基于分布式声波传感的智能交通监控
地球物理
2024-03-06 v1
摘要
分布式声波传感（DAS）在交通监控方面前景广阔，但其海量数据和对振动的敏感性（导致噪声）带来了计算挑战。为解决这一问题，我们提出了一种高效且具有抗噪能力的两步深度学习工作流，用于基于 DAS 的交通监控，重点关注单车轨迹分割和速度估计。我们的方法首先生成一个带有标记车辆信号的多样化合成 DAS 数据集，以解决该领域训练标签缺失的问题。该数据集用于训练卷积神经网络（CNN），以从时域 - 空域中的噪声 DAS 数据中检测线性车辆轨迹。然而，由于显著噪声，这些轨迹往往是碎片化且不完整的。为提高精度，我们引入了涉及 Hough 变换的第二步。这将检测到的线性特征转换为 Hough 域中的点状能量团簇。随后使用另一个 CNN 聚焦于这些能量，识别最重要的点。对这些点应用逆 Hough 变换，以在时域 - 空域中重建完整、独特且无噪声的线性车辆轨迹。Hough 变换通过对轨迹施加局部线性约束发挥了关键作用，增强了连续性和抗噪能力，并促进了单个轨迹的分离和车辆速度的估计（由 Hough 域中的轨迹斜率指示）。我们的方法在真实世界数据集中显示出有效性，证明了其在 DAS 数据实时处理中的价值以及在类似交通监控场景中的适用性。所有相关代码和数据可在 https://github.com/TTMuTian/itm/ 获取。
引用
@article{arxiv.2403.02791,
title = {Intelligent Traffic Monitoring with Distributed Acoustic Sensing},
author = {Dongzi Xie and Xinming Wu and Zhixiang Guo and Heting Hong and Baoshan Wang and Yingjiao Rong},
journal= {arXiv preprint arXiv:2403.02791},
year = {2024}
}