因此,我们可以通过分析信号来判断识别不同的车型
[4]
。
这种检测技术有一个明显的缺点就是,不能有效检测多车辆同时经过检测区
域,特别是遇到道路拥堵情况,通过接收端信号分析检测车型准确度将大幅下降。
1.2.3. 磁力检测法
该方法是考虑了地球本身的磁场特性,地球周围被磁场包围着。当一辆汽车
在道路上行走时,由于车子大部分是金属结构,穿过磁场会产生一定的磁场扰动,
就可以判断是否有汽车经过。同时,还可以进一步分析扰动的程度,根据扰动不
同来识别通过的不同车型。相比于第一种方法——电感线圈检测法,不需要埋线
破坏路面,且设备安装更方便。但也是存在许多缺点,跟第二种检测方法一样存
在着多辆车靠得很近情况下检测效果较差,测量精度低。
1.2.4. 视频图像检测法
随着智能交通系统提出,越来越多的交通监控摄像头被应用安置在道路上,
从而可以大规模采集图像视频数据。拥有了大量的这些交通信息,就可以对其进
行分析处理,出现了许多先进的车型检测技术。如利用计算机视觉技术,提出基
于图像的车辆识别方法、基于视频图像分析的车辆检测追踪技术等。这些方法有
一个独特的优势就是能够提供直观的车辆图像信息,可视化更方便人们的理解。
在后台进行视频图像处理,利用一些模式识别及处理模块可以很有效对收集数据
进行详细信息特征提取分析。在硬件上,这也要求道路上布置更高像素的摄像头,
以及达到实时快速处理的效果,在软件方面需要更先进的车辆识别算法。
基于视频图像处理的检测方法又可以分为传统的方法、深度学习方法。传统
的方法采用手工设计特征提取方法,例如:SVM、贝叶斯网络、BP 神经网络等,
但这些方法识别准确率不是很高。深度学习的方法采用深度卷积网络,能够有效
的提取不同深度的特征(底层特征、高层特征),结合不同特征层的信息,可以
获得具有良好的表征能力。
1) 传统的方法
SVM 是一种二分类问题的机器学习方法,输入向量被非线性映射到一个非
常高维的特征空间,在特征空间中构造线性决策面。决策面的特殊性质保证了网
络具有较高的泛化能力。Guzan
[5]
等人提出了将 HOG 特征跟支持向量机进行结
合,有效地提取特征信息,识别准确率较高,还可以应用到其他物体识别具有较
好的泛化能力。
人工“神经网络”被广泛用作分类和回归灵活模型。一种典型代表是BP神
经网络,网络输入训练样本正向传播训练学习,经过运用了反向传播算法,可以
更好对网络中的权值参数进行调整,调整过程就是最优化损失函数过程,目的是