專利名稱：基于有限狀態(tài)機的道路車輛擁堵判別方法
技術領域：
本發(fā)明屬于數字圖像處理及模式識別技術領域，具體涉及智能交通監(jiān)控中的道路車輛擁堵判別方法。
背景技術：
近年我國經濟的快速復蘇增長，國家在交通行業(yè)的投入明顯增加。道路基礎設施的大量投入，機動車輛數量的迅速攀升，導致道路車輛擁堵，交通事故頻繁發(fā)生，交通環(huán)境惡化等問題日益嚴重，但是相應的交通法規(guī)教育普及和智能化交通管理系統的建設相對滯后，為交通管理提出嚴峻的挑戰(zhàn)。交通管理的作用是對道路上的車輛和行人進行合理的引導、組織和限制，使交通盡可能安全、暢通、公害小、能耗少。其中，道路交通狀態(tài)的監(jiān)控以及 異常交通流有效疏導是交通管理的重要職責。GA 115-1995道路交通阻塞標準定義阻塞為在道路上由于車輛過度密集、交通事故、工程施工、違章行為和自然等原因，而導致的車輛延時誤增大和排隊長度加長的狀態(tài)。其中車輛排隊指在道路交叉路ロ或者路段的車行道上，隨機到達的車輛通過過程中，當交通流受阻后出現的等待通過車輛的行列。交通狀態(tài)雖然是突發(fā)的，但卻是能檢測識別的。如果能及時檢測、及時報警，自動協調處理調度，就能夠降低損失，最大限度提高道路的利用率。交通狀態(tài)檢測作為交通監(jiān)控以及交通事件檢測的重要環(huán)節(jié)，是智能交通系統(ITS)的重要組成部分，為交通管理提供更迅速和準確的服務。因此，交通狀態(tài)的自動檢測在智能交通研究中是非常重要的。目前大部分交通數據主要通過埋在車道下的磁感線圈檢測獲得。這種方法存在明顯不足對外部系統依賴性強；施工維護不夠方便；系統靈活性差。隨著多媒體和計算機技術的迅速發(fā)展，直接利用視頻圖像特征檢測技術來檢測交通道路狀態(tài)并給予警示已成為可能。并且視頻檢測技術與其它傳感器相比具有諸多突出優(yōu)點1)可以提取高質量的車輛和交通場景信息；2)能夠檢測更大的場景面積，減少傳感器的安裝數目；3)視頻傳感器易于安裝和調試，對路面和土木設施不會產生破壞，使用和維護的費用相對較低。
發(fā)明內容
本發(fā)明的目的在于提出ー種適應場景面大、效率高的道路車輛擁堵判別方法。本發(fā)明提出的道路車輛擁堵判別方法，采用ー種有限狀態(tài)機模型。具體就是根據GA 115-1995道路交通阻塞標準和城市道路信號燈控制交叉路ロ擁堵的形成過程，建立有限狀態(tài)機模型(圖2)。有限狀態(tài)機模型包括三種可能狀態(tài)暢通、緩行、擁堵；狀態(tài)間的轉換以車流狀況的分析結果為條件，分析依據為車流速度和車流排隊長度；而車流速度和車流排隊長度由高清相機拍攝的交通道路圖像流分析估算獲得；其中
所述車流排隊長度估算的過程為
(1)圖像彩色轉換將圖像從RGB的彩色空間轉換到灰度空間；
(2)邊緣提取在灰度圖像下對道路區(qū)域進行圖像邊緣提??；(3)邊緣強度投影根據圖像區(qū)域的邊緣強度計算車隊的尾部位置；
所述車流速度利用相鄰兩幀圖像，通過模板匹配的方法進行估算，其計算過程為
(1)設置道路區(qū)域的多個參考塊(patch)，記錄上ー幀參考塊內的圖像；
(2)模板匹配，利用模板匹配捜索patch在當前幀的位置；
(3)區(qū)域運動計算，通過統計圖像中patch的移動向量，用以估算區(qū)域運動。具體分別介紹如下
一、建立有限狀態(tài)機模型 有限狀態(tài)機模型(如圖2)，每個狀態(tài)用圓圈表示，包括三種可能狀態(tài)，分別是暢通、緩行及擁堵，具體為
(1)暢通，表示道路車輛稀疏，行駛速度不受前方車輛影響；
(2)緩行，表示道路占有率較高，車輛行駛速度受一定程度的影響；
(3)擁堵，表示道路占有率極高，車輛的行駛速度受到嚴重影響。有限狀態(tài)機的狀態(tài)轉換中，根據車流長度(即車輛排隊長度)和車流速度(即排隊車輛行進速度)定義了狀態(tài)轉換函數。如果檢測到當前車流長度達到上限且估算速度為0，則判定整個車道處于擁堵狀態(tài)；如果當前車流長度達到上限而速度不為0，則車流處于緩行狀態(tài)；而如果檢測出車流長度未到限，判定此時車道處于暢通狀態(tài)。ニ、估計車流長度
獲取高清攝像頭拍攝的道路圖像，由于目前大部分C⑶像機拍攝到的圖像是RGB空間，這里需要先轉換到灰度空間再處理。基于車輛自身有著非常豐富紋理特征的特點，可以對灰度圖像提取圖像邊緣梯度。借助圖像空間邊緣特征統計手段，針對單幀圖像分析出道路上機動車排隊長度。具體內容是
I、將由高清攝像頭拍攝的道路圖像中，某區(qū)域^的彩色圖像轉換到灰度空間。通常情況下CXD攝像頭輸出圖像是具有R、G、B三個通道的彩色圖像。于是轉換的公式可以表示為
F = 0.2999 X 及 +0.587 X G+0.144x5￠1)
其中及、G、S分別表示對應每個像素點的通道強度值是轉換后灰度空間對應的強度值。2、對灰度圖像提取邊緣強度。定義ー種5x5的邊緣算子
"+I+10-I-I][+1+2+2+2+1'
+2+20-2-2+1+2+2+2+1
G.. = +2+20—2—2Gjl = 00000
+2+20-2-2-I-2-2-2-I
+1+10-I-IJ1-1-2-2-2-I j(!)
其中( 、Gjl分別是計算x、j方向梯度算子。定義圖像為/(ズ，ァ)，其中X、ヌ是像素坐標，則各方向的梯度可以表示為Hy(x,y) =-3,y +j-3)Gy(iJ)卞
梯度大小可以表示為
H(K,y) = ^H,(x,y)2+Hy(x,/)2(1)
3、將圖像的邊緣大小向平行于路道方向累加投影。如圖像中路道方向垂直于X軸，則可利用公式(6)進行垂直累加
■ =I H(Xj)
X-II I
其中width表示道路的寬度。4、求出道路上車隊的長度。設定ー個邊緣強度閾值r，求解
f(y) = T,1
選取解集中的最小值
L = Mg min(j)
fWJ(I)
L就是當前道路車隊的尾部縱坐標，計算車流測量起始縱坐標與￡的差，即可獲得車流長度。三、估計車流速度
這里利用相鄰幀圖像像素的變化來估計區(qū)域運動特征。首先定義若干參考塊(patch)，預存上ー幀中patch標定的區(qū)域圖像像素。利用圖像模板匹配技術，在下一幀圖像中搜索patch的位置。patch的移動利用區(qū)域的運動特征來表示,運動速度的大小表示該區(qū)域車輛的行駛速度，運動方向表示該區(qū)域車輛的移動方向。具體為
I、設置參考塊(patch)的位置。在車道區(qū)域設置大量patch,用于保存上一巾貞patch標定的區(qū)域圖像像素(一般可采用5x5的圖像塊作為patch)。因為顆粒度過大會帶入背景像素，導致相鄰幀中patch缺乏一致性；而顆粒度過小會容易受到噪聲的干擾，影響準確性。2、利用模板匹配的方式計算patch的移動。對姆ー個patch可以設定其移動的最大范圍，稱之為搜索窗體,采用SSD式
S^(x,y)= 2 f ，7 + v) — /_(a,v)了
^-1 vJ.(I J
其中ク沿4、paickh、Im、分別表示patch的寬、patch的高、搜索窗體的圖像
像素和patch的像素。直接計算公式(9)的時間復雜度為0(paichwy、pab:kk XWmwXWmi)
。為了降低計算的復雜性，可運用卷積定理可轉化為離散傅里葉變換，利用快速傅里葉變換(FFT)將復雜度降低為 0( . X Mm6 xlog(pa￡c% 'KpatchJ)。3、統計一系列patch的整體移動。由于車輛整體的移動與道路方向具有一致性。于是可以計算空間余弦評估吻合度
權利要求
1.一種基于有限狀態(tài)機的道路擁堵判別方法，其特征在于具體步驟為 步驟一、建立有限狀態(tài)機模型 有限狀態(tài)機模型包括三種可能狀態(tài)，分別是暢通、緩行及擁堵，具體為 (1)暢通，表示道路車輛稀疏
全文摘要
本發(fā)明屬于數字圖像處理及模式識別技術領域，具體為一種基于有限狀態(tài)機的道路擁堵判別方法。本發(fā)明根據GA115-1995道路交通阻塞標準，結合城市道路擁堵的形成過程，建立有限狀態(tài)機模型，利用高清相機捕獲交通道路圖像，對圖像中機動車道的車隊進行長度估計和整體速度估算，依據機動車道對車輛容量和速度的限制，激活有限狀態(tài)機中的觸發(fā)條件，判定當前路況是否處于擁堵狀態(tài)。與傳統方法相比，本發(fā)明綜合考慮了城市路面交通擁堵形成的過程，能實時動態(tài)地檢測交通擁堵的發(fā)生和消散，為相關部門進行交通治理提供了有效的依據。
文檔編號G08G1/01GK102768802SQ20121024003
公開日2012年11月7日 申請日期2012年7月12日 優(yōu)先權日2012年7月12日
發(fā)明者馮瑞, 薛向陽, 金城, 魯帥 申請人:復旦大學