CN102592464A - 一种基于视频的相位差模糊推理确定方法 - Google Patents

Abstract

本发明提供了一种基于视频的相位差模糊推理确定方法，该方法将会使排队较长方向的后方车流晚一些进入下游路段，使车辆总的停车次数减少，而排队较短方向的总车流量较小，多一些等待时间将不会影响总的通行效率，同时，也使得与本方向垂直方向通过交叉路口的车流获得更长的通行时间。本发明的实现步骤如下：在某路段某一车流方向的侧后方架设高清摄像机，拍摄整个路段的双向的车流排队情况，通过图像识别技术，得到双向车流的排队长度；将双向车流的排队长度输入模糊控制器，通过模糊推理得到该路段两交叉口信号的相位差。

Description

一种基于视频的相位差模糊推理确定方法

技术领域

本发明涉及一种交通信号控制参数的确定方法，具体是基于视频信息的交通控制参数--相位差的模糊推理确定方法。

背景技术

交通信号控制参数-相位差是道路交通信号协调控制的重要参数之一，对于单向车道来说，非常容易确定相位差，而对于双向车道来说，则需要考虑双向车道的排队情况来确定。在双向交通流量不均衡的情况下，相位差的确定需要根据双向车道上车辆排队的不同长度及其实际情况来确定。

通过检索发现：万绪军，陆华普，线控系统中相位差优化模型研究，中国公路学报，2001，14(2)：99-103；郑培余等，一种交通信号控制系统分布式相位差优化和调整策略，交通与计算机，2004，22(2)：3-7；李水友，周期和相位差快速调整策略，五邑大学学报，2005，19(3)：29-33；朱文兴等，城市交通主干路相位差优化研究，计算机工程与应用，2005，41(20)：212-214；保丽霞等，基于预测路线行程时间的信号控制相位差优化技术研究，公路交通科技，2007，24(8)：115-120；宋运林，董超俊，混沌遗传算法及其在相位差优化中的应用，科技信息，2007，35：140-141；卢凯，徐建闽，干道协调控制相位差模型及其优化方法，中国公路学报，2008，21(1)：83-89；谷远利等，相邻交叉口相位差优化模型及仿真，吉林大学学报(增刊)，2008，38：53-59；徐世洪等，基于自适应遗传算法的相位差优化模型研究，交通信息与安全，2011，29(2)：13-18。上述现有技术大部分是基于建立相位差的解析模型，通过优化算法如遗传算法等来求解，其原理与本发明提出的模糊推理的方法不同。通过检索发明专利发现，隋亚刚，基于车牌识别数据的交通信号干线相位差优化方法，2010，申请号：201010518636.7。该发明是基于车牌识别技术的相位差优化方法，它在相邻的两个交叉口用摄像机采集车辆的车牌号，比对车牌号和通过路口的ID来优化和计算上下路口的时间差，本发明是利用视频摄像机拍摄双向车道的排队长度，通过图像识别技术获取双向车道的排队长度，然后根据双向排队长度来模糊推理相位差的方法。显然，两种方法明显不同。

发明内容

本发明的目的在于提出一种交通高峰时期，双向车流量不均衡情况下的交通信号参数相位差的模糊推理方法，以期使双向交通流在此相位差的控制下发挥更大的更有效地通过交叉路口，而且还能提高另一方向的交通效率。

本发明通过以下技术方案实现，具体步骤如下：

一种基于视频的相位差模糊推理确定方法，该方法的实现步骤如下：

步骤1：在某路段某一车流方向的侧后方架设高清摄像机，拍摄整个路段的双向的车流排队情况，通过图像识别技术，得到双向车流的排队长度；

步骤2：将双向车流的排队长度输入模糊控制器，通过模糊推理得到该路段两交叉口信号的相位差；

步骤3：将得到的相位差参数通过交通控制中心利用串口通信下载到各个交叉路口的信号控制器，信号控制器根据接收到的信号控制参数对道路的交通流实施控制。

所述推理计算出相位差的步骤如下：

1)确定输入输出变量

输入变量Q₁：Q₁＝Q_上/L

输入变量Q₂：Q₂＝Q_下/L

输出变量：O为相位差时间Δt，单位：秒

2)确定论域和模糊子集

输入变量：对于Q₁和Q₂均为针对同一路段而言，因此取相同的论域和模糊子集，分别陈述如下：论域为：Q＝[0，1]；模糊子集：

设定语言变量，并记为：S(Small)＝小；M(Medium)＝中；B(Big)＝大；

输出变量：论域为：O＝[0，30]；模糊子集：设定语言变量，并记为：SH(Short)＝短，ME(Medium)＝中，LO(long)＝长；

3)建立模糊隶属度函数：输入变量隶属度函数取为梯形函数，输出变量隶属度函数同样取为梯形函数；

4)建立模糊规则表：

根据专家经验，建立如下形式的模糊规则表，模糊关系为

5)模糊推理：

利用Mamdani推理算法：

其中，

为实际输出相位差值的模糊子集变量值，

和

分别为实际输入上下行排队长度与道路长度比值的模糊子集变量值；

6)解模糊，得出相位差值：

选取重心法公式：

$o=\frac{\mathrm{\Σ}\underset{~}{o}\left(w_j\right)*w_j}{\mathrm{\Σ}\underset{~}{o}\left(w_j\right)},j=\mathrm{0,1,2,}\·\·\·,\mathrm{28,29,30}$

其中，o为相位差清晰值即实际值；w _j为输出变量相位差时间的论域值；

为对应论域值w_j的隶属度值。

本发明的有益效果是将会使排队较长方向的后方车流晚一些进入下游路段，使车辆总的停车次数减少，而排队较短方向的总车流量较小，多一些等待时间将不会影响总的通行效率，同时，也使得与本方向垂直方向通过交叉路口的车流获得更长的通行时间。

附图说明

图1为摄像机的架设位置图；

图2为相位差的模糊推理原理图；

图3为输入变量的隶属度函数图；

图4为输出变量的隶属度函数图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图1所示，在路段某一方向的侧后方架设高清摄像机，利用此摄像机可以利用成熟的视频识别技术获取双向车道在某一红灯信号时的排队长度，视频识别车辆排队长度的方法见参考文献：李岩，张学工，应用图像处理方法自动检测路口车辆排队长度，计算机应用软件，2003，20(12)：47-49.本发明介绍的利用视频采集车辆排队与前述文献的不同之处是：本发明中，摄像机是对着路面上不同方向的两列直行车辆排队来拍摄并进行识别，而前述文献是将摄像机对着一列直行车辆排队拍摄并识别，最终效果是一致的。利用此方法采集到的车辆排队长度将为下一步模糊推理做准备。

在双向车流的排队长度，从右往左的车辆排队长度称为Q_上，从左往右的车辆排队长度称为Q_下，获取的Q_上和Q_下将会被输入模糊控制器，该模糊控制器的结构如图2所示。

利用该模糊控制器，在合理的模糊规则的基础上，推理计算出相位差的值Δt。具体细节如下：

模糊控制器的设计如下：

(一)确定输入输出变量

输入变量Q₁：Q₁＝Q_上/L(为方便，将输入变量量化成0-1之间的值)

输入变量Q₂：Q₂＝Q_下/L

输出变量：O，为相位差时间Δt，单位：秒

(二)确定论域和模糊子集

输入变量：对于Q₁和Q₂均为针对同一路段而言，因此可取相同的论域和模糊子集，分别陈述如下：论域为：Q＝[0，1]；模糊子集：设定语言变量，并记为：S(Small)＝小；M(Medium)＝中；B(Big)＝大。

输出变量：论域为：O＝[0，30]；模糊子集：

设定语言变量，并记为：SH(Short)＝短，ME(Medium)＝中，LO(long)＝长。

(三)建立模糊隶属度函数

输入变量隶属度函数，不失一般性，取为梯形函数。(该函数可替代为其它常用的三角型、钟形等函数)

输出变量隶属度函数，不失一般性，同样取为梯形函数，

(四)建立模糊规则表

根据专家经验，建立如下形式的模糊规则表，模糊关系为

表1模糊规则表

即如果排队长度Q₁是

排队长度Q₂是

那么相位差O是

(五)模糊推理

常用的模糊推理方法有Zadeh推理法、Mamdani推理法、Baldwin推理法等，不失一般性，给出Mamdani(Mamdani为英文名字，该算法是由Mamdani设计)推理法的算法：

其中，“×”和“ο”都是公认的模糊矩阵运算符号，

为实际输出相位差值的模糊子集变量值，

和

分别为实际输入上下行排队长度与道路长度比值的模糊子集变量值。

(六)解模糊

解模糊方法较多，如最大隶属度法、中位数法、重心法、平均最大隶属度法、最大面积中心法等，选取常用的重心法，公式：

$o=\frac{\mathrm{\Σ}\underset{~}{o}\left(w_j\right)*w_j}{\mathrm{\Σ}\underset{~}{o}\left(w_j\right)},j=\mathrm{0,1,2,}\·\·\·,\mathrm{28,29,30}$

其中，o为相位差清晰值(实际值)；w_j为输出变量相位差时间的论域值；

为对应论域值w_j的隶属度值。

本发明的有益效果是将会使排队较长方向的后方车流晚一些进入下游路段，使车辆总的停车次数减少，而排队较短方向的总车流量较小，多一些等待时间将不会影响总的通行效率，同时，也使得与本方向垂直方向通过交叉路口的车流获得更长的通行时间。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (2)

1.一种基于视频的相位差模糊推理确定方法，其特征是，该方法的实现步骤如下：

步骤1：在某路段某一车流方向的侧后方架设高清摄像机，拍摄整个路段的双向的车流排队情况，通过图像识别技术，得到双向车流的排队长度；

步骤2：将双向车流的排队长度输入模糊控制器，通过模糊推理得到该路段两交叉口信号的相位差；

步骤3：将得到的相位差参数通过交通控制中心利用串口通信下载到各个交叉路口的信号控制器，信号控制器根据接收到的信号控制参数对道路的交通流实施控制。

2.如权利要求1所述的一种基于视频的相位差模糊推理确定方法，其特征是，通过模糊推理得到两交叉口信号的相位差的步骤如下：

1)确定输入输出变量

输入变量Q₁：Q₁＝Q_上/L

输入变量Q₂：Q₂＝Q_下/L

输出变量：O为相位差时间Δt，单位：秒

2)确定论域和模糊子集

输入变量：对于Q₁和Q₂均为针对同一路段而言，因此取相同的论域和模糊子集，分别陈述如下：论域为：Q＝[0，1]；模糊子集：设定语言变量，并记为：S(Small)＝小；M(Medium)＝中；B(Big)＝大；

输出变量：论域为：O＝[0，30]；模糊子集：

设定语言变量，并记为：SH(Short)＝短，ME(Medium)＝中，LO(long)＝长；

3)建立模糊隶属度函数：输入变量隶属度函数取为梯形函数，输出变量隶属度函数同样取为梯形函数；

4)建立模糊规则表：

根据专家经验，建立如下形式的模糊规则表，模糊关系为

5)模糊推理：

利用Mamdani推理算法：

其中，

为实际输出相位差值的模糊子集变量值，

和

分别为实际输入上下行排队长度与道路长度比值的模糊子集变量值；

6)解模糊，得出相位差值：

选取重心法公式：

$o=\frac{\mathrm{\Σ}\underset{~}{o}\left(w_j\right)*w_j}{\mathrm{\Σ}\underset{~}{o}\left(w_j\right)},j=\mathrm{0,1,2,}\·\·\·,\mathrm{28,29,30}$

其中，o为相位差清晰值即实际值；w_j为输出变量相位差时间的论域值；为对应论域值w_j的隶属度值。

Images