基于圖像處理的城市智能化交通系統設計

王思甜　趙禹平　劉云飛

摘要：隨著社會發展，汽車數量快速增長，人們的生產和生活因此變得更加便利，但交通擁堵等一系列問題也隨之而來。因此，城市發展中的一個重要問題是如何解決城市道路交通擁堵問題。為了提高交通管理部門的工作效率，智能交通視頻圖像處理技術發展日漸成熟。如果智能交通的相關技術能夠實現，將直接影響道路交通的控制能力。在處理和分析交叉路口的車輛圖像時，用到計算機圖像處理及其分析技術，同時獲取道路交叉處的交通參數，并對交通燈的紅綠燈持續時間進行實時調整。介紹了道路監控系統中的圖像處理技術，希望能為相關人員提供一些參考和意見。

關鍵詞：智能交通;信息采集;信號控制;目標追蹤

中圖分類號：U491

文獻標識碼：A

DOI： 10.15913/j.cnki.kjycx.2019.09.017

1 國內外先進交通管理系統研究現狀

1.1 國內研究現狀

在中國道路交通和經濟發展的過程中，國家逐漸意識到交通狀況管理的重要性，并逐步引入智能交通管理系統。中國在這方面的發展與其他國家相比比較緩慢。在技術人員的研究下，中國的城市智能交通管理系統的發展也越來越快。相關調查顯示，目前市場上有數千家智能交通行業企業。城市智能交通管理系統是目前中國交通運輸業最重要的產品，在市場中占據主導地位，將為中國的交通運輸業發展帶來一個很大的空間。

1.2 國外研究現狀

智能交通目前在各大國家和地區尚處于嘗試探索階段，如美國、日本、歐洲等。美國政府因為重視智能交通系統的開發和建設，所以在這方面取得了很好的成果。歐洲基于遠程信息處理技術的發展，目前專用的交通無線數據通信網絡也已經建立起來，先進的公共交通信息服務系統也已開發。

1.3 城市智能交通管理系統的組成

1.3.1 智能交通監控系統

交通監控系統的智能化可以協助疏導道路交通。在監控區域內可以通過監控系統，實時監測交通的堵塞情況以及信號燈的狀態等，并通過監測的信息實施恰當的措施緩解交通擁堵，具體組成如圖1所示。

1.3.2 城市交通流誘導系統

智能交通管理系統需要先對車輛進行定位分析，規劃車輛行駛路線，及時解決重要路段和交叉路口的擁堵問題，提供道路交通實時信息。交通誘導系統組成如圖2所示。交通信息控制中心可以實現信息的采集，這些信息包括道路狀態、流量等，然后處理信息，對交通流進行誘導疏通。

2 視頻圖像處理相關技術

2.1 圖像預處理

2.1.1 圖像灰度化

從監控視頻中提取的待處理幀的圖像序列主要是彩色圖像，反映瞬時真實交通場景。交通狀況分很多種，不同情況應該選擇最恰當的模型。監視視頻通常是彩色圖像，圖像灰度的轉換方法有均值方法、最大值法和加權平均法等。例如加權平均方法，通過設置圖像像素的R、G、B的權重占比來計算。彩色圖像灰度化如圖3所示。

2.1.2 圖像濾波

交通監控捕獲的圖像信息，在傳輸和接收的過程中，會受到各種噪聲干擾，比如高斯白噪聲。在后續操作期間不能提取圖像的一些重要特征，執行圖像處理和分析時會有困難，這不利于交通部門進行觀察和記錄。鑒于此，有必要采取一定的措施來抗噪聲，如對圖像做濾波處理等，從而提高視頻圖像的質量。域濾波方法有均值濾波、中值濾波、高斯濾波等。圖像濾波如圖4所示。

2.1.3 圖像二值化

當檢測到車輛區域移動時，需要將檢測到的區域轉換為二值化圖像，這對于諸如圖像分割的后續操作是必要的。通過設置合理的閾值，灰度級別分為白色（ 255）和全黑色（0）兩種，如圖5所示。

2.1.4 圖像形態學操作

當檢測到車輛區域時，經過二值化處理的圖像存在許多缺陷，例如小孔、孤立的小區域和孤立點，這導致目標車輛區域信息不完整，不利于圖像分割。在這種情況下，通常使用數學形態學運算來解決問題并提取完整的目標車輛區域，最常用的有膨脹、腐蝕等，具體效果如圖6所示。

2.2 圖像分割

圖像分割，即將圖像根據性質劃分為多個區域，之后分析和處理相關的區域。同時，在圖像處理和分析領域，圖像分割具有不尋常的位置，即關鍵點和難點，良好的分割精度決定了整個實驗的成敗。圖像分割的主要方法有基于灰度劇烈突變的邊緣檢測、邊緣連接和基于灰度值相似性的閾值分割方法等。

3 交通視頻中目標車輛檢測

3.1 檢測方法

3.1.1 光流法

由于車輛在不停運動，在某一時刻，車輛的空間運動被投射到平面圖像上，并且光流是投影運動的過程，表示圖像的像素點瞬時速度。

3.1.2 幀間差分法

幀間差分方法的原理如圖7所示。

3.1.3 背景差分法

背景差分方法的實質是在當前幀圖像與背景圖像的基礎上做減法運算。車輛在監控視野內運動，當圖像集內某個像素點x在時刻t和時刻t+△t的灰度值差異超過一定閾值，時，該像素被放人移動目標區域Sm，反之則放人背景區域（靜態區域）Sb。背景差分法原理如圖8所示。

3.2 目標追蹤

對于區域跟蹤方法，如果可以在背景建模中恢復真實場景并且可以消除影響最終建模的相關特征，則可以最大化最大值。在提高區域跟蹤方法的跟蹤效率的問題上，該領域人員在跟蹤方法中遇到的最常見困難是如何處理遮擋問題。與區域跟蹤相比，動態輪廓跟蹤在邏輯和實際操作方面更簡單。如果初始值參數足夠明確、清晰，則可以快速執行預算和比較。

如果初始參數有缺陷或必要參數模糊，則使得整個操作效率都大幅度下降。在一些環境中，車輛的局部特征可能更明顯和容易捕獲，在對象捕獲過程中會有旋轉運動的對象。此時，根據一般信息提取方法難以收集足夠的有效圖像，并且在鏈路中提取數據時將存在一定比例的失真現象，從而導致系統無法進行正常跟蹤，這會影響最終結果的準確性。為了解決這個問題，系統需要進行額外的計算，用程序計算方法提高數據捕獲的準確性，但這又會增加系統的計算壓力。在進行大量計算時需要強大的計算基礎，如果不滿足此要求，計算過程將花費大量時間，從而降低系統的整體效率，有時由于計算時間錯位而導致系統失去原有的跟蹤目標，此問題還有待繼續研究。

4 交通燈智能控制

設在南北方向上運行，其順序為向前直行后左轉，在東西方向直行，然后左轉。在初始化時，系統進入基本模式（固定模式），南北直行及東西直行時間為30s，左轉時間為20 s。系統啟動前的3 min采用固定模式，此時，連續更新背景，然后進入自動調整模式。首先，可以在紅燈倒計時3s時采集圖像，計算車輛的密度，記為D。，此綠燈時間記為Ys。如果D_s∈|0，5%），則Y_s=10;如果D_s∈[5%，l0%），則Y_s=20;如果D_s∈[10%，15%），則Y_s=30;如果D_s∈[15%，25%），則Y_s=40;如果D_s∈[25%，30%），則Y_s=50;如果D_s≥30%，則Y_s=60。調整南北方向左轉的紅綠燈，車輛直行后左轉，直行倒數3s時采集圖像，計算得到左轉車道車輛密度，記為Di，左轉綠燈時間記為Yl。如果D_s∈[O，5%），則Y1=8;如果D_s∈[5%，lO%），設置Y1=12;如果D1< l0%，設置Y1=12;如果D1∈[10%，15%），設置Y1=25;如果Dl≥15%，則Y1=35，其他情況類似。對于直行和左轉同時可通行的路口，也可參照以上方案，只需使綠燈時間疊加。

5 結語

城市智能交通系統具有重要的現實意義，智能交通系統對促進城市建設和社會合理發展起著關鍵作用。智能交通視頻圖像處理技術可以幫助交通管理部門和司機獲得更多的道路交通信息，減少城市交通資源的不合理分配情況。

參考文獻：

[1]周建儒基于Java Web的智能交通管理系統的設計與仿真[J].信息技術，2017（3）：143-145.

[2]夏洋.城市智能交通系統的設計研究以及發展策略[D]。西安：長安大學，2012.

[3]徐建偉.淺析城市智能交通管理系統運營維護管理[J].建筑工程技術與設計，2017（ 26）：1752.

[4]高美蓉.智能交通管理系統的研究與設計[J].電子設計工程，2018，26 （9）： 115-122.

[5]張愛梅，孔文杰.基于圖像處理和DSP的交通燈實時智能控制系統的研究[J].鄭州大學學報（工學版），2010，31 （3）： 50-56.

[6]張立成，蔣楠，杭亦文，等.基于視頻控制的智能交通燈[J].電子測量技術，2011，34 （6）： 28-32.

[7]王鼎湘，李茂軍.基于車流量的交通燈智能控制算法[J]計算機應用與軟件，2015，32（ 6）： 241-250.

[8]唐佳林，李熙瑩，羅東華，等.一種基于幀差法的夜間車輛檢測方法[J].計算機測量與控制，2008，40（12）： 1810-1813.

[9]楊陽，唐慧明.基于視頻的行人車輛檢測與分類[J].計算機工程，2014，40（ ll）：129-138.

[10]周志華.機器學習[M].北京：清華大學出版社，2016.

[11]楊占林.光纜網智能管理系統原理及在軌道交通骨干光纜網的應用[J].通訊世界，2019.26（1）：18-23.

[12]張譯方.圖像處理與圖像識別新技術在智能交通中的運用與實踐研究[J].商，2016 （7）： 227.

[13]趙凱.一種基于EDA的智能交通燈設計[J].武漢輕工學院學報，2009，28 （1）： 53-56.