Jag accepterar att kakor lagras på min dator

Läs mer

A comparison of analysis methods for vehicle classification by laser vibrometry.

A comparison of analysis methods for vehicle classification by laser vibrometry. Beställ tryckt exemplar Lägg i kundvagnen Ladda ned som PDF
Författare: Nedgård Ingvar
Ort: Stockholm
Sidor: 32
Utgivningsår: 2004
Publiceringsdatum: 2004-01-01
Rapportnummer: (FOI-R--1171--SE)
Nyckelord Tids-frekvensanalys, EMD, Morlet, AR, PSD, vibrometri, laserradar, Doppler, klassificering, time-frequency analysis, EMD, Morlet, AR, PSD, vibrometry, laser radar, Doppler, classification
Sammanfattning Mätdata från sex olika fordon insamlade med laser vibrometer analyserades med fyra olika analysmetoder. Fordonen är de fyra bandfordonen Bv206, Strf90, T72, Strv121 och de två hjulfordonen Tgb11 ochTglb30. Mätdata insamlades vid tre olika platser och under varierande förhållanden. De frekvensmodulerade signalerna "demodulerades" genom detektion av maximala frekvenstoppen i spektrum från konsekutiva tidsfönster och signalen rensades sedan från transienta störningar. Karakteristiska egenskaper extraherades från effekttäthetspektra (PSD), autoregressiva modellparametrar (AR), Morlet vågformspektra och empirisk moduppdelning (EMD) följd av Hilbert spektra. Sex komponenter användes i varje särdragsvektor. Särdragsvektorerna för varje fordon delades upp I en grupp med referensdata och en grupp med testdata. Klassificeringen utfördes med Mahalanobis klassificering och testdata associerades till närmaste klass av referensdata. Totalt användes 222 mätsignaler. Bästa resultatet erhölls med EMD-metoden där 62 % av testsignalerna tilldelades rätt referensklass i fallet med sex fordonsklasser. Ingen uppdelning gjordes avseende variation av motorvarvtal eller vilka ytor på fordonet som belystes, och inte heller avseende infallsvinkeln mellan laserstrålen och fordonet. Klassificering utfördes också med fem komponenter i särdragsvektorerna. Bästa resultatet erhölls åter igen med EMD-metoden men då bara med 56 % av testsignalerna i rätt klass för fallet med sex fordonsklasser. Här har vi fokuserat på jämförelsen mellan analysmetoderna, men förmodligen kan en högre klassificeringsprocent uppnås om en särdragsvektor i taget testas då medelvektorn och covariansmatrisen för klassen kan bestämmas med högre noggrannhet. Särdragsvektorernas komponentvärden har ej tagits med i rapporten, men kan erhållas som bilaga.
Abstract In this report laser vibrometry data from six different vehicles are analysed by four different analysis methods. The vehicles are the track-laying vehicles Bv206, Strf90, T72, Strv121, and on wheels Tgb11 and Tglb30. The data is collected at tree different test sites, and in various conditions. The frequency modulated data is first preprocessed by peak detection, and transient reduction. Features are extracted from power spectral density spectra (PSD), autoregressive model parameters (AR), Morlet wavelet spectra, and by empirical mode decomposition (EMD), and Hilbert spectra. Six elements are used in each feature vector. The feature vectors of each vehicle are divided in reference data and test data. The test data is classified by Mahalanobis classification and associated to the nearest reference data class. All together 222 measurements are used. Best result is achieved by the EMD-method and 62% of the test signals are assigned to the right reference class in the six class case, without regard to differences in the engine rpm or surfaces illuminated. Feature vectors of dimension five are also classified. The best result is again achieved by the EMD-method but here only 56% of the test signals are assigned to the right reference class in the six class case. The focus here is primarily on the comparison of the analysis methods and it is suggested that a higher classification percentage could be achieved by testing one feature vector at a time leaving the rest to a better estimation of the mean and the covariance matrix of the reference class. Feature vector element values are not included in the appendices of the report but are available as a supplement.

Kundvagn

Inga rapporter i kundvagnen

FOI, Totalförsvarets forskningsinstitut

FOI
Totalförsvarets forskningsinstitut
164 90 Stockholm

Tel: 08-555 030 00
Fax: 08-555 031 00

Orgnr: 202100-5182