基于OBDII的目標區域車輛遠程監測方法仿真

李 銘,楊 威,謝搶來,喻 佳

(1. 江西科技學院信息工程學院,江西 南昌 330098;2. 華東交通大學信息工程學院,江西 南昌 330013)

1 引言

在汽車保有量持續增加的背景下,車輛安全以及車輛防盜等問題日益顯著,各種交通事故層出不窮,同時還加快了汽車尾氣排放對環境造成的破壞程度,所以遠程監測車輛具有十分重要的意義[1,2]。最近幾年,國內相關專家給出了一些比較好的研究成果,例如梁光勝等人[3]主要通過殘差連接改進ResNet網絡,增加全新的卷積層提取圖像特征矢量,同時采用長短時記憶網絡在特征矢量中預測出車輛的位置和大小,使用預訓練網絡以及數據增強克服過擬合問題,完成監測處理。華路捷等人[4]主要利用無線系統將數據實時傳輸到地面數據處理中心,通過監測與分析系統完成實時處理以及分析,同時將車輛相關信息及時傳輸給運輸維護人員,完成車輛實時監測。上述方法雖然具有一定的適用性,但是在實際操作過程中操作比較復雜。為此,提出車聯網背景下基于OBDII的智能車輛遠程監測方法。經過一系列實驗分析可知,所提方法能夠實時準確監測車輛的運行情況。

2 智能車輛遠程監測方法設計

車聯網技術組建了車輛和外界連接的遠程網絡架構,讓遠程實時監控車輛成為可能。現階段汽車行業開始朝著高安全性以及低碳化等方面發展,車聯網技術使車輛遠程監控更加人性化。但是由于當前車輛故障更加繁雜以及隱蔽,對比以前的傳統機械故障更加難以發現以及維修,所以維修人員以及駕駛人員如何才能夠實時精確的獲取車輛行駛狀態的整體情況,最大程度減少車輛潛在故障引發的交通隱患以及提升汽車行駛狀態的整體安全性是解決汽車安全問題的重要需求。

2.1 智能車輛目標區域特征提取

當車輛正常運行狀態下,車道兩旁的車輛會直接對其產生影響。為了盡可能降低道路兩旁各種干擾因素的影響,以下主要通過一種改進的Hough變換方法檢測車輛行駛過程中左右車道的行駛車輛,同時確定具體的檢測區域,以全面提升智能車輛遠程監測的實時性以及魯棒性。

現階段,標準的Hough變換投票空間以及對應夾角α的取值范圍為(0,π),極徑β的取值范圍為(0,r),r代表圖像空間的對角線長度。所以對于智能車輛遠程監測而言[5-7],如果監測范圍過大會得到大量沒有利用價值的信息,所以需要對α和β作為范圍限定,進而獲取Hough變換目標點的約束區域,如下所示

(1)

式中,α1和β1分別代表目標車輛所在車道的左車道線極角和極徑;αr和βr分別代表車輛所在車道的右車道線極角和極徑。

在構建完成極角約束區域之后,需要直接清除左右車道線檢測范圍外的目標點以及無利用價值的信息,確保整個算法的整體性能得到有效改善。以下詳細給出智能車輛目標區域特征提取的詳細操作步驟:

1)對輸入的智能車輛圖像彩色圖像實行灰度化處理

(2)

上式中,Hmgt代表經過灰度化處理的智能車輛彩色圖像;x(t)代表原始圖像;y(t)代表灰度圖像。

2)通過Gamma校正方法對智能車輛彩色圖像展開標準化處理[8,9],降低陰影以及光照因素產生的影響,經過校正后的圖像可以表示為以下形式

Jxyz=[x(t)×y(t)]·fk(x,y)

(3)

式中,Jxyz代表校正處理后的圖像;fk(x,y)代表差分圖像。

3)在步驟2)的基礎上,提取目標車輛的輪廓信息[10-11],減少光照對目標圖像產生的不良影響。同時計算目標圖像各個像素梯度的大小以及方向,具體的計算式如下

(4)

式中,Vcount代表目標圖像的梯度取值;Vcount-ver代表目標圖像的梯度方向;counk代表目標圖像的幀數;m和n分別代表圖像的像素點數量與方差取值。

4)將目標圖像展開劃分處理,形成多個規格相同的單元格,同時將其量化處理,劃分到對應的單元格內。累加全部單元格內的梯度直方圖,進而形成對應的直方圖特征,同時提供對應的編碼信息,有效保存目標車輛的外觀以及形狀信息[12]。

5)對全部單元格歸一化處理,具體的計算式如下

(5)

式中,F(x,y)代表單元格歸一化處理結果;G(x,y)代表目標的像素灰度值。

6)將子窗口中全部塊的特征串聯處理,進而獲取目標車輛的特征向量。

2.2 智能車輛遠程監測實現

通過2.1小節提取完成目標車輛的特征信息后,需要將全部特征融合處理,進而獲取綜合特征。以下主要通過基于方差測度的方式完成多特征融合處理,具體的操作步驟如下所示:

1)優先構建特征融合公式

(6)

設定屬于x類的統計樣本共有s個,則可以表示為

(7)

式中,y(i)代表統計樣本集合;c代表特征權值;k代表常數。

統計目標車輛的灰度分布直方圖,通過Bhattacharyya系數度量方法計算直方圖之間的相似程度,進而獲取最終的直方圖數據。

在上述分析的基礎上,需要對目標車輛跟蹤處理,即通過車輛各個特征的匹配程度,同時結合相關的權重,經過計算得到綜合的特征匹配程度。

在得到各個特征的權值之后,需要對目標車輛展開匹配跟蹤處理,詳細的操作流程如圖1所示。完成匹配跟蹤處理之后,需要對目標展開初始跟蹤處理,將偽前景作為車輛不可能發生停止的判斷依據,并且將不滿足需求的車輛排除在外。判斷目標是否發生停車最直觀的方式就是判斷目標車輛的質心是否保持在一個固定的位置。當車輛在實際行駛過程中,會因為圖像質量不佳以及背景突變等原因產生干擾,進而無法獲取理想的目標監測結果。所以,以下將車輛成功跟蹤次數作為智能車輛遠程監測的重要依據。

通過初始跟蹤目標的選取原則,在進入監控區域內,選取的目標車輛車速應該比較小,使其滿足初始跟蹤目標的需求,進而可以將其添加到初始跟蹤鏈表中。同時,將目標質心坐標的變化情況作為智能車輛遠程監測的重要依據,具體的操作流程如圖2所示。

圖2 質心坐標獲取的操作流程圖

在獲取質心坐標的過程中,主要涉及到質心坐標的數量以及閾值等相關參數,它們會對最終的監測結果產生比較明顯的影響,所以參數的取值范圍設定是十分重要的。

OBDII可以有效擴大車輛故障診斷范圍,因此,構建標準化的OBDII碼以及通信協議標準,OBDII系統的主要功能如表1所示:

表1 OBDII系統的主要功能

現階段幾乎全部的智能車輛都提供診斷接口,OBDII主要通過轉換芯片完成車輛協議類型的選擇以及智能車輛診斷接口通信等相關操作,同時可以傳統協議轉換串口通信協議,同時將智能車輛故障信息及時傳輸到服務器,方便駕駛員實時掌握車輛故障信息。

在上述基礎上,深入分析智能車輛質心坐標的變化情況,獲取目標車輛最終的跟蹤結果,同時引入OBDII系統對智能車輛展開最終的監測處理[13-15],最終完成智能車輛遠程監測:

(8)

式中,Lmn代表智能車輛遠程監測結果。

3 實驗研究

針對車聯網背景下基于OBDII的智能車輛遠程監測方法展開實驗分析,實驗的測試地點為智能車輛試驗場內的部分道路。實驗所需要的硬件和軟件環境為:測試車輛、智能手機、GPS數據采集的車載設備以及瀏覽器等。其中,實驗測試車輛為奔馳ECoupe,如圖3所示。

圖3 實驗測試車輛

利用圖4給出相關的車載設備:

圖4 車載設備

智能車輛遠程監測主要是對目標車輛的車速、水溫以及車道偏移等數據展開監測,并且在任意一個數據異常時及時發出預警。對目標車輛的測試結果如表2所示:

表2 智能車輛遠程監測測試結果

通過表2可知,目前車輛的全部數據均處于正常狀態。

車速和水溫監測界面主要是模擬車內儀表,對車輛的車速以及冷卻水溫度展開比較直觀的監測,儀表盤主要采用不同的顏色作為預警,當全部參數取值在正常范圍內,則指針指向淺色區域,具體的測試結果如圖5所示。

圖5 車速與水溫測試界面

由圖5可知,當車輛在行駛過程中,指針指向深色部分,則說明車輛的車速和水溫均不在正常范圍內,需要及時發出預警。

以下對車輛位置監測內容展開測試處理,優先設定車輛具體位置,然后通過所提方法監測車輛所在位置,詳細的測試結果如圖6所示:

圖6 所提方法目標車輛位置監測結果

由圖6可知,通過實車測試實驗對所提方法的位置監測結果展開測試可知,所提方法可以準確定位目標車輛所在位置,完成實時監測處理。這是因為所提方法通過OBDII系統將智能車輛故障信息及時傳輸到服務器,并結合智能車輛質心坐標變化情況,通過掌握車輛行駛情況實現車輛位置監測。

4 結束語

車輛的不斷增加,使得各種安全隱患也與日俱增,提出一種車聯網背景下基于OBDII的智能車輛遠程監測方法。經過具體的實驗結果分析可知,所提方法可以準確監測目標車輛,更好掌握目標車輛的運行狀態。由于所提方法采集的數據量以及采集頻率受到一定程度的限制,現階段還沒有在研究過程中加入比較復雜的數據,后續將在條件允許的情況下,展開更加深入的研究。