深度學習下交通擁堵路段信息自動識別仿真

崔素萍,卜崇陽

(西藏大學工學院,西藏 拉薩 850000)

1 引言

國內(nèi)外的專家和學者對于交通擁堵在不同角度中給出的理解都不相同,但整體上都是交通需求高于城市目前交通供給進而引發(fā)的一種交通運行狀態(tài)[1]。交通擁堵對城市的經(jīng)濟發(fā)展產(chǎn)生制約,主要體現(xiàn)在汽車長時間擁堵排放的尾氣污染環(huán)境、燃油耗損增加以及出行時間增長等。為了降低交通擁堵造成的一系列負面影響,需要對交通擁堵路段信息展開識別[2],以此制定交通策略,改善人們的出行條件。

戴學臻等人[3]提出不同時間間隔下的道路交通狀態(tài)判別方法,根據(jù)交通路面中存在的車輛數(shù)量對識別總時間展開劃分,將車輛的瞬時速度作為交通路段狀態(tài)識別的關(guān)鍵信息,在集對分析的基礎(chǔ)上建立道路交通狀態(tài)識別模型,該方法無法增強交通圖像的清晰度,導致信息提取結(jié)果存在誤差,降低了信息識別精度。鄔群勇等人[4]提出基于多源軌跡數(shù)據(jù)的城市交通狀態(tài)精細劃分與識別方法,歸一化處理車輛軌跡點的空間位置和速度值,采用迭代方法聚類處理軌跡點,在多源數(shù)據(jù)融合的基礎(chǔ)上,計算交通狀態(tài)的速度值,并對城市交通狀態(tài)等級劃分,實現(xiàn)城市擁堵路段信息的識別,該方法無法準確的檢測路段中存在的車輛,存在車輛檢測精度低的問題。

為了解決上述方法中存在的問題,提出基于深度學習的交通擁堵路段信息自動識別方法。采用深度學習算法獲取增強后的交通圖像,采用時空興趣點檢測算法消除圖像中的冗余點,通過構(gòu)建交通擁堵路段信息自動識別模型,識別交通擁堵路段中的信息。

2 方法

2.1 交通圖像增強

采用深度學習網(wǎng)絡對交通圖像信息增強處理。深度學習網(wǎng)絡通過學習映射關(guān)系,將需要增強的交通圖像作為輸入,輸出增強后的交通圖像[5-6]。在深度學習網(wǎng)絡中圖像經(jīng)過池化層處理后的大小會發(fā)生變化,經(jīng)過卷積層處理后會丟失圖像中的邊緣信息,影響圖像的增強效果。為了解決上述問題,采用邊緣填充處理深度學習網(wǎng)絡中存在的卷積層,并提取交通圖像的特征,將提取的特征輸入Retinex模型中,輸出增強后的交通圖像。

提取交通圖像各通道像素,以此獲取交通圖像與映射圖像之間的關(guān)系,將交通圖像輸入深度學習網(wǎng)絡的卷積層中,通過式(1)提取交通圖像的特征G1(A):

G1(A)=max(0,E1*A+N1)

(1)

式中,A代表的是交通圖像;E1表示卷積層對應的權(quán)重;*描述的是卷積運算;max(·)代表的是激活函數(shù),其主要作用是提高卷積層的訓練效果,縮短訓練時間;N1代表的是卷積層的偏置。

采用隨機梯度下降法[7-8]在監(jiān)督學習反向傳播原理的基礎(chǔ)上最小化訓練損失函數(shù)Z,獲得深度學習網(wǎng)絡的參數(shù)?={E1,E2,E3,E4,N1,N2,N3,N4}:

(2)

式中,G表示深度學習網(wǎng)絡通過學習獲取的映射關(guān)系;Ii表示表示交通圖像Ai對應的光照映射圖像;M代表的是需要訓練的交通圖像數(shù)量。

在Gamma校正的基礎(chǔ)上在深度學習網(wǎng)絡中調(diào)整照明圖,確定交通圖像的暗區(qū)Z(x)′=Z(x)t,其中Z(x)′表示校正后的映射圖像;t=1.7。假設交通圖像在映射過程中為m×m像素,局部區(qū)域的光照強度相同。經(jīng)過上述過程修正后,為了避免遮擋對交通圖像處理產(chǎn)生的影響,平滑光照圖像,需要引導圖像濾波,將交通圖像中存在的紅色通道作為引導圖像,以此獲得增強后的交通圖像T(x):

(3)

式中,O(x)表示原始交通圖像。

2.2 興趣點檢測

根據(jù)增強后的交通圖像,采用基于改進H-L的時空興趣點檢測算法檢測交通圖像的興趣點。在高斯核函數(shù)尺度因子的基礎(chǔ)上建立濾波器,利用濾波器與交通圖像展開卷積操作:

K(x,y,?)=H(x,y,?)?O(x,y)

(4)

式中,x、y表示像素在交通圖像中對應的坐標;K(·)描述的是尺度空間;?代表的是尺度因子;O(x,y)表示交通圖像;H(·)為高斯核函數(shù)。

建立H-L多尺度檢測的自相關(guān)矩陣Q:

(5)

利用角點響應函數(shù)檢測交通圖像的角點,隨著尺度的不同上述檢測得到的角點會產(chǎn)生位移,導致交通圖像中出現(xiàn)冗余點。為了解決上述問題,通過背景點抑制方法[9-10]消除上述過程產(chǎn)生的冗余點,具體過程如下:

1)在不同尺度中對交通圖像展開高斯濾波,獲得尺度空間K(x,y,?),并通過下式確定梯度加權(quán)因子Δ?:

Δ?=|cos[?(x,y)-?(x-w,y-h)]|

(6)

式中,w表示抑制范圍對應的水平距離;?(x,y)、?(x-w,y-h)表示點(x,y)、(x-w,y-h)處的梯度值;h表示抑制范圍對應的垂直距離。

2)設V?,β(x,y)表示交通圖像的興趣點響應,可通過下式計算得到:

(7)

式中,V?(x,y)表示角點幅度;β代表的是強度抑制因子;Ξ描述的是交通圖像對應的坐標范圍。

建立交通圖像的候選點尺度矩陣L(x,y)和興趣點響應矩陣Q(x,y),令L(x,y)=0、Q(x,y)=0,為矩陣L(x,y)、Q(x,y)賦予興趣點的尺度與響應值,結(jié)合強度抑制因子和梯度加權(quán)因子對矩陣中存在的點的總數(shù)展開控制,使其在可控范圍內(nèi)。

3)通過上述過程,獲得交通圖像最終的興趣點響應矩陣Q(x,y),在非極大值抑制思想的基礎(chǔ)上對交通圖像的興趣點局部抑制處理。計算興趣點(x,y)在交通圖像中的梯度方向,梯度方向在圖像中的延長線會經(jīng)過兩個鄰域的興趣點,獲取兩個交叉點(x′,y′)、(x″,y″)在圖像中對應的響應值,保留符合下述條件的興趣點:

①點(x,y)對應的響應值V?,β(x,y)大于交叉點(x′,y′)、(x″,y″)對應的響應值,予以保留;

②當梯度在交通圖像中同時經(jīng)過兩個興趣點時,保留兩點之間最大響應值對應的點。

通過上述過程濾除交通圖像中存在的冗余點,完成圖像興趣點的檢測。

2.3 交通擁堵路段識別

根據(jù)圖像興趣點檢測結(jié)果,提取交通圖像興趣點的邊緣信息、紋理特征和顏色分布屬性,以此為依據(jù)提取交通圖像的路段擁堵區(qū)域。

1)邊緣距離

用fB(i,j)表示邊緣距離,描述的是交通圖像目標邊緣結(jié)構(gòu)對應的相似度,計算公式如下:

(8)

式中,mb(i,j)代表的是興趣點區(qū)域sai與saj在交通圖像中的共享邊緣區(qū)域;ank(i,j)代表的是像素灰度值差。

2)紋理特征

(9)

3)顏色直方圖

(10)

通過上述過程提取的特征,采用線性加權(quán)方法獲得兩個興趣點在交通圖像中的最終距離F(i,j)

(11)

式中,ξc、?c分別為dc(i,j)對應的權(quán)重因子和閾值;ξT、?T分別為dT(i,j)對應的權(quán)重因子和閾值;ξB、?B分別為dB(i,j)對應的權(quán)重因子和閾值。

利用下式確定交通圖像中的路段擁堵區(qū)域?qū)闹行?ax,ay)

(12)

式中,Fx(i,j)、Fy(i,j)分別為兩個興趣點在交通圖像中x方向和y方向的距離。

2.4 交通擁堵路段信息自動識別模型

根據(jù)上述處理結(jié)果,建立交通擁堵路段信息自動識別模型識別交通擁堵路段中的信息。

設置交通參數(shù)c(t)用于描述道路交通運行狀態(tài)在不同時間內(nèi)的變化情況,存在下式:

(13)

式中,S代表的是c(t)對應的區(qū)間。

不同時刻中路段交通狀態(tài)的偏離穩(wěn)定態(tài)程度可通過穩(wěn)態(tài)評判指標衡量,劃分研究區(qū)域內(nèi)交通路段的運行狀態(tài)[13-14]:

1)穩(wěn)態(tài)集D:

D={c(t)|[|sup(S)-c(t)|≥φ]‖

[|c(t)-inf(S)|≥φ]}

(14)

式中,sup(S)、inf(S)分別代表的是區(qū)間對應的上、下確界;φ描述的是穩(wěn)態(tài)判決閾值。

2)非穩(wěn)態(tài)集M:

M={c(t)|[|sup(S)-c(t)|<φ]‖

[|c(t)-inf(S)|<φ]}

(15)

引入二流理論描述研究區(qū)域路網(wǎng)的服務水平和擁堵狀態(tài)。

劃分交通道路中的車輛,將其分為停止車輛和運動車輛,用B表示車輛在路網(wǎng)中的平均速度,其表達式如下:

B=Bm(1-gs)γ+1

(16)

式中,Bm代表的是車輛在路網(wǎng)中的最大平均速度;gs代表的是停車比例;γ描述的是交通路網(wǎng)的阻尼參數(shù)。

根據(jù)路網(wǎng)觀測數(shù)據(jù)在二流理論的基礎(chǔ)上對路網(wǎng)停車比例系數(shù)展開擬合:

(17)

式中,gs,min代表的是停車比例的最小值;ρ表示平均密度;ρj描述的是阻塞密度;參數(shù)κ主要用于衡量路網(wǎng)的服務質(zhì)量。

結(jié)合上述公式,建立交通路段的流量-密度模型:

(18)

式中,W代表的是路段的平均車流量。

當S=dS/dρ時,獲得交通擁堵路段的最佳密度ρm[15-16],建立交通擁堵路段信息自動識別模型:

(19)

通過上述計算式,完成交通擁堵路段中的信息識別。

3 實驗與分析

為了驗證基于深度學習的交通擁堵路段信息自動識別方法(所提方法)的整體有效性,需要對其展開測試。

3.1 圖像增強效果

受天氣和環(huán)境等因素的影響,采集的交通圖像容易出現(xiàn)模糊的現(xiàn)象,現(xiàn)采用所提方法、不同時間間隔下的道路交通狀態(tài)判別方法(參考文獻[3]方法)和基于多源軌跡數(shù)據(jù)的城市交通狀態(tài)精細劃分與識別方法(參考文獻[4]方法)對原始交通圖像增強處理。不同方法的圖像增強效果如圖1所示。

圖1 不同方法的圖像增強效果

從圖1的實驗結(jié)果可知,原始交通圖像的清晰度較低,無法準確的獲取路段信息,采用所提方法處理后,圖像變得清晰,可準確的獲取圖像中存在的信息,而參考文獻[3]方法和參考文獻[4]方法的圖像處理效果較差,不能提取完整的信息。由此可以得出,所提方法的圖像增強效果好。

3.2 車輛檢測

采用不同方法對上述道路中的車輛展開檢測,檢測結(jié)果如圖2所示。

圖2 不同方法的車輛檢測結(jié)果

由圖2可知,所提方法可準確的檢測到道路中存在的車輛,而參考文獻[3]方法針對遠處車輛的檢測效果差,且誤將標識牌識別為車輛,參考文獻[4]方法的檢測結(jié)果存在漏檢現(xiàn)象。由此可以得出,所提方法對道路上的車輛檢測效果最好。

3.3 交通擁堵路段信息識別

將車流量作為指標,對不同方法的交通擁堵路段信息識別測試,測試結(jié)果如圖3所示。

圖3 不同方法的信息識別結(jié)果

分析圖3可知,采用所提方法識別的交通擁堵路段車流量與實際流量相符,而其它兩種方法的識別結(jié)果存在明顯偏差,因為所提方法通過興趣點檢測獲取交通圖像中的擁堵區(qū)域,在擁堵區(qū)域中利用信息自動識別模型完成識別,提高了信息識別的精度。

4 結(jié)束語

為解決交通擁堵路段信息識別存在識別圖像清晰度低、車輛檢測精度低和信息識別精度低的問題,提出基于深度學習的交通擁堵路段信息自動識別方法。該方法先對交通圖像增強處理,確定圖像中的擁堵區(qū)域,通過建立交通擁堵路段信息識別模型,完成信息識別。該方法可增強交通圖像的清晰度,準確地檢測到道路中存在的車輛,提高信息識別的準確率。