基于機器視覺的燈時自適應(yīng)模糊控制系統(tǒng)

胡小敏，孫佩

（西安交通工程學(xué)院，陜西西安710000）

隨著城市人口密度和車流量的增大，城市交通面臨著更大的挑戰(zhàn)。其中，城市交通路口的車流通行狀況是影響交通堵塞最為重要的因素之一。傳統(tǒng)的路口交通燈時控制多為固定的定時控制，紅綠燈時固定不變，無法適應(yīng)變化的車流，路口的通行能力無法充分發(fā)揮，造成交通資源的浪費，降低了城市交通的運行效率[1]。為提升交通路口的車流通行效率，提出了一種基于機器視覺的燈時模糊控制器設(shè)計方案，利用獲取的路口車流圖像，對車輛進(jìn)行輪廓差分捕獲，提取車流量信息，將其作為模糊控制器的輸入，通過模糊推理輸出自適應(yīng)的綠燈時長，實現(xiàn)燈時的優(yōu)化控制。

1 系統(tǒng)方案及硬件設(shè)計

燈時智能模糊控制器設(shè)計的整體方案如圖1所示，系統(tǒng)在十字路口的4 個方向分別配置一個高清攝像頭，用于實時采集車流量圖像，利用圖像處理算法對圖像中的車輛信息進(jìn)行提取，辨別出各車道中的車輛數(shù)目，將其作為輸入量，進(jìn)行模糊推理，模糊控制器輸出紅綠燈的控制時長，達(dá)到燈時優(yōu)化控制的目的，提高路口車輛通行效率[2]。圖像處理算法和模糊控制算法運行于核心處理器中，核心處理器選用STM32F407 芯片，該芯片主頻為168 MHz，片內(nèi)FLASH 空間大小為1 MB，可滿足圖像緩存與識別算法以及模糊控制算法的運算速率要求[3]。圖像前端探測器獲取的圖像數(shù)據(jù)輸入至處理器中，通過處理器中集成的圖像處理算法，分離估計出車流量數(shù)據(jù)，利用車流量估計數(shù)據(jù)進(jìn)行模糊推理運算，推算出最優(yōu)紅綠燈時分配時間，控制器依據(jù)輸出的分配燈時控制各路口紅綠燈的延長時長和數(shù)碼管的計時時間。

圖1 系統(tǒng)硬件結(jié)構(gòu)圖

圖像采集選用OV2460 攝像頭模塊，該模塊可實現(xiàn)對路口圖像數(shù)據(jù)的采集和存儲，配置了百萬級高清的CMOS 圖像傳感器，模塊靈敏度強、像素分辨率高，輸出格式支持JPEG 格式。另外，該圖像采集模塊具備自動曝光、白平衡、色彩調(diào)節(jié)、對比度調(diào)節(jié)等功能，最高像素可達(dá)1 600×1 200[4]。圖像模塊采用3.3 V 供電，可與控制器選用相同電源供電，降低了供電系統(tǒng)的復(fù)雜度。另外，每個路口同時配置紅綠燈和數(shù)碼管，作為燈時控制的輸出端，控制車流的輸出。

以雙向六車道十字路口為例，交通路口主要控制參數(shù)包括信號周期、相位、流量比、綠信比、平均車輛延誤等。其中，信號周期是指綠色、黃色、紅色信號燈依次點亮的時間之和，其數(shù)值大小決定單周期內(nèi)車輛的通行能力。相位是指路口同一時間段內(nèi)，單個方向或多個方向獲得通行的權(quán)利[5-6]。不同路口可根據(jù)實際通行情況進(jìn)行不同相位劃分，選取典型的四相位分布，其中第一相位為東西方向直行，第二相位為東西方向左右轉(zhuǎn)，第三方向為南北方向直行，第四方位為南北方向左右轉(zhuǎn)。燈時優(yōu)化的目標(biāo)即是通過車流量的識別和模糊推理，合理控制信號周期內(nèi)各個相位的綠燈通行時間，達(dá)到車輛高效快速通行的目的。

2 車輛輪廓差分圖像識別

燈時控制的前提條件是對車道待通行車輛數(shù)目的識別與估計，圖像識別流程圖如圖2所示。首先需要對原始圖像進(jìn)行灰度化處理，相機獲取的原圖像為RGB 格式的彩色圖像，為便于圖像處理，需對圖像進(jìn)行灰度變換處理，將RBG 格式轉(zhuǎn)換為YUV 格式，轉(zhuǎn)換公式為[7-8]：

圖2 基于背景差分法的識別流程

其中，R表示像元的紅色值，G為像元的綠色值，B為像元的藍(lán)色值，Y為進(jìn)行灰度轉(zhuǎn)換獲得的像元灰度值。

然后對圖像進(jìn)行去噪處理，由于環(huán)境影響和傳感器自身元器件原因，相機獲取到的原始圖像中一般伴有白噪聲，在進(jìn)行目標(biāo)識別前需對圖像進(jìn)行去噪濾波處理，以降低噪聲干擾。選用33 滑動窗口，將圖像數(shù)據(jù)與高斯濾波器進(jìn)行卷積運算，選用1/16模板系數(shù)對圖像進(jìn)行去噪預(yù)處理[9-11]。

常見的運動目標(biāo)圖像識別方法可分為光流法、幀差分法和背景差分法等[12]。其中，光流法主要利用的是像元的亮度運動產(chǎn)生的光流，需要精確計算出光流場才能保證識別的準(zhǔn)確性，而實際環(huán)境中受光源擾動、障礙物遮擋等多種復(fù)雜因素影響，很難保證解算的可靠性和準(zhǔn)確性。幀差分法主要是利用相鄰兩幀圖像間的相對運動產(chǎn)生的像移以及相鄰兩幀的差值進(jìn)行判斷，通過比較差值與設(shè)定的門限閾值，獲取目標(biāo)的運動輪廓。該方法僅對目標(biāo)的運動部分敏感，很難提取目標(biāo)整體輪廓，且局限于運動目標(biāo)的識別，無法識別靜態(tài)目標(biāo)，由于路口車輛一般運動速度較低，無法很好地適應(yīng)該環(huán)境。

背景差分法的主要原理是首先從多幀圖像中綜合出背景圖像，將獲取的實時圖像與背景作差。需要利用連續(xù)采集的N幀圖像進(jìn)行背景提取，背影提取公式可表示為：

其中，E()代表模型算子，模型算子的選擇對背影幀的提取有很大影響，較常見的方法為中值法、均值法、高斯法、高頻極值法等[13]。其中，中值法相比其他方法，可降低邊界模糊，且運算復(fù)雜度低，可提高運算實時性，更適應(yīng)于交通路口的背影環(huán)境。

將當(dāng)前幀與背景幀進(jìn)行差值運算，取差值的絕對值作為差分幀，公式為：

式中，Ik(x,y)表示第k幀實時圖像，Dk(x,y)為差值運算獲得的差分幀。最后對差分幀進(jìn)行二值化，將差分幀與閾值進(jìn)行比較，公式為[14-15]：

當(dāng)像素的灰度差值大于閾值T時，二值化結(jié)果取1，反之取0，最終提取出圖像中的車輛目標(biāo)，提取結(jié)果如圖3所示。

圖3 背景差分提取結(jié)果

3 模糊控制器設(shè)計

由于城市交通路口的通行控制是一個復(fù)雜且隨機多變的問題，很難進(jìn)行精確建模和控制，十字路口車流吞吐量屬于模糊概念，與模糊控制理論較為吻合。模糊控制不需要對控制對象進(jìn)行精確建模，采用數(shù)學(xué)語言對控制策略進(jìn)行描述，其控制框架如圖4所示，主要分為模糊化、模糊推理、清晰化三部分[16]。其中，模糊化主要是將輸入量轉(zhuǎn)換為模糊域的量值，即將實際通行車輛準(zhǔn)確數(shù)目轉(zhuǎn)換為模糊量。模糊推理是模糊控制器的核心部分，通過模糊規(guī)則推理，輸出控制結(jié)果。清晰化的目的是將模糊結(jié)果轉(zhuǎn)化為具體的時延數(shù)據(jù)。模糊控制器具有兩個輸入量G和R，G表示當(dāng)前正在通行相位上的車輛數(shù)目，R為其他等待相位上的車輛數(shù)量。一個輸出量T表示當(dāng)前通行相位的綠燈時延長度。

圖4 模糊控制器結(jié)構(gòu)圖

3.1 模糊輸入設(shè)計

首先需要對輸入量進(jìn)行模糊化處理及論域變換，將具體車輛數(shù)目轉(zhuǎn)換至模糊論域。路口相機的監(jiān)測距離約為150 m，車輛平均占據(jù)的距離約為5 m，單車道最大識別的車輛數(shù)目為30 輛[17]。設(shè)定兩個輸入量G和R的論域為{0,1,2,…,30}，為簡化模糊控制規(guī)則，取量化因子為0.5，則論域映射為{0,1,2,…,15}。設(shè)定量化因子的目的是當(dāng)輸入分布不合理時，不需要對模糊控制器進(jìn)行修正，僅需要調(diào)整量化因子就能調(diào)整邏輯推理權(quán)重，提高系統(tǒng)適應(yīng)性。

通過綜合分析，將輸入量劃分為7 個等級，分別為VS（極少）、S（很少）、SR（少）、M（中等）、LR（多）、L（很多）、VL（極多）[18]。論域到模糊語言的轉(zhuǎn)換關(guān)系主要是利用隸屬函數(shù)，隸屬函數(shù)包括三角分布、梯度分布、S 形分布、正太分布等，結(jié)合十字路口車輛通行實際情況，采取三角分布和梯度分布混合型隸屬函數(shù)，輸入量隸屬函數(shù)分布如圖5所示。

圖5 輸入量隸屬函數(shù)分布

3.2 模糊輸出設(shè)計

模糊控制器輸出量T表示該相位路燈時延長度，其取值范圍對車輛通行狀況影響很大，過短則不能保障車輛的有效通行，過長則易使車輛駕駛員產(chǎn)生急躁情緒。假定路口最小綠燈通行時間設(shè)定為15 s，最大綠燈時間為45 s，路燈相位最大變化量為30 s，基本論域則為1～30，將輸出比例因子設(shè)定為2，則輸出量T的論域為{0,1,…,15}。輸出量T的模糊語言同樣設(shè)定為7 個等級，分別為VS（很短）、S（短）、SR（較短）、M（中等）、LR（較長）、L（長）、VL（很長）[19]。隸屬函數(shù)選擇三角函數(shù)和梯度函數(shù)混合型隸屬函數(shù)，輸出量隸屬函數(shù)關(guān)系如圖6所示。

圖6 輸出量隸屬函數(shù)關(guān)系

綜合十字路口視頻監(jiān)測數(shù)據(jù)和交警實際指揮經(jīng)驗，給出模糊控制規(guī)則。通過模糊規(guī)則推算出模糊輸出量，再利用重心法實現(xiàn)輸出清晰化，得到最終具體的綠燈時延T值。

4 仿真結(jié)果

依據(jù)車輛平均延時指標(biāo)對比定時控制和模糊控制兩種方案的車輛通行效率。車輛平均延誤時長是指一段時間內(nèi)通行車輛等待的總時間與通行車輛總量的比值，是評價路口車輛通行效率的重要指標(biāo)之一[20]。仿真流程如圖7所示。

模糊控制和定時控制兩種方法的平均延時統(tǒng)計結(jié)果如圖8所示，由統(tǒng)計結(jié)果可知，在車流量較低時，兩種控制方案均能很好地實現(xiàn)車流控制，車輛平均延誤時間較短，兩種方案的差異較小。當(dāng)車流量逐步增加，模糊控制的車輛平均延誤明顯小于定時控制，當(dāng)車流量較大時，模糊控制表現(xiàn)出了明顯優(yōu)勢。

圖8 模糊控制和定時控制平均延時結(jié)果對比

5 結(jié) 論

提高路口車流通行效率對緩解城市交通堵塞具有重要作用，故實現(xiàn)交通燈時智能化自適應(yīng)控制具有重要工程價值。將圖像識別技術(shù)與模糊控制相結(jié)合，實現(xiàn)燈時的在線實時調(diào)整，對降低路口車輛等待時長具有明顯效果?？蓪吸c交通路口控制方案作進(jìn)一步研究，將其擴(kuò)展至整條線路甚至交通網(wǎng)絡(luò)的燈時控制，有望實現(xiàn)整個城市交通網(wǎng)燈時的優(yōu)化控制，這可作為進(jìn)一步的研究方向。