基于實時車輛探測的交通燈控制系統(tǒng)模型的設(shè)計

徐孟發(fā)

（東北林業(yè)大學(xué)交通學(xué)院，黑龍江哈爾濱150040）

隨著科技的快速發(fā)展和社會的進(jìn)步，汽車已逐漸開始普及，導(dǎo)致交通問題成為城市發(fā)展的突出問題之一[1]。眾多城市通過規(guī)劃修建新的道路來緩解交通，但人們對交通的需求與城市空間、有限的建設(shè)資金均存在長期的矛盾[2-4]。因此，諸多專家學(xué)者提出了智能交通系統(tǒng)[5-7]。通過采用一定的檢測手段來掌握道路上的交通流量，并根據(jù)交通流量的實時變化控制交通信號燈的響應(yīng)時間，從而提高道路的通行能力。從根本上解決城市道路擁堵，及其帶來的環(huán)境惡化與資源浪費的問題[8]。

常用的智能交通檢測手段[9-12]包括環(huán)形線圈檢測器、超聲波檢測器、紅外檢測器和微波雷達(dá)檢測器等，雖感應(yīng)線圈檢測能獲得較高的精度，但安裝復(fù)雜且不具有可持續(xù)性；而微波雷達(dá)檢測器雖具有較高的車輛識別精度和應(yīng)用條件，但價格昂貴，且不便于普及。

相比于上述檢測方法，基于視頻的檢測方法[13-16]不僅價格低廉、安裝方便，且通常具有較好的檢測精度。因此，已逐漸在智能交通控制系統(tǒng)中占有較高的地位。文中通過實時分析交通視頻中的車流信息，提出了一種基于實時車輛探測的交通燈控制系統(tǒng)。

1　道路車流計算

道路車流即單位時間內(nèi)通過道路某一點或某一截面的車輛數(shù)量，根據(jù)表示方式的不同可以將其按時間、觀測斷面和運行單元進(jìn)行分類。本文主要研究單位時間內(nèi)的汽車流量。

為了有效地檢測出運動物體，本文在實際道路上設(shè)置了兩個與車輛行駛方向垂直的檢測區(qū)域，并稱為虛擬環(huán)，如圖1所示。其中，大虛擬環(huán)用于檢測車輛并計數(shù)，小虛擬環(huán)用于提取交通密度和車輛速度等信息進(jìn)行輔助判斷。為了提高圖像處理速度、節(jié)省計算成本，本文只對大虛擬環(huán)區(qū)域的圖像進(jìn)行處理。

圖1　虛擬環(huán)示意圖

文中道路車流計算主要包括圖像獲取、設(shè)定虛擬環(huán)、運動背景提取與目標(biāo)分割、聚類分析和背景更新五部分，詳細(xì)的處理流程如圖2所示。該系統(tǒng)首先使用CCD攝像頭獲取分辨率為640*480的交通圖像，并設(shè)置相機的幀率為15 fps。根據(jù)車輛在圖像中所占的比重以及相機與地面的距離設(shè)置圖像中車輛的最大寬度為320像素、最小寬度為50像素，考慮到相機目標(biāo)采集背景的變化設(shè)置每隔200幀更新一次背景，即每20 s更新一次。

為了減少光線、物體擾動等系統(tǒng)噪聲的影響，本文首先對采集到的視頻幀進(jìn)行預(yù)處理，包括灰度化、中值濾波、背景提取、背景差分、二值化和去噪等。然后，對得到的二值圖像進(jìn)行聚類分析統(tǒng)計某一時段內(nèi)通行的車輛數(shù)。由于圖像預(yù)處理過程可以直接調(diào)用現(xiàn)有的opencv圖像處理庫實現(xiàn)，故下面主要介紹基于聚類的車輛分析與背景更新兩個過程。

1.1　基于聚類的車輛分析

由于本文設(shè)置了合理的虛擬環(huán)，當(dāng)車輛連續(xù)通過預(yù)設(shè)的虛擬環(huán)時將在虛擬環(huán)中觀測到不同的二值圖像。如圖3所示從上至下分別為車輛未進(jìn)入、剛進(jìn)入、已進(jìn)入和剛離開虛擬環(huán)時，獲取的圖像及處理后的二值圖像。

圖2　道路車流計算處理流程

文中使用如下方法分析二值圖像來統(tǒng)計車輛的數(shù)量：

1）對虛擬環(huán)中的二值圖像進(jìn)行垂直方向和水平方向的投影掃描，其中值為0的點是運行區(qū)域，將其標(biāo)記為特征空間。記下虛擬環(huán)中目標(biāo)出現(xiàn)的最左和最右的端點，并根據(jù)這兩個端點計算特征空間的大小。同時，根據(jù)預(yù)設(shè)車輛占據(jù)的最大像素數(shù)和最小像素數(shù)，來判斷虛擬環(huán)中是否含有車輛。

2）在虛擬環(huán)中查找相似的目標(biāo)群，以目標(biāo)樣本點間的距離作為相似性判斷的準(zhǔn)則。將虛擬環(huán)中的像素點聚類為若干個子目標(biāo)群，每個子群代表一輛車。

3）分別計算虛擬環(huán)左、右邊界各子目標(biāo)群所占的像素數(shù)，若像素數(shù)大于預(yù)先設(shè)定的閾值則該子目標(biāo)群位于虛擬環(huán)中部；否則，以虛擬環(huán)的中線為分割線，分別計算兩側(cè)子目標(biāo)群的像素數(shù)SL和SR。若SL>SR，子目標(biāo)群的位置偏左，否則偏右。

4）若當(dāng)前檢測幀的上一幀未檢測到車輛，則車流量增一。

5）若當(dāng)前檢測幀的上一幀檢測到車輛，又由于連續(xù)兩幀的二值圖像經(jīng)聚類分析后必然有重疊，本文根據(jù)重疊率區(qū)分當(dāng)前幀新進(jìn)的車輛與上一幀檢測到的車輛。

圖3　車輛連續(xù)通過虛擬環(huán)時的圖像及其二值圖像

1.2　背景更新

在交通視頻中視頻背景通常受光照和天氣等條件的變化而不斷發(fā)生變化，又由于本文使用背景差分的方法提取運動目標(biāo)。因此，獲取準(zhǔn)確的背景圖像是提高車輛檢測精度的關(guān)鍵。文中使用如圖4所示的流程實時自適應(yīng)更新視頻背景：

1）累積計算多幀圖像的平均值建立背景模型；

2）使用上文獲取的二值圖像求取運動目標(biāo)的區(qū)域；

3）分別計算當(dāng)前幀和背景幀的移動區(qū)域，并使用差分法決定需要更新的背景區(qū)域。再將新計算的背景圖像與當(dāng)前幀使用的背景圖像的加權(quán)平均，作為下一幀的背景模型。

2　交通燈控制

圖4　背景更新流程

目前，主要采用定時控制策略控制交通燈的變化。然而，這與交通流量變化的隨機性相矛盾。本文為了發(fā)揮現(xiàn)有道路的最大通行能力，使用模糊控制將精準(zhǔn)的車流量轉(zhuǎn)化為模糊量，并使用遺傳算法得到每一個方向上綠燈的分配時長和策略，以減小車輛的延誤時長。

2.1　交通燈配時模型

車輛延誤時長d，由車輛到達(dá)順序不一致導(dǎo)致的隨機性延誤dr和車輛到達(dá)率導(dǎo)致的延誤dc構(gòu)成。dr和dc分別由下式（1）和式（2）計算：

則第i條車道上車輛的總延誤時長di=dci+dri。由于一個信號燈周期包含4個相位，則交通燈路口車輛的總時延可由各個路口車輛延誤時間的加權(quán)平均求得，如式（3）所示。

將式（1）和式（2）代入式（3）有：

將總延誤時間D作為適應(yīng)度函數(shù)，可將原問題轉(zhuǎn)化為式（5）所示的極小值問題：

其約束條件為：

式中，Tmin和Tmax分別為信號燈周期的最大值與最小值；TW為車輛的等待時間。

2.2　基于遺傳算法的優(yōu)化策略

文中使用遺傳優(yōu)化算法求解2.1中極小值問題，具體步驟如下所述：

1）確定約束條件和自變量：

自變量：各方向的通行時間t1、t2、t3、t4

約束條件：t1+t2+t3+t4=T

2）確定優(yōu)化目標(biāo)：將式（6）所示求4個變量的極小值問題轉(zhuǎn)化為求3個變量的極小值問題：

3）確定遺傳編解碼方式：本文采用二進(jìn)制多變量級聯(lián)編碼方式確定遺傳算法的基因組，如下所示：

4）選擇交叉、變異算子：本文使用隨機輪盤法進(jìn)行選擇操作，使用區(qū)間交叉和區(qū)間變異作為交叉、變異算子。

5）設(shè)置遺傳算法參數(shù)：設(shè)置種群的最大長度M=120，最大迭代次數(shù)G=200，編碼長度n=8，交叉、變異概率Pc=0.8、Pm=0.001。

使用上述操作流程和參數(shù)設(shè)置，并進(jìn)行多變量遺傳優(yōu)化算法流程，即可求得各路口最優(yōu)的綠燈時間。

3　仿真實現(xiàn)與結(jié)果

文中使用Matlab進(jìn)行仿真實驗，對高速公路上的車流進(jìn)行實時分析，并比較分析使用定時控制和基于流量統(tǒng)計的優(yōu)化控制方法得到的車輛時延值。如圖4和圖5所示為使用本文車輛分析方法和流程，得到的高速公路上某個視頻監(jiān)控器獲取圖像的實時車輛檢測結(jié)果與背景更新結(jié)果。

圖5　實時車輛檢測結(jié)果

圖6　背景更新結(jié)果

如表1所示為使用定時控制和基于流量統(tǒng)計的優(yōu)化控制方法，所得到的綠燈控制時間與車輛延誤情況比較。比較表2的結(jié)果可知，本方法能根據(jù)當(dāng)前的車流量配置更為合理的綠燈時長，并能明顯減小車輛的延誤時間。

表1　定時控制與本文算法綠燈時長和車輛延誤比較

4　結(jié)束語

文中針對城市交通擁堵的問題，設(shè)計了一種基于實時車輛探測的交通燈控制系統(tǒng)模型。該系統(tǒng)先使用虛擬環(huán)的方式和視頻圖像分析技術(shù)得到場景的二值圖像，并進(jìn)行聚類分析統(tǒng)計某一時段內(nèi)通行的車輛數(shù)；然后使用模糊控制將精準(zhǔn)的車流量轉(zhuǎn)化為模糊量，并使用遺傳算法得到每一個方向上綠燈的分配時長和策略，以減小車輛的延誤時長?；贛atlab軟件的仿真實驗與測試結(jié)果表明，所提出的方法能準(zhǔn)確獲得各路口的車流量，并能自動調(diào)節(jié)綠燈時長，減小車輛時延。