CN104778846A - 一种基于计算机视觉的交通信号灯控制方法 - Google Patents

Abstract

本发明给出一种基于计算机视觉的交通信号灯控制方法，该方法首先通过对安装在交通信号灯控制路口的摄像头采集到的视频进行处理,从中取出一系列帧,然后通过图像处理技术处理这些帧，提取出车辆的位置、数量信息并计算车辆到路口的实时距离、实时速度和所有车辆的平均速度并预测车辆到达路口的时间，最后通过对车辆位置的分析确定保证车辆通过路口的时间，通过灵活的选择K中心点聚类算法或者Clara聚类算法对车辆预计到达路口时间进行聚类分析得出绿色信号灯还需保持的时间，由此确定交通信号灯交替转变的时间。本发明能够实现动态的、自适应的交通信号灯控制，降低发生交通拥堵的概率，达到优化交通信号灯控制的目的。

Description

一种基于计算机视觉的交通信号灯控制方法

技术领域

本发明设计一种基于计算机视觉的交通信号灯控制方法，该方法通过图像处理技术、数据挖掘技术提高交通信号灯的效率。属于信息物理融合***和数据挖掘的交叉技术应用领域。

背景技术

图像处理技术是用计算机对图像进行分析，以达到所需结果的技术，又称影像处理。图像处理一般指数字图像处理。数字图像是指用工业相机、摄像机、扫描仪等设备经过拍摄得到的一个大的二维数组，该数组的元素称为像素，其值称为灰度值。图像处理技术的一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。常见的***有康耐视***、图智能***等，目前是正在逐渐兴起的技术。

信息物理融合***是一个综合计算、网络和物理环境的多维复杂***，通过3C(Computation、Communication、Control)技术的有机融合与深度协作，实现大型工程***的实时感知、动态控制和信息服务。信息物理融合***实现计算、通信与物理***的一体化设计，可使***更加可靠、高效、实时协同，具有重要而广泛的应用前景。近年来，信息物理融合***不仅已成为国内外学术界和科技界研究开发的重要方向，预计也将成为企业界优先发展的产业领域。开展信息物理融合***研究与应用对于加快我国培育推进工业化与信息化融合具有重要意义。

数据挖掘是一个迭代过程，它从大量的数据中搜寻有价值的、非同寻常的新信息，是人和计算机合作的结果；它在人类专家描述问题和目标的知识与计算机的搜索能力之间寻求平衡，以求获得最好的结果。数据挖掘是计算机行业中发展最快的领域之一，以前它只是计算机科学和统计学中的一个主题，现如今，它已经迅速发展成为一个独立的领域。数据挖掘最强大的一个优势在于它可以把许多方法和技术应用与大量的问题集。数据挖掘是一个在大数据集上进行的自然行为，所以其最大的目标市场是整个数据仓库、数据集市和决策支持业界，包括诸如零售、制造、电信、医疗、保险、运输等行业。

光流的概念是Gibson在1950年首先提出来的。它是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。一般而言，光流是由于场景中前景目标本身的移动、相机的运动，或者两者的共同运动所产生的。其计算方法可以分为三类：基于区域或者基于特征的匹配方法；基于频域的方法；基于梯度的方法；简单来说，光流是空间运动物体在观测成像平面上的像素运动的“瞬时速度”。光流的研究是利用图像序列中的像素强度数据的时域变化和相关性来确定各自像素位置的“运动”。研究光流场的目的就是为了从图片序列中近似得到不能直接得到的运动场。

发明内容

技术问题：目前最基本的交通信号灯控制方式是单个交叉口的定时控制***，也叫静态线控***。即一天只用一个配时方案或者按不同时段的交通量采用多个配时方案，缺乏灵活性，不能达到最优或次优控制，本发明的目的是提供一种基于计算机视觉的交通信号灯控制方法，该方法在交通信号灯控制过程中增加交通流量，等待时间的考虑，提高交通信号灯控制效率、降低发生交通拥堵的概率以及减少拥堵时间。

技术方案：本发明所述基于计算机视觉的交通信号灯控制方法是通过对视频的处理提取交通流数据，并通过对交通流数据的分析实现交通信号灯动态的时间分配。

本发明所述基于计算机视觉的交通信号灯控制方法包括以下步骤：

步骤1)：设定交通信号灯显示为绿灯，用户设定处理交通视频的间隔时间、绿灯保持的基本时间和绿灯保持的拓展时间，所述交通视频由用户提供，该视频是放置在交通信号灯控制路口的摄像头连续采集到的视频，采集的范围为两个交通信号灯之间的车辆信息,包括车辆的数量、位置信息；所述绿灯保持的基本时间是绿灯保证车辆通过绿灯的时间，所述绿灯保持的拓展时间是根据获取的车辆数据分析处理后绿灯延长的时间。

步骤2)：从交通信号灯为绿灯的路口采集的交通视频中提取用户设定的间隔时间内的未处理视频，该视频从上一次已处理视频结尾后的一帧开始，根据该视频的中间位置的一帧图像计算每辆车到路口的距离，具体处理流程为：对该帧图像用加权平均法进行灰度化处理得到图像的灰度值函数f(i,j)，其中(i,j)为像素的坐标；用二阶的拉普拉斯算子对灰度化后的图片进行边缘检测，区分出汽车图像元素和背景图像元素，接着对输入的图像函数f(i,j)做如下处理，获得输出的图像函数g(i,j)：

$g(i,j)=\left\{\begin{array}{c}1;f(i,j)\&GreaterEqual;T\\ 0;f(i,j)<T\end{array}\right.$

其中，T为阈值，如果图像元素是汽车，则设定g(i,j)＝1，如果图像元素是背景，则设定g(i,j)＝0；用空间域的中值滤波算法去除图片边缘中心噪声点减小误差，根据每个像素点领域的分布情况来决定该点是否删除；提取所有车辆的像素坐标值并计算每辆车到停车线的实时距离；

所述加权平均法是根据重要性及其它指标，将图片的三个分量以不同的权值进行加权平均；所述的二阶拉普拉斯算子为欧几里得空间中的一个函数的梯度的散度给出的微分算子；所述空间域是由图像元素组成的空间。所述中值滤波法是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点的方法。

步骤3)：根据提取出的所有车辆的像素坐标值依次计算每辆车的车速，每辆车测速具体步骤如下：

步骤31)：选取固定的道路背景图像并在图像上选取两条固定的速度投影线；

步骤32)：获取车辆的像素坐标，根据公式：计算车辆实时的速度v₁；根据公式计算通过两条预设速度投影线的所有车辆的平均速度并以此速度作为所有车辆的平均速度v₂。其中e像素距离与实际距离的比值；△le为像素差，△t为时间差，le₁为车辆在第一条条速度投影线的像素，le₂为车辆在第二条条速度投影线的像素,t₁为目标在第一条速度投影线的时间，t₂为目标在第二条速度投影线的时间；n为通过两条速度投影线车辆数；

步骤4)：根据计算得到的每辆车到道路口的实时距离判断是否有车队通过交通信号灯状态为绿灯的路口，若有则定位到距路口距离最大的一辆车并每隔一个预设的时间片就做一次检测直到最后一辆车通过绿灯或者达到用户预设的绿灯基本时间并将用户预设的绿灯基本时间跟新为本次实际所用的时间。所述的成为一个车队的条件为前后两辆车通过停车线的时间间隔不超过3秒；

步骤5)：依据测得的车辆到停车线的距离和平均速度这两个参数预测每一辆车预计到达路口的时间并写入数据集，根据速度为零的数据即车辆已在路口排队等待的车辆数和时间来计算该路口所有等待车辆的加权累计等待时间值；

步骤6)：根据所获取的有关时间的数据集的大小选择不同的算法，若数据高于一个预设临界值则执行步骤8)否则继续往下执行。所述选择不同算法目的为：在数据量小时选择一般算法以降低***负荷并提高准确度，在数据量较大时选择另一种算法确保***反应时间；

步骤7)：利用K中心点聚类算法对时间数据进行聚类分析，所述K中心点聚类算法是一种选用类中离平均值最近的对象作为聚类中心的算法，该算法适合小规模数据，具体步骤如下：

步骤71)：接收数据集；根据交通灯有红色和绿色两种状态用K中心点聚类算法将数据集聚成两类

步骤72)：在分成的两个数据集中选择聚类中心点较小的那一类中最大的时间作为绿色信号灯延长的时间；

步骤8)：利用Clara聚类算法对时间数据进行聚类分析，所述Clara聚类算法是一种基于采样的聚类方法，它能够处理大量的数据并且具有速度快的优点，具体步骤如下：

步骤81)：接收的数据集；根据交通灯有红色和绿色两种状态用Clara聚类算法将数据集聚成两类

步骤82)：将聚类中心点较小的一类中最大的时间作为绿灯延长时间；

步骤9)：将获得的绿色信号灯的延长时间作为倒计时初始值，当倒计时为零或达到用户预设的绿灯拓展时间时控制***自动将该路***通信号灯由绿灯转红灯并将用户预设的绿灯拓展时间根据新为本次实际所用时间，将交通信号灯为红灯的路口中加权累计等待时间值最大路口的交通信号灯由红灯转绿灯。转回步骤2)。

有益效果：本发明提出了一种面向信息物理融合***的智能交通信号灯控制方法。该方法基于计算机视觉对交通信号灯网络进行优化，降低了车辆平均等待时间，减少了发生交通拥堵的概率，并智能处理交通拥堵。具体来说，本发明所述的改进方法具有如下的有益效果：

(1)本发明所述的交通信号灯控制采用动态时间划分方法，相比静态的人为设定时间的控制方法能够根据实时的交通流量智能地设定交通灯时间，提高了交通运输的效率，降低了车辆等待的时间；

(2)本发明所述的加权累计等待时间能够有效防止交通拥堵并在发生交通拥堵的路口智能判断每个路段的拥堵情况，优先放行最拥堵路段车辆，达到舒缓交通压力的目的；

附图说明

图1为本发明的方法流程图，

具体实施方式

一、对安装在道路上的摄像头采集的视频进行处理

在具体实施中，由于本专利主要是分析和处理交通信号灯为绿灯路口的交通状态所以***初始设定交通信号灯显示为绿灯，由用户设定处理交通视频的间隔时间、绿灯保持的基本时间和绿灯保持的拓展时间，从交通信号灯为绿灯的路口采集的交通视频中提取用户设定的间隔时间内的未处理视频，该视频从上一次已处理视频结尾后的一帧开始，根据该视频的中间位置的一帧图像计算每辆车到路口的距离。设定的间隔时间和提取未处理视频中间位置的一帧的目的是降低***运行负荷，避免因为要处理视频中的每一帧而导致***性能下降，而且并不影响后面对数据的分析和处理结果。具体每一帧图像处理流程为：从连续采集的视频中提取一帧图像，对该帧图像用加权平均法进行灰度化处理得到图像的灰度值函数f(i,j)，其中(i,j)为像素的坐标；用二阶的拉普拉斯算子对灰度化后的图片进行边缘检测，区分出汽车图像元素和背景图像元素，接着对输入的图像f(i,j)做如下处理，获得输出的图像g(i,j)：

$g(i,j)=\left\{\begin{array}{c}1;f(i,j)\&GreaterEqual;T\\ 0;f(i,j)<T\end{array}\right.$

其中，T为阈值，如果图像元素是车辆，则设g(i,j)＝1，如果图像元素是背景，则设g(i,j)＝0；用空间域的中值滤波算法去除图片边缘中心噪声点，去除噪声点可以有效减小误差，提高获取的车辆像素坐标的精度，根据判断每个像素点领域的分布情况来决定带点是否删除最后将车辆图像缩小为一个点表示。最后提取所有车辆的像素坐标值

二、分别计算每辆车到停车线的距离、每辆车的实时速度和所有辆车的平均速度

在具体实施中，提取车辆的像素坐标值，依据公式d＝e×△le₁分别计算每辆车到停车线的距离，其中e是像素距离与实际距离的比值，是需要预先测量的参数；△le₁图像上每辆车到停车线的像素差。

提取车辆的像素坐标，根据公式：分别计算每一辆车的实时速度，其中△le₂为同一辆车相邻两帧图像上的像素差，△t为相邻两帧的时间差；

对道路图像预处理得到固定的道路背景图像并在图像上选取两条固定的速度投影线，获取每一辆车的车头位置通过预设的速度投影线时的像素坐标和相应的时间，因为车辆实际在道路上行驶中速度是时刻在变化的，这就为预测车辆到达路口的时间带来了难度，所以需要用所有车辆在某特定路段行驶的平均速度作为预测车辆到达路口的速度参数，这里根据公式计算所有车辆通过两条预设速度投影线的平均速度作为预测车辆到达路口的速度参数。其中le₁是车辆在第一条条速度投影线的像素，le₂是车辆在第二条条速度投影线的像素,，t₁是车辆在第一条速度投影线的时间，t₂是车辆在第二条速度投影线的时间；n是通过两条速度投影线车辆数

三、分析数据确定该路口绿色信号灯维持的时间，该时间是包括基本的绿灯时间与拓展的绿灯时间

在具体实施中，根据计算得到的每辆车到道路口的实时距离判断是否有车队通过交通信号灯状态为绿灯的路口，将前后两辆车通过同一位置的时间间隔在3秒之内的作为一个车队，若有则定位到车队最后一辆车，判断是最后一辆的依据是该车在车队中距离路口距离最大，每隔一个预设的时间片就做一次检测直到最后车队最后一辆车通过绿灯或者达到预设的绿灯保持的基本时间，此时绿灯保持的基本时间结束，并更新绿灯保持的基本时间为该阶段实际所用的时间。

依据测得的车辆到停车线的距离和平均速度这两个参数预测每一辆车预计到达路口的时间并写入数据集，根据所获取的有关时间的数据集的多少选择不同的算法，若数据集高于一个预设临界值则用Clara聚类算法否则利用K中心点聚类算法分析。选择不同算法目的是在数据量小时选择一般算法以降低***负荷并提高准确度，在数据量较大时选择另一种算法确保***反应时间，这样就有效节约了***开销，有利于提高***的使用寿命。再根据交通灯有红色和绿色两种状态利用选择的算法对时间数据进行聚成两个数据集，在两个数据集中选择聚类中心点较小的那一类中最大的时间作为倒计时时间，倒计时结束或者达到的用户预设的绿灯保持的拓展时间，此时绿灯保持的拓展时间结束并更新绿灯保持的拓展时间为该阶段实际所用的时间。

四、计算一个路口所有车的加权累计等待时间值，并执行交通信号灯的转变

在具体实施中，根据速度为零的数据即车辆已在路口排队等待的车辆数和时间来计算该路口所有等待车辆的w＝∑k_it，其中k_i为权值，随着时间推移该权值会越来越大，t为车辆的等待时间。引入加权累计等待时间值可以有效评估每个交通信号灯为红灯路口的车流量状况，优先放行加权累计等待时间值高的路口。然后将绿灯时间结束的路***通信号灯由绿灯转红灯并在交通信号灯为红灯的路口中选择总加权累计等待时间值最大的路口的交通信号灯由红灯转绿灯并清空该路口加权累计等待时间值，最后返回第一步重复执行。

Claims (2)

1.一种基于计算机视觉的交通信号灯控制方法，其特征在于该方法所包含的步骤为：

步骤1)：设定交通信号灯显示为绿灯，用户设定处理交通视频的间隔时间、绿灯保持的基本时间和绿灯保持的拓展时间，所述交通视频由用户提供，该视频是放置在交通信号灯控制路口的摄像头连续采集到的视频，采集的范围为两个交通信号灯之间的车辆的数量和位置信息；所述绿灯保持的基本时间是绿灯保证车辆通过绿灯的时间，所述绿灯保持的拓展时间是根据获取的车辆数据分析处理后绿灯延长的时间；

步骤2)：从交通信号灯为绿灯的路口采集的交通视频中提取用户设定的间隔时间内的未处理视频，该视频从上一次已处理视频结尾后的一帧开始，根据该视频的中间位置的一帧图像计算每辆车到路口的距离，具体处理流程为：对该帧图像用加权平均法进行灰度化处理得到图像的灰度值函数f(i,j)，其中(i,j)为像素的坐标；用二阶的拉普拉斯算子对灰度化后的图片进行边缘检测，区分出汽车图像元素和背景图像元素，接着对输入的图像函数f(i,j)做如下处理，获得输出的图像函数g(i,j)：

$g(i,j)=\left\{\begin{array}{c}1;f(i,j)\&GreaterEqual;T\\ 0;f(i,j)<T\end{array}\right.$

其中，T为阈值，如果图像元素是汽车，则设定g(i,j)＝1，如果图像元素是背景，则设定g(i,j)＝0；用空间域的中值滤波算法去除图片边缘中心噪声点减小误差，根据每个像素点领域的分布情况来决定该点是否删除；提取所有车辆的像素坐标值并计算每辆车到停车线的实时距离；

步骤3)：根据提取出的所有车辆的像素坐标值依次计算每辆车的车速，每辆车测速具体步骤如下：

步骤31)：选取固定的道路背景图像并在图像上选取两条固定的速度投影线；

步骤32)：获取车辆的像素坐标，根据公式：计算车辆实时的速度v₁；根据公式计算通过两条预设速度投影线的所有车辆的平均速度并以此速度作为所有车辆的平均速度v₂；其中e像素距离与实际距离的比值；△le为像素差，△t为时间差，le₁为车辆在第一条条速度投影线的像素，le₂为车辆在第二条速度投影线的像素,t₁为目标在第一条速度投影线的时间，t₂为目标在第二条速度投影线的时间；n为通过两条速度投影线车辆数；

步骤4)：根据计算得到的每辆车到道路口的实时距离判断是否有车队通过交通信号灯状态为绿灯的路口，若有则定位到距路口距离最大的一辆车并每隔一个预设的时间片就做一次检测直到最后一辆车通过绿灯或者达到用户预设的绿灯基本时间并将用户预设的绿灯基本时间跟新为本次实际所用的时间；所述的成为一个车队的条件为前后两辆车通过停车线的时间间隔不超过3秒；

步骤5)：依据测得的车辆到停车线的距离和平均速度这两个参数预测每一辆车预计到达路口的时间并写入数据集，根据速度为零的数据即车辆已在路口排队等待的车辆数和时间来计算该路口所有等待车辆的加权累计等待时间值；

步骤6)：根据所获取的有关时间的数据集的大小选择不同的算法，若数据高于一个预设临界值则执行步骤8)否则继续往下执行；所述选择不同算法目的为：在数据量小时选择一般算法以降低***负荷并提高准确度，在数据量较大时选择另一种算法确保***反应时间；

步骤7)：利用K中心点聚类算法对时间数据进行聚类分析，所述K中心点聚类算法是一种选用类中离平均值最近的对象作为聚类中心的算法，该算法适合小规模数据，具体步骤如下：

步骤7.1)：接收数据集；根据交通灯有红色和绿色两种状态用K中心点聚类算法将数据集聚成两类；

步骤7.2)：在分成的两个数据集中选择聚类中心点较小的那一类中最大的时间作为绿色信号灯延长的时间；

步骤8)：利用Clara聚类算法对时间数据进行聚类分析，所述Clara聚类算法是一种基于采样的聚类方法，它能够处理大量的数据并且具有速度快的优点，具体步骤如下：

步骤8.1)：接收的数据集；根据交通灯有红色和绿色两种状态用Clara聚类算法将数据集聚成两类；

步骤8.2)：将聚类中心点较小的一类中最大的时间作为绿灯延长时间；

步骤9)：将获得的绿色信号灯的延长时间作为倒计时初始值，当倒计时为零或达到用户预设的绿灯拓展时间时控制***自动将该路***通信号灯由绿灯转红灯并将用户预设的绿灯拓展时间根据新为本次实际所用时间，将交通信号灯为红灯的路口中加权累计等待时间值最大路口的交通信号灯由红灯转绿灯；转回步骤2)。

2.根据权利要求1所述的基于计算机视觉的交通信号灯控制方法，其特征在于，所述加权平均法是根据重要性及其它指标，将图片的三个分量以不同的权值进行加权平均；所述的二阶拉普拉斯算子为欧几里得空间中的一个函数的梯度的散度给出的微分算子；所述空间域是由图像元素组成的空间；所述中值滤波法是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点的方法。