CC BY
223
Литература
1. Ковалев В.А., Радаев Ю.Н. Волновые задачи теории поля и термомеханика. - Саратов: Изд-во Сарат. ун-та, 2010. - 328с.
2. Лыков А.В., Михайлов Ю.А. Теория тепло- и массопереноса. - М: Гос.Энерг.из-во, 1963.-535с.
3. Joseph D.D., Preziozi L. Heat waves// Rev.Modern Physics. 1989. V.61. No.1. P.41-73.
4. De Groot S.R. Thermodynamics of irreversible Proccesses-Amsterdam, 1952.
5. Maxwell J.C. Philoc.Trans.Rog.Soc.London 157(1867) 49.
6. Фок В.А. Решение одной задачи теории диффузии по методу конечных разностей и применение его к диффузии света// Труды ГОИ.- 1926. - Т4. -Вып.34.
7. Cattaneo С/ Atti Seminario Univ. Modena 3 (1948) 33.
8. Гениев Г.А. Вариант волновой теории теплопроводности твердых тел// Исследование по теории сооружений: Сб. статей, -М.: Стройиздат, 1980. - Вып. 24.
9. Рымкевич П.П. Введение в теорию распространения свойств.// Труды 27 Летней международной школы «Анализ и синтез нелинейной механики колебательных систем». - СПб, 2000.-С.455-496.
10. Коршунов В.С. , Рымкевич П.П. Феноменологические законы диффузии в твердых телах.// Изв. ВУЗов. Физика. - 1979. - №4. - С.31-36.
11. Рымкевич П.П., Горшков А.С. Теория переноса. -СПб.: Изд-во Политехн. ун-та, 2015. - 122 с.
12. Жирифалько Л. Статистическая физика твердого тела (пер. с англ.). - М.: Мир, 1975. 384с.
УДК 625.021.8
ИДЕНТИФИКАЦИЯ ТРАНСПОРТНЫХ СРЕДСТВ С ПРИМЕНЕНИЕМ
КЕПСТРАЛЬНОГО АНАЛИЗА
О.В. Маковецкая-Абрамова1
Санкт-Петербургский государственный экономический университет (СПбГЭУ),
191023,Санкт-Петербург, ул. Садовая 21
В статье предлагается алгоритм кепстральной обработки пространственно-временных сигналов, позволяющий идентифицировать автотранспортные средства для эффективного управления и мониторинга транспортных потоков.
Ключевые слова: цифровая обработка сигналов, кепстр, спектр, идентификация транспортных средств, управление транспортным потоком.
IDENTIFICATION OF VEHICLES USING CEPSTRAL ANALYSIS
O.V. Makovetckaia-Abramova
Sankt Petersburg State University of Economics (SPbGEU), 191023, St. Petersburg, Sadovaya, 21
The paper proposes an algorithm cepstral processing spatio-temporal signals to identify vehicles for effective management and monitoring of traffic flows.
Keywords: digital signal processing, cepstrum, spectrum, identification of vehicle, traffic management
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 свертку 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.
1 Маковецкая-Абрамова Ольга Валентиновна- кандидат технических наук, доцент кафедры "Технология обслуживания транспортных средств", Санкт-Петербургского государственного экономического университета, тел. +7(921)556 93 06, e-mail: abramova19101910@mail.ru
Кепстральный анализ связан с разделением свернутых сигналов и функций, и его основное назначение определяется физическим происхождением этих сигналов и функций. В сущности Кепстр (Сер81гиш) - преобразование Фурье логарифма спектральной плотности стационарного случайного процесса, выраженного функцией от оси частот д.
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
частоте д=Т, а медленной функции оответствует кепстр с пиком на частоте вблизи нуля, т.е., периодичности с большим интервалом по частоте будут левее периодич-ностей 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 кеп-стром. 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 кепст-ра 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-
О.В. Маковецкая-Абрамова
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 Matead.
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. ORIGIN: = 1
X: = READPRN("cvadrb1" lenx = length(X) i:= 1... lenX Относительный индекс i
Indx¡: = --
lenx Z: = cfft{X) Mi = ln{\Re{Zi)\)
Z: = cfft(M) Щ^ШШШШШ
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.
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 различных транспортных средств, что затрудняет решение задачи распознавания. Для «обострения» образа, подчеркивания его особенностей, предлагается кепстральная обработка сигнала, регистрируемого растровым детектором.
Таким образом, что в качестве объекта распознавания выступает не сам образ, а его кепстр. Регистрация тепловых образов на реальном перегруженном перекрестке затрудняется в случае попадания в поле зрения растра нескольких автомобилей. Происходит наложение тепловых образов и аппаратура фиксирует некий «размытый» образ, идентифицировать который невозможно. Решение данной проблемы возможно также путём применения кепстральной обработки сигнала. Здесь, как и при обработке оптической информации, кепстраль-ный анализ совмещённого сигнала позволяет разделить образы. Появляется возможность произвести идентификацию автомобилей на реальном перегруженном перекрестке в потоке автомобилей. [5, 6].
Выводы
Использование методов кепстрального анализа позволяет успешно решать задачи в
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;
е) сопровождение VIP - персоны4
- центральная диспетчерская служба "Пас-сиравтотранс":
) 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 транспортного потока.
Литература
1. Плешивцев В.С., Кунин В.Н., Половец Л.Н., Герасимов Ю.Ф. Оптико-электронное устройство. А.с. СССР. № 1788499, 1992.
2. Кунин В.Н., Плешивцев В.С., Маковецкая-Абрамова О.В. Использование оптико-электронных устройств на основе многомерного пластинчатого растра для сбора информации о параметрах транспортного потока // Сб. науч. тр./ МАДИ (ГТУ); УФ МАДИ (ГТУ). - М., 2001.-С.132-135.
3. Нефедов В.И., Сигов А. С., Основы радиоэлектроники и связи: М.,изд-во Высшая школа, ISBN: 506-00427,2005-735 с.
4. Маковецкая-Абрамова О.В. Эксперименты с моделями транспортных средств
/ Материалы науч.-техн. конф. ФИПМ / Владим. гос. ун-т. - Владимир, 2003.- c.37.
5. Плешивцев В. С. Некоторые проблемы организации управления транспортными потоками: Мо-ногр./ Владим. гос. ун-т. - Владимир, 2001 - 79 с.
6. Pleshivtsev V.S., Kunin V.N., Makovetskaya-Abramova O.V. The Solution of Problem of Distance Identification of the Transport Stream Parametres by Applying the Ruster Optical Electronic Means. // Motauto'01, Varna.
