基于機(jī)器視覺(jué)的交通擁堵評(píng)估系統(tǒng)①

葉 鋒, 廖 茜, 林 蕭, 張建嘉, 汪 敏

1(福建師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院, 福州 350007)

2(福建星網(wǎng)銳捷通訊股份有限公司 通訊產(chǎn)品研究院, 福州 350002)

3(北京郵電大學(xué) 多媒體中心, 北京 100876)

基于機(jī)器視覺(jué)的交通擁堵評(píng)估系統(tǒng)①

葉 鋒1,2,3, 廖 茜1, 林 蕭1, 張建嘉1, 汪 敏1

1(福建師范大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院, 福州 350007)

2(福建星網(wǎng)銳捷通訊股份有限公司 通訊產(chǎn)品研究院, 福州 350002)

3(北京郵電大學(xué) 多媒體中心, 北京 100876)

傳統(tǒng)的交通燈采用固定配時(shí)模式, 缺乏靈活性、智能性. 針對(duì)上述問(wèn)題, 提出一種基于機(jī)器視覺(jué)的交通擁堵評(píng)估系統(tǒng)對(duì)采集到的視頻進(jìn)行智能分析處理. 首先, 利用提取的梯度直方圖特征和AdaBoost級(jí)聯(lián)分類(lèi)器實(shí)現(xiàn)對(duì)車(chē)輛的檢測(cè), 并輔以RFID來(lái)實(shí)現(xiàn)車(chē)輛計(jì)數(shù); 進(jìn)而通過(guò)Spark大數(shù)據(jù)分析平臺(tái)而評(píng)估出當(dāng)前的交通擁堵情況. 實(shí)驗(yàn)表明本系統(tǒng)能根據(jù)當(dāng)前的實(shí)際交通情況智能調(diào)整交通燈的變換時(shí)間, 達(dá)到動(dòng)態(tài)緩解交通壓力的目的.

機(jī)器視覺(jué); 梯度直方圖; AdaBoost; 車(chē)輛檢測(cè); 特征提取

引言

傳統(tǒng)的交通解決方案例如拓寬道路、加大路網(wǎng)密度、建立立體交通等越來(lái)越顯示出其局限性, 只有通過(guò)利用高科技手段才能改善日趨嚴(yán)重的交通問(wèn)題, 智能交通系統(tǒng)(Intelligent Traffic Systems, ITS)[1]作為當(dāng)前世界各國(guó)的交通運(yùn)輸領(lǐng)域研究和開(kāi)發(fā)的熱點(diǎn)問(wèn)題, 旨在將先進(jìn)的信息技術(shù)、計(jì)算機(jī)處理技術(shù)、電子自動(dòng)控制技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)等綜合用于整個(gè)交通管理系統(tǒng), 從而建立起一種能夠在大范圍內(nèi)全方位, 實(shí)時(shí)、準(zhǔn)確、高效地發(fā)揮作用的交通運(yùn)輸綜合管理系統(tǒng).

目前, 人們主要采用各種傳感器(如埋在地下的線圈傳感器、雷達(dá)等)來(lái)獲得交通量、車(chē)速、擁堵程度等信息. 隨著視頻通信技術(shù)的發(fā)展, 借助圖像處理、機(jī)器視覺(jué)和模式識(shí)別技術(shù), 通過(guò)高清攝像頭提取多類(lèi)別交通參數(shù), 進(jìn)行路段的交通狀態(tài)的識(shí)別成為可能. 美國(guó)明尼蘇達(dá)大學(xué)(UMN)運(yùn)輸研究中心于1984年發(fā)明Autoscope系統(tǒng)首次將視頻處理、模式識(shí)別等技術(shù)應(yīng)用到交通控制領(lǐng)域, 實(shí)現(xiàn)了對(duì)多車(chē)道車(chē)輛數(shù)據(jù)的檢測(cè)[2,3].在車(chē)輛特征集中, 方向梯度直方圖(HOG)特征[4]、局部二值模式(LBP)特征[5]和Harr-like特征[6]是車(chē)輛識(shí)別中主流的特征. 訓(xùn)練好的特征主要通過(guò)支持向量機(jī)(SVM)[7]或Adaboost[8]構(gòu)建分類(lèi)器完成最終的車(chē)輛檢測(cè).

考慮到容易堵車(chē)的地方往往是在十字路口裝有交通燈的地方. 本文提出了一種基于機(jī)器視覺(jué)的交通擁堵評(píng)估系統(tǒng): 在十字路口傳統(tǒng)交通燈上添加視頻傳感設(shè)備, 主要采用HOG特征和AdaBoost分類(lèi)器對(duì)車(chē)輛進(jìn)行檢測(cè). 針對(duì)實(shí)際路況, 將信息傳送到控制中心; 由基于Spark的交通大數(shù)據(jù)分析平臺(tái)進(jìn)行分析、調(diào)整, 通過(guò)交通燈模塊控制以達(dá)到緩解交通擁堵的目的.

1 系統(tǒng)總體結(jié)構(gòu)設(shè)計(jì)與分析

提出的交通擁堵評(píng)估系統(tǒng)如圖1所示: 包括攝像頭、RFID車(chē)輛感應(yīng)模塊、算法處理器、存儲(chǔ)器、交通大數(shù)據(jù)分析平臺(tái)和交通燈設(shè)備. 其中, 算法處理器分別與攝像頭和RFID車(chē)輛感應(yīng)模塊通訊連接, 存儲(chǔ)器分別與算法處理器和交通燈設(shè)備通訊連接, 交通大數(shù)據(jù)分析平臺(tái)為檢測(cè)算法提供支撐并對(duì)當(dāng)前交通狀態(tài)進(jìn)行聚類(lèi)分析.

圖1 系統(tǒng)總體結(jié)構(gòu)圖

算法處理器包括線下分類(lèi)模塊、分類(lèi)器和實(shí)時(shí)車(chē)輛檢測(cè)模塊. 其中, 線下分類(lèi)模塊負(fù)責(zé)將攝像頭獲取的歷史數(shù)據(jù)進(jìn)行樣本分類(lèi); 分類(lèi)器分別與線下分類(lèi)模塊和實(shí)時(shí)車(chē)輛檢測(cè)模塊連接, 用于存儲(chǔ)樣本分類(lèi). 算法處理器根據(jù)攝像頭和RFID車(chē)輛感應(yīng)模塊獲取的數(shù)據(jù)運(yùn)算得到交通燈的變換時(shí)間. 實(shí)時(shí)車(chē)輛檢測(cè)模塊用于根據(jù)樣本分類(lèi)將攝像頭獲取的實(shí)時(shí)數(shù)據(jù)得到實(shí)時(shí)的車(chē)輛位置.

提出的系統(tǒng)工作流程如圖2所示, 攝像頭拍攝得到監(jiān)控視頻幀, 算法處理器采用車(chē)輛檢測(cè)算法分析攝像頭采集的圖像數(shù)據(jù), 并輔以RFID感應(yīng)模塊采集的實(shí)時(shí)車(chē)輛參數(shù), 從而計(jì)算出一段時(shí)間內(nèi)的平均車(chē)輛數(shù)(實(shí)時(shí)采集到的車(chē)輛數(shù)按照一定的比例得到每幀的車(chē)輛數(shù)).

圖2 系統(tǒng)工作流程圖

算法處理器通過(guò)計(jì)算一段時(shí)間內(nèi)(即此次交通燈的倒數(shù)時(shí)間內(nèi))的平均車(chē)輛數(shù)/幀(如: 某路口現(xiàn)為綠燈60秒, 則此時(shí)間為60秒)估得到當(dāng)前交通卡口的車(chē)流量、車(chē)速、行進(jìn)過(guò)程中車(chē)輛之間的距離、車(chē)道的時(shí)間空間占有率情況. 大數(shù)據(jù)分析平臺(tái)根據(jù)所有卡口的交通參數(shù)(時(shí)間占有率、平均車(chē)輛數(shù)、車(chē)速)評(píng)估得到交通擁堵情況值(擁堵、較擁堵、輕度擁堵、通暢), 而后動(dòng)態(tài)調(diào)整相對(duì)應(yīng)的下一次的交通燈變換時(shí)間. 存儲(chǔ)器與算法處理器通訊連接將交通參數(shù)發(fā)送至大數(shù)據(jù)分析平臺(tái); 大數(shù)據(jù)分析平臺(tái)將分析后的數(shù)據(jù)發(fā)送給存儲(chǔ)器再將對(duì)應(yīng)參數(shù)發(fā)送至相應(yīng)的交通燈設(shè)備從而控制交通燈的變換時(shí)間.

通過(guò)對(duì)交通路口采集到的車(chē)輛視頻進(jìn)行分析可以發(fā)現(xiàn)(圖3為福州市師大與寶龍地段交通路況圖)其具有如下特點(diǎn):

首先, 車(chē)輛被視為唯一在系統(tǒng)中運(yùn)動(dòng)的物體[9], 忽略其它; 其次, 路面上的分道線的間距是固定的, 車(chē)輛基本上在與車(chē)道平行的方向上運(yùn)動(dòng). 根據(jù)這些特點(diǎn), 算法處理器對(duì)采集視頻進(jìn)行目標(biāo)檢測(cè), 對(duì)視頻中的車(chē)輛進(jìn)行識(shí)別和計(jì)數(shù), 從而獲得當(dāng)前的交通流量參數(shù).

圖3 福州市倉(cāng)山師大與寶龍地段交通路況圖

2 交通圖像預(yù)處理

由于在各交通路口視頻采集的過(guò)程中會(huì)產(chǎn)生一些噪聲等而影響圖片的質(zhì)量, 所以需要先對(duì)圖片進(jìn)行圖像增強(qiáng)、濾波除噪、分割等預(yù)處理, 以到達(dá)去除噪聲,剔除無(wú)關(guān)背景, 突出檢測(cè)目標(biāo)的目的.

1) 灰度化

因?yàn)轭伾卣髟谲?chē)輛檢測(cè)中作用不大, 故將彩色圖轉(zhuǎn)化為灰度圖. 如果是YUV格式, 直接取亮度分量.如果是RGB格式, 將原來(lái)彩色圖片(RGB顏色空間)轉(zhuǎn)換成灰度圖, 其轉(zhuǎn)換公式如下:

其中Y代表灰度圖像的像素值, R、G、B分別代表該像素點(diǎn)的三個(gè)顏色分量.

2) Gamma校正

為減少光照因素的影響, 更有效的保存圖像亮度信息, 將整個(gè)圖像進(jìn)行規(guī)范化(歸一化); 從而調(diào)節(jié)圖像的對(duì)比度, 達(dá)到降低光照變化和圖像局部陰影所造成的影響, 和抑制噪音的干擾的目的. 攝像頭采集的車(chē)流圖片先進(jìn)行Gamma矯正, 具體公式如下:

當(dāng)用于Gamma校正的值大于1時(shí), 采集圖像的高光部分被壓縮而低灰度值部分被擴(kuò)展, 當(dāng)Gamma校正值小于1時(shí), 采集圖像的高光部分被擴(kuò)展而低灰度值部分被壓縮. 在實(shí)際應(yīng)用中, 通過(guò)建立查找表, 根據(jù)查找表映射實(shí)現(xiàn)快速的Gamma校正.

3 基于HOG特征和AdaBoost的車(chē)輛檢測(cè)模塊

3.1 檢測(cè)流程

經(jīng)過(guò)預(yù)處理后的交通采集視頻數(shù)據(jù)在算法處理器中完成車(chē)輛檢測(cè). 檢測(cè)流程主要包含兩個(gè)階段: 線下的分類(lèi)器訓(xùn)練階段和實(shí)時(shí)的車(chē)輛檢測(cè)階段.

線下分類(lèi)器訓(xùn)練: 進(jìn)行分類(lèi)學(xué)習(xí)算法, 通過(guò)將大量正、負(fù)樣本送入分類(lèi)器, 從而得到針對(duì)本訓(xùn)練樣本數(shù)據(jù)分類(lèi)的最優(yōu)二類(lèi)分類(lèi)器. 訓(xùn)練樣本主要提取HOG特征描述子作為關(guān)鍵特征和AdaBoost分類(lèi)器.

實(shí)時(shí)車(chē)輛檢測(cè): 實(shí)時(shí)檢測(cè)階段就是將單一圖像或視頻序列送入訓(xùn)練好的分類(lèi)器, 通過(guò)縮放圖像的尺寸比例以及設(shè)定檢測(cè)窗移動(dòng)步長(zhǎng), 利用檢測(cè)窗口在圖像不同位置上進(jìn)行非常密集的集中掃描, 并根據(jù)分類(lèi)器判別結(jié)果將這些窗口判別為存在或者不存在車(chē)輛, 最后將結(jié)果進(jìn)行融合得出最終的車(chē)輛的位置. 采用這種方法能把所有的車(chē)輛都檢測(cè)出來(lái).

3.2 HOG特征提取

方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征是一種進(jìn)行物體檢測(cè)的特征描述子, 被廣泛應(yīng)用于行人檢測(cè)中. 通過(guò)計(jì)算和統(tǒng)計(jì)局部區(qū)域的梯度直方圖, HOG特征能較好地描述圖像車(chē)輛的邊緣梯度信息, 從而提取車(chē)輛的外形信息和運(yùn)動(dòng)信息, 形成豐富的特征集. 這里采用HOG特征結(jié)合AdaBoost分類(lèi)器檢測(cè)目標(biāo)圖像中局部目標(biāo)的表象和形狀. 其主要實(shí)現(xiàn)過(guò)程如下:

1) 圖像像素點(diǎn)的梯度計(jì)算

計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度, 并據(jù)此計(jì)算每個(gè)像素位置的梯度模值和方向值; 此求導(dǎo)操作不僅能夠捕獲車(chē)輛輪廓, 還能進(jìn)一步弱化光照帶來(lái)的影響. 圖像中(x, y)點(diǎn)處的梯度計(jì)算方法如下:

式中Gx(x, y)、Gy(x, y)、G(x, y)和α(x, y)分別是圖像在(x, y)處的水平方向梯度、垂直方向梯度、梯度幅值、梯度方向.

2) 統(tǒng)計(jì)每個(gè)單元格的梯度直方圖

按采集視頻分辨率將圖像劃分成不同小單元格(Cells)(720p取6*6像素/單元格).

統(tǒng)計(jì)單元格梯度直方圖, 將梯度方向按[0→360°]均分成若干個(gè)統(tǒng)計(jì)區(qū)塊(Bin)(這里以9 Bin/Cell), 統(tǒng)計(jì)落在不同區(qū)塊中梯度矢量的加權(quán)個(gè)數(shù), 形成每個(gè)單元格的描述子hist[index]:

index為Bin的編號(hào), k為步長(zhǎng), G(x, y)用于做加權(quán)投票.

3) 將每幾個(gè)單元格組成一個(gè)區(qū)塊(block)(例如3×3個(gè)單元格/區(qū)塊), 一個(gè)區(qū)塊內(nèi)所有單元格的特征描述子串聯(lián)起來(lái)得到該區(qū)塊的HOG特征描述子.

區(qū)塊以某一步長(zhǎng)在圖像上滑動(dòng), 直到遍歷整個(gè)圖像. 此時(shí), 將圖像內(nèi)的所有區(qū)塊的HOG特征串聯(lián)起來(lái),即可以得到該圖像的HOG特征描述子.

3.3 基于Adaboost的級(jí)聯(lián)分類(lèi)器

HOG特征幾乎能夠識(shí)別出視頻中所有的車(chē)輛(即召回率很高), 但仍然存在較多的誤識(shí)別. 因此, 訓(xùn)練采用Adaboost算法篩選可用于目標(biāo)檢測(cè)的關(guān)鍵特征.Adaboost算法是一種迭代算法, 其核心思想是針對(duì)同一個(gè)訓(xùn)練集訓(xùn)練不同的弱分類(lèi)器, 最后將弱分類(lèi)器聯(lián)合起來(lái), 形成一個(gè)強(qiáng)分類(lèi)器. 算法本身是通過(guò)改變數(shù)據(jù)分布實(shí)現(xiàn)的. 在初始狀況下, 每個(gè)訓(xùn)練樣本都被賦予一個(gè)權(quán)重, 若某個(gè)樣本沒(méi)有被正確分類(lèi), 則在構(gòu)建下一個(gè)訓(xùn)練集時(shí), 就會(huì)加大該樣本的權(quán)重; 反之, 若某樣本已經(jīng)被正確分類(lèi), 則在構(gòu)建下一個(gè)訓(xùn)練集時(shí), 將減少該樣本的權(quán)重. 這樣, Adaboost算法就可以排除一些不必要的訓(xùn)練數(shù)據(jù), 更加關(guān)注分類(lèi)困難的樣本, 從而提高全體樣本的識(shí)別率. 具體算法描述如下:

For t=1, ..., T

步驟1. 權(quán)重值歸一化, wt,i為樣本數(shù):

步驟2. 對(duì)于每個(gè)特征j, 訓(xùn)練出其弱分類(lèi)器hj, 使得誤差函數(shù)最小.

步驟3. 從上述分類(lèi)器中, 選擇一個(gè)分類(lèi)錯(cuò)誤率最小的弱分類(lèi)器ht.

步驟4. 更新樣本權(quán)重分布:

其中, 若樣本xi被ht正確分類(lèi), 則ei=0, 否則ei=1.

步驟5. 求強(qiáng)分類(lèi)器:

3.4 多尺度遍歷檢測(cè)

根據(jù)上述算法, 通過(guò)不斷調(diào)整檢測(cè)窗口的位置、比例來(lái)檢測(cè)車(chē)輛: 用原始大小窗口在圖像上按某個(gè)步長(zhǎng)滑動(dòng), 每滑動(dòng)一次就取出對(duì)應(yīng)塊的圖像進(jìn)行識(shí)別, 判斷有沒(méi)有目標(biāo)物體, 遍歷完一遍后, 按照距離因子, 縮放窗口大小, 再重復(fù)執(zhí)行上述操作, 最后完成車(chē)輛數(shù)目的檢測(cè).

4 RFID車(chē)輛感應(yīng)計(jì)數(shù)模塊

考慮到基于視頻分析的車(chē)輛統(tǒng)計(jì)存在著漏檢的現(xiàn)象, 本系統(tǒng)增加了RFID車(chē)輛輔助檢測(cè)模塊(見(jiàn)圖4). 通過(guò)將電子標(biāo)簽綁定于車(chē)輛上, 在道路交叉口等需要重點(diǎn)監(jiān)控的位置安裝閱讀器, 當(dāng)車(chē)輛通過(guò)閱讀器識(shí)讀區(qū)域時(shí), 其信息就被閱讀器獲取, 并傳送到系統(tǒng)分析后臺(tái),實(shí)現(xiàn)對(duì)車(chē)輛的實(shí)時(shí)計(jì)數(shù). 該部分包括硬件部分(有源電子標(biāo)簽、閱讀器)和軟件部分(算法處理器的RFID的車(chē)輛計(jì)數(shù)和信息管理)閱讀器數(shù)據(jù)通過(guò)RS232串口或無(wú)線(CDMA模塊)進(jìn)行傳輸. 硬件系統(tǒng)主要實(shí)時(shí)采集和傳輸電子標(biāo)簽攜帶的信息數(shù)據(jù); 算法處理器軟件系統(tǒng)主要完成采集數(shù)據(jù)的接收、處理(加工、融合)和存儲(chǔ)(管理). 通過(guò)硬件系統(tǒng)和軟件系統(tǒng)相互配合, 從而實(shí)現(xiàn)系統(tǒng)設(shè)計(jì)要求.

圖4 RFID車(chē)輛感應(yīng)模塊結(jié)構(gòu)圖

通過(guò)添加RFID車(chē)輛感應(yīng)計(jì)數(shù)模塊, 輔助對(duì)車(chē)輛進(jìn)行計(jì)數(shù), 將媒體數(shù)據(jù)分析與超高頻標(biāo)簽數(shù)據(jù)融合可以大大提高系統(tǒng)的準(zhǔn)確率. 通過(guò)對(duì)RFID數(shù)據(jù)和攝像頭采集數(shù)據(jù)二次分析數(shù), 可以改進(jìn)車(chē)輛視覺(jué)分析系統(tǒng). 目前,并不是所有車(chē)輛都強(qiáng)制安裝RFID電子標(biāo)簽, 所以本模塊主要作為輔助模塊檢測(cè)車(chē)輛個(gè)數(shù).

5 基于SPARK集群的車(chē)輛大數(shù)據(jù)分析平臺(tái)

據(jù)統(tǒng)計(jì), 一個(gè)大城市每天會(huì)產(chǎn)生近8000萬(wàn)的通行數(shù)據(jù)包括許多視頻、圖片以及通行記錄. 海量的交通數(shù)據(jù)不僅僅是一種處理對(duì)象, 而應(yīng)當(dāng)轉(zhuǎn)變成一種基礎(chǔ)資源[11]. 提出的交通大數(shù)據(jù)分析決策平臺(tái)在交通燈智能處理算法的基礎(chǔ)上, 對(duì)整個(gè)交通燈網(wǎng)絡(luò)的數(shù)據(jù)進(jìn)行整合、分類(lèi)、存儲(chǔ)、管理、共享以及數(shù)據(jù)挖掘. 為了達(dá)到高效的處理方式, 本文嘗試使用Berkeley的Spark[10]開(kāi)源框架對(duì)本系統(tǒng)中交通運(yùn)行中的全體車(chē)輛數(shù)據(jù)進(jìn)行分布式存儲(chǔ)、監(jiān)測(cè)、分析.

Apache Spark系統(tǒng)是基于內(nèi)存計(jì)算上的可擴(kuò)展的開(kāi)源的集群計(jì)算系統(tǒng). 該系統(tǒng)針對(duì)了Map Reduce的不足與缺點(diǎn), 解決了由大量的網(wǎng)絡(luò)傳輸以及磁盤(pán)I/O導(dǎo)致的效率低效問(wèn)題, Spark系統(tǒng)采用內(nèi)存進(jìn)行數(shù)據(jù)計(jì)算以獲得更快速的處理和查詢(xún), 能做到實(shí)時(shí)返回分析結(jié)果.Spark系統(tǒng)提供了比Hadoop系統(tǒng)更高層次的API, 相同的算法在Spark系統(tǒng)中的運(yùn)行速度比Hadoop系統(tǒng)要快10倍～100倍. Spark系統(tǒng)在技術(shù)層面兼容了Hadoop系統(tǒng)的存儲(chǔ)層API, 因此可訪問(wèn)HDFS、Sequence File、HBASE等. Spark-Shell終端可以開(kāi)啟交互式Spark命令的環(huán)境, 能夠提供良好的交互式查詢(xún).

實(shí)驗(yàn)平臺(tái)通過(guò)部署了5個(gè)節(jié)點(diǎn)的Spark集群模擬對(duì)對(duì)車(chē)流量信息的采集、存儲(chǔ)與實(shí)時(shí)計(jì)算. 1臺(tái)機(jī)器一臺(tái)充當(dāng)Master節(jié)點(diǎn), 另外4臺(tái)充當(dāng)Worker節(jié)點(diǎn), 系統(tǒng)采用Ubuntu 14.04, Spark版本采用1.6.2(Hadoop 2.6.5). 如圖5所示, 由于視頻流數(shù)據(jù)存儲(chǔ)在HDFS文件系統(tǒng)中,Spark流采用批次的方法, 采用基于TCP sockets方式接入數(shù)據(jù)源, 使用Map-Reduce分布式計(jì)算模型來(lái)進(jìn)行智能視頻分析. 交通視頻圖像數(shù)據(jù)經(jīng)過(guò)Map方法, 按5分鐘切片, 然后接入提出的HOG和Adaboost算法進(jìn)行處理, 處理結(jié)果傳遞到Reduce方法進(jìn)行自動(dòng)匯聚, 數(shù)據(jù)存儲(chǔ)(車(chē)輛分析檢測(cè)后的信息存儲(chǔ)在HBASE數(shù)據(jù)庫(kù)). 不同節(jié)點(diǎn)的車(chē)輛數(shù)據(jù)信息可以通過(guò)Spark中MLBase庫(kù)提供的聚類(lèi)算法判斷當(dāng)前卡口的交通擁堵情況并發(fā)送交通燈控制信號(hào).

圖5 車(chē)輛分析決策M(jìn)apReduce示意圖

為了在處理結(jié)果能盡量快地反映到具體交通燈變化上. Spark大數(shù)據(jù)分析平臺(tái)對(duì)大量的數(shù)據(jù)上進(jìn)行離線分析, 構(gòu)造短時(shí)交通流預(yù)測(cè)模型預(yù)測(cè)未來(lái)幾分鐘、幾小時(shí)甚至幾天的車(chē)流量情況:

6 檢測(cè)結(jié)果分析

本系統(tǒng)檢測(cè)算法在OpenCV 2.4.9上編寫(xiě), 服務(wù)器CPU配置為Intel Core i5 2520M 2.5 GHz, 每臺(tái)節(jié)點(diǎn)為4 G內(nèi)存. 本次驗(yàn)證共選取?？蹈咔鍞z像機(jī)4個(gè)時(shí)段的視頻視頻格式為720p(1280×720), 25幀/s, 對(duì)應(yīng)于3條主車(chē)道. 系統(tǒng)車(chē)輛檢測(cè)效果、交通燈控制模擬裝置和檢測(cè)統(tǒng)計(jì)表如圖6、圖7和表1所示. 通過(guò)上表統(tǒng)計(jì)的數(shù)據(jù)可知, 該系統(tǒng)對(duì)于稀疏車(chē)輛的檢測(cè)準(zhǔn)確率高, 但對(duì)于密集車(chē)輛時(shí)準(zhǔn)確率大大降低. 通過(guò)分析, 存在漏檢現(xiàn)象的原因在于: 在訓(xùn)練的過(guò)程中, 樣本為單一車(chē)輛, 且外界干擾小. 而在實(shí)際檢測(cè)時(shí), 存在以下幾個(gè)問(wèn)題: 1)車(chē)輛車(chē)型復(fù)雜; 2)周?chē)h(huán)境的干擾: 噪聲、惡劣天氣(陰雨天、沙塵暴)等影響; 3)車(chē)輛重疊現(xiàn)象. 由于上述問(wèn)題的存在, 易導(dǎo)致出現(xiàn)車(chē)輛漏檢現(xiàn)象, 降低了車(chē)輛識(shí)別的準(zhǔn)確率. to為經(jīng)過(guò)本系統(tǒng)平臺(tái)分析后的車(chē)輛檢測(cè)時(shí)間, 可以發(fā)現(xiàn)本系統(tǒng)可以滿足采集幀率為8幀/s的檢測(cè)應(yīng)用.

圖6 車(chē)輛檢測(cè)結(jié)果(圖注: 本系統(tǒng)通過(guò)畫(huà)框的方式對(duì)車(chē)數(shù)進(jìn)行統(tǒng)計(jì), 一個(gè)矩陣框代表一輛車(chē).)

圖7 交通燈控制模擬裝置

表1 系統(tǒng)車(chē)輛檢測(cè)統(tǒng)計(jì)表

傳統(tǒng)的擁堵評(píng)價(jià)技術(shù)中, 特征指標(biāo)構(gòu)建中有很多的數(shù)據(jù)項(xiàng)來(lái)自于僅經(jīng)過(guò)簡(jiǎn)單處理的實(shí)時(shí)交通監(jiān)測(cè)數(shù)據(jù),比如道路的平均行程速度、道路的平均停車(chē)時(shí)間以及交叉口的平均等待時(shí)間、常規(guī)公共的交通準(zhǔn)點(diǎn)率等.而基于Spark的大數(shù)據(jù)分析技術(shù)為交通擁堵評(píng)價(jià)的數(shù)據(jù)項(xiàng)提供了支撐, 能確保交通擁堵評(píng)價(jià)中所使用的相關(guān)數(shù)據(jù)的采集、傳輸、存儲(chǔ)、處理、分析等流程于高速狀態(tài)進(jìn)行, 進(jìn)而服務(wù)于交通平臺(tái).

7 結(jié)語(yǔ)

本文提出了一種基于機(jī)器視覺(jué)的交通擁堵評(píng)估系統(tǒng), 傳統(tǒng)的交通燈采用固定制, 缺乏靈活性、智能性.本系統(tǒng)是通過(guò)給交通燈加上可視設(shè)備, 在已有視頻采集模塊的基礎(chǔ)之上, 利用HOG特征和Adaboost理論, 對(duì)采集的視頻進(jìn)行智能分析處理并輔以RFID車(chē)輛感應(yīng)模塊來(lái)實(shí)現(xiàn)車(chē)輛計(jì)數(shù). 通過(guò)Spark大數(shù)據(jù)平臺(tái)分析當(dāng)前實(shí)際的路況智能得到交通燈的變換時(shí)間, 從而實(shí)現(xiàn)代替?zhèn)鹘y(tǒng)的交通燈系統(tǒng), 減少不必要的時(shí)間的目的. 系統(tǒng)的最大優(yōu)點(diǎn)在于能夠24小時(shí)隨時(shí)隨地工作, 維護(hù)簡(jiǎn)單方便且性能穩(wěn)定, 受到惡劣天氣等影響較小. 不足之處在于對(duì)于車(chē)輛識(shí)別的準(zhǔn)確率, 還需要對(duì)其完善, 提高識(shí)別率.

1陸化普, 李瑞敏. 城市智能交通系統(tǒng)的發(fā)展現(xiàn)狀與趨勢(shì). 工程研究-跨學(xué)科視野中的工程, 2014, 6(1): 6–19.

2姜桂艷. 道路交通狀態(tài)判別技術(shù)與應(yīng)用. 北京: 人民交通出版社, 2004.

3Davies ER. Computer and machine vision: Theory,algorithms, practicalities. 4th ed. Singapore: Elsevier, 2012.

4李星, 郭曉松, 郭君斌. 基于HOG特征和SVM的前向車(chē)輛識(shí)別方法. 計(jì)算機(jī)科學(xué), 2013, 40(11A): 329–332.

5楊尚斌, 劉秉瀚. 融合顏色和CS-LBP紋理的運(yùn)動(dòng)陰影檢測(cè).計(jì)算機(jī)系統(tǒng)應(yīng)用, 2015, 24(9): 201–205.

6李光瑞, 蔡安東, 黃梅. 基于Haar-like矩形特征的交通標(biāo)志識(shí)別. 現(xiàn)代計(jì)算機(jī), 2014, (7): 62–65.

7Cortes C, Vapnik V. Support-vector networks. Machine Learning, 1995, 20(3): 273–297.

8楊新武, 馬壯, 袁順. 基于弱分類(lèi)器調(diào)整的多分類(lèi)Adaboos t算法. 電子與信息學(xué)報(bào), 2016, 38(2): 373–380.

9黃同愿, 黃席樾, 袁榮棣, 等. 高速公路緊急事件與安全系統(tǒng)探索. 重慶大學(xué)學(xué)報(bào), 2003, 26(9): 126–129. [doi: 10.11835/j.issn.1000-582X.2003.09.033]

10Zaharia M, Chowdhury M, Franklin MJ, et al. Spark: Cluster computing with working sets. Proc. of the 2nd USENIX Conference on Hot Topics in Cloud Computing. Berkeley,CA, USA. 2010, 10.

11趙鵬軍, 李鎧. 大數(shù)據(jù)方法對(duì)于緩解城市交通擁堵的作用的理論分析. 現(xiàn)代城市研究, 2014, (10): 25–30. [doi: 10.3969/j.issn.1009-6000.2014.10.006]

Traffic Congestion Evaluation System Based on Machine Vision

YE Feng1,2,3, LIAO Xi1, LIN Xiao1, ZHANG Jian-Jia1, WANG Min1

1(School of Mathematics and Computer Science, Fujian Normal University, Fuzhou 350007, China)
2(Fujian STAR-NET Communications Co. Ltd., Fuzhou 350002, China)
3(Multimedia Center, Beijing University of Posts and Telecommunication, Beijing 100876, China)

The traditional traffic light systems are poor in flexibility and intelligencefor their fixed timing modes. In view of the above problems, a machine-vision-based traffic congestion evaluation system is presented to evaluate the current situation of traffic jams in this paper based on the collected video intelligent analysis and processing. Vehicle counting is firstly realized by HOG-feature analysis, AdaBoost method and RFID technology. Traffic states are evaluated in the Spark platform. The result of the experiments shows that our system can realize adjusted transformation time of traffic lights according to actual situation of the current traffic environment, then achieve the purpose of relieving traffic pressure dynamically.

machine vision; HOG; AdaBoost; detecting test of vehicle; feature extraction

葉鋒,廖茜,林蕭,張建嘉,汪敏.基于機(jī)器視覺(jué)的交通擁堵評(píng)估系統(tǒng).計(jì)算機(jī)系統(tǒng)應(yīng)用,2017,26(7):78–83. http://www.c-s-a.org.cn/1003-3254/5841.html

福建省引導(dǎo)項(xiàng)目(2016Y0031); 福建省教育廳項(xiàng)目(JA15136); 福建師范大學(xué)教學(xué)改革研究項(xiàng)目(I201602015)

2016-10-19; 收到修改稿時(shí)間: 2016-11-29