基于TMS320F2812處理芯片和LC振蕩電路實(shí)現(xiàn)嵌入式車型檢測(cè)器的設(shè)計(jì)

1. 引言

車型分類是高速公路自動(dòng)收費(fèi)和交通流量統(tǒng)計(jì)的重要依據(jù)，它是智能交通（ITS）的一個(gè)重要組成部分。環(huán)形感應(yīng)線圈檢測(cè)器是車型分類中使用最廣的一種，其原理是當(dāng)環(huán)形線圈中有高頻電流通過時(shí)，在環(huán)的周圍就產(chǎn)生交變的電磁場(chǎng)，當(dāng)車輛從環(huán)形線圈上方經(jīng)過，由于車體一般由鐵磁材料構(gòu)成的，一方面，鐵磁車體的介入使線圈周圍空間的導(dǎo)磁率發(fā)生變化，使線圈的電感量增加；另一方面，交變的電磁場(chǎng)使車體內(nèi)產(chǎn)生渦流效應(yīng)，使線圈的電感量減少。西安公路交通大學(xué)李誠(chéng)等人由實(shí)驗(yàn)得到，當(dāng)環(huán)形線圈頻率為20KHz～100KHz時(shí)，渦流效應(yīng)是主導(dǎo)因素。因此，頻率的變化與經(jīng)過線圈上方的車體形狀、線圈形狀、車體與線圈的相對(duì)位置、車體的電導(dǎo)率和磁導(dǎo)率、線圈的激勵(lì)頻率等有關(guān)，由于線圈形狀、激勵(lì)頻率、車體的電導(dǎo)率和磁導(dǎo)率是相對(duì)穩(wěn)定的，而車輛經(jīng)過線圈的整個(gè)過程中，經(jīng)過線圈上方的車體形狀以及車體與線圈的相對(duì)位置是不斷變化的，從而使環(huán)形線圈中的高頻電流的頻率發(fā)生變化。以高頻電流頻率的變化特征為依據(jù)，通過模式識(shí)別方法可以得到車型信息。基于環(huán)形線圈的車型檢測(cè)器就是基于上述原理識(shí)別經(jīng)過車輛的車型。如圖1所示，不同車型的車輛在環(huán)形線圈上方經(jīng)過后，車型檢測(cè)器采集到不同形狀特征的時(shí)變頻率曲線。

圖1 不同車型對(duì)應(yīng)的不同的時(shí)變頻率曲線

本文從車型檢測(cè)器硬件結(jié)構(gòu)和處理算法兩方面提出一些具有創(chuàng)新性的設(shè)計(jì)方案。以TI公司推出的最高工作頻率為150MHz的TMS320F2812為主處理芯片，通過對(duì)環(huán)形線圈振蕩頻率的采集和分析，并運(yùn)用基頻更新算法、數(shù)學(xué)形態(tài)濾波方法和BP神經(jīng)網(wǎng)絡(luò)分類算法來識(shí)別通過車輛的車型。

2. 基于TMS320F2812的線圈檢測(cè)器的設(shè)計(jì)

TMS320F2812是TI公司的一款高性能、多功能的32位定點(diǎn)DSP芯片。它具有32位數(shù)據(jù)總線，最高工作頻率為150MHz，單周期32×32位或雙16×16的MAC功能，18K×16位的SRAM和128K×16位的片上FLASH存儲(chǔ)器，2路16位定時(shí)/計(jì)數(shù)器，3個(gè)獨(dú)立的32位CPU定時(shí)器，56個(gè)獨(dú)立編程的GPIO引腳，可擴(kuò)展1MB的外部存儲(chǔ)器，并具有多種通訊接口：SPI、SCI、ECAN、MCBSP，以及16路ADC模塊等。TMS320F2812具有8級(jí)流水線，專門的讀、寫等6條總線，頻率高達(dá)150MHz。高速處理能力可以實(shí)現(xiàn)車輛檢測(cè)和車型分類的快速運(yùn)算雙重功能。

車型檢測(cè)器的硬件設(shè)計(jì)主要包括：振蕩波形發(fā)生電路、TMS320F2812的信號(hào)處理模塊、存儲(chǔ)擴(kuò)展模塊、通訊模塊、輸出控制模塊以及功能設(shè)置模塊等，如圖2所示。振蕩波形發(fā)生模塊主要以電容三點(diǎn)式的LC振蕩電路構(gòu)成。埋設(shè)在道路上的環(huán)形線圈與檢測(cè)器的一組線圈相連接形成一個(gè)閉環(huán)線圈，檢測(cè)器經(jīng)互感線圈把該閉環(huán)線圈的信號(hào)耦合到振蕩電路，因此，當(dāng)環(huán)形線圈的電感量發(fā)生變化，該變化就馬上反饋到振蕩電路中，導(dǎo)致振蕩電路的振蕩頻率發(fā)生變化。而振蕩信號(hào)經(jīng)過NPN三極管和二極管的電平轉(zhuǎn)換后輸入到TMS320F2812的計(jì)數(shù)器的時(shí)鐘輸入口TCKINA上進(jìn)行檢測(cè)。TMS320F2812計(jì)算出即時(shí)的頻率變化值，并把數(shù)據(jù)存放到外擴(kuò)的SRAM中，然后對(duì)所采集到的連續(xù)的時(shí)間序列數(shù)據(jù)進(jìn)行的信號(hào)濾波、特征提取以及模式識(shí)別的運(yùn)算，最終得到與經(jīng)過的車輛相對(duì)應(yīng)的車型信息。除了車型信息外，還可以通過計(jì)算得到車速、車流量、道路占有率等交通數(shù)據(jù)信息，這些數(shù)據(jù)信息對(duì)交通數(shù)據(jù)的調(diào)查、分析、統(tǒng)計(jì)、交通誘導(dǎo)以及交通信號(hào)的分配管理是很有意義的?；赥MS320F2812處理芯片的車型檢測(cè)器可以通過TMS320F2812芯片上的RS232接口或者CAN總線的網(wǎng)絡(luò)接口把實(shí)時(shí)交通數(shù)據(jù)的發(fā)送到交通指揮中心進(jìn)行上層的交通數(shù)據(jù)分析和管理。

圖2 車型檢測(cè)器硬件設(shè)計(jì)

3. 車型檢測(cè)的算法處理

由上述的環(huán)形線圈檢測(cè)電路，TMS320F2812芯片可以采集到的LC振蕩電路的振蕩頻率數(shù)據(jù)。而從頻率數(shù)據(jù)中識(shí)別出車型必須經(jīng)過以下幾個(gè)數(shù)據(jù)處理階段：實(shí)時(shí)基頻計(jì)算、頻率變化值計(jì)算、形態(tài)濾波處理、神經(jīng)網(wǎng)絡(luò)車型分類算法。

3.1 基頻實(shí)時(shí)更新算法

正如圖2所示，車型檢測(cè)器選擇電容三點(diǎn)式的LC振蕩電路的優(yōu)點(diǎn)是電路簡(jiǎn)單，但LC振蕩電路的穩(wěn)定性容易受振蕩回路的等效電感L和等效電容C的穩(wěn)定性影響。此外，晶體管的各極間電容值又隨溫度、電壓、電流的變化而變化，以上因素都導(dǎo)致了LC振蕩電路的頻率不穩(wěn)定，盡管不少研究人員對(duì)傳統(tǒng)的LC振蕩電路提出過不少的改進(jìn)方案，如克拉潑振蕩器，但始終未能實(shí)現(xiàn)振蕩電路的基頻在長(zhǎng)時(shí)間工作下穩(wěn)定不變。因此，由TMS320F2812采集到的振蕩頻率數(shù)據(jù)不可避免地存在來自LC電路本身的固有干擾，在車輛檢測(cè)過程中會(huì)因此而產(chǎn)生誤判，影響了車型分類器的工作穩(wěn)定性。為解決LC振蕩電路導(dǎo)致車輛誤判問題，筆者做了大量的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，LC電路本身基頻的變化通常是連續(xù)的，不會(huì)有太大的突變，相反，因鐵磁車體經(jīng)過環(huán)形線圈所產(chǎn)生的LC電路的振蕩頻率變化是突變的。根據(jù)這種特性，本文提出了基頻的實(shí)時(shí)更新算法如公式（1）（2）所示，其中 是當(dāng)前檢測(cè)到的基頻值， 是前一次檢測(cè)到的基頻值，t是判斷是否因LC電路本身造成的噪聲閾值， 是更新因子，在實(shí)際應(yīng)用中取值為0.9，根據(jù)公式（2）可以求出新的基頻值。

基頻更新算法可以有效地判別LC振蕩電路本身造成的頻率變化，實(shí)現(xiàn)對(duì)LC振蕩電路基頻的快速跟蹤，從而很大程度上避免因LC振蕩電路本身缺陷導(dǎo)致車輛檢測(cè)出現(xiàn)誤判的情況。

當(dāng)車輛經(jīng)過環(huán)形線圈上方時(shí)，LC振蕩電路的振蕩頻率發(fā)生變化（通常為增加），其變化值為TMS320F2812檢測(cè)到的頻率與基頻Fb的差值，即。該差值就作為車型識(shí)別的有效數(shù)據(jù)源。

3.2 數(shù)學(xué)形態(tài)濾波方法

根據(jù)對(duì)實(shí)驗(yàn)數(shù)據(jù)分析，相同車型的車輛經(jīng)過環(huán)形線圈時(shí)，車型分類器得到的時(shí)變頻率曲線具有一定的規(guī)律。根據(jù)這些穩(wěn)定的規(guī)律，可以識(shí)別出相應(yīng)的車型。在實(shí)際應(yīng)用中，相鄰車道的車輛和環(huán)境磁場(chǎng)微小變化等因素產(chǎn)生的噪聲會(huì)影響車型識(shí)別的精度。而且由于干擾信號(hào)與原始信號(hào)的頻段相近，所以，一般的濾波方法如小波濾波等通過頻域分析手段不能有效濾除這些噪聲信號(hào)，而且會(huì)導(dǎo)致原始信號(hào)的失真。有鑒于此，本文采用數(shù)學(xué)形態(tài)濾波方法，構(gòu)造相應(yīng)的結(jié)構(gòu)元素，通過開－閉，閉－開運(yùn)算的平均組合來濾除車型檢測(cè)器在實(shí)際應(yīng)用中的噪聲。

數(shù)學(xué)形態(tài)學(xué)是一門新興的圖像分析學(xué)科，是基于集合論的數(shù)學(xué)分支。由于該技術(shù)只取決于局部的信號(hào)特征，是一種有效的非線性濾波技術(shù)，其基本思想是用一個(gè)結(jié)構(gòu)元素去探測(cè)一個(gè)圖像，同時(shí)驗(yàn)證在圖像中填放結(jié)構(gòu)元素的方法是否有效，從而得到關(guān)于圖像結(jié)構(gòu)的信息。腐蝕和膨脹是最基本的形態(tài)學(xué)運(yùn)算，開運(yùn)算和閉運(yùn)算是由腐蝕和膨脹推演出來的兩種運(yùn)算。通常數(shù)學(xué)形態(tài)濾波器用于二維信號(hào)的處理。在一維信號(hào)處理中，f（x）關(guān)于g（x）的腐蝕、膨脹、開運(yùn)算、閉運(yùn)算的定義為：

圖3 一維數(shù)字濾波與一維形態(tài)濾波的效果比較

如圖3所示，在時(shí)變頻率數(shù)據(jù)中間有一個(gè)小的噪聲信號(hào)與原始信號(hào)疊加在一起，導(dǎo)致波峰數(shù)從原始的3個(gè)變成現(xiàn)在的4個(gè)，由于這種錯(cuò)誤的訓(xùn)練樣本數(shù)據(jù)的存在，對(duì)后面的神經(jīng)網(wǎng)絡(luò)分類算法而言是一種很大的干擾。圖中虛線為一維數(shù)字濾波的效果，可以看出數(shù)字濾波算法雖然也能去除該干擾信號(hào)，但是同時(shí)也造成原始信號(hào)的失真。而形態(tài)濾波方法，先通過對(duì)該類噪聲信號(hào)的統(tǒng)計(jì)，得到噪聲波形的形狀特征，選擇合適的結(jié)構(gòu)元素，而后對(duì)采集到的頻率數(shù)據(jù)進(jìn)行開－閉、閉－開運(yùn)算，并取兩者的平均值，從圖中點(diǎn)線為形態(tài)濾波的效果，它成功地去除噪聲信號(hào)，而原始信號(hào)的特征波形被很好地保留。

3.3 車型分類算法

由于本文的篇幅有限，關(guān)于車型分類算法，在之前所寫的《BP神經(jīng)網(wǎng)絡(luò)算法在車型識(shí)別中的應(yīng)用》和《多分支BP網(wǎng)絡(luò)模型及其在車型分類中的應(yīng)用》中有詳細(xì)的介紹，以下圖4為該識(shí)別算法的流程框圖。

圖4 車型分類算法流程框圖

形態(tài)濾波處理后的時(shí)變頻率數(shù)據(jù)，可以通過簡(jiǎn)單的數(shù)學(xué)計(jì)算（如求導(dǎo)運(yùn)算、極大極小值的求解）提取出時(shí)變頻率曲線的特征參數(shù)如：波峰值、波谷值、曲線寬度、波峰數(shù)、平均值、“山”字特征、“凸”字特征、波峰斜度等的一維曲線特征。這些特征能較好的描述時(shí)變頻率曲線的外形輪廓和一些具體參數(shù)，而對(duì)于某一車型來說，其有用的特征（即有別于其它車型的特征）僅為這些特征中的一部分，其余特征是冗余的。冗余的輸入特征不利于分類器的模式識(shí)別，增加了分類器的結(jié)構(gòu)復(fù)雜度以及車型分類的計(jì)算時(shí)間，特征的冗余甚至?xí)斐煞诸惼鞯倪^度擬合現(xiàn)象，降低了車型識(shí)別的準(zhǔn)確率。為提高分類器的識(shí)別效果，在進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的車型分類之前，筆者插入了基于粗糙集的最小簡(jiǎn)約特征的提取環(huán)節(jié)，該環(huán)節(jié)通過對(duì)訓(xùn)練樣本的分析，得到各種特征對(duì)不同車型類別的貢獻(xiàn)程度，針對(duì)不同車型提取出相應(yīng)的最小簡(jiǎn)約特征組。而且該特征組是在不影響分類精度前提下有效特征的最小組合。最小簡(jiǎn)約特征的提取有利于提高BP神經(jīng)網(wǎng)絡(luò)分類器的識(shí)別效果，縮減BP神經(jīng)網(wǎng)絡(luò)分類器的訓(xùn)練和運(yùn)算時(shí)間?；诖植诩母倪M(jìn)BP神經(jīng)網(wǎng)絡(luò)模型如圖5所示。該BP神經(jīng)網(wǎng)絡(luò)模型的輸出對(duì)應(yīng)不同的車型類別，輸出值均為“1”和“-1”，“1”代表輸入樣本屬于相應(yīng)的車型，“-1”代表輸入樣本不屬于相應(yīng)的車型。

圖5 基于粗糙集的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型

4. 總結(jié)

車型檢測(cè)器的設(shè)計(jì)主要分為硬件結(jié)構(gòu)和處理算法兩方面，本文就這兩方面提出了一些具有創(chuàng)新性的設(shè)計(jì)方案，介紹了由LC振蕩電路和TMS320F2812處理芯片構(gòu)成的車型檢測(cè)器的硬件結(jié)構(gòu)，針對(duì)LC振蕩電路頻率不穩(wěn)定的固有缺陷提出基頻更新算法，并提出了利用一維數(shù)學(xué)形態(tài)濾波方法過濾實(shí)際應(yīng)用中的噪聲信號(hào)，最后簡(jiǎn)單介紹了基于粗糙集BP神經(jīng)網(wǎng)絡(luò)車型分類算法。基于TMS320F2812的嵌入式車型檢測(cè)器具有廣泛的應(yīng)用前景，是ITS系統(tǒng)中不可或缺的設(shè)備之一。

責(zé)任編輯：gt