EP0841647A1 - Traffic monitoring method and device - Google Patents
Traffic monitoring method and device Download PDFInfo
- Publication number
- EP0841647A1 EP0841647A1 EP97118758A EP97118758A EP0841647A1 EP 0841647 A1 EP0841647 A1 EP 0841647A1 EP 97118758 A EP97118758 A EP 97118758A EP 97118758 A EP97118758 A EP 97118758A EP 0841647 A1 EP0841647 A1 EP 0841647A1
- Authority
- EP
- European Patent Office
- Prior art keywords
- magnetic field
- vehicle
- sensor signals
- field sensors
- dimensional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
Abstract
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
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.
- 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
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
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
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
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 tn aufgenommenen Meßwerten
der aktuelle Meßwert 7 zu dem Zeitpunkt tn+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 tn 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
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
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
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
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
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
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
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-
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:
Nach der Formel wird der Amplitudenwert eines Meßpunktes (X(n)Abtast)durch den Wert der maximalen Amplitude (Xmax) 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
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
Der Meßwertvektor 9a wird in einem Merkmalsvektorgenerator
12 mit einer Transformationsmatrix MT (Figur
5) multipliziert. Die Transformationsmatrix MT wird aus
einer Kovarianzmatrix MK, die in Figur 4 dargestellt
ist, gewonnen. Die Kovarianzmatrix MK wird in einer
Lernphase aus den Meßwertvektorenn 9a zahlreicher Fahrzeuge
in einem Lernteil 13 gebildet.The measured
Dazu wird die Kenntnis der statistischen Eigenschaften
der mehrdimensionalen Meßwertfolge 9 benötigt. Die Entwicklung
der Kovarianzmatrix MK 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
VM 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
Die Eigenwerte der Kovarianzmatrix MK sind die Diagonalelemente der eigentlichen Transformationsmatrix MT. Die anderen Elemente der Transformationsmatrix MT 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 VM
lautet
Der aus der Transformation erhaltene Merkmalsvektor VM 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 MT wurde auf den Meßwertvektor angewendet, der 64 Elemente aufweist. Deshalb besteht auch der Merkmalsvektor VM aus 64 Elementen. Die Elemente mit den höchsten Werten, d.h. mit der höchsten Unterscheidungskraft befinden sich unter den ersten 32 Elementen des Merkmalsvektors VM. 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 VM 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 VM abgespeichert
und mit den im Rechner 6 zuvor gespeicherten Merkmalsvektoren
früherer Fahrzeuge verglichen. Ist der neue
Merkmalsvektor VM unbekannt, wird ein neuer Datensatz
für das Fahrzeug 4 angelegt und gespeichert. Kann das
Fahrzeug 4 anhand seines Merkmalsvektors VM identifiziert
werden, werden Ort und Zeitpunkt des Fahrzeuges 4
in den Datensatz aufgenommen.The feature vector V M generated in the
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
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
Claims (10)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19646632 | 1996-11-12 | ||
DE1996146632 DE19646632C1 (en) | 1996-11-12 | 1996-11-12 | Traffic monitoring method and device |
Publications (1)
Publication Number | Publication Date |
---|---|
EP0841647A1 true EP0841647A1 (en) | 1998-05-13 |
Family
ID=7811372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
EP97118758A Withdrawn EP0841647A1 (en) | 1996-11-12 | 1997-10-29 | Traffic monitoring method and device |
Country Status (2)
Country | Link |
---|---|
EP (1) | EP0841647A1 (en) |
DE (1) | DE19646632C1 (en) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000049590A1 (en) * | 1999-02-18 | 2000-08-24 | The University Court Of The University Of Edinburgh | Vehicle detector and classifier |
FR2790834A1 (en) * | 1999-03-12 | 2000-09-15 | Philippe Gendrier | Magnetic image system to produce a magnetic image e.g. of vehicle, has group of magnetometers that are arranged along two axes of a plane and supply data to an analytical module which is able to produce high resolution information |
EP1361555A2 (en) * | 2002-05-10 | 2003-11-12 | Siemens Aktiengesellschaft | System for managing parking space and/or for registration of vehicles in indoor and outdoor areas |
EP1139086A3 (en) * | 2000-03-29 | 2004-01-07 | MTU Friedrichshafen GmbH | Procedure for detecting misfire using crankshaft speed |
FR2896070A1 (en) * | 2006-01-11 | 2007-07-13 | Commissariat Energie Atomique | MAGNETIC TRAFFIC CONTROL SYSTEM |
DE102011014855A1 (en) * | 2011-03-24 | 2012-09-27 | Thales Defence & Security Systems GmbH | Method and device for detecting and classifying moving vehicles |
EP3091372A1 (en) * | 2015-05-05 | 2016-11-09 | Centro de Cálculo Igs Software S.L. | Vehicle detection system |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB201503855D0 (en) | 2015-03-06 | 2015-04-22 | Q Free Asa | Vehicle detection |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3521655A1 (en) * | 1985-06-18 | 1987-01-15 | Mueller Ind Management Gmbh | Device for detecting vehicle traffic by means of magnetic-field detectors |
US5264793A (en) * | 1991-04-11 | 1993-11-23 | Hughes Aircraft Company | Split array dipole moment detection and localization |
WO1995028693A1 (en) * | 1994-04-19 | 1995-10-26 | Honeywell Inc. | Magnetometer vehicle detector |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4231881A1 (en) * | 1992-09-24 | 1994-03-31 | Ant Nachrichtentech | Traffic flow determining system using inductive sensing - has three inductive loops with AC generator input producing output detected when vehicle passes. |
-
1996
- 1996-11-12 DE DE1996146632 patent/DE19646632C1/en not_active Expired - Fee Related
-
1997
- 1997-10-29 EP EP97118758A patent/EP0841647A1/en not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3521655A1 (en) * | 1985-06-18 | 1987-01-15 | Mueller Ind Management Gmbh | Device for detecting vehicle traffic by means of magnetic-field detectors |
US5264793A (en) * | 1991-04-11 | 1993-11-23 | Hughes Aircraft Company | Split array dipole moment detection and localization |
WO1995028693A1 (en) * | 1994-04-19 | 1995-10-26 | Honeywell Inc. | Magnetometer vehicle detector |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000049590A1 (en) * | 1999-02-18 | 2000-08-24 | The University Court Of The University Of Edinburgh | Vehicle detector and classifier |
FR2790834A1 (en) * | 1999-03-12 | 2000-09-15 | Philippe Gendrier | Magnetic image system to produce a magnetic image e.g. of vehicle, has group of magnetometers that are arranged along two axes of a plane and supply data to an analytical module which is able to produce high resolution information |
EP1139086A3 (en) * | 2000-03-29 | 2004-01-07 | MTU Friedrichshafen GmbH | Procedure for detecting misfire using crankshaft speed |
EP1361555A2 (en) * | 2002-05-10 | 2003-11-12 | Siemens Aktiengesellschaft | System for managing parking space and/or for registration of vehicles in indoor and outdoor areas |
EP1361555A3 (en) * | 2002-05-10 | 2004-03-03 | Siemens Aktiengesellschaft | System for managing parking space and/or for registration of vehicles in indoor and outdoor areas |
FR2896070A1 (en) * | 2006-01-11 | 2007-07-13 | Commissariat Energie Atomique | MAGNETIC TRAFFIC CONTROL SYSTEM |
EP1811479A1 (en) * | 2006-01-11 | 2007-07-25 | Commissariat à l'Energie Atomique | Magnetic traffic control system |
JP2007188503A (en) * | 2006-01-11 | 2007-07-26 | Commiss Energ Atom | Magnetic traffic control system |
US7765056B2 (en) | 2006-01-11 | 2010-07-27 | Commissariat A L'energie Atomique | Magnetic traffic control system |
DE102011014855A1 (en) * | 2011-03-24 | 2012-09-27 | Thales Defence & Security Systems GmbH | Method and device for detecting and classifying moving vehicles |
EP3091372A1 (en) * | 2015-05-05 | 2016-11-09 | Centro de Cálculo Igs Software S.L. | Vehicle detection system |
Also Published As
Publication number | Publication date |
---|---|
DE19646632C1 (en) | 1998-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19620627C2 (en) | Object detection method in a vehicle | |
DE112012004000B4 (en) | Driving support device and method | |
EP0915350A2 (en) | Apparatus for determining data indicating traffic lane evolution | |
DE102011014855A1 (en) | Method and device for detecting and classifying moving vehicles | |
DE19646632C1 (en) | Traffic monitoring method and device | |
EP2819113B1 (en) | Measuring device for detecting a licence plate of a vehicle passing a measuring section of a lane | |
DE60224069T2 (en) | VEHICLE AND STEERING METHOD THEREFOR | |
EP0978811A2 (en) | Method and device to obtain travel times of vehicles | |
WO2022135978A1 (en) | Device for ascertaining data in order to determine the speed of a vehicle, analysis device, and method for same | |
DE19638069A1 (en) | Method and device for acquiring traffic data from vehicles | |
EP2320384A1 (en) | Method of licence plate recognition and categorisation of vehicles for toll purposes | |
DE4041149C1 (en) | Vehicle type classification within traffic flow - comparing vehicle silhouette with patterns stored in memory | |
DE69722014T2 (en) | METHOD FOR DETECTING, IDENTIFYING AND TRACKING INVISIBLE OBJECTS | |
DE19543151C2 (en) | Arrangement for vehicle detection and method for its operation | |
EP0710927A2 (en) | Method for object-oriented recognition of moving objects | |
DE3016901C2 (en) | ||
EP1022703B1 (en) | Method of organizing traffic flows to control optimally the traffic and to plan road networks according to the needs | |
DE102020206771A1 (en) | Method for estimating an airspeed | |
DE3720653C2 (en) | ||
EP0629861A1 (en) | Apparatus for measuring the speed of land vehicles | |
EP0903711A2 (en) | Method for transmitting traffic information | |
EP2550540A1 (en) | Method for detecting magnetically marked objects and corresponding device | |
EP1480182A2 (en) | Contactless axle counter for road traffic | |
DE19727895A1 (en) | Road traffic detection device for monitoring traffic flow | |
WO2002056051A1 (en) | Method for processing output or base signals from a device for determining a distance of an object |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PUAI | Public reference made under article 153(3) epc to a published international application that has entered the european phase |
Free format text: ORIGINAL CODE: 0009012 |
|
AK | Designated contracting states |
Kind code of ref document: A1 Designated state(s): AT BE CH DE DK ES FI FR GB GR IE IT LI LU MC NL PT SE |
|
AX | Request for extension of the european patent |
Free format text: AL;LT;LV;RO;SI |
|
AKX | Designation fees paid | ||
RBV | Designated contracting states (corrected) | ||
STAA | Information on the status of an ep patent application or granted ep patent |
Free format text: STATUS: THE APPLICATION IS DEEMED TO BE WITHDRAWN |
|
18D | Application deemed to be withdrawn |
Effective date: 19981114 |
|
REG | Reference to a national code |
Ref country code: DE Ref legal event code: 8566 |