一种基于轨迹提取和互相关的抗噪声车辆速度估计方法，该方法采用分布式声学传感技术

《Optics & Laser Technology》：A noise-resilient vehicle speed estimation method based on trajectory extraction and cross-correlation using distributed acoustic sensing

分布式光纤传感技术中车辆速度估计方法的研究，提出TESE-CC方法，通过CNN轨迹分割、自适应窗口降噪和交叉相关分析提升低信噪比下的速度估计精度。

　　近年来，随着智能交通系统（ITS）的快速发展，城市交通管理面临着更高的安全性和效率要求。传统的交通监控系统通常依赖于单点路边传感器来测量车辆速度，这种模式虽然在一定程度上能够提供车辆行驶数据，但其局限性也日益显现。例如，单点传感器的覆盖范围有限，使得驾驶员在被监控的区域减速，而在未被监控的区域则可能超速行驶，这不仅影响了速度执法的有效性，也对道路安全构成了威胁。此外，单点传感器的部署需要大量的硬件设备，增加了基础设施建设的成本，同时也对交通管理决策的实时性提出了更高的要求。

为了克服这些限制，一种基于光纤分布式声传感（DAS）的新型技术正在被广泛研究和应用。DAS技术利用光纤中的瑞利后向散射光（RBS）来捕捉振动信号，从而实现对整个光纤长度的连续监测。相比于传统的单点传感器，DAS具有结构简单、成本低廉、抗电磁干扰能力强、传感距离远以及分布式监测的优势。这些特点使其成为大规模车辆监控的理想选择，尤其是在城市环境中，通信光纤的铺设已经非常广泛，其中许多光纤未被使用，被称为“暗光纤”。通过将这些暗光纤与DAS技术结合，可以构建出高密度的路边传感阵列，不仅降低了部署成本，还避免了对道路的额外破坏，为智能交通系统的建设提供了一种经济且非侵入性的解决方案。

尽管DAS技术在车辆速度测量方面展现出巨大的潜力，但在实际应用中仍然面临诸多挑战。例如，当车辆距离光纤较远、重量较轻，或者光纤与地面耦合不良时，其产生的信号容易被环境噪声和系统噪声所掩盖，从而影响速度估计的准确性。此外，低信噪比（SNR）条件下，信号的微弱性进一步增加了速度估算的难度。因此，如何在低SNR环境中提高速度估计的精度和可靠性，成为当前研究的重要方向。

针对上述问题，本文提出了一种名为“基于轨迹提取与互相关的速度估计方法”（Trajectory Extraction-based Speed Estimation with Cross-Correlation，简称TESE-CC）的噪声鲁棒方法。该方法的核心在于利用DAS时空瀑布图中的上下文信息，通过卷积神经网络（CNN）对车辆轨迹进行识别和分割，从而确定其时空位置。随后，应用一种自适应的窗口函数，提取由车辆运动引起的准静态应变信号，以隔离噪声。最后，对经过隔离的DAS信号进行互相关运算，从而获得连续的车辆速度估计。通过多个现场测试的结果表明，该方法显著降低了远车道和近车道的平均均方根误差（RMSE）值，从15.32公里/小时和8.34公里/小时分别降低到6.77公里/小时和4.30公里/小时。这表明TESE-CC方法在提高速度测量的准确性和可靠性方面具有显著优势，特别是在低SNR条件下，仍然能够保持良好的性能。

在具体实现过程中，TESE-CC方法首先利用DAS时空瀑布图的上下文信息，通过CNN对车辆轨迹进行识别和分割。CNN作为一种强大的图像处理工具，能够有效地从复杂的信号中提取出关键的特征信息，从而实现对车辆轨迹的准确划分。在这一阶段，模型不仅能够识别车辆的运动轨迹，还能够判断其在时空坐标中的具体位置。接下来，为了进一步去除噪声，该方法引入了一种自适应的窗口函数。窗口函数的作用在于对DAS信号进行局部处理，提取由车辆运动引起的准静态应变信号，从而与背景噪声区分开来。这种方法能够有效地降低噪声对速度估计的影响，提高数据的纯净度。

在完成信号隔离后，TESE-CC方法采用互相关运算来估计车辆速度。互相关是一种常用的信号处理技术，能够通过比较两个信号之间的相似性来确定它们的时间延迟，从而推算出车辆的运动速度。在这一阶段，系统对经过隔离的DAS信号进行互相关分析，以获得连续的、高精度的车辆速度数据。与传统的速度估计方法相比，这种方法不仅能够提高速度测量的准确性，还能够实现对车辆运动状态的连续监测，为交通管理提供更全面的数据支持。

在实验设计方面，本文采用了多种方法对TESE-CC方法进行验证。首先，通过仿真测试，评估该方法在不同噪声水平下的性能表现。仿真测试的结果表明，TESE-CC方法在高SNR和低SNR条件下均能够保持较高的速度估计精度。其次，通过现场测试，进一步验证该方法在实际环境中的应用效果。现场测试的地点选择在川大校园内的一条主干道——洪一街，该道路的环境条件较为复杂，包括交通流量较大、环境噪声较多等。在该地点，DAS设备的脉冲重复频率设置为250Hz，空间采样间隔和光纤标称长度均设置为3.2米。通信光纤被埋设在人行道下方1.5至2米处，与主交通路线平行铺设，并被包裹在混凝土管道中。这种布置方式不仅能够确保信号的稳定性，还能够减少外部干扰对测量结果的影响。

现场测试的结果表明，TESE-CC方法能够显著提高车辆速度测量的准确性和可靠性。在远车道和近车道的平均RMSE值分别降低了6.77公里/小时和4.30公里/小时，显示出该方法在实际应用中的有效性。此外，该方法在低SNR条件下的表现也优于传统方法，能够在复杂环境中提供稳定的速度估计数据。这一结果不仅验证了TESE-CC方法的技术优势，也为DAS技术在智能交通系统中的进一步应用提供了有力支持。

从整体来看，TESE-CC方法通过结合CNN、自适应窗口函数和互相关分析，实现了对车辆速度的高效、准确测量。该方法不仅克服了传统方法在噪声处理方面的不足，还能够适应复杂的城市交通环境，为交通管理提供更加全面的数据支持。随着DAS技术的不断发展和成熟，其在智能交通系统中的应用前景将更加广阔。未来的研究可以进一步优化算法，提高系统的实时性和适应性，使其能够在更广泛的场景中发挥作用。同时，也可以探索DAS技术与其他传感器技术的融合，以实现更全面的交通监测和管理。这些努力将有助于提升交通系统的智能化水平，为实现更加安全、高效、可持续的交通环境提供技术保障。