Die Erfindung betrifft ein Verfahren zur Messung der Verkehrsdichte und/oder Geschwindigkeit einer Anzahl von Fahrzeugen, die sich auf einem Fahrabschnitt, insbesondere einer Straße, fortbewegen, gemäß Patentanspruch 1 , ein Verfahren zur Messung der Verkehrsdichte und/oder der Geschwindigkeit auf einer Straße, umfassend eine Anzahl von Fahrabschnitten für Fahrzeuge, gemäß Patentanspruch 12, sowie eine Anordnung gemäß Patentanspruch 13.

Straßen und Autobahnen sind für das moderne Verkehrswesen unerlässlich und verlässliche Verkehrsüberwachungssysteme sind erforderlich, um einen kontinuierlichen, ungehinderten Verkehrsfluss sicherzustellen. Derartige Verkehrsüberwachungssysteme liefern Informationen über die aktuell auf einer Straße oder einer Autobahn herrschenden Verkehrsbedingungen, wie beispielsweise die Anzahl und die Geschwindigkeit von Fahrzeugen auf einem bestimmten Streckenabschnitt. Diese Daten können Informationen hinsichtlich des Auftretens von Verkehrshindernissen wie Staus oder Unfällen auf den Straßen bzw. Autobahnen liefern und derart zu einer raschen Behebung dieser Verkehrshindernisse beitragen. Verkehrsüberwachungssysteme tragen auch dazu bei, umgehend Maßnahmen, die einen völligen Verkehrsstillstand vermeiden sollen, wie die Sperrung einer Spur oder die Verwendung des Pannenstreifens für den Verkehr, ergreifen zu können.

Aus dem Stand der Technik sind Verkehrsüberwachungssysteme bekannt, bei denen Sensoren entweder über Kopf, unter oder neben der Fahrbahn angeordnet sind, um den Verkehrsfluss zu detektieren. Derartige Sensoren können beispielsweise Laserscanner, Infrarot-, Radar- oder Ultraschallsensoren sein, es können aber auch magnetische oder akustische Sensoren oder Videokameras eingesetzt werden. So verursachen beispielsweise vorbeifahrende Fahrzeuge Veränderungen im Magnetfeld, die zur Messung des Verkehrsflusses herangezogen werden können. Monitoring basierend auf akustischen Sensoren kann beispielsweise durch ein Mikrophon-Array realisiert werden. Es können aber auch z.B. Smartphone-Verbindungsdaten oder Fahrzeug-GPS-Daten ausgewertet werden, um den Verkehrsfluss zu analysieren.

Sensoren, die unter der Fahrbahndecke installiert werden, bringen als Nachteil mit sich, dass sie teuer sind, da laufend Reparaturen und Wartungen erforderlich sind, während Sensoren über Kopf oder neben der Fahrbahn wie beispielsweise Kameras von schlechten Wetterbedingungen beeinträchtigt werden. Ein kostengünstiges, wartungsarmes und gleichzeitig zuverlässiges System bzw. Verfahren zur Verkehrsüberwachung sind daher wünschenswert, um einen kontinuierlichen und sicheren Verkehrsfluss zu gewährleisten. Aus dem Stand der Technik sind weiters Distributated Acoustic Sensing (DAS)-Systeme bekannt, die in Überwachungssystemen für Züge (S. Kowarik et al., “Fiber Optic Train Monitoring with Distributed Acoustic Sensing: Conventional and Neural Network Data Analysis,” Sensors, vol. 20, no. 2, p. 450, Jan. 2020, doi: 10.3390/s20020450) oder seismische Aktivität (S. Dou et al., “Distributed Acoustic Sensing for Seismic Monitoring of The Near Surface: A Traffic-Noise Interferometry Case Study,” Sei Rep, vol. 7, no. 1, p. 11620, Dec. 2017, doi: 10.1038/s41598-017-11986-4, und F. Waiter et ai., “Distributed acoustic sensing of microseismic sources and wave propagation in glaciated terrain,” Nat Commun, vol. 11, no. 1, p. 2436, Dec. 2020, doi: 10.1038/s41467-020-15824-6), aber auch für Intrusionssensoren (Distributed fiber-optic intrusion sensor system,” J. Lightwave Technol., vol. 23, no. 6, pp. 2081-2087, Jun. 2005, doi: 10.1109/JLT.2005.849924., F. Peng, H. Wu, X.-H. Jia, Y.-J. Rao, Z.-N. Wang, and Z.-P. Peng, “Ultra-long high-sensitivity -OTDR for high spatial resolution intrusion detection of pipelines,” Opt. Express, vol. 22, no. 11, p. 13804, Jun. 2014, doi: 10. 1364/OE.22.013804, C. Wang, M. Olson, B. Sherman, N. Dorjkhand, J. Mehr, and S. Singh, “Reliable Leak Detection in Pipelines Using Integrated DdTS Temperature and DAS Acoustic Fiber-Optic Sensor,” in 2018 International Carnahan Conference on Security Technology (ICCST), Montreal, QC, Oct. 2018, pp. 1-5, doi: 10.1109/CCST.2018.8585687) verwendet werden.

DAS-Systeme nutzen eine Serie von elektromagnetischen Wellen, die über einen Wellenleiter, beispielsweise eine optische Faser wie z.B. ein Glasfaserkabel, übertragen werden. Die aus dem Wellenleiter rückgestreute elektromagnetische Welle, die von Deformation des Wellenleiters durch z.B. Bodenvibrationen beeinflusst wird, wird gemessen und analysiert. Wird ein solcher Wellenleiter parallel zu einem Straßenabschnitt verlegt, beeinflussen Bodenvibrationen, die von vorbeifahrenden Fahrzeugen induziert werden, das DAS-Signal und es können basierend auf dem DAS-Signal den Straßenabschnitt betreffende Verkehrsinformationen abgeleitet werden. Gerade bei Verkehrsinfrastruktur besteht der wesentliche Vorteil, dass für die betriebsbedingt erforderlichen Kommunikationsanwendungen ohnehin Kabel in Form von Glasfaserkabeln verlegt sind. Somit können die von Fahrzeugen abgegebenen Druckänderungen oder akustischen Schwingungen in Raum und Zeit gemessen werden.

Aufgabe der Erfindung ist es daher, ein konkretes Verfahren zur Verfügung zu stellen, mit dem Verkehrsinformationen wie Verkehrsdichte und/oder die Geschwindigkeit einer Anzahl von Fahrzeugen basierend auf DAS-Messungen ermittelt werden können. Die Erfindung löst diese Aufgabe mit einem Verfahren zur Messung der Verkehrsdichte und/oder Geschwindigkeit einer Anzahl von Fahrzeugen, die sich auf einem Fahrabschnitt, insbesondere einer Straße, fortbewegen, gemäß Patentanspruch 1. Dabei ist vorgesehen, dass a) entlang des Fahrabschnitts mittels eines Wellenleiters, insbesondere eines Glasfaserkabels, Messwerte zur Charakterisierung von Vibrationen oder Druckänderungen an einer Vielzahl von entlang des Fahrabschnitts angeordneten Ortspunkten bestimmt werden, b) der Wellenleiter entlang des Fahrabschnitts angeordnet und von den vom Fahrtweg ausgehenden Erschütterungen, Vibrationen oder Druckänderungen betroffen ist, c) zu vorgegebenen Zeitpunkten, insbesondere mit einer Frequenz zwischen 100 Hz und 10 kHz, vorzugsweise zwischen 1 bis 4kHz, jeweils ein elektromagnetischer Puls in den Wellenleiter abgegeben wird, und die aus dem Wellenleiter zurückkehrende elektromagnetische Welle gemessen wird, wobei entsprechend der zeitlichen Verzögerung der zurückkehrenden elektromagnetischen Welle das Signal einem Ortspunkt entlang des Fahrabschnitts zugeordnet wird, d) die Stärke und/oder Phase und/oder Energie der zurückkehrenden elektromagnetischen Welle als Messwert zur Charakterisierung von Vibrationen oder Druckänderungen im betreffenden Ortspunkt herangezogen wird, und e) für eine Anzahl von Ortspunkten entlang des Fahrabschnitts und für eine Anzahl von Zeitpunkten jeweils ein Messwert, insbesondere ein Messsignal, zur Charakterisierung der Vibration oder einer Druckänderung zur Verfügung gestellt wird.

Erfindungsgemäß ist dabei vorgesehen, dass f) in einem Detektionsschritt eine Wahrscheinlichkeit ermittelt wird, ob ein jeweiliger Messwert einem Vorhandensein eines Fahrzeuges entspricht, wobei die Wahrscheinlichkeiten über die Ortspunkte in einem Diagramm, insbesondere in einem Wasserfalldiagramm, abgebildet werden, in dem die darin enthaltenen Spuren Trajektorien der Fahrzeuge entsprechen, wobei eine Trajektorie jeweils den Zeit-Weg-Verlauf eines Fahrzeugs, insbesondere die Fortbewegung eines Fahrzeugs in Bezug auf die Ortspunkte für eine Anzahl von Zeitpunkten, beschreibt, wobei insbesondere vorgesehen ist, dass die Spuren geraden Linien mit Breite entsprechen, g) wobei aus den Werten des Diagramms, insbesondere des Wasserfalldiagramms, die Anzahl von Spuren und/oder deren Steigung bestimmt wird, und h) wobei die Anzahl der Spuren und/oder deren Steigung zur Bestimmung der Geschwindigkeit der Fahrzeuge und/oder der Anzahl der Fahrzeuge herangezogen wird. Bei einer derartigen Vorgehensweise sind vorteilhafterweise nur ein Wellenleiter wie eine optische Faser bzw. ein Glasfaserkabel und eine Mess- und Verarbeitungseinheit, z.B. eine opto-elektronische Interrogator-Vorrichtung, erforderlich, um zuverlässig Verkehrsinformationen ableiten zu können. Dies ist kostengünstiger und wartungsärmer als konventionelle Verkehrsüberwachungssysteme, die eine Vielzahl von Sensoren entlang der Fahrbahn erfordern und somit mit höheren Installations-, Instandhaltungs- und Energiekosten verbunden sind.

Ein weiterer Vorteil der erfindungsgemäßen Vorgehensweise ist, dass der Wellenleiter parallel zur Fahrbahn installiert werden kann und nicht über oder unter der Fahrbahndecke, sodass z.B. Straßenbauarbeiten das erfindungsgemäße Verfahren nicht beeinträchtigen. Weiters macht die passive Natur des Wellenleiters diesen unempfindlich gegenüber elektromagnetischen Interferenzen und Blitzschlag und daher wartungsärmer als beispielsweise Kabel mit Kupferanteil.

Im Zusammenhang mit der Erfindung wird unter einer Trajektorie eines Fahrzeugs der Weg- Zeit-Verlauf des jeweiligen Fahrzeugs in Weltkoordinaten verstanden, der sich als Spur im Wasserfalldiagramm in Form eines x-y-Verlaufs in Bildkoordinaten abbildet. Besonders bevorzugt haben diese Spuren die Form von geraden Linien mit einer Breite, die der Fahrzeuglänge entspricht.

Eine besonders zuverlässige Ermittlung der Wahrscheinlichkeit, ob ein jeweiliger Messwert einem Fahrzeug entspricht, kann erzielt werden, wenn im Detektionsschritt f)

- für Ortspunkte jeweils separat im Bereich des Fahrzeugs und/oder dessen Trajektorie im jeweiligen Ortspunkt eine Anzahl von Zeitfenstern vorgegeben wird,

- in jedem der Zeitfenster eines Ortspunkts separat jeweils die Signalenergie durch Fouriertransformation innerhalb von vorgegebenen Frequenzbändern ermittelt wird, und diese Signalenergie einem dem jeweiligen Zeitfenster zugeordneten Zeitpunkt zugewiesen wird, sodass ein diskretes Signal, das jedem Ortspunkt für einzelne Zeitpunkte die zugehörigen Signalenergien zuordnet, zur Verfügung steht, und die Wahrscheinlichkeit für das Vorhandenseins eines Fahrzeuges abgeleitet wird, indem die Signalenergien für verschiedene Frequenzbänder berechnet und kombiniert werden, wobei a) im Fall, dass ein einzelnes Frequenzband vorgegeben wird, dieses Frequenzband, insbesondere nach Durchführung eines Normierungsschritts, als Maß für die Wahrscheinlichkeit für das Vorhandensein eines Fahrzeugs angesehen wird, und/oder b) die Kombination der Signalenergien durch Einsatz eines Machine Learning-Verfahrens vorgenommen wird, wobei insbesondere vorgesehen ist, dass in einem Trainingsschritt die Kombination einzelner Frequenzbänder erlernt wird.

Unter der Signalenergie in einem Frequenzband wird im Folgenden die Summe der Quadrate der Absolutbeträge der Fourier-Koeffizienten aus dem jeweiligen Frequenzband verstanden.

Eine alternative Vorgehensweise für eine besonders zuverlässige Ermittlung der Wahrscheinlichkeit, ob ein jeweiliger Messwert einem Fahrzeug entspricht, kann bereitgestellt werden, wenn im Detektionsschritt f) ausgewählte, insbesondere alle, Messwerte einer Musteranalyse unterzogen werden, wobei in der Musteranalyse die Ähnlichkeit zu einem vorgegebenen Muster ermittelt wird, und wobei die Ähnlichkeit zu dem vorgegebenen Muster als Wahrscheinlichkeit für das Vorhandenseins eines Fahrzeuges herangezogen wird.

Eine besonders exakte Musteranalyse ist dabei möglich, wenn ein Pattern Matching-Verfahren für die Musteranalyse herangezogen wird.

Eine weitere alternative Vorgehensweise für eine besonders zuverlässige Ermittlung der Wahrscheinlichkeit, ob ein jeweiliger Messwert einem Fahrzeug entspricht, kann bereitgestellt werden, wenn im Detektionsschritt f) ausgewählte, insbesondere alle, Messwerte mittels eines Machine Learning-Verfahrens anhand eines, insbesondere vorab trainierten, Klassifikators klassifiziert werden und derart die Wahrscheinlichkeit des Vorhandenseins eines Fahrzeuges ermittelt wird.

Eine besonders exakte Ermittlung der Anzahl von Spuren und/oder deren Steigung aus den Werten des Diagramms kann erzielt werden, wenn in Schritt g) aus ausgewählten, insbesondere allen, Werten des Diagramms, insbesondere des Wasserfalldiagramms, mittels eines vorgegebenen Schwellenwerts jeweils ein binäres Bild erzeugt wird, und in dem jeweiligen binären Bild die Anzahl der Spuren und/oder deren jeweilige Steigung mittels Hough-Transformation ermittelt werden.

Unter einem binären Bild wird im Folgenden eine Bildmatrix verstanden, deren Elemente nur zwei unterschiedliche Werte, nämlich 0 oder 1 , annehmen können.

Eine alternative Vorgehensweise für eine besonders exakte Ermittlung der Anzahl von Spuren und/oder deren Steigung aus den Werten des Diagramms, kann bereitgestellt werden, wenn - in Schritt g) aus ausgewählten, insbesondere allen, Werten des Diagramms, insbesondere dem Wasserfalldiagramm, mittels eines vorgegebenen Schwellenwerts jeweils ein binäres Bild erzeugt wird, und

- im jeweiligen binären Bild die Orientierung der lokalen Gradienten ausgewählter, insbesondere aller, Spuren mittels eines Bildverarbeitungsverfahrens, insbesondere mittels Sobel-, Prewitt-, und/oder Roberts-Operatoren, in Form eines Orientierungs-Bilds bestimmt werden,

- wobei aus dem Orientierungs-Bild der Orientierungen der lokalen Gradienten ein Histogramm gebildet wird und die Maximalwerte in dem Histogramm ermittelt werden, wobei aus den Maximalwerten jeweils Winkelpaare mit einer Richtungsdifferenz von 180 Grad ermittelt werden, und wobei aus den Winkelpaaren die Geschwindigkeiten (v) der Fahrzeuge ermittelt wird.

Zur besonders zuverlässigen Bestimmung der Geschwindigkeit und/oder der Anzahl der Fahrzeuge kann vorgesehen sein, dass die Position und/oder die Höhe der Maximalwerte im Histogramm ermittelt wird, wobei die Position im Histogramm der Geschwindigkeit der Fahrzeuge und die Höhe im Histogramm der Anzahl der Fahrzeuge entspricht, die eine jeweilige Geschwindigkeit aufweisen.

Eine besonders exakte Vorgehensweise zur Ermittlung der Verkehrsstärke und/oder der Verkehrsdichte kann vorgesehen sein, dass

- die Verkehrsstärke ermittelt wird, indem die Summe aller Fahrzeuge in einem jeweils betrachteten Bereich gebildet und ins Verhältnis mit der Dauer des Zeitabschnitts, den das Histogramm repräsentiert, gesetzt wird und/oder

- die Verkehrsdichte ermittelt wird, indem die Summe aller Fahrzeuge in einem jeweils betrachteten Bereich gebildet und ins Verhältnis mit der Größe des Ortsabschnitts, den das Histogramm repräsentiert, gesetzt wird.

Eine besonders detaillierte Untersuchung entsprechend der Fahrzeuglänge kann sichergestellt werden, wenn in einem Zwischenschritt zwischen dem Detektionsschritt f) und Schritt g)

- mittels eines Filters anhand der Breiten der Spuren auf die Länge der Fahrzeuge rückgeschlossen wird, wobei die Breite einer Spur einem Schnitt im Diagramm bei einem jeweiligen Zeitpunkt (t) entlang des Ortes entspricht,

- unterschiedliche Diagramme für unterschiedliche Längenbereiche der Fahrzeuge gebildet werden, und

- die derart erstellten Diagramme für unterschiedliche Längenbereiche der weiteren Verarbeitung der Schritte g und h) getrennt zugeführt werden. Für eine besonders effiziente Bestimmung der Geschwindigkeiten über einen gesamten Fahrabschnitt hinweg kann vorgesehen sein, dass der Fahrabschnitt in eine Anzahl von Unterabschnitten unterteilt wird, wobei die Unterabschnitte derart ausgebildet sind um Geschwindigkeiten aus den Trajektorien der Fahrzeuge ermitteln zu können, wobei jeweils ein Diagramm in diesem Unterabschnitt gebildet wird, wobei insbesondere vorgesehen ist, dass die Unterabschnitte so groß gewählt werden, dass die Spuren vollständig enthalten sind und die Steigung der Spuren ermittelbar ist.

Da zur Bestimmung der Verkehrsdichte und/oder der Geschwindigkeit ein Längenbereich größer 0 herangezogen wird, um die Trajektorien der Fahrzeuge ermitteln zu können, kann, um den Verkehrszustand über die gesamte Länge einer Straße festzustellen, eine Straße vorteilhafterweise in eine Anzahl von Fahrabschnitten unterteilt werden, deren Länge geeignet, typischerweise 500 m lang, gewählt wird.

Eine Messung der Verkehrsdichte und/oder der Geschwindigkeit auf einer Straße umfassend eine Anzahl von Fahrabschnitten ist vorteilhafterweise möglich, wenn die Messung der Verkehrsdichte auf den einzelnen Fahrabschnitten mit einem erfindungsgemäßen Verfahren durchgeführt wird.

Aufgabe der Erfindung ist es weiters, eine Anordnung zur Messung der Verkehrsdichte und/oder Geschwindigkeit einer Anzahl von Fahrzeugen, die sich auf einem Fahrabschnitt, insbesondere einer Straße, fortbewegen, bereitzustellen. Die Erfindung löst diese Aufgabe mit den Merkmalen von Anspruch 14. Erfindungsgemäß ist dabei vorgesehen, dass die Anordnung Folgendes umfasst:

- Einen entlang eines Fahrabschnitts, insbesondere einer Straße, angeordneten Wellenleiter, insbesondere ein Glasfaserkabel, der von den vom Fahrabschnitt ausgehenden Erschütterungen betroffen ist und

- eine an den Wellenleiter angekoppelt Mess- und Verarbeitungseinheit, die dazu ausgebildet ist,

- zu vorgegebenen Zeitpunkten, insbesondere mit einer Frequenz zwischen 100 Hz und 10 kHz, vorzugsweise zwischen 1 und 4 kHz, jeweils einen elektromagnetischen Puls in den Wellenleiter abzugeben und die reflektierte, aus dem Wellenleiter zurückkehrende elektromagnetische Welle zu erfassen und entsprechend der zeitlichen Verzögerung der zurückkehrenden elektromagnetischen Welle einem Ortspunkt entlang des Fahrtwegs zuzuordnen und - ein erfindungsgemäßes Verfahren durchzuführen und derart die Verkehrsdichte und/oder Geschwindigkeit einer Anzahl von Fahrzeugen die sich auf dem Fahrabschnitt, insbesondere der Straße, fortbewegen, zu ermitteln.

Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Beschreibung und den beiliegenden Zeichnungen.

Die Erfindung ist im Folgenden anhand von besonders vorteilhaften, aber nicht einschränkend zu verstehenden Ausführungsbeispielen in den Zeichnungen schematisch dargestellt und wird unter Bezugnahme auf die Zeichnungen beispielhaft beschrieben.

Im Folgenden zeigen schematisch:

Fig. 1 eine schematische Darstellung eines DAS-Systems zur Verkehrsüberwachung,

Fig. 2 eine schematische Darstellung eines Ausschnitts aus einem Wasserfalldiagramm,

Fig. 3 ein schematisches Beispiel einer Linie in der Hough-Transformation definiert durch Winkel 0 und Radius r,

Fig. 4 ein schematisches Beispiel eines transformierten binären Bilds basierend auf einem vorprozessierten DAS-Signal,

Fig. 5 ein Hough-Transformations-Bild des binären Bilds in Fig. 4,

Fig. 6 die Summe längs der Spalten (entspricht gleichen Winkeln) des logarithmierten Hough- Transformations-Bilds in Fig. 5,

Fig. 7 eine schematische Darstellung von einer Trajektorie und Zeitfenstern in einem Wasserfalldiagramm,

Fig. 8a Spuren von drei Fahrzeugen in einem Wasserfalldiagramm, wobei die x-Achse den Ort längs des Fahrabschnitts und die y-Achse die Zeit repräsentiert,

Fig. 8b ein binäres Bild der Spuren von drei Fahrzeugen, wobei die x-Achse den Ort längs des Fahrabschnitts und die y-Achse die Zeit repräsentiert,

Fig. 9 ein Orientierungs-Bild mit den ausgewerteten lokalen Orientierungen der Gradienten der Spuren in Fig. 8b, wobei die x-Achse den Ort längs des Fahrabschnitts und die y-Achse die Zeit repräsentiert,

Fig. 10 ein Beispiel eines Histogramms der lokalen Orientierung der Gradienten aus Fig. 9, Fig.1 1 ein Beispiel für die Auswertung der lokalen Orientierungen über einen ganzen Fahrabschnitt.

Fig. 1 zeigt einen Fahrabschnitt 3, auf dem sich ein LKW fortbewegt. Parallel zum Fahrabschnitt 3 ist einen Wellenleiter in Form eines Glasfaserkabels 1 verlegt. Eine Mess- und Verarbeitungseinheit in Form einer Interrogator-Vorrichtung 2 ist mit einem Ende des Glasfaserkabels 1 verbunden und gibt eine Serie von elektromagnetischen Pulsen in Form von Laserlichtpulsen an das Glasfaserkabel 1 ab. Anteile des abgegebenen Lichts werden rückgestreut und werden mit derselben Interrogator-Vorrichtung 2 gemessen, wie dies schematisch in Fig. 1 angedeutet ist.

Erschütterungen, Vibrationen oder Druckänderungen, die durch vorbeifahrende Autos oder LKWs erzeugt werden, dehnen und/oder komprimieren das Glasfaserkabel 1 und beeinflussen daher die Länge des optischen Pfads. Dies induziert eine messbare Phasenverschiebung des rückgestreuten Lichts, die mit interferometrischen Methoden ermittelt werden kann.

Zu vorgegebenen Zeitpunkten, beispielsweise mit einer Frequenz zwischen 100 Hz und 10 kHz, bevorzugt 2 kHz, wird jeweils ein Lichtimpuls in das Glasfaserkabel 1 abgegeben und das aus dem Glasfaserkabel 1 zurückkehrende Licht gemessen. Dabei wird entsprechend der zeitlichen Verzögerung des zurückkehrenden Lichts das Signal einem Ortspunkt entlang des Fahrabschnitts 3 zugeordnet. Dabei kann die Stärke und/oder Phase und/oder Energie des zurückkehrenden Lichts als Messwert zur Charakterisierung von Vibrationen oder Druckänderungen im betreffenden Ortspunkt herangezogen werden. Somit stehen schließlich für eine Anzahl von Ortspunkten entlang des Fahrabschnitts 3 und für eine Anzahl von Zeitpunkten t jeweils ein Messwert m(x, t), insbesondere ein Messsignal, zur Charakterisierung der Vibration oder einer Druckänderung zur Verfügung.

Allgemeine Grundlagen des DAS-Messverfahrens und der Auswertung von DAS-Messungen sind beispielsweise in C. Wiesmeyr et al., ‘Real-Time Train Tracking from Distributed Acoustic Sensing Data’, Applied Sciences, vol. 10, no. 2, p. 448, Jan. 2020, doi: 10.3390/app10020448 beschrieben.

Um die Verkehrsdichte und Geschwindigkeit von Fahrzeugen, die sich auf einem Fahrabschnitt fortbewegen, aus den ermittelten DAS-Messwerten abzuleiten, werden erfindungsgemäß Bild- und Signalverarbeitungsalgorithmen verwendet. So sind vorteilhafterweise eine Messung der Verkehrsstärke, d.h. Fahrzeuge pro Zeiteinheit, der Verkehrsdichte, d.h. Fahrzeuge pro Längeneinheit, und der mittleren Geschwindigkeiten in einem Wasserfalldiagramm basierend auf DAS-Messwerten ermöglich, in dem aufgrund der hohen Dichte von Fahrzeugtrajektorien ein individuelles Tracking jedes einzelnen Fahrzeugs nicht mehr möglich ist.

Generell umfasst ein erfindungsgemäßes Verfahren folgende Schritte: In einem Detektionsschritt wird zunächst eine Wahrscheinlichkeit Wi... W _x ermittelt, ob ein jeweiliger Messwert m(x, t) einem Vorhandensein eines Fahrzeuges entspricht. Anschließend werden diese Wahrscheinlichkeiten in einem Diagramm dargestellt.

In einem ersten Ausführungsbeispiel in Fig. 2 werden die Wahrscheinlichkeiten Wi... W _x über die Ortspunkte Mi ... M _x mit x=100 aus Fig. 1 in einem Wasserfalldiagramm abgebildet. In einem derartigen Wasserfalldiagramm entsprechen die Pixelwerte der Bildmatrix der Signalenergie von Segmenten mit bestimmter zeitlicher Dauer und örtlicher Länge. Im Wasserfalldiagramm (siehe Fig. 2) entsprechen die darin enthaltenen Spuren Trajektorien von Fahrzeugen, die den Fahrabschnitt 2 passieren.

Eine Trajektorie beschreibt dabei jeweils den Zeit-Weg-Verlauf eines Fahrzeugs (siehe Fig. 7), z.B. die Fortbewegung eines Fahrzeugs in Bezug auf die Ortspunkte Mi ... M _x für eine Anzahl von Zeitpunkten t. Eine Trajektorie x(t) kann sowohl als der Ortspunkt Mi ... M _x , an dem sich z.B. der Anfang des Fahrzeugs befindet, als Funktion der Zeit t als auch als Inverse t(x) dieser Funktion dargestellt werden, d.h. als Funktion, die angibt, zu welcher Zeit t sich das Fahrzeug an dem Ortspunkt Mi ... M _x befindet. Fahrzeuge mit endlicher Länge besitzen Trajektorien mit einer Breite die den Zeit-Weg-Verlauf der Vorderkante des Fahrzeugs (to in Fig.7), als auch den Zeitverlauf der Hinterkante des Fahrzeugs (t _p in Fig.7) darstellen. Diese Spuren der Fahrzeuge entsprechen in Fig. 2 geraden Linien mit einer Breite, die der jeweiligen Fahrzeuglänge entspricht.

Die Trajektorien der Fahrzeuge, d.h. der Weg-Zeit Verlauf eines jeweiligen Fahrzeugs in Weltkoordinaten, bilden sich als Spuren im Wasserfalldiagramm in Form eines x-y Verlaufs in Bildkoordinaten ab. Diese Spuren haben im allg. die Form von geraden Linien mit einer Breite die der Fahrzeuglänge entspricht.

Im Wasserfalldiagramm in Fig. 2 sind individuelle Fahrzeug-Trajektorien als gerade Linien erkennbar, wobei der Anstieg der Linien mit der Geschwindigkeit des Fahrzeugs korrespondiert. Das Vorzeichen des Anstiegs, d.h., ob sich die Linie nach rechts oder links im Diagramm neigt, entspricht der Richtung der Fahrzeugbewegung. Ein positiver Anstieg entspricht einer Bewegung des Fahrzeugs von der Interrogator-Vorrichtung 2 weg, die im Diagramm im Ursprung angenommen wird, während ein negativer Anstieg einer Bewegung des Fahrzeugs zur Interrogator-Vorrichtung 2 hin entspricht. Anschließend wird aus den Werten des Diagramms, z.B. des Wasserfalldiagramms, die Anzahl von Spuren und/oder deren Steigung bestimmt und zur Bestimmung der Geschwindigkeit und/oder der Anzahl der der Fahrzeuge herangezogen.

Zur Bestimmung der Wahrscheinlichkeiten Wi... W _x wird im ersten Ausführunqsbeispiel im Detektionsschritt eine Frequenzanalyse des DAS-Rohsignals durchgeführt. Dazu wird für Ortspunkte Mi ... M o jeweils separat im Bereich des Fahrzeugs 3 und/oder dessen Trajektorie xo(t); to(x) im jeweiligen Ortspunkt Mi ... M _x eine Anzahl von Zeitfenstern U; Ui ... LI? vorgegeben.

In jedem der Zeitfenster U; Ui ... U ₇ eines Ortspunkts Mi ... M _x wird separat jeweils die Signalenergie durch Fouriertransformation innerhalb von vorgegebenen Frequenzbändern f ermittelt. Diese Signalenergie wird einem dem jeweiligen Zeitfenster U; Ui ... U7 zugeordneten Zeitpunkt t zugewiesen, sodass ein diskretes Signal d(x, t, f), das jedem Ortspunkt Mi ... M _x für einzelne Zeitpunkte die zugehörigen Signalenergien zuordnet, zur Verfügung steht.

Im Ausführungsbeispiel in Fig. 2 wurde für das ursprüngliche DAS-Rohsignal, das mit einer Abtastrate von 1 kHz aufgenommen wird, eine Fast-Fourier-Transformation (FFT) in 1 s- Zeitabschnitten durchgeführt und eine Datenreduktion durch Berechnung der Signalenergie in einem gewählten Frequenzband von 5-50 Hz, im jeweiligen 1 s-Zeitabschnitt, herangezogen. In Fig.2 sind die erhaltenen Signalenergie als graukodierte Pixelwerte dargestellt, wobei hohe Signalenergien hell, niedrige Signalenergien dunkel dargestellt sind. Das vorprozessierte DAS-Signal entspricht dann innerhalb des gewählten Frequenzbands der Gesamtenergie des DAS-Rohsignals.

Gleichung (1 ) zeigt die Berechnung des Pixelwerts b aus den summierten Energien im gewählten Frequenzband f, wobei B dem Frequenzbereich und a dem Frequenzgang des DAS-Signals entspricht.

Die Wahrscheinlichkeit für das Vorhandenseins eines Fahrzeuges wird schließlich abgeleitet, indem die Signalenergien für verschiedene Frequenzbänder f berechnet und kombiniert werden.

Diese Kombination kann auf verschiedene Art erfolgen: Falls nur ein Frequenzband f vorhanden ist bzw. vorgegeben wird, kann dieses Frequenzband f als Maß für die Wahrscheinlichkeit für das Vorhandensein eines Fahrzeugs angesehen werden. Hier kann zunächst noch ein Normalisierungsschritt vorgenommen werden, um als Maß für die Wahrscheinlichkeit Werte zwischen 0 und 1 zu erhalten.

Die Kombination der Signalenergien kann auch durch Einsatz eines Machine Learning- Verfahrens vorgenommen werden. Dabei wird ein Machine Learning-Verfahren eingesetzt, das in einem Trainingsschritt bzw. einer Trainingsphase erlernt, wie die einzelnen Frequenzbänder f kombiniert werden, um eine Wahrscheinlichkeit für das Vorhandensein eines Fahrzeugs zu berechnen.

Zur Bestimmung der Wahrscheinlichkeiten kann im Detektionsschritt optional auch eine Musteranalyse des DAS-Rohsignals durchgeführt werden. Dazu werden alle oder nur ausgewählte Messwerte m(x, t) einer Musteranalyse unterzogen, wobei in der Musteranalyse die Ähnlichkeit zu einem vorgegebenen Muster ermittelt wird. Die Ähnlichkeit zu dem vorgegebenen Muster wird dabei als Wahrscheinlichkeit für das Vorhandenseins eines Fahrzeuges herangezogen.

Dazu kann beispielsweise ein Pattern Matching-Verfahren für die Musteranalyse herangezogen werden. Die einfachste Form dieses Verfahrens ist die Faltung einer Mustervorlage für Fahrzeuge mit den Messwerte m(x, t), wobei sich an den Stellen, an denen in den Messwerten Fahrzeug-ähnliche Muster enthalten sind, lokale Maxima im Faltungssignal ergeben. Die Mustervorlage dazu kann empirisch aus Beispieldaten ermittelt werden.

Zur Bestimmung der Wahrscheinlichkeiten kann im Detektionsschritt optional auch eine Klassifikation des DAS-Rohsignals mittels eines Machine Learning-Verfahrens durchgeführt werden. Dabei werden alle oder ausgewählte Messwerte m(x, t) anhand eines Klassifikators klassifiziert und derart die Wahrscheinlichkeit des Vorhandenseins eines Fahrzeuges ermittelt.

Dieser Klassifikator kann vorab in einer Trainingsphase erlernt werden. Dabei können beispielsweise händisch Fahrzeuge markiert und dann die zugehörigen Signale extrahiert und als solche dem Lernverfahren zugeführt. Weiters werden auch Signale markiert, die keinem Fahrzeug entsprechen und ebenfalls dem Lernverfahren als „Negativbeispiele“ zugeführt. Als Lernverfahren kann "Deep Learning", wie z.B. LSTM Netzwerke für die Analyse von Zeitreihen, eingesetzt werden. Im ersten Ausführungsbeispiel wird anschließend an den Detektionsschritt zur Bestimmung der Anzahl der Spuren und/oder deren Steigung, das Wasserfalldiagramm, das die Wahrscheinlichkeiten Wi... W _x für das Vorhandensein eines Fahrzeugs enthält, durch Anwendung eines Schwellenwertes in ein binäres Bild umgewandelt. Danach wird dieses binäre Bild so in kleinere binäre Bilder unterteilt, dass diese Ortsabschnitte von wenigen 100 Metern und Zeitabschnitte von einigen Sekunden enthalten. Für die Wahl der Größe dieser Orts- und Zeitabschnitte ist einerseits maßgeblich, wie viele Ergebnispunkte für die Verkehrsdichte und Geschwindigkeit entlang der Straße benötigt werden, und andererseits, dass ausreichend lange Fahrzeugspuren im Zeitabschnitt enthalten sind.

Anschließend werden in den so erzeugten kleineren binären Bildern die Anzahl der Spuren und deren jeweilige Steigung mittels Hough-Transformation ermittelt. Bei der Hough- Transformation handelt es sich um ein Bildverarbeitungsverfahren zur Erkennung von beliebigen parametrisierbaren geometrischen Figuren in einem binären Gradientenbild. So können mittels der Hough-Transformation auch binäre Bilder auf Vorhandensein von vorgegebenen Linien untersucht werden (siehe Hough transform for line detection” in Proceedings. 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (siehe Cat. No PR00149), Jun. 1999, vol. 1, pp. 554-560 Vol. 1, doi: 10.1109/CVPR. 1999.786993 oder R. O. Duda and P. E. Hart, “Use of the Hough transformation to detect lines and curves in pictures,” Com mu n. ACM, vol. 15, no. 1, pp. 11- 15, Jan. 1972, doi: 10.1145/361237.361242).

Der von der Hough-Transformation gelieferte Wert für die jeweilige Linie gibt die Anzahl an positiven Pixeln auf der jeweiligen Linie an. Alle möglichen Linien werden durch Polarkoordinaten, d.h. Radius r und Winkel 0, parametrisiert (siehe Fig. 3). Die Hough- Transformation liefert eine Matrix, deren Einträgen mögliche Werte von Radius r und Winkel 0 zugeordnet sind. Für jeden Eintrag (0, r) liefert die Hough-Transformation die Anzahl an Pixeln, die einer Linie im ursprünglichen Bild entsprechen. Für diejenigen Einträge, für die die Hough- Transformation die höchsten Werte liefert, ist die Wahrscheinlichkeit, dass sie im ursprünglichen Bild einer Linie entsprechen, am höchsten.

Ein Ausführungsbeispiel für eine Hough-Transformation eines binären Bilds ist in den Fig. 4-6 zu finden. In Fig. 4 ist schematisch ein binäres Bild eines vorprozessierten DAS-Signals dargestellt, in dem zwei Linien dargestellt sind, die Fahrzeugen entsprechen. Die Hough- Transformation führt die Koordinaten (x, t) im binären Bild in die Koordinaten (0, r) im Hough- Raum über. In der Darstellung der Hough-Transformation in Fig. 5 sind zwei Schnittpunkte erkennbar, deren Koordinaten (0, r) den ursprünglichen beiden Linien in Fig. 4 entsprechen. Die Lage der Punkte (0, r) im Hough-Raum in Fig. 5 repräsentiert also den Linien im binären Bild in Fig. 4. In Fig. 6 ist die Summe der logarithmierten Hough-Transformation dargestellt, wobei das Rechteck die mögliche Lage des Extremwertpunkts zur Abschätzung des Winkels 0 kennzeichnet. Die beiden Schnittpunkte in Fig. 5 bilden auch die Minima der Transformations-Matrix in Fig. 6.

Die meisten Linien im Wasserfalldiagramm verlaufen parallel, da sich die Fahrzeuge mit ähnlicher Geschwindigkeit fortbewegen. Schnittpunkte mit Maximalwerten befinden sich daher zumeist in einigen wenigen benachbarten Spalten der Hough-Transformations-Matrix, die ähnlichen Winkeln entsprechen. Die Signale in diesen Spalten sind dabei konzentrierter für Winkel, die Spuren im ursprünglichen Wasserfalldiagramm entsprechen, während die Summe der Werte in jeder Spalte konstant ist. Um die Häufigkeit für jeden Winkel zu ermitteln, wird Gleichung (2) auf die Resultate der Hough-Transformation H angewandt und entlang der Spalten, d.h. für gleiche Winkel, aufsummiert:

Dies führt zu einer Kurve, deren Extremstellen mit Winkeln korrespondieren, an denen das Bild der Hough-Transformation konzentriert ist (siehe Fig. 6). Mittels Extremwert-Detektion können die lokalen Minima der Kurve basierend auf deren benachbarten Pixeln ermittelt werden. Die Lage der Extrema korrespondieren mit Winkeln 0, die wiederum mit den Geschwindigkeiten der Fahrzeuge korrespondieren.

Die Geschwindigkeit in Bildkoordinaten kann durch Gleichung (3) ermittelt werden, während die Geschwindigkeit in km/h durch Gleichung (4) ermittelt werden kann. In Gleichung (4) entspricht d der Distanz zwischen zwei Messpunkten, s _p der normierten Geschwindigkeit in den Bildkoordinaten des binären Bilds und Skm/h der tatsächlichen Geschwindigkeit in km/h. 3.6

Zur Abschätzung der Anzahl an Fahrzeugen werden nun die Spalten aus der Hough- Transformations-Matrix extrahiert, die den zuvor extrahierten Winkeln 0 entsprechen. Mittels eines zweiten Extremwertfindungs-Schrittes kann aus diesen Spalten die Anzahl der Extremstellen ermittelt werden, die der Anzahl an Fahrzeugen entspricht (siehe Umrandung in Fig. 6). Diese Analyseschritte können dabei für jedes binäre Bild vorgenommen werden. In einem zweiten Ausführunqsbeispiel wird anschließend an den Detektionsschritt ein kurzer Zeitabschnitt (z.B. einige Sekunden) des Wasserfalldiagramm der Wahrscheinlichkeiten Wi... W _x jeweils beispielsweise als "bitmap-Bild", d.h. als Bildmatrix, die Bildelemente umfasst, behandelt und mittels eines vorgegebenen Schwellenwerts jeweils ein binäres Bild erzeugt wird, wie dies auch bereits im Zusammenhang mit dem ersten Ausführungsbeispiel erläutert wurde.

Dabei kann zunächst im Wasserfalldiagramm die Qualität der Fahrzeug-Trajektorien bzw. der Spuren durch Detektion mittels Kontrastverstärkung und/oder Kantendetektion verbessert werden. Hierzu können gängige Methoden aus der Bildverarbeitung eingesetzt werden. Dieser Schritt ist jedoch optional und es kann auch eine Analyse ohne eine derartige Verbesserung erfolgen.

Zur Ermittlung der Anzahl von Spuren und/oder deren Steigung und daraus zur Bestimmung der Geschwindigkeit und/oder der Anzahl der Fahrzeuge werden anschließend die lokalen Orientierungen in dem so verbesserten binären bitmap-Bild durch gängige Methoden der Bildverarbeitung „kodiert“. Diese Kodierung erfolgt dabei derart, dass jedem Pixel ein lokaler Orientierungswert, d.h. ein Winkel, zugeordnet werden kann. Typischerweise erhält man in einem solchen Schritt ein binäres bitmap-Bild, in welchem jedem Pixel entsprechend der lokalen Orientierung im Bild ein Farbwert bzw. einem Grauwert zugeordnet ist. Die Winkel der Fahrzeugtrajektorien im binären bitmap-Bild stellen ein Maß für die Geschwindigkeit dar.

Die Fig. 8a zeigt beispielhaft solche Fahrzeugtrajektorien für drei Fahrzeuge in einem Wasserfalldiagramm als drei Linien, wobei die x-Achse den Ort längs der Straße, die y-Achse die Zeit repräsentiert. Die Fig. 8b zeigt das aus Fig. 8a durch Schwellenwertbildung erzeugte binäre bitmap-Bild.

Die lokalen Orientierungen im Wasserfalldiagramm werden für die Extraktion der Fahrzeuggeschwindigkeiten genutzt. Dazu werden die lokalen Gradienten im binären bitmap- Bild mittels gängiger Bildverarbeitungsmethoden wie z.B. Sobel-, Prewitt- oder Roberts- Operatoren aus dem Bild errechnet. Bei diesen Operatoren handelt es sich um gängige Verfahren die auch in unterschiedlichen Programmbibliotheken bereits fertig verfügbar sind und beispielsweise in und https://de.wikipedia.orq/wiki/Fsoberts- Q erator, jeweils zuletzt abgerufen am 14. Juli 2022, näher erläutert werden. Fig. 9 zeigt ein Orientierungs-Bild mit den ausgewerteten lokalen Orientierungen der Gradienten der Linien in Fig. 8, wobei die x-Achse den Ort längs der Straße, die y-Achse die Zeit repräsentiert. Die Grauwertskala am rechten Rand von Fig. 9 zeigt die Kodierung der Orientierung in Winkelgrad. Die schwarzen Pfeile zeigen die Orientierung der Gradienten, der graue Pfeil beispielhaft die Orientierung einer Spur.

Danach werden Histogramme (siehe Fig. 10) der Pixelwerte für Abschnitte längs der x-Achse im Orientierungs-Bild, die periodischen Ortsabschnitten entsprechen (z.B. mehrere Meter bis 100 m), gebildet. Somit erhält man für jeden Ortsabschnitt ein Histogramm der Häufigkeiten der darin enthaltenen Orientierungen.

Danach werden die Maximalwerte im Histogramm nach ihrer Position und ihrer Höhe isoliert. Dazu werden gängige Methoden der Maximalwertfindung herangezogen, wie diese in verschiedenen Programmbibliotheken verfügbar sind. Dominate Geschwindigkeiten im Wasserfalldiagramm generieren jeweils zwei entsprechende Maxima, mit einem Abstand von 180°, im Histogramm. Die entsprechenden Geschwindigkeiten sind 90° versetzt zu den lokalen Orientierungen, wie in Fig. 9 durch Pfeile illustriert. Durch Auffinden zweier zusammengehöriger Maxima mit einem Abstand von 180° im Histogramm kann dieser Winkelwert bestimmt werden. Dieser Winkelwert entspricht einer Fahrgeschwindigkeit v, entsprechend der Formeln (3) und (4). Lokale Maxima bei 0°, 90° sind Artefakte, die der Geschwindigkeit 0 bzw. °° entsprechen, und können leicht ausgeschieden werden.

Anschließend wird das Histogramm so normiert, dass eine bestimmte Häufigkeit im Histogramm einer bestimmten Anzahl von Fahrzeugen entspricht. Die Normierung richtet sich dabei nach der gewählten Größe der Ortsabschnitte. So entspricht im gezeigten Ausführungsbeispiel eine Häufigkeit von 2000 Pixel einem Fahrzeug, wenn das binäre bitmap- Bild eine Breite von 500 Pixel und die Breite des Gradienten etwa 4 Pixel beträgt. Welche Anzahl an Pixeln bei einer gewählten Breite des binären bitmap-Bilds einem Fahrzeug entspricht, ist von der konkreten Ausgestaltung des erfindungsgemäßen Verfahrens abhängig und kann empirisch ermittelt werden.

Die Höhe der Maximalwerte im Histogramm entspricht der Anzahl der Fahrzeuge Nv die diese Geschwindigkeit aufweisen. Die Verkehrsstärke und Verkehrsdichte wird nun durch die Summe aller Nv in dem betrachteten Bereich gebildet, indem diese in Verhältnis mit dem Zeitabschnitt, bzw. mit der Größe des Ortsabschnitts den das Histogramm repräsentiert, gesetzt wird. Fig. 11 zeigt eine schematische Darstellung eines Beispiels für die Auswertung der lokalen Orientierungen über einen ganzen Fahrabschnitt. Dabei werden aus den lokalen Orientierungen (wie in Fig. 9) den einzelnen Orten im Fahrabschnitt zugeordnete Histogramme (wie in Fig. 10) erstellt.

Optional ist es bei allen Ausführungsformen eines erfindungsgemäßen Verfahrens möglich, eine Klassifikation in verschiedene Längenbereiche von Fahrzeugen, z.B. in große und kleine Fahrzeuge, vorzunehmen. Die Breite einer Spur entspricht dabei einem Schnitt im Wasserfalldiagramm zu einem jeweiligen Zeitpunkt t entlang des Ortes. In einem Bild können dann beispielsweise kleinere Fahrzeuge getrennt von größeren Fahrzeugen in einem anderen Bild analysiert werden. Dabei können die separaten Bilder jeweils getrennt weiter untersucht werden.

Dazu kann ein Filter eingesetzt werden, der die Breiten der Trajektorien im Wasserfalldiagramm isoliert, sodass das Wasserfalldiagramm in mehrere getrennte Bilder aufgespalten werden kann.

Dazu werden beispielsweise durch gängige Bild-"Erosionsverfahren", wie diese z.B. auf https://de.wikipedia.org/wiki/Erosion_(Bildverarbeitung), zuletzt aufgerufen am 14. Juni 2022, beschrieben sind, schrittweise, beginnend mit den schmälsten Spuren, die den Personenkraftwagen entsprechen, diese Spuren entfernt und die verbleibenden Spuren als die nächst größere Fahrzeugklasse, z.B. Lastkraftwagen, angesehen. Die Differenz der Anzahl zu der im Schritt zuvor ermittelten Spuren entspricht dann der jeweils der Anzahl der Fahrzeuge der kleineren Fahrzeugklasse.