买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：四川大学

摘要：本发明公开了一种基于分布式光纤传感的车辆轨迹识别和速度连续估计方法，包括发送脉冲到预先沿道路走向铺设在道路下方的传感光纤中；由DAS系统采集并获得车辆经过传感光纤时每个通道的时间序列信号；对任意两个通道的时间序列信号进行互相关，寻找两个时间序列信号的互相关最大值得到车辆达到两个通道的时间差；结合系统结构的通道间隔得到车辆在这两个通道间的行驶速度。本发明利用基于互相关的时延估计得到车辆在DAS任意两个通道间的行驶速度，可以清晰地观察到车辆速度变化情况，实现了对道路上行驶车辆进行大范围、连续的检测和速度估计，真正达到车辆始终以安全速度行驶的目的，从而提升了交通安全。

主权项：1.一种基于分布式光纤传感的车辆轨迹识别和速度连续估计方法，其特征在于，包括以下步骤：S10、发送脉冲到预先沿道路走向铺设在道路下方的传感光纤中；S20、由DAS系统采集并获得车辆经过传感光纤时每个通道的时间序列信号；S30、对任意两个通道的时间序列信号进行互相关，寻找两个时间序列信号的互相关最大值得到车辆到达两个通道的时间差；S40、结合DAS系统结构的通道间隔计算得到车辆在这两个通道间的行驶速度；所述S20中，当DAS系统采集到的信号无法被完整识别时，表明存在信号弱或不稳定的情况，先获取包含待测车辆的时空瀑布图，然后利用基于改进模型MCPix2pix的生成对抗网络GANs对时空瀑布图中的车辆轨迹进行识别提取和训练，使车辆轨迹恢复完整，再对获得的完整车辆轨迹的每个通道进行局部加窗处理以去除噪声干扰，得到车辆经过传感光纤时每个通道的时间序列信号；所述利用基于改进模型MCPix2pix的生成对抗网络GANs对时空瀑布图中的车辆轨迹进行识别提取和训练，使车辆轨迹恢复完整的过程为：从获取的时空瀑布图中提取包含车辆位置信息的准静态信号，其中包含车辆轨迹的连续区域和不连续区域；使用训练好的基于改进模型MCPix2pix的生成对抗网络GANs根据车辆轨迹的连续区域来对车辆轨迹的不连续区域进行补全和恢复，最终获得完整的车辆轨迹；所述基于改进模型MCPix2pix的生成对抗网络GANs的训练过程包括：数据收集与预处理：通过DAS系统收集车辆准静态信号数据，对数据进行预处理，提取0.1Hz-1Hz频带的DAS车辆准静态信号，其中包含车辆位置信息；数据集的构建：从预处理后的数据中构建数据集，其中包括车辆轨迹的连续区域和不连续区域，使用labelimg工具对车辆信号的实际位置进行标注，标注完成后，将曲线经过的区域对应矩阵的坐标设为1，背景设为0，通过膨胀处理将信号包裹在轨迹掩码中，并将数据集分为训练集、验证集和测试集；模型架构：选择Pix2pix深度学习模型作为基础架构，引入多尺度上下文空洞卷积的特征提取器，构成改进模型MCPix2pix，以提高模型对全局视野结构的关注能力；根据DAS车辆准静态信号的数据特征对判别器的损失进行重构，包括高斯滤波器平滑处理和多层级构建的损失，以削减图像和真值之间的差异，提高车辆轨迹识别的准确性；模型训练：使用训练集对改进模型MCPix2pix进行训练，训练过程中生成器负责生成与真实数据相似的车辆轨迹，判别器负责评估生成的车辆轨迹的真实性，通过不断迭代，使生成器生成的车辆轨迹分布逐渐接近真实分布；模型评估与优化：使用验证集对训练后的模型进行评估，根据评估结果调整模型参数或优化模型架构；模型测试：使用训练好的模型对测试集或新采集的数据进行处理，提取出车辆的时空轨迹，对于车辆轨迹的不连续区域，模型根据学习到的数据分布特征进行补全和恢复；所述改进模型MCPix2pix架构的构建过程包括：将特征提取器的结构定义为多尺度上下文空洞卷积，其中卷积的扩张的度scale从scale=2开始进行，包括卷积核为3的普通卷积，核大小为3且扩张卷积率分别为1、2和3的扩张卷积；在多个并行卷积运算之后，输入特征图将通过拼接操作Concat拼接在一起，然后通过卷积核大小为1的普通卷积进行多尺度上下文特征融合，最终得到多尺度上下文特征融合图；对判别器的损失进行重构包括利用高斯滤波器对图像进行平滑处理，以及利用空洞卷积的结构，通过多层级的构建，构建各个层级的损失；其中构建的损失的层数与利用的空洞卷积的层数保持一致，对每个尺度进行损失重构；模型的总体目标函数表示为： 式中，G*表示最终的生成器模型，G表示生成器，D表示判别器，表示对抗损失，表示多尺度上下文信息损失，L1表示L1损失，称为绝对差损失，表示用于平衡L1损失在总损失函数中的权重参数。

全文数据：

权利要求：

百度查询： 四川大学 基于分布式光纤传感的车辆轨迹识别和速度连续估计方法