運算、極大極小值的求解）提取出時(shí)變頻率曲線(xiàn)的特征參數如：波峰值、波谷值、曲線(xiàn)寬度、波峰數、平均值、“山”字特征、“凸”字特征、波峰斜度等的一維曲線(xiàn)特征。這些特征能較好的描述時(shí)變頻率曲線(xiàn)的外形輪廓和一些具體參數，而對于某一車(chē)型來(lái)說(shuō)，其有用的特征（即有別于其它車(chē)型的特征）僅為這些特征中的一部分，其余特征是冗余的。冗余的輸入特征不利于分類(lèi)器的模式識別，增加了分類(lèi)器的結構復雜度以及車(chē)型分類(lèi)的計算時(shí)間，特征的冗余甚至會(huì )造成分類(lèi)器的過(guò)度擬合現象，降低了車(chē)型識別的準確率。為提高分類(lèi)器的識別效果，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò )的車(chē)型分類(lèi)之前，筆者插入了基于粗糙集的最小簡(jiǎn)約特征的提取環(huán)節，該環(huán)節通過(guò)對訓練樣本的分析，得到各種特征對不同車(chē)型類(lèi)別的貢獻程度，針對不同車(chē)型提取出相應的最小簡(jiǎn)約特征組。而且該特征組是在不影響分類(lèi)精度前提下有效特征的最小組合。最小簡(jiǎn)約特征的提取有利于提高BP神經(jīng)網(wǎng)絡(luò )分類(lèi)器的識別效果，縮減BP神經(jīng)網(wǎng)絡(luò )分類(lèi)器的訓練和運算時(shí)間?；诖植诩母倪M(jìn)BP神經(jīng)網(wǎng)絡(luò )模型如圖5所示。該BP神經(jīng)網(wǎng)絡(luò )模型的輸出對應不同的車(chē)型類(lèi)別，輸出值均為“1”和“-1”，“1”代表輸入樣本屬于相應的車(chē)型，“-1”代表輸入樣本不屬于相應的車(chē)型。

圖5 基于粗糙集的改進(jìn)BP神經(jīng)網(wǎng)絡(luò )模型

4. 總結

車(chē)型檢測器的設計主要分為硬件結構和處理算法兩方面，本文就這兩方面提出了一些具有創(chuàng )新性的設計方案，介紹了由LC振蕩電路和TMS320F2812處理芯片構成的車(chē)型檢測器的硬件結構，針對LC振蕩電路頻率不穩定的固有缺陷提出基頻更新算法，并提出了利用一維數學(xué)形態(tài)濾波方法過(guò)濾實(shí)際應用中的噪聲信號，最后簡(jiǎn)單介紹了基于粗糙集BP神經(jīng)網(wǎng)絡(luò )車(chē)型分類(lèi)算法?；赥MS320F2812的嵌入式車(chē)型檢測器具有廣泛的應用前景，是ITS系統中不可或缺的設備之一。

參考文獻
[1]Y. Xiao, “Research on Vehicle Classification with Loop Sensors,” Journal of SSSRI, Dec. 2004, vol. 27, no. 2, pp.1942-1948.
[2]李誠. 環(huán)形線(xiàn)圈車(chē)輛傳感器的研究, 西安公路交通大學(xué)學(xué)報, 1995, no. 2, pp. 56-59.
[3]蘇奎峰, 呂強, 耿慶鋒等. TMS320F2812原理與開(kāi)發(fā). 北京: 電子工業(yè)出版社, 2005.
[4]葉樹(shù)亮, 李東升. 改進(jìn)型高穩定度LC振蕩電路的研究, 中國計量學(xué)院學(xué)報, 2003, no.3, pp. 174-177.
[5]龔煒, 石青云等. 數字空間的數學(xué)形態(tài)學(xué)DD理論及應用[M]. 北京: 科學(xué)出版社, 1997.
[6]鐘漢如, 梁俊斌. BP神經(jīng)網(wǎng)絡(luò )算法在車(chē)型識別中的應用, 自動(dòng)化技術(shù)與應用, 2003, vol. 22, no. 8, pp. 65-68.
[7]林培群, 徐建閩, 梁俊斌等. 多分支BP網(wǎng)絡(luò )模型及其在車(chē)型分類(lèi)中的應用, 微計算機信息, 2005, vol. 21, no. 12, pp. 183-185