Идентификация транспортных средств с применением кепстрального анализа

В любой системе для эффективного управления необходимо своевременно получать достоверную информацию об объектах управления. Внедрение автоматизированных систем управления на транспорте связано с автоматизированными процессами получения и идентификации информации об автотранспортных средствах (АТС), скорости движения, состояния дороги и др. Идентификация – процесс распознавания объекта по его отображению средствами регистрации. В качестве идентификационной информации предлагается использовать результаты кепстрального анализа пространственно-временных сигналов, регистрируемых оптико-электронным датчиком [1,2].

На практике кепстральный анализ применяют для сигналов, представляющих собой cвертку двух и более временных функций, причем таких, что после преобразования их в спектр они образуют неперекрывающиеся на оси частот q импульсы.

Амплитуды этих импульсов используются в качестве диагностических признаков, что позволяет выделить и инденцифицировать сигнал, например, на фоне различных помех (шума), имеющих ту же природу. Кепстраль-ную обработку целесообразно применять при значительном превышении сигнала над шумом .

Кепстральный анализ связан с разделением свернутых сигналов и функций, и его основное назначение определяется физическим происхождением этих сигналов и функций. В сущности Кепстр (Cepstrum) – преобразование Фурье логарифма спектральной плотности стационарного случайного процесса, выраженного функцией от оси частот q.

Например (рис.1), получен сигнал от средства регистрации (рис. 1). Требуется определить определенную информацию о входном сигнале       и самом регистри рующем устройстве, например, о его импульсной характеристике     .

Рисунок 1 – Преобразование сигнала

Выходной сигнал определяется сверткой                          . Т.к.

в линейном тракте, то после логарифмирования получаются функции        и

.

Далее нужно преобразовать эту сумму так, чтобы получить непересекающиеся наборы характеристик исходного сигнала и фильтра. Для этого, например, применяется обратное преобразование Фурье

( так, что на выходе получается сумма кепстров и      [ 3 ]. Если в качестве линейного тракта рассматривается электронный сигал , о котором известно лишь, что его спектральная плотность ограничена частотой     , а его амплитудно-частотные характеристики (АЧХ) характеризуется периодической изре-занностью с периодом (по оси частот ), то задача состоит в том, чтобы определить период и амплитуду пульсаций АЧХ. О самом тракте известно то, что его импульсная характеристика имеет длительность, значительно меньшую чем , т.е.       изменяется более плавно по сравнению с      .

Функции         соответствует пик на чаcтоте   q=T,   а медленной функции оответствует кепстр с пиком на частоте вблизи нуля, т.е., периодичности с большим интервалом по частоте будут левее периодичностей с меньшим интервалом по частоте. По величине пиков можно оценить величину пульсаций, а по сачтотам – характер изменения сигнала на входе и импульсной характеристики линейной цепи.

Т.о., кепстр обладает свойством обострения сигнала, подчёркивает характерные особенности, делает образ более индивидуальным. Применение кепстрального анализа особенно эффективно в случае автоматического отбора отдельной модели из ряда моделей. Обнако очень важно понимать те принципиальные различия, которые есть между частотными составляющими в традиционном спектре и частотными составляющими в спектре, называемом кепстром. В первом случае любая частотная составляющая имеет физический смысл, сигнал с такой частотой и амплитудой действительно присутствует в исходном сигнале во временной области. Во втором же случае, в кепстре, присутствие гармоник может совсем не означать, что в исходном спектре существуют соответствующие периодичности, а только то, в какой мере вид дискретных составляющих в исходном спектре более или менее вид острой вершины.

Поэтому для проведения кепстрального анализа необходим опыт, чтобы правильно интерпретировать результаты и делать правильные выводы.

Решение задачи распознавания АТС отрабатывалась на кепстральном анализе образов моделей различной геометрической формы (“квадрат”, “треугольник”, “круг”, “автомобиль”) [4].

Данная статья посвящена наработке опыта по экспериментальным исследованиям обработки кепстров, полученных в результате обработки цифровых интерпретаций оптических сигналов от типовых геометрических объектов на специальной установке (рис.2).

Рисунок 2 – Установка спектрального анализа типовых оптических объектов

Так, например, характерным для кепстра образа модели “квадрат” является наличие двух равных по амплитуде пиков, соответствующих прохождению начала и конца модели в поле зрения растра. Кепстр модели “треугольник” имеет четыре ярко выраженных пика, ам- плитудное значение крайних пиков превышает амплитуду центральных. Анализ кепстра модели “автомобиль” выявил наличие шести характерных пиков большей частоты, чем у предыдущих моделей, три начальных пика соответствуют прохождению начала модели в поле зрения растра, три конечных соответствуют прохождению в поле зрения растра конца модели. Каждая из троек симметрична относительно центра сигнала. Кепстр модели “круг” отличается наибольшим количеством пиков высокой частоты. Началу сигнала соответствует 7 пиков, далее 8 пиков меньшей частоты, и в конце сигнала ещё 7 высокочастотных пиков. Амплитудные значения пиков наименьшие из всех анализируемых кепстров.

По результатам анализа оптических кепстров от различных геометрических объектов построена библиотека кепстров. Фрагмент библиотеки кепстров оптических образов моделей АТС представлен в табл. 1.

Библиотека содержит фотоснимок модели, полученный в лабораторных условиях, оптический образ сигнала и кепстр. Наличие данной библиотеки позволяет настроить аппаратуру распознавания на конкретно выбранный сигнал (т.е. выбрать из множества сигналов тот, который необходимо идентифицировать) и затем по кепстральным признакам произвести распознавание модели. При этом в качестве объекта распознавания выступает не оптический образ, а его кепстр.

Таблица 1 – Фрагмент библиотеки кепстров оптических образов моделей

Для обработки сигналов разработано ряд математических функций, которые относятся к категории функций обработки данных и являются встроенными функциями математических процессоров Matlab и Matсad.

Ниже приведена программа, созданная и работающая в Mathcad 2000 Professional, кеп-стрального анализа оптического сигнала, полученного при прохождении в поле зрения растрового датчика модели квадратной формы.

Здесь график на рис.3, а) отражает вид свёртки собственного сигнала модели с импульсной характеристикой растра. Идентифи-

кация по свёртке является маловероятной, т.к. в ходе экспериментов было выявлено внешнее сходство свёрток моделей разной геометрической формы.

indXj

Рисунок 3 – Сигнал и его кепстр : а) – сверстка собственного сигнала с передаточной функцией; б) -результат кепстрального анализа

Кепстральный анализ позволяет выделить два главных пика (рис.3 б), соответствующих моментам прохождения в поле зрения растра начала и конца модели. Амплитудное значение пиков, расстояние между ними являются отличительными признаками и позволяют идентифицировать данную модель. При анализе тепловых образов, полученных при помощи пластинчатых растров в дорожных условиях, были выявлены случаи внешнего сходства образов раз- следующих областях транспортной инфраструктуры:

обеспечение безопасности дорожного движения:

• а)    – контроль скоростного режима; б) поиск угнанных автомобилей;

• в)    перевозка опасных грузов; г) корректи-а) ка работы светофоров;

• д)    сопровождение автомобилей с опасным ■ грузом;

  б)

  
  

• е)    сопровождение VIP – персоны4

• -    центральная диспетчерская служба “Пас-иравтотранс”:

• а)    контроль движения пассажирского

транспорта (автобусы, троллейбусы);

• б)    оперативное управление движением;

• в)    оптимизация процессов перевозки пассажиров;

дорожная экспертиза “АВТОДОРНИИ”:

• а)    оценка интенсивности движения – ремонт дорог федерального значения;

• б)    оценка надёжности дорожного полотна;

• в)    повышение сцепных свойств автомобильных дорог;

• г)    обоснование средств для ремонта и строительства дорог и т. д.

логистика: определение состава транс- портного потока.