本发明属于物联网和智慧城市建设领域，具体的说是涉及一种基于地磁传感器的车位检测方法。与传统方法相比，本发明的方法考虑了更多的影响车位检测结果的因素，因此提高了车位检测的准确度，具有很好的工程实用性；同时本发明采用人工神经网络结合网络数据库的综合检测算法，解决了地磁传感器本身非常灵敏导致的检测状态不稳定、地磁传感器长时间安装在车道上检测车辆自身基频漂移的问题、地磁传感器本身受温度影响较大需要补偿的问题、以及不同车辆来往干扰的问题，提高了车位检测精度和准确率。
1.一种基于地磁传感器的车位检测方法，其特征在于，包括以下步骤：
S1、通过地磁传感器采集磁场数据样本X0，所述磁场数据样本X0为地磁传感器的磁场信号变化引起的电压值数据矩阵，其单位为mV；所述地磁传感器连接有网络数据库，所述网络数据库中预存有样本数据，至少包括基频先验样本数据和温度先验样本数据；
若磁场数据样本X0的地磁变化率ρ随时间t的变化 则判定地磁传感器磁场信号处于稳定状态，进入步骤S3并实时统计更新磁场数据样本X0；若磁场数据样本X0的地磁变化率ρ随时间t的变化 则判定地磁传感器磁场信号异常，持续监测磁变化率ρ直至ρ＝0后进入步骤S3；
根据预存的基频先验样本，采用统计比较法对地磁传感器采集的磁场数据X0进行诊断，若识别出地磁传感器自身的基频已发生漂移或失真，则采用基于快速小波变换的滤波方法对地磁传感器的基频漂移进行抑制，实现校准，校准后的地磁传感器采集的磁场数据样本为X；若无基频漂移，则直接将原磁场数据样本X0赋值为校准后的磁场数据样本X＝X0；
将校准后的地磁传感器的磁场数据样本X在人工神经网络里进行学习和训练，滤掉由于地磁传感器本身非常灵敏所产生的地磁脉冲信号X1、各位干扰车辆引起的地磁扰动信号X2，输出检测车辆状态判定的车位状态特征值Y，其中车位状态基准特征值分为无车到有车状态，即车辆进入并停放记为Y1；有车到无车状态，即车辆离开记为Y2；有车到有车状态，车辆人为驶动，但又停靠进车位记为Y3；无车到无车状态即为Y4；车辆进入并立即离开记为Y5；
根据预存的温度先验样本，采用统计比较法对地磁传感器采集的环境温度进行判断，对地磁传感器环境温度的变化进行补偿，采用全部数据的最小二乘拟合法对车位状态特征值Y进行补偿，补偿数值为△Y，如无环境温度影响，则△Y＝0，补偿后的车位状态特征值为Yc＝Y+△Y；
地磁传感器的单片机控制单元读取温度补偿后的车位状态特征值Yc，进入检测判断流程，同时将新获取的磁场数据样本X和车位状态特征值Yc存入网络数据库，实现对预存的样本数据进行更新，对车位的检测方法为：在网络数据库中，根据所存储的车位状态特征值，设置有车位状态特征曲线Y1、Y2、Y3、Y4和Y5，将得到的车位状态特征值Yc依次与车位状态特征曲线进行对比可判断车位状态，其中Y1对应车辆进入并停放，车位检测结果为有车；Y2对应车辆离开，车位检测结果为无车；Y3对应有车到有车状态，车辆人为驶动，但又停靠进车位检测结果为有车；Y4对应无车到无车状态，车位检测结果为无车；Y5对应车辆进入并立即离开，车位检测结果为无车；具体过程为：若车位状态特征值Yc与车位状态基准特征值Y1曲线一致，车辆进入并停放，车位检测结果为有车，进入步骤S7，否则继续；
若车位状态特征值Yc与车位状态基准特征值Y2曲线一致时，车辆离开，车位检测结果为无车，进入步骤S7，否则继续；
若车位状态特征值Yc与车位状态基准特征值Y3曲线一致时，有车到有车状态，车辆人为驶动，但又停靠进车位检测结果为有车，进入步骤S7，否则继续；
若车位状态特征值Yc与车位状态基准特征值Y4曲线一致时，无车到无车状态，车位检测结果为无车，进入步骤S7，否则继续；
若车位状态特征值Yc与车位状态基准特征值Y5曲线一致时，车辆进入并立即离开，车位检测结果为无车，进入步骤S7；
S7、输出检测结果后回到步骤S1进行下一次车位状态判断。
2.根据权利要求1所述的一种基于地磁传感器的车位检测方法，其特征在于，所述步骤S4中在人工神经网络里进行学习和训练的具体方法为：对车位状态特征值Y建立人工神经网络数学模型：
采用两层感知器神经网络进行学习和训练，第一隐蔽层活化函数为：
因此人工神经网络计算出的车位状态特征值Y输出结果为：
Y＝F2{w2*[F1(w1*X+B1)]+B2}
式中w1和w2分别是第一隐蔽层和输出层的突触权矢量，B1和B2分别是第一隐蔽层和输出层的神经元偏置矢量。
一种基于地磁传感器的车位检测方法
技术领域
[0001] 本发明属于物联网和智慧城市建设领域，具体的说是涉及一种基于地磁传感器的车位检测方法。
背景技术
[0002] 在智能交通系统(ITS)越来越受到人们关注的同时，作为智能交通系统的信息采集前端之一的车辆检测器也越来越受到业内人士的关注。车辆检测器以机动车辆为检测目标，检测车辆的通过或存在情况，收集相关信息，为智能交通系统提供数据支撑。从国内外来看，目前常用的车辆检测器主要有磁感应线圈车辆检测器、超声波车辆检测器、红外线车辆检测器、激光车辆检测器、视频车辆检测器等。地磁车辆检测器是基于磁阻传感器的车辆检测技术，具有尺寸小、安装方便、对非铁磁性物体无反应等特点，经常用于动静态车辆检测、车速车长估计、车型分类等领域之中。
[0003] 《交通信息与安全》，2011年，荣梅等人发表的论文“基于地磁传感器的车辆检测算法”采用时间序列预处理对地磁检测器检测信号进行车辆波形特征的提取，利用疑似波形检测和二次确认波形检测来开启波形记录，利用监测传感器数据的是否达到平稳状态而非传统的单纯的采用基线值来判定波形记录是否结束，并且提出的一种加权动态基线值的调整方案，但该方法的加权值需人为设置，不具有智能性，同时对地磁长时间使用基频漂移的影响也没有考虑，工程适用性差。
[0004] 《科学技术与工程》，2014年，何志强等人发表的论文“基于地磁传感器的车辆检测算法”通过分析大量地磁数据，提出一种基于波形峰谷值特征的车辆检测算法，该算法可以自动跟踪基线值并提取车辆信号特征，实际道路检测试验数据表明该算法简单有效。但该方法的缺陷是没有考虑各种车辆对地磁信号的干扰情况，同时也没有考虑地磁长时间使用基频漂移的影响。
[0005] 公开号为CN106157688A，公开日为2016年11月23日的中国专利文献“基于深度学习和大数据的停车位检测方法和系统”报道了一种基于深度学习的停车位检测方法和系统。所述方法包括：获取停车场中停车位上有否驻车的相关检测数据；获取停车场中停车位上有否驻车的相关状态；将相关检测数据作为深度神经网络的输入，将相关状态作为深度神经网络的输出，对深度神经网络进行训练；获取当前时刻下停车场中待测停车位上有否驻车的相关检测数据；将相关检测数据输入训练后的深度神经网络进行深度学习；将深度神经网络的相应输出作为待测停车位上有否驻车的机器判定相关状态。本发明采用深度学习和深度神经网络对停车位的相关检测数据进行识别，可以从千变万化、干扰众多的停车位检测数据中去伪存真，得到的停车位状态能达到令用户满意的检测精度。该专利考虑了各种车辆对地磁信号的干扰情况，缺点是没有考虑地磁本身的灵敏性和温度对地磁的影响，也没有考虑地磁长时间使用基频漂移的影响。
[0006] 综上所述，现有技术的地磁传感器在实际运用中，仍然会出现一些误检测，其原因如下：第一，现有地磁传感器通常根据地磁的变化量是否大于某一设定的阀值来判断有无车辆停靠的，由于地磁传感器本身非常灵敏，经常会出现在设定阀值附近振荡的情况，这样就会导致检测状态不稳定；第二，地磁传感器长时间安装在车道上检测车辆，地磁传感器自身会发生基频漂移以及失真现象，从而导致车位检测出现误检；第三，地磁传感器本身受温度影响较大，即便是在同一地点、同样条件下的读数也会因为外界温度的不同而发生很大的变化，尤其是在户外条件下使用时，非常容易因温度原因产生误检；第四，实际的停车场环境复杂，停车场中车来车往，不同车主停车模式千差万别，不同停车位所受的干扰不同，所以这种复杂的环境下会出现千变万化的检测数据，因此仅仅使用固定的几个阈值或固定的几个模式来识别停车位的相关状态，容易出现误检。如何同时解决上述四个缺陷，提高车位检测精度和准确率，避免误检测，目前还没有确定的技术方案。
发明内容
[0007] 本发明的目的是针对上述现有技术存在的不足之处，提供一种检测精度高、检测速度快、算法稳定、工程适用性高的基于地磁传感器的车位检测方法。
[0008] 本发明的技术方案是：
[0009] 一种基于地磁传感器的车位检测方法，其特征在于，包括以下步骤：
[0010] S1、通过地磁传感器采集磁场数据样本X0，所述磁场数据样本X0为地磁传感器的磁场信号变化引起的电压值数据矩阵，其单位为mV；所述地磁传感器连接有网络数据库，所述网络数据库中预存有样本数据，至少包括基频先验样本数据和温度先验样本数据；
[0011] S2、根据采集到的磁场数据判断地磁传感器状态：
[0012] 若磁场数据样本X0的地磁变化率ρ随时间t的变化 则判定地磁传感器磁场信号处于稳定状态，进入步骤S3并实时统计更新磁场数据样本X0；若磁场数据样本X0的地磁变化率ρ随时间t的变化 则判定地磁传感器磁场信号异常，持续监测磁变化率ρ直至ρ＝0后进入步骤S3；
[0013] S3、检测地磁传感器的基频是否漂移并校准：
[0014] 根据预存的基频先验样本，采用统计比较法对地磁传感器采集的磁场数据X0进行诊断，若识别出地磁传感器自身的基频已发生漂移或失真，则采用基于快速小波变换的滤波方法对地磁传感器的基频漂移进行抑制，实现校准，校准后的地磁传感器采集的磁场数据样本为X；若无基频漂移，则直接将原磁场数据样本X0赋值为校准后的磁场数据样本X＝X0；
[0015] S4、采用人工神经网络获取车位状态特征值：
[0016] 将校准后的地磁传感器的磁场数据样本X在人工神经网络里进行学习和训练，滤掉由于地磁传感器本身非常灵敏所产生的地磁脉冲信号X1、各位干扰车辆引起的地磁扰动信号X2，输出检测车辆状态判定的车位状态特征值Y，其中车位状态基准特征值分为无车到有车状态，即车辆进入并停放记为Y1；有车到无车状态，即车辆离开记为Y2；有车到有车状态，车辆人为驶动，但又停靠进车位记为Y3；无车到无车状态即为Y4；车辆进入并立即离开记为Y5；
[0017] S5、对地磁传感器的环境温度进行补偿：
[0018] 根据预存的温度先验样本，采用统计比较法对地磁传感器采集的环境温度进行判断，对地磁传感器环境温度的变化进行补偿，采用全部数据的最小二乘拟合法对车位状态特征值Y进行补偿，补偿数值为△Y，如无环境温度影响，则△Y＝0，补偿后的车位状态特征值为Yc＝Y+△Y；
[0019] S6、检测判断并输出车位检测结果：
[0020] 地磁传感器的单片机控制单元读取温度补偿后的车位状态特征值Yc，进入检测判断流程，同时将新获取的磁场数据样本X和车位状态特征值Yc存入网络数据库，实现对预存的样本数据进行更新，对车位的检测方法为：
[0021] 在网络数据库中，根据所存储的车位状态特征值，设置有车位状态特征曲线Y1、Y2、Y3、Y4和Y5，将得到的车位状态特征值Yc依次与车位状态特征曲线进行对比可判断车位状态，其中Y1对应车辆进入并停放，车位检测结果为有车；Y2对应车辆离开，车位检测结果为无车；Y3对应有车到有车状态，车辆人为驶动，但又停靠进车位检测结果为有车；Y4对应无车到无车状态，车位检测结果为无车；Y5对应车辆进入并立即离开，车位检测结果为无车；具体过程为：
[0022] 若车位状态特征值Yc与车位状态基准特征值Y1曲线一致，车辆进入并停放，车位检测结果为有车，进入步骤S7，否则继续；
[0023] 若车位状态特征值Yc与车位状态基准特征值Y2曲线一致时，车辆离开，车位检测结果为无车，进入步骤S7，否则继续；
[0024] 若车位状态特征值Yc与车位状态基准特征值Y3曲线一致时，有车到有车状态，车辆人为驶动，但又停靠进车位检测结果为有车，进入步骤S7，否则继续；
[0025] 若车位状态特征值Yc与车位状态基准特征值Y4曲线一致时，无车到无车状态，车位检测结果为无车，进入步骤S7，否则继续；
[0026] 若车位状态特征值Yc与车位状态基准特征值Y5曲线一致时，车辆进入并立即离开，车位检测结果为无车，进入步骤S7；
[0027] S7、输出检测结果后回到步骤S1进行下一次车位状态判断。
[0028] 进一步的，所述步骤S4中在人工神经网络里进行学习和训练的具体方法为：
[0029] 对车位状态特征值Y建立人工神经网络数学模型：
[0030] Y＝F(X)
[0031] 采用两层感知器神经网络进行学习和训练，第一隐蔽层活化函数为：
[0032]
[0033] 上式中a为斜率参数；第二输出层活化函数为：
[0034]
[0035] 因此人工神经网络计算出的车位状态特征值Y输出结果为：
[0036] Y＝F2{w2*[F1(w1*X+B1)]+B2}
[0037] 式中w1和w2分别是第一隐蔽层和输出层的突触权矢量，B1和B2分别是第一隐蔽层和输出层的神经元偏置矢量。
[0038] 本发明的有益效果是：与传统方法相比，本发明的方法考虑了更多的影响车位检测结果的因素，因此提高了车位检测的准确度，具有很好的工程实用性；同时本发明采用人工神经网络结合网络数据库的综合检测算法，解决了地磁传感器本身非常灵敏导致的检测状态不稳定、地磁传感器长时间安装在车道上检测车辆自身基频漂移的问题、地磁传感器本身受温度影响较大需要补偿的问题、以及不同车辆来往干扰的问题，提高了车位检测精度和准确率。
附图说明
[0039] 图1是本发明基于地磁传感器的车位智能检测算法的框图；
[0040] 图2是采用车位智能检测算法生成的车位状态特征值判断图。
具体实施方式
[0041] 为使本发明的目的，技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定此发明。
[0042] 参阅图1-图2。在以下描述的实施例中，网络数据库采用智慧知识库，一种基于地磁传感器的车位检测方法包括以下步骤：
[0043] 第一步，地磁传感器采集数据。地磁传感器放置于车位正中央实时采集车位磁场数据，其中磁场数据样本X0是地磁传感器的磁场信号变化引起的电压值数据矩阵，单位为：mV。本具体实施例子中，地磁传感器型号采用美新地磁传感器MMX212XMG，磁场数据样本X0的电压值数据为20×3的矩阵，磁场信号变化范围为-50mV～+50mV。
[0044] 第二步，地磁传感器检测车位状态判断。若磁场数据样本X0的地磁变化率ρ随时间t的变化 则地磁传感器磁场信号处于稳定状态，此时车位上有车或车位为空，并实时统计更新磁场数据样本X0。若磁场数据样本X0的地磁变化效率ρ随时间t的变化进入地磁信号异常检测状态，持续监测地磁变化率ρ值，待地磁变化率ρ＝0时，进入车位状态判断流程。本具体实施例子中，采用斯柯达的明锐牌轿车进行实验和数据采样，并将车从侧方位停车入库(路边停车位)，此时地磁变化率ρ值呈现出从0上升到47mV/s又回到0状态，车位智能检测算法进行车位状态判断流程。
[0045] 第三步，启用智慧知识库检测基频是否漂移并校准。智慧知识库启用基频先验知识样本，采用统计比较法对地磁传感器采集的磁场数据X0进行诊断，若识别出地磁传感器因长时间安装在车道上自身的基频已发生漂移或失真，则采用基于快速小波变换的滤波方法对地磁传感器的基频漂移进行抑制，实现校准，校准后的地磁传感器采集的磁场数据样本为X。如无基频漂移，则在车位智能检测算法里直接将原磁场数据样本X0赋值为校准后的磁场数据样本X＝X0。本具体实施例子中，智慧知识库启用基频先验知识样本1200个，采用统计比较法对地磁传感器采集的磁场数据X0进行诊断，磁场数据X0的20×3的矩阵所有采集数据均落在基频先验知识样本里面，车位智能检测算法判定该地磁传感器无基频漂移，直接将原磁场数据样本X0赋值为校准后的磁场数据样本X＝X0。
[0046] 第四步，采用人工神经网络获取车位状态特征值。将校准后的地磁传感器的磁场数据样本X在人工神经网络里进行学习和训练，滤掉由于地磁传感器本身非常灵敏所产生的地磁脉冲信号X1、各位干扰车辆引起的地磁扰动信号X2，输出检测车辆状态判定的车位状态特征值Y。其中车位状态基准特征值分为无车到有车状态，即车辆进入并停放记为Y1；有车到无车状态，即车辆离开记为Y2；有车到有车状态，车辆人为驶动，但又停靠进车位记为Y3；无车到无车状态即为Y4；车辆进入并立即离开记为Y5。
[0047] 对车位状态特征值Y建立人工神经网络数学模型
[0048] Y＝F(X)
[0049] 采用两层感知器神经网络进行学习和训练，第一隐蔽层活化函数为[0050]
[0051] 上式中a为斜率参数。第二输出层活化函数为
[0052]
[0053] 因此人工神经网络计算出的车位状态特征值Y输出结果为
[0054] Y＝F2{w2*[F1(w1*X+B1)]+B2}
[0055] 式中w1和w2分别是第一隐蔽层和输出层的突触权矢量，B1和B2分别是第一隐蔽层和输出层的神经元偏置矢量。本具体实施例子中，活化函数的斜率参数a＝1，磁场数据样本包括地磁传感器本身非常灵敏所产生的地磁脉冲信号X1，各位干扰车辆引起的地磁扰动信号X2，车位区域静态地磁背景信号X3，目标检测车辆引起的地磁扰动信号X4，即X＝(X1,X2,X3,X4)。人工神经网络建模的第一步工作就是产生供训练和测试用的输入/输出数据样本，本具体实施例中，输入矢量X1、X2、X3、X4共有4个因素，每个因素取样层数为5层进行全组合5
试验，总共试验次数为4＝1024次试验。w1、w2、B1、B2由Matlab软件中的initff函数来初始化完成，最终通过newff函数和train函数得出车位状态特征值Y。
[0056] 第五步，启用智慧知识库对地磁传感器的环境温度进行补偿。智慧知识库启用温度先验知识样本，采用统计比较法对地磁传感器采集的环境温度进行判断，对地磁传感器环境温度的变化进行补偿，采用全部数据的最小二乘拟合法对车位状态特征值Y进行补偿，补偿数值为△Y，如无环境温度影响，则△Y＝0，补偿后的车位状态特征值为Yc＝Y+△Y。本具体实施例子中，智慧知识库启用温度先验知识样本，采用统计比较法对地磁传感器采集的环境温度进行判断，判断结果为无环境温度影响，则△Y＝0。
[0057] 第六步，检测判断并输出车位检测结果。地磁传感器的单片机控制单元读取温度补偿后的车位状态特征值Yc，进入检测判断流程。同时将新获取的磁场数据样本X和车位状态特征值Yc作为智慧积累的经验值存入智慧知识库，其样本数量可有程序算法确定。具体实施例子中执行车位智能检测算法得出的结果如图2所示，车位状态特征值Yc与车位状态基准特征值Y1特征值状态曲线基本一致，可以判断车位检测结果为有车。
[0058] 第七步，检测完成后回到步骤1，等待进入下一次车位状态判断流程。
