基于麦克风阵列车辆检测的公路隧道照明控制方法及系统研究

2020-01-01杨玉琳陈大华韦泽贤王玲容唐文娟

隧道建设(中英文) 2019年12期

黎恒，杨玉琳，陈大华，韦泽贤，王玲容，唐文娟

(广西交通科学研究院有限公司，广西南宁 530007)

0 引言

随着我国交通基础建设的快速推进，公路建设进入了山区修筑时代，公路隧道所占比例越来越大[1-2]。隧道照明系统作为隧道建设必不可少的一部分，其耗能严重、运营维护费用高等问题一直困扰着运营单位[3-4]。开展隧道照明节能技术的研究是降低公路隧道运营成本的必由之路，具有十分重要的意义[5]。

目前，智能照明控制已逐渐成为国内外隧道照明节能的重要技术手段[6]。其中，在国内外隧道常规节能技术中，为检测车流量和隧道内部车辆行驶情况，常用方法主要有视频、微波雷达、感应线圈等感知技术。但由于隧道光照、环境情况复杂，上述方法难以同时满足高精度、低成本、易安装维护等检测需求。如感应线圈通常在安装时需要封路切割路面操作，存在使用寿命短、操作复杂、维护成本高等问题[7]；虽然微波雷达、视频设备安装无需切割路面，但其存在成本较为昂贵，检测精度易受光照、天气条件、隧道内部粉尘影响等问题[8]。

针对现有方法存在安装复杂、维护成本高、精度易受环境影响等问题，本文考虑采用低成本传感器、非接触、非埋地的车辆检测方案。同时，为使研究更贴合工程需求，本文针对高速公路隧道照明节能的需求开展基于音频的车辆认知方法研究，提出一种基于麦克风阵列车辆检测的公路隧道照明控制方法及系统，综合运用改进的MVDR算法、卷积神经网络算法[9]构建音频车辆检测系统，并且集成隧道智能无级调光器，融合视频亮度检测、视频车检、音频车辆检测设备所获得的洞内外亮度、车流量、车辆到达、隧道内是否存在车辆行驶信息，实现照明亮度智能调节，分段精准照明，大幅降低公路隧道的总体能耗。在广西河池至百色等多条高速公路的工程实践表明，本文提出的基于麦克风阵列的隧道照明节能方法与系统，音频车检检测精度高于95%，较目前常规LED无级调光控制系统，安装维护成本降低30%，使隧道综合电能降低约20%，为交通运营部门提供一种有效的隧道节能技术解决方案，特别在西部地区普遍存在车流量少、隧道里程长的情况下，隧道照明实施“车来前亮，车走渐暗”的模式，使节能效果更为显著。

1 隧道照明节能系统总体设计

1.1 隧道照明节能系统结构

基于麦克风阵列的隧道照明节能系统结构如图1所示。本文隧道照明控制系统在照明控制选择上，一改传统照明“全天照明，分档控制”的粗放控制模式为“车来前亮，车走渐暗”的精细控制模式，使隧道内分段保持“有车照明”和“无车照明”2个大类种照明状态。“车来前亮”指车辆进入隧道前，照明系统提前进入“有车照明”状态并在有车通行的情况下应提供足够照明亮度，以保障隧道车辆的安全行驶；“车走渐暗”指车辆驶过后照明灯具逐渐变暗但不关灭的“无车照明”状态，隧道在无车通行时提供基本保障照明，避免电流通断的冲击，延长灯具寿命。以“车来前亮，车走渐暗”的控制模式实现照明精细控制和延长灯具使用寿命的双重效果。

图1 系统总体框图

由图1可知，为了实现上述照明控制效果，本文系统采用视频车检器和音频车检器2个不同车检器。音频车检器能检测隧道内有车和无车，无法检测车流量，但因其成本低廉适合大量布设；而视频车检器可以同时检测多个车辆并获得车流量信息，但因其成本高不适合大量使用，故在系统设计中只在洞口使用。其中车流量信息用于控制照明亮度，隧道内有车和无车用于控制精准照明。

系统中采用的基于麦克风阵列的车辆检测方法在设计时将基于以下现实需求： 1)节能系统对隧道进行分段节能，无车地段只需把亮度调暗，满足基本监控需求即可，只需要得到该段有无车辆行驶的信息，而不需要对车型、数量等信息进行精确感知； 2)高速公路隧道左右洞间的隧道壁较厚，且洞内车辆为单向行驶，因此不需要考虑上下行车辆对反向隧道内音频车辆检测装置所产生的干扰； 3)高速公路的车辆行驶速度快，轮胎噪声为车辆音频的主要成分，只需对车辆的轮胎噪声进行智能提取与认知，同时抑制自然噪声、人声等干扰； 4)公路隧道是封闭的腔体，车辆音频信号在隧道壁进行多次反射到达麦克风(形成混响)[10]，需要对混响进行有效抑制。

1.2 隧道照明节能系统控制原理

系统控制原理如图2所示。

图2 多信息协同的智能照明控制原理图

Fig. 2 Intelligent lighting control principle based on multi-information coordination

由图2可知，系统照明控制流程可归结为如下主要步骤：

1)建立基于环境传感的多信息协同控制模型。该模型以国家照明标准和照明行业标准为指导依据，综合运用控制理论分析并以工程化模型输入参数，基于以视频亮度仪采集的隧道内外亮度环境信息变量，以视频车检器在隧道入口处实时检测车流量变量、以音频车检器采集隧道内的车辆行驶变量，判断车辆到达时间信息及其在隧道内车辆位移等信息，并结合已知隧道长度信息，建立多参数LED灯亮度协同亮度控制模型，实现隧道亮度控制。

2)利用视频亮度检测仪[11]、入口视频车检器[12]、隧道内有无车声音检测系统，获取精准的环境与车辆信息，同时结合已知隧道长度信息、车流量信息等作为建立的基于环境传感的多信息协同控制模型的输入。

3)将控制模型部署在自主研发基于ARM的智能无级调光控制器上，该控制器是控制模型的重要载体。控制器(主要是部署其中的控制模型发挥作用)综合判断当前环境与有无车情况，决定灯光控制输出量。根据调节好的输出量，输出每个LED灯光控制回路的控制信号，调节隧道内灯照明亮度与时长。

上述过程不断重复，使隧道内照明根据环境变化不断调节，达到实时精准控制的目的。当隧道发生突发事件时，如隧道火灾，系统可通过与火灾报警器联动，或在交通管控下，由监控中心远程控制，将隧道切换为100%照明亮度，直到火灾结束或监控中心人工操作将隧道恢复正常照明控制。在实际工程应用中，本文提出的音频车辆检测装置安装于隧道内部每间隔200～400 m距离的车道侧面或车道上方，通过分段检测隧道有无车辆，进而实现隧道内部的分段照明，提高隧道洞内调光精细化程度，使隧道照明节能最大化。值得注意的是，较常规的国内外隧道节能技术[7-8]，本文考虑使用非接触式、非埋地的车辆检测方案，在设计中采用麦克风阵列构建隧道内有无车辆的声音检测系统，构建思路为利用麦克风阵列，在车辆行驶过程中拾取车辆轮胎和地面摩擦产生轮胎噪声，通过改进MVDR算法和卷积神经网络对轮胎噪声进行定向和辨识，从而实现车辆检测。

1.3 多参数LED灯亮度协同的灯具亮度控制模型

系统将隧道分成入口段、中间段2大部分对其进行调光，具体方法参照《公路隧道照明设计细则》，进行分段照明优化设计。

1)根据车流量、洞内外环境亮度对隧道入口段亮度进行控制，令入口段亮度

Lth=0.5×k×L20(S)[13]

(1)

式中：k为入口段亮度折减系数，取值见表1；L20(S)为安装在隧道入口处的视频亮度仪采集到的洞外亮度，cd/m2。

根据式(1)可计算得到Lth的值。

表1 入口段亮度折减系数k

注：设计小时交通量N由隧道入口处的视频车检器检测所得，当交通量在某个中间值时，则按线性内插取值；系统根据隧道的不同地理环境及行车条件，预先设定好设计速度v1，km/h。

2)为了进一步提升节能效果，提出隧道内车辆行驶状况的精细照明控制方法。安装在隧道内壁的音频车辆检测装置可判断隧道内是否有车，在无车情况下，系统将LED电流调至较低阈值(最大亮度的10%)而非关断，使隧道内提供基本保障照明。在有车情况下，隧道中间段亮度Lln的取值可由表2得到。当设计速度v1为100 km/h时，中间段亮度可按80 km/h对应亮度来取值；当设计速度v1为120 km/h时，中间段亮度可按100 km/h对应亮度来取值[13]。令x为隧道音频车辆检测装置的布设间距，隧道内亮度分布范围如图3所示。其中，Lln+x、Lln-x分别表示被检测车辆前后距离(本项目取x=200 m)内亮度，取Lln。下文将主要围绕双向交通情况进行讨论，将上述控制方法结合，建立了多参数LED灯亮度协同的灯具亮度控制模型。

表2 中间段亮度Lln

图3 隧道亮度分布范围

2 基于麦克风阵列的车辆检测方法

2.1 基于麦克风阵列车辆检测装置

本文考虑的基于麦克风阵列的车辆检测装置结构示意如图4所示。具体包括麦克风阵列模块、麦克风信号接收模块、降噪去混响模块、事件检测模块。在广西河池至百色高速公路中，为保证系统可靠性及准确度，基于麦克风阵列的车辆检测装置采用200 m安装间隔。

图4 基于麦克风阵列的车辆检测装置结构示意图

Fig. 4 Structural schematic diagram of vehicle detection device based on microphone array

1)麦克风阵列模块。采集公路上的交通声音信号，该模块包括6个数字MEMS数字麦克风，即麦克风A—F；其中，麦克风A—E呈环形排列，麦克风F位于圆心，声音模拟信号经过数字麦克风阵列模块输出6路PDM数字信号，所述6路PDM数字信号作为麦克风信号接收模块的输入。

2)麦克风信号接收模块。该模块对6路PDM数字信号进行解调、滤波等预处理，将PDM数字信号转换成单一采样率和比特位的数字音频信号。麦克风信号接收模块采用XMOS公司XU216系列微处理器，XU216是高性能多核麦克风阵列处理器，具有多路PDM信号输入接口和较强的处理能力，高度的灵活性和可编程性，同时集成了USB通信接口，能够满足本系统声音阵列信号预处理的需要。麦克风阵列模块输出的6路PDM数字信号经麦克风信号接收模块解调后，得到6路44 k采样率、16 bit的数字音频信号，经USB总线传入嵌入式处理器进行后续处理。

3)降噪去混响模块。该模块可对6路数字音频信号进行噪声和混响抑制。在本文设计中，受文献[14-15]启示，采用改进的MVDR算法，利用多麦克风波束形成技术，对数字音频信号进行增强，同时达到噪声抑制和混响抑制的目的。所述降噪去混响模块对6路数字音频信号进行处理后，得到1路增强后的声音数字信号，并输入到事件检测模块。

4)事件检测模块。该模块是集成在微处理器上的算法模块，所述微处理器与降噪去混响模块中的微处理器为同一微处理器。事件检测模块对1路增强后的声音数字信号进行数字变换，通过Gammatone滤波器对该路声音数字信号进行子带滤波，得到音频信号的耳蜗谱，然后将耳蜗谱输入到训练好的卷积神经网络得到事件类型的输出概率，从而判断交通事件类型[16-17]。

2.2 改进的MVDR算法

在麦克风阵列的降噪去混响模块中，采用改进的MVDR算法，将麦克风信号频谱和加性噪声频谱进行加权和，得到噪声估计因子ki(ω)。接着构造代价函数J，进而将系统降噪去混响设计问题转化为最小化代价函数J优化问题。

步骤1：假设信号已分帧，s(t)为声音信号的一帧，检测事件的发生，白化输入信号s(t)，得到x(t)。

(2)

式中： E(s(t))为s(t)的数学期望；σs为s(t)的标准差；Ns为s(t)的长度。负熵

neg(x)=H(Ygauss)-H(x)

(3)

式中: H(x)=-E(logpx);px为x的概率密度；Ygauss为均值为0、方差为1的高斯白噪声。

噪声的负熵近似零，故能很好地区分事件帧和非事件帧[18]。如果neg(x)<0.2则无事件发生，该帧视为噪声，估计Ni(ω)，跳过以下步骤。

步骤2：估计各麦克风的衰减因子αi(ω),i=1,…，P。

(4)

式中：P为麦克风个数；Xi(ω)为第i个麦克风信号的频谱；Ni(ω)为第i个麦克风的加性噪声频谱，并且Ni(ω)通过无事件帧估计得到。

通过估计麦克风的增益因子，能有效改善麦克风阵列的麦克风单元在增益不一致导致的时延估计不准确的问题。

步骤3：构造代价函数J。

(5)

式中τi(i=1,…,P)为第i个麦克风与声源之间的时延。

以采样点为单位，求噪声估计因子，ki(ω)=0.1|Xi(ω)|2+0.9E{|Ni(ω)|2}。

混响的能量是声源信号的一部分，该因子把信号的小部分作为噪声建模，通过该步骤处理，使算法具备抑制混响能力。

基于MVDR理论，求解关于J的最小化问题，即：

argminτJ

(6)

得到τi,i=1,…,P。

步骤4：求解还原声源信号的频谱S(ω)。

(7)

式中：G(ω)=[α1(ω)e-jωτ1,…,αP(ω)e-jωτP]T；Q(ω)=

E[N(ω)NH(ω)]。

对求解所得的频谱进行傅里叶逆变换，则可得经降噪和去混响后的声源时域波形。

2.3 车辆行驶事件判定方法

步骤1：通过式(3)的取值情况得到事件的起点和终点时刻。

步骤2：对声源时域波形s(t)进行分帧，并求其Gammatone耳蜗谱。Gammatone滤波器组的冲击响应[19]如式(8)所示。

g(f,t)=th-1e-2πvtcos(2πft)

(8)

式中：h=4为常量；v为滤波器中心频率对应的等效矩形带宽；f为子带中心频率。

则编号为c、中心频率为fc的子带可以通过对s(t)滤波得到

s(c,t)=s(t)*g(fc,t)

(9)

步骤3：通过Gammatone滤波器组进行分带滤波得到32个子带信号，对这32个子带信号求得频谱，则得到关于s(t)的时间-频谱分布图，即耳蜗谱。

步骤4：将耳蜗谱输入到训练好的卷积神经网络(本文使用著名的VGG16进行音频认知训练与推理)[17]，得到卷积神经网络的输出，对输出进行解码得到隧道内事件类型，进而可将隧道内有无车辆行驶情况反馈给智能调光无级控制器。

2.4 基于麦克风阵列的车辆检测方法

结合前文所述，可将本文提出的基于麦克阵列的车辆检测方法归结如下。

步骤1：交通事件的声音通过麦克风阵列模块采集得到，该声音模拟信号经过N路数字麦克风输出N路PDM格式的数字信号。

步骤2：N路PDM格式的数字信号输入到麦克风信号接收模块，经过解调滤波转换成N路数字音频信号。

步骤3：N路数字音频信号输入到降噪去混响模块中，采用改进的MVDR算法对数字音频信号进行增强，得到1路声音数字信号。

步骤4：步骤3中得到的1路声音数字信号输入到事件检测模块，通过卷积神经网络得到交通事件类型的输出概率，从而得到隧道内车辆行驶情况。

基于麦克风阵列的车辆检测方法具体流程图如图5所示。

图5 基于麦克风阵列的车辆检测流程图

3 试验分析

为验证本文技术可行性，将依次进行下列3组试验，具体试验分析如下。

试验1：应用本文方法验证4种不同事件类型的系统识别率，事件类型分别为：事件a——雨声；事件b——虫鸣鸟叫声；事件c——人的说话声；事件d——汽车行驶声。为了不失一般性，试验过程中，每类事件不同时发生，且每类事件选100个不同的样本。通过试验，统计本文设计的基于麦克风阵列的音频车检系统输出的事件类型，判断每类事件的识别率。本文方法在不同事件类型中的系统识别率如表3所示。可以看出，本文提出的基于麦克风阵列音频车检系统的事件平均识别率高于98%。

表3 本文方法在不同事件类型中的系统识别率

试验2：麦克风会收到自身噪声、电源噪声等因素的干扰。为验证本文方法对降低电路噪声的有效性，采用试验1的a、b、c、d事件作为原型事件类型，基于本文音频车辆事件检测系统麦克风阵列处理，分别获得经过阵列中麦克风A获得的事件、经过阵列中改进的MVDR算法处理后的事件，所得新的事件类型如表4所示。首先，随机选取事件d1、d2中的10个样本作为信号源，验证事件d1、d2的信噪比，所得结果如图6所示。可以看出，事件d2的信噪比在10次试验中均比事件d1的高，本文方法能有效抑制系统自身电路产生的随机噪声干扰。为了进一步证明系统的有效性，利用本文的卷积神经网络方法对表4中所有事件进行判定，所得系统识别率如表5所示。结合表5，可进一步验证信号经过本文改进的MVDR算法进行降噪和去混响后，有利于提高系统的识别率。

表4 构建的事件类型

图6 原始信号与处理后信号信噪比对比图

Fig. 6 Comparison of signal-noise ratio between raw signal and processed signal

表5 本文方法在不同事件类型中的系统识别率

试验3：在现实应用环境中，麦克风会收到一种或多种事件。对高速公路应用场景而言，车辆行驶的噪声是主要的信号，也是能量最大的信号。当同时出现2种以上的音频事件时，一般会导致识别率下降。为解决这个问题，本文应用麦克风阵列技术对车辆行驶信号(主信号)增强，同时对其他事件噪声进行抑制。为验证该方法的有效性，在现实高速公路场景，存在自然噪声和人声的情况下进行车辆音频认知。在本试验中，组合试验1中的a、b、c、d事件作为本例试验事件，具体事件组合方式，及其在应用本文方法后的系统识别率如表6所示。可以看出，本文方法对混合事件的识别率均高于95%。在其他噪声影响下，仍能保持较高的有效性。

表6 本文方法在不同事件类型中的系统识别率

4 系统应用情况

本文提出的基于麦克风阵列的隧道照明节能方法与系统，分别应用安装于洞外的视频亮度检测、视频车检，以及安装于隧道内车道侧面或车道上方的音频车辆检测设备，分别获得洞内外亮度、车流量、车辆到达、隧道内是否存在车辆行驶的信息，通过融合上述信息，利用智能无级调光控制器，在隧道不同区段、不同洞外亮度、不同通车量情况下智能控制调整隧道照明，从而实现精准、按需调光，达到安全、舒适、节能、高效的照明效果，解决隧道中存在的耗能严重、运营维护费用高的问题。

目前，该系统已成功应用在广西地区的高速公路和二级路，应用隧道总数超过150条(包括钦州至崇左高速、雷平至硕龙二级公路、河池至都安高速、来宾至马山高速、马山至平果高速，崇左至靖西高速、河池至百色高速、靖西至龙邦高速)。应用期间，产品节能效果好，稳定可靠，节约了大量电能。系统在广西河池至百色高速公路隧道的应用情况如图7所示。

联合业主单位广西红都高速公路有限公司测试，通过横向对比2014通车的靖西至那坡高速公路20条隧道(该路段20条隧道采用的是常规的LED无级调光控制系统)的运行耗能数据，与广西河池至百色高速公路32条隧道(采用的本文系统)的运行耗能数据，对比发现：广西河池至百色高速公路引入本文系统，近半年所需耗能明显更少，比常规LED无级调光控制系统节能约20%。通过本文隧道照明节能技术方案的推广和应用，可降低隧道节能产品的投资、应用成本，大幅提升隧道节能的效果，带动公路节能行业的发展，促进国民经济的发展。

(b) 隧道内外车辆检测器现场安装图2

Fig. 7 Application of system in tunnel from Hechi to Baise Expressway

该系统的应用前景广阔，根据《广西高速公路网规划(2018—2030年)》，到2030年，广西高速公路合计新增建设规模将达到8 000 km以上，绝大部分在山区修筑。隧道照明灯具及节能控制系统的需求量大，未来在广西高速公路隧道节能的需求量为4亿元以上，在广西公路隧道改建和升级工程上需求量为10亿元以上，本文技术仍存在巨大市场。