交通灯识别

交通灯识别（精选九篇）

交通灯识别 篇1

机器视觉又称计算机视觉, 是用计算机来实现人的视觉功能, 也就是用机器代替人眼来做测量和判断[1,2]。机器视觉技术包含光源照明技术、光成像技术、传感器技术、数字图像处理技术、机械工程技术、检测控制技术、模拟与数字视频技术、计算机技术、人机接口技术等相关技术[3,4,5], 是实现计算机集成系统的基础技术。

对于交通灯的识别, 将使世界上7~8%的色盲、色弱患者驾驶汽车成为可能, 也为无人驾驶汽车在技术上前进一步。因而将为汽车工业以及汽车电子工业带来更大的经济效益, 和更大的社会效益, 并可在国际上填补该领域的空白。

2、基于机器视觉的交通灯识别方法

2.1 交通灯识别方法的流程图如下所示

2.2 交通灯定位

当获取一张原始的图像时, 考虑到背景的变化及其他物体对交通灯识别的干扰, 我们需要将图像中交通灯的部分提取出来。在此本文用交通灯的形状及灰度值来定位交通灯在图像中的位置。

2.2.1 交通灯形状的矩形度与圆形度

可以通过交通灯的矩形度来找出交通灯一定的范围, 在此采用一种简单的矩形度计算方法rectangularity算子, 即将上述低灰度值的分散区域作为输入区域, 当得到某一矩形和输入区域有相同的一、二阶矩时, 计算出输入区域的面积和该矩形面积的比, 即为矩形度rectangularity的值。显然当输入区域为矩形时, 得到矩形度的最大值1;输入的区域越接近矩形, 则矩形度越接近与1 (无输入区域时矩形度为0) 。

通过上述矩形度的算法, 可以在低灰度值的区域中筛选出一定范围 (包含交通灯轮廓) 的类矩形, 最后通过交通灯在图像中占据的面积定位出交通灯的轮廓。

然后在上图的基础上, 采用一种简单的Circularity算子, 确定出包含有交通灯的轮廓。

具体的算法如下:

假设F是一个闭合区域的面积, max这个区域内中心点到边界或轮廓的最大距离, 那么:

根据式2-1可得圆的circularity为1。由此可知对于一个轮廓或多边形包围的区域如果其circularity接近与1, 那么这个轮廓近似于一个圆。可以通过一个阈值选取出与圆的相似的轮廓, 例如可以选取circularity在[0.8, 1]范围内的轮廓。如果有多个轮廓符合, 则将这些轮廓所对应的区域存放入一个数组之内。

2.3 颜色空间变化

当确认交通灯的位置后, 我们需要通过颜色识别来确定交通灯的状态。

由于RGB颜色空间的相似不能代表颜色的相似, HSI颜色空间则没有这个方面的问题, 它们很适合人们肉眼的分辨, 较好地反映人对颜色的感知和鉴别能力[6,7]。因此可以先将RGB颜色空间转化为HSI颜色空间。

RGB空间转化为HSI空间的一般公式如下:

2.4 颜色识别

本文通过图像分割来识别交通灯的颜色。将图像通过选定的阈值分割后, 找出所需要的图形。

2.4.1 基于阈值的分割

这是一种最常用的区域分割技术, 阈值是用于区分不同目标的灰度值。如果图象只有目标和背景两大类, 那么只需选取一个阈值称为单阈值分割。这种方法是将图象中每个象素的灰度值和阈值比较, 灰度值大于阈值的象素为一类, 灰度值小于阈值的象素为另一类。如果图象中有多个目标, 就需要选取多个阈值将各个目标分开, 这种方法称为多阈值分割。阈值分割的结果依赖于阈值的选取, 确定阈值是阈值分割的关键, 阈值分割实质上就是按照某个标准求出最佳阈值的过程。

在背景和目标图像的先验概率相等这一特定条件下, 最佳阈值是背景灰度均值与目标图像灰度均值之均值。即:

通常阈值化分割方法根据某种测度准则确定分割阈值。如果仅使用象素的灰度级确定分割阈值, 则阈值化是点相关的;如果由每个象素邻域的局部特性决定门限, 则阈值化是区域相关的。基于点相关的阈值化方法有P-tile方法, 直方图凹形分析法, 最大类间方差法, 最大熵法以及矩不变门限法等。基于区域相关的分割方法有直方图转换法, 基于二阶灰度统计的方法, 松弛法以及基于过度区提取的分割方法等。

2.5 数字识别

在本例中, OCR被用来识别出交通数字灯上的数字显示变化, 使用OCR之前应先将图像的灰度值取反。

2.5.1 灰度值转换

灰度值转换是将图像的灰度值颠倒过来, 其中图像的bite和cyclic类型的计算公式为g'=255-g

图像的direction类型转化公式为:

2.5.2 OCR

OCR是英文Optical Character Recognition的缩写, 意思为光学字符识别, 通称为文字识别, 它的工作原理为通过扫描仪或数码相机等光学输入设备获取纸张上的文字图片信息, 利用各种模式识别算法分析文字形态特征, 判断出汉字的标准编码, 并按通用格式存储在文本文件中, 由此可以看出, OCR实际上是让计算机认字, 实现文字自动输入。它是一种快捷、省力、高效的文字输入方法。

因OCR是通过检测暗的模式确定其形状, 所以在上一步的灰度值转化过程中先将原图像的灰度值取反, 把原本灰度值高的部分转换成灰度值低的部分, 然后用字符识别方法将形状翻译成计算机文字, 即对文本资料进行扫描, 然后对图像文件进行分析处理, 最后获取文字及版面信息。

3、结论:

交通数字信号灯是指挥交通必不可少的、无人职守的公共交通设施, 其重要性是人所共知的。本文建立的交通数字信号识别系统采用机器视觉技术, 对交通信号灯的颜色及其数字进行自动识别。众所周知, 色弱、色盲是一种遗传疾病。根据统计, 全世界约有7%~8%的人患有不同程度的色盲、色弱疾病, 这给患者的工作和生活带来了一定的障碍和困难, 许多工作和专业都对色盲、色弱患者关闭了大门。在我国, 色盲者从出生开始直至寿终正寝, 驾驶机动车的权利就被硬性法规标准所剥夺!若能够运用机器视觉技术让色盲患者正确区分红绿等多种颜色, 辨别彩色图像中的种种事物, 赋予他们正常人的生活权利, 意义深远。

摘要：本文介绍了一种基于机器视觉识别交通灯的方法。将采集到的道路交通灯图像通过计算相似度定位出交通灯所在的区域, 然后采取相应的颜色空间和识别算法, 包括:图像分解、颜色空间的变换、颜色识别、图像分割等, 来判断交通灯的颜色及其显示的数字。

关键词：机器视觉,相似度计算,颜色空间变换,颜色识别,图像分割

参考文献

[1]赵杰文, 陈振涛, 邹小波.机器视觉实现方便面破损在线检测的研究[J].微计算机信息, 2007, 23 (10) :238-240.

[2]席斌, 钱峰.机器视觉测量系统在工业在线检测中的应用[J].工业控制计算机, 2005, 18 (11) :75-76.

[3]兰海军, 文友先.机器视觉技术的发展和应用[J].湖北农机化, 2007, (5) :30-32.

[4]封帆.基于智能机器视觉的针剂生产线安瓶检测识别系统[J].自动化博览, 2007, (2) :40-41.

[5]高潮, 任可, 郭永彩.基于机器视觉的裂纹缺陷检测技术[J].航空精密制造技术, 2007, 43 (5) :23-25.

[6]钱瑛, 须文波.基于颜色空间特征的图像检索.江南大学学报 (自然科学版) [J].2007, 6 (2) :159-162.

交通灯识别 篇2

1.根据《交通银行“531”工程个人客户身份识别业务突发事件应急处置实施办法》，遇到突发事件，应按什么原则处置。（E）A.业务连续性原则 B.效率性原则 C.可操作性原则 D.重要性原则 E.以上皆对

2.柜员在办理一次性金融服务且交易金额单笔外币等值多少美元以上的业务，需进行身份影像处理。（A）

A.1000 B.2000 C.5000 D10000 3.对于需事后核实客户身份的业务，各行应在办理业务后的多少个工作日内，通过向公安部门核查疑义信息对相关个人客户身份作进一步核实。（C）

A.1 B.2 C.3 D.4 4.个人客户身份识别业务包括哪些业务功能。（D）

A.联网核查

B.身份证件影像处理 C.特殊名单检索 D.以上皆是

5.客户身份识别数据为重要业务档案，相关业务数据保存年限为（D）。

A.3 B.5 C.10 D.永久

6.超过几年以上发生的身份影像业务采集和调阅记录数据可向总行申请查询。总行数据中心在受理查询申请后，按照相关规定于第一时间反馈数据查询结果。（A）

A.3 B.5 C.10 D.15 7.分行认定我行客户确属涉恐客户的，柜员应拒绝为其办理以下哪项业务。（D）

A.金融账户开户 B.拒绝业务协议签约 C.拒绝金融交易处理 D.以上皆是

 多选题

1.分行在办理一次性业务，应对客户身份进行识别、留存客户身份证件影像，并在系统中登记客户的哪几项信息。（ABCDE）A.性别 B.国籍

C.就业状况 D.联系方式 E.证件有效期

2.个人客户身份识别范围包括：（ABCDE）A.客户本人 B.代理人客户

C.一次性业务的个人客户本人 D.公司业务经办

E.办理对公业务的单位法定代表人

 判断题

1.发生故障的分支机构无法进行个人客户身份证件影像处理时，应决绝为客户办理业务，做好解释工作。（错）

2.柜员办理个人银行账户业务时，若无法确切判断客户出示的居民身份证为虚假证件的，柜员可继续为该客户办理业务。（对）

3.分行为客户办理有关业务遇联网核查结果不一致时，应拒绝为客户办理业务，无需告知客户核查结果。（错）

4.当核实证明是辅助证件时，号码必输，若辅助证件无证件号码时，证件号码栏位输入0。（对）

交通中的图像识别应用 篇3

我们都知道图像，在日常生活中也要接触大量的图像，图像就是图形和影像的总称，我们通过眼睛所观察到的一切都是图像，那么，什么是图像识别？什么又是图像识别技术呢？

图像识别又叫图像再认，是指人们再次辨认出某一图形的过程，当图形信息刺激人体的感觉器官，人体通过记忆中存储的信息与当前的感官信息进行对比加工，从而再次辨认出这一图形。人体具有极强的图像识别能力，我们看下面几张图片：

图1、2、3是图形设计师们对字母A的美化设计，虽然在颜色、形状和大小上有较大差异，但人们都可以轻松的识别出它就是字母A；图4、5、6从拍摄角度和光线上来说都是三张截然不同的图像，但人们也可以很轻松的分辨出它就是同一个项链。人们不仅可以通过视觉识别出某一图像，甚至图像识别还可以不受感觉通道的限制。例如，当别人在你背上写字母A时，相信你依然能识别出这一字母来。

人体神秘而神奇，究竟人体是怎样进行图像信息识别的呢？经过科学家们多年的研究发现，人体进行图像识别应该是以图像的主要特征为基础的。每个图像都有它的特征，如字母A有个尖，P有个圈、而Y的中心有个锐角等。对图像识别时眼动的研究表明，视线总是集中在图像的主要特征上，也就是集中在图像轮廓曲度最大或轮廓方向突然改变的地方，这些地方的信息量最大。而且眼睛的扫描路线也总是依次从一个特征转到另一个特征上。由此可见，人体在图像识别过程中，总是排除输入的多余信息，抽出关键信息，同时将这些关键信息进行整合，从而形成一个完整的知觉映像。

进入21世纪以来，伴随着科技的发展，人们变得越来越“懒”，以前必须要人类智能才能完成的图像识别工作也希望由计算机来替代，“图像识别技术”也由此而生。图像识别技术是人工智能的一个重要领域，它借由计算机来完成图像的识别功能。

图像识别的模型主要有两种——模板匹配模型和原型匹配模型。模板匹配模型强调当前的刺激必须与大脑中的模板完全匹配，图像才能被识别。例如字母A，如果在脑中有个A模板，字母A的大小、方位、形状都与这个A模板完全一致，字母A才能被识别。这个模型简单明了，但是它要求图像与模板必须完全吻合，这就要求在模板库设计时必须考虑所有的情况，这几乎是无法实现的，因此这一模型仅适用于场景较为单一的图像识别过程。

为了解决模板匹配的问题，人们提出了原型匹配模型，它将从图像中提取出的“相似性”作为原型，拿它来检验所要识别的图像。仍以字母A为例，它记录的原型是字母A的尖这一原型，所有具备尖这一特征的图像都将被识别为A。这种模型更倾向于人类的思维模式，也能识别出情况更为较多、较复杂的图像，因此称为图像识别技术的发展方向。

图像识别技术在交通中的应用

图像识别作为人工智能的重要内容，21世纪以来得到了巨大的发展，广泛应用于生产生活的各行各业中。在银行和商业中，图像识别技术用于识别支票和钞票上的特殊数字和字符；在医学上，图像识别技术用于识别早期肿瘤、分析心电图以及血小板计数；在军事中，图像识别技术用于导弹的精确制导；在地质勘探中，图像识别技术用于发现石油和天然气可能存在的底层；在现代遥感技术中，图像识别技术用于识别不同的自然资源。

近年来，伴随着城市的飞速发展，城市内人口急剧增加，汽车拥有量持续提高，由此引发了一系列的交通安全和交通拥堵问题。交通问题是涉及人、车、路的一个复杂的系统问题，它往往伴随着海量数据的分析和处理。因此，近年来，图像识别技术被广泛应用于交通运输领域，以提高交通管理者的工作效率，更好的解决城市交通问题。目前，图像识别技术已经广泛应用于交通违章监测、交通拥堵检测和交通信号灯识别等交通运输领域。

1. 交通违章监测

相信每一个有驾驶经验的人都会对道路上突然的闪光心存忌惮，没错，当闪光灯亮起的时候，可能你又要去缴纳罚单了。为了更好的保证道路的行车安全，这种先进的电子监测系统，也就是我们俗称的“电子警察”正被广泛的应用于抓拍“闯红灯”、“超速”等交通违章行为中。当“电子警察”采集到违章图像后，通过PSTN网（公共交换电话网）或Internet网送回交通监控中心，由专业的处理软件完成违章车辆图像显示、筛选、车牌号判读、违章车辆图文信息记录以及资料管理和查询等工作。其中，车牌号判读便运用了先进的图像识别技术，那么，车牌号是如何被识别出来的呢？

车牌号判读主要由图像处理、车牌定位、字符切分和字符识别四部分组成。

图像处理：将模拟图像转换为数字图像，模拟图像也就是空间连续的图像，而数字图像是空间离散的图像，比如10000像素的图像就是说图像是由10000个点组成的，由于计算机只能识别数字图像，所以我们首先便要将抓拍到的图像转换为数字图像。

车牌定位：将数字图像转化为灰度图像，也就是把彩色图像转换为黑白图像，图像的明暗变化由灰度值的大小决定。接着对灰度图像进行二值化分析，其目的是寻找一个合适的灰度值，把车牌照突出出来。然后用预存的车牌照特征与二值化分析后的图像进行比对，最终确定车牌照的位置。

字符切分：完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法，这是因为字符在垂直方向上的投影会在字符间取得一个局部的灰度最小值，易于将字符分割出来。

字符识别：字符识别可以采用前面所提及的两种方法，基于模板匹配的方法和基于原型匹配的方法。基于模板匹配的方法是将分割后的字符与字符数据库中的所有模板进行匹配，最后选最佳匹配作为结果。基于原型匹配的方法是先对字符进行特征提取，用所获得的特征来识别字符。

2. 在交通拥堵检测中

当我们乘坐小汽车或者公交车的时候，什么事情最让我们心烦意乱呢？没错，就是堵车了。在发生拥堵的时候我们最希望谁出现？没错，就是伟大的交通警察，他们让道路秩序井然有序，恢复畅通。那么可以在交通拥堵即将发生或已经发生时迅速通知交警吗？答案是肯定的，图像识别技术就可以实现交通拥堵的自动检测，及时通知交警进行交通疏导。那么图像识别技术是如何实现佳通拥堵的自动检测的呢？

交通拥堵自动检测主要由道路有效区域划定和车流所占面积比例两部分组成。

道路有效区域划定：将车辆流区域和非车辆流区域进行区分，车辆流区域是指路面本色的区域，它有灰度值变化较小的特点，因此大多数杂点较少的路面都可以轻松的识别出来；非车辆流区域是指花坛、护栏等区域，它的灰度值变化较大，进行区域划定前后的图像如图8和图9所示。

车流所占面积比例：车流所占面积比例的计算由边缘像素统计、交通流区域计数和交通拥堵判别三个过程组成。边缘像素统计是指在道路有效区域划定的基础上，在道路有效区域划定的基础上，统计所有灰度值剧烈变化的像素点，即边缘像素点，这些灰度值剧烈变化的像素点实际上就是车道上行驶车辆的边界点；接着在交通流区域计数时对所有边缘像素点进行扫描，通过判断当前像素点与前后像素点的关系确定行驶车辆所占的区域；经过上面两个步骤后，就可以实时的计算出行驶车辆所占的区域面积与道路有效区域面积的比例，这一比例与交通工程师提供的拥堵值进行比较，便可以轻松判别出交通拥堵的状况。如图10所示。

3. 在交通信号灯识别中

在世界上，大约有7%～8%的色盲、色弱患者，由于无法准确快速的在交叉口判断出交通信号灯信息，而给他们的日常出行带来了不便，目前，以图像识别技术为基础的交通信号灯识别技术给他们的出行提供了帮助。那么，交通信号灯是如何被识别出来的呢？

交通信号灯的识别方法有两种：一种是基于颜色分割的交通信号灯识别方法；另一种是基于形状分割的交通信号灯识别方法。

基于颜色分割的交通信号灯识别方法：交通信号灯的颜色特征是最为凸显的特征。我们也许都挺熟过RGB颜色空间，它是以红、绿、蓝三种基色来显示彩色，虽然我们希望以不同的R、G、B值来识别不同的交通信号，但是这种方法是不实际的，因为R、G、B三者之间的相关性较高，容易受光照、阴影等因素的影响，从而无法正确识别出红、绿、黄三种交通信号。HIS颜色空间颜色空间是适合人类视觉特性的色彩模型，其中H表示色度、I表示强度、S表示饱和度，HIS空间模型H、I、S三者之间相关性较小，易于进行颜色识别。因此，在基于颜色分割的交通信号灯识别中便采用将RGB颜色空间转换为HIS空间，再根据H、I、S值的阈值范围的方法来识别红、绿、黄交通信号。

基于形状分割的交通信号灯识别方法：交通信号灯在形状上有个显著的特征，即被一个黑色矩形框所包围。根据信号灯设计规范，该矩形框有固定长宽比。可利用该特征，将交通灯范围提取出来。如下图所示。

图像识别技术在交通中的应用展望

交通灯识别 篇4

计算机视觉在无人驾驶领域发挥了重要作用,它以摄影机和电脑代替人眼对目标进行识别、跟踪和测量,在交通灯、车道线方面有着重要作用。本文主要针对交通灯检测和识别,基于计算机视觉提出了一种基于色域差分和伽马校正的新方法,有效提高了检测的效率和准确性。

过去几年,无人驾驶飞速发展。国内国外的研究团队对交通灯的识别和检测进行了大量的研究工作,谷歌无人车团队[1]更提出了基于地图进行交通灯定位后识别的新思路,传统交通灯检测使用色彩空间转换至HSV空间[2,3,4,5,6,7,8,9,10,14]或Lab空间[11]、分类器[3,4,5,6,7,8,13]、模板匹配[2,3,4,10,12,13]等方法进行识别。在国内,杨明等[8]提出了基于级联滤波器的交通灯识别,利用RGB空间提取色彩信息,通过级联滤波器过滤非交通灯区域,再利用NCC匹配的方法确定信号灯。但是这种方法在阴雨天气下识别能力不佳,而且有赖于模板的选择,实用性有待提高。谷明琴等[9]提出了基于圆形度和颜色直方图的信号灯识别,利用圆形度特征作为选取候选区域的一个标志,然后将得到的候选区域图像转为HSV空间,统计H分量,识别交通灯的类型。这种方法在对黄灯的识别中,准确性不足,对于候选区域的过滤仅仅利用形状信息,约束性略差。

为了克服上述缺点,本文提出了一种在RGB空间下基于伽马校正以及色域差分的交通灯识别方法。首先对原始图像进行伽马校正,通过伽马校正提高红绿灯区域的对比度;接着进行灰度化与二值化处理,并且利用形态学滤波的方法进行滤波,利用交通灯的几何特征进行筛选,标定交通灯区域;最后对交通灯区域进行色域差分,在R通道上,与G通道上进行差分处理,进而判断出交通灯的类型。算法描述如图1所示。

1 伽马校正

在交通灯识别中,交通灯区域定位是一个关键步骤。常规方法是利用RGB空间的色彩信息,或者利用HSV空间的色彩信息,在一定程度上确定出候选区域。但是在复杂环境中,利用上述方法确定的候选区域数量过多,有时甚至难以找出候选的交通灯区域,需要通过调整阈值才能完成候选区域的提取。因此,这些算法缺乏健壮性与自适应性。

在相机条件不佳或者直射强光源条件下,检测的图像出现泛白光现象。当光照条件不足时,图像亮度偏暗。从摄影学专业术语上讲,这两种情况称为过曝、欠曝现象。在这两种情况下,图像的色调和亮度都将发生失真,这种失真使得运用上述方法进行检测时,RGB颜色信息发生改变,(经过实验改变量在百分二十浮动),对应的阈值无法适应当前情况,因此无法正确识别出红绿灯区域。

当进行伽马校正之后,校正值大于1时,整体亮度被压缩,高光部分被扩展,但是对比度得到提升,而暗调部分被压缩;校正值小于1时,整体亮度得到提升,而暗调部分被扩展,对比度得到提升。利用这一特性,可以改善画面失真、成像扭曲的情况。在图像偏暗时,使用大于1的伽马值,可以迅速拉升图像中的亮区域,使得红绿灯区域更加明显。在图像泛白光或者偏亮时,使用小于1的伽马值,可以有效降低白光亮度对比,在一定程度上解决白光问题。

因此,本文根据伽马校正的特点,利用伽马校正在增强图像对比度中的优秀特性,在图像预处理之前对图像进行了伽马校正,以此凸显红绿灯区域。对图像进行非线性色调编辑的方法,检测出图像信号中的深色部分和浅色部分,并使两者比例增大,从而提高图像对比度效果。

在图像处理之前预先进行伽马校正,如图3所示,图像经过伽马校正之后,红绿灯的区域变得更加明显。原本未经检测出的红绿灯区域,经过伽马校正后,提取效果得到提升。

2 图像预处理

图像预处理包括图像的灰度化和二值化处理。选取0.299R分量、0.587G分量、0.144B分量将彩色图转化为灰度图像。

其中,(x,y)为像点坐标,R、G、B分别代表颜色的3个分量,g(x,y)代表灰度图像上(x,y)点上的灰度值,这样的比例比较符合人类视觉的灰度。将得到的灰度图像使用阈值T进行分割,得到二值图像。

通过实验,取T=100时,分割效果最好。

3 滤波器处理

通过上述两个步骤处理可以得到一幅包含若干候选区域的二值图像。但是图像中存在过多的噪声区域以及噪声点,经过形态学处理,可有效减弱噪声对于图像的干扰。同时进行滤波处理,可过滤掉大量不属于交通灯区域的候选区域。

交通灯区域应具有较好的几何形状特征以及填充的饱和度。经过形态学处理后,图像中仍然保留着区域较大的候选对象。对于这些区域,本文选择直接利用交通灯本身的几何特征进行滤波处理。

经过上述步骤处理后的交通灯区域很难保持圆形的属性特征,但其最小外接矩形仍可以保持较好的形状特性。本文定义Ratio值及填充比进行滤波处理。

(1)长宽比。图像中候选区域的最小外接矩形长度为length,宽度为width,则定义Ratio值为:

由于交通区域是一个圆形区域,其最小外接矩形应为正方形区域,但受到图像处理过程中的一些误差影响,所得到的最小外接矩形并不是严格的正方形。本文经过大量的数据统计,给出Ratio阈值范围,将Ratio值大于0.8或者小于0.2视为噪声区域直接过滤。

(2)像元个数。交通灯区域不会存在较大的空洞区域。根据交通灯这一特性,本文定义了填充比作为判断要素之一。实际计算中,通过计算最小外接矩形内像素的个数除以最小外接矩形的面积,可得到这一要素值。根据统计资料,本文取0.8作为阈值。

经过上述两项滤波处理,可以得到满意的交通灯区域。

4 色域差分

在得到交通灯区域后,为进一步判定交通灯颜色,必须对区域的属性作出判断。常规的判断方法,如通过RGB空间或者HSV空间的某些分量设定阈值,在一定程度上,精度受限于图像质量,同时,阈值的选取较为复杂,甚至需要通过模板训练的方式才能确定。这在一定程度上影响了交通灯识别的实时性。因此,本文利用红绿灯区域在RGB空间的成像特点,提出色域差分的方法。

通过将RGB空间的图像在3个通道上进行分离,得到3个色域上的图像。将R通道的图像与G通道的图像做差分。本文采用改化后的Sigmod函数进行差分运算。

根据大量统计资料可以发现,红绿灯区域在RGB存在如下特性:在红灯时,红绿灯区域的R分量远大于G分量,而在绿灯时,红绿灯区域的G分量远大于R分量。

基于这一特性,只需对R色域的图像与G色域的图像相互做一次差分,便可以将绿色信息与红色信息相互分离开来,得到差分红色信息图像R-G与差分绿色信息图像G-R。同时,对R-G和G-R,在差分之时对差异较大的区域进行指数拉伸,以增加区域信息饱和度。

为避免出现其它物体颜色干扰现象,增强算法的鲁棒性,本文在进行差分处理后,对交通灯区域再次进行形态学处理。通过在差分图像内提取轮廓,统计轮廓内的平均灰度信息,在R-G的差分图像内,如果平均灰度信息大于一定的阈值,则认定该区域是红灯区域,在G-R的差分图像内,如果平均灰度信息大于一定阈值,则认定该区域是绿灯区域。

本文通过预处理的形态学处理,以及色域差分过程中的形态学处理,保证了交通灯区域的可信度。在图像最终输出时,利用颜色信息以及形态学信息作为检核条件确保整个提取方法的准确率。

5 验证实验与结果

为验证本文所提出的交通灯识别方法的有效性,本文进行了大量实验。利用车载摄像头,以25帧/s的速度在在不同光照条件、不同天气条件以及不同的街头进行数据采集。本文实验所使用的相机为行车记录仪中的相机。对采集的图像利用本文算法进行识别,得出识别率如表1所示。

6 结语

在交通灯识别和检测方法中,很多方法都是基于色彩空间或者形态特征进行分割识别。本文在总结这些方法时,发现了这些方法在自适应性以及实时性方面的不足,尤其在确定阈值方面,在不同环境下存在很大的不确定性,这给交通灯的识别带来了很大困难。因此,通过大量的统计资料以及对图像成像特点的理解,本文提出了基于伽马校正及色域差分的交通灯识别方法。在RGB空间内先是利用伽马校正增强了图像的对比度,简化了后序处理,接着利用形态学处理得到候选区域,通过形态特征的滤波去除噪声区域以及大的背景区域的干扰,最后对确定的交通灯区域进行色域差分,识别颜色信息。大量实验证明,本文提出的方法在复杂环境下仍然有较高的识别准确率,充分说明了本文方法的鲁棒性以及有效性。

图9显示了本文交通灯识别方法在不同环境下的识别效果,包含了雨天、阴天、背光、正对光等的情况,其中图像均已进行过伽马校正。

快速路交通拥挤识别方法 篇5

1 采集平均行程速度

从时间的角度对一个区间的交通运行状态可以用平均行程速度来反映, 如果行程速度比较小, 那么就说明道路非常拥堵, 相反, 如果行程速度比较大, 那么就可以说明道路非常通畅。平均行程速度可以分为区间平均行程速度和单车平均行程速度。其中, 平均行程速度是指许多单车在一个时间段内平均行程速度的平均值;单车平均行程速度是指在一段时间内一辆车的平均速度。

1.1 采集单车平均行程速度

用区间距离除以车辆通过的时间就可以得到单车平均行程速度, 其中区间的距离是通过测量得到的, 时间可以通过记录得到, 这样单车平均行程速度就可以很容易得到了。因为中途停车等问题的出现可能会使时间过长, 这样获得的单车平均速度就不可以使用了。如果连续采集得到的数据离散程度比较大, 我们可以通过下面的步骤使数据的质量得到提高。

(1) 求绝对值:用单个样本数据减去全部数据的平均值得到。

(2) 挑出第一部中数据的最大值, 剔除对应的样本数据。

(3) 重复上面的步骤直到公式 (1) 成立, 这时剩下的数据就是有效的行程速度数据。

在公式中, 为数据保准偏差和平均值的比值;为设定的阈值。如果这个公式是成立的, 就说明数据的转准偏差的比较小, 也就是说数据的离散程度被控制到了合理的范围之内。

1.2 采集区间平均行程速度

用采集到的单车平均行程速度通过公式 (2) 可以求出区间平均行程速度。

在公式 (2) 中, 为区间平均行程速度;为第辆车的行程速度。

2 计算城市快速路的道路饱和度

饱和度是是交通流量和通行能力之间的比值。饱和度可以从空间的角度对一个区间的交通运行状态进行反映, 如果饱和度比较低就说明交通比较畅通, 如果饱和度比较高就说明交通存在拥堵的情况。如果想得到交通饱和度的数据, 就需要对交通流量和道路通行能力进行统计。

2.1 统计交通流量

在交通视频中设置单个或者多个模拟的线圈, 通过不同视频中的像素变化对是否有车辆通过进行判断。具体步骤: (1) 通过对图像的预处理使图像效果得到不断的增强, 再通过对背景的更新得到背景图像; (2) 通过背景差法的运用得到前景图像, 这个前景图像是有阴影的, 可以用阴影消除法将阴影去除; (3) 再通过虚拟线圈区域进行检测区域的计算, 这样就可以得到交通流量了。

2.2 计算道路通行能力

在一定的交通条件和道路下, 在单位的时间对某一段路某一截面的最大交通流率就是上面所说的道路通行能力。道路通行能力可以通过查道路等级状况和《城市道路工程设计规范》进行计算。

2.3 建立模糊判断规则和隶属度函数

交通拥堵程度是主观感受和客观事实综合作用的一种结果。用传统的数值计算方法是很难对交通拥堵程度进行描述的, 而模糊推理的方法将客观与主观、清晰与模糊、定量与定性之间结合起来, 用这样的方法可以很好的对交通的拥堵程度进行识别与判断。

根据日常的经验与相关的调查研究, 隶属度函数和模糊推理原则得以建立。

在编辑器中, 可以通过“饱和度”和“平均行程速度”两条直线的一定得出拥堵度的量化值。

3 结论

本文设计和研究了交通饱和度和平均行程速度的采集方法, 还提出了拥堵度的概念, 用模糊算法对拥堵程度进行识别与评判, 进而将拥堵程度量化, 使人们的理解更加方便。研究的结果表明, 本文设计的数据采集方法可以有效的对交通参数进行采集, 使交通拥堵的程度可以一目了然, 为交通管理部门的决策和人们的出行提供了便利条件。但是, 本文设计的数据采集方法在具体的实施过程中会耗费一定的人力, 而且在一定程度上存在一些误差, 具体的方法还有待得到进一步的发展与完善。

参考文献

[1]淦学甄, 刘清, 张贵宾.城市道路交通拥挤识别方法研究[J].河北交通科技, 2008 (3) .

[2]张新, 常云涛, 郭佳宁, 等.基于视频投影法的交通拥挤实时检测算法[J].合肥工业大学学报:自然科学版, 2013 (3) .

[3]郑建湖, 文子娟, 黄明芳, 等.交通拥挤状态模糊识别方法的设计与应用[J].华东交通大学学报, 2009 (1) .

[4]罗小强, 陈宽民, 张同芬.城市快速路交通拥挤事件检测与程度辨识[J].长安大学学报:自然科学版, 2010 (3) .

[5]彭碧丹.交通拥挤负外部性产生的原因及内部化手段的环境经济学分析[J].环境保护与循环经济, 2012 (3) .

终端区交通态势识别研究 篇6

关键词：航空运输,交通态势,模糊C-均值聚类,粗糙集,终端区

随着我国民航业高速发展, 空中交通流量快速增长, 空中交通系统面临越来越严重的机场拥挤和空域拥挤, 造成了较大的经济损失和资源浪费, 严重制约了我国航空运输业的健康发展。终端区作为航路和机场的连接, 由于其特殊的位置和结构, 常常成为整个系统是否拥挤的关键。

目前, 对终端区交通状况的相关研究有: 国外, 文献[1]提出了通过专家理论经验分析纽约机场终端区的交通态势, 分析出纽约机场系统容量小于其所对应的机场总跑道容量, 并提出了取消限制区以提高空中交通容量; 文献[2]提出利用数据的输入输出来测量空中交通复杂度; 文献[3]提出利用动态密度作为空中交通管理测量的量度方法来研究空中交通状况。国内, 文献[4]提出利用复杂性图来研究五边到场交通态势安全状况; 文献[5]在终端区动态容量预测模型中, 引入航班进离场优化排序和危险天气避让路径规划策略, 采用捕食搜索算法求解交通容量。文献[6]引入了终端区进离场航班优化排序算法, 构建了机场终端区容量动态预测系统。以上文献从单一方面, 如复杂度或容量或其他角度, 对终端区交通态势进行分析, 没有多方面、多角度地对终端区交通态势进行研究探索。基于此, 引入态势理论, 提取影响终端区交通状况的多个指标, 对终端区交通状况进行研究。

1 终端区交通态势定义

终端区交通态势是航空器在终端区运行状况的一种宏观描述。通过研究终端区交通态势, 评估识别得到的终端区交通态势值, 确定终端区交通态势的等级, 从而对终端区不同交通态势等级给予快速、 有效的解决方案。为了研究终端区交通态势, 首先要明确终端区交通态势、终端区交通态势值以及终端区交通态势评估等相关概念。

1. 1 终端区交通态势

态势, 依字面意思来讲, 它是状态和趋势。即态势是一种状态, 一种趋势, 它是一个整体、全局的概念。终端区是具有在一定范围、内部结构较复杂、受多因素影响尤其受航空器影响等特征。因此, 终端区交通态势是对终端区运行状况的一种宏观、整体的描述。

1. 2 终端区交通态势值

终端区交通态势值是把具有一定相关性的、能够反映影响终端区交通拥挤因素的某些特征信息提取出来, 通过数学方法的演算, 将这些影响终端区交通拥挤信息的因素归纳并融合成一组或几组有意义的数值。这些数值是具有表现终端区交通运行状况的特性的数值, 是终端区交通态势的定量表达。

终端区交通态势值生成过程如图1 所示。

通过数值变化, 可以快速、准确确定终端区态势处于哪一等级, 并给予合适的调整策略。

1. 3 终端区交通态势评估

在航空领域和军事领域[7]首先出现态势评估的概念, 然后发展到城市交通[8]、网络安全、物流管理等其他领域。态势评估包括对影响态势元素的提取、对当前态势分析以及对未来态势的预测, 最终得出态势值和相应的态势等级, 为相关人员决策信息提供辅助的帮助。

终端区交通态势评估[9]有两层含义: 一是根据终端区相关实时信息进行归并, 数据进行融合, 可以实时地反映终端区的运行状况; 二是根据历史数据, 进行数据处理分析, 采用数据挖掘等方法对未来可能的交通状态进行预测。本文着重对第一层含义进行研究。

2 终端区交通态势研究模型

2. 1 终端区交通态势影响因素及其定义

终端区由于其特殊的地理位置和结构, 对终端区交通态势的识别可以说是一个复杂的多目标决策问题。通常管制员判断一个终端区内交通状况是否拥挤是通过雷达扫描的实时数据显示在屏幕上进行的, 所以通过获取雷达数据中的航班号、时间、坐标、 高度、速度以及飞机飞行计划报等信息, 并与管制员交流预处理这些数据, 得到影响终端区交通拥挤的几个指标, 分别为航班数、复杂度、高度层变化数、延误时间、走廊口等待架次、不均衡度、饱和度。其中各指标含义如下。

航班数: 在某一时间或时间段、在给定区域内航空器的个数。

复杂度: 首先复杂性是在某一时间或时间段内, 对一给定的终端区系统中, 考虑其结构特征和交通流特征形成的对该系统空中交通内在秩序的客观描述。而复杂度是对该系统复杂性的一种量度, 它表征系统的复杂程度[10]。

高度层变化数: 在某一时间或时间段, 在给定区域内航空器穿越高度层个数。

延误时间: 航空器在终端区实际飞行时间与计划飞行时间的差值。

走廊口等待架次: 在某一时间或时间段, 航空器在终端区入口走廊盘旋等待的架次。

不均衡度[11]: 不均衡度是指研究终端区单元内所研究指标 ( 复杂度、延误时间等) 在空间上的分布不均衡程度, 此不均衡状态比均衡状态更具普遍性, 更能反映实际。不均衡度的计算可以通过基尼系数的计算方法得到, 即不均衡度等于基尼系数的大小。

饱和度: 在数值上, 它是流量与容量的比值。其中, 容量是指单位时间内通过终端区航空器的最大架次。流量是单位时间内通过终端区航空器的架次。

2. 2 终端区交通态势研究方法

获取影响终端区交通态势的七个指标, 即航班数、复杂度、高度层变化数、延误时间、走廊口等待架次、不均衡度、饱和度。在某一时间, 各指标大小为多少, 终端区交通态势通畅还是拥挤, 分界线比较不确定、模糊的。为了处理不确定性、模糊分类问题, 提出采用模糊C-均值聚类-粗糙集的方法 ( FCM) 对其进行识别研究。

模糊C-均值聚类方法 ( FCM) [12]基本思想是在给定分类数C的条件下, 利用算法寻找出对事物的最佳分类方案, 如以欧氏距离为依据, 通过循环使得被划到同一簇的对象之间相似度最大, 不同簇之间的相似度最小。并可得到每个样本隶属于某一簇的程度, 即模糊集合的隶属度。通过最大隶属度原则, 可将其划分到某一模糊集合中。该算法可以实现数据的自适应聚类, 但是对于终端区雷达实时数据的多属性冗余问题不能解决。

粗糙集理论[13]是对已有知识库进行知识约简, 推导出问题的决策或分类规则。可以对雷达实时数据的多属性冗余问题进行简约, 推导出问题的决策或分类规则, 并确定各属性对决策的影响大小。但其自身对属性指标进行分类离散化是根据对数据的熟悉, 即认知程度进行, 存在人为因素。在空中交通系统中, 获取的数据和系统在实时的变化, 仅靠人的经验和认知是不能准确的[14]。

因此运用模糊C-均值聚类和粗糙集结合的方法对终端区态势进行识别评判, 不仅可以避免人为因素干扰, 还可以得到约简的决策规则, 确定各属性对决策的影响大小, 使终端区交通拥挤态势的识别更加准确可信。

2. 3 终端区交通态势识别过程

步骤1 建立交通态势识别的知识表达体系。

假设交通状态识别的知识表达系统为四元组S = ( U, A, V, f) , 其中U称为由多值属性描述的交通状态论域; A为属性集合, 由条件属性C和决策属性D组成; V为属性对应的值域; f : U × A→V是一个交通状态信息函数, 给每个交通状态对象属性赋予一个信息值。

步骤2 收集数据, 生成二维信息表。

收集n个样本的所采集的数据, 生成二维的信息表, 即需要用粗糙集理论处理的决策表。

步骤3 利用模糊C-均值聚类算法对属性指标进行离散化。

( 1) 初始化。给定聚类中心数c , 设定迭代停止阈值E取0. 0001, 设定初始化聚类中心V ( 0) , 设置迭代计数器b = 0。

( 2) 用式 ( 1) 计算隶属度矩阵Uij ( b) : 对于i , j , 如果dij ( b) > 0, 有

如果存在i、r, 使得d (b) ir=0, 则有Uir (b) =1, 且对j、r, Uij (b) =0。

(3) 用式 (2) 更新聚类中心矩阵V (b+1) ,

( 4) 如果 ‖V ( b) - V ( b+1) ‖ < E, 则算法停止且输出隶属度矩阵Uij, 和聚类中心矩阵V , 否则令b = b + 1 转向 ( 2) , 继续迭代。

步骤4 指标属性的约简。

( 1) 对二维信息表按条件属性和决策属性分别进行等价类的划分, 记为U/IND ( C) 和U/IND ( D) 。

(2) 计算条件属性C的依赖度RC (D) =[card (U/IND (C) ) ∩card (U/IND (D) ) ]/card (U) , 其中card为集合中的元素个数。

(3) 计算条件属性C-Ci的依赖度, 如果, 则Ci可约简。

步骤5 计算约简条件属性集合中的各个条件属性Ci的重要度:

计算各条件属性的权重:

步骤6 确定模糊关系矩阵。

为了对每个指标因素进行评价, 给出各条件属性隶属于各级别标准的程度, 寻求一个合适的隶属函数来刻画这种隶属程度, 并根据实时数据确定模糊关系矩阵Cij。

步骤7 建立模糊综合评判矩阵并分析结果, 知道各条件属性的权重和模糊关系矩阵, 将其组合即可得到模糊综合矩阵。并采用最大隶属度原则分析其结果。

3 实例分析

3. 1 识别对象集和指标集的确定

本文选取2013 年3 月21 日共8 小时20 分钟的某终端区雷达数据作为经验对象集, 每20 分钟为一组, 选取8 个属性指标作为指标集, 构成二维表, 前7 个指标为条件属性, 最后一个为决策属性, 即终端区的拥挤状况。对象集合U代表该终端区; 指标集合

A = { C1, C2, …, C7, D} = { 航班数, 复杂度, 高度层变化数, 延误时间, 走廊口等待架次, 不均衡度, 饱和度, 拥挤状态} 。由此构成了一个二维的决策表, Ci为条件属性, D为决策属性。

通过终端区雷达数据, 完成影响终端区交通态势的七个条件属性的计算, 以及实际拥挤状态。由于篇章限制, 现选取其中两小时的雷达数据, 其部分实值二维的决策表如表1 所示。

3. 2 决策表离散化处理

通过模糊C-均值聚类算法应用Matlab软件对8 个变量进行处理, 在公式 ( 4) 、 ( 5) 中的m一般取值2; 离散条件属性时, 聚类数C取3 时, 其迭代次数最小, 即收敛最快; 离散决策属性时, 聚类数C取4 时, 收敛最快。并返还各个属性的聚类中心和隶属各中心的隶属度函数, 这样通过模糊C-均值聚类算法把原始连续数据转化成离散数据。参考前人的研究, 条件属性采用水平值{ 1, 2, 3} ; 决策属性采用水平值{ 1, 2, 3, 4} , 即对应{ 通畅, 轻度拥挤, 中度拥挤, 严重拥挤} , 对应参数值均由底到高变化, 如表2 所示。

3. 3 条件属性约简、重要度及权重

按照步骤4, 对条件属性进行约简, 可知条件属性C1对整个决策表是不必要的, 且其他条件属性相互独立, 则条件属性可约简为{ C2, C3, C4, C5, C6, C7} 。分别按上述公式计算各属性的依赖度、重要性及权重, 得到结果如表3 所示。从表3 可以得出, 各条件对终端区交通拥挤态势的影响大小。

按照表3 得出的权重关系, 画出权重较大的饱和度与终端区交通态势的对应关系, 其走势基本保持一致, 饱和度越大, 终端区交通态势越复杂; 饱和度越小, 终端区交通态势越通畅。如图2 所示, 灰色表示饱和度, 黑色表示终端区交通态势。

3. 4 建立模糊关系矩阵

为了得到模糊关系矩阵C, 先确定从单因素来看被评事物对等级模糊子集的隶属度 ( RC/ ui) 。这里取“高斯”隶属度函数来建立矩阵C 。高斯函数解析式为:, 由经验可得各指标值的隶属度函数。图3 为其中一个条件属性延误时间的隶属度函数图。

模糊关系矩阵可由采集数据和隶属度函数求得, 即C为

3. 5 建立模糊综合评判矩阵并分析结果

由得到的各条件属性权重W和模糊关系矩阵C, 可得到模糊综合评判矩阵M = WC。运用模糊综合评判, 并运用最大隶属度原则, 对样本数据进行分析, 所得结果与实际情况对比。此外, 还可通过前面终端区交通态势识别过程中的步骤1 ~ 步骤3, 可得单独采用模糊C-均值算法的识别结果, 将其加入识别结果对比, 如表4 所示。

由表4 可知, 运用FCM和FCM-粗糙集的评判方法得出的结果与实际情况基本一致, 但两种方法识别结果也存在异同, 体现在序号3、13、20 上, 原因是由粗糙集算得的不均衡度、复杂度和饱和度的权重更大, 更加符合实际情况, 识别结果更加准确。

提取表3 中四个不同拥挤态势和该时段航班具体情况做一个对比, 可以更加直观让我们对终端区交通态势有一个认识, 如表5 所示。

4 结论

城市轨道交通运能瓶颈识别方法研究 篇7

近年来我国城市轨道交通建设速度虽快, 但却普遍存在着运能与运量不协调的问题。国内外关于交通瓶颈的研究主要是对道路交通瓶颈进行数学建模和仿真分析[1,2,3], 其思想对于城市轨道交通运能瓶颈的识别有一定的借鉴意义。由于城市轨道交通系统存在许多不同于道路系统的特性, 其瓶颈问题的研究, 到目前为止还没有形成1个较为完整的体系, 且大都集中在枢纽内部集散设施的技术瓶颈方面[4,5]。城市轨道交通系统是由车站和线路组成的, 所以运能瓶颈识别也需要从车站各设备设施能力和区间线路能力中逐一排查。笔者针对车站和线路瓶颈提出了相应的识别方法, 并对瓶颈在两者间的动态传播进行分析。

1 城市轨道交通运能瓶颈识别

城市轨道交通运能瓶颈识别主要基于约束理论 (TOC) 来展开, 通过降低瓶颈处的约束作用, 来提高系统的整体运营效率。

城市轨道交通系统运输能力瓶颈的定义为:城市轨道交通系统在没有加载客流条件下运力资源配置最小, 或在实际的运输生产过程中, 满负荷运行的车站或线路[6]。城市轨道交通运能瓶颈识别流程见图1。

1.1 车站静态瓶颈分析

车站静态瓶颈简单地说就是车站中各设备设施能力中的最小值, 但是由于车站内部流线具有关联性, 所以车站静态瓶颈识别定位还需要考虑很多因素。

目前, 相关文献中对于车站静态瓶颈的识别方法主要存在2个问题:①对同1类设施的功用没有进行明确划分, 忽视了流线的作用, 就可能导致部分流线中的瓶颈无法被识别;②没有考虑到高峰时段同1个设施可能被不同出行目的的乘客同时占用, 从而可能导致过大地估计该处设备设施的能力。针对上述问题, 提出1种改进的车站静态瓶颈识别思路:

首先计算各设备设施理论最大通过能力, 对共用设施处的能力按照一定的比例σ 进行分配 (基于实际日常统计客流或短时客流预测数据) 。然后, 通过流线将各设备设施串联起来, 每条流线上通行能力最小的设施, 即为该条流线上的静态瓶颈位置;最后将同一性质 (如进站流线) 的各条分枝流线的能力最小值进行加总, 就得到了该车站此类流线的静态瓶颈能力。

车站静态瓶颈定位模型为

式中:Bij为车站中第i类流线第j条分支流线的瓶颈设施能力值, 人/h, 其中i为流线种类, 如进站、出站或换乘流线, j为该类流线的各条分支流线;C1, C2, …, Cn为该条流线通过的各设备设施按比例σ 划分后的最大通过能力, 人/h。

1.2 车站动态瓶颈分析

动态瓶颈是基于客流量进行分析的, 并不是所有的静态瓶颈都会成为动态瓶颈, 有些静态瓶颈只是潜在的设施瓶颈。车站动态瓶颈不仅会随客流量的变化而发生变化, 而且各瓶颈设施的拥堵状态也具有一定的相关性。因此, 在确定了车站静态瓶颈设施集合的基础之上, 还需进一步分析其动态瓶颈。

1.2.1 售检票设备动态瓶颈识别依据

此类设备具有典型的排队系统特征, 设ρ为单位时间内完成服务的乘客数, 即服务客流强度, 则当ρ=λ/ (Kμ) ≤1时不会出现拥挤。数学模型为[7]

式中:L为乘客平均排队长度, m;W为排队中的平均等待时间, s;λ 为高峰小时所服务乘客流的平均到达率, 人/s;μ为高峰小时平均服务效率, 人/s;K为服务台个数。

因此, 可以通过计算客流服务强度来识别该类设备是否会成为动态瓶颈, 然后计算平均排队长度或等待时间来对瓶颈位置排队严重程度进行分析。

1.2.2 通道、楼扶梯等设施动态瓶颈识别依据

此类设施动态瓶颈识别首先采用高峰饱和度来初步确定可能的动态瓶颈设施集合, 然后结合瓶颈设施冲击系数进一步对动态瓶颈进行量化分析。

1) 高峰饱和度。高峰饱和度计算公式[8]如下:

式中:Q为高峰小时客流量, 人/h;n为高峰小时发车对数;ρ为超高峰小时系数;C为高峰小时设施最大通过能力, 人/h。

一般当高峰饱和度小于0.8时, 说明设施能力匹配情况良好, 客流能在高峰时段顺畅通过, 并且还有一定剩余量;当该值在0.8~1之间时, 说明设施能力匹配较好, 客流能够通过, 但可能会在短时间内出现拥挤;当该值大于1时, 说明在高峰时段会出现持续拥堵, 适应性差。

2) 瓶颈设施冲击系数。瓶颈设施冲击系数是1个综合指标, 反映了设施处的拥挤度, 计算公式[8]如下。

适宜疏散时间t2是人为设定的, 以站台最远处乘客到达瓶颈设施的正常步行时间为适宜疏散时间。

一般当瓶颈设施冲击系数在0.8~1之间时, 说明瓶颈设施可以及时疏散持续到达聚集的客流, 可能会发生短时排队延误, 但影响不会很大;当冲击系数大于1时, 说明客流对瓶颈设施造成一定的冲击, 产生拥堵。

1.2.3 站台、站厅设施动态瓶颈识别依据

轨道交通脉冲式客流会使站台、站厅不同区域的密度实时发生变化, 可利用仿真的时变理念实现此类设施的动态瓶颈识别。

使用AnyLogic软件对此类设施进行建模仿真, 核心部分为流程处理模块的建立, 该模块主要包括列车流程图和行人流程图两部分:列车流程图通过轨道库中的对象实现, 目的是仿真站台两侧列车到达、在站行人上下车以及离开的过程, 需要设置的参数主要包括行车间隔以及在站作业时间等;行人流程图通过行人库中的对象实现, 目的是仿真行人在仿真区域的集散过程, 需要设置的参数主要包括行人产生位置、数量、速度等。通过“Ped Density Map Legend”这一对象实现在仿真区域内通过颜色实时反映所有位置的客流大小情况, 并结合其他对象的设置, 实现点击仿真动画的不同位置输出该位置当前客流密度以及最大客流密度值这一功能。这样, 不但能直观地看出瓶颈的位置, 还能对瓶颈位置做出量化分析。

选取行人空间 (即客流密度倒数) 这一指标, 根据Fruin行人运动、等候区域服务水平分级标准进行瓶颈识别。

1.3 区间线路瓶颈分析

1.3.1 主要计算指标

借鉴道路系统中使用V/C值来判定交通瓶颈的方法对区间线路瓶颈进行分析, 模型如下

式中:B为瓶颈区间;qi, j为线路i的第j个区间高峰小时区间实际断面客流量, 人/h;Qi, j为线路i的第j个区间的高峰小时最大输送能力, 人/h。

Qi, j参考下面的公式[9]计算得出:

式中:P为列车定员, 人;T为高峰期时间, h;fi为线路i高峰期发车间隔;σ为能力系数, 反映运行图的鲁棒性水平, 一般在0.7左右, 实际取值与运营水平、设备状态等因素有关。

根据计算的B值和“运行列车服务等级水平划分表”, 便可以初步确定区间线路瓶颈所在及服务水平。

1.3.2 辅助计算指标

运输能力的加强通常是在区间运输能力接近饱和时进行, 可以参考列车满载是否大于等于0.7来进行判定。

此外, 在区间瓶颈定位与识别时还应该考察线路客流量达到高峰的程度, 用客流不均衡系数来表示, 其最小值为1, 越高意味着客流的均衡性越差, 越需要根据客流量对所提供的运能进行调整。

客流不均衡系数为最大断面客流在全线的密度与平均客流密度的比值, 计算公式如下。

式中:pi为第i个区间的客流量人/h;li为第i个区间的站间距, km ;L为线路长度, km。

2运能瓶颈动态传播变化特征

由于客流量的变化, 瓶颈可能会在车站内部及车站和线路间发生转移、扩散及消散。在前文对车站和区间线路瓶颈定位的基础上, 通过定性分析瓶颈的动态传播变化规律, 将两者建立联系, 从而形成1个完整的运能瓶颈识别体系。

2.1 车站内部瓶颈传播变化规律

车站内部的出站和换乘客流随列车到达呈现出脉冲式变化, 且在高峰时段两端表现较为明显, 列车到达后, 乘客向外涌出, 致使楼扶梯或通道中的服务水平迅速下降, 瓶颈向外扩散。随着出站客流的向外, 服务水平慢慢回升。由于发车间隔短, 高峰期这种现象不很明显, 连续的乘客流致使系统的服务水平一直维持在1个较低的状态。

2.2 车站、线路间瓶颈传播变化规律

对源发瓶颈车站来说, 自身进站客流巨大, 使列车满载率增加, 导致从该站到下游车站的区段也出现瓶颈, 若区段瓶颈在一段时间内无法消除, 下游车站的乘客无法及时上车则会出现“只进不出”的情况, 则进而导致了下游车站出现同样的瓶颈。

而诱发瓶颈车站自身进站客流不是很大, 若该车站位于线路运行方向的上游, 乘客可及时上车, 不会造成相邻区段出现瓶颈, 即还可承载下游部分车站的客流, 但是当运行到一定车站时列车载客量饱和, 使得下游部分区段出现瓶颈。如果这种诱发瓶颈车站在一定时期内维持这种状态, 则会导致下游瓶颈区段上的车站也出现拥挤现象。

3 案例研究

3.1 复兴门换乘站瓶颈分析

复兴门换乘站是北京地铁2号线与1号线的换乘车站, 进出站客流呈单峰型曲线变化, 换乘客流呈双峰型曲线变化。

3.1.1 复兴门车站静态瓶颈识别计算

根据站内各设备设施布局及尺寸, 可计算出理论最大通行能力。通过查阅资料, 复兴门站在工作日早高峰时段, 共用设施的能力分配见表1。

根据1.1节中提出的车站静态瓶颈定位模型计算出复兴门站各静态瓶颈能力如下。

1) 进站。1号线进站通行能力瓶颈设施为1号线站台东端楼梯, 2号线进站通行能力瓶颈设施为AD口进站通道, 复兴门站进站瓶颈能力为9 235 人/h。

2) 出站。1号线出站通行能力瓶颈设施为1号线站台东端楼梯, 2号线出站通行能力瓶颈设施为AD口出站通道, 复兴门站出站瓶颈能力为9 235 人/h。

3) 换乘。1号线换乘2号线的通行瓶颈设施为1号线站台东端楼梯, 换乘瓶颈能力为14 157人/h;2号线换乘1号线的通行瓶颈设施为2号线站台中部的两台楼梯, 换乘瓶颈能力为18 480人/h。

综上, 复兴门站主要的静态瓶颈设施为1号线站台东端楼梯, AD口进出站通道和2 号线站台中部的两台楼梯, 且最大换乘瓶颈能力要大于进出站瓶颈能力, 基本符合此站以换乘客流为主的情况。

3.1.2 复兴门车站动态瓶颈分析

根据复兴门站客流特点, 动态瓶颈识别主要基于早高峰出站和换乘客流量来进行, 客流数据见表2。

1) 检票设备瓶颈分析。4 个出站检票机在高峰小时均不会出现排队现象, 完全可以满足目前的客流需求, 出站闸机不是动态瓶颈设施, 结果见表3。

对于复兴门站各出入口来说, 当高峰小时出站客流量分别大于6 297 人/h (K=3, λ>1.749人/s) 和8 396 人/h (K=4, λ>2.332 人/s) 时, 排队明显, 可认为瓶颈出现。

2) 通道及楼扶梯瓶颈分析。

(1) 高峰饱和度。出站和1号线换乘2号线的瓶颈设施均为1号线站台东端楼梯, 饱和度接近100%, 会出现短时客流拥堵;2号线换乘1号线的3部楼梯饱和度均在80%~90%之间, 当客流短时骤增时, 2号线站台中部的2 个楼梯也很有可能成为瓶颈设施, 见表4。

(2) 瓶颈冲击系数。由高峰饱和度计算可知, 1号线站台东端楼梯和2号线站台中部两个楼梯为突出的瓶颈设施。为进一步分析动态瓶颈设施的拥挤度, 还需计算这2处设施的瓶颈冲击系数。

根据式 (4) , (5) 可计算出, 1号线站台东端楼梯瓶颈冲击系数为1.19;2号线站台中部楼梯为2.57。由于2号线站台的换乘楼梯在站台中间, 客流聚集较快, 对瓶颈设施的冲击较大, 所以2号线站台中部楼梯的高峰饱和度虽然小于1号线站台东端楼梯, 但是其瓶颈设施冲击系数却是1号线站台东端楼梯的2倍。

(3) 站台瓶颈分析。现主要仿真复兴门站出站、换乘时的客流演变及密度变化情况, 并对1号线、2号线站台以及与站台连接的楼梯区域的服务水平进行分析。

①仿真环境设计及相关参数设定。1号线站台西端楼梯的客流量设为13 769 人/h;2号线站台南端楼梯客流量为5 997 人/h, 北端楼梯的客流量为5 761 人/h。根据调研数据得到的客流流向比例可知, 10%的下车乘客出站, 40%的下车乘客从中部楼梯换乘1号线。站台行人速度在0.5~1.0m/s之间, 行人流程图见图2和图3。

②仿真结果及分析。由于高峰时段发车间隔较小, 经常出现两侧列车相继抵达站台的情形, 现仿真站台两侧列车同时到达的情况, 仿真结果见图4~8。

a1号线站台仿真结果。仿真结果显示, 1号线站台西端楼梯客流密度达到0.83 人/m2, 即1.2m2/人, 局部区域服务等级达到D级;站台东端楼梯最大客流密度为0.93人/m2, 即1.08m2/人, 局部区域服务等级达到D级, 几乎要进入E级, 客流聚集速度相对于2号线较慢。

b2号线站台仿真结果。仿真结果显示, 2号线站台两端楼梯最大客流密度为0.87 人/m2, 即1.15m2/人, 服务水平为D级;站台中部楼梯最大客流密度1.3人/m2, 即0.77m2/人, 局部区域服务水平为E级, 客流聚集速度快, 客流存在短时小面积的拥堵。

3.1.3 总结及改进建议

通过分析发现, 地铁1号线站台的端部楼梯和地铁2号线站台中央的换乘楼梯是整个车站的瓶颈, 尤其是在高峰时段易产生拥挤、排队现象, 影响了整个系统的换乘服务水平。可通过适当加宽楼梯、增设扶梯或部分车次通过不停车, 并加强客流引导和动态信息提示等措施来缓解瓶颈处的拥挤现象。

3.2 北京地铁2号线区间瓶颈识别

3.2.1 区间线路瓶颈计算结果

结合客流数据及前文所述区间线路瓶颈识别方法, 可计算出高峰小时区间断面客流量和各区间的B值;用区间断面客流量除以列车定员, 即可得到在每一区间的满载率。计算结果见表5。根据式 (8) 可计算出高峰小时平均客流不均衡系数为1.2。

3.2.2 总结及改进建议

由表5可知, 北京地铁2号线各区间的能力利用率相差不大, 最大区间瓶颈值为0.705, 在建国门-朝阳门这一区间, 相对来说可以确定为整条线路的瓶颈区间。此外, 2 号线区间运输能力还未完全饱和, 服务水平在C~D级之间, 主要是因为2号线的高峰小时发车间隔较小。且北京地铁2号线的客流不均衡系数平均为1.2, 较为均衡。总的来说, 北京地铁2号线区间线路能力在一定程度上还能够满足客流需求。

4 结束语

城市轨道交通运能瓶颈识别对运营部门掌握网络运行状态及制定相应的组织措施具有重要意义。通过筛选整合识别指标, 针对城市轨道交通车站和区间线路不同位置的特性, 提出了相应的瓶颈识别方法。同时将此方法应用于北京地铁复兴门站车站瓶颈和2 号线线路瓶颈的识别分析中, 有效地找出了瓶颈所在, 为设施设备的更新及线路的改造提供了理论支持。此外, 对于瓶颈处拥堵程度的等级划分也是非常重要的, 这些问题还有待于进一步的研究。

参考文献

[1]Kuwahara M, Akamatsu T.Dynamic user optimal assignment with physical queues for a many-to-many OD pattern[J].Transportation Research, 2001, 35 (5) :461-479.

[2]Richard Mounce.Convergence in a continuous dynamic queuing model for traffic networks[J].Transportation Research, 2006, 40 (9) :779-791.

[3]郑中元.城市道路交通网络空间的拥堵瓶颈识别[D].南京:东南大学, 2009.

[4]任俊学.综合客运枢纽内集散网络瓶颈识别方法研究[D].北京:北京交通大学, 2010.

[5]王会会.综合客运交通枢纽内部客流拥堵机理研究[D].北京:北京交通大学, 2011.

[6]皇妍妍.基于网络的城市轨道交通运输能力瓶颈问题研究[D].北京:北京交通大学, 2011.

[7]姚风金.旅客综合枢纽运输协调理论研究[D].北京:北京交通大学, 2007.

[8]王扬.基于乘客行为模拟换乘站设施通行能力的研究[D].北京:北京交通大学, 2010.

[9]李得伟, 韩宝明, 鲁放.城市轨道交通网络瓶颈分析[J].城市轨道交通研究, 2011, 14 (5) :49-54.

[10]胡明伟, 史其信.城市轨道交通车站客流组织的仿真和评价[J].交通信息与安全, 2009, 27 (3) :39-42.

交通灯识别 篇8

近些年,基于视频跟踪的行为分析已经成为视频监控智能化研究领域的研究重点和热点[1]。通过视频跟踪能够自动获取目标的运动轨迹,而轨迹是运动目标的微观运动行为在时空域上的直观表现形式,运动行为模式相同的物体在轨迹上表现出较高的相似性与重复性,因此,轨迹分析是实现目标行为识别的一个重要方法。

目前,基于轨迹的异常行为识别方法较多,常用的有基于隐马尔可夫模型(HMM)的方法,基于贝叶斯模型的方法,以及其他一些新的方法。然而,传统轨迹分析方法[2]主要考虑的是轨迹的空间特性,因而对异常行为识别的能力较弱,只能识别较为简单的异常行为。文献[3]在描述轨迹时引入了目标的空间位置、运动速度、运动方向和尺寸参数,从轨迹的空间、方向和类别这三个方面对轨迹进行学习和匹配,因而提高了目标轨迹的区分能力,但在异常行为识别过程中也只用到了轨迹的空间和方向特性,因而也减弱了异常行为的识别能力。

为了提高异常行为的识别能力,本文提出了一种新的异常行为识别方法。首先,在对轨迹进行描述和距离计算时引入目标的空间位置、运动速度、运动方向和大小尺寸四个特征参数,并采用K均值聚类方法对轨迹进行聚类;其次,以交通监控为背景,提出一种行为识别数据库的建立和调用方法;最后,采用基于Bayes最优化的方法对轨迹的进行匹配,并调用行为分析数据库对目标行为进行识别。

1 轨迹聚类

1.1 轨迹的描述

轨迹是目标运动过程中的一系列质心点连接而成。传统轨迹描述方法主要用空间坐标来表示轨迹,如ai=〈x${}_i^a$,y${}_i^a$〉,这种方法的主要缺点是轨迹的分类不够细、识别率不高。为了区分不同位置、不同速度、不同方向和不同尺寸运动目标的轨迹,提高轨迹聚类和目标识别的有效性,受文献[3]启发,本文利用目标运动的空间坐标、运动速度、运动方向和目标尺寸来描述目标的运动轨迹。对轨迹集合中的任意一条轨迹A表示为A={ai,i=1,2…,N}, ai=〈x${}_i^a$,y${}_i^a$,v${}_i^a$,θ${}_i^a$,s${}_i^a$〉 (1)

式中:ai为轨迹A的第i个采样点,N为目标运动持续的采样次数,(x${}_i^a$,y${}_i^a$)为目标质心在第i次采样中的二维空间坐标,v${}_i^a$和θ${}_i^a$分别表示第i次采样中目标的速度大小和方向信息,s${}_i^a$为第i次采样中目标的面积,用以表示目标的尺寸信息。

1.2 轨迹距离的计算

根据轨迹的描述方法,在轨迹距离计算时,也相应的引入轨迹的空间距离dh、速度距离dv、方向距离dθ和尺寸距离ds,分别表示目标轨迹在空间位置、运动速度、运动方向和目标尺寸上的差别大小。然后将各项距离加权求和得到目标轨迹间的最终距离,如式(2),用以表示2条轨迹的综合差异程度

d(A,B)=khdh(A,B)+kvdv(A,B)+

kθdθ(A,B)+ksds(A,B) (2)

式中:kh,kv,kθ,ks为权重系数,分别表示轨迹A和B之间的空间距离、速度距离、方向距离和尺寸距离对总的距离的影响程度,kh,kv,kθ,ks的取值范围为[0,1],取值大小应根据实际应用中的具体要求进行初步设置,并通过多次试验,选取区分效果最好,识别率最高时候的值。比如,在对高速路上的交通目标进行轨迹距离计算和聚类时,由于高速路上的目标主要是车辆,尺寸、速度相差不大,因此主要考虑目标的空间位置和运动方向对轨迹的影响,而不用考虑运动速度和尺寸,所以kh和kθ取较大的值,kv和ks取较小的值或0。而对混合交通的目标进行轨迹距离计算和聚类时,由于需要区别人和车辆的运动轨迹,因此需要适当加大kv和ks的取值。

常用的轨迹距离计算方法有:欧氏距离(Euclidean)、Hausdorff距离、LCSS(Longest Common Subsequence)和DTW(Dynamic Time Warping)等。考虑到Hausdorff距离可以对不同长度的轨迹进行距离计算,因此轨迹的空间距离和速度距离均采用改进的Hausdorff 距离[3]进行计算。轨迹的方向距离和尺寸距离主要考虑目标运动平均方向和目标平均尺寸(考虑部分遮挡的情况)的差别,因此轨迹的方向距离和尺寸距离则采用简单的平均差方法进行计算。

在计算轨迹间的空间距离dh时,只需要考虑轨迹点的空间位置坐标。对于轨迹A上的任意一点ai,在轨迹B上有距离ai最近的点满足

$\phi (i)=\underset{j\in \mathit{B}}{{\displaystyle \arg \min }}$x${}_i^a$-x${}_j^b$,y${}_i^a$-y${}_j^b$ (3)

那么,轨迹A和轨迹B之间的空间有向距离表示为

$h(\mathit{A},\mathit{B})=\frac{1}{{\rm N}{}_{\mathit{A}}}{\displaystyle \sum _{i\in \mathit{A}}}$x${}_i^a$-x${}_{\phi (i)}^b$,y${}_i^a$-y${}_{\phi (i)}^b$ (4)

其中,NA为A的轨迹点个数。则A和B之间的空间距离表示为

$d{}_h(\mathit{A},\mathit{B})=\{\begin{array}{l}h(\mathit{A},\mathit{B}),h(\mathit{A},\mathit{B})\le h(\mathit{B},\mathit{A})\\ h(\mathit{B},\mathit{A}),h(\mathit{A},\mathit{B})>h(\mathit{B},\mathit{A})\end{array}(5)$

轨迹的速度距离dv计算与空间距离dh计算基本相同,不同之处在于,空间距离计算中轨迹点之间的距离计算公式x${}_i^a$-x${}_j^b$,y${}_i^a$-y${}_j^b$换成速度差计算公式vA-vB。

轨迹A和轨迹B之间的方向距离dθ(A,B)和目标尺寸距离ds(A,B)采用平均差方法进行计算

$\{\begin{array}{l}d{}_{\theta }(\mathit{A},\mathit{B})=|\theta {}_{\mathit{A}}-\theta {}_{\mathit{B}}|\\ d{}_s(\mathit{A},\mathit{B})=|s{}_{\mathit{A}}-s{}_{\mathit{B}}|\end{array}(6)$

式中:$\theta {}_{\mathit{A}}=\frac{1}{{\rm N}{}_{\mathit{A}}}{\displaystyle \sum _{i\in \mathit{A}}\theta }{}_i^a‚\theta {}_{\mathit{B}}=\frac{1}{{\rm N}{}_{\mathit{B}}}{\displaystyle \sum _{i\in \mathit{B}}\theta }{}_i^b‚s{}_{\mathit{A}}=\frac{1}{{\rm N}{}_{\mathit{A}}}{\displaystyle \sum _{i\in \mathit{A}}s}{}_i^a‚s{}_{\mathit{B}}=\frac{1}{{\rm N}{}_{\mathit{B}}}{\displaystyle \sum _{i\in \mathit{B}}s}{}_i^b$。

在空间距离dh(A,B)、速度距离dv(A,B)、方向距离dθ(A,B)和尺寸距离ds(A,B)都计算出来后,再将各距离缩放到[0,1]范围内,最后通过式(2)得到轨迹A和轨迹B之间的总的距离。

1.3 基于K均值的轨迹聚类

轨迹聚类是场景分析和行为理解的基础。目前常用的聚类方法有层次聚类、K均值聚类、谱聚类和基于神经网络的聚类等方法,其中,K均值聚类法原理简单,计算量小,但需要事先估计聚类数目和初始聚类中心,而在一般的交通场景中,由于车辆和行人等目标都是按照一定的路线和方向行驶的,分类比较清楚,因而可以较容易的预测聚类个数。因此,为了提高时效性,本文采用K均值算法[4]对训练轨迹进行聚类。具体实现过程如下:

1) 预测聚类个数。根据交通场景中不同运动目标、不同行驶路线和运动方向等情况,确定类别个数K。

2) 建立轨迹距离矩阵。假设Ω为L条训练轨迹序列的集合,其中Ω={A1,A2,…,AL},每个元素Ai为1个轨迹序列,对每2个轨迹序列利用式(2)进行距离计算,得到d(Ai,Aj),对所有轨迹序列进行计算则得到1个L×L的距离矩阵D,其中Di,j=d(Ai,Aj)。

3) 初始化聚类“中心”。首先,随机选取1条轨迹作为第1类的初始聚类中心Ao1,然后在剩下的L-1条轨迹序列里选取1条作为第2类的初始中心Ao2,但为了防止所选的2个中心属于同一类,设定阈值ρ1,使2个聚类中心的距离满足

Do1,o2=d(Ao1,Ao2)≥ρ1 (7)

以此类推,选出K个聚类的初始化中心。

4) 对训练样本轨迹进行归类。方法是比较所有轨迹样本Ai与各个初始化中心Aoj的距离d(Ai,Aoj),将所有的轨迹样本归类到与它距离最近的初始化聚类“中心”所在的类

$class(\mathit{A}{}_i)=class(\mathit{A}{}_{op}),d(\mathit{A}{}_i,\mathit{A}{}_{op})=\underset{j=1,2,\cdots ,{\rm K}}{{\displaystyle \min }}d(\mathit{A}{}_i,\mathit{A}{}_{oj})(8)$

5) 调整聚类“中心”。由步骤4)可得到对应每类的样本个数L1,L2,…,LK,对每一类,找出属于该类的所有样本,寻找一个新的代表,使其到该类内所有样本的距离之和最小,该样本即为新的聚类“中心”,公式为

$\mathit{A}{}_o\leftarrow \arg \underset{i=1,2,\cdots ,L{}_o}{{\displaystyle \min }}{\displaystyle \sum _{j=1}^{L{}_o}d}(\mathit{A}{}_i,\mathit{A}{}_j)(9)$

6) 重复步骤4)和步骤5),直到连续2次的迭代结果(即聚类中心)不再发生变化为止。此时的“中心”就是聚类的“中心”,各个类中的样本就属于同一类轨迹模式。

2 轨迹匹配

轨迹匹配就是在轨迹聚类完成后,建立各个轨迹类的模型,然后将新采样的轨迹代入到模型中,通过设立阈值,判定是否匹配。本文首先对每类轨迹采用高斯模型建模,然后采用基于Bayes最优化的方法[3]对样本轨迹进行匹配。

2.1 建立轨迹类模型

设轨迹类由ω1,ω2,…,ωK等K类构成,聚类中心分别为Ao1,Ao2,…,AoK,分别以各类的聚类中心为坐标中心,以各类中的轨迹到聚类中心的距离为横轴,以落在某距离段中的轨迹条数(出现概率)为纵轴做轨迹分布图,如图1所示,图1a为提取了一类车辆行驶的原始轨迹图,图1b为平滑前的轨迹分布图,图1c为平滑后的轨迹分布图,从图1b和图1c可以发现轨迹分布基本满足高斯分布,且概率最大值所对应的横坐标为聚类中心点。

那么,可以建立高斯分布函数

P(Ai$\mathit{\omega }{}_j)=\frac{1}{(2\text{π}){}^{{\rm N}/2}|S{}_j|{}^{1/2}}\exp \left[-\frac{1}{2}(\mathit{A}{}_i-\mathit{\mu }{}_j){}^{\text{Τ}}S{}_i^{-1}(\mathit{A}{}_i-\mathit{\mu }{}_j)\right](10)$

式中:Ai表示轨迹样本,Ai=(Hi,Vi,θi,Si),Hi,Vi,θi,Si分别表示轨迹Ai的空间位置、运动速度、运动方向和目标尺寸信息;ωj表示第j类轨迹模式;P(Aiωj)表示在模式ωj下出现轨迹Ai的条件概率;N表示轨迹Ai的维数,且N=4;均值μj用第j类轨迹的聚类中心Aoj表示,协方差矩阵Sj=E[(Ai-μj)(Ai-μj)T],参数μj和Sj可根据聚类模式ωj中的训练样本轨迹进行求解;Ai-μj表示轨迹Ai与聚类中心Aoj的差值,用轨迹距离表示,当Ai-μj用轨迹间总的距离进行计算时,得到的 P为联合概率密度,当Ai-μj用轨迹间的空间距离、速度距离、方向距离或者目标尺寸距离进行计算时,得到的 P为边缘概率密度。

2.2 基于Bayes最优化的轨迹匹配

采用基于Bayes最优化的方法对样本轨迹进行匹配,基本原理公式为

P(ωj$\mathit{A}{}_i)=\frac{{\rm P}(\mathit{A}{}_i|\mathit{\omega }{}_j){\rm P}(\mathit{\omega }{}_j)}{{\displaystyle \sum _{j=1}^{{\rm K}}{\rm P}}(\mathit{A}{}_i|\mathit{\omega }{}_j){\rm P}(\mathit{\omega }{}_j)}(11)$

式中:P(ωj)表示聚类模式ωj的先验概率,可以通过在聚类训练完成后将该模式中的轨迹数目与总的轨迹数求比值得到;P(Aiωj)表示在模式ωj下轨迹Ai的条件概率,可通过式(10)求得;P(ωjAi)表示轨迹Ai属于模式ωj的概率值。

在求得轨迹Ai分别属于K类模式ω1,ω2,…,ωK的概率值后,求取最大值,设立阈值ρ2(0≤ρ2≤1),如果满足maxP(ωjAi)≥ρ2,则判别轨迹Ai与模式ωj匹配,反之,则不匹配。

3 行为识别数据库的建立与调用

在建立行为识别数据库之前,首先需要对异常行为进行定义。异常行为各式各样,不一而足,需要根据场景的不同和要求才能较为明确的定义,考虑到异常行为的低概率发生特性,本文以交通监控为背景,对于场景中已经训练好的轨迹模式,如果样本轨迹与其中某个轨迹模式相匹配,则认为该样本轨迹所对应的行为为正常行为;反之,如果样本轨迹与各个轨迹模式均不匹配,则认为该样本轨迹所对应的行为是异常行为。

3.1 行为识别数据库的建立

1) 建立一个轨迹参数选取表,如表1所示。左边第一纵栏表示K类轨迹,上面第一横栏表示目标轨迹的空间位置、运动速度、运动方向和目标尺寸4个特征参数。M取0或者1,Mij=1(1≤i≤K,j=h,v,θ,s)表示选取第i类轨迹空间的第j个参数,Mih=0表示不选取第i类轨迹的第j 个参数,这样,每个特征参数就有K个选择。

2) 在各个特征参数的K个选择中,分别任意选取1个,如Mih=Mjv=Mpθ=Mqs=1,当1≤i≤K,1≤j≤K,1≤p≤K,1≤q≤K时,其他M取0,表示分别选取了第i,j,p,q类轨迹的空间特征参数、运动速度参数、运动方向参数和目标尺寸参数。根据本文对目标轨迹的定义,目标轨迹就是由其空间位置、运动速度、运动方向和目标尺寸这4个参数进行描述,那么新选取的这4个特征参数就代表了1条新的轨迹。

3) 根据实际场景中各类轨迹模式的各个特征参数的具体情况以及所选取的4个特征参数情况,对那条新轨迹进行定义和描述。如图2所示的场景有三类轨迹模式,分别以轨迹中心1、轨迹中心2和轨迹中心3表示,其中轨迹中心1代表车辆以正常速度由左向右行驶的轨迹,轨迹中心2代表人以正常速度由右向左行走的轨迹,轨迹中心3代表人以正常速度由下向上行走的轨迹。当新选取的4个特征参数全部属于轨迹模式1中时,即M1h=M1v=M1θ=M1s=1,其他M取0,表示这4个特征参数所代表的新的目标轨迹的空间位置、运动速度、运动方向和目标尺寸与轨迹模式1相同,那么这条新的轨迹就属于轨迹模式1,即车辆以正常速度由左向右行驶的正常轨迹,也就是正常行为的轨迹。同理,当新选取的位置、速度和尺寸参数属于轨迹模式1、而方向参数属于轨迹2时,即M1h=M1v=M1s=1,M2θ=1,其他M取0,表示所代表的新轨迹的空间位置、运动速度和目标尺寸与轨迹模式1相同,而运动方向与轨迹模式2相同,那么就可以判定那条新轨迹就是车辆以正常速度由右向左行驶的轨迹,也就是车辆逆行的异常行为轨迹。依次类推,对所有的组合所代表的新轨迹行为都进行定义和描述。

4) 对所有组合所代表的的轨迹行为进行编号,建立数据库。用ijpq(1≤i≤K,1≤j≤K,1≤p≤K,1≤q≤K)4位数对轨迹行为进行标号,表示分别选取了第i,j,p,q类轨迹的空间特征参数、运动速度参数、运动方向参数和目标尺寸参数所形成的轨迹行为,即Mih=Mjv=Mpθ=Mqs=1,其他M取0。然后,根据步骤3)对该轨迹行为的定义和描述,建立数据库。

根据场景Traffic_1可以建立行为识别数据库如表2所示。

需要说明的是本文定义的行为识别数据库是以某个交通场景为背景的,也就是说1个数据库只能对应1个交通场景,对其他的交通场景并不适用。

3.2 行为识别数据库的调用

在调用行为识别数据库之前,首先需要通过文中的轨迹匹配,确定样本轨迹与K个轨迹模式情况,包括联合匹配和各个特征参数的边缘匹配情况。本文匹配的定义是指特征参数一致,比如样本轨迹的空间位置参数与轨迹模式1边缘匹配,就表示样本轨迹的空间位置与轨迹模式1的空间位置相一致,联合匹配就是各个特征参数都与同一类轨迹模式匹配。

调用行为识别数据库的方法比较简单,基本过程就是根据样本轨迹的各个特征参数与各类轨迹模式的匹配情况,相应的调用行为数据库中对应编号的轨迹作为样本轨迹,然后对其进行行为描述和异常判定。比如当样本轨迹的空间位置、运动速度、运动方向和目标尺寸分别与第a,b,c,d类轨迹模式匹配时,就只需要直接在样本轨迹数据库中寻找编号为abcd的轨迹作为样本轨迹,然后对其进行行为描述和异常判定。

另外,由于联合匹配就是各个特征参数都与同一类轨迹模式匹配,因而在确定样本轨迹与某一轨迹模式联合匹配时,就可以直接判定该轨就属于那类轨迹模式,也就是一条正常行为轨迹,因而就不需要调用行为识别数据库了。

4 异常行为识别

异常行为分为预定义的异常行为和未定义的异常行为,因此,在行为数据库中已经定义好的异常行为就是一种预定义的异常行为,而行为数据库中未定义的异常行为则属于一种未定义的异常行为。一个好的、较为通用的异常行为检测模型应该具有这样两个功能:1) 能对预定义的异常行为进行检测和识别(监督情况下);2) 能对一些未定义,事先未预料的异常行为进行检测和识别(非监督情况下)。

本文异常行为识别的工作流程图如图3所示。

1) 提取交通监控中的目标行为轨迹,分为训练轨迹和样本轨迹,其中,训练轨迹是指用于聚类和建立轨迹模型的历史轨迹,样本轨迹是指当前提取的需要识别的轨迹。然后对训练轨迹进行距离计算和聚类(K类)。

2) 构建K类轨迹模式的高斯模型。

3) 建立行为识别数据库。

4) 对样本轨迹进行模型匹配。求取样本轨迹到各类轨迹的空间距离、速度距离、方向距离、尺寸距离和总的距离。并将轨迹样本分别代入K个高斯模型中,分别计算它们的联合概率密度,以及空间位置、速度、方向和尺寸的边缘概率密度,然后采用Bayes最优化的方法分别进行联合匹配,以及各个特征参数的边缘匹配。

5) 根据匹配情况进行行为识别。首先,通过联合匹配情况对行为进行正常或异常的判别。当轨迹样本与K类轨迹中的某一类联合匹配时,该轨迹所对应的行为为正常行为;当轨迹样本与K类轨迹都不联合匹配时,该轨迹所对应的行为为异常行为。然后,通过各个特征参数的边缘匹配情况进行异常行为识别。当4个特征参数都与K类轨迹模式边缘匹配时,该轨迹所对应的行为属于一种已知的异常行为,即为监督条件下的异常行为,可通过调用行为识别数据库对其进行定义和描述;当4个特征参数中有一个或者多个与K类轨迹中的任何一类都不匹配时,该轨迹所对应的行为属于一种未知的异常行为,即为非监督条件下的异常行为,可通过各个特征参数的边缘匹配情况进行模糊描述。

仍然以场景Traffic_1为例,增加一条红色的样本轨迹4,如图4所示。首先,计算样本轨迹4到各类轨迹中心的距离,并进行模型匹配,得到匹配情况表,如表3所示。其次,根据联合匹配情况可知轨迹4不属于三类轨迹模式中的任何一类,因此,将其判别为异常行为轨迹。然后,根据各个特征参数的边缘匹配情况可知,该轨迹的空间位置、运动速度和目标尺寸3个特征参数与轨迹模式2匹配,运动方向参数与轨迹模式1匹配,因此该轨迹属于一种已知的异常行为,即为监督条件下的异常行为。最后,通过调用行为识别数据库编号为2212号轨迹,判断出样本轨迹4为行人在人行道上以正常速度由左向右行走的异常行为轨迹。

5 仿真实验

为验证本文提出的轨迹聚类方法和异常行为识别方法的有效性和适用性,本文分别对多个实际交通视频进行了仿真实验。试验系统建立在1 Gbyte内存的普通PC机上,仿真软件采用Matlab 7.8,运动目标轨迹数据的提取采用文献[5]的粒子滤波跟踪算法。

5.1 轨迹距离计算和聚类实验

分别采用文献[2]的轨迹分析方法和本文提出的方法进行轨迹距离计算和聚类实验。

首先,对Traffic_1视频(avi格式,320×240,25 f/s)进行了轨迹距离计算实验。本文算法中权重系数分别取kh=0.4,kv=0.2,kθ=0.2,ks=0.2。共提取了23条轨迹进行了仿真试验,抽取了4条有代表性的轨迹和试验数据进行分析。如图5所示,4条轨迹分别采用不同颜色进行区分(原图为彩色图),轨迹1为一辆车行走的轨迹,轨迹2～4是3个不同的人行走的轨迹,天蓝色箭头表示轨迹运动的方向。轨迹距离统计表如表4所示。

对表4的轨迹距离数据进行分析。首先,对采用本文方法得到的各轨迹距离进行对比分析,可以发现:各个特征参数距离与实际情况都相符合,比如空间距离中,轨迹2和轨迹3的距离最小,轨迹1到轨迹4的距离最大;相位距离中,轨迹1和轨迹2的距离最小,轨迹3和轨迹1、轨迹2的距离较大;总的距离中,所有轨迹间距离都比较大,其中轨迹1与轨迹4的轨迹距离最大,而轨迹2与轨迹3的距离最小。然后,对采用文献[2]方法得到的轨迹距离与本文算法得到的轨迹间总的距离进行对比分析,可以发现:文献[2]方法得到的数据中,轨迹2与轨迹3的距离很小,其他的数据都比较大,原因是由于该方法是利用轨迹的空间位置特征计算轨迹间距离,所以距离计算结果只受轨迹位置影响;而本文方法所得的轨迹距离数据都比较大,原因是由于综合考虑了目标轨迹的空间位置、速度、方向和尺寸信息,所以距离计算结果受轨迹位置和运动速度、运动方向和目标尺寸的综合影响。

然后,对Traffic_2视频(avi格式,320×240,25 f/s)进行了轨迹聚类实验。距离计算中权重系数取kh=0.4,kv=0.25,kθ=0.1,ks=0.25,共提取了80条轨迹进行了仿真实验,提取的轨迹主要为3个不同方向的机动车行驶轨迹,以及人行道上的人或自行车的行走轨迹,如图6a所示。

图6b和图6c为轨迹聚类效果图,从图可以发现:两种方法轨迹聚类个数都是4个,而且向上行走车辆和向下行走车辆的轨迹聚类效果都相对较好,聚类效果相差较大的地方主要集中于人行道上行人轨迹和水平方向的车辆轨迹的聚类效果。主要原因在于水平方向的这两种轨迹在空间分布上比较相似而且距离相近,因而空间距离较小,难以区分。文献[2]方法由于在轨迹聚类时主要考虑轨迹的空间位置特征,因而当水平方向行驶的车辆与行人相距较近时,区分难度较大,如图6b所示。本文方法由于考虑了轨迹的空间位置、运动速度、运动方向和尺寸特征,因而聚类效果有一定的提高,如图6c所示。

表5为Traffic_2聚类实验的具体实验数据,通过实验数据对比,同样可以发现,相对于文献[1]方法,采用本文方法时的聚类效果有一定的提高。

5.2 异常行为识别试验

在上一节试验完成对Traffic_2视频聚类的基础上,继续对其进行异常行为识别实验。首先,针对该场景建立了行为识别数据库。由于轨迹聚类模式有4个,因此,轨迹编号从1111至4444,一共有256条,其中正常轨迹29条(有5种描述),异常轨迹200条(有50种描述),无法判断正常或异常的27条。然后,对从Traffic_2视频中(20 min)提取了70条轨迹进行异常行为识别试验,具体试验数据见表6。

抽取了其中有代表性的3类异常行为轨迹显示如图7,图7a、图7b、图7c显示了原始图片中的3个异常行为目标,其中,目标1和目标2为非机动车行驶机动车道的异常行为,目标3显示了机动车行驶非机动车道的异常行为。图7d显示了异常识别的结果,用红色轨迹表示异常轨迹,其他3类为正常轨迹,而且,异常轨迹1和2属于监督条件下的异常行为轨迹,因为它们的各个特征参数均与聚类模式边缘匹配,调用行为识别数据库,得到行为描述结果为:轨迹1为人(自行车)在机动车道1以正常速度从右向左行驶的异常行为轨迹;轨迹2为人(自行车)在机动车道2以正常速度从下向上行驶的异常行为轨迹。异常轨迹3属于非监督条件下的异常行为轨迹,因为其空间位置不和任何聚类模式匹配,模糊识别结果为空间位置异常。

6 结束语

轨迹是运动目标的微观运动行为在时空域上的直观表现形式,也是包含目标行为信息最丰富的特征,因此,轨迹分析是实现目标行为识别的一个重要方法,基于轨迹分析的异常行为识别也因此成为视频监控领域研究的重点。本文主要对交通监控中基于目标轨迹的异常行为识别方法进行了研究。主要完成了以下工作:1)对轨迹的距离计算和聚类方法进行了研究和改进;2)以交通视频监控为背景,提出了一种行为识别数据库的建立和调用方法;3)在前两项工作的基础上,对目标行为识别方法及其工作流程进行了研究和总结;4)对轨迹距离计算和聚类、异常行为识别分别进行了仿真试验,验证了算法的有效性和适用性。

摘要：针对交通监控中运动目标的异常行为识别问题,提出一种基于轨迹分析的异常行为识别方法。首先,引入目标的空间位置、运动速度、运动方向和大小尺寸等特征参数对轨迹进行描述和聚类,以提高对目标轨迹的区分和识别能力;然后,提出一种行为识别数据库的建立和调用方法,并以实际交通场景为例,详细说明了数据库的建立和调用过程;最后,采用基于Bayes最优化的方法对轨迹进行联合匹配和边缘匹配,并根据匹配情况调用行为识别数据库对目标行为进行识别。实验结果表明,该方法切实有效,具有一定的实际应用价值。

关键词：轨迹分析,交通监控,异常行为识别,行为识别数据库,Bayes最优化

参考文献

[1]杨俊,王润生.智能化交通视频图像处理技术研究[J].电视技术,2006,30(9):74-77.

[2]LOU J,LIU Q,TAN T,et al.Semantic interpretation of object activitiesin a surveillance system[C]//Proc.16th International Conference onPattern Recognition.[S.l.]:IEEE Press,2002,3:777-780.

[3]胡宏宇.基于视频处理的交通事件识别方法研究[D].长春:吉林大学,2010.

[4]潘奇明,周文辉,程咏梅.运动目标轨迹分类与识别[J].火力与指挥控制,2009,34(11):79-83.

交通灯识别 篇9

随着时代的进步和人口的增多, 私家车的拥有量迅猛增加, 城市道路的拥堵以及环境污染现象越发严重, 发展大容量交通已成为解决城市交通问题及环境问题的根本手段。城市轨道交通作为一项新起的运输方式, 已成为各大城市发展大容量交通的首选。然而, 经过调查研究发现近65%的轨道车辆在运营时都存在车厢乘客人数分布不均匀现象, 究其根本原因在于轨道车辆中车厢数较多, 每个车厢乘客人数信息不透明引起了乘客盲目选择屏蔽门候车造成了运力浪费。这一现象, 不但增加了轨道交通运营成本, 还降低了轨道乘车的舒适性, 对城市轨道交通这一运输方式的行业竞争力极大打折。由此, 提出一种城市轨道交通乘客人数识别及发布系统尤为重要。

2. 关键技术

2.1 人数识别技术

人数识别技术是该系统的核心部分, 它主要由以下几个步骤组成。如图2.1所示:

1) 灰度变换及图像差分。在现代轨道车辆中每节车厢均安装有前后两个摄像头对车厢内乘客情况进行监控。在该步骤中便主要运用该已有的摄像头设备进行车厢乘客分布信息的提取。当摄像头监控到屏蔽门关闭时, 开始提取车厢内乘客初始图形并利用已有程序对其进行灰度处理, 然后对于对相邻的两帧图像进行差分, 直到监测到差值为非0数值时即证明乘客不再走动, 开始进行人数计数。

2) 粘连团体分割。在实际检测车厢内乘客情况时, 会出现特例, 从而增大分割算法的误差率, 进而影响到公布给乘客的车厢乘客信息值。由此, 本系统针对这类特殊情况对算法进行了改进, 达到提高分割算法的鲁棒性 (指控制系统在一定结构、大小的参数摄动下, 维持其它某些性能的特性) 的目的, 从而降低系统的误诊率。在乘车的过程中, 会有乘客进行伸长手臂的动作, 也会出现乘客携带较多行李的情况, 这样会导致最小外接矩形过大, 使算法错误判断了团块中的目标数量。该步骤主要是利用程序中已设置的人群团块的长度和宽度, 去掉特殊的情况, 按照平均法的方式进行人群分割处理, 以达到降低计数错误率的目的。查阅资料得到一般人群团块的长度、宽度、长宽比信息进行如表2.1所示[3]。

3) 人数统计。对人数进行了提取及分割之后, 开始进行统计计数。步骤如下[1]:设置初始人数, 数组a[], 当进行一个目标的统计时, 令数组a[]等于目标团块的外接矩形长宽比, 并与常规人外接矩形长宽比的范围进行比对, 如果在此范围内, 那么统计人数就可以加一个。以此类推, 从左至右, 从上至下, 直到画面中的人数计数完毕。该系统主要是运用轨道车辆上已存在的摄像头进行人数提取计数:首先, 车厢内的图像通过摄像头生成光学图像传递至图像传感器表面, 然后图像传感器将其转换为电信号景物通过镜头 (LENS) 生成的光学图像投射到图像传感器表面上, 之后再将其转化为电信号, 之后通过A/D (模拟到数字转换) 转换成数字图像信号, 在此经过一系列处理后将该信号发送到数字信号核心处理芯片及电脑的USB接口。经过这些传输过程, 计算机便识别到车厢里的人数分布情况, 最后根据预设程序对图像进行特定的处理, 最后达到计数的目的。

2.2 乘客信息发布系统介绍

控制中心完成人数统计工作之后, 就要进行发布工作。本系统是为了提供不同车厢内人数以方便乘客选择不太拥挤的车厢, 所以人数是要向下一个车站传输。乘坐过城市轨道车辆的乘客可以知道, 每个车站的站台电视显示屏上都可以显示出距离列车到达所需的时间, 那么每节车厢人数也可以显示在站台电视显示屏上面。此时就需要用到乘客信息系统 (Passenger Information System, 简称为PIS系统) 。

PIS是现存的地铁信息系统, 是一种提供各种类型旅客信息的服务平台。PIS系统依靠多媒体网络技术, 以计算机系统为核心, 车站和车载显示终端为媒介, 提供给乘客, 如公告, 旅游信息, 媒体, 新闻, 实时动态多媒体信息, 以及在正常的情况下梗阻和恐怖袭击提示紧急疏散信息。

PIS系统一般由五个子系统构成:一个中央控制中心系统, 网络传输系统, 基站控制系统, 显示系统平台信息传输, 处理列车信息显示系统, 在图2.2示出。中央控制中心系统是整个PIS系统的大脑, 主要完成的信息 (包括列车时刻, 紧急信息, 媒体信息, 时钟信息等) 处理和信息和其他信息的通信的集合。中央系统发送到在网络上传输系统信息的各个子站的列车。下中央站子系统接收发送到该站的多媒体信息, 由站和发送到服务器, 用于处理每个终端控制器 (与工业控制计算机的视频处理功能) 。后视频解码终端控制器, 根据图像叠加文本预测后通过VGA端口提交的编码和视频信息到显示的设置。信息处理是由列车板载子系统完成。操作时, 使用经由无线设备的无线网络车辆子系统连接到车辆控制中心。接收通过车载视频分销网络重新编码的视频信息, 并输出到每个车辆后, 由视频解码, 其叠加的文本信息, 图像信息, 时钟信息板载视频控制器发出的多媒体信息中心, 通过视频分配器分配到后车厢8 LCD屏幕广播[2]。

3. 结语

本文所研究的人数自动识别及发布系统是在PIS系统的基础上进行设计的。而系统信息的传输是最大的问题。通过调查研究, 城市轨道车辆信息传播可以采用地面无线网络 (简称DVB—T) 技术。DVB-T是指利用开路地面传输媒介进行MPEG-2数字电视的传输的标准。顺延轨道交通发展趋势, 该系统已经完成了在武汉, 重庆等地的网络建设, 该系统不但支持移动电视下 (80公里/小时) 的告诉移动播报, 还能实现无延时, 可清晰, 明确显示手机电视视频而不出现卡顿, 黑屏的情况。在本系统中, 控制中心快速地进行人数自动识别计数之后, 通过DVB-T把数字信号传给车站控制系统, 车站控制系统处理、组织好各种信息之后, 传输给站台信息传输系统, 站台显示系统进行执行, 显示出来。相信本系统的开发与应用能够较好的解决城市轨道交通乘客的不均匀分布现象, 提高城市轨道车辆的运力, 具有很大的运用前景。

摘要：为缓解交通拥堵问题, 各大城市都致力于城市轨道交通的发展, 随着客流量持续攀升, 轨道交通也出现了不同程度的拥挤。由于轨道车辆车厢较多, 在乘客人数信息不透明的情况下, 还出现了不同车厢乘客人数分布不均匀的现象。本着“以人为本”的思想, 以提高轨道交通服务质量、实现运力最大化为目标, 本文提出了轨道车辆乘客人数识别及发布系统解决这一轨道车辆乘客人数分布不均匀现象。本文主要运用“轨道运输+大数据”的思想对该系统进行设计研究。在人数识别过程中, 本文阐述了灰度变换、背景差分、粘连目标团块分割、软件人数统计四个关键技术;在发布系统中, 本文介绍了现代轨道系统中的PIS核心技术, 通过客观的理论分析对城市轨道交通乘客人数自动识别及发布系统进行了较为合理和科学的探讨研究。

关键词：城市轨道交通,人数识别,灰度变换,PIS系统

参考文献

[1]倪茂春.城市轨道交通乘客导向系统设备监控技术体系研究[J].城市轨道交通研究.2011 (08)

[2]张轶.地铁PIS系统建设分析[J].市政技术.2010 (S2)

[3]赵明瀚, 王晨升, 韩新斌.一种用于视觉图像的预处理和分割算法[J].产业与科技论坛, 2013 (22)

[4]李卓, 郭立红.快速图像处理中阈值选取方法的比较研究[J].微计算机信息.2006 (07)

[5]孙同庆.乘客信息系统多媒体计数及消息调度研究[D].中国铁道科学研究院, 2013:11~13