基于图像处理的城市智能化交通系统设计

时间：2024-05-18

王思甜　赵禹平　刘云飞

摘要：随着社会发展，汽车数量快速增长，人们的生产和生活因此变得更加便利，但交通拥堵等一系列问题也随之而来。因此，城市发展中的一个重要问题是如何解决城市道路交通拥堵问题。为了提高交通管理部门的工作效率，智能交通视频图像处理技术发展日渐成熟。如果智能交通的相关技术能够实现，将直接影响道路交通的控制能力。在处理和分析交叉路口的车辆图像时，用到计算机图像处理及其分析技术，同时获取道路交叉处的交通参数，并对交通灯的红绿灯持续时间进行实时调整。介绍了道路监控系统中的图像处理技术，希望能为相关人员提供一些参考和意见。

关键词：智能交通;信息采集;信号控制;目标追踪

中图分类号：U491

文献标识码：A

DOI： 10.15913/j.cnki.kjycx.2019.09.017

1 国内外先进交通管理系统研究现状

1.1 国内研究现状

在中国道路交通和经济发展的过程中，国家逐渐意识到交通状况管理的重要性，并逐步引入智能交通管理系统。中国在这方面的发展与其他国家相比比较缓慢。在技术人员的研究下，中国的城市智能交通管理系统的发展也越来越快。相关调查显示，目前市场上有数千家智能交通行业企业。城市智能交通管理系统是目前中国交通运输业最重要的产品，在市场中占据主导地位，将为中国的交通运输业发展带来一个很大的空间。

1.2 国外研究现状

智能交通目前在各大国家和地区尚处于尝试探索阶段，如美国、日本、欧洲等。美国政府因为重视智能交通系统的开发和建设，所以在这方面取得了很好的成果。欧洲基于远程信息处理技术的发展，目前专用的交通无线数据通信网络也已经建立起来，先进的公共交通信息服务系统也已开发。

1.3 城市智能交通管理系统的组成

1.3.1 智能交通监控系统

交通监控系统的智能化可以协助疏导道路交通。在监控区域内可以通过监控系统，实时监测交通的堵塞情况以及信号灯的状态等，并通过监测的信息实施恰当的措施缓解交通拥堵，具体组成如图1所示。

1.3.2 城市交通流诱导系统

智能交通管理系统需要先对车辆进行定位分析，规划车辆行驶路线，及时解决重要路段和交叉路口的拥堵问题，提供道路交通实时信息。交通诱导系统组成如图2所示。交通信息控制中心可以实现信息的采集，这些信息包括道路状态、流量等，然后处理信息，对交通流进行诱导疏通。

2 视频图像处理相关技术

2.1 图像预处理

2.1.1 图像灰度化

从监控视频中提取的待处理帧的图像序列主要是彩色图像，反映瞬时真实交通场景。交通状况分很多种，不同情况应该选择最恰当的模型。监视视频通常是彩色图像，图像灰度的转换方法有均值方法、最大值法和加权平均法等。例如加权平均方法，通过设置图像像素的R、G、B的权重占比来计算。彩色图像灰度化如图3所示。

2.1.2 图像滤波

交通监控捕获的图像信息，在传输和接收的过程中，会受到各种噪声干扰，比如高斯白噪声。在后续操作期间不能提取图像的一些重要特征，执行图像处理和分析时会有困难，这不利于交通部门进行观察和记录。鉴于此，有必要采取一定的措施来抗噪声，如对图像做滤波处理等，从而提高视频图像的质量。域滤波方法有均值滤波、中值滤波、高斯滤波等。图像滤波如图4所示。

2.1.3 图像二值化

当检测到车辆区域移动时，需要将检测到的区域转换为二值化图像，这对于诸如图像分割的后续操作是必要的。通过设置合理的阈值，灰度级别分为白色（ 255）和全黑色（0）两种，如图5所示。

2.1.4 图像形态学操作

当检测到车辆区域时，经过二值化处理的图像存在许多缺陷，例如小孔、孤立的小区域和孤立点，这导致目标车辆区域信息不完整，不利于图像分割。在这种情况下，通常使用数学形态学运算来解决问题并提取完整的目标车辆区域，最常用的有膨胀、腐蚀等，具体效果如图6所示。

2.2 图像分割

图像分割，即将图像根据性质划分为多个区域，之后分析和处理相关的区域。同时，在图像处理和分析领域，图像分割具有不寻常的位置，即关键点和难点，良好的分割精度决定了整个实验的成败。图像分割的主要方法有基于灰度剧烈突变的边缘检测、边缘连接和基于灰度值相似性的阈值分割方法等。

3 交通视频中目标车辆检测

3.1 检测方法

3.1.1 光流法

由于车辆在不停运动，在某一时刻，车辆的空间运动被投射到平面图像上，并且光流是投影运动的过程，表示图像的像素点瞬时速度。

3.1.2 帧间差分法

帧间差分方法的原理如图7所示。

3.1.3 背景差分法

背景差分方法的实质是在当前帧图像与背景图像的基础上做减法运算。车辆在监控视野内运动，当图像集内某个像素点x在时刻t和时刻t+△t的灰度值差异超过一定阈值，时，该像素被放人移动目标区域Sm，反之则放人背景区域（静态区域）Sb。背景差分法原理如图8所示。

3.2 目标追踪

对于区域跟踪方法，如果可以在背景建模中恢复真实场景并且可以消除影响最终建模的相关特征，则可以最大化最大值。在提高区域跟踪方法的跟踪效率的问题上，该领域人员在跟踪方法中遇到的最常见困难是如何处理遮挡问题。与区域跟踪相比，动态轮廓跟踪在逻辑和实际操作方面更简单。如果初始值参数足够明确、清晰，则可以快速执行预算和比较。

如果初始参数有缺陷或必要参数模糊，则使得整个操作效率都大幅度下降。在一些环境中，车辆的局部特征可能更明显和容易捕获，在对象捕获过程中会有旋转运动的对象。此时，根据一般信息提取方法难以收集足够的有效图像，并且在链路中提取数据时将存在一定比例的失真现象，从而导致系统无法进行正常跟踪，这会影响最终结果的准确性。为了解决这个问题，系统需要进行额外的计算，用程序计算方法提高数据捕获的准确性，但这又会增加系统的计算压力。在进行大量计算时需要强大的计算基础，如果不满足此要求，计算过程将花费大量时间，從而降低系统的整体效率，有时由于计算时间错位而导致系统失去原有的跟踪目标，此问题还有待继续研究。

4 交通灯智能控制

设在南北方向上运行，其顺序为向前直行后左转，在东西方向直行，然后左转。在初始化时，系统进入基本模式（固定模式），南北直行及东西直行时间为30s，左转时间为20 s。系统启动前的3 min采用固定模式，此时，连续更新背景，然后进入自动调整模式。首先，可以在红灯倒计时3s时采集图像，计算车辆的密度，记为D。，此绿灯时间记为Ys。如果D_s∈|0，5%），则Y_s=10;如果D_s∈[5%，l0%），则Y_s=20;如果D_s∈[10%，15%），則Y_s=30;如果D_s∈[15%，25%），则Y_s=40;如果D_s∈[25%，30%），则Y_s=50;如果D_s≥30%，则Y_s=60。调整南北方向左转的红绿灯，车辆直行后左转，直行倒数3s时采集图像，计算得到左转车道车辆密度，记为Di，左转绿灯时间记为Yl。如果D_s∈[O，5%），则Y1=8;如果D_s∈[5%，lO%），设置Y1=12;如果D1< l0%，设置Y1=12;如果D1∈[10%，15%），设置Y1=25;如果Dl≥15%，则Y1=35，其他情况类似。对于直行和左转同时可通行的路口，也可参照以上方案，只需使绿灯时间叠加。