EP0841647A1

EP0841647A1 - Traffic monitoring method and device

Info

Publication number: EP0841647A1
Application number: EP97118758A
Authority: EP
Inventors: Klaus Wasserberg; Alfred Lehmann
Original assignee: Deutsche Forschungs und Versuchsanstalt fuer Luft und Raumfahrt eV DFVLR
Current assignee: Deutsches Zentrum fuer Luft und Raumfahrt eV
Priority date: 1996-11-12
Filing date: 1997-10-29
Publication date: 1998-05-13
Also published as: DE19646632C1

Abstract

The method involves measuring the magnetic characteristics of a passing vehicle (4) with several magnetic field sensors (2) arranged transversely across the highway and in series at several successive positions. The sensor signals are digitized and combined to form a measurement value which is converted into a one-dimensional measurement value sequence (9a). The measurement value sequence is transformed into a characteristic vector (VM) using a transformation matrix, stored and compared with previously determined characteristic vectors.

Description

Die Erfindung betrifft ein Verfahren und eine Vorrichtung zur Verkehrsüberwachung mit dem bzw. der es möglich ist, einzelne Fahrzeuge zu erfassen und wiederzuerkennen.The invention relates to a method and a device for traffic monitoring with the or it is possible is to record and recognize individual vehicles.

Das Verkehrsaufkommen ist in den letzten Jahrzehnten stetig angestiegen. Diese Tendenz wird sich auch in der Zukunft fortsetzen. So wird es immer wichtiger, das Verkehrsnetz bis ins Detail planen zu können und mit verschiedenen Maßnahmen die Leistungsfähigkeit des Verkehrsnetzes zu steigern. Der Einsatz von intelligenten Verkehrsleitsystemen, ein flexibler öffentlicher Personennahverkehr und bauliche Maßnahmen werden die wesentlichen Ansatzpunkte für Verbesserungen sein. Für alle Maßnahmen wird eine detaillierte Analyse des Verkehrsaufkommens und der derzeitigen Verkehrsströme zugrundegelegt werden müssen. Um die Verkehrsströme analysieren zu können, muß man den Weg der Fahrzeuge vom Start zum Ziel feststellen. Traffic has been in the past few decades steadily increased. This trend will also change in the Continue the future. So it becomes more and more important that To be able to plan the transport network in detail and with various measures the performance of the transport network to increase. The use of intelligent Traffic control systems, flexible local public transport and structural measures become the essential Starting points for improvements. For all Measures will be a detailed analysis of traffic and based on current traffic flows Need to become. To analyze the traffic flows to be able to, you have to the way of the vehicles from start to Determine target.

Derzeit werden Start-Ziel-Verfolgungen mittels Befragungen durchgeführt. Diese sind aber personal- und kostenintensiv und nur über kurze Zeiträume durchführbar. Das gleiche gilt für Verkehrszählungen, die zur Analyse von Verkehrsströmen durchgeführt werden.Currently, start-finish tracking is done through surveys carried out. However, these are personnel and cost intensive and only feasible for short periods. The same goes for traffic counts for analysis of traffic flows are carried out.

Bekannt sind in die Fahrbahndecke eingelassene Induktionsschleifen, die zum Beispiel zur Steuerung von Ampelanlagen eingesetzt werden. Einzelne Fahrzeuge können mit dieser Vorrichtung nicht erfaßt und wiedererkannt werden, allenfalls können durch Auswertung der Induktionssignale die Fahrzeuge bestimmten Kategorien, z.B. Fahrzeugtypen, zugeordnet werden. Außerdem sind die Induktionsschleifen sowohl in der Beschaffung als auch in der Installation teuer.Induction loops embedded in the pavement are known, for example to control traffic lights be used. Individual vehicles can not detected and recognized with this device can, at best, by evaluating the induction signals the vehicles certain categories, e.g. Vehicle types. Besides, they are Induction loops both in procurement as well expensive to install.

Aus der DE 42 31 881 A1 ist eine Anordnung zum Erfassen von Verkehrsgrößen mit Hilfe von mehreren Induktionsschleifen bekannt. Die Induktionsschleifen sind in einer oder mehreren hintereinanderliegenden Reihen quer zur Fahrbahn angeordnet. Die Empfindlichkeit der Induktionsschleifen wird durch mehrere die eigentliche Sensorschleife umgebende Hilfsschleifen heraufgesetzt. Die Sensorschleifen sind an eine Auswerteeinrichtung angeschlossen, die den Phasenwinkel zwischen Spannung und Strom in der Sensorschleife mißt.DE 42 31 881 A1 describes an arrangement for detection of traffic quantities with the help of several induction loops known. The induction loops are in one or several rows in a row arranged to the roadway. The sensitivity of the induction loops is the actual sensor loop by several surrounding auxiliary loops increased. The Sensor loops are connected to an evaluation device which is the phase angle between voltage and Measures current in the sensor loop.

Neben der magnetischen Erfassung sind auch Vorrichtungen zur optischen Erfassung von Fahrzeugen bekannt. Solche Systeme werden zum Beispiel in Verkehrsleitsystemen auf Autobahnen eingesetzt. Mit diesen optischen Sensoren ist eine Identifizierung eines Fahrzeuges nicht möglich. Es wird bloß erkannt, ob ein Fahrzeug vorbeigefahren ist. In addition to magnetic detection, there are also devices known for the optical detection of vehicles. Such systems are used, for example, in traffic management systems used on highways. With these optical Sensors is an identification of a vehicle not possible. It is only recognized whether a Vehicle has passed.

Mit Kameras ist es möglich, Autos zu erfassen und auch wiederzuerkennen. Problematisch sind dabei die typischerweise sehr großen Datensätze sowie datenschutzrechtliche Bedenken, denn das Fahrzeug wird soweit identifiziert, daß der Fahrzeughalter ermittelbar ist.With cameras it is possible to capture cars and also to recognize. These are typically problematic very large data sets as well as data protection law Consider, because the vehicle is getting ready identifies that the vehicle owner can be determined.

In der DE 35 21 655 A1 ist eine Einrichtung zum Erfassen von Fahrzeugverkehr mit Magnetfelddektektoren beschrieben. Die Magnetfelddetektoren messen Störungen eines vorgegebenen Magnetfeldes durch ein Fahrzeug, so daß das Vorhandensein und/oder die Bewegung eines Fahrzeuges ermittelbar ist. Mit dieser Einrichtung sind jedoch verschiedene Fahrzeugtypen unterscheidbar.DE 35 21 655 A1 describes a device for detecting described by vehicle traffic with magnetic field detectors. The magnetic field detectors measure interference a given magnetic field by a vehicle, so that the presence and / or movement of a vehicle can be determined. With this facility however different vehicle types can be distinguished.

Es ist Aufgabe der Erfindung, ein Verfahren und eine Vorrichtung zur Verkehrsüberwachung zu schaffen, mit dem bzw. der Fahrzeuge erfaßt und wiedererkannt werden, wobei der Fahrzeughalter jedoch anonym bleibt.It is an object of the invention, a method and a To create device for traffic monitoring with which the vehicle (s) are recorded and recognized, but the vehicle owner remains anonymous.

Diese Aufgabe wird erfindungsgemäß mit den Merkmalen der Patentansprüche 1 bzw. 5 gelöst.This object is achieved with the features of claims 1 and 5 solved.

Bei dem erfindungsgemäßen Verfahren wird die magnetische Charakteristik eines vorbeifahrenden Fahrzeugs an mehreren quer über die Fahrbahn verteilten Magnetfeldsensoren jeweils an mehreren örtlich auseinanderliegenden Stellen selektiv gemessen. Dies erfolgt zu mehreren aufeinanderfolgenden Zeitpunkten. Aus der Vielzahl der enthaltenen Sensorsignale wird ein Merkmalsvektor erzeugt, der das Fahrzeug charakterisiert und es somit wiedererkennbar macht. Das Verfahren arbeitet so genau, daß selbst zwischen Fahrzeugen des gleichen Modells unterschieden werden kann. Da nur die magnetische Charakteristik des Fahrzeugs gemessen wird, sind keine Rückschlüsse auf den Halter des Fahrzeuges möglich.In the method according to the invention, the magnetic Characteristics of a passing vehicle several magnetic field sensors distributed across the road in each case on several spatially separated Places measured selectively. This is done in several successive times. From the multitude of a sensor vector is generated, which characterizes the vehicle and therefore it makes it recognizable. The process works so precisely that even differentiated between vehicles of the same model can be. Because only the magnetic characteristic of the vehicle is not measured It is possible to draw conclusions about the owner of the vehicle.

Die erfindungsgemäße Vorrichtung zur Verkehrsüberwachung weist eine quer zur Bewegungsrichtung des Verkehrs angeordnete Reihe von Magnetfeldsensoren auf, deren Signale in einer Rechnereinheit verarbeitet werden. Zunächst werden die analogen Sensorsignale digital gewandelt und in einem Meßwert zusammengefaßt, mehrere dieser zu aufeinanderfolgenden Zeitpunkten entstandenen Meßwerte werden dann zu einer eindimensionalen aufbereiteten Meßwertfolge zusammengefügt. Diese aufbereitete Meßwertfolge wird mit einer Transformationsmatrix zu einem das jeweilige Fahrzeug identifizierenden Merkmalsvektor umgewandelt. Bedingt durch diese Verarbeitung der Sensorsignale wird die Erkennbarkeit der Fahrzeuge erhöht und der Umfang des das Fahrzeug identifizierenden Datensatzes verringert, wodurch die Verarbeitungsgeschwindigkeit der Vorrichtung erhöht wird.The device for traffic monitoring according to the invention has a cross to the direction of traffic arranged row of magnetic field sensors, whose signals are processed in a computer unit. First, the analog sensor signals go digital converted and summarized in one measured value, several of these that have arisen at successive times Measured values are then processed into a one-dimensional one Combined measured value sequence. This processed Measured value sequence is with a transformation matrix to a feature vector identifying the respective vehicle transformed. Due to this processing The sensor signals make the vehicles recognizable increases and the scope of the vehicle identifying Record is reduced, reducing processing speed the device is increased.

In einer bevorzugten Ausführung der Erfindung sind die Magnetfeldsensoren derart empfindlich, daß sie das Erdmagnetfeld messen und die durch das Fahrzeug hervorgerufenen Änderungen des Erdmagnetfeldes ermitteln. Dadurch wird eine hohe Meßgenauigkeit der Einzelmessungen garantiert, so daß auch gleiche Fahrzeugmodelle mit identischer Ausstattung unterschieden werden können. Erprobungen der Erfindung haben ergeben, daß Fahrzeuge allein schon durch die unterschiedlichen Walzrichtungen der Karosseriebleche unterschieden werden können.In a preferred embodiment of the invention, the Magnetic field sensors so sensitive that they affect the earth's magnetic field measure and those caused by the vehicle Determine changes in the earth's magnetic field. Thereby high measuring accuracy of the individual measurements guaranteed, so that same vehicle models with identical equipment can be distinguished. Tests of the invention have shown that vehicles just because of the different rolling directions the body panels can be distinguished.

Vorteilhafterweise sind über eine Meßbreite von 3,60 m, dies entspricht einer Fahrspur, mindestens 12 Magnetfeldsensoren in einer Reihe angeordnet. Dadurch wird eine ausreichende Meßauflösung erreicht, um die Fahrzeuge sicher erfassen und wiedererkennen zu können.Advantageously, over a measuring width of 3.60 m, this corresponds to one lane, at least 12 magnetic field sensors arranged in a row. This will sufficient measurement resolution is achieved to the vehicles to be able to record and recognize them safely.

In einer bevorzugten Ausführung der Erfindung geben die Magnetfeldsensoren unter Vorgabe eines Taktes die Sensorsignale gleichzeitig aus. Dies hat den Vorteil, daß die Sensorsignale parallel verarbeitet werden können, wodurch sie schneller und leichter zu einem Meßwert zusammenfaßbar sind.In a preferred embodiment of the invention, the Magnetic field sensors with a clock pulse the sensor signals out at the same time. This has the advantage that the sensor signals can be processed in parallel, making them quicker and easier to get a reading can be summarized.

Die Meßwerte können zunächst zu einer mehrdimensionalen Meßwertfolge zusammengefaßt werden, die dann zu einer aufbereiteten eindimensionalen Meßwertfolge in Vektorform reduziert wird. So wird aus einer ein Fahrzeug charakterisierenden Matrix ein Vektor, der noch ausreichend Informationen zur Charakterisierung des Fahrzeuges enthält. Der Vektor kann einfacher und schneller weiterverarbeitet werden als eine Matrix.The measured values can initially be multidimensional Measurement sequence are summarized, which then to a prepared one-dimensional measurement sequence in vector form is reduced. So one becomes a vehicle characterizing matrix a vector that is still sufficient Information about the characterization of the vehicle contains. The vector can be easier and faster can be processed as a matrix.

Bevorzugterweise geht die Transformationsmatrix aus einer Kovarianzmatrix hervor, die in einer Lernphase aus aufbereiteten eindimensionalen Meßwert folgen mehrerer Fahrzeuge gebildet wird. Eine Kovarianzmatrix ist ein unter anderem aus der Bilderkennung bekanntes statistisches Mittel, mit dem Abweichungen eines Einzelmusters von dem Durchschnittswert aller Muster berechnet werden können. Mit dieser Methode kann der Umfang des Merkmalsvektors verringert werden, da die Fahrzeuge durch Abweichungen vom Durchschnitt charakterisiert werden und nicht durch einen kompletten Satz von Meßwerten. Dies ermöglicht eine schnelle Verarbeitung der Sensorsignale. The transformation matrix preferably runs out a covariance matrix that is in a learning phase follow from the prepared one-dimensional measured value several vehicles is formed. A covariance matrix is one known from image recognition, among other things statistical means with which deviations of a single pattern calculated from the average of all samples can be. With this method, the scope of the feature vector can be reduced since the Vehicles characterized by deviations from the average and not by a complete sentence of measured values. This enables quick processing of the sensor signals.

Die Analog-Digital-Wandlung der analogen Sensorsignale kann direkt in den Sensoreinheiten erfolgen, wodurch die Störanfälligkeit der Datenübertragung von den Magnetfeldsensoren zu der Rechnereinheit verringert wird.The analog-digital conversion of the analog sensor signals can be done directly in the sensor units, whereby the susceptibility to interference of data transmission from the magnetic field sensors to the computing unit is reduced.

Im folgenden wird ein Ausführungsbeispiel der Erfindung anhand der Zeichnungen näher erläutert.The following is an embodiment of the invention explained in more detail with reference to the drawings.

Es zeigen:

Fig. 1: den prinzipiellen Aufbau einer Verkehrsüberwachungsvorrichtung,
Fig. 2: eine aus den Sensorsignalen der Magnetfeldsensoren gewonnene mehrdimensionale Meßwertfolge,
Fig. 3: eine aufbereitete Meßwertfolge,
Fig. 4: eine Kovarianzmatrix, die aus einer Stichprobe von ca. 3800 Fahrzeugen gebildet wurde,
Fig. 5: eine Transformationsmatrix als Diagonalmatrix mit den Eigenwerten der Kovarianzmatrix als Diagonalelemente,
Fig. 6: einen Merkmalsvektor, der durch Anwendung der Transformationsmatrix auf die aufbereitete Meßwertfolge gebildet wird, und
Fig. 7: den prinzipiellen Aufbau eines Magnetfeldsensors.

Show it:

Fig. 1: the basic structure of a traffic monitoring device,
Fig. 2: a multidimensional measurement value sequence obtained from the sensor signals of the magnetic field sensors,
Fig. 3: a prepared measurement sequence,
Fig. 4: a covariance matrix, which was formed from a sample of approx. 3800 vehicles,
Fig. 5: a transformation matrix as a diagonal matrix with the eigenvalues of the covariance matrix as diagonal elements,
Fig. 6: a feature vector, which is formed by applying the transformation matrix to the prepared measurement value sequence, and
Fig. 7: the basic structure of a magnetic field sensor.

Figur 1 zeigt eine Verkehrsüberwachungsvorrichtung 1 mit sechzehn Magnetfeldsensoren 2, die in einer geradlinigen Reihe quer zu einer Fahrbahn 3 verlegt sind. Die Sensoren 2 sind entweder in der Fahrbahndecke eingelassen oder unter einer überfahrbaren Schwelle auf der Fahrbahndecke befestigt. Die Magnetfeldsensoren 2 messen die magnetische Charakteristik eines vorbeifahrenden Fahrzeuges 4. Sie sind so empfindlich, daß sie das Erdmagnetfeld messen. Während sich kein Fahrzeug 4 im Meßbereich der Magnetfeldsensoren 2 befindet, werden die dem Wert des Erdmagnetfeldes entsprechenden Sensorsignale der Magnetfeldsensoren 2 abgespeichert, um als Bezugswerte zur Verfügung zu stehen. Befindet sich ein Fahrzeug 4 im Meßbereich der Magnetfeldsensoren 2, wird der gemessene Wert größer als der abgespeicherte Bezugswert und die Differenz wird als Sensorsignal verwertet.FIG. 1 shows a traffic monitoring device 1 with sixteen magnetic field sensors 2 that are in a straight line Row are laid across a lane 3. The sensors 2 are either embedded in the pavement or under a threshold that can be driven over attached to the pavement. The magnetic field sensors 2 measure the magnetic characteristics of a passing vehicle Vehicle 4. They are so sensitive that they measure the earth's magnetic field. While no vehicle 4 located in the measuring range of the magnetic field sensors 2 the sensor signals corresponding to the value of the earth's magnetic field of the magnetic field sensors 2 stored in order as Reference values are available. Is a Vehicle 4 in the measuring range of the magnetic field sensors 2 the measured value is greater than the stored reference value and the difference is used as a sensor signal.

Die Sensoren 2 sind über eine Busleitung 5 mit einer Rechnereinheit 6 verbunden. Die auf ein Taktsignal der Rechnereinheit 6 von den Magnetfeldsensoren 2 ausgegebenen analogen Sensorsignale werden in den Magnetfeldsensoren 2 digital gewandelt und parallel über die Busleitung 5 an die Rechnereinheit 6 übertragen.The sensors 2 are connected to a via a bus line 5 Computer unit 6 connected. The on a clock signal the Computer unit 6 output by the magnetic field sensors 2 Analog sensor signals are in the magnetic field sensors 2 digitally converted and parallel over the Transfer bus line 5 to the computer unit 6.

Nach jedem Taktimpuls, bei einem benutzten Takt von 1000 Hz, also nach jeder 1000stel Sekunde, liegt am Eingang der Rechnereinheit 6 ein digitaler Meßwert 7 (Fig. 2) mit einer Wortbreite von 16 Stellen (entsprechend den 16 Sensoren), wobei jede Stelle den zugehörigen Amplitudenwert A angibt. Der Meßwert 7 setzt sich also aus den einzelnen digital gewandelten und parallel übertragenen Sensorsignalen aller 16 Magnetfeldsensoren 2 zusammen. After every clock pulse, with a used clock of 1000 Hz, i.e. after every 1000th of a second, is due A digital measured value 7 is input to the computer unit 6 (Fig. 2) with a word length of 16 digits (corresponding the 16 sensors), with each digit the associated Amplitude value A indicates. The measured value 7 sets are thus digitally transformed and sensor signals transmitted in parallel from all 16 magnetic field sensors 2 together.

In einem Meßwertfolgegenerator 8 werden die beim Passieren eines Fahrzeugs 4 nacheinander erzeugten Meßwerte 7 zu einer charakteristischen mehrdimensionalen Meßwertfolge 9 zusammengefaßt. Dabei wird nach jedem Taktimpuls ein Meßwert 7 zu den vorher aufgenommenen Meßwerten hinzugenommen, bis das Fahrzeug 4 die Reihe von Magnetfeldsensoren 2 komplett überfahren hat. In Fig. 2 ist eine derartige Meßwertfolge 9 in dreidimensionaler Form vereinfacht oder für ein sehr langsam fahrendes Fahrzeug dargestellt. Normalerweise besteht eine mehrdimensionale Meßwertfolge 9 aus wesentlich mehr Meßwerten 7.In a measured value sequence generator 8, they are passed of a vehicle 4 successively generated measured values 7 to a characteristic multidimensional sequence of measured values 9 summarized. It is after each clock pulse a measured value 7 for the previously recorded measured values added until the vehicle 4 the series of Has completely run over magnetic field sensors 2. In Fig. 2 is such a measurement sequence 9 in three-dimensional Simplified form or for a very slow moving Vehicle shown. There is usually a multi-dimensional one Measured value sequence 9 from significantly more measured values 7.

Die Punkte S1 bis S16 auf der quer zur Fahrbahn gerichteten Koordinate S sind den einzelnen Magnetfeldsensoren 2 zugeordnet. In Fahrbahnlängsrichtung ist die Koordinate t der Zeit aufgetragen. Nach jedem Taktimpuls wird zu den bis zu dem Zeitpunkt t_n aufgenommenen Meßwerten der aktuelle Meßwert 7 zu dem Zeitpunkt t_n+1 hinzugefügt. Der Index n gibt dabei fortlaufend die Zahl der Taktzyklen an. So entsteht der nur durch den Zeittakt festgelegte Gitterabstand in Richtung der Koordinate t. Die Amplitude A eines Gitterpunktes steht in Relation zu dem gemessenen Magnetfeld zu dem jeweiligen Zeitpunkt t_n an dem jeweiligen Magnetfeldsensor S. Der Gitterpunkt 11 charakterisiert ein Sensorsignal, das zum Zeitpunkt t₅, d.h. fünf Taktzyklen nachdem das Fahrzeug 4 in dem Meßbereich der Sensoren 2 gelangt ist, von dem Sensor S2 aufgenommen wurde.The points S1 to S16 on the coordinate S directed transverse to the roadway are assigned to the individual magnetic field sensors 2. The coordinate t of time is plotted in the longitudinal direction of the lane. After each clock pulse, the current measured value 7 is added to the measured values recorded up to the time t _n at the time t _{n + 1} . The index n continuously indicates the number of clock cycles. This creates the grid spacing, which is only determined by the timing, in the direction of the coordinate t. The amplitude A of a grid point is in relation to the measured magnetic field at the respective time t _n at the respective magnetic field sensor S. The grid point 11 characterizes a sensor signal which at time t ₅ , ie five clock cycles after the vehicle 4 in the measuring range of the sensors 2 arrived, from which sensor S2 was recorded.

Die stärksten Amplituden A sind an vier Stellen 10 zu beobachten. Diese werden durch die Räder bzw. die Metallfelgen des Fahrzeuges 4 verursacht. Da Magnetfelder exponentiell abfallen, werden Teile des Fahrzeuges 4, die den Magnetfeldsensoren 2 am nächsten sind, stärker erfaßt als weiter entfernte Teile. Dies erklärt die hohen Amplituden an den Stellen 10 im Bereich der Räder des Fahrzeuges 4.The strongest amplitudes A are 10 at four places observe. These are through the wheels or the metal rims of the vehicle 4 caused. Because magnetic fields fall exponentially, parts of the vehicle 4, which are closest to the magnetic field sensors 2, stronger detected as more distant parts. This explains the high amplitudes at points 10 in the area of the wheels of the vehicle 4.

Um die verschiedenen charakteristischen mehrdimensionalen Meßwertfolgen 9 vergleichbar zu machen, wird eine solche Meßwertfolge 9 in einer Extraktionsstufe 8a zu einer aufbereiteten eindimensionalen Meßwertfolge 9a zusammengefaßt, wobei der mehrdimensionalen Meßwertfolge 9 Merkmale entzogen werden.To the different characteristic multidimensional To make measured value sequences 9 comparable is a such measurement sequence 9 in an extraction stage 8a a prepared one-dimensional measurement sequence 9a summarized, the multidimensional measurement sequence 9 characteristics are withdrawn.

Die diskreten quantisierten Abtastwerte der charakteristischen mehrdimensionalen Meßwertfolge 9 der Fahrzeuge können bereits als fahrzeugbeschreibend betrachtet werden. Die Datenmenge pro Fahrzeug ist jedoch relativ groß. Beispielsweise ergeben sich für ein 30 km/h schnelles Fahrzeug von 4 m Länge 480 Meßwerte pro Sensor (bei einem Takt von 1000 Hz). Bei 16 verwendeten Sensoren ergeben sich somit insgesamt 7680 Merkmalskomponenten, die nicht in einer für die Fahrzeugerkennung realistischen Zeit verarbeitbar sind. In der Extraktionsstufe 8a wird die Zahl der Merkmalskomponenten auf 64 reduziert.The discrete quantized samples of the characteristic multidimensional measurement sequence 9 of vehicles can already be considered vehicle descriptive will. However, the amount of data per vehicle is relatively large. For example, for a 30th km / h fast vehicle of 4 m length 480 measurements per Sensor (at a frequency of 1000 Hz). Used at 16 Sensors result in a total of 7680 feature components, which is not in one for vehicle detection realistic time can be processed. In the extraction stage 8a will show the number of feature components 64 reduced.

Die mehrdimensionalen Meßwertfolgen 9 enthalten zusätzlich Informationen, die nicht fahrzeugspezifisch sind (Irrelevanz), wie zum Beispiel die von den Rädern der Fahrzeuge hervorgerufenen Merkmalskomponenten 10. Die mehrdimensionalen Meßwertfolgen 9 werden so aufbereitet, daß objektspezifische Eigenschaften wie Momentangeschwindigkeit der Fahrzeuge, Fahrzeuglängen, Rausch- und Störanteile, Empfindlichkeit und Verstärkungsfaktoren der Detektoren unterschiedliche Bodenfreiheiten, Einfedern bei Fahrbahnunebenheiten beseitigt sind.The multidimensional measurement value sequences 9 additionally contain Information that is not vehicle-specific (Irrelevance), such as that of the wheels of the Characteristic components evoked by vehicles 10. The multidimensional measurement value sequences 9 are prepared in such a way that object-specific properties like instantaneous speed of vehicles, vehicle lengths, Noise and interference components, sensitivity and amplification factors the detectors have different ground clearances, Deflection in the event of uneven road surfaces eliminated are.

Zunächst wird die mehrdimensionale Meßwertfolge 9 in Richtung der t-Koordinate auf eine Länge von 32 Stütz-stellen reduziert. Diese Komprimierung entspricht einer Zeitnormierung, da die Geschwindigkeit bzw. die Länge des Fahrzeuge eliminiert wird. Ein Zeitnormierungsfaktor wird aus dem Verhältnis zwischen Anzahl der aufgenommenen Stützpunkte der mehrdimensionalen Meßwertfolge 9 in Richtung der t-Koordinate und der vordefinierten Anzahl (32) der Stützstellen definiert. Dieser Normierungsfaktor bestimmt die Anzahl der Stützpunkte der originalen mehrdimensionalen Meßwertfolge, die zu einer Stützstelle der zeitnormierten mehrdimensionalen Meßwertfolge zusammengefaßt werden. Durch diese zusammenzufassenden Stützpunkte der originalen Meßwertfolge wird jeweils eine Regressionsgrade gelegt, deren Steigung für die zeitnormierte Meßwertfolge umgerechnet wird.First, the multidimensional measurement sequence 9 in Direction of the t-coordinate to a length of 32 support points reduced. This compression corresponds to one Time normalization because of the speed or the length of the vehicle is eliminated. A time normalization factor is calculated from the ratio between the number of recorded Bases of the multidimensional sequence of measured values 9 in the direction of the t-coordinate and the predefined Number (32) of support points defined. This normalization factor determines the number of bases of the original multidimensional measurement sequence leading to a Support point of the time-standardized multidimensional measurement sequence be summarized. By summarizing them Bases of the original measurement sequence a degree of regression is set, the slope converted for the time-standardized sequence of measured values becomes.

In einem zweiten Schritt werden die Merkmalswerte bereichsweise zusammengefaßt und eine aufbereitete eindimensionale Meßwertfolge 9a in Vektorform (Figur 3) gebildet. Dies ist möglich, da eine heuristische Analyse der mehrdimensionalen Meßwertfolgen 9 zeigt, daß eine statistische Bindung zwischen den Merkmalskomponenten besteht. Sie wird vor allem durch die statistische Abhängigkeit des Eingangssignales verursacht. Allgemeine Konstruktionsprinzipien beeinflußen die Metallmassenverteilung an der Fahrzeugunterseite, so daß auch bei idealer Betrachtung keine unabhängigen Merkmalskomponenten gewonnen werden können. Darunter fallen insbesondere die von den Rädern des Fahrzeuges hervorgerufenen Merkmalskomponenten 10. Deshalb werden zur weiteren Informationskomprimierung die Merkmalskomponenten, die von den Sensoren aufgenommen worden sind, welche im Bereich der Räder des Fahrzeuges angeordnet sind, aus der mehrdimensionalen Meßwertfolge 9 entfernt. In diesem Fall werden die Merkmalskomponenten der Sensoren S₁ bis S₅ und S₁₂ bis S₁₆, die die Fahrzeugräder erfaßt haben, unterdrückt. Diese Merkmalskomponenten können jedoch zur Bestimmung der Fahrzeugbreite und des Achsenabstandes benutzt werden. Sie sind daher zur Unterscheidung verschiedener Fahrzeugarten, insbesondere zur PKW-, LKW- und Motorrad- Klassifizierung gut geeignet.In a second step, the feature values are summarized in regions and a prepared one-dimensional measurement value sequence 9a in vector form (FIG. 3) is formed. This is possible because a heuristic analysis of the multidimensional measurement value sequences 9 shows that there is a statistical link between the feature components. It is mainly caused by the statistical dependence of the input signal. General design principles influence the metal mass distribution on the underside of the vehicle, so that even when viewed ideally, no independent feature components can be obtained. This includes, in particular, the feature components 10 caused by the wheels of the vehicle. For further information compression, the feature components which have been recorded by the sensors which are arranged in the area of the wheels of the vehicle are therefore removed from the multidimensional measurement value sequence 9. In this case, the feature components of the sensors S ₁ to S ₅ and S ₁₂ to S ₁₆ , which have detected the vehicle wheels, are suppressed. However, these feature components can be used to determine the vehicle width and the center distance. They are therefore well suited for differentiating between different types of vehicles, especially for car, truck and motorcycle classification.

Die verbliebenen Merkmalskomponenten der Sensoren S₆ bis S₁₁ werden zu zwei Gruppen zusammengefaßt. Dazu werden die Werte der ersten drei Sensoren (S₆ bis S₈) an den 32 Stützstellen jeweils zu einem Mittelwert zusammengefaßt, so daß eine Folge von 32 gemittelten Merkmalskomponenten entsteht. Die Merkmalskomponenten der drei Sensoren S₉ bis S₁₁ werden entsprechend zusammengefaßt. Die beiden Folgen werden aneinander gehängt, so daß eine eindimensionale Meßwertfolge 9a in Form eines Meßwertvektors entsteht (Figur 3). Die ersten 32 Werte der eindimensionalen Meßwertfolge 9a stammen dabei von den Sensoren S₆ bis S₈, die letzten 32 Werte von den Sensoren S₉ bis S₁₁. So kann die Anzahl der Werte, die das Fahrzeug charakterisieren, auf 64 pro Fahrzeug beschränkt werden. Diese Anzahl liegt in einer für die Fahrzeugerkennung günstigen Größenordnung.The remaining feature components of sensors S ₆ to S ₁₁ are combined into two groups. For this purpose, the values of the first three sensors (S ₆ to S ₈ ) at the 32 support points are combined to form an average, so that a sequence of 32 averaged feature components is produced. The feature components of the three sensors S ₉ to S ₁₁ are summarized accordingly. The two sequences are attached to each other so that a one-dimensional measurement sequence 9a in the form of a measurement vector is created (FIG. 3). The first 32 values of the one-dimensional measurement value sequence 9a come from the sensors S ₆ to S ₈ , the last 32 values from the sensors S ₉ to S ₁₁ . The number of values that characterize the vehicle can be limited to 64 per vehicle. This number is of a magnitude that is favorable for vehicle detection.

Abschließend wird in der Extraktionsstufe 8a noch die Amplitude der eindimensionalen Meßwertfolge normiert. Dazu wird zunächst die Maximalamplitude der eindimensionalen Meßwertfolge gesucht. Dieser Wert wird auf 255 festgelegt und bildet nach folgender Formel die Bezugsgröße für alle anderen Stützpunkte: X(n) norm = X(n) Abtast X max · 255 Finally, the amplitude of the one-dimensional measurement value sequence is standardized in the extraction stage 8a. For this purpose, the maximum amplitude of the one-dimensional measurement value sequence is first sought. This value is set to 255 and uses the following formula to form the reference value for all other bases: X ( n ) standard = X ( n ) Sampling X Max · 255

Nach der Formel wird der Amplitudenwert eines Meßpunktes (X(n)_Abtast)durch den Wert der maximalen Amplitude (X_max) geteilt und mit 255 multipliziert, um so amplitudennormierte Werte zu erhalten.According to the formula, the amplitude value of a measuring point (X (n) _samples ) is divided by the value of the maximum amplitude (X _max ) and multiplied by 255 in order to obtain amplitude-standardized values.

In Fig. 3 sind entlang der Abszisse die Nummern der das Fahrzeug charakterisierenden Werte und entlang der Ordinate die (auf 255 normierten) Beträge dieser Werte angegeben.In Fig. 3 along the abscissa are the numbers of the Vehicle characterizing values and along the ordinate the amounts of these values (standardized to 255) specified.

Nach Durchführung dieser drei Normierungen erhält man komplett normierte Komponenten einer aufbereiteten eindimensionalen Meßwertfolge 9a mit 64 Werte, die das Fahrzeug vollständig beschreiben und weitgehend von nicht fahrzeugtypischen Einflüssen befreit sind.After carrying out these three standardizations one obtains completely standardized components of a prepared one-dimensional Measured value sequence 9a with 64 values that the Describe the vehicle completely and largely by influences not typical of the vehicle are exempt.

Die charakteristische mehrdimensionale Meßwertfolge eines schrägfahrenden, z.B. überholenden, Fahrzeuges kann ebenfalls zu einer mit anderen aufbereiteten Meßwertfolgen vergleichbaren Meßwertvektor 9a normiert werden.The characteristic multi-dimensional measurement sequence an inclined, e.g. overtaking vehicle can also lead to a sequence of measured values prepared with other comparable measured value vector 9a normalized will.

Der Meßwertvektor 9a wird in einem Merkmalsvektorgenerator 12 mit einer Transformationsmatrix M_T (Figur 5) multipliziert. Die Transformationsmatrix M_T wird aus einer Kovarianzmatrix M_K, die in Figur 4 dargestellt ist, gewonnen. Die Kovarianzmatrix M_K wird in einer Lernphase aus den Meßwertvektorenn 9a zahlreicher Fahrzeuge in einem Lernteil 13 gebildet.The measured value vector 9a is multiplied in a feature vector generator 12 by a transformation matrix M _T (FIG. 5). The transformation matrix M _T is obtained from a covariance matrix M _K , which is shown in FIG. 4. The covariance matrix M _K is formed in a learning phase 13 from the measured value vectors 9a of numerous vehicles in a learning part 13.

Dazu wird die Kenntnis der statistischen Eigenschaften der mehrdimensionalen Meßwertfolge 9 benötigt. Die Entwicklung der Kovarianzmatrix M_K basiert auf der allgemeinen Karhunen-Loeve-Entwicklung (erläutert in "Klassifikation von Mustern", Heinrich Niemann, Springer Verlag, 1983). Es handelt sich dabei um eine Reihenentwicklung auf der Basis eines autonormalen problemabhängigen Funktionensystems, das den Gesamtprozeß optimiert. Durch diesen Ansatz wird ohne Rücksicht auf eine Fahrzeugklasseneinteilung der Abstand aller Merkmalsvektoren V_M untereinander maximiert (Maximierung der Gesamtabstände). Eine Maximierung der Gesamtabstände läßt sich darstellen, indem die Vektoren im mehrdimensionalen Merkmalsraum möglichst weit auseinandergerückt werden. Die Klassifizierung wird dadurch erleichtert, daß eine einfache Unterscheidung der Vektoren möglich ist. Da jedes Fahrzeug durch einen Vektor repräsentiert wird, führt die Maximierung des Vektorabstandes zu einer guten Klassifikation.For this, knowledge of the statistical properties of the multidimensional measurement sequence 9 is required. The development of the covariance matrix M _K is based on the general Karhunen-Loeve development (explained in "Classification of Patterns", Heinrich Niemann, Springer Verlag, 1983). It is a series development based on an autonomous problem-dependent function system that optimizes the overall process. This approach maximizes the distance of all feature vectors V _{M from} one another regardless of a vehicle class division (maximizing the total distances). Maximizing the overall distances can be represented by moving the vectors as far apart as possible in the multi-dimensional feature space. The classification is facilitated by the simple differentiation of the vectors. Since each vehicle is represented by a vector, maximizing the vector distance leads to a good classification.

Die Eigenwerte der Kovarianzmatrix M_K sind die Diagonalelemente der eigentlichen Transformationsmatrix M_T. Die anderen Elemente der Transformationsmatrix M_T sind gleich Null. Bei der vorausgesetzten Gaußverteilung bedeutet das die statistische Unabhängigkeit (Unkorreliertheit) der Komponenten. Die Diagonalkomponenten sind zuerst sehr groß (das entspricht einem sehr hohen Informationsgehalt) und fallen dann sehr stark ab. Die Selektion der wichtigsten Komponenten erfolgt durch Vernachlässigung derjenigen Komponenten, die entsprechend ihren Eigenwerten nur noch einen geringen Informationsgehalt haben.The eigenvalues of the covariance matrix M _K are the diagonal elements of the actual transformation matrix M _T. The other elements of the transformation matrix M _T are zero. With the assumed Gaussian distribution, this means the statistical independence (uncorrelation) of the components. The diagonal components are very large at first (this corresponds to a very high information content) and then decrease very sharply. The most important components are selected by neglecting those components which, according to their intrinsic values, have only a small amount of information.

Die Vorschrift zur Berechnung des Merkmalsvektors V_M lautet VM = MT x X. Mit dem Merkmalsvektor

der mit der aufbereiteten eindimensionalen Meßwertfolge 9a gebildet wurde, sowie der Transformationsmatrix M_T in Diagonalform mit den Diagonalwerten Ω₁₁ - Ω_MN.

The regulation for calculating the feature vector V _M is V M = M T x X . With the feature vector

which was formed with the prepared one-dimensional measurement value sequence 9a, and the transformation matrix M _T in diagonal form with the diagonal values Ω ₁₁ - Ω _MN .

Der aus der Transformation erhaltene Merkmalsvektor V_M ist in Figur 6 dargestellt. Entlang der Abszisse sind die Elemente des Merkmalsvektors V₁₁ aufgetragen, während auf der Ordinate die bei der Transformation entstandenen und nicht normierten Werte der Elemente angegeben sind. Die Transformationsmatrix M_T wurde auf den Meßwertvektor angewendet, der 64 Elemente aufweist. Deshalb besteht auch der Merkmalsvektor V_M aus 64 Elementen. Die Elemente mit den höchsten Werten, d.h. mit der höchsten Unterscheidungskraft befinden sich unter den ersten 32 Elementen des Merkmalsvektors V_M. Die letzten 32 Elemente haben sehr kleine Werte oder den Wert Null, d.h. sie steuern keine wesentlichen Informationen zur Unterscheidung von Fahrzeugen bei. Daher können die letzten 32 Elemente vernachlässigt werden. Somit ergibt sich ein Merkmalsvektor V_M mit 32 Stellen, der ein Fahrzeug eindeutig charakterisiert.The feature vector V _M obtained from the transformation is shown in FIG. 6. The elements of the feature vector V _{11 are} plotted along the abscissa, while the ordinate shows the non-normalized values of the elements that were created during the transformation. The transformation matrix M _T was applied to the measured value vector, which has 64 elements. Therefore, the feature vector V _M consists of 64 elements. The elements with the highest values, ie with the highest distinctive character, are among the first 32 elements of the feature vector V _M. The last 32 elements have very small values or the value zero, ie they do not contribute any essential information to distinguish vehicles. Therefore the last 32 elements can be neglected. This results in a feature vector V _M with 32 digits which uniquely characterizes a vehicle.

In einem Komparator 15 wird der in dem Merkmalsvektorgenerator 12 erzeugte Merkmalsvektor V_M abgespeichert und mit den im Rechner 6 zuvor gespeicherten Merkmalsvektoren früherer Fahrzeuge verglichen. Ist der neue Merkmalsvektor V_M unbekannt, wird ein neuer Datensatz für das Fahrzeug 4 angelegt und gespeichert. Kann das Fahrzeug 4 anhand seines Merkmalsvektors V_M identifiziert werden, werden Ort und Zeitpunkt des Fahrzeuges 4 in den Datensatz aufgenommen.The feature vector V _M generated in the feature vector generator 12 is stored in a comparator 15 and compared with the feature vectors of earlier vehicles previously stored in the computer 6. If the new feature vector V _{M is} unknown, a new data record for the vehicle 4 is created and saved. If the vehicle 4 can be identified on the basis of its feature vector V _M , the location and time of the vehicle 4 are recorded in the data record.

In Figur 7 ist der Aufbau eines Magnetfeldsensors 2 gezeigt. Der Magnetfeldsensor 2 besteht aus zwei einzelnen Sensorkomponenten 2a und 2b, die in ihrer Längsrichtung um 90° zueinander verdreht angeordnet sind. Die Sensorkomponenten 2a und 2b haben Vorzugsrichtungen bezüglich der Meßempfindlichkeit. In Richtung ihrer Längsachsen ist die Meßempfindlichkeit gering. Um alle Richtungskomponenten des Magnetfeldes mit gleicher Empfindlichkeit erfassen zu können, werden die Sensorkomponenten 2a und 2b um 90° versetzt angeordnet, so daß die nachteilige Meßcharakteristik der einzelnen Sensorkomponenten 2a,2b ausgeglichen wird. Zur Erzeugung des Sensorsignals werden die beiden Komponentensignale geometrisch addiert. Das Sensorsignal wird digital gewandelt und über die Busleitung 5 an die Rechnereinheit 6 weitergegeben.FIG. 7 shows the structure of a magnetic field sensor 2 shown. The magnetic field sensor 2 consists of two individual ones Sensor components 2a and 2b in their longitudinal direction are arranged rotated by 90 ° to each other. The sensor components 2a and 2b have preferred directions regarding the sensitivity. Towards her The longitudinal sensitivity is low. To everyone Directional components of the magnetic field with the same sensitivity To be able to detect the sensor components 2a and 2b offset by 90 ° so that the disadvantageous measurement characteristics of the individual sensor components 2a, 2b is balanced. To generate the Sensor signal, the two component signals become geometric added. The sensor signal is converted digitally and via the bus line 5 to the computer unit 6 passed on.

Der Meßwertfolgegenerator 8, die Extraktionsstufe 8a, der Merkmalsvektorgenerator 12 und der Komparator 15 können in der Rechnereinheit 6 auch durch entsprechende Software realisiert werden.The measured value sequence generator 8, the extraction stage 8a, the feature vector generator 12 and the comparator 15 can also in the computer unit 6 by appropriate Software can be realized.

Claims

Traffic monitoring procedure with the following steps:

Measurement of the magnetic characteristic of a passing vehicle with a plurality of magnetic field sensors (2) arranged across the road (3) in a row at a plurality of locations that are spatially apart.

Analog-digital conversion of the sensor signals generated by the magnetic field sensors (2),

Combining the individual digitally converted sensor signals of all sensors (2) of the series into a measured value (7),

Converting the measured values (7) into a prepared one-dimensional measured value sequence (9a),

Transforming the prepared one-dimensional measurement value sequence (9a) with the aid of a transformation matrix (M _T ) into a feature vector (V _M ), which is assigned to the vehicle (4) and stored, and

Comparing the feature vector (V _M ) with previously determined feature vectors.

A method according to claim 1, characterized in that the measured values (7) to a multi-dimensional characteristic measured value sequence (9) put together which are processed to the one-dimensional Measured value sequence (9a) is reduced.

Method according to Claim 1 or 2, characterized in that the transformation matrix (M _T ) is a diagonal matrix, the diagonal elements of which are eigenvalues of a covariance matrix (M _K ), the covariance matrix (M _K ) in a learning phase from prepared multidimensional measurement value sequences (9a) of several Vehicles (4) is formed.

Method according to one of claims 1 to 3, characterized characterized that the analog-to-digital conversion the sensor signals in the sensor units (2) he follows.

Traffic monitoring device with a plurality of magnetic field sensors (2) arranged across the road (3) in a row at a number of locations apart and with a computer unit (6) processing the sensor signals, which digital measurement values (7) corresponding to the analog sensor signals to form a one-dimensional prepared measurement sequence ( 9a), which is transformed with a transformation matrix (M _T ) to a feature vector (V _M ) identifying the respective vehicle (4).

Device according to claim 5, characterized in that the magnetic field sensors (2) by the Vehicle (4) caused changes in the earth's magnetic field measure up.

Device according to claim 5 or 6, characterized in that that over a measuring width of 3.60 m at least twelve magnetic field sensors (2) in one Row are arranged.

Device according to one of claims 5 to 7, characterized characterized that the magnetic field sensors (2) the sensor signals given a clock spend at the same time.

Device according to one of claims 5 to 8, characterized in that the transformation matrix (M _T ) is a diagonal matrix whose diagonal elements are eigenvalues of a covariance matrix (M _K ), the covariance matrix (M _K ) in a learning phase from prepared, one-dimensional measurement value sequences ( 9a) a plurality of vehicles (4) is formed.

Device according to one of claims 5 to 9, characterized characterized that the analog-to-digital conversion the sensor signals in the sensor units (2) he follows.