目前,智能交通技术飞速发展,交通信息采集作为智能交通感知中重要的一个环节,交通信息的采集对于智能交通的深入研究也是有着重要的意义。现有的交通信息监测模块有基于视频图像信息、地磁感应线圈以及三轴地磁传感器等。由于地磁感应器体积小,交通信息丰富的特点和安装简单等优势被投入大量研究。本文主要研究通过各向异性三轴地磁传感器来对交通信息进行采集,交通信息包括车辆存在性,车型分类,车流量等。本文对现有的交通信息采集手段进行了分析和比较,地磁信号是一种交通信息比较丰富,可行性比较高的一种方式。由于交通信息采集系统的实时性要求比较高,所以希望可以简化比较复杂的车型分类算法。本文使用一种过滤式与封装式结合的方法来进行特征优化选择。通过Relie F算法来对提取的特征进行评估和排序,通过计算两个特征之间的泊松相关系数来判断两个特征的分类能力是否相同,剔除冗余特征。之后使用过滤式算法来筛选出分类效果最好的特征子集。对于车辆存在性的判断,本文使用状态机的方法来判断,有车状态记录和处理地磁信号,没车状态更新背景磁场强度。车型分类上本文使用Adaboost算法来改进现有的车型分类算法的精度,该方法中的弱分类器选择的是SVM。改进后的算法有很好的泛化能力。与SVM算法相比,精确度提高了8%~10%。本文的目的是不牺牲精度的前提下使得该系统可以在底层ARM上实现实时采集交通信息,简化采集交通信息感知算法,最后将设计好的平台移植到ARM上进行调试和实验。本文主要的工作是对地磁信号采集交通信息的研究。从地磁波形的采集、预处理、特征提取之后通过算法计算得到交通信息。本文的创新工作有:1)特征提取:采用过滤式与封装式结合的特征选择方法,对采集到的特征值通过Relie F算法来进行特征的权重排序,并剔除相关度较高的冗余特征,利用封装式特征选择方法得到分类效果最优的特征子集。2)车型分类算法:使用Adaboost-SVM的车型分类算法,分类效果比较好,训练模型泛化能力比较强。