陆　颖，刘爱松，江　洪

(江苏大学　a.汽车与交通工程学院； b.机械工程学院，江苏 镇江　212013)



引用格式：陆颖，刘爱松，江洪.压缩感知在车辆事故自动呼救系统中的应用[J].重庆理工大学学报(自然科学版)，2016(1):99-103.

Citation format：LU Ying，LIU Ai-song，JIANG Hong.Application of Compressed Sensing to Automatic Crash Notification System[J].Journal of Chongqing University of Technology(Natural Science)，2016(1):99-103.

压缩感知在车辆事故自动呼救系统中的应用

陆颖a，刘爱松a，江洪b

(江苏大学a.汽车与交通工程学院； b.机械工程学院，江苏 镇江212013)

摘要：设计了一种车辆事故自动呼救系统终端，该事故终端由事故检测模块和呼救模块组成。事故检测模块中的摄像头可采集事故后反映乘员伤情的图像信息并最终传输至呼救中心，便于救援人员开展救援行动。提出将压缩感知理论运用于车辆事故自动呼救系统，可避免传统图像采集、压缩过程中采样资源的浪费，提高图像信号由事故检测模块传输至呼救中心的速度，降低压缩、传输过程中的能耗。对压缩感知在车辆事故自动呼救系统中的应用进行台车碰撞模拟试验，结果表明：重构出的图像清晰、平滑，将压缩感知应用于车辆事故自动呼救系统具有可行性。

关键词：压缩感知；呼救终端；图像信号；信号传输

车辆事故自动呼救系统(automatic crash notification，ACN)[1]在车辆发生事故后可以通过无线通信终端将碰撞发生时的车速、碰撞类型、地理位置等信息发送至呼救中心，便于救援人员及时了解事故车辆的相关信息，展开救援。经验表明：如果事故车辆在向呼救中心发送呼救信息的同时能够发送一张反映车内实时状况的照片，将有助于救援人员及时了解乘客的伤情，制定出更加切实可行的救援方案。然而，随着车载摄像头分辨率、像素的提高，所获得的反映车内情况的图像文件正变得越来越大，而ACN需要在事故发生后产生最少量的数据，其中包含汽车所处的位置信息、驾驶员信息等，并尽快地传输出去。因此，如果利用ACN传输反映事故后车内情况的图像，需要尽可能地传输较少的图像数据，即要用尽可能少的数据表示该图像文件。目前图像的采样和传输多是基于奈奎斯特采样定理，采样数据量大，传输速度慢。将压缩感知(compressed sensing，CS)[2-3]理论运用于车辆事故自动呼救系统能够有效降低数据处理、传输的成本，同时呼救中心可根据接收到的少量信号还原出反映车厢内乘员状况的图像，为医疗机构及资源的分配与派遣提供依据。

压缩感知理论由Candes等于2006年正式提出，它在一定程度上突破了奈奎斯特采样定理对模拟信号采样频率必须大于信号带宽2倍的限制[4]。压缩感知理论指出，在某个变换域中只要信号是稀疏的或者该信号是可压缩的，就可以通过一个观测矩阵(该观测矩阵与变换基不相关)将变换所得到的高维信号投影到一个低维空间上，然后原始信号可通过一个优化问题的求解以高概率从少量的投影中重构出来,并可证明此投影包含了重构信号的足够信息[5]。在该理论框架下，采样速率不再受到信号带宽的限制，而在很大程度上取决于原始信息的稀疏性和观测过程的不相关性[6]。

本文基于压缩感知理论，对车载事故呼救终端的车内图像采集模块和压缩感知模块进行功能设计，通过台车试验验证将压缩感知理论应用到ACN的可行性。

1压缩感知理论

压缩感知理论主要涉及以下3方面内容： 信号的稀疏表示、观测矩阵的设计和重构算法的设计。下面从这3个方面对压缩感知的基本原理进行介绍。

1.1信号的稀疏表示

压缩感知理论与传统的编解码思想相比取得了重大的突破，其应用的重要前提就是信号的稀疏表示。压缩感知理论充分利用了信号的稀疏性，用对信号的编码过程取代传统的采样压缩过程，远低于奈奎斯特采样速率进行编码传输并使用合适的重构算法进行解码从而重构出原始信号[7]。

(1)

式中λ是信号在正交变换域φ上的变换向量，满足

(2)

可以看出：x和λ是同一个信号的等价表示，x是在时域中的表示形式，λ则是在φ域中的表示形式[5]。当一维向量λ中仅有K个较大的系数，其余系数都近似为零时，则称信号x是K-稀疏的。通过K个较大系数可以很好地逼近的信号称为可压缩信号[8]。

对于语音信号、图像视频信号等大部分的自然信号都可以通过特定的正交变换基进行稀疏表示。典型的稀疏基包括离散小波(discrete wavelet transform，DWT)基、离散余弦变换(discrete cosin transform，DCT)基。

1.2观测矩阵的设计

(3)

式中ACS称为CS信息算子。

信号x与φ域上的系数向量λ一一对应，求得λ后可通过稀疏变换的反变换求得信号x。由上式可知：对于给定的y，求解λ为求解线性方程组问题，由于M<

1.3重构算法的设计

通过求解欠定方程组y=ACSx，从低维观测值中求解出高维原始信号的过程就是压缩感知的信号重构过程。原始信号x是稀疏的或可压缩的，并且ACS满足RIP条件，Candes等证明可用求解最小0—范数问题来取代信号重构求解欠定方程组的问题[13]，即

(4)

目前主要有以下3种求解算法：

1) 凸松弛(最小L1范数)算法

凸松弛算法采用L1范数代替L0范数，将非凸问题转变为凸问题进行求解来逼近原始信号。使用凸松弛算法时，利用较少的观测次数就可以重构出信号，但计算过程相对比较复杂[7]。其主要的代表算法有梯度投影法(gradient projection，GP)、内点法及反向传播法。

2) 迭代硬阈值算法

迭代硬阈值(iterative hard thresholding，IHT)算法的基本思路：选择凸集上某点作为初始点，采用硬阈值方法将λ缩减到K稀疏，再将估计解通过凸集投影法(project onto convex set，POCS)重新投影到凸集，不断反复迭代，当满足收敛条件时则停止迭代[14]。迭代硬阈值算法具有较低的计算复杂度，适用于大规模信号的压缩感知重建，但它只能在局部取得最优解，对初始点的要求很高。

3) 贪婪算法

贪婪算法通过每次迭代选择局部最优来逼近全局最优。传统贪婪算法如匹配追踪算法(matching persuit,MP)和正交匹配追踪算法(orthogonal matching persuit，OMP)具有较好的重构性能，在应用上也较为成熟[15]。但贪婪算法需要较多的观测次数，重构速率也随着稀疏度的下降而不断下降。

2车载终端图像采集和压缩感知模块设计

车载呼救系统终端由事故检测模块和呼救模块组成，图像采集模块包含在事故检测模块中。如图1所示，事故检测模块实时采集车辆加速度信号，为触发呼救系统提供依据，并通过摄像头采集事故发生后车内的图像信息，便于呼救中心了解车内乘客的伤情。呼救模块负责接收事故检测模块发送的碰撞图像信息，并由GPS模块接收地理位置信息，最后将相关信息整合通过GPRS网络发送至呼救中心。其中，图像采集模块选用OV7670型摄像头，该型号摄像头支持手动变焦，共有656×488个像素，640×480个有效，有效像素为30万。

图1　事故检测模块设计框图

传统车载终端在事故发生后的图像采集过程中，先对事故检测模块中的摄像头采集到的图像信号进行高速采样、变换、压缩，然后传输至呼救模块，最后传输至呼救中心恢复出图像信号。将压缩感知理论运用于车载呼救终端，先将摄像头采集到的图像信号进行稀疏变换，然后通过观测矩阵将经过稀疏变换后得到的信号投影到M维得到M个观测值，再将信号传输至呼救中心，最后通过重构算法重构出图像。压缩感知模块流程如图2所示。将压缩感知理论运用于车载呼救终端中，可避免传统图像采集过程中采样资源的浪费，提高数据由事故检测模块传输至呼救中心的速度，降低数据压缩、传输时的能耗。

图2　压缩感知流程

3试验结果及分析

为验证压缩感知运用于车载事故终端的可行性，进行了台车试验。使用DAPG-QJ-MNPZ型台车碰撞模拟试验系统进行碰撞模拟试验，台车质量为400kg。如图3所示，事故检测模块与台车刚性连接。

图3　事故检测模块

图4为试验台车分别以28,40,50km/h速度碰撞刚性壁障时，呼救模块的信息显示。

图4　呼救模块信息显示

将试验台车分别以28，40，50km/h速度碰撞时事故检测模块所采集的台车座椅图像信号经过DWT分解得到稀疏信号，然后通过M×N维随机高斯矩阵进行观测得到M个观测值(本次试验中，M=190，N=256)，最后采用OMP算法进行重构得到台车座椅重构图像。重构效果如图5所示。图5(a)，(b),(c)分别为28,40,50km/h速度碰撞时传统图像采集过程中呼救中心获得的原始图像；图5(d),(e),(f)分别为28,40,50km/h速度碰撞时运用压缩感知后呼救中心获得的重构图像。

图5　原始图像和重构图像效果

峰值信噪比(peaksignaltonoiseratio，PSNR)是常用的衡量信号失真程度的指标，它能够反映图像经过压缩变换后与原始图像之间的差距，计算公式如下：

(5)

式中:MSE为原始图像与处理后图像之间的均方误差;PSNR的单位为dB。PSNR值越大，代表处理后图像的失真程度越小。

试验台车分别以28，40，50km/h速度碰撞刚性壁障时所得PSNR值如表1所示。3次试验中所得PSNR值分别为34.935 8， 34.699 0， 34.488 0，所得数值均较为理想。另外，通过对比原始图像和重构图像，可知重构图像较为清晰，重构效果较好，将压缩感知理论运用于车载呼救终端具有可行性。

表1　28，40，50 km/h碰撞时的PSNR值

4结束语

本文将压缩感知理论运用到车辆事故自动呼救系统，并使用台车碰撞模拟试验系统进行碰撞模拟试验。试验结果表明:采用压缩感知理论能够较好地重构出事故检测模块所拍摄的原始图像，重构图像清晰、平滑，将压缩感知运用于车辆事故自动呼救系统具有可行性。

参考文献：

[1]MOHANRA,CHAEWONB,BEUTNERR,etal.Evaluatingthereliabilityofautomatedcollisionnotificationsystems[J].AccidentAnalysisandPrevention,2003,35(3):349-360.

[2]CANDESEJ.Compressivesampling[C]//25thInternationalCongressofMathematicians,ICM2006.[S.l.]:[s.n.],2006:1433-1452.

[3]DONOHODL.Compressedsensing[J].IEEETrans.OnInformationTheory,2006,52(4):1289-1306.

[4]秦乙，朱卫纲，胡旭，等.宽带跳频信号的压缩采样与重构[J].国外电子测量技术，2013，32(9)：25-28,51.

[5]石光明，刘丹华，高大化，等.压缩感知理论及其研究进展[J].电子学报，2009，37(5)：1070-1081.

[6]邵文泽,韦志辉.压缩感知基本理论：回顾与展望[J].中国图象图形学报，2012，17(1)：1-12.

[7]史久根，吴文婷，刘胜.基于压缩感知的图像重构算法[J].计算机工程，2014，40(2)：229-232.

[8]赵春晖，刘巍.压缩感知理论及其在成像技术中的应用[J].智能系统学报， 2012，7(1)：21-32.

[9]侯金曼，何宁，吕科.基于压缩感知的图像快速重建方法[J].计算机工程， 2011，37(19)：215-217,226.

[10]CANDESEJ,ROMBERGJ,TERENCET.Robustuncertaintyprinciples:Exactsignalreconstructionfromhighlyincompletefrequencyinformation[J].IEEETrans.OnInformationTheory,2006,52(2):489-509.

[11]BARANIUKR.Alectureoncompressivesensing[J].IEEESignalProcessingMagazine,2007,24(4):118-121.

[12]王红柱，陈砚圃，高悦，等.基于线性预测分析的语音信号压缩感知[J].计算机应用研究， 2012， 29(4)：1335-1337.

[13]CANDESEJ,TAOT.Nearoptimalsignalrecoveryfromrandomprojections:Universalencodingstrategies[J].IEEETransactionsonInformationTheory,2006,52(12):5406-5425.

[14]李然，干宗良，崔子冠，等.压缩感知图像重建算法的研究现状及其展望[J].电视技术，2013，37(19)：7-14.

[15]陆望，王友国.改进匹配追踪算法及其在图像压缩中的应用[J].计算机技术与发展，2013，23(8)：234-237,241.

(责任编辑杨黎丽)

Application of Compressed Sensing to Automatic

Crash Notification System

LU Yinga， LIU Ai-songa， JIANG Hongb

(a.School of Automotive and Traffic Engineering; b.School of Mechanical Engineering,

Jiangsu University, Zhenjiang 212013, China)

Abstract:An automatic crash notification system terminal which consists of crash detection module and crash notification module was designed. The camera in crash detection module can collect image information that reflects passengers’ injury condition after accident and the image information can be eventually transferred to call center to facilitate rescuers to carry out rescue operations. Applying compressed sensing theory to automatic crash notification system was proposed, so that the waste of sampling resources during the traditional period of collecting image and compressing image was avoided. In addition, the speed of image signal transformed from crash detection module to call center can be improved and energy consumption during the period of compressing image and transforming image can be reduced. A trolley collision experiment was conducted to verify the feasibility of applying compressed sensing to automatic crash notification system. It turns out that the constructed image is clear and smooth and applying compressed sensing to automatic crash notification system is feasibility.

Key words:compressed sensing; notification terminal; image signal; signal transmission

文章编号：1674-8425(2016)01-0099-05

中图分类号：TN911.73;U461.91

文献标识码：A

doi:10.3969/j.issn.1674-8425(z).2016.01.017

作者简介：陆颖(1981—)，男，博士后，副教授，主要从事车辆事故后安全、图像处理研究。

基金项目：江苏大学高级专业人才科研启动 (09JDG078)

收稿日期：2015-10-22