Cuadernos Tecnológicos de la PTC
Nº 04/ 2014
Utilización de sensores magnéticos para re-identificación de vehículos en carretera Autores: R. V. Cirilo Gimeno, A. García Celda, J. J. Martínez Durá, M. Pla i Castells LISITT - Universidad de Valencia
P L ATA F O R M A T E C N O L Ó G I C A E S PA Ñ O L A D E L A C A R R E T E R A ( P T C )
© Plataforma Tecnológica Española de la Carretera (PTC). Goya, 23 - 3º, 28001 Madrid. Reservados todos los derechos. ISBN: 978-84-697-2153-7.
LA COLECCIÓN “CUADERNOS TECNOLÓGICOS DE LA PTC” La Plataforma Tecnológica Española de la Carretera (PTC) es el foro de encuentro apoyado por el Ministerio de Economía y Competitividad para todos los agentes del sistema cienciatecnología-empresa con un papel relevante en el fomento del empleo, la competitividad y el crecimiento en el sector de las infraestructuras viarias en España. Desde su presentación en sociedad en febrero de 2010, la PTC trabaja como una plataforma transversal que fomenta el intercambio fluido de información y las discusiones a nivel tecnológico entre los agentes privados y públicos del sector, con el objeto de contribuir a que España se convierta en el referente mundial en materia de tecnologías asociadas a la carretera. La colección de publicaciones “Cuadernos Tecnológicos de la PTC” surge de los convenios de colaboración que la Plataforma mantiene con un importante número de instituciones académicas activas en la I+D+i en materia de infraestructuras viarias. Cada Cuaderno se incardina dentro de alguna o varias de las temáticas y sub-temáticas de la vigente Agenda Estratégica de Investigación de la Carretera en España (2011-2025).
3
Colección de Cuadernos Tecnológicos de la PTC Año 2013 01/2013: Técnicas avanzadas de fusión de información de fuentes heterogéneas para la extracción de información de movilidad en carreteras 02/2013: Software para la explotación de datos LiDAR en carreteras 03/2013: Desarrollo de una metodología de análisis del coste de ciclo de vida 04/2013: Carga tarifaria y fiscal del transporte por carretera: un análisis comparado entre E.E.U.U. y Europa 05/2013: Captación de energía en carretera: colectores solares asfálticos 06/2013: Nuevo proceso de diseño geométrico para unas carreteras convencionales más seguras 07/2013: Informe del estado del arte sobre el factor humano en la conducción 08/2013: Optimización del uso de las carreteras existentes 09/2013: Diseño de estación de carga para vehículos eléctricos mediante energías renovables
Año 2012 01/2012: Análisis del Megatruck en España 02/2012: Conceptualización del transporte sostenible desde el comportamiento prosocial 03/2012: Consideraciones para la modificación de los límites de la velocidad en base a la accidentalidad 04/2012: Extrapolación de materiales viarios 05/2012: Gestión de la mejora de la movilidad 06/2012: Influencia de la meteorología adversa sobre las condiciones operacionales del tráfico y recomendaciones para la localización de sensores de variables atmosféricas 07/2012: Membranas flexibles ancladas al terreno para la estabilización de taludes en carreteras 08/2012: Priorización de actuaciones sobre accidentes de tráfico mediante reglas de decisión 09/2012: Sistemas lidar móvil para el inventario geométrico de carreteras
Año 2011 01/2011: Los retos de “Sistemas de adquisición de información de tráfico: estado actual y futuro” 02/2011: Los retos de “Firmes Permeables” 03/2011: Los retos del “Sistema fotogramétrico para la medición remota de estructuras en programas de inspección de puentes” 04/2011: Los retos de “Pago por uso de las infraestructuras viarias: Estudio de los accesos a Madrid” 05/2011: Los retos del “Sistema eCall: Situación actual y estándares” 06/2011: Los retos de “La velocidad de operación y su aplicación en el análisis de la consistencia de carreteras para la mejora de la seguridad vial” 07/2011: Los retos de “Desarrollo de una metodología de análisis de ciclo de vida integral específica para carreteras” 08/2011: Los retos de “Control pasivo de velocidad: intervención en tramos de acceso a entornos urbanos”
5
Para cualquier información adicional, contacte con
[email protected] o visite www.ptcarretera.es
Cuaderno Tecnológico de la PTC Nº 04/2014
Utilización de sensores magnéticos para re-identificación de vehículos en carretera Autores: Cirilo Gimeno, A. García Celda, J. J. Martínez Durá, M. Pla i Castells LISITT – Universidad de Valencia
Agenda Estratégica de Investigación de la Carretera en España (2011-2025)
Temáticas:
Sub-temáticas:
ITS y movilidad
Optimización del Uso de las infraestructuras de carreteras existentes
En colaboración con:
Índice
Índice������������������������������������������������������������������������������������������������������������������������ 9 1. Introducción........................................................................................................ 11 2. Estado de la técnica............................................................................................ 15 2.1. Tecnologías para la identificación de vehículos����������������������������������������� 15 2.2. Tecnologías de sensorización magnética��������������������������������������������������� 16 2.3. Conclusiones����������������������������������������������������������������������������������������������� 18 3. Desarrollo del sistema........................................................................................ 21 3.1. Diseño del sensor AMR������������������������������������������������������������������������������� 21 3.2. Algoritmia para el tratamiento de las señales������������������������������������������� 24 4. Pruebas y resultados........................................................................................... 47 4.1. Descripción de la prueba ��������������������������������������������������������������������������� 47 4.2. Ubicación de los experimentos������������������������������������������������������������������� 48 4.3. Configuración de la red de sensores���������������������������������������������������������� 49 4.4. Extracción y análisis de los datos��������������������������������������������������������������� 51 5. Conclusiones....................................................................................................... 61 6. Agradecimientos................................................................................................. 65 7. Referencias.......................................................................................................... 67 8. Índice de figuras y tablas.................................................................................... 73
9
1. Introducción
La gestión del tráfico de vehículos en zonas urbanas e interurbanas es una tarea que requiere una especialización, habitualmente soportada por los operadores de tráfico, los cuales utilizan la información que tienen a su alcance para desarrollar su trabajo. Esta información proviene de los datos recogidos por un conjunto de sistemas de sensorización y monitorización que, situados en las vías y sus proximidades que, tras ser almacenados, procesados y transformados, permiten a los operadores detectar incidentes que afecten al flujo normal del tráfico y aplicar las medidas correctoras necesarias para restablecer las condiciones normales de circulación. Esta información es, prácticamente, la única de la que disponen los operadores, con lo que la monitorización y la vigilancia se convierten en factores importantísimos para la gestión del tráfico. Una buena estrategia de gestión de tráfico basada en el uso adecuado de estos datos permite la reducción de factores de impacto negativos que afectan a las personas y al entorno, como la seguridad, el medio ambiente y la sostenibilidad [6], [18], [26] y [29]. Existen diversas tecnologías que permiten sensorizar y monitorizar una vía a través de la cuantificación de parámetros que tienen que ver con los vehículos que circulan por las mismas (contaje, ocupación, velocidad instantánea, velocidad media, etc.). Con estos datos se puede llegar a estimar el nivel de servicio de una vía. Pero cuando más precisa es la información que se obtiene, mayores son los elementos que permiten realizar la gestión, y por tanto mayores son los resultados y beneficios de ella. Habitualmente las medidas disponibles son datos agregados que permiten la aplicación de medidas generales en caso de incidencias [5], [23]. Sin embargo, recientemente se está tratando de obtener información individualizada de vehículos, lo que permite un cambio en el modelo de gestión, más específico y detallado por tramos de vehículos y zonas, y en última instancia más personalizada a cada vehículo en particular. Con el fin de llegar a obtener información con este nivel de detalle, es necesario poder identificar a los vehículos en su paso por distintos lugares de la red viaria, lo que proporciona datos adicionales, como tiempos de viaje, cálculo de rutas, y establecimiento de matrices origen destino entre otros. Las tecnologías que se usan para obtener estos datos son muy variadas, y constantemente surgen nuevas ideas, a medida que la tecnología avanza, que se aplican a sistemas de detección novedosos [24]. De hecho, los gobiernos y las administraciones apuestan de manera firme por la promoción de los Sistemas de Transporte Inteligente a través de la investigación y acciones de transferencia tecnológica [19]. 11
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
Una de estas ideas es medir la variación del campo magnético de la tierra, y las características de esta variación cuando un vehículo circula por un punto en concreto. Para aplicar esta idea, es necesario crear un entorno de trabajo (inicialmente experimental) que consta de varias partes. Por un lado, hay que construir un sensor que sea capaz de detectar los cambios del campo magnético y transmitir los datos obtenidos para su almacenamiento. Hay que diseñar un sistema para poder ubicar el sensor en las vías que hay que monitorizar, y conectarlo con los dispositivos de almacenamiento. Es preciso analizar los datos obtenidos, y estudiar la información que aportan para cada vehículo a nivel individual, y la forma en la que pueden ser usados, lo que implica, en última instancia, un tratamiento de señales y la creación de algoritmos de análisis de datos. Por último, hay que crear un software capaz de aplicar los análisis y estudiar su funcionamiento en un caso real. Y todo esto hay que hacerlo con la intención de poder diferenciar los datos de vehículos distintos, para poder establecer un mecanismo de re-identificación a través de la comparación de las señales obtenidas de los vehículos monitorizados. En este informe se presenta el trabajo realizado dentro del proyecto OASIS [20], que consistió en la creación de un sistema para la extracción de datos de variaciones del campo magnético de la tierra ocasionado por vehículos en movimiento circulando por una vía de carácter interurbano, con el fin de obtener una caracterización de los mismos de tipo identificativo (huella magnética) para ser utilizada en procedimientos de re-identificación y clasificación de vehículos. El informe abarca todo el proceso de trabajo, desde el análisis de las velocidades de los vehículos y los requisitos para la construcción del sensor, pasando por los procesos de construcción del sensor, extracción y almacenamiento de datos, estudio de la algoritmia de procesamiento y tratamiento de señales, la creación del software para la implementación de los algoritmos, y el procedimiento experimental para validar las hipótesis de trabajo, con los resultados obtenidos.
12
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
13
2. Estado de la técnica
2.1. Tecnologías para la identificación de vehículos La identificación de vehículos que circulan por una vía en diversos puntos, el conocimiento sobre su trayectoria, y en particular su origen y destino, se ha convertido en un dato de especial relevancia para los gestores de tráfico. En concreto, la información sobre las matrices origen-destino es una de las más complejas de obtener [10], y al mismo tiempo, es una de las más útiles desde el punto de vista de la gestión, puesto que permite establecer un mapa de la demanda de tráfico y predecirla en base al uso de datos históricos a través de diversos algoritmos de estimación estadística. El mejor método de sensorización para obtener estas matrices es el basado en la re-identificación de vehículos cuando pasan por distintos lugares [35]. Existen varias tecnologías que están orientadas a proporcionar esta información, y se usan dependiendo de las necesidades concretas de los operadores. Entre estas tecnologías, las que más destacan (por estar más maduras) son las basadas el uso de espiras magnéticas y cámaras de tráfico [7], [38]. El objetivo de las cámaras es obtener un reconocimiento automático de matrículas [30], [46], pero también se usan para estimar la velocidad de los vehículos [3], realizar un contaje de pasos [8], [40] y detectar incidentes de forma automática [11], [25] con cierto éxito. También se pueden citar como tecnologías más novedosas las basadas en la detección de dispositivos de tipo Bluetooth [2] asociados a los vehículos o a los pasajeros de los mismos, los sistemas basados en Comunicación Dedicadas de Corto Alcance (DSRC) [39] o RFID [27] a través de dispositivos embarcados en los vehículos, y tecnologías láser [47] que permiten obtener formas y dimensiones de vehículos que los caracterizan. Recientemente, se ha propuesto el uso de tecnologías de sensorización magnética para detectar el paso de vehículos por determinados puntos y obtener una caracterización propia del mismo, que se ha dado en llamar huella magnética, y que permite caracterizar a un vehículo con unos parámetros hasta ahora no contemplados. Esta caracterización debe aplicarse a la gestión del tráfico a través de la construcción funciones de similitud y discriminación que determinarán la similitud o disimilitud entre vehículos, y, consecuentemente, servirán para re-identificar vehículos, con un cierto grado de precisión.
15
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
2.2. Tecnologías de sensorización magnética Una de las nuevas tecnologías que han surgido recientemente para su aplicación en la re-identificación de vehículos está basada en el uso de sensores magnéticos [36]. Los dispositivos que se han construido con esta tecnología, conocidos como lazos o espiras magnéticas, son capaces contar vehículos y extraer información sobre velocidad instantánea, a nivel individual, pero siempre con un tratamiento anónimo de la información, es decir, sin tomar ningún dato del vehículo que lo pueda relacionar con ningún registro de vehículos o personas. Estos dispositivos proporcionan una precisión muy baja, puesto que su capacidad de sensorización y su nivel de sensibilidad son muy pobres, en cuanto a su aplicación a la re-identificación [42], [14]. Las espiras magnéticas funcionan detectando variaciones de la inductancia magnética del lazo cuando un vehículo pasa por encima de ella. Se ubican bajo el pavimento en los puntos las vías que se pretenden sensorizar, y se conectan a dispositivos próximos en la vía (pero fuera de ella) para poder tratar los datos obtenidos y transmitirlos al Centro de Gestión de Tráfico. De este modo, permiten la captura de información individualizada por vehículo (si nos referimos al contaje y cálculo de velocidad de vehículos), pero la forma habitual de trabajar con ellas es integrando la información que recogen, a base de agregaciones y promedios, y enviando los datos obtenidos al Centro de Gestión de Tráfico correspondiente. El motivo de esto es que el elevado número de sensores que se manejan generan demasiada información para ser transmitida y tratada de forma eficiente, además de que los datos que realmente interesan son los agregados por intervalos de tiempo. Pero además de esta información, las espiras permiten obtener un perfil de la perturbación del campo magnético de La Tierra cuando el vehículo pasa sobre ella. Se han realizado investigaciones para poder analizar la señal generada por los vehículos y aplicarla a la gestión del tráfico con otra perspectiva [41], [45]. Principalmente, se ha trabajado en obtener una clasificación de los vehículos más detallada [44], e incluso identificar vehículos a través del análisis de las características de las señales [37]. En este sentido, se han realizado algunos avances que permiten mejorar la clasificación extendiendo el número de tipos de vehículos detectados; sin embargo, como ya se mencionaba, no se han producido avances significativos en las capacidades de identificación de vehículos a través de estas características, especialmente porque las señales no tienen una característica discriminante relevante. La idea de medir las perturbaciones de campos magnéticos cuando un objeto con una cantidad significativa de material ferroso, como es el caso de los vehículos, se mueve en sus proximidades, no es novedosa. Se han aplicado dos alternativas distintas para ello. Por un lado se ha trabajado bajo la hipótesis de vehículos que emiten campos magnéticos que los sensores pueden detectar; por otro lado, se han desarrollado sensores capaces de medir variaciones de campos magnéticos ya existentes. De ellas, la segunda es la que ha 16
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
aportado resultados más prometedores, pero aún con todo, se ha demostrado que medir las variaciones de la inductancia de las espiras no proporciona unos datos (en forma de señales, llamadas huellas magnéticas) de suficiente calidad para la identificación de los vehículos [4]. Sin embargo, el descubrimiento reciente de algunos materiales con capacidad de alterar una de sus propiedades conocida como magneto-resistencia, ha llevado a considerar su uso para la construcción de dispositivos sensores que funcionen de forma similar a las espiras magnéticas, es decir, con capacidad para obtener datos en forma de señal que representa la variación de un campo magnético cuando lo altera la presencia de un objeto ferroso. Estos sensores pueden medir variaciones de alto y bajo nivel de intensidad, y aprovechando el campo magnético de la tierra, pueden medir su perturbación si un vehículo circula en sus proximidades [13], [32], [43]. El resultado es que la señal que se obtiene de estos dispositivos es mucho más detallada que la que ofrecen las espiras, y puede ser usada con más nivel de precisión en el problema que se plantea. En concreto, los sensores desarrollados con este fin se han denominado AnisotrópicoMagneto-Resistivos (AMR) [31], y se han aplicado a la construcción de dispositivos de monitorización de tráfico [9], [12]. De momento, los sensores AMR se han aplicado con éxito en los casos de contaje de vehículos y la estimación de velocidades instantáneas [21], de manera que podrían sustituir a las espiras en estos cometidos. Sin embargo, su aplicación a los problemas de re-identificación se ha iniciado con algunos resultados, pero no se ha extendido su uso debido principalmente a la dificultad que presenta el tratamiento de las señales obtenidas y de algunos factores externos, como pueden ser la velocidad de los vehículos o la dependencia de la señal en función de la posición relativa de paso del vehículo sobre el sensor (o red de sensores). En este aspecto ya se han realizado algunos estudios que muestran que es posible realizar una re-identificación parcial utilizando una matriz de sensores uniformemente distribuidos sobre un carril [28] para obtener huellas magnéticas que pueden someterse a un proceso de comparación. No obstante, el mencionado estudio no es definitivo en tanto en cuanto no se documenta la metodología llevada a cabo para comparar las señales, ni la métrica que permite obtener un valor cuantitativo que permita determinar si dos huellas magnéticas pertenecen al mismo vehículo o no, mientras que este tipo de estudios y los resultados obtenidos sí que se han realizado para el caso de espiras magnéticas [1]. Este es uno de los hechos que motiva el desarrollo del trabajo de investigación que se presenta en este informe. Uno de los últimos trabajos más prometedores [33] se desarrolla bajo un escenario controlado, en el que las velocidades de los vehículos son bajas (el experimento base se desarrolla en un entorno urbano), y donde se muestra que se pueden alcanzar porcentajes de re-identificación aceptables en tramos cortos de vías urbanas. Pero de nuevo, en este 17
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
trabajo, los métodos de tratamiento de señales y las medidas de similitud utilizadas no están claramente expuestos. Los autores de este trabajo han realizado experimentos en esta línea, de manera que han propuesto un método [15] para trabajar con las señales recibidas de los sensores, realizar el tratamiento adecuado de las mismas y obtener datos que puedan ser procesados por algoritmos de emparejamiento o matching. También se ha tratado de encontrar una buena medida de similitud [16] usando los datos obtenidos de un sensor AMR en un entorno controlado, aprovechando que este tipo de sensores ofrecen datos de variaciones de los campos magnéticos en los ejes X, Y y Z.
2.3. Conclusiones La identificación de vehículos en diferentes puntos de una red viaria es uno de los aspectos que más favorece la tarea de gestión de tráfico por el nivel de detalle y granularidad que aporta. Existen diversas tecnologías orientadas a conseguir esta tarea, de entre las que cabe destacar el tratamiento de imágenes obtenidas de cámaras de tráfico. Esta tecnología, sin embargo, presenta problemas ante determinadas condiciones de trabajo, como puede ser la falta de visibilidad o la operación en condiciones de poca luminosidad. Por este motivo, los investigadores continúan trabajando en tecnologías alternativas que puedan suplir los puntos débiles mencionados. Una de las más recientes es la utilización de sensores magnéticos, que permiten caracterizar vehículos con unos parámetros que no han sido aplicados a la gestión del tráfico todavía. En particular, los sensores Anisotrópicos-Magneto-Resistivos (AMR) permiten obtener una señal (denominada huella magnética) de un vehículo que circula por sus proximidades. La señal puede ser utilizada para caracterizar un vehículo y diferenciarlo de otros vehículos. De este modo, con el tratamiento adecuado de la señal y los algoritmos necesarios, pueden llegar a re-identificarse vehículos en diversos puntos de la red viaria, bajo ciertas condiciones. Los métodos de tratamiento de la señal y las métricas usadas para comparar señales no han sido suficientemente estudiados ni presentan unos ratios de éxito lo suficientemente importantes como para que puedan ser usados a nivel industrial del mismo modo que otras tecnologías. Los últimos trabajos que han realizado los autores de este informe, y mencionados en el estado de la técnica, presentan los fundamentos para trabajar en el desarrollo de un sensor capaz de obtener huellas magnéticas de vehículos y construir algoritmos que permitan comparar señales con medidas de similitud bien descritas y con garantía de éxito. Con todo, se deben plantear los experimentos que determinen la validez de las hipótesis que se plantean, así como la configuración y parametrización de los sensores para la obtención de un rendimiento máximo aplicado al caso de re-identificación de vehículos. 18
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
19
3. Desarrollo del sistema
3.1. Diseño del sensor AMR La construcción de un sistema que permita la re-identificación de vehículos usando las perturbaciones que generan en el campo magnético de La Tierra está basado en la utilización de un sensor que sea capaz de cuantificar esta perturbación. En el momento de realizar este trabajo, en el mercado sólo existía un dispositivo con estas capacidades: el Smart Digital Magnetometer HMR2300, de Honeywell. Este dispositivo, que integraba el sensor HMC2003 [22], permitía obtener señales compuestas (una por cada eje cartesiano X-Y-Z) de la perturbación del campo magnético, con una frecuencia de muestreo máxima de 154 hertzios. A primera vista, el dispositivo permitía realizar pruebas de laboratorio, pero no podía ser aplicado a un entorno de trabajo real para experimentos de campo. El motivo es obvio: la frecuencia de trabajo es insuficiente para obtener señales de vehículos que circulen a velocidades elevadas, como es el caso de las autopistas. Así pues, este dispositivo se utilizó para realizar diferentes pruebas en vehículos a velocidades pequeñas, y para diseñar los algoritmos de tratamiento de señales necesarios para conseguir el objetivo propuesto. Por tanto, era necesario disponer de un dispositivo con mayores capacidades, y el mercado no lo abastecía todavía, así que se encargó el desarrollo de un dispositivo sensor que cumpliese los siguientes requisitos técnicos y funcionales: • Alimentación de 9-15V mediante tecnología Power over Ethernet (PoE). • Procesador de 32 bits. • Interfaz USB, microUSB y Ethernet (100Mbits/s). • Integración de un circuito con el sensor HMC2003 • Frecuencia de muestreo de la señal recibido del circuito con el HMC2003 de 1 KHz, aproximadamente.
21
utilización de necesario un sensordisponer que seadecapaz de cuantificar esta perturbación. el Por tanto, era un dispositivo con mayores capacidades,Eny el momentono delorealizar estetodavía, trabajo, así en el mercado sólo existía un dispositivo con estas mercado abastecía que se encargó el desarrollo de un dispositivo Cuaderno Tecnológico de la PTC Nº 04/ 2014 capacidades: el Smartlos Digital Magnetometer Honeywell. sensor que cumpliese siguientes requisitosHMR2300, técnicos yde funcionales:
Alimentación de 9-15V mediante tecnología Power over Ethernet (PoE).
Procesador de 32 bits.
Interfaz USB, microUSB y Ethernet (100Mbits/s).
Integración de un circuito con el sensor HMC2003
Frecuencia de muestreo de la señal recibido del circuito con el HMC2003 de 1 KHz, aproximadamente.
El resultado fue un prototipo de dispositivo compuesto por una placa de sensorización
Figura Smart Digital Magnetometer HMR2300 de funcionamiento) Honeywell (con 1. elDispositivo sensor HMC2003 y la circuitería necesaria para su conectada a una placa base (con un procesador y un sistema de comunicaciones). Figura 1. Dispositivo Smart Digital Magnetometer HMR2300 de Honeywell
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
7
Figura 2. Dispositivo prototipo sensor magnético. Figura de 2. Dispositivo prototipo de sensor magnético.
El resultado fue un prototipo de dispositivo compuesto por una placa de sensorización (con el sensor HMC2003 y la circuitería necesaria para su funcionamiento) conectada a una placa base (con unmagnéticos procesador un sistema dede comunicaciones). Utilización de sensores paray re-identificación vehículos en carretera 8 Sobre el dispositivo se instaló un software para la extracción de la información captada por el sensor. El software utilizaba el puerto Ethernet para establecer una conexión y a partir de ese momento se recibían tramas que contenían, entre otros, el tiempo de recepción de cada dato y los valores de la intensidad del campo magnético en los ejes X, Y y Z. Tras la realización de las primeras pruebas, se constató que la frecuencia real de muestreo del dispositivo era de 974 hertzios, con lo que el número de muestras que podía recoger de vehículos de tamaño habitual en un entorno de circulación real estaba entre 400 y 22
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
1500, dependiendo de la velocidad y la longitud del vehículo. Con estos rangos, el objetivo de la precisión en cuanto a la frecuencia de muestreo estaba cubierto. Como resultado de las primeras pruebas también se obtuvieron huellas magnéticas que ofrecían datos de intensidad de campo magnético en el rango de [-2,+2] gauss. Las señales se compararon con las obtenidas por el dispositivo HMR2300, y ofrecían ciertas ventajas en cuanto al detalle de la señal, debido precisamente a su mayor frecuencia de trabajo. La calidad de las señales en cuanto a suavizado de los datos era comparable en ambos casos, apreciándose un ruido de fondo (blanco) que debía ser tratado tras la adquisición de la señal. Una vez conseguido un dispositivo con unas prestaciones adecuadas para conseguir los objetivos marcados, era necesario conseguir que su funcionamiento continuara siendo seguro una vez se instalara en la carretera, lugar donde las condiciones de funcionamiento son más extremas. El dispositivo debe situarse para estar cercano a la base del vehículo que pasa por encima de él, y a su vez debe conservarse de cualquier tipo de daño físico (como aplastamiento, oxidación, fricción, etc.) y de condiciones climáticas adversas que se pueden tener en carretera (humedad, temperaturas extremas, elevadas o muy bajas, aunque estas últimas no son un problema principalmente). La solución diseñada para poder instalar el dispositivo en carretera fue crear un contenedor que pudiese aislar el dispositivo y soportar el peso de un vehículo cuyas ruedas pasasen por encima de él. Se diseñó una caja circular de 22cm de diámetro de aluminio, material que no altera el campo magnético base, y que se entierra en el asfalto, quedando la parte superior de esta caja sobre la misma superficie para poder acceder al contenido de ella si fuese necesario. Con el fin de dotar al dispositivo de mayor protección, se embebió el circuito en una capa de resina de epoxi, un material no conductor, para aislarla y hacerla resistente al agua. La caja permitía soportar un peso de más de 138 toneladas, y la tapa de la misma estaba diseñada para evitar problemas de deslizamiento cuando una rueda de un vehículo pase sobre ella. La caja disponía de un orificio de salida con condiciones de estanqueidad para poder extraer el cable Ethernet y llevarlo enterrado en el asfalto hasta el límite exterior de la vía, donde se conectaba a un switch para el acceso a la información del sensor. Y con todo, se finalizó el trabajo de construcción del dispositivo, que quedó listo para ser instalado en la ubicación seleccionada para las pruebas sobre tráfico real, pero este aspecto se abordará más adelante.
23
no conductor, para aislarla y hacerla resistente al agua. La caja permitía soportar un no conductor, para aislarla y hacerla resistente al agua. La caja permitía soportar un peso de más de 138 y la tapa de la misma estaba diseñada paraNºevitar Cuaderno Tecnológico de la toneladas, PTC 04/ 2014 peso de más de 138 toneladas, y la tapa de la misma estaba diseñada para evitar problemas de deslizamiento cuando una rueda de un vehículo pase sobre ella. problemas de deslizamiento cuando una rueda de un vehículo pase sobre ella.
Figura 3. Dispositivo prototipoprototipo de sensor magnético encriptado con deepoxi. epoxi. Figura 3. Dispositivo de sensor magnético encriptado conresina resina de Figura 3. Dispositivo prototipo de sensor magnético encriptado con resina de epoxi.
Figura 4. Caja
Figura 4. Caja contenedora del dispositivo para instalación en carretera Figura 4. Caja delpara dispositivo para instalación en carretera contenedora delcontenedora dispositivo instalación en carretera
La caja disponía de un orificio de salida con condiciones de estanqueidad para poder La caja disponía de un orificio de salida con condiciones de estanqueidad para poder extraer el cable Ethernet y llevarlo enterrado en el asfalto hasta el límite exterior de la 3.2. Algoritmia el tratamiento de las extraer el cable para Ethernet y llevarlo enterrado en señales el asfalto hasta el límite exterior de la vía, donde se conectaba a un switch para el acceso a la información del sensor. Y con dondedigitales se conectabaprovienen a un switchdel para el accesode a la información sensor. Y Lasvía, señales dispositivo medición ladel variación delcon campo todo, se finalizó el que trabajo de construcción del dispositivo, que de quedó listo para ser todo, se finalizó el trabajo de construcción del dispositivo, que quedó listo para ser magnético son señales en bruto que deben ser procesadas para extraer la máxima instalado en la ubicación seleccionada para las pruebas sobre tráfico real, pero este información posible de ellas. En esta sección se pruebas describen los diferentes instalado en la ubicación seleccionada para las sobre tráfico real, procesos pero este a los aspecto se abordará más adelante. que se someten las señales para llegar a obtener un dato con el que poder trabajar. aspecto se abordará más adelante.
Para comprender bien el proceso, y hacerlo de forma global, resumimos a continuación para elcompleto tratamiento de las señales en3.2 unas Algoritmia líneas el conjunto de tareas que se realizan. El objetivo último es llegar 3.2 Algoritmia para el tratamiento de las señales a obtener una señal limpia que poder comparar con otras señales limpias. Por tanto, el Las señales digitales que provienen del Las señales digitales que provienen del campo magnético son señales en bruto 24 campo magnético son señales en bruto
dispositivo de medición de la variación del dispositivo de medición de la variación del que deben ser procesadas para extraer la que deben ser procesadas para extraer la
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
10
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
proceso concluirá cuando lleguemos a obtener un dato con estas características. Con todo, el proceso tiene las siguientes partes: • Extracción de la señal. La señal que se recibe del sensor es una señal continua que contiene datos tanto de presencia como de no presencia de vehículos. El primer paso será, por tanto, extraer la señal correspondiente a la presencia de un vehículo. • Procesamiento de la señal. Una vez se disponga de la señal de presencia de vehículo acotada, debe someterse a un procesamiento de normalización para garantizar que sea comparable con otras señales. Este proceso consistirá en un suavizado, una normalización en amplitud, y una normalización en muestreo. • Medidas de similitud. Para poder comparar 2 señales es necesario disponer de una métrica que aporte una medida de similitud de ambas. Se definirá, así pues, una medida de similitud que permita llevar a cabo la comparativa. La implementación de las técnicas de cálculo de similitud conllevará la resolución de algunos problemas que se abordarán en su momento. Los procedimientos que a continuación se describen han sido probados y desarrollados en la herramienta MatLab, dado que proporciona multitud de funciones de procesamiento de señales que simplifican el trabajo y reducen el tiempo de cálculo. No obstante, los procedimientos pueden ser migrados a cualquier otro entorno de programación con relativa facilidad.
3.2.1. Extracción de la Señal La señal que proporciona el sensor es una señal continua que representa la modificación del campo magnético de la tierra cuando un objeto metálico pasa próximo a él. Nuestro objetivo es detectar objetos metálicos correspondientes a vehículos cuando circulan por una autopista. Partimos de la hipótesis de que, al estar el sensor situado sobre una calzada de acceso restringido, los objetos metálicos detectados serán los correspondientes a los vehículos que circulen por la misma. El problema que debemos resolver, en esta situación, es el acotado de la señal, de tal forma que podamos quedarnos tan solo con aquella parte correspondiente a la influencia del vehículo sobre el sensor. Para ello, debemos establecer el procedimiento de trabajo y los parámetros ajustados a las señales detectadas y al sensor utilizado. Hay que tener en cuenta que el sensor va a proporcionar no una señal aislada, sino tres señales independientes. Cada una de ellas corresponde a la variación del campo magnético en cada uno de los ejes tridimensionales y ortogonales X, Y y Z. Si se realiza una extracción 25
mucha utilidad llegado el momento de comparar las señales. Por tanto, el procedimiento de extracción debe ser combinado, para garantizar la conservación de
Cuaderno Tecnológico de la PTC esta información.
Nº 04/ 2014
X Y Z
[1 - 671] 1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 5. Representación gráfica de las señales en detectadas en los ejes X, Y y Z, en bruto. Figura 5. Representación gráfica de las señales en detectadas en los ejes X, Y y Z, en bruto.
La extracción de[251 la- 377] señal va a consistir, obtener las cotas superior e [268 - 379] por tanto, en [249 - 373] X Y
1
inferior para cada una de las señales X-Y-Z que garanticen que Z contienen la 0.8
perturbación del campo magnético cuando el vehículo circula por encima del sensor. 0.6 0.4 0.2 0 -0.2
Utilización de sensores magnéticos para re-identificación de vehículos en carretera -0.4
12
-0.6 -0.8 -1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Figura 6. Representación de las cotas calculadas de las señales X, Y y Z Figura 6. Representación de las cotas calculadas de las señales X, Y y Z
También hay que destacar que las señales extraídas presentan un ruido de fondo, que 26 puede ser considerado como un ruido blanco (white noise), que dificultará el proceso de extracción. El primer paso que se deberá acometer para la extracción será la eliminación de este ruido a través de técnicas de suavizado de la señal.
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
independiente de cada una de las señales, se corre el riesgo de perder información sobre la relación temporal entre ellas, información que será de mucha utilidad llegado el momento de comparar las señales. Por tanto, el procedimiento de extracción debe ser combinado, para garantizar la conservación de esta información. La extracción de la señal va a consistir, por tanto, en obtener las cotas superior e inferior para cada una de las señales X-Y-Z que garanticen que contienen la perturbación del campo magnético cuando el vehículo circula por encima del sensor. También hay que destacar que las señales extraídas presentan un ruido de fondo, que puede ser considerado como un ruido blanco (white noise), que dificultará el proceso de extracción. El primer paso que se deberá acometer para la extracción será la eliminación de este ruido a través de técnicas de suavizado de la señal. El suavizado de la señal se ha realizado utilizando un filtro de medias móvil, que en Matlab se encuentra implementado a través de la función “smooth”. Este filtro se caracteriza porque admite como parámetro el número de elementos a promediar, debiendo ser éste un número impar. Los experimentos realizados permiten establecer un valor de suavizado máximo de 25, lo que garantiza que la diferencia entre la señal real y la suavizada es, utilizando la métrica de similitud que más tarde se detalla, inferior al 0.5%. Por otro lado, el valor mínimo de suavizado no afectará a la distorsión de la señal, y por este motivo no es sencillo encontrar una métrica que indique el nivel de suavizado alcanzado. Es por ello que se recurre a una inspección visual de la señal suavizada para determinar si el nivel de suavizado aplicado ha eliminado la forma característica del ruido de fondo. En este procedimiento se determina qué valores de suavizado superiores a 9 ya aportan esta característica. Pero para poder tomar un valor de suavizado objetivo, se ha analiza la dependencia de la similitud entre la señal original y la suavizada para diferentes niveles de suavizado. Del experimento realizado sobre varias señales, se descubre que existe un máximo relativo de la variación de la similitud entre las señales para la señal correspondiente al eje Y que varía entre los valores 13 y 17. Por tanto, puestos a tomar un valor de suavizado óptimo que se encuentre entre los valores 9 y 25, y dado que se han observado máximos relativos correspondientes a los valores 13, 15 y 17, se decide utilizar un nivel de suavizado de 15 correspondiente al promedio de los máximos relativos, es decir, se toman 15 valores para promediar la señal en cada punto y conseguir un nivel de suavizado adecuado para el tratamiento posterior de la señal. Se han considerado inicialmente dos procedimientos para la extracción. Por un lado, se ha trabajado con un procedimiento que utiliza el concepto de gradiente de la señal 27
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
FSS = 5 | 0.9997 | 0.9994 | 0.9999
FSS = 10 | 0.9991 | 0.9985 | 0.9997
FSS = 15 | 0.9989 | 0.9990 | 0.9996
1
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
-1
-1
0
0.5
1
0
FSS = 20 | 0.9980 | 0.9987 | 0.9993
0.5
1
0
FSS = 25 | 0.9953 | 0.9978 | 0.9982
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
-1
-1
0.5
1
0
FSS = 35 | 0.9861 | 0.9954 | 0.9947
0.5
1
0
FSS = 40 | 0.9804 | 0.9939 | 0.9925
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
-1
-1
0.5
1
0
0.5
0.5
1
FSS = 45 | 0.9699 | 0.9910 | 0.9885
1
0
1
FSS = 30 | 0.9926 | 0.9973 | 0.9972
1
0
0.5
1
0
0.5
1
Figura 7. Diferentes niveles de suavizado Figura 7. Diferentes niveles de suavizado
para delimitar fronteras. Por otro lado, se ha considerado un procedimiento de variación Pero para poder tomar un valor de suavizado objetivo, se ha analiza la dependencia absoluta sobre un estado de reposo con el mismo fin. Ambos presentan ventajas e de la similitudque entre la señal original y la suavizada para diferentes niveles de inconvenientes, vamos a pasar a detallar. suavizado. Del experimento realizado sobre varias señales, se descubre que existe un
Lamáximo idea delrelativo gradiente se ha utilizado con mucha frecuencia en el procesamiento de las de la variación de la similitud entre las señales para la señal imágenes para detectar formas y figuras. La idea parte del hecho de que la frontera entre correspondiente al eje yYlaque entreen los y 17. la imagen de un objeto delvaría entorno elvalores que se 13 encuentra es clara y bien definida. Con esa misma idea se aplica el concepto del gradiente a las señales del sensor. Por tanto, puestos a tomar un valor de suavizado óptimo que se encuentre entre los
Para evaluar el funcionamiento gradiente se realizaron con señales valores 9 y 25, y dado que se handel observado máximos relativos experimentos correspondientes a los artificiales (generadas de forma automática a través de la composición de armónicos y valores 13, 15 y 17, se decide utilizar un nivel de suavizado de 15 correspondiente al ruido aleatorio) y con señales reales del sensor. El algoritmo utilizado para ello consistía de gradiente los máximos relativos, decir, se 15 valoreslapara enpromedio calcular el numérico delesvector quetoman representaba señalpromediar en cada la punto, siempre encada una dimensión. señal en punto y conseguir un nivel de suavizado adecuado para el tratamiento posterior de la señal. 28
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
1.01
i1cuadrado_1.csv
1.01
i1figura_bA_1.csv
1.01
i1figura_bAm_1.csv
1.01
1
1
1
1
0.99
0.99
0.99
0.99
0.98 1.01
10
20
30
i1figura_bV_1.csv
0.98 1.01
10
20
30
i2cuadrado_1.csv
0.98 1.01
10
20
30
i2figura_bA_2.csv
0.98 1.01
1
1
1
1
0.99
0.99
0.99
0.99
0.98 1.01
10
20
30
i2figura_bR_1.csv
0.98 1.01
10
20
30
i3cuadrado_2.csv
0.98 1.01
10
20
30
i4cuadrado_1.csv
0.98 1.01
1
1
1
1
0.99
0.99
0.99
0.99
0.98
10
20
30
0.98
10
20
30
0.98
10
20
30
0.98
i1figura_bR_1.csv
10
20
30
i2figura_bAm_1.csv
10
20
30
i3bAidtV_1.csv
10
20
30
Figura 8. Variación de Suavizados Figura 8. Variación de Suavizados
El primer problema apareció al parametrizar el cálculo del gradiente numérico. Dado que han considerado inicialmente dos para la extracción. lado, esSe posible utilizar distintos valores deprocedimientos desplazamiento para el cálculo Por del un gradiente, y que delcon valor de desplazamiento es inversamente amplitud selahaelección trabajado un procedimiento que utiliza el concepto deproporcional gradiente dealalaseñal del gradiente obtenido, se hacía necesario establecer un parámetro de referencia para delimitar fronteras. Por otro lado, se ha considerado un procedimiento de laspara señales. El primer problema encontrado fue que para señales artificiales y reales el variación absoluta sobre idóneo un estado reposo mismo fin. Ambos valor del desplazamiento paradeacotar la con señalelno coincidía. Inclusopresentan para señales reales de distintos vehículos,que el mismo deala distancia no proporcionaba los mismos ventajas e inconvenientes, vamos avalor pasar detallar. resultados de acotamiento. La idea del gradiente se ha utilizado con mucha frecuencia en el procesamiento de las
Por otro lado, el suavizado de la señal afectaba directamente a los parámetros de detección formas yelfiguras. La idea del hecho de manera que la frontera deimágenes fronteraspara quedetectar proporcionaba gradiente. Se parte constató de esta que no era posible un factor desplazamiento independiente, que seesveía afectado entre tener la imagen de un de objeto y la del entorno en el que se sino encuentra clara y bien por el suavizado de la señal. No obstante, fijando el valor de suavizado, el problema podría ser definida. Con esa misma idea se aplica el concepto del gradiente a las señales del resuelto. sensor.
Pero el mayor de los problemas se detectó a raíz de la comparación de los resultados de Para evaluar funcionamiento del gradiente se señales realizaron experimentos con muy señales señales reales yel artificiales. Los resultados con las artificiales parecían buenos, dado que se(generadas acotaba perfectamente la señal, frentedea la loscomposición resultados de conarmónicos señales reales, artificiales de forma automática a través y en las que no había forma de obtener unos parámetros constantes que garantizasen que ruido aleatorio) y con señales reales del sensor. El algoritmo utilizado para ello para cualquier señal la acotación era la correcta. consistía en calcular el gradiente numérico del vector que representaba la señal en cada punto, siempre en una dimensión. 29 El primer problema apareció al parametrizar el cálculo del gradiente numérico. Dado
que es posible utilizar distintos valores de desplazamiento para el cálculo del
que no era posible tener un factor de desplazamiento independiente, sino que se veía afectado por el suavizado de la señal. No obstante, fijando el valor de suavizado, el Cuaderno Tecnológico de la PTC Nº 04/ 2014 problema podría ser resuelto.
1
Suavizado: 3 [250 - 374] [269 - 377]
[252 - 370]
1
Suavizado: 5 [251 - 375] [269 - 377]
[248 - 371]
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
1
0
0.5
Suavizado: 9 [252 - 376] [268 - 379]
1
[249 - 373]
-1
1
0
0.5
Suavizado: 11 [251 - 377] [268 - 379]
1
[249 - 373]
-1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
1
0
0.5
Suavizado: 15 [250 - 377] [267 - 377]
1
[248 - 372]
-1
1
0
0.5
Suavizado: 17 [250 - 378] [266 - 377]
1
[248 - 372]
-1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
0
0.5
1
-1
0
0.5
1
-1
Suavizado: 7 [251 - 377] [268 - 377]
0
0.5
Suavizado: 13 [250 - 377] [267 - 378]
0
1
[249 - 373]
0.5
Suavizado: 19 [250 - 378] [266 - 378]
0
[249 - 372]
0.5
1
[248 - 373]
1
Figura 9. Variaciones de acotado según el suavizado
Figura 9. Variaciones de acotado según el suavizado
El análisis posterior de los resultados mostró que los problemas aparecían, sobre todo, en el mayor losno problemas se detectó a raízrápido de la comparación de de los la resultados lasPero señales en lasde que se apreciaba un cambio en el momento detección, es decir, eran señales suaves en comienzocon de la de presencia. de señales reales muy y artificiales. Loselresultados lasdetección señales artificiales parecían muy buenos, dado que se acotaba perfectamente la señal, frente a los resultados con
Tal y como se aprecia en las gráficas de la Figura 10, una señal que comienza de forma abrupta dispone de un menor margen para su acotación (imagen de la izquierda), mientras que una señal que comienza de forma suave posee un rango mayor para situar la Utilización cota, siempre teniendo en cuenta que la cota sededetermina de sensores magnéticos para re-identificación vehículos encuando carreterael valor absoluto 16 del gradiente de la señal sobrepasa cierto umbral. El margen de error, por tanto, es más grande cuando más suave es el comienzo de la señal. En vista de esta circunstancia, y considerando que el método del gradiente se basa en la diferenciación clara entre fronteras de señales, se tomó la decisión de descartar este 30
en las señales en las que no se apreciaba un cambio rápido en el momento de la detección, es decir, eran señales muy suaves en el comienzo de la detección de Utilización de sensores magnéticos para re-identificación de vehículos en carretera presencia.
[177 - 295]
[189 - 299]
[173 - 281]
[102 - 335]
1
1
0.8
0.8
0.6
0.6
0.4
0.4
0.2
0.2
0
0
-0.2
-0.2
-0.4
-0.4
-0.6
-0.6
-0.8
-0.8
-1
-1
0
0.2
0.4
0.6
0.8
1
0
0.2
[126 - 325]
0.4
[132 - 382]
0.6
0.8
1
Figura 10. Señal abrupta vs Señal suave Figura 10. Señal abrupta vs Señal suave
método de acotación porque las señales reales no se ajustan a los requisitos que el método define. Tal y como se aprecia en las gráficas, una señal que comienza de forma abrupta dispone de un menor margen para su acotación (imagen de la izquierda), mientras que
El método alternativo consistió en la detección de variaciones absolutas de la señal sobre señal que comienza de forma suave posee de un reposo rango mayor para situar la cota, ununa valor de referencia correspondiente al estado del sensor. Una característica delsiempre sensorteniendo que se ha diseñado ofrece siempre mismo nivel en cuenta queeslaque, cota en se reposo, determina cuando el valorelabsoluto del de señal, que se puede considerar como un valor de reposo o un valor de offset para los gradiente de la señal sobrepasa cierto umbral. El margen de error, por tanto, es más cálculos de ajustes. En este contexto, se puede considerar que la señal de detección de grande cuando máscuando suave es comienzo de la señal. presencia comienza suelvalor sobrepasa, en valor absoluto, un determinado valor umbral. Como se puede apreciar, esta técnica evita los problemas de suavidad de la señal En vista decon estaelcircunstancia, y considerando queque el método del gradiente se basa en detectados método del gradiente, puesto se trabaja con valores absolutos y nolarelativos. diferenciación clara entre fronteras de señales, se tomó la decisión de descartar este método de acotación porque las señales reales no se ajustan a los requisitos que Este método, sin embargo, se compone de dos partes bien diferenciadas. Por un lado, se el método define. debe detectar el comienzo de la señal, y por otro, su final. Las dos partes no se pueden abordar del mismo modo, puesto el inicio de la señal se obtiene estimando una variación sobre un estado de reposo, y el final obtiene de estimando la vuelta de lade señal al estado El método alternativo consistió en lase detección variaciones absolutas la señal desobre reposo. un valor de referencia correspondiente al estado de reposo del sensor. Una característica que se ha es que,debe en reposo, ofrece el de Los problemas del mássensor importantes quediseñado este método resolver estánsiempre derivados losmismo falsosnivel positivos. Por ejemplo, fluctuación la señal por motivos de señal, que se puedeuna considerar comoesporádica un valor de de reposo o un valor de desconocidos puede hacer que se detecte un pico y que se marque como inicio de la señal. O por el contrario, una estabilización de la señal en torno al valor de reposo puede confundirse con el finalmagnéticos de la misma. Utilización de sensores para re-identificación de vehículos en carretera 17 31
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
Para abordar este problema se diseñó un algoritmo que diferenciaba el comienzo y el final de la señal, y aplicaba condiciones de garantía en ambos casos, tal y como se ilustra a continuación. El algoritmo toma como base de trabajo el nivel de la señal del sensor en reposo. A partir de ahí, considera que una variación X en valor absoluto mantenida durante un numero de muestras Y de al menos un porcentaje P marcan el comienzo de la señal. De esta forma, la parametrización de los valores X, Y y P deben llevar a evitar los falsos positivos, el ruido remanente que la suavización no haya podido eliminar y pequeñas oscilaciones en el comienzo de la señal. Para detectar el final de la señal, el algoritmo toma como el final de la señal aquel punto en el que un conjunto de valores Y’, posteriores y secuenciales, en al menos un porcentaje P’, tienen un valor de la señal inferior a una variación X’ en valor absoluto sobre el valor de reposo de la señal. De nuevo, la parametrización permite evitar falsos positivos derivados de estabilizaciones de la señal en torno al cero o pequeñas oscilaciones al final de la señal. Este algoritmo permite detectar el comienzo y el final de la señal, para cada una de las 3 señales que ofrece el sensor magnético. Como se ha advertido, la detección independiente de cada señal no tiene sentido, y debe ser combinada en un proceso único. Por este motivo, el algoritmo final diseñado contempla el proceso de acotación de manera combinada para las tres señales, y devuelve un valor único para las tres de cota inicial y cota final. Para ello, se han barajado 3 posibilidades: • utilizar el máximo de las cotas iniciales y el mínimo de las cotas finales • obtener un valor promedio de las 3 cotas iniciales y las 3 finales • utilizar el mínimo de las cotas finales y el máximo de las cotas iniciales Entendemos que cualquier otro cálculo tiende a complicar la resolución del problema, y no se van a conseguir mayores beneficios que la ganancia en velocidad de respuesta del algoritmo que supone un método de resolución sencillo. Las 3 opciones están ordenadas de más restrictivas a menos, es decir, la primera opción se queda con un número menor de muestras que la segunda, y lo mismo sucede entre la segunda y la tercera. Seleccionar la primera como mejor opción tendría sentido en el caso en que la detección de la señal se realizase de forma muy anticipada, es decir, que se detectase el principio de la señal antes del comienzo real y el final con posterioridad al final real. La tercera opción tendría sentido, sin embargo, si existiese riesgo de detecciones tardías de comienzo o prematuras de final, entendiendo que alguna de las tres señales 32
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
[251 - 377]
[268 - 379]
X Y Z
1
[249 - 37
0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
0.6
Figura 11. Desfase de señales Figura 11. Desfase de señales
aportaría un grado de corrección para evitar el problema. La segunda opción tendría sentido paraelelalgoritmo caso combinado de las la opciones uno y tres. de señales parametrizada Por tanto, final contempla acotación individual según los experimentos de calibración, y la integración de la acotación de las señales
La experimentación llevada a cabo, y el diseño del algoritmo, hacen que la opción óptima en un global que que no sePor van un a perder datos en este proceso. permite deba serproceso la tercera, y así lo garantiza vamos a justificar. lado, el diseño del algoritmo que se pueda parametrizar lo suficiente como para no tener detecciones anticipadas del Pero la acotación de final la señal noses garantiza haber extraído datos de lapara presencia comienzo y tardías del de lasólo señal, decir, que podemos configurarlo garantizar que partir de cierto la señal comenzado con un error cercano al 0. Loun mismo dela vehículo, y nadapunto más, es decir,ha que no se tieneyagarantías de que la señal que podemos hacer para el final, puesto que podemos asegurarnos de que la señal vaya a vehículo genera en un sensor es comparable con la que el mismo vehículo, en otras finalizar en breve con un error muy pequeño. circunstancias (por ejemplo de velocidad), genera en otro sensor de idénticas
Pero además, los experimentos muestran que en algunas ocasiones se producen características. Para garantizar la comparabilidad se han diseñado algoritmosdesfases de de inicio y final en los tres ejes. Este hecho obliga a tomar los extremos detectados más procesamiento de la señal, que se abordan en el siguiente punto. lejanos para garantizar que los desfases no producen cortes de la señal en el proceso de acotación. En la Figura 11 se puede apreciar un desfase entre el comienzo de la señal Y y el 3.2.2 Procesamiento de la Señal resto de las señales. Una vez acotada la señal, es necesario realizar una normalización de la misma para poder trabajar con ella con posterioridad. Dado que el objetivo principal es poder comparar señales de un mismo vehículo en distintos contextos (tomadas por33 diferentes sensores, en diferentes lugares y momentos, y con diferentes velocidades), debemos tratar de conseguir señales que permitan esta operación de forma sencilla.
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
Por tanto, el algoritmo final contempla la acotación individual de señales parametrizada según los experimentos de calibración, y la integración de la acotación de las señales en un proceso global que garantiza que no se van a perder datos en este proceso. Pero la acotación de la señal sólo nos garantiza haber extraído datos de la presencia del vehículo, y nada más, es decir, que no se tiene garantías de que la señal que un vehículo genera en un sensor es comparable con la que el mismo vehículo, en otras circunstancias (por ejemplo de velocidad), genera en otro sensor de idénticas características. Para garantizar la comparabilidad se han diseñado algoritmos de procesamiento de la señal, que se abordan en el siguiente punto.
3.2.2. Procesamiento de la Señal Una vez acotada la señal, es necesario realizar una normalización de la misma para poder trabajar con ella con posterioridad. Dado que el objetivo principal es poder comparar señales de un mismo vehículo en distintos contextos (tomadas por diferentes sensores, en diferentes lugares y momentos, y con diferentes velocidades), debemos tratar de conseguir señales que permitan esta operación de forma sencilla. El problema básico es que un mismo vehículo genera distintas señales, que deben ser idénticas bajo alguna transformación. Debemos encontrar las transformaciones adecuadas que nos lleven a determinados invariantes de la señal. Inicialmente se han descartado transformaciones en el espacio de las frecuencias debido a que no existe periodicidad en la señal, es decir, se trata de una señal aleatoria y aislada percibida por un sensor. Por este motivo, se ha restringido la investigación de las transformaciones al espacio temporal, donde se espera conseguir buenos resultados. Analicemos, en primer lugar, la problemática básica planteada. Los sensores disponen de una frecuencia de muestreo que hace que la señal de un vehículo a distintas velocidades sea distinta en el espacio muestral. Es obvio que a más velocidad, menos muestras se obtendrán del vehículo. Por tanto, el primer problema a resolver es la normalización de las muestras. Por otro lado, las características de instalación de cada sensor harán que la intensidad de la señal percibida también sea variable. Por consiguiente, las señales deben ser normalizadas en amplitud para garantizar la comparabilidad. Con todo, partimos de la base de que la señal está acotada y convenientemente suavizada, con lo que debemos definir un algoritmo de re-muestreo y un algoritmo de normalización en amplitud. 34
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
Tabla 1. Tabla de estimación de número de muestras en función de la velocidad y longitud del vehículo
Para el primero, usamos un filtro polifase que nos permite cambiar el muestreo en base a una fracción del ratio de muestreo original. Por ejemplo, si nuestra señal tiene q muestras y queremos obtener una señal con p muestras, aplicaremos el filtro de re-muestreado con un factor p/q, siendo p y q positivos y enteros. Debemos además evitar el efecto de aliasing. A priori, si utilizamos una frecuencia de remuestreo superior a la original, evitamos el problema. Teniendo en cuenta que nuestro sensor posee una frecuencia de muestreo de 1 KHz, podemos calcular el número esperado de muestras de un vehículo con una longitud determinada pasando por encima del sensor con una velocidad. Podemos igualmente representar este cálculo en una tabla de doble entrada, donde para un vehículo de una longitud l y circulando a una velocidad v, el sensor capturará un número de muestras n durante la influencia del vehículo sobre el sensor. Esta información queda representada en la tabla 1. En esta tabla identificamos la celda correspondiente a la velocidad mínima y el vehículo de mayor longitud que podemos esperar en condiciones normales de circulación, lo que nos proporcionará el valor máximo de muestras esperado. En estas condiciones normales de circulación, la dimensión máxima esperada (Orden PRE/3298/2004, de 13 de octubre, por la que se modifica el Anexo IX “Masas y Dimensiones”, del Reglamento General de Vehículos, aprobado por Real Decreto 2822/1998, de 23 de diciembre) es de 18,75 metros, 35
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
y la velocidad mínima permitida en una autopista es de 60 km/h. El valor de la celda correspondiente es 1140. Por tanto, no debemos esperar obtener señales limpias de más de 1140 muestras. Así pues, debemos evitar ratios de re-muestreo inferiores a este valor. Podemos tomar una cota superior razonable, por ejemplo 1200, para el re-muestreo. No obstante, y con el fin de evitar situaciones de aliasing debido a condiciones de circulación no normales, aplicaremos el criterio de Nyquist para un re-muestreado con disminución del número de muestras. La teoría indica que se debe aplicar un filtro pasa baja para evitar este efecto, considerando una frecuencia límite adecuada a la señal. Con todo, encontramos que en Matlab la función resample nos permite aunar todas estas acciones a través de una única llamada a un procedimiento. Tomaremos como parámetros la señal original y su tamaño (número de muestras), y como tamaño objetivo el valor 1200 que hemos justificado. En segundo lugar, debemos normalizar la señal en amplitud. Para ello, tomaremos el valor máximo de la señal y lo equipararemos a un valor de 1. El factor de escalado obtenido será aplicado a toda la señal. La única cuestión problemática es determinar si el escalado se aplica a cada señal de forma independiente o se toma el valor máximo de las tres señales X-Y-Z y se usa en todas ellas. El elemento que debe influir en la decisión es si la medida de similitud se ve afectada por el hecho de tomar una alternativa y otra. Podemos adelantar que la medida de similitud que se propone más adelante no es dependiente de la amplitud de las señales. Aun así, se planteó un experimento consistente en calcular la similitud de 2 señales con una normalización en amplitud relativa y absoluta (relativa hace referencia a la señal de cada eje de forma independiente, y absoluta hace referencia a un único valor de normalización para las señales de los 3 ejes). Se observó que para todas las señales consideradas en el experimento la similitud era la misma para todos los casos. Por ello, se tomó la decisión de usar una normalización relativa, de forma que las señales de todos los ejes tendrían un máximo absoluto con valor 1, lo cual permite visualizar mejor las señales en las representaciones gráficas y calcular los extremos de las señales en condiciones equivalentes, algo que será fundamental para realizar el matching de distintas señales, como veremos más adelante.
3.2.3. Medidas de similitud Las señales limpias y normalizadas obtenidas de los sensores se van a utilizar para 2 fines principales. Por una parte, se pretende detectar un vehículo en 2 puntos diferentes de la autopista. Por otra parte, se pretende clasificar un vehículo según su señal característica. En ambos casos, es necesario diseñar e implementar un algoritmo que permita realizar un matching de las 2 señales. 36
próximos, de la señal. Son 2 los efectos que se pueden encontrar: señales idénticas en muestras pero desplazadas a izquierda o derecha una respecto a otra, y señales Utilización de sensores magnéticos para re-identificación de vehículos en carretera que, además de desplazadas, tienen distinta cantidad de muestras efectivas.
Señal desplazada
Señal escalada y desplazada
Figura 12. Figura Ejemplo de una señal con desplazamiento y con escalado y desplazamiento 12. Ejemplo de una señal con desplazamiento y con escalado y desplazamiento otro la correlación las señales exige se realice forma LaPor forma máslado, habitual de comparardeseñales es a través de laque convolución o dede la correlación. Estos procedimientos, de manera resumida, se basan en la comparación muestra a muestra independiente una a una, es decir, que la relación temporal existente entre las señales dede lascada 2 señales comparar, que existe un puntoen óptimo de alineación eje seaperderá al nosuponiendo poder realizarse la comparación un punto equivalentede las señales que permitirá obtener el valor máximo de similitud. del tiempo. El resultado de esto es que podemos encontrar similitudes superiores a las
reales, puesto que siempre se tratará el punto máximo de similitud para que Analizando esta técnica aplicada al casode deencontrar nuestras señales, observamos inicialmente el cada método señalindependiente, no es exacto.sin Como podemos una de de extracción las señales de de la forma tenerconsecuencia en cuenta quedirecta, ese máximo encontrar señales que, a pesar de haber sido normalizadas en muestreo, no tienen en puede estar desplazado algunosEsto ejes.se debe a que la determinación de las cotas se realidad el mismo tamañopara efectivo. produce en puntos distintos, aunque muy próximos, de la señal. Son 2 los efectos que se Con todo, es necesario unaenalgoritmo cálculo de alaizquierda similitudoque pueden encontrar: señales definir idénticas muestraspara peroeldesplazadas derecha una respecto otra, y señales que, además de desplazadas, tienen cantidad resuelva los a problemas de escalado y desplazamiento, y contemple lasdistinta 3 señales X-Y- de muestras efectivas. Utilización de la sensores magnéticos re-identificación carretera 24 una Por otro lado, correlación de laspara señales exige que de se vehículos realice deenforma independiente a una, es decir, que la relación temporal existente entre las señales de cada eje se perderá
37
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
al no poder realizarse la comparación en un punto equivalente del tiempo. El resultado de esto es que podemos encontrar similitudes superiores a las reales, puesto que siempre se tratará de encontrar el punto máximo de similitud para cada una de las señales de forma independiente, sin tener en cuenta que ese máximo puede estar desplazado para algunos ejes. Z de forma común. Si consideramos una señal como un vector de 1200 coordenadas
Con todo,(dimensiones), es necesario definirconsiderar una algoritmo paraseñales el cálculo de la similitud podemos que comparar es equivalente a compararque resuelva los problemas de escalado y desplazamiento, y contemple las 3 señales X-Y-Z de forma vectores. común. Si consideramos una señal como un vector de 1200 coordenadas (dimensiones), comparación de vectores está señales ampliamente tratada en el álgebra lineal, en vectores. la teoría podemos La considerar que comparar es equivalente a comparar de espacios vectoriales. Una de las medidas que permiten comparar 2 vectores es la
La comparación vectores ampliamente tratada álgebramétodos lineal, en fórmula de o similitud del está coseno, que ya se ha aplicadoenenel algunos de la teoría de espacios vectoriales. Una de las medidas queestá permiten 2 vectores es la fórmula o comparación de señales [34]. Esta métrica basada comparar en la percepción de que dos similitud del coseno, que yamás se ha aplicado algunos métodos de comparación vectores se parecen cuanto menor en es el ángulo que subtienden, en un espacio de señales [34]. Esta vectorial métricadeestá basada en la percepción de que dos vectores se parecen más cuanto cualquier dimensión. menor es el ángulo que subtienden, en un espacio vectorial de cualquier dimensión. Medir el ángulo que forman dos vectores con representación cartesiana es una
Medir el ángulo que formancompleja dos vectores con representación una operación operación matemática para un ordenador. Sin embargo, cartesiana si en lugar dees medir matemática compleja para un ordenador. Sin embargo, si en lugar de medir el ángulo el ángulo tratamos de evaluar el coseno del ángulo, obtenemos claros beneficios. Por tratamos de evaluar el coseno del ángulo, obtenemos claros beneficios. Por un lado, la un lado, la operación matemática se simplifica. Por otro, el valor del coseno está operación matemática se simplifica. Por otro, el valor del coseno está acotado entre +1 y acotado entre +1 y -1, es decir, normalizado. Además, la medida del coseno es -1, es decir, normalizado. Además, la medida del coseno es asimilable a la distancia angular asimilable a la distancia angular de dos vectores, de forma que cuando el valor del de dos vectores, de forma que cuando el valor del coseno es 1 la distancia angular es 0, y la distancia es 0, y cuando el valor delmáxima, coseno es es -1 la distancia cuando elcoseno valor es del1 coseno esangular -1 la distancia angular es la decir, 180º. angular es la máxima, es decir, 180º.
Figura 13. Fórmula de cálculo de similitud basada en el coseno Figura 13. Fórmula de cálculo de similitud basada en el coseno
Si partimos de la hipótesis queexiste existe una alineación de las de señales, el cálculo de Si partimos de la hipótesis dedeque una alineación las señales, el lacálculo de la similitud de 2 señales se resuelvecon con una matemática muy simple. Pero la similitud de 2 señales se resuelve unaoperación operación matemática muy simple. Pero la cuestión que disponemos 3 señales, una una por eje eje X-Y-Z. Debemos buscar buscar una cuestión es que es disponemos de de 3 señales, porcada cada X-Y-Z. Debemos medida combinada de similitud que nos permita valorar lalaseñal manera global. una medida combinada de similitud que nos permita valorar señal XYZ XYZ de de manera global.
Para ello tomaremos 2 medidas globales de similitud para la señal. La primera será la Para ello tomaremos 2 medidas para globales de similitud señal. primera la media aritmética de las similitudes cada uno depara los laejes, loLa que nos será proporcionará un valor global dearitmética similitud las 2 señales. media geométrica de las media de entre las similitudes para cada La unosegunda de los ejes,será lo quelanos proporcionará similitudesunpara de losentre ejes, nosLaaportará unalamedida de dispersión entre valor cada global uno de similitud laslo2 que señales. segunda será media geométrica las similitudes las señales de lasde similitudes para de cadacada uno eje. de los ejes, lo que nos aportará una medida de dispersión entre las similitudes de las señales de cada eje.
38
Figura 14. Ecuaciones de las medidas de similitud de las señales
Utilización de sensores magnéticos para re-identificación de vehículos en carretera De esta forma, disponemos de un elemento para valorar la similitud intracluster a través de la medida de la similitud. Cuanto mayor sea este valor, más probabilidad tendrán las señales de ser idénticas. También disponemos de un elemento para medir la diferencia intercluster a través de la medida de la dispersión. Cuanto menor sea este valor, más diferencias absolutas existirán entre las similitudes de las señales de cada eje. 14. Ecuaciones de las medidas de similitud de las señales Figura
Figura 14. Ecuaciones de las medidas de similitud de las señales
De esta forma, disponemos de un Simx = 0.582434 Simy = -0.670406 través de la medida de la similitud. Simz = 0.745232 Disp = -0.290989 tendrán las señales de ser idénticas. Sim = 0.219086
1 0.5
elemento para valorar la similitud intracluster a Cuanto mayor sea este valor, más probabilidad También disponemos de un elemento para medir
la diferencia intercluster a través de la medida de la dispersión. Cuanto menor sea este valor, más diferencias absolutas existirán entre las similitudes de las señales de cada
0
eje.
-0.5 -1 -1.5
S1x S1y S1z S2x S2y S2z
Simx = 0.582434 Simy = -0.670406 Simz = 0.745232 Disp = -0.290989 Sim = 0.219086
1 0.5
0
0.1
0.2
0.3
0.4
0.5
0.6
[251 - 377]
[268 - 379]
0.7
0.8
0.9
0
S1x S1y S1z S2x 1 S2y S2z
-0.5 -1
1
[249 - 373]
[177 - 295]
1 -1.5
0
0.1
0.2
0.3
0.5
0.4
0.5
0.6
0.7
0.8
0.9
0.5
0
0.5
-0.5
[268 - 379]
[249 - 373]
-1 0.3
-0.5 0.4
0.5
0.6
-1
0.7
1
[177 - 295]
1
1
0.5
0.5
0
0
[189 - 299]
[173 - 281]
0
-0.5 0
[173 - 281]
0.5 [251 - 377]
1
0
[189 - 299]
1
-0.5
0-0.5
-1
1-0.5
0.5
0
0.5
1
Figura 15. Ejemplo 1 de extracción de 2 señales y cálculo de similitud de ambas -1 0.3
0.4
0.5
0.6
0.7
-1
0
0.5
1
-1
0
0.5
1
Figura 15. Ejemplo 1 de extracción de 2 señales y cálculo de similitud de ambas
De esta forma, disponemos de 1un elemento paray cálculo valorar la similitud Figura 15. Ejemplo de extracción de 2 señales de similitud de ambas intracluster a través deEn la medida de anterior la similitud. Cuanto mayor sea este de valor, más probabilidad tendrán la gráfica presentamos los resultados extracción de 2 señales de las señales de ser idénticas. También disponemos de de unextracción elemento para medir En la gráfica anterior presentamos los resultados de 2 señales de la diferencia vehículos diferentes y su comparación a través de la medida de similitud propuesta. intercluster vehículos a travésdiferentes de la ymedida de la adispersión. Cuanto menorpropuesta. sea este valor, más su comparación través de la medida de similitud diferencias absolutas existirán entre las similitudes de las señales de cada eje. Utilización de sensores magnéticos para re-identificación de de vehículos en carretera Utilización de sensores magnéticos para re-identificación vehículos en carretera 26
26
En la gráfica de la Figura 15 presentamos los resultados de extracción de 2 señales de vehículos diferentes y su comparación a través de la medida de similitud propuesta. Parece evidente que las señales presentan formas de onda no coincidentes, y por tanto 39
de esperar, tal y como sucede, que la similitud entre las señales sea alta, como así sucede. La dispersión también tiene un valor alto, lo que indica que el parecido entre Cuaderno Tecnológico la PTC Nº 04/ 2014 las señales es muydeimportante. Simx = 0.945948 Simy = 0.970035 Simz = 0.967830 Disp = 0.888083 Sim = 0.961271
1 0.5
S1x S1y S1z S2x S2y S2z
0 -0.5 -1 -1.5
0
0.1
0.2
0.3
0.4
0.5
0.6
[271 - 351]
[284 - 359]
0.7
0.8
0.9
[268 - 348]
[485 - 654]
1
1
1
0.5
0.5
0.5
0
0
0
-0.5
-0.5
-0.5
-1
0
0.5
1
-1
0
0.5
1
-1
0
1
[512 - 692]
0.5
[476 - 651]
1
Figura 16. Ejemplo 2 de extracción de 2 señales y cálculo de similitud de ambas Figura 16. Ejemplo 2 de extracción de 2 señales y cálculo de similitud de ambas
los valores de similitud deben estar alejados de 1, como así sucede. Sin embargo, en la Entendemos que estas16) doshemos medidas pueden la con información suficiente para gráfica posterior (Figura tomado otroaportar ejemplo 2 señales correspondientes a diferentes un mismo vehículo. Seen puede apreciar anteriores. en este caso comparar 2mediciones señales, talde y como hemos mostrado los ejemplos La una coincidencia en la de abordar onda de en las señales en todos los ejes. Eses de determinar esperar, tallos y como cuestión que seforma deberá los próximos experimentos sucede, que la similitud entre las señales sea alta, como así sucede. La dispersión también valores umbrales deque similitud dispersión para los quelas seseñales considera que dos señales tiene un valor alto, lo indicay que el parecido entre es muy importante. son idénticas, o para considerar que dos señales pertenecen al mismo grupo
Entendemos estas dos medidas pueden aportar la información suficiente para (categoría deque vehículo). comparar 2 señales, tal y como hemos mostrado en los ejemplos anteriores. La cuestión que se deberá abordar en los próximos experimentos es determinar los valores umbrales de similitud y dispersión para los que se considera que dos señales son idénticas, o para considerar que dos señales pertenecen al mismo grupo (categoría de vehículo). Utilización de sensores magnéticos para re-identificación de vehículos en carretera
27
Ahora bien, hemos partido de la hipótesis de que las señales estaban alineadas. Sin embargo, hemos visto que en distintas condiciones de medida las señales no sólo no 40
Z se procede a determinar los puntos que servirán para la alineación. El objetivo para la alineación es disponer de 2 pares de puntos, de manera que tras Utilización de sensores magnéticos para re-identificación de vehículos en carretera una transformación de una de las señales, los pares de puntos sean coincidentes.
M1 Z1
Z2
M2
Figura 17. Esquema de alineación de puntos Utilización de sensores magnéticos para re-identificación de vehículos en carretera
28
están alineadas, sino que presentan distintos niveles de escala. Este problema lo debemos resolver para garantizar la comparabilidad, y es lo que haremos en la siguiente sección.
3.2.4. Alineación de señales En el ejemplo anterior hemos visto que, a pesar de disponer de 2 señales correspondientes a un mismo vehículo, que deberían ser idénticas, no hemos conseguido unos valores de similitud muy próximos a 1. El motivo es que la acotación de las señales, como ya habíamos adelantado, no es perfecta, y depende de las condiciones de medida. El problema se identifica a través del hecho de que las señales no se encuentran alineadas. Por tanto, la solución a este problema debe pasar por encontrar un algoritmo que permita alinear las señales. Lo más sencillo, en este caso, es utilizar una técnica de alineado de picos y de re-muestreado de la señal (la misma que aplicamos en el proceso de extracción de la señal). Para alinear los picos usamos un algoritmo que, sobre una señal suavizada, obtiene los máximos locales. El algoritmo se aplica tanto sobre la señal como su invertida, para localizar máximos y mínimos. Una vez encontrados los picos de las señales X-Y-Z se procede a determinar los puntos que servirán para la alineación. El objetivo para la alineación es disponer de 2 pares de puntos, de manera que tras una transformación de una de las señales, los pares de puntos sean coincidentes. 41
Figura 17. Esquema de alineación de puntos Figura 17. Esquema de alineación de puntos
Cuaderno Tecnológico la PTCla idea es encontrar los pares [M1,M2] y [Z1,Z2] de manera Nº 04/ 2014 Como se ve en el de gráfico, Comotras se la ve transformación en el gráfico, lade idea es encontrar los2pares [M1,M2] y [Z1,Z2] manera que, cualquiera de las señales, se cumpla quedeM1=Z1 y
que, se tras de cualquiera de las 2pares señales, se cumpla que Como velaentransformación el gráfico, idea es encontrar loslos [M1,M2] y [Z1,Z2] deM1=Z1 manera que M2=Z2. Para ello, la teniendo identificados 4 puntos, debemos resolver ely que, tras la transformación de cualquiera de las 2 señales, cumpladebemos que M1=Z1 y que M2=Z2. que M2=Z2. Paradeello, teniendodonde identificados los 4sede puntos, resolver el siguiente sistema ecuaciones, K es el número muestras de las señales. Para ello, teniendo identificados los 4 puntos, debemos resolver el siguiente sistema de siguiente sistema de ecuaciones, donde K es el número de muestras de las señales. ecuaciones, donde K es el número de muestras de las señales.
Figura 18. Ecuaciones de relación entre puntos de alineación
Figura 18. EcuacionesFigura de relación entre puntos de alineación 18. Ecuaciones de relación entre puntos de alineación Los valores de x1 y x2 nos proporcionarán, al resolver las ecuaciones, los
Los valores de x1de y x2x1nosy proporcionarán, al resolverallasresolver ecuaciones, los desplazamientos a Los valores x2 ynos proporcionarán, los desplazamientos a izquierda derecha a los que debe someterselasunaecuaciones, de las señales izquierda y derecha a los que debe someterse una de las señales para coincidir exactamente desplazamientos a izquierda y derecha alas losposiciones que debe [M1,M2] someterse una de las señales para coincidir exactamente la otrayen y [Z1,Z2]. con la otra en las posicionescon [M1,M2] [Z1,Z2]. para coincidir exactamente con la otra en las posiciones [M1,M2] y [Z1,Z2].
Figura 19. Ecuaciones de resolución de escalado para la alineación de señales
Figura 19. Ecuaciones de resolución de escalado para la alineación de señales Figura 19. Ecuaciones de resolución de escalado para la alineación de señales
Siguiendo las señales usadas en los ejemplos anteriores, vamos a ilustrar cómo se aplica Siguiendo las señales usadas en los ejemplos anteriores, vamos a ilustrar cómo se el ajuste de picos para obtener señales alineadas que permitan una comparación precisa Siguiendo señales picos usadaspara en los ejemplos anteriores, vamosque a ilustrar cómouna se el las ajuste obtener señales alineadas permitan deaplica las señales. En lade Figura 20 se muestra el proceso completo de alineación y cálculo de aplica el ajuste de de picos para obtener que permitan una similitud. comparación precisa las señales. En la señales siguiente alineadas figura se muestra el proceso comparación precisa de las señales. En la siguiente figura se muestra el proceso completo de alineación y cálculo de similitud. En las dos gráficas inferiores se representan las dos señales correspondientes al mismo completo de alineación y cálculo de similitud.
vehículo y tomadas en condiciones diferentes. Puede apreciarse que la acotación de la señal es diferente para cada señal, y de hecho, si se comparan como señales limpias extraídas del sensor, obtenemos la gráfica superior izquierda. En ella observamos que la similitud es de 0.961271 y la dispersión de 0.888083. Estos valores son pequeños para tratarse de una señal correspondiente a un mismo vehículo, especialmente si observamos que la forma de las señales en los 3 ejes es muy parecida.
La alineación de las señales debería proporcionar valores mayores de similitud y dispersión. Para ello, calculamos los picos de todas las señales. Estos picos los hemos representado en la imagen de la gráfica a través de círculos y estrellas, y hemos añadido una leyenda para indicar los máximos y mínimos encontrados para cada señal en cada eje. En este momento aplicamos el algoritmo de alineación de picos. Este algoritmo es muy básico, y se basa en las siguientes condiciones para la selección de los 2 picos de referencia:
42 Utilización de sensores magnéticos para re-identificación de vehículos en carretera
29
Utilización de sensores magnéticos para re-identificación de vehículos en carretera 2
Simx = Simy = 1.5 Simz = SimT = SimL = 1
0.945948 0.970035 0.967830 0.888083 0.961271
2
* = 2(1+1) | o = 3(1+2) * = 2(1+1) | o = 2(1+1) * = 2(1+1) | o = 4(2+2)
Simx = Simy = 1.5 Simz = SimT = SimL = 1
S1x S1y S1z S2x S2y S2z
0.5
S1x S1y S1z S2x S2y S2z
0.5
0
0
-0.5
-0.5
-1
-1 M1 = 340 | M2 = 310 | Z1 = 686 | Z2 = 654
-1.5 0
0.2
[271 - 351]
1
0.4
0.6
[284 - 359]
MM1 = 340 | MM2 = 339 | ZZ1 = 686 | ZZ2 = 686 | di = -28 | dd = 33 0.8
1
[268 - 348]
-1.5
0.5
0
0
-0.5
-0.5
0
0.2
0.4
0.6
0.8
0
1
-1
0.2
[485 - 654]
1
0.5
-1
0.993001 0.996287 0.997132 0.986477 0.995474
0
0.4
0.6
[512 - 692]
0.2
0.4
0.8
1
[476 - 651]
0.6
0.8
1
Figura 20. Alineado de la señal y cálculo de la similitud
Figura 20. Alineado de la señal y cálculo de la similitud
dos deben gráficas inferiores en se las representan señales correspondientes • En Loslas picos pertenecer 2 señaleslas al dos mismo eje, es decir, [M1,M2] al deben pertenecer a la señal del mismo eje que [Z1,Z2]. mismo vehículo y tomadas en condiciones diferentes. Puede apreciarse que la acotación de la señal es diferente para cada señal, y de hecho, si se comparan como
• La tipología del pico M1 debe ser igual a la del pico Z1, es decir, ambos deben ser señales limpias extraídas del sensor, obtenemos la gráfica superior izquierda. En ella máximos o mínimos. observamos que la similitud es de 0.961271 y la dispersión de 0.888083. Estos valores
• son La tipología del pico M2 debe ser igual a la del pico Z2, es decir, ambos deben ser pequeños para tratarse de una señal correspondiente a un mismo vehículo, máximos o mínimos. especialmente si observamos que la forma de las señales en los 3 ejes es muy
• parecida. La selección del eje que aporte los puntos [M1,M2] y [Z1,Z2] será aquel que tenga una mayor distancia entre los puntos M1-M2 o Z1-Z2. La alineación de las señales debería proporcionar valores mayores de similitud y
La implementación del algoritmo de selección de picos nos ofrece, en el ejemplo que dispersión. Para ello, calculamos los picos de todas las señales. Estos picos los estamos tratando, unos valores de M1, M2, Z1 y Z2, que además hemos marcado con líneas hemos representado la imagen de la puede gráfica observarse a través decorresponden círculos y estrellas, y verticales en color azulen y rojo, y que como a las señales delhemos eje Y. añadido A continuación aplicamos las ecuaciones paray elmínimos cálculo encontrados del desplazamiento y una leyenda para indicar los máximos para cada señal en cada eje. 43 En este momento aplicamos el algoritmo de alineación de picos. Este algoritmo es
muy básico, y se basa en las siguientes condiciones para la selección de los 2 picos
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
escalado de la señal, que nos ofrece unos valores que podemos ver en la gráfica superior derecha de x1=-28 y x2=33. En esta misma gráfica, podemos ver el resultado del escalado y desplazamiento. Se aprecia que los picos seleccionados de las señales Y coinciden (los valores MM1, MM2, ZZ1 y ZZ2 corresponden a una segunda aplicación del algoritmo para comprobar si el ajuste se ha realizado correctamente), y como consecuencia, se consigue que las señales de todos los ejes queden más alineadas que en el gráfico superior izquierdo. Si se calcula ahora la similitud de las señales usando la métrica del coseno propuesta, vemos que el valor de la similitud es superior a 0.99 y el de la dispersión es superior a 0.98, que son valores muy altos y deben indicar que la señal es la misma, como es el caso. Por tanto, y como conclusión, podemos afirmar que hemos establecido un procedimiento para extraer señales de los sensores magnéticos, depurarlas y compararlas para diversos casos. Sin embargo, para validar completamente el procedimiento será necesario realizar experimentos a escala superior, más allá de los experimentos de laboratorio que hemos realizado y presentado en este documento. Esperamos con estos experimentos obtener una validación del método diseñado y de los algoritmos empleados.
44
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
45
4. Pruebas y resultados
En esta sección se presenta la descripción del experimento realizado en un entorno real para probar el funcionamiento de los sensores magnéticos. El experimento se ubicó en el eje Madrid-Barajas (autopista M-12, propiedad de OHL), en un único punto de sensorización, con varios dispositivos en los 2 carriles de un mismo sentido, realizando diversas pruebas que a continuación se detallan.
4.1. Descripción de la prueba El experimento que se plantea tiene como objetivo probar en un entorno real la capacidad de sensorización de los dispositivos creados, de manera que se pueda verificar la función de re-identificación de vehículos. En primer lugar, debe determinarse un entorno idóneo para la instalación de los dispositivos que permitan contrastar los datos obtenidos de los sensores con otro tipo de información, como cámaras de tráfico que registren en paso de los vehículos, con capacidad de lectura de matrículas. En segundo lugar, es necesario diseñar una configuración de sensores, de forma que trabajando conjuntamente aporten la información necesaria para poder re-identificar vehículos. Es decir, es necesario establecer una red de sensores simple para que individualmente trabajen de forma combinada y aporten el máximo de datos sobre el paso del vehículo. Esto es así porque un único sensor no permite obtener datos de calidad, aunque se explicará detalladamente cuando se aborde este aspecto. Finalmente, se procederá a la extracción de datos de vehículos circulando en condiciones normales por la zona de sensorización, y se aplicará toda la algoritmia diseñada para extraer datos individuales de vehículos y compararlos en busca de emparejamientos que indiquen una re-identificación del vehículo. Se pretende obtener ratios de re-identificación y ajustes de las funciones de similitud para maximizar los casos de éxito en condiciones reales. Estos 3 aspectos se presentan en las siguientes secciones.
47
inferior a 20.000 vehículos, según datos oficiales del año 2012 [17]. A continuación se muestra el lugar exacto de la ubicación de la red de sensores en la Cuaderno Tecnológico de la PTC Nº 04/ 2014 autopista seleccionada para las pruebas:
Figura 21. Ubicación Figura de la 21. redUbicación de sensores enmagnéticos la M-12 en la M-12 de la magnéticos red de sensores
4.2. Ubicación de los experimentos Dado que este trabajo de investigación se enmarca dentro del proyecto CENIT-OASIS, se buscó una ubicación para los experimentos que pudiese proporcionar alguno de los socios del proyecto y que permitiese trabajar con cierta comodidad, considerando tanto la instalación de los dispositivos como la monitorización de los mismos. Se consideró que lo ideal era un punto en el eje Madrid-Barajas (M-12), donde hay un Utilización de sensores para que re-identificación de vehículos en carretera la ubicación 33 pórtico instalado dotadomagnéticos de cámaras permite observar perfectamente de los sensores y, sobre todo, las cámaras permiten la identificación de los vehículos que captan a través de un software de reconocimiento automático de matrículas. Por otro lado, la elección de la vía también cumplía una condición de aportar un flujo pequeño de vehículos, lo que se traduce en una simplificación del problema de aislamiento de datos, tanto de señales como de imágenes y matrículas, y una disminución de las interferencias que pueden ocasionar varios vehículos circulando con mucha proximidad, o por dos carriles al mismo tiempo, lo que generaría una perturbación de señales que afectarían negativamente a los resultados. En este sentido, la M-12 cumple con estos requisitos, al tratarse de una vía en la que la IMD es inferior a 20.000 vehículos, según datos oficiales del año 2012 [17]. En la Figura 21 se muestra el lugar exacto de la ubicación de la red de sensores en la autopista seleccionada para las pruebas. 48
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
4.3. Configuración de la red de sensores El estado de la técnica muestra que el uso de sensores magnéticos individuales para detectar vehículos es perfectamente posible, pero la señal que se obtiene del mismo depende de dos factores: la velocidad de paso y la posición relativa de paso respecto al sensor. Este hecho justifica la necesidad de disponer una red de sensores, en lugar de sensores individuales, en cada carril donde se desee monitorizar los vehículos. Así pues, para el desarrollo del experimento se toma la decisión de distribuir sobre los dos carriles de la sección de la M-12 un conjunto de sensores en forma de dientes de sierra. El objetivo es poder capturar los vehículos independientemente de su posición de paso por el punto de sensorización, y al mismo tiempo usar el intervalo de tiempo de detección entre los sensores de cada fila para tratar de calcular la velocidad instantánea de paso. Las Figuras 22 y 23 muestran esta idea. Como se observa, cada punto rojo representa la disposición de un sensor, aunque realmente el sistema sensor sería la red formada por todos los sensores. Los rectángulos representan posibles trayectorias de paso de los vehículos. Con esta disposición se pretende que, independientemente de la posición del paso del vehículo, al menos existan un número mínimo de sensores bajo el vehículo para poder extraer señales correspondientes a varias posiciones relativas. Puede observarse que, aunque un vehículo esté cambiando de carril, podría llegar a obtenerse un conjunto de señales comparables a las del paso del vehículo por el centro del carril. Respecto a la distribución de los sensores en forma de diente de sierra, se pretende que la diferencia de tiempo entre los pasos detectados por cada fila de sensores permita calcular la velocidad instantánea de paso. Lógicamente, todos los sensores deben estar sincronizados, y la distancia entre las dos filas debe ser lo suficientemente grande como para poder obtener una precisión adecuada. Por ejemplo, un vehículo que circula a 120 km/h (33,33 m/s) recorrería 1m en 3 centésimas de segundo. El sensor que se ha construido trabaja a una frecuencia de 1KHz, con lo que debemos asignar un error en el proceso de cálculo del tiempo distante entre las 2 líneas de sensorización inherente al propio sensor; además, se debería suponer que el proceso de comparación de las señales también genera un error en la estimación del tiempo de distancia. Lógicamente, con estos errores, a mayor distancia entre líneas, menor será error que se cometa en la estimación. Así pues, por ejemplo, considerando un error mínimo de 1 ms entre las 2 líneas de sensorización, un vehículo que circule a una velocidad calculada de 120 Km/h tendrá un 1,64% de error si la distancia entre las líneas es 1m, y bajará a 0,66% si la distancia sube a 5m. Sin embargo, si consideramos un error de precisión de 10ms, la misma estimación de velocidad generaría un error de un 25% si la distancia es de 1m y de un 6,25% si la distancia es de 5m.
49
de paso por el punto de sensorización, y al mismo tiempo usar el intervalo de tiempo de detección entre los sensores de cada fila para tratar de calcular la velocidad
Cuaderno Tecnológico de la PTC instantánea de paso. Las siguientes figuras muestran esta idea:
Nº 04/ 2014
Sistema sensor
Sensor individual
Cámara de vídeo para contrastar los datos obtenidos de los sensores magnéticos
Carril B Carril A Figura 22. Estructura de la disposición de la red de sensores (1) Figura 22. Estructura de la disposición de la red de sensores (1)
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
34
Figura 23. EstructuraFigura de la 23. disposición delaladisposición red de sensores Estructura de de la red (2) de sensores (2) Como se observa, cada punto rojo representa la disposición de un sensor, aunque realmente el sistema sensor sería la red formada por todos los sensores. Los rectángulos representan posibles trayectorias de paso de los vehículos. Con esta 50 disposición se pretende que, independientemente de la posición del paso del vehículo, al menos existan un número mínimo de sensores bajo el vehículo para poder extraer
las 2 filas de sensores, y cada una de las filas dispondrá de 2 sensores en cada carril separados una distancia de 1,6m, lo que hacen un total de 4 sensores por carril, con Utilización de sensores magnéticos para re-identificación de vehículos en carretera una distribución como se puede observar en la siguiente figura:
Figura 24. EstructuraFigura de la24. disposición delaladisposición red de sensores (3)sensores (3) Estructura de de la red de Los sensores son cableados y se conectar a un switch ubicado en la zona lateral
Por otro lado, una distancia excesiva entre las filas puede llevar a cometer errores en la exterior de la vía, lo que su sincronización en puesto tiempo que y la siextracción algoritmia de cálculo para el permite seguimiento de un vehículo, el vehículoy lleva una trayectoria oblicua referencias de paso uniformes, y las La señales comunicación de los las datos con el centro derelativo gestiónnodeserán tráfico de la M-12. combinadas de la red quedarán alteradas. Se debe alcanzar, por tanto, un compromiso alimentación de estos sensores se realiza a través del propio cable de conexión de distancia entre filas de sensores para compensar los 2 errores. En el experimento Ethernet, por que la se decisión utiliza un de switch de tipo PoE. propuesto, se lo toma establecer una distancia de 4m entre las 2 filas de sensores, y cada una de las filas dispondrá de 2 sensores en cada carril separados una distancia de 1,6m, lo que hacen un total de 4 sensores por carril, con una distribución como se puede observar en la Figura 24. Los sensores son cableados y se conectar a un switch ubicado en la zona lateral exterior de la vía, lo que permite su sincronización en tiempo y la extracción y comunicación de los datos con el centro de gestión de tráfico de la M-12. La alimentación de estos sensores se Utilización de sensores magnéticos paraconexión re-identificación de vehículos en carretera 36 de realiza a través del propio cable de Ethernet, por lo que se utiliza un switch tipo PoE.
4.4. Extracción y análisis de los datos En la última parte del experimento se procede a la realización de un conjunto de pruebas orientadas a la validación del funcionamiento de los sensores, la extracción de las señales que proporcionan los mismos, y la comparación de las señales para validar la capacidad de re-identificación de la tecnología.
51
Cuaderno Tecnológico de la PTC PASO (VEHICULO 1)
Nº 04/ 2014 23
Tabla 2. Ejemplo de datos brutos extraídos del paso de un vehículo por la zona sensorizada Tabla 2. Ejemplo de datos brutos extraídos del paso de un vehículo por la zona sensorizada
La prueba que se diseña, dado que no existe la posibilidad de realizar una instalación en dos puntos de monitorización consiste en introducir 2 vehículos sonda entre 4.4.2 Normalización de la distintos, señal de los sensores el flujo normal de los vehículos, y obtener las señales que proporcionan, junto con las Unadel de resto las primeras observaciones que en se el obtienen la para señales de vehículos que circulan periododel deexperimento duración deesla sobre prueba, proceder a su análisis y comparación. naturaleza de la señal que aporta cada detección. La señal en bruto tiene diferentes amplitudes y diferentes tamaños en el espacio temporal, lo que hace que no sean
Los 2 vehículos sonda realizan, cada uno, 10 pasadas sobre la zona de monitorización, en directamente comparables. Por consiguiente, el primer tratamiento que se debe aplicar condiciones reales de tráfico. La duración de la prueba es de aproximadamente una hora, unasenormalización de lasseñales señales,de tanto en amplitudentre como los en que tamaño en el espaciolas 20 en laes cual llegan a obtener 117 vehículos, se encuentran pasadas de los vehículos sonda. temporal. 52En este punto se aplican los algoritmos de suavizado, cálculo de límites, y
normalización de la señal que se han descrito en la sección de algoritmia, y se consigue obtener un conjunto de señales comparables, que serán la base para la
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
4.4.1. Identificación de los pasos de vehículos sonda El primer objetivo es identificar los pasos de los vehículos sonda y comparar las señales que generan, analizando su grado de similitud. Para cada paso de un vehículo se obtiene tanto la señal como la imagen que ayuda a identificar el paso, junto con datos temporales. La información obtenida se puede resumir gráficamente en la Tabla 2. Se puede apreciar que, para el paso del vehículo, cada sensor ofrece una señal que refleja la alteración del campo magnético de la tierra, a la vez que se obtiene una primera acotación de la señal. La imagen ayuda a identificar tanto al vehículo como la posición relativa de paso por encima de los sensores.
4.4.2. Normalización de la señal de los sensores Una de las primeras observaciones que se obtienen del experimento es sobre la naturaleza de la señal que aporta cada detección. La señal en bruto tiene diferentes amplitudes y diferentes tamaños en el espacio temporal, lo que hace que no sean directamente comparables. Por consiguiente, el primer tratamiento que se debe aplicar es una normalización de las señales, tanto en amplitud como en tamaño en el espacio temporal. En este punto se aplican los algoritmos de suavizado, cálculo de límites, y normalización de la señal que se han descrito en la sección de algoritmia, y se consigue obtener un conjunto de señales comparables, que serán la base para la aplicación de las medidas de similitud. En la Tabla 3 se muestran, para el ejemplo que estamos considerando, el resultado del procesamiento de las señales.
4.4.3. Comparación de las señales La siguiente parte de la prueba consiste en comparar las señales obtenidas de cada vehículo, y obtener, a través de la función de similitud diseñada, un grado de re-identificación entre los vehículos. Podría considerarse, en una primera aproximación, la comparación de las señales a nivel de sensor individual, tomando todas las señales que generan las pasadas de los vehículos. Esto sería un grave error para el objetivo de la re-identificación, puesto que los sensores captan señales de vehículos incluso cuando estos no han pasado por encima de ellos, y aunque la intensidad de la señal es débil, el algoritmo de reconocimiento las extrae del sensor en el momento de paso. Por otro lado, una inspección visual de las señales obtenidas indica que la forma de la huella magnética depende mucho de la posición relativa de paso del vehículo sobre el sensor. En las tablas anteriores se puede apreciar con claridad la diferencia en la forma de 53
aplicación de las medidas de similitud. En la Tabla 3 se muestran, para el ejemplo que
Cuaderno Tecnológico de la PTC
estamos considerando, el resultado del procesamiento de las señales. PASO (VEHICULO 1)
Nº 04/ 2014
23
Tabla 3. Ejemplo de datos procesados extraídos del paso de un vehículo por la zona sensorizada
Tabla 3. Ejemplo de datos procesados extraídos del paso de un vehículo por la zona sensorizada
54 Utilización de sensores magnéticos para re-identificación de vehículos en carretera
39
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
las señales obtenidas de cada sensor, tanto si se encuentran bajo el vehículo como no, en el momento de paso. Por tanto, aunque se decidiese utilizar una única señal proporcionada por un sensor que se encontrase bajo el vehículo, existirían variaciones suficientemente grandes como para que la comparación entre ellas no tuviese sentido. Se puede ilustrar esto con algunos datos. De los 117 vehículos detectados, se han activado y filtrado (para una amplitud conveniente) las señales de 242 sensores. La comparación de todos los sensores entre ellos aporta 58.564 valores de similitud, a los que habría que restar las comparaciones de un sensor con él mismo (242 casos). De ellos, en 296 casos la similitud supera un valor de similitud de 0,9 (sobre un máximo de 1). De estos casos, se da lo siguiente: • 43 son coincidencias correctas para el vehículo 1 • 30 son falsas coincidencias para el vehículo 1 • 78 son coincidencias correctas para el vehículo 2 • 6 son falsas coincidencias para el vehículo 2 Es evidente que este mecanismo permite obtener un grado de similitud entre las señales, lo cual es un éxito para esta fase de la prueba, pero es necesario combinar el proceso de la obtención de similitud entre señales de sensores con más información, pues de lo contrario, la re-identificación de vehículos no es posible.
4.4.4. Re-identificación de vehículos La última parte de la prueba consiste en diseñar un procedimiento de combinación de similitudes entre sensores, de forma que se pueda usar más de un sensor para comparar 2 vehículos, pues de lo contrario, como se acaba de demostrar, no es posible lograr una re-identificación. Con este fin, se decide realizar una comparación de señales usando grupos de sensores secuencialmente distribuidos en la calzada. De este modo, cuando se comparen los pasos de vehículos se obtendrá una medida combinada de similitud correspondiente a la comparación de sensores activados en cada paso de cada vehículo, pero de manera ordenada. Por ejemplo, considerando grupos de 2 sensores, si un vehículo A activa los sensores 3, 4 y 5, y otro vehículo activa los sensores 4, 5 y 6, se obtendrán las similitudes combinadas siguientes: [3-4, 4-5], [4-5, 5-6], [3-5, 4-6], y [4-4, 4-5]. La similitud entre los vehículos corresponderá al máximo de las similitudes combinadas obtenidas. Si se consideraran grupos de 3 sensores, la única comparación que se realizaría sería [3-4, 4-5, 55
[4-4, 4-5]. La similitud entre los vehículos corresponderá al máximo de las similitudes combinadas obtenidas. Si se consideraran grupos de 3 sensores, la única Cuaderno Tecnológico de la PTC Nº 04/ 2014 comparación que se realizaría sería [3-4, 4-5, 5-6]. Obviamente VEHICULO #1 PASOS
23
23
31
40
51
58
69
82
92
98
115
0
0.68
0.65
0.79
0.68
0
0.55
0.75
0.91
0.7
0
0
0
0.95
0.88
0.67
0
0.43
0.96
0.39
0.74
0.88
0.96
0.72
0.53
0.64
0
0.37
0.54
0.7
0.48
0
0.79
0.95
0.82
0
0.27
0.51
0.63
0.93
0.67
0
0.73
0.61
31
0
40
0.68
0.7
51
0.65
0
0.43
58
0.79
0
0.96
0.53
69
0.68
0
0.39
0.64
0.48
82
0
0.95
0.74
0
0
0
92
0.55
0.88
0.88
0.37
0.79
0.27
0.93
98
0.75
0.67
0.95
0.54
0.95
0.51
0.67
0.73
115
0.91
0
0.72
0.7
0.82
0.63
0
0.61
0.79 0.79
Tabla 4. Matriz de re-identificación del vehículo sonda #1 Utilización de sensores magnéticos para re-identificación vehículos en carretera 41 5-6]. Obviamente, el valor de similitud obtenido tienedemás peso cuanto mayor es el número de sensores involucrados en el cálculo.
Siguiendo este algoritmo, se procede a determinar la similitud entre los 2 vehículos sonda con la similitud máxima calculada para todas las posibles combinaciones, y con diferentes grupos de sensores (1, 2 y 3). Los resultados obtenidos se almacenan en tablas cruzadas de paso, filtradas por el número de sensores con los que se está trabajando. Las tablas 4 y 5 muestran un ejemplo de los datos obtenidos: En las tablas se ha representado el valor de la similitud combinado para el grupo de sensores activados. Se ha resaltado en rojo aquellos valores de similitud que son superiores a 0,9, lo que debe indicar una re-identificación positiva. Un 0 indica que no existen suficientes datos de sensores para poder aplicar la función de similitud. 56
Utilización de sensores magnéticos paradere-identificación de vehículo vehículossonda en carretera Tabla 4. Matriz re-identificación del #1 VEHICULO #2 PASOS
22
22
30
39
50
57
68
81
91
99
114
0.68
0.58
0.69
0.57
0.82
0.67
0.8
0.67
0.71
0.95
0.93
0.95
0.87
0.98
0.67
0.86
0.59
0.8
0.98
0.79
0.93
0.58
0.79
0.57
0.78
0.86
0.94
0.71
0.82
0.63
0.78
0.92
0.59
0.79
0.58
0.89
0.73
0.91
0.66
0.66
0.86
0.56
0.76
0.67
30
0.68
39
0.58
0.95
50
0.69
0.92
0.8
57
0.57
0.94
0.98
0.78
68
0.82
0.87
0.79
0.86
0.78
81
0.67
0.98
0.93
0.94
0.92
0.89
91
0.8
0.67
0.58
0.71
0.6
0.73
0.66
99
0.67
0.86
0.79
0.82
0.79
0.91
0.86
0.76
114
0.71
0.59
0.57
0.62
0.59
0.66
0.56
0.67
0.66 0.66
Tabla 5. Matriz de re-identificación del vehículo sonda #2 Tabla 5. Matriz de re-identificación del vehículo sonda #2
Visualmente es posible apreciar aquellos valores que están por encima de 0,9 frente a los Enno laslotablas ha representado el Un valor de la similitud combinado paraen el rojo grupo de que están se (resaltados en rojo). contaje de las celdas marcadas indicarán el grado de acierto frente de posibilidades (90 por vehículo lo ideal). sensores activados. Se al hatotal resaltado en rojo aquellos valores de sería similitud que son superiores a 0,9, lo que debe indicar una re-identificación positiva. Un 0 indica que no
Esto significa que se puede re-identificar al vehículo 1 en 12 ocasiones de 90 posibles, y que datos de sensores poder aplicar función de similitud. se existen puede suficientes re-identificar al vehículo 2 enpara 18 ocasiones dela90 posibles, con el valor umbral seleccionado arbitrariamente en 0,9. En estas mismas condiciones, y aunque no se puede ver en las tablas, se encuentran 7 emparejamientos de vehículos que son falsos positivos (porque no existen otros vehículos que hayan pasado de manera repetida sobre la zona deUtilización sensorización de pruebas). de sensores magnéticos para re-identificación de vehículos en carretera 42 Claro está que el umbral de similitud que se ha seleccionado es arbitrario, y los experimentos deben utilizarse también para determinar cuál es el valor del umbral de similitud que debe 57
El resultado del análisis completo, en relación con los vehículos sonda, utilizando diferentes grupos de de la sensores y diferentes valores umbrales, en términos de aciertos, Cuaderno Tecnológico PTC Nº 04/ 2014 fallos y falsos positivos, es el siguiente: 0,85 Acierto
Fallo
1
60
120
2
44
3
20
0,9 Falso
Acierto
Fallo
205
38
142
136
48
30
160
4
8
positivo
0,95 Falso
Falso
Acierto
Fallo
35
12
168
0
150
7
10
170
0
172
2
2
178
0
positivo
positivo
Tabla 6. Comparación de resultados en función de grupos de sensores y valores umbrales de Tablasimilitud 6. Comparación de resultados en función de grupos de sensores y valores umbrales de similitud
usarse para determinar si los pasos corresponden al mismo vehículo o no. Obviamente, en este criterio no sólo deben considerarse los aciertos, sino también los falsos positivos que se puedan producir. El resultado del análisis completo, en relación con los vehículos sonda, utilizando diferentes grupos de sensores y diferentes valores umbrales, en términos de aciertos, fallos y falsos positivos, es el que se muestra en la tabla 6. Utilización de sensores magnéticos para re-identificación de vehículos en carretera
58
43
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
59
5. Conclusiones
El trabajo de investigación sobre la aplicabilidad de sensores magnéticos a la reidentificación de vehículos, realizado dentro del proyecto CENIT-OASIS, ha permitido completar una serie de experimentos que permiten extraer unas conclusiones claras sobre la hipótesis inicialmente planteada. En primer lugar, se ha conseguido diseñar un dispositivo que captura las variaciones del campo magnético de la tierra cuando un vehículo pasa por sus proximidades. La información que proporciona el sensor es una señal digital que se ha denominado huella magnética del vehículo, y que para un mismo vehículo, varía en función de su velocidad y de su posición relativa de paso respecto al sensor. Las huellas magnéticas, por consiguiente, no son elementos constantes e invariantes dada la diversidad de posibles combinaciones de estos dos parámetros en un entorno real. Las huellas magnéticas no pueden utilizarse en bruto, tal y como se recogen de los sensores, por los motivos expuestos. Estas señales que requieren un proceso de tratamiento que permita que sean utilizadas para poder compararse unas con otras, con objetividad y sentido. En este trabajo de investigación se han diseñado procesos que permiten tratar las señales para normalizarlas, esto es, para obtener huellas magnéticas que posean las mismas características independientemente de las condiciones de sensorización. El proceso de normalización consiste en suavizar convenientemente las señales, determinar los límites de la huella en cada una de las tres componentes (X, Y y Z), dotarlas de una amplitud que se encuentra en el rango [-1,1], y escalarlas en la variable tiempo para que el número de muestras de cada huella sea idéntico. Asimismo, se ha trabajado en un método para poder comparar señales individuales de sensores, una vez normalizadas. Dado que se trabaja con señales en 3 ejes, se ha establecido una medida de similitud que permite obtener un valor objetivo de la relación entre dos señales. La medida de similitud también está normalizada (se encuentra entre los valores [-1 y 1], lo que permite comparar similitudes calculadas en distintos casos o circunstancias. Adicionalmente, se ha trabajado y desarrollado un procedimiento que permite obtener el mejor valor de similitud entre dos señales, aun cuando existan perturbaciones derivadas de la velocidad y de la acotación de la misma que ocasionen desfases y/o desplazamientos de la señal. Con este procedimiento se garantiza que la similitud obtenida al comparar las señales es la máxima que se puede llegar a obtener.
61
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
En el campo experimental, se ha diseñado y desplegado una prueba en la autopista M-12 para verificar el funcionamiento del sensor y su capacidad de re-identificación, para un caso real, en un entorno controlado, de manera que se ha podido contrastar la información que aporta el sensor con las imágenes de cámaras de vigilancia. Se ha diseñado una arquitectura de redes de sensores para capturar información de los vehículos, y se ha tratado de encontrar las similitudes de las señales para detectar diversas pasadas de un mismo vehículo por un punto de sensorización, embebiendo dicho vehículo dentro del tráfico normal de la autopista. Los resultados experimentales han mostrado que los sensores son capaces de obtener diversas huellas magnéticas de un vehículo en un paso por el punto de sensorización. Los algoritmos de extracción aplicados han permitido extraer las huellas, normalizarlas, y almacenarlas para su posterior evaluación. Se ha realizado un cómputo de comparación de tipo tabla cruzada para todas las huellas obtenidas, y se ha demostrado que el uso de un único sensor para re-identificar vehículos no es suficiente debido a la variabilidad de la huella adquirida, que como ya se ha descrito con anterioridad, no es invariante y presenta alteraciones considerable bajo cambios de velocidad y posición relativa del vehículo. De igual modo, se ha demostrado que un incremento en el número de sensores que recogen información útil del vehículo, permiten mejorar las capacidades de re-identificación, gracias a la utilización de una función de similitud combinada en la que intervienen señales de varios sensores. La mejora consiste no sólo en el incremento del ratio de acierto en la reidentificación frente a los fallos cometidos, sino también en un incremento de la capacidad de discriminación del sistema, es decir, de disminución de falsos positivos. No obstante, la densidad de sensores utilizados en la prueba final ha demostrado ser escasa para poder alcanzar tasas de re-identificación elevadas. El siguiente paso a seguir tras este trabajo es la caracterización magnética completa de un vehículo a través de la obtención de huellas con una densidad de sensores muy elevada, lo que permitirá conocer mejor la naturaleza de la información, y las variaciones que se producen especialmente en función de las posiciones relativas de los sensores. Por otro lado, se debe trabajar en la capacidad de re-identificación, que sin duda alguna existe, desde el punto de vista de la densidad de sensores, determinando el número óptimo de dispositivos que hay que instalar en un carril para obtener ratios de éxito elevados.
62
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
63
6. Agradecimientos
“La Información que se expone en el presente informe es fruto de los trabajos de investigación realizados por los autores en el marco del Proyecto OASIS, subvencionado por el Centro para el Desarrollo Tecnológico e Industrial (CDTI) dentro del programa CENIT. Dichos resultados son, pues, propiedad exclusiva de las empresas que promueven dicho proyecto y que constituyen la Agrupación de Interés Económico PROYECTO CENIT-OASIS, A.I.E.: IRIDIUM, OHL Concesiones, ABERTIS, SICE, INDRA, DRAGADOS, OHL, GEOCISA, GMV, ASFALTOS AUGUSTA, HIDROFERSA, EIPSA, PyG, CPS, AEC, TORRE DE COMARES.”
65
7. Referencias
[1] Abdulhai, B.; Tabib, S.M. 2003. “Spatio-temporal inductance-pattern recognition for vehicle re-identification”. Transportation Research Part C, vol. 11, no. 3-4, pp. 223-239. [2] Barcelo, J.; Montero, L.; Marques, L.; Carmona, C. 2010. “Travel Time Forecasting and Dynamic Origin-Destination Estimation for Freeways Based on Bluetooth Traffic Monitoring”. Transportation Research Record, no. 2175, pp. 19-28. [3] Becker, Florian, et al. 2011. “Variational recursive joint estimation of dense scene structure and camera motion from monocular high speed traffic sequences”, in Computer Vision (ICCV), 2011 IEEE International Conference on. 1692-1699. [4] Belda, Enrique. 2008. “Data Quality for Traffic Management. The Spanish Approach”. Data Quality Workshop. Vienna. [5] Biem, Alain, et al. 2010. “Real-time traffic information management using stream computing”. IEEE Data Engineering Bulletin, vol. 33, no 2, p. 64-68. [6] Black, C. S.; Schreffler, E. N. 2010. “Understanding Transport Demand Management and Its Role in Delivery of Sustainable Urban Transport”. Transportation Research Record: Journal of the Transportation Research Board. Volume 2163 / 2010. 81-88. [7] Bottero, M.; Dalla Chiara, B.; Deflorio, F. P. 2013. “Wireless sensor networks for traffic monitoring in a logistic centre”. Transportation Research Part C: Emerging Technologies, vol. 26, 99-124. [8] Buch, Norbert; Velastin, Sergio A.; Orwell, James. 2011. “A review of computer vision techniques for the analysis of urban traffic”. Intelligent Transportation Systems, IEEE Transactions on, vol. 12, no 3, 920-939. [9] Caruso, M.J.; Withanawasam, L.S. 1999. “Vehicle detection and compass applications using AMR magnetic sensors”. Sensors Expo Proceedings, pp. 477-489.
67
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
[10] Cascetta, E.; Nguyen, S. 1988. “A unified framework for estimating or updating origin/ destination matrices from traffic counts”. Transportation Research, 22B:437-455 [11] Chang, Yuntao; Su, Zhongming; Qian-Yu, Liang. 2012. “A New Traffic Incident Detection Method Under Low-Volume Condition Based On Automatic Vehicle Identification”, in Fuzzy Systems and Knowledge Discovery (FSKD), 2012 9th International Conference on. IEEE, 2012. 2853-2859. [12] Cheung, S.Y. et al. 2005. “Traffic measurement and vehicle classification with a single magnetic sensor”. Proceedings of the 84th Annual Meeting of the Transportation Research Board, pp. 173-181. [13] Cheung, S.Y.; Coleri, S.; et al. 2006. “Traffic Measurement and Vehicle Classification with Single Magnetic Sensor”. Transportation Research Record: Journal of the Transportation Research Board, vol.1917/2005, 173-181. [14] Cifman, B.; Krishnamurthy, S. 2007. “Vehicle reidentification and travel time measurement across freeway junctions using the existing detector infrastructure”. Transportation Research Part C: Emerging Technologies, vol. 15, no. 3, pp. 135-153. [15] Cirilo Gimeno, R. V., et al. 2013. “A simulation model using AMR sensors applied to vehicles classification and identification”. ISC’2013, 11th Annual Industrial Simulation Conference. [16] Cirilo Gimeno, R. V., et al. 2013. “Improving similarity measures for re-identification of vehicles using AMR sensors”. Information, Communications and Signal Processing (ICIS) 2013, 9th International Conference on. [17] Delegación del Gobierno en las Sociedades Concesionarias de Autopistas Nacionales de Peaje. 2014. “Informe 2012 sobre el sector de autopistas de peaje en España”. Ministerio de Fomento. p. 82. [18] Dignum, F; Pavón, J;. 2012. “Special issue: Multi-Agent Systems applications in transport”. Progress in Artificial Intelligence, Volume 1, Issue 2 , 137-138. [19] European Union. 2010. “DIRECTIVE 2010/40/EU OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL of 7 July 2010 on the framework for the deployment of Intelligent Transport Systems in the field of road transport and for interfaces with other modes of transport”. Official Journal of the European Union. 68
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
[20] García-Linares Fontes, Federico, et al. 2010. “Proyecto CENIT-OASIS: la autopista del futuro”. Carreteras: Revista técnica de la Asociación Española de la Carretera, vol. 170, 32-48. [21] Haoui, A.; Kavaler, R.; Varaiya, P. 2008. “Wireless magnetic sensors for traffic surveillance”. Transportation Research Part C: Emerging Technologies, vol. 16, no. 3, pp. 294-306. [22] Honeywell. 3-Axis Magnetic Sensor Hybrid HMC2003. https://physics.ucsd.edu/ neurophysics/Manuals/Honeywell/HMC_2003.pdf. Ultima visita: 23/09/2014 [23] Horvitz, E. J.; Srinivasan, S. 2011. “Predictive models of road reliability for traffic sensor configuration and routing”. U.S. Patent No 7,948,400. [24] Jimenez, P.; Castillo, E.; Sanchez-Cambronero, S. 2008. “Estimacion de matrices origendestino y flujo de caminos mediante escaneo de matriculas”. VIII Congreso de Ingenieria del Transporte. A Coruña. [25] Kahaki, S. M. M.; Nordin, M. J. 2011. “Vision-based automatic incident detection system using image sequences for intersections”, in Pattern Analysis and Intelligent Robotics (ICPAIR), 2011 International Conference on. IEEE, 2011. 3-7. [26] Kepaptsoglou, Konstantinos, et al. 2012. “Quality Management in Mobility Management: A Scheme for Supporting Sustainable Transportation in Cities”. International Journal of Sustainable Transportation, vol. 6, no 4, 238-256. [27] Kim, M.; Park, J.; Oh, J.; Chong, H.; Kim, Y. 2008. “Study on Network Architecture for Traffic Information Collection Systems Based on RFID Technology”. IEEE Asia-Pacific Services Computing Conference, pp. 63-68. [28] Kwong, K.; Kavaler, R.; Rajagopal, R.; Varaiya, P. 2010. “Real-Time Measurement of Link Vehicle Count and Travel Time in a Road Network”. IEEE Transactions on Intelligent Transport Systems”, vol. 11, no. 4. [29] Lam, Debra; Head, Peter. 2012. “Sustainable Urban Mobility”, in book Energy, Transport, & the Environment: Addressing the Sustainable Mobility Paradigm. 359-372. ISBN: 978-14471-2716-1. [30] Lee, Rong Choi; Hung, King Chu; Wang, Huan Sheng. 2013. “Real-Time Vehicle License Plate Recognition Based on Scanning and 2D Haar Discrete Wavelet Transform”. Applied 69
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
Mechanics and Materials, vol. 284, 2402-2406. [31] Lenz, J.; Edelstein, S. 2006. “Magnetic Sensors and their applications”. IEEE Sensors Journal, vol. 3, no. 3, pp. 631-649. [32] Li, X.S. et al. 2012. “High Accuracy AMR Magnetometer and its Application to Vehicle Detection”. Advanced Materials Research, vol150, 443-444. [33] Ndoye, M; Totten, V.F.; Krogmeier, J.V. 2011. “Sensing and Signal Processing for Vehicle Reidentification and Travel Time Estimation”. IEEE Transactions on Intelligent Transport Systems. Vol 12. No 1. 119-131. [34] Nguyen, H. V.; Bai, L. 2011. “Cosine Similarity Metric Learning for Face Verification”. Lecture Notes in Computer Science. Volume 6493, 709-720. [35] Oh, C.; Ritchie, S.G.; Oh, J.S; Jayakrishnan, R. 2002. “Real-time origin-destination (OD) estimation via anonymous vehicle tracking”. 5th IEEE Intl. Conference on Intelligent Transport Systems. [36] Oh, S.; Ritchie, S.G.; Oh, C. 2002. “Real-time traffic measurement from single loop inductive signatures”. Transportation Research Record 1804. Washington, DC: TRB, National Research Council, pp. 98-106 [37] Osipov, S. K.; Malinkin, A. Y. 2013. “Method and Device for Determining the Speed of Travel and Coordinates of Vehicles and Subsequently Identifying Same and Automatically Recording Road Traffic Offences”. U.S. Patent No 20,130,038,681. [38] Robert, K. 2010. “Bringing Richer Information with Reliability to Automated Traffic Monitoring from the Fusion of Multiple Cameras, Inductive Loops and Road Maps”, in Advanced Video and Signal Based Surveillance (AVSS), Seventh IEEE International Conference on. IEEE, 2010, 9-16. [39] Samedap, I.; Adachip, H.; Muraip, S. 2009. “Traffic Characteristics for the Route Information Collecting System Using DSRC”. 16th ITS World Congress and Exhibition on Intelligent Transport Systems and Services. London. [40] Sanchez, Angel, et al. 2011. “Video-Based Distance Traffic Analysis: Application to Vehicle Tracking and Counting”. Computing in Science & Engineering, vol. 13, no 3, 38-45. 70
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
[41] Soriguera, F.; Robusté, F. 2011. “Estimation of traffic stream space mean speed from time aggregations of double loop detector data”. Transportation Research Part C: Emerging Technologies, vol. 19, no 1, 115-129. [42] Sun, C.; Ritchie, S.G.; Tsai, W.; Jayakrishnan, R.. 1999. “Use of vehicle signature analysis and lexicographic optimization for vehicle re-identification on freeways”. Transportation Research part C, vol. 7, pp. 167-185. [43] Taghvaeeyan, S.; Rajamani, R.; 2011. “Use of vehicle magnetic signatures for position estimation”. Applied Physics Letters , vol.99, no.13, 134101-134101-3. [44] Thakoor, Ninad; Bhanu, Bir. 2012. “Structural signatures for passenger vehicle classification in video”, in Pattern Recognition (ICPR), 2012 21st International Conference on. IEEE, 2012. 926-929. [45] Vanajakshi, Lelitha, et al. 2013. “Development of a Vehicle Counting and Classification System for Heterogeneous and Lane less Traffic”. International Conference on Intelligent Infrastructure. [46] Wen, Ying, et al. 2011. “An algorithm for license plate recognition applied to intelligent transportation system”. Intelligent Transportation Systems, IEEE Transactions on, vol. 12, no 3, 830-845. [47] Wender, S.; Dietmayer, K. 2008. “3d vehicle detection using a laser scanner and a video camera”. IET Intelligent Transport Systems, vol. 2, no. 2, pp. 105-112.
71
8. Índice de figuras y tablas
Índice de figuras Figura 1. Dispositivo Smart Digital Magnetometer HMR2300 de Honeywell....... 22 Figura 2. Dispositivo prototipo de sensor magnético............................................ 22 Figura 3. Dispositivo prototipo de sensor magnético encriptado con resina de epoxi....................................................................................................................... 24 Figura 4. Caja contenedora del dispositivo para instalación en carretera............ 24 Figura 5. Representación gráfica de las señales en detectadas en los ejes X, Y y Z, en bruto....................................................................................................................... 26 Figura 6. Representación de las cotas calculadas de las señales X, Y y Z............. 26 Figura 7. Diferentes niveles de suavizado.............................................................. 28 Figura 8. Variación de Suavizados......................................................................... 29 Figura 9. Variaciones de acotado según el suavizado........................................... 30 Figura 10. Señal abrupta vs Señal suave............................................................... 31 Figura 11. Desfase de señales................................................................................ 33 Figura 12. Ejemplo de una señal con desplazamiento y con escalado y desplazamiento ..................................................................................................... 37 Figura 13. Fórmula de cálculo de similitud basada en el coseno ......................... 38 Figura 14. Ecuaciones de las medidas de similitud de las señales ....................... 39
73
Cuaderno Tecnológico de la PTC
Nº 04/ 2014
Figura 15. Ejemplo 1 de extracción de 2 señales y cálculo de similitud de ambas... ............................................................................................................................... 39 Figura 16. Ejemplo 2 de extracción de 2 señales y cálculo de similitud de ambas... ............................................................................................................................... 40 Figura 17. Esquema de alineación de puntos........................................................ 41 Figura 18. Ecuaciones de relación entre puntos de alineación............................. 42 Figura 19. Ecuaciones de resolución de escalado para la alineación de señales. 42 Figura 20. Alineado de la señal y cálculo de la similitud....................................... 43 Figura 21. Ubicación de la red de sensores magnéticos en la M-12..................... 48 Figura 22. Estructura de la disposición de la red de sensores (1)......................... 50 Figura 23. Estructura de la disposición de la red de sensores (2)......................... 50 Figura 24. Estructura de la disposición de la red de sensores (3)......................... 51 Índice de tablas Tabla 1. Tabla de estimación de número de muestras en función de la velocidad y longitud del vehículo.............................................................................................. 35 Tabla 2. Ejemplo de datos brutos extraídos del paso de un vehículo por la zona sensorizada............................................................................................................ 52 Tabla 3. Ejemplo de datos procesados extraídos del paso de un vehículo por la zona sensorizada............................................................................................................ 54 Tabla 4. Matriz de re-identificación del vehículo sonda #1................................... 56 Tabla 5. Matriz de re-identificación del vehículo sonda #2................................... 57 Tabla 6. Comparación de resultados en función de grupos de sensores y valores 74
Utilización de sensores magnéticos para re-identificación de vehículos en carretera
umbrales de similitud............................................................................................. 58
75
PLATAFORMA TECNOLÓGICA ESPAÑOLA DE LA CARRETERA (PTC) Goya, 23 - 3º, 28001 Madrid (España) Web: www.ptcarretera.es E-mail:
[email protected]
En colaboración con:
Con el apoyo de: