基于OBDII的目标区域车辆远程监测方法仿真.pdf

152第4 0 卷第6 期2023年6 月真机计仿算文章编号：10 0 6-9 34 8(2 0 2 3)0 6-0 152-0 4基于OBDII的目标区域车辆远程监测方法仿真李铭杨威，谢抢来，喻佳？（1.江西科技学院信息工程学院，江西南昌330 0 9 8；2.华东交通大学信息工程学院，江西南昌330 0 13）摘要：受道路环境等干扰因素的影响，车辆监测效果不佳，为了实现智能车辆远程监测，在车联网背景下提出一种基于OBDII的智能车辆远程监测方法。在车联网环境下，通过改进的Hough变换方法提取智能车辆图像的目标区域，通过梯度直方图获取图像目标区域特征。对目标展开初始跟踪处理，将伪前景和初步判断不可能发生停车的车辆排除在跟踪序列外，根据分析车辆成功跟踪的次数，对目标车辆展开初始监测。通过OBDII系统完成车辆协议类型的选择以及智能车辆诊断接口通信等相关操作，将智能车辆故障信息及时传输到服务器，结合智能车辆质心坐标变化情况，实现对智能车辆远程监测。实验结果表明，所提方法可以精准远程监测智能车辆，准确定位目标车辆所在位置。关键词：车联网；智能车辆；远程监测中图分类号：TP393文献标识码：BSimulation of Vehicle Remote Monitoring Methodin Target Area Based on OBDIILI Ming,YANG Weil,XIE Qiang-lai,YU Jia?(1.College of Information Engineering,Jiangxi University of Technology,Nanchang Jiangxi 330098,China;2.School of Information Engineering,East China Jiaotong University,Nanchang Jiangxi 330013,China)ABSTRACT:In order to realize the remote monitoring of intelligent vehicles,a remote monitoring method of intelli-gent vehicles based on OBDII was proposed in the context of the Internet of Vehicles.In the Internet of Vehicles,thetarget area of the intelligent vehicle image was extracted by the improved Hough transform method,and then the char-acteristics of the target area were obtained by the gradient histogram.Moreover,the initial tracking of the target wascarried out,and the pseudo-foreground and the vehicle that was unlikely to stop after preliminary judgment were ex-cluded from the tracking sequence.According to the number of successful tracking,we performed the initialmonitoring on the target vehicle.Based on the OBDII system,the selection of protocol type and the communication ofthe diagnostic interface were completed.Finally,the fault information of the intelligent vehicle was transmitted to theserver in time.Based on the change of the barycentric coordinates of the intelligent vehicle,remote monitoring was re-alized.Experimental results show that the proposed method can accurately and remotely monitor the intelligent vehicleand locate the target vehicle.KEYWORDS:Internet of Vehicles;OBDII;Intelligent vehicle;Remote monitoring;Hough transform1引言在汽车保有量持续增加的背景下，车辆安全以及车辆防基金项目：江西科技学院自然科学项目（ZR2004）；江西省教育厅科技项目（GJ212015）；江西省教育厅科技（GJJ191004）；江西科技学院校级课题（JY2004）；江西省教育厅科学技术研究项目（GJ2202612）收稿日期：2 0 2 2-0 7-0 1盗等问题日益显著，各种交通事故层出不穷，同时还加快了汽车尾气排放对环境造成的破坏程度，所以远程监测车辆具有十分重要的意义 1,2 。最近几年，国内相关专家给出了一些比较好的研究成果，例如梁光胜等人【3 主要通过残差连接改进ResNet网络，增加全新的卷积层提取图像特征矢量，同时采用长短时记忆网络在特征矢量中预测出车辆的位置和大小，使用预训练网络以及数据增强克服过拟合问题，完成监测处理。华路捷等人 4 主要利用无线系统将数据实时传153输到地面数据处理中心，通过监测与分析系统完成实时处理以及分析，同时将车辆相关信息及时传输给运输维护人员，完成车辆实时监测。上述方法虽然具有一定的适用性，但是在实际操作过程中操作比较复杂。为此，提出车联网背景下基于OBDII的智能车辆远程监测方法。经过一系列实验分析可知，所提方法能够实时准确监测车辆的运行情况。2智能车辆远程监测方法设计车联网技术组建了车辆和外界连接的远程网络架构，让远程实时监控车辆成为可能。现阶段汽车行业开始朝着高安全性以及低碳化等方面发展，车联网技术使车辆远程监控更加人性化。但是由于当前车辆故障更加繁杂以及隐蔽，对比以前的传统机械故障更加难以发现以及维修，所以维修人员以及驾驶人员如何才能够实时精确的获取车辆行驶状态的整体情况，最大程度减少车辆潜在故障引发的交通隐患以及提升汽车行驶状态的整体安全性是解决汽车安全问题的重要需求。2.1智能车辆目标区域特征提取当车辆正常运行状态下，车道两旁的车辆会直接对其产生影响。为了尽可能降低道路两旁各种干扰因素的影响，以下主要通过一种改进的Hough变换方法检测车辆行驶过程中左右车道的行驶车辆，同时确定具体的检测区域，以全面提升智能车辆远程监测的实时性以及鲁棒性。现阶段，标准的Hough变换投票空间以及对应夹角的取值范围为（0,），极径的取值范围为（0,r），r 代表图像空间的对角线长度。所以对于智能车辆远程监测而言 5-7 如果监测范围过大会得到大量没有利用价值的信息，所以需要对和作为范围限定，进而获取Hough变换目标点的约束区域,如下所示(_2,1(1)(,12,el,l式中，,和分别代表目标车辆所在车道的左车道线极角和极径；，和,分别代表车辆所在车道的右车道线极角和极径。在构建完成极角约束区域之后，需要直接清除左右车道线检测范围外的目标点以及无利用价值的信息，确保整个算法的整体性能得到有效改善。以下详细给出智能车辆目标区域特征提取的详细操作步骤：1）对输人的智能车辆图像彩色图像实行灰度化处理(,:,)(12:i2)H(2)mgtx(t)xy(t)上式中，Hm代表经过灰度化处理的智能车辆彩色图像；x（t)代表原始图像；y（t）代表灰度图像。2)通过Gamma校正方法对智能车辆彩色图像展开标准化处理 8.9 ,降低阴影以及光照因素产生的影响,经过校正后的图像可以表示为以下形式Jy=x(t)y(t)fi(x,y)(3)式中，J代表校正处理后的图像；f（x,y)代表差分图像。3)在步骤2)的基础上,提取目标车辆的轮廓信息10-,减少光照对目标图像产生的不良影响。同时计算目标图像各个像素梯度的大小以及方向，具体的计算式如下k(x,),counVcount(4)x(t)y(t)VcounXcount-vern式中，Veoun代表目标图像的梯度取值；Veount-ver代表目标图像的梯度方向；coun代表目标图像的帧数；m和n分别代表图像的像素点数量与方差取值。4)将目标图像展开划分处理，形成多个规格相同的单元格，同时将其量化处理，划分到对应的单元格内。累加全部单元格内的梯度直方图，进而形成对应的直方图特征，同时提供对应的编码信息，有效保存目标车辆的外观以及形状信息 12 5)对全部单元格归一化处理，具体的计算式如下1F(x,y)G(x,y)(5)mxn式中,F(x,y)代表单元格归一化处理结果；G(x,y)代表目标的像素灰度值。6)将子窗口中全部块的特征串联处理，进而获取目标车辆的特征向量。2.2智能车辆远程监测实现通过2.1小节提取完成目标车辆的特征信息后，需要将全部特征融合处理，进而获取综合特征。以下主要通过基于方差测度的方式完成多特征融合处理，具体的操作步骤如下所示：1）优先构建特征融合公式1U=+.G(x,y)(6)mxn设定属于x类的统计样本共有s个，则可以表示为y(i)=(ck,k=1,2,s,i=1,2,m)(7)式中，y()代表统计样本集合;c代表特征权值;k代表常数。统计目标车辆的灰度分布直方图，通过Bhattacharya系数度量方法计算直方图之间的相似程度，进而获取最终的直方图数据。在上述分析的基础上，需要对目标车辆跟踪处理，即通过车辆各个特征的匹配程度，同时结合相关的权重，经过计算得到综合的特征匹配程度。在得到各个特征的权值之后，需要对目标车辆展开匹配跟踪处理，详细的操作流程如图1所示。完成匹配跟踪处理之后，需要对目标展开初始跟踪处理，将伪前景作为车辆不可能发生停止的判断依据，并且将不满足需求的车辆排除在外。判断目标是否发生停车最直观的方式就是判断目标车辆的质心是否保持在一个固定的位置。当车辆在实际行驶过程中，会因为图像质量不佳以及背景突变等原因产生干154扰，进而无法获取理想的目标监测结果。所以，以下将车辆成功跟踪次数作为智能车辆远程监测的重要依据。开始通过观光率检测目标车辆获取车辆目标区域获取车辆目标区域的特征计算目标车辆的特征综合匹配程度否计算综合特征匹配程度判断两个目标是否为同一个目标是输出结果结束图1目标车辆匹配跟踪流程图通过初始跟踪目标的选取原则，在进入监控区域内，选取的目标车辆车速应该比较小，使其满足初始跟踪目标的需求，进而可以将其添加到初始跟踪链表中。同时，将目标质心坐标的变化情况作为智能车辆远程监测的重要依据，具体的操作流程如图2 所示，开始否停车目标是否识别成功？继续跟踪目标同时记录目标的质心坐标提出M个成功跟踪的目标质心坐标立计算质心坐标的平均值计算质心坐标到平均坐标的距离立删除距离大于阈值的坐标计算剩余质心坐标的方差取值立输出最终结果结束图2质心坐标获取的操作流程图在获取质心坐标的过程中，主要涉及到质心坐标的数量以及阈值等相关参数，它们会对最终的监测结果产生比较明显的影响，所以参数的取值范围设定是十分重要的。OBDII可以有效扩大车辆故障诊断范围,因此，构建标准化的OBDII码以及通信协议标准，OBDII系统的主要功能如表1所示：表1OBDII系统的主要功能功能OBDII是否可以监测车辆燃油箱以及燃油系统的泄漏问题是是否可以监测发动机失火故障时的转速是车辆故障指示灯闪亮时车辆经历的驾驶周期2个车辆的行驶距离是否由故障指示灯显示否系统使用的主要通信协议SAEJ1850现阶段几乎全部的智能车辆都提供诊断接口，OBDII主要通过转换芯片完成车辆协议类型的选择以及智能车辆诊断接口通信等相关操作，同时可以传统协议转换串口通信协议，同时将智能车辆故障信息及时传输到服务器，方便驾驶员实时掌握车辆故障信息在上述基础上，深人分析智能车辆质心坐标的变化情况，获取目标车辆最终的跟踪结果，同时引入OBDII系统对智能车辆展开最终的监测处理 13-15，最终完成智能车辆远程监测：E(u)Usuc:G(x,y)L(8)mnVcount-ver式中，Lmn代表智能车辆远程监测结果。3实验研究针对车联网背景下基于OBDII的智能车辆远程监测方法展开实验分析，实验的测试地点为智能车辆试验场内的部分道路。实验所需要的硬件和软件环境为：测试车辆、智能手机、GPS数据采集的车载设备以及浏览器等。其中，实验测试车辆为奔驰ECoupe，如图3所示。图3实验测试车辆利用图4 给出相关的车载设备：智能车辆远程监测主要是对目标车辆的车速、水温以及车道偏移等数据展开监测，并且在任意一个数据异常时及时发出预警。对目标车辆的测试结果如表2 所示：155（a）O BI数据采集车载设备(b)OBD模拟器图4车载设备表2智能车辆远程监测测试结果测试项目取值车辆行驶速度/（km/h）18.00车辆水温/(C)90.00进气歧管绝对压力undefined转速/(rpm)830.00空气流量undefined前车距离22.00经度/（）11052.41纬度/(）3521.12偏离频率/（次/min）3.40节气门开度/(C)40.00计算负荷值/(%）32.00通过表2 可知，目前车辆的全部数据均处于正常状态。车速和水温监测界面主要是模拟车内仪表，对车辆的车速以及冷却水温度展开比较直观的监测，仪表盘主要采用不同的颜色作为预警，当全部参数取值在正常范围内，则指针指向浅色区域，具体的测试结果如图5所示。1201608040200km/h2400(a）车速页面9012060一301501800（b）水温页面图5车速与水温测试界面由图5可知，当车辆在行驶过程中，指针指向深色部分，则说明车辆的车速和水温均不在正常范围内，需要及时发出预警。以下对车辆位置监测内容展开测试处理，优先设定车辆具体位置，然后通过所提方法监测车辆所在位置，详细的测试结果如图6 所示：测试车辆位置筋子冲?怀花南站干田怀化商互通双普溪独清杯化南柜纽冷江悦家田中方舞水风翠所提方法车辆所在位置监测结果子冲怀花南站干田怀化萌互通双管液独海怀化商枢纽冷江悦家田中方翼水风器图6所提方法目标车辆位置监测结果由图6 可知，通过实车测试实验对所提方法的位置监测结果展开测试可知，所提方法可以准确定位目标车辆所在位置，完成实时监测处理。这是因为所提方法通过OBDII系统将智能车辆故障信息及时传输到服务器，并结合智能车辆质心坐标变化情况，通过掌握车辆行驶情况实现车辆位置监测。4结束语车辆的不断增加，使得各种安全隐患也与日俱增，提出一种车联网背景下基于OBDII的智能车辆远程监测方法。经过具体的实验结果分析可知，所提方法可以准确监测目标车辆，更好掌握目标车辆的运行状态。由于所提方法采集的数据量以及采集频率受到一定程度的限制，现阶段还没有在研究过程中加人比较复杂的数据，后续将在条件允许的情况下，展开更加深入的研究，参考文献：1委魏磊，王云鹏，秦洪懋，等.车联网环境下CACC车辆信息传播安全性研究 J.汽车工程，2 0 19,4 1（3）：2 52-2 58.2张海霞，李，李东阳，等.基于车辆行为分析的智能车联网关键技术研究 J.电子与信息学报，2 0 2 0,4 2（1）：36-4 9.3梁光胜，谢东.基于深度学习的机动车违规行为监测方法 J.计算机应用，2 0 2 0,4 0（1）：19 5-19 8.（下转第2 39 页）239上接第155页）-788.7Redmon J,Farhadi A.YOLO9000:better,faster,stronger C.Pro-ceedings of the IEEE conference on computer vision and patternrecognition,2017:7263-7271.8Kumar Akhil,Kalia Arvind,Verma Kinshuk,Sharma A kashdeep,Kaushal Manisha.Scaling up face masks detection with YOLO on anovel datasetJ.Optik,2021,239.9曾成，蒋瑜，张尹人.基于改进YOLOv3的口罩佩戴检测方法J.计算机工程与设计，2 0 2 1,42（5)：1455-146 2.10叶子勋，张红英.YOLOv4口罩检测算法的轻量化改进J/OL.计算机工程与应用，2 0 2 1-0 7-11:1-19.11谈世磊，别雄波，卢功林，谈小虎.基于YOLOv5网络模型的人员口罩佩戴实时检测J.激光杂志，2 0 2 1,42(2）：147-150.12张德军，周学成，杨旭东.基于图像处理和深度迁移学习的芒果果实病状识别J.华南农业大学报,2 0 2 1，（4)：1-16.13赵立新，侯发东，吕正超，朱慧超，丁筱玲.基于迁移学习的棉花叶部病虫害图像识别J.农业工程学报,2 0 2 0,36（7）：18 4-191.14许景辉，邵明烨，王一琛，韩文霆。基于迁移学习的卷积神经网络玉米病害图像识别J.农业机械学报，2 0 2 0,51(2）：2 30-236,253.4华路捷，谢谦，刘宠，等.城市轨道交通车辆实时监测与分析系统研究J.都市快轨交通，2 0 2 0,33（1）：134-138.5戴嘉栋，徐晓滨，常雷雷，等.基于C-BRB模型的发动机运行状态监测方法J.控制工程，2 0 2 2,2 9(2)：2 14-2 2 2.6龚利，赵延杰，朱明辉，一种基于北斗和5G技术融合的复杂环境下机车定位方法J.北京交通大学学报,2 0 2 1,45（2：44-51,70.7季高，张峰，张士文.基于多功能车辆总线的地铁车辆远程监测系统研究J.城市轨道交通研究,2 0 19,2 2（6)：99-10 3.8廖娟，陈民慧，汪，等.基于双重Gamma校正的秧苗图像增强算法J.江苏农业学报，2 0 2 0,36（6)：1411-1418.9吴正平，岑帅红.基于自适应gamma校正估计的图像去雾算法J.液晶与显示,2 0 2 2,37(1)：10 6-115.10郑志强，胡鑫，翁智，等.于改进DenseNet的牛眼图像特征提取方法J.计算机应用，2 0 2 1,41（9）：2 7 8 0-2 7 8 4.11陈志坤，江俊君，姜鑫维，等.一种基于改进双边滤波的鲁棒高光谱遥感图像特征提取方法J.武汉大学学报（信息科学版）,2 0 2 0,45（4）：50 4-510.12王晓丹，李京泰，宋亚飞.DDAC：面向卷积神经网络图像隐写分析模型的特征提取方法J.通信学报，2 0 2 2，43（5）：6 8-81.15黎振,陆玲,熊方康。基于k-means分割和迁移学习的番茄病理识别J.江苏农业科学,2 0 2 1,49（12：156-16 1.16赵永强，饶元，董世鹏，张君毅.深度学习目标检测方法综述J.中国图象图形学报,2 0 2 0,2 5（4)：6 2 9-6 54.17许德刚，王露，李凡。深度学习的典型目标检测算法研究综述J.计算机工程与应用,2 0 2 1,57(8)：10-2 5.18Nhat-Duy Nguyen,Tien Do,Thanh Duc Ngo,Duy-Dinh Le,Cesare F Valenti.An Evaluation of Deep Learning Methods forSmall Object Detection J.Journal of Electrical and ComputerEngineering,2020.19吴雪，宋晓茹，高嵩，陈超波.基于深度学习的目标检测算法综述J.传感器与微系统，2 0 2 1,40（0 2）：4-7,18.20梁立媛，吉晓东，李文华.基于迁移学习的胶囊内镜图像分类J.计算机仿真,2 0 2 1,38（6）：36 2-36 6.作者简介叶永雪（1996-），男（汉族），辽宁省大连人，硕士研究生，主要研究计算机视觉。马鸿雁（197 1-），女（汉族），陕西人，教授，硕士研究生导师，主要研究领域为电力电子与电力传动、建筑设备节能控制（通讯作者）。13 唐传茵，赵懿峰，赵亚峰，等.智能车辆轨迹跟踪控制方法研究J.东北大学学报（自然科学版），2 0 2 0，41（9）：12 97-1303.14徐彬，张大鹏，杨海洋，等.基于转向响应特性的智能车辆轨迹跟踪双闭环控制J.北京理工大学学报，2 0 2 2，42（7）：7 0 6-712.15田苗，王军方，黄健畅，等。唐山市柴油车远程监控综合管控平台的开发及应用J.环境科学研究，2 0 2 1,34（1）：132-140.作者简介李铭（198 5-），男（汉族），湖南省怀化市人，工程师，主要研究方向：数据库开发、信息系统建设、网络安全、模式识别。杨威（198 5-），男（汉族），湖北省安陆市人，副教授，主要研究方向：数据库开发、信息系统。谢抢来（198 4-），男（汉族），湖南省邵阳市人，副教授，主要研究方向：数据库开发、信息系统。喻佳（198 1-）,女（汉族），江西南昌人,硕士研究生，副教授,研究方向：计算机应用技术、数据库技术、传感器网络。