机器视觉技术的城市交通预警系统

　　机器视觉技术的城市交通预警系统，是先进交通管理系统的子系统，是通过根据交通状况的变化及早预警，配合交通管理的智能监控系统。

　　近几年来，随着经济的发展，我国各大城市内部的交通基础设施建设也得到了快速发展，但是，尽管城市道路越建越宽，立交桥越建越多，交通信号越来越复杂，道路的拥挤程度和交通事故的发生率却没有得到明显的缓解，交通运输业特别是城市交通承受着越来越大的压力。根据大量的统计数字说明，很大一部分交通拥堵是由于交通事故得不到及时解决，导致事故发生沿线拥堵的车辆越来越多，从而形成了恶性循环。城市的空间资源以及城市环境资源的有限性，使得人口本来就很密集的各个大中城市都将面临着不断迅猛增长的私人轿车的重大问题，有限的城市道路将会变得越来越拥挤，城市交通事故的发生也更加频繁：

　　目前，随着城市交通现代化、智能化的进程日益加快，国内相关领域的研究也成为新的热点。关于智能交通系统的研究得到了欧洲、美国、日本、加拿大等等很多发达国家的广泛重视，他们纷纷投入巨资应用于智能交通系统的研究，并进行了大量的模拟实验，很多子系统已经能够初步达到人们所希望的智能化程度。越来越多的事实已经证明，先进的ITS将有效地利用现有交通设施，减少交通负荷和环境污染、保证交通安全、提高运输效率、促进社会经济发展、提高人民生活质量，并能够推动社会信息化及新产业的形成。

　　2、基于机器视觉技术的城市交通预警系统结构框架

　　系统主要功能模块简介：

　　视觉监测：城市交通环境是实时变化的，通过视频监测技术采集相关数据，将检测到的环境特征值送往信息融合处理器。

　　信息融合处理器：将信息通过模糊神经网络方法得到输出结果。

　　监测预警：根据并做出决策，即相应调整实时交通信息、信号控制，以及对于将要发生事故或已经发生事故区域采取紧急救援措施。

　　3、基于机器视觉技术的城市交通预警系统关键技术

　　1、相关数据采集关键技术

　　基于机器视觉技术的城市交通预警系统，是先进的交通管理系统中极其重要的一个环节，该系统的预警性能在准确与否，关键的一点就是能够准确及时地采集各种交通信息，包括：车流量大小，车流速度，各个路段的饱和度以及车辆的长度和宽度等等。

　　目前常用的车辆检测器是环型线圈检测器，它能监测车辆的存在以及路段的饱和度。通过在单车道上安装多个线圈，环型线圈检测器还可以监测车辆的速度以及车辆的长度，直至今日，该技术的研究和开发历史较长，技术相对成熟、稳定，检测的精度高，而且可以工作在恶劣的天气环境下，但环型线圈检测器也是有其固有的缺点：

　　环型线圈检测器不能同时监测多个车道，对于想了解多个车道的车流量情况只能在多车道的路段上，每个车道都安装一套线圈检测器。

　　当安装或维护线圈车辆检测器时，需要阻断交通流。

　　当两辆车过于接近时，环型线圈检测器将会误认为是一辆车。

　　对于一些特殊路段例如立交桥桥体表面，由于厚度限制，不能埋设线圈。

　　视频车辆检测器是目前研究比较热门的一个方向。视频检测器一般由摄像头，图像采集以及图像处理几个单元组成。摄像头摄取所要监测的路段的图像，并将采集到的视频图像传至图像采集单元，图像采集单元将该视频信号进行数字化，图像处理单元则对该数字化图像进行处理分析，提取有关的交通信息。

　　目前视频车辆检测器大致可分为三种：点式检测器、线式检测器以及面式检测器：

　　点式车辆检测器：通过在图像上设置一定的检测点，通过检测这些检测点灰度变化情况，推断是否有车通过以及交通流的速度、密度以及流量。其缺点主要是为易受环境照度变化以及车辆自身阴影的干扰。

　　线式车辆检测器：主要有横向线式检测器和纵向线式检测器。横向线式检测器是指在图像的特定位置上划取一垂直于道路方向的检测器，通过检查检测线上灰度变化来判断通过检测线的车辆树木以及车辆的宽度，并可根据车辆的宽度来判断车型，如果划取两条检测线则可求出车辆速度。纵向线式检测器则在平行于道路方向划取检测线，再根据线上灰度变化情况来判断车辆的长度。纵向线式检测器往往同横向线式检测器一起使用，可提高车辆分类的准确率。线式检测器在车辆变换车道时容易误判，而在车距过短时容易漏判，但因为其计算量较小，且比较容易得到车型以及车速等信息，所以前面国外普遍采用的视频车辆检测器即为线式检测器。

　　面式检测器：则是通过对所摄取的图像进行诸如边缘检测等运算，提取检测区域中车辆的一些特征，如：面积、边缘等信息，采用这些信息进行车辆分类比较容易而且精度可大大提高。由于面式检测器往往提取图像灰度的剃度梯度信息，与点式和线式检测器相比较可大大减小环境照明对检测精度的影响。因此，尽管面式检测器的运算量大大增加，但由于其固有的优点，随着微处理器的运算速度的不断提高，面式检测器成为视频车辆检测器研究的主要方向。

　　从上可以看出点式检测器和线式检测器都是“过去式”检测器，即模拟环型线圈检测器的工作方式，通过判断前后帧图像中检测点和检测线上灰度的变化情况推断是否有车通过，这种方式易受环境照度变化以及车辆自身阴影的干扰。面式检测器虽然能降低环境照明对检测精度的影响，但和其他的检测器一样，面式检测器并没有解决车辆阴影以及地面裂纹对检测精度的影响，容易造成误检。而且在雨雪天气，路面对车辆产生的倒影也会造成误检。但另一方面，对一些接近路面颜色的车辆，例如：在沥青路面行驶的黑色车辆，图像中车辆的灰色与道路的灰度之差小于事先确定的阈值造成漏检。针对这些情况，解决方法通常是利用人工智能和模式识别的办法把车辆的图像与阴影、倒影以及地面裂纹区分开来，但由于路面及其各种各样的周围环境，车辆也是种类繁多，要找到一种识别车辆所有情况的算法是不可能的。为此，该系统可以采用基于双目视觉法的视频车辆检测器。通常所用的视频车辆检测器根据检测区域灰度的变化来推测是否有车通过，这种方式往往受环境照明的影响较大，而双目视觉，通过判断被测物体的高度信息来推测该物体是阴影、倒影还是物体本身。精度比传统方式可有很大提高。双目视觉车辆检测器还可测量车辆的宽度和长度信息，与高度信息一起可重建车辆的三维尺寸结构。利用这些信息进行车辆分类。但是，在双目立体图像中，需要每一瞬间的一对左右图像，通过特征匹配得到左右图像的立体视差和三维运动之间的关系，合成立体信息，所以特征匹配是双目视觉的关键所在，有时也可利用3个摄象机提供的图像进行立体信息处理，以简化匹配过程，提高匹配精度。

　　2、相关数据分析关键技术

　　模糊控制技术能够解决许多经典控制理论难以解决的问题，其特有的简洁性和鲁棒性赢得了设计者们的普遍认同。但在解决多输入问题时，模糊控制技术面临着规则数目膨胀的瓶颈问题。城市交通预警系统是一个典型的多输入监测系统，若取路段的车流量大小，车流速度，饱和度以及主要车型的实际输入模拟量值及其变化量作为系统的输入量，那么共有8个输入变量，而对于每个状态变量取4个语言值，那么在理论上需要的总规则数为48条，规则数目膨胀和知识难以获取使得模糊控制器的直接设计相当困难。但是，它有一个很大的特点就是，输入信息具有可融合性，采用基于信息融合的多输入模糊控制器方法，可以作为一种解决方法。

　　信息融合又称数据融合，即充分利用多源信息，获得对监测对象一致性的可靠了解和解释，以利于系统做出正确的响应、决策和控制。首先利用“融合函数”完成输入变量维数的降低，然后利用降维后的输入变量设计“模糊作用函数”，实现对系统的控制，从而可大大简化对多输入控制器的设计过程。该系统采用BP神经网络方法对系统进行降阶处理，采用模糊神经网络进行整体决策，充分利用神经网络强大的非线性运算能力，能够结合模糊规则，在有限的测量值的基础上，准确判断出环境特征及其变化趋势，最终达到预警功能。