基于道路監(jiān)控系統(tǒng)的城市智能交通解決方案.doc

基于道路監(jiān)控系統(tǒng)的城市智能交通解決方案 陸熒洲朱宏源劉曉宇 （南京林業(yè)大學信息科學技術(shù)學院江蘇南京） 摘要：智能交通系統(tǒng)（，）是一種旨在提供更優(yōu)質(zhì)高效的交通管理模式的先進系統(tǒng)，致力于運用較為科學的算法，結(jié)合強大的庫，實現(xiàn)對道路通過的車流量較為準確的實時檢測，從而實時掌握城市的交通狀況，助力智慧城市的建設(shè)。 關(guān)鍵詞：車輛識別；視頻處理；智慧交通 ：T27：51447 智能視頻分析技術(shù)是解決上述交通問題的一項新興技術(shù)。它利用機器視覺，對視頻畫面監(jiān)控判斷，并進行數(shù)據(jù)分析，將提煉的特征形成算法植入機器，形成“機器腦”對視頻畫面自動檢測分析，并做出相應(yīng)動作，從而使攝像機不但成為人的眼睛，也使計算機成為人的大腦，在很大程度上節(jié)省了人力物力，高效地對道路信息進行有效分析及對道路環(huán)境進行管理。 相關(guān)研究 從20世紀年代開始，美國等一些發(fā)達國家就開始了對智能交通系統(tǒng)的探索。年，美國開發(fā)出了智能車輛公路系統(tǒng)（），以提高交通運輸效率，促進國家經(jīng)濟。年月，美國運輸部與密歇根州運輸研究所（）合作建成防追尾車輛安全系統(tǒng)，功能包括前方碰撞預警（），車道偏離警告（），車道變更警示（）和曲線測速預警（）。 歐洲和日本對這一領(lǐng)域的研究起步也較早，政府在早期斥巨資研究和開發(fā)智能交通系統(tǒng)，現(xiàn)在技術(shù)已經(jīng)比較成熟。 我國在這一領(lǐng)域的發(fā)展起步較晚，盡管在智能監(jiān)控領(lǐng)域已經(jīng)取得了一定的進展，但是還是過去的研究還是存在運動分割、遮擋處理、多攝像機的綜合與運用等難點問題。 架構(gòu)與布局 智慧交通系統(tǒng)包括前段設(shè)備、傳輸部件和聯(lián)網(wǎng)平臺。前段設(shè)備包括攝像頭、紅外接收器、傳感器網(wǎng)絡(luò)等，中間部件通常為電纜等進行數(shù)據(jù)傳輸。聯(lián)網(wǎng)平臺通常為公安系統(tǒng)的監(jiān)控管理系統(tǒng)。監(jiān)控攝像頭采集到視頻后，會實時傳輸回數(shù)據(jù)中心，進行運算與分析（見圖）。通過計算機視覺和視頻分析技術(shù)，可以實時監(jiān)測城市的交通狀況，及時發(fā)現(xiàn)并解決潛在的問題。同時這些信息可以有針對性得商業(yè)化和提供給民眾，為生活帶來便利。 通常，在一條道路上會架設(shè)兩個攝像頭，將這兩個攝像頭的數(shù)據(jù)匯總在一起，就能了解這條路上的交通狀況。將城市中所有道路的數(shù)據(jù)匯總到一起就可以反應(yīng)城市實時的交通狀況（見圖）。 技術(shù)及其實現(xiàn) 視頻文件的提取 視頻預處理是采用等間隔的方法抓取視頻，使之成為靜態(tài)圖像，幀率為每秒鐘幀，與原視頻相同，不會造成信息缺失。 灰度化處理 彩色圖像一個像素點有多萬個（）取值，而一個灰度圖像的取值只有個。處理彩色視頻所用的時間和空間成本比灰度圖像高很多，對于車輛識別來說灰度化圖片像素已經(jīng)足夠。我們將監(jiān)控視頻進行灰度轉(zhuǎn)換，運用如下公式： （） （灰度值、紅色分量、綠色分量、藍色分量） 利用算法提取樣本特征 計算機可以通過學習和歸納，模擬或?qū)崿F(xiàn)人類的行為，代替人們進行高效的勞動。通過充分訓練的機器可以識別監(jiān)控視頻中的車流量。訓練過程是從特征中選取出一些，并對分類器進行訓練。 ，即特征，它是計算機視覺領(lǐng)域一種常用的特征算子。最早用于人臉描述，通常分為四類：線性特征、邊緣特征、點特征（即中心特征）、對角線特征（見圖）。 （）矩形特征的計算。在大小的子窗口（見圖）中，可以計算其中存在多少個矩形特征。 以像素分辨率為的檢測器為例，在的子窗口中，只要確定左上頂點（，）和右下頂點（，），這個矩形便可以確定；如果矩形的大小是的話，矩形特征的數(shù)量為： 把、稱為條件矩形（相當于縮放）。 矩形特征的通式為： （）用積分計算特征。由于計算一個的圖像就能算出遠遠大于像素數(shù)的矩形特征數(shù)，同時在計算特征值時要計算矩形內(nèi)的像素和，所以計算一個矩形特征就要計算一遍像素和，會造成運算量相當大。等提出的利用積分圖求特征值的是解決這個問題的突破，這種方法簡化了特征值的計算。 圖中，坐標（，）的積分圖是其左上角的所有像素之和（圖中的陰影部分）。定義為： 式（）中，（，）表示原始圖像，（，）表示積分圖，如果是彩色圖像，得出的結(jié)果表示這個點的彩色值；如果是灰度圖像，得出的結(jié)果是其灰度值，范圍為。 圖中，點（，）的積分圖可以用（，）表示；點（，）的方向的所有原始圖像之和用（，）表示。積分圖也可以用公式（）和公式（）得出： 根據(jù)積分圖像算出特征值。 （）樣本的選取。手動截取了張正樣本汽車的圖片，還有張負樣本（即與車輛無關(guān)的物體），包括行人、騎摩托車者、騎自行車者、路燈、建筑物、樹等的圖片，然后開始訓練分類器。 分類器的構(gòu)成 年，和提出了算法，是對算法的一大提升。是家族的代表算法之一，全稱為，即適應(yīng)地，該方法根據(jù)弱學習的結(jié)果反饋適應(yīng)地調(diào)整假設(shè)的錯誤率，所以不需要預先知道假設(shè)的錯誤率下限。也正因為如此，它不需要任何關(guān)于弱學習器性能的先驗知識，而且和算法具有同樣的效率，所以在提出之后得到了廣泛的應(yīng)用。 算法如下： 訓練后得到一個弱分類器，之后是一種迭代算法，之后通過更新樣本權(quán)值來評估當前分類器的分類性能。當誤識率控制在一定范圍內(nèi)后，即可得到強分類器。 監(jiān)控視頻目標檢測 特征的分類器訓練完成后，可以通過加載這個文件而省去自己建立聯(lián)表的過程。有了級聯(lián)表，只需要將待檢測圖片和級聯(lián)表一同傳遞給的目標檢測算法即可得到一個車輛的集合。 實驗結(jié)果 為了驗證以上的算法及，在環(huán)境下實現(xiàn)了軟件的開發(fā)（見圖、圖），在導入城市道路監(jiān)控攝像頭拍攝的視頻（時長：min）后，可以自動識別出機動車，以矩形框出，并自動計算出車流量，交通部門可以根據(jù)其