這是學習時的筆記，包含相關資料鏈接，有的當時沒有細看，記錄下來在需要的時候回顧。
有些較混亂的部分，后續會再更新。
歡迎感興趣的小伙伴一起討論，跪求大神指點~
需求提要
解決停車位人工監管問題，需要設備得知車位停車信息。目前有許多解決的途徑，如地感線圈、紅外、超聲波、雷達、攝像頭、地磁等。考慮了成本、功耗、穩定性、安裝難易程度、后期維護等問題，最終選用地磁。
這看起來不是多復雜的問題，但實現過程中仍遇到some troubles。
解決流程
對磁傳感器一無所知的情況下，很難直接操刀，因此要先了解一下，磁傳感器原理，影響地磁的因素，各因素的影響效應。其次，車體構造對地磁影響，因此要獲取盡可能多的不同車型停車過程的地磁變化數據。
磁性及磁傳感器
其實我並不是很明白磁傳感器內部構造和具體原理，但測試獲取一些數據后，數據變化情況不太一致，有的車輛停放后，地磁數據比基線（初始地磁數據）大，有的反而小。因此查看了磁傳感器的磁力變化影響原因：
當有外界磁場Ha時，傳感器上主磁域方向就會發生變化而不再是初始的方向了，那么磁場方向和電流的夾角θ也會發生變化，夾角變化決定了數據趨勢是增還是減。
磁力方向和電流方向夾角
θ-R特性曲線
同時，明白了磁傳感器的方向對檢測數據的影響，因此，測試時設計試驗需注意。
推薦閱讀磁力計工作原理
車型差異檢測
實測車輛入庫出庫的地磁數據變化：
（只顯示地磁z軸數據。圖中x軸表示測試得到的數據點，相關時間與測試時的波特率相關。這部分波特率為119200）
普通電動汽車
三廂電動汽車
普通小轎車
小跑車
還有電動貨車，小型公交，高底盤的SUV等，不一一列舉。上述已經能看出各個車型的差異了，而且短期的區分度還是很明顯的。
方法1
既然區分度如此明顯，而且要在單片機上做數據流分析，計算部分越簡單越好。因此我采用平均值濾波+閾值+峰谷值差進行判斷；無車時用一階滯后濾波進行基線更新。
濾波降低了突變情況的干擾；
閾值與峰谷值差結合，提取有車進入時的穩定變化特征，檢測微小抖動、大抖動，當每個階段穩定后，判斷有車或無車。
簡單的算法，理清邏輯后，很容易實現。
推薦閱讀
基於磁阻的車輛檢測 北京交通
基於地磁的車輛檢測 華南理工
實測遇到的問題
-
按大多數論文的說法，基本上認為地球同一個地點的地磁信號不變，可是初期拿到的地磁長時測試數據，效果並不好，一度懷疑是傳感器的問題。
室內盡量減少其他干擾后得到的結果，漂移范圍上下波動100左右。同樣在室外檢測了一組數據（夏），數據變化趨勢與溫度變化趨勢有相關性。
如果說車輛長時停放時數據漂移嚴重，此期間不能進行基線更新，那么以此作為判斷出庫的標志顯然是不明智的。不選用只看峰谷值差來判斷車輛出庫，是因為，如果中間出現大的影響因子，這里判斷出錯，那么后續所有判斷都會反轉，沒有良好的監察機制。 （后來更換了一個型號的地磁傳感器，效果好的多，室內放置兩天，上下波動只有10-20左右） -
有的車輛完全入庫停放后，地磁數據與基線值沒有差異。
方法2
匹配：記錄入庫時的散點（保留入庫圖像特征），在之后的窗移過程中選取合適的點，當點數足夠多時開始匹配，我選用DTW匹配，當匹配到合適的圖形時，DTW距離出現局部最小，此時匹配完成，認為車出庫。當然實際操作，需要再延時檢測一會，確定地磁數據穩定后再決定。
原始數據如圖0，記錄入庫的散點特征如下圖1，該部分經過翻轉得到，因為入庫與出庫的特征呈對稱分布。最優匹配采集的散點如下圖2：
匹配算法部分比較容易實現，主要問題在於處理數據流時的性能優化。需要窗移，因此我選用單鏈表，減少移動時的操作。
但是每次移動，窗口內的峰谷值都發生變化，為了性能優化，我舍棄了窗口內的最大最小值，只比對每次進入的new value、移出窗口的old value和原最大最小值，如果移除的值是當前的max或min，選用old value->next，由於數據流的連續性，基本保留了數據特征。
優點：不用考慮不同車型和車體結構對地磁影響不同的問題，畢竟做不到各種車型都測一遍。
不用考慮基線漂移問題，因為不管基線飄到哪，車出庫都對地磁造成影響，且影響效應基本相同。
缺點：駕駛人的行為問題，多次入庫或多次出庫都會對匹配造成影響。不過可以用邏輯盡量規避。
可能產生局部最優圖形，造成的匹配失誤。
（若非特別聲明，文章是Vanessa的個人筆記，轉載請注明出處。文章如有侵權內容，請聯系我，我會及時刪除）