一种地磁车位检测优化方法技术

一种地磁车位检测优化方法，包括；通过地磁检测设备采集当前车位地磁数据；采用滑动平均滤波对得到的地磁数据进行滤波处理；采用基线跟踪的方法获得当前车位的基线值以适应不断变化的基线值；采用RBF神经网络对基线进行预测并将预测值与权值相乘补偿给前一基线值以获得更符合实际的基线值；采用多状态机检测的算法判断车辆有无。本方法避免了直接采用基线跟踪额方法获得基线值的缺陷，能够获得更加准确的基线值进而提高地磁车位检测的准确率。

【技术实现步骤摘要】
一种地磁车位检测优化方法
本专利技术涉及一种地磁车位检测优化方法。技术背景随着我国经济的飞速发展，汽车保有量持续快速地增长，而车位的增长远远跟不上车辆的增长，随之而来的停车难问题也是愈发严重。但是停车场的建设需要合适的场地以及较长时间的规划，短时间内难以通过快速增长停车场的数量解决停车难的问题。因此，建立健全良好的停车系统以提高车位的有效利用率变得尤为重要，其中检测器检测的稳定性、准确性和实时性在整个系统中起到了极其关键的作用。目前常见的车辆检测器有感应线圈、超声波、红外、微波、视频等，这些检测器存在着安装及后期维护困难、造价昂贵、易受环境环境影响等缺点。与这些检测器相比，磁阻传感器具有安装维护方便、功耗低、稳定性好、铺设成本低等优势，因此近年来磁阻传感器的使用越发得到重视，国内外学者在磁阻车辆检测算法上展开了大量的研究工作以提高检测的准确率。目前主流的检测方法为自适应阈值车位检测算法，该方法主要通过比较阈值与检测到的地磁信号的大小确认车辆的有无。在长期观察分析实际地磁车位检测的数据中，发现传统地磁检测算法对停车位上同一车辆长时间停车进行检测时会出现检测准确率较低的问题，该问题直接导致停车诱导系统发布误报信息，给管理者和出行者带来诸多不便和额外成本。
技术实现思路
为克服传统地磁检测算法对停车位上同一车辆长时间停车进行检测时出现的检测准确率较低的问题，本专利技术提供了一种能提高长时间停车下检测准确率的地磁车位检测优化方法。一种地磁车位检测优化方法，包括以下步骤：1)通过地磁检测设备采集当前车位地磁数据。2)在步骤1)的基础上，采用滑动平均滤波对得到的地磁数据进行滤波处理，所述滑动滤波的描述如式(1)所示：式中，x(t)是传感器采集到的信号；xs(t)是经过滑动平均滤波后的信号；N是滑动平均滤波的窗口长度。3)在步骤2)的基础上，采用基线跟踪的方法获得当前车位的基线值以适应不断变化的基线值，所述基线跟踪的描述如式(2)所示：式中，Xbase(t)是x轴的基线值；α是加权系数。4)在步骤3)的基础上，采用RBF神经网络对长时间停车下基线漂移进行补偿，即采用RBF神经网络对基线进行预测并将预测值vd(t)与权值相乘补偿给前一基线值以获得更符合实际且平滑的基线值，所述补偿方法如式(3)所示：h(t)＝vd(t)×β+v(t)×(1-β)(3)式中，t为环境变量参数；v(t)为经步骤3)算法后得到的基线值；vd(t)为通过RBF预测得到的基线值；h(t)为基线最终输出值；β为加权系数。在β值的选取上，采用动态可变的β以获得更加平滑的基线，防止由于基线突变而导致的误判等情况的发生。5)采用多状态机检测的算法判断车辆有无。该算法包括了有车、无车、count1、count0这4个状态，其中，Count1为无车转有车待确认状态，count0为有车转无车待确认状态。安装好地磁传感器后复位进入初始化，自动跳转至无车状态并开始检测，当检测到的磁场信号与步骤4)中所得到的基线值之差超过阈值T时进入count1计数，当计数超过预设值时进入有车状态，如果在count1计数时检测到的磁场信号与步骤4)中所得到的基线值之差低于阈值T则进入count0计数，车位状态仍为无车；在有车状态时，当检测到的磁场信号与步骤4)中所得到的基线值之差低于阈值T时进入count0计数，当计数超过预设值时进入无车状态，如果在count0计数时检测到的磁场信号与步骤4)中所得到的基线值之差超过阈值T则进入count1计数，车位状态仍为有车。本专利技术的优点是：采用了RBF神经网络算法对车位基线值进行了预测，并获得了更加准确的基线值。避免了由于长时间停车状态下车位地磁基线漂移所带来的检测率降低的问题，有效地提高了地磁车位检测的准确率，为出行者以及停车诱导系统的管理者提供了便利的同时又节约了成本。附图说明图1是本专利技术的基线补偿原理图；图2是本专利技术的多状态机检测算法图；图3是本专利技术的步骤流程示意图；图4是本专利技术实施案例中采集到的地磁数据基线跟踪曲线图；图5是本专利技术实施案例中经过RBF神经网络补偿后的基线数据曲线图；具体实施方式为说明本专利技术的技术特点，下面结合附图对本专利技术的具体实施步骤进一步的描述。此处所描述的具体实施案例仅仅用于解释本专利技术，而不是限定本专利技术。对于本案例，其地磁车位优化方法包括以下步骤，如附图3所示：1)通过地磁检测设备采集当前车位地磁数据。2)在步骤1)的基础上，采用滑动平均滤波对得到的地磁数据进行滤波处理，所述滑动滤波的描述如式(1)所示：式中，x(t)是传感器采集到的信号；xs(t)是经过滑动平均滤波后的信号；N是滑动平均滤波的窗口长度。3)在步骤2)的基础上，采用基线跟踪的方法获得当前车位的基线值以适应不断变化的基线值，所述基线跟踪的描述如式(2)所示：式中，Xbase(t)是x轴的基线值；α是加权系数。4)在步骤3)的基础上，采用RBF神经网络对基线进行预测并将预测值与权值相乘补偿给前一基线值以获得更符合实际的基线值，所述补偿方法如式(3)所示：h(t)＝vd(t)×β+v(t)×(1-β)(3)式中，β为加权系数。在β值的选取上，采用动态可变的β以获得更加平滑的基线，防止由于基线突变而导致的误判等情况的发生。5)采用多状态机检测的算法判断车辆有无。该算法包括了有车、无车、count1、count0这4个状态，其中，Count1为无车转有车待确认状态，count0为有车转无车待确认状态。安装好地磁传感器后复位进入初始化，自动跳转至无车状态并开始检测，当检测到的磁场信号与步骤4)中所得到的基线值之差超过阈值T时进入count1计数，当计数超过预设值时进入有车状态。步骤1)中所述的地磁检测设备，在该案例的情况下，地磁检测设备中使用的传感器为HMC5883L。步骤2)中所述的滑动滤波窗口长度N，在该案例的情况下，取30。步骤3)中所述的基线跟踪加权系数α，在该案例的情况下，取0.95。步骤3)中所述的基线跟踪数据曲线图，在该案例的情况下，如图4所示。步骤4)中所述的基线补偿原理如图1所示。步骤4)中所述的RBF预测估计本次实验中选取的RBF神经网络的最大隐层神经元个数为150，均方误差取0.05，径向基函数分布密度取1。步骤4)中所述的β值的选取，在该案例情况下，采用以0.1为初始值，0.05为步长的加权系数β对基线进行补偿更新，当β达到0.9时回到式(2)的基线更新方法。步骤4)中所述的经过RBF神经网络补偿校正后的基线数据曲线图，在该案例下，如图5所示。步骤5)中所述的多状态机检测算法如图2所示。步骤5)中所述的阈值T，在该案例的情况下，取12000nT，该值是在本案例的停车场中多次实验测试所得。步骤5)中所述计数预测值，在该案例的情况下，取10。本说明书实施例所述的内容仅仅是对专利技术构思的实现形式的列举，本专利技术的保护范围不应当被视为仅限于实施例所陈述的具体形式，本专利技术的保护范围也及于本领域技术人员根据本专利技术构思所能够想到的等同技术手段。本文档来自技高网...

【技术保护点】
一种地磁车位检测优化方法，包括以下步骤：1)通过地磁检测设备采集当前车位地磁数据；2)在步骤1)的基础上，采用滑动平均滤波对得到的地磁数据进行滤波处理，所述滑动滤波的描述如式(1)所示：

【技术特征摘要】
1.一种地磁车位检测优化方法，包括以下步骤：1)通过地磁检测设备采集当前车位地磁数据；2)在步骤1)的基础上，采用滑动平均滤波对得到的地磁数据进行滤波处理，所述滑动滤波的描述如式(1)所示：式中，x(t)是传感器采集到的信号；xs(t)是经过滑动平均滤波后的信号；N是滑动平均滤波的窗口长度；3)在步骤2)的基础上，采用基线跟踪的方法获得当前车位的基线值以适应不断变化的基线值，所述基线跟踪的描述如式(2)所示：式中，Xbase(t)是x轴的基线值；α是加权系数；4)在步骤3)的基础上，采用RBF神经网络对长时间停车下基线漂移进行补偿，即采用RBF神经网络对基线进行预测并将预测值vd(t)与权值相乘补偿给前一基线值以获得更符合实际且平滑的基线值，所述补偿方法如式(3)所示：h(t)＝vd(t)×β+v(t)×(1-β)(3)式中，t为环境变量参数；v(t)为经步骤3)算法后得到的基线值；vd(t)为通过RBF预测得到的基线值；h(t)为基线最终输出值；β为加权系数；在β值的选取上，采用动态可变的β以获得更加平滑的基线，防止由于基线突变而导致的误判等情况的发生；5)采用多状态机检测的算法判断车辆有无。...

【专利技术属性】
技术研发人员：郭海锋，顾夫挺，黄纪勇，王奇，刘玉新，杨宪赞，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33