第五章 模式驗證
5.4 實例分析結果
車輛通過的判斷正確與否，取決於能否精準地判斷車輛通過所造成的訊號變化片 段。在假設已知雷達偵測器與各車道間距離，由傅立葉轉換可以得知，第幾個車道落 在多少的頻率範圍內，其算法如下(以第二車道為例)：
已知每一車道寬約為 3 公尺，由圖 5.1 可知，第二車道距離雷達偵測器約為 13 公尺(水 平距離)，雷達偵測器架設高度為 6.5 公尺，因此我們可以計算得到雷達偵測器與車道 直接距離為 14.534，如圖 5.8 所示。
圖 5.8 偵測環境示意圖 資料來源：本研究整理
13 公尺
第
二 車 道 6.5 公尺
14.53 公尺
47
根據雷達偵測器規格可以得知，掃頻速度為每秒 1000 個周期，頻率變化大小為 50MHz，
由距離 14.53 公尺可推算花了9.6896 ∗ 10−8秒(∆𝑡 =2∙∆𝑑𝐶 ，C 為光速)，再代入雷達的 三角波中，可得到在頻域下，第二車道所對應的頻率約為 5。
同理，將各車道所對應之頻率整理至下表。
表 5.3 車道對應之頻率
車道 頻率
第二車道 f=5
第三車道 f=6
第四車道 f=7
第五車道 f=8
第六車道 f=9
知道各車道所代表的頻率範圍之後，可將頻域上的雷達訊號依照各頻率大小，分別進 行端點檢測。在每個車道頻率範圍中，各頻率以本研究的分帶譜熵方法計算訊號能量，
依此可設定各自的能量強度門檻，當一小段連續時間之訊號皆大於該頻率對應之能量 強度門檻時，則系統可判斷有車輛通過。
實驗一開始以偵測器收取的實際雷達訊號進行資料處理，因為偵測器的取樣率為 256K，所以訊號可以整理成數組的電壓資料，每一組為 256 個電壓值所組成，經過 資料整理成一個電壓矩陣後，以長度為 256 點的漢明窗對此電壓矩陣進行加窗化，並 將此加窗資料以傅立葉公式轉換成頻域訊號。
由於車輛的雷達反射訊號具有擴散性，如一輛大車在第三車道上駛過雷達偵測器 範圍時，其造成的反射訊號並非單純只落在該車道之頻率範圍上，可能同時第二、三、
四車道皆有反射訊號，但由實驗觀察可以得知，在某車道之通過車輛造成的反射訊號，
其能量會擴散至隔壁車道(頻率)，但該反射訊號最強的能量值仍會落在該車輛通過所 對應之車道(頻率)。假設帶通濾波器的存在，可將含多車道資訊的頻域訊號轉為單一 車道的頻域訊號，如此可以去除訊號能量擴散到隔壁車道之問題，避免能量擴散造成 的誤判現象。得到的單一車道頻域訊號，包含了車輛訊號、雜訊與背景訊號，假設背
48
景訊號為固定不變的條件下，以門檻學習階段的第一幀作為背景訊號的代表，並將各 車道的訊號扣掉第一幀後，剩下目標訊號與雜訊。之後以本研究提出之譜熵計算方法，
得到各車道的訊號能量代入(37)式中，其中α取 0.8，得到一門檻值並且此門檻值會隨 者時間變動而進行更新，而更新參數β取 0.65。藉由此門檻便可進行訊號辨識，比較 每幀的訊號譜熵與門檻值，若是訊號比門檻低則進行下一幀的比較；反之，若是訊號 比門檻高，則透過端點檢測流程將訊號辨識出來。
表 5.4 各車道之車輛數判斷成功準確率
判別方法 本研究之譜熵門檻法
車道 實際車輛總數 判斷車輛總數 車輛總數準確率
2 40 39 97.50%
3 45 42 93.33%
4 31 27 87.10%
5 30 25 83.33%
6 14 11 78.57%
87.97%
判別方法 傳統能量門檻法
車道 實際車輛總數 判斷車輛總數 車輛總數準確率
2 40 37 92.50%
3 45 41 91.11%
4 31 26 83.87%
5 30 22 73.33%
6 14 9 64.29%
81.02%
49
經過車輛訊號辨識流程得到的辨識結果將與實際交通影片進行比對，求得的各車 道之車輛數準確率整理至表 5.4，由訊號辨識結果可以看出，本研究之有無車判斷演 算法，具有相當程度的準度，而系統判斷車輛數會比實際車輛數還少，原因在於更新 完的門檻值會因為某些車的反射訊號較小而沒有偵測到車輛通過；而以本研究之方法 與傳統能量判別方法主要差異在第五、六車道，推測是因為第五、六車道距偵測器較 遠，車輛通過時所造成的雷達回波能量相對較小，在同樣的端點檢測機制下，車輛回 波訊號與雜訊差異較小的情況時，能量門檻辨識能力比本研究之方法效果較為不彰，
此結果與訊號模擬辨識結果相同，本研究提出的譜熵門檻法有更好的辨識結果，且在 越低信噪度的環境下，其辨識成功率相對於傳統能量門檻法有越好的辨識能力。
50