CN103258427A - 基于信息物理网络的城市快速路交通实时监控系统与方法 - Google Patents

Abstract

本发明属于物联网与机器视觉领域，公布了一种基于信息物理网络的城市快速路交通实时监控系统与方法。该系统包括视频传感单元、视频图像处理器、网络通信和交通监控客户端。本发明通过道路交通参数的检测、交通事件初步自动预警、交通状态量化识别，以及利用网络通信实现基于视频传输反馈控制方法的事故检测，完成了对城市快速路交通的实时监控。提高了现有交通事故检测方法的实时性和准确率，以及对突发交通事件的适应性；对交通状态和环境的有较强的适应能力；通过在决策层融合时间和空间上的交通异常预测结果，充分利用了时间和空间信息，避免了交通异常的漏检。

Description

基于信息物理网络的城市快速路交通实时监控系统与方法

技术领域

本发明属于物联网与机器视觉领域，涉及一种利用传感器网络、视频图像处理、网络数据传输、通信系统控制等技术，针对时空大范围城市快速路网进行实时交通参数提取、交通状态识别与事故、事件检测，实现快速路网实时交通监控的系统与方法。

背景技术

目前，我国各大城市基于视觉的交通信息采集与道路监控系统的建设均已初具规模，通过道路交通检测器和视频摄像头组成的传感器网络，来实现城市道路交通的实时监控。监控系统内部交通信息的传输主要包括三种方式：一种是数据流，各个传感器节点向系统客户端发送数字信息，利用检测到的断面交通流量、平均速度等交通参数，来估计整个路网的道路交通状态，如美国的VII系统；另一种是视频流，直接将摄像头拍摄到的图像信息传输到系统客户端，用以直观的监控某一路段或特定交叉路口上的实际道路交通状况，如日本的UTMS系统；最后一种是以视频流为主、视频和数据的混合流，视频检测器一方面直接将摄像头拍摄到的图像信息传输到系统客户端，同时也将提取的数据传输到客户端，以反映交通的动态变化趋势，如A.Koutsia等提出的TRAVIS系统。

对于城市快速路网，由实验及实际应用可知，这几种交通信息传输方式各有利弊。数据流实时性好，而且现有通信技术支持大范围路网内海量交通数据的同步传输。然而，城市快速路上车辆走走停停现象非常普遍，单纯依靠交通检测参数，客户端无法准确区分交通拥堵是由于驶入车辆过多，还是由于发生了交通事故、事件等偶发因素造成的。视频流可以再现当时道路交通状况，但是受到摄像头安装位置与通信网络视频传输能力的限制，客户端不可能同步读取、接收、监控整个路网上的交通视频图像。同时大城市快速路出入口匝道较少，一旦发生拥堵，需要快速甄别是否发生了交通事故，及时处理。事实上，交通事故识别也不能依靠客户端逐一读取路网内每个摄像头的视频监控信息来实现。

发明内容

针对现有技术中存在的上述问题，本发明提供了一种可以实现实时交通参数自动提取、交通状态自动识别以及基于视频传输反馈控制法的交通事件半自动预测三大功能的城市快速路交通实时监控系统，并给出了实时监控方法。

一种基于信息物理网络的城市快速路交通实时监控系统，其特征在于包括：视频传感单元、视频图像处理器、网络通信和交通监控客户端。各部分之间的连接关系如附图1所示，其中，

视频传感单元，输出接视频图像处理器。采用固定视角采集一定路段的视频流，与视频图像处理器以一对一的方式直接连接，将采集到的视频流直接传输到对应的视频图像处理器。

视频图像处理器，位于视频传感单元和网络通信单元之间。用于交通参数提取、交通状态量化识别、交通事件初步自动预警、交通信息发送和视频流与控制信号接收。

交通监控客户端，通过网络通信单元与视频图像处理器相连。用于显示与存储各视频图像处理器的实时交通参数，显示各视频图像处理器的空间位置关系以及各自对应的交通状态量化指标，显示接收到的视频段及对应的相关信息，修正异常判断相关参数，交通信息接收，控制信号发送。

网络通信单元，分别与视频图像处理器和交通监控客户端相连，通过有线或无线网络通信，视频图像处理器与交通监控客户端互连，实现交通信息的传输和控制策略的实施；在视频图像处理器与交通监控客户端之间传输以下6种信号：

a．交通参数、状态量化指标；

b．交通参数、异常警示信号；

c．视频流文件起始与终止时间戳；

d．对应时间戳内的视频流文件；

e．异常判断的初始参数向量；

f．视频图像处理器重新开始工作的信号。

其中，a、b、d为由视频图像处理器发送到交通监控客户端的信息，c、e、f为交通监控客户端传输到视频图像处理器的信息。当视频图像处理器的交通事件初步自动预警模块预测出交通处于正常状态时，视频图像处理器传输a到交通监控客户端，交通监控客户端不发送信号；否则，视频图像处理器传输b、d到交通监控客户端，交通监控客户端传输c、e、f到视频图像处理器。

一种基于信息物理网络的城市快速路交通实时监控方法，其特征在于包括以下步骤：

步骤一，视频图像处理器进行交通参数提取。

步骤二，视频图像处理器进行基于交通参数的交通事件自动预测。如果交通处于正常状态，转下一步；否则，转步骤五。

步骤三，视频图像处理器进行交通状态量化识别，将信号a打包并加入帧头后，发送到交通监控客户端。

步骤四，交通监控客户端接收到信息后，实时更新交通参数列表，存储信息内容，同时在各视频图像处理器的空间位置关系图中显示对应的交通状态量化指标。这一时间段的交通监控结束。

步骤五，利用网络通信，实现基于视频传输反馈控制方法的事故检测。这一时间段的交通监控结束。

步骤一中，视频图像处理器进行的交通参数提取，采用基于时空描述图像（TSI）的交通参数提取方法，提取出车辆时间占有率、车流量和平均速度，具体方法如下：

（1）在视频帧设置感兴趣区域。

（2）对感兴趣区域进行透视变换、灰度化、滤波，得到感兴趣区域的路段俯瞰图（称为透视图）。

（3）在获得的透视图上，分别在各车道上设置虚拟车辆存在检测线和虚拟跟踪线2条检测线。虚拟车辆存在检测线以dvdl表示，垂直于车辆运行方向，长度略小于透视图上的车道宽度；虚拟跟踪线以tvdl表示，与车辆运行方向平行，一般设置在车道中分线上，并且其终端在dvdl上，长度大约为透视图上一个普通汽车的车长。

（4）在透视图上的各车道分别获取二值化的描述特定时间段内(10～15s内)车辆运行情况的时空描述图像：车辆存在检测时空描述图像（PVI）和车辆跟踪时空描述图像（EPI）。

叠加一定时间段内（一般为10s～15s）dvdl线和tvdl线自身的像素内容，并进行二值化处理，得到各自对应的时空描述图像PVI和EPI图，获取方法如下：

以t表示时空描述图在时间坐标上的取值，即：

t=k%N+1

其中，k＝0,1,2,3......，表示时间坐标t所对应透视变换图像FPI_k的顺序标签，N表示时空描述图可描述的时间段长度，即视频流对应时间段内的帧数。

以n表示时空描述图的顺序标签，即：

则：

k＝N·（n-1)+t

以l_dvdl、l_tvdl分别表示透视图上虚拟车辆存在检测线、虚拟跟踪线的像素点个数，则PVI和EPI图的分辨率分别为l_dvdl×N、l_tvdl×N。第n幅PVI图(t,y_dvdl)像素点和第n幅EPI图(t,y_tvdl)像素点取值的计算方法分别为：

PVI_n(t,y_dvdl)＝FPI_k(dvdl_x,min_y_dvdl+y_dvdl)

EPI_n(t,y_tvdl)＝FPI_k(dvdl_x+y_tvdl,tvdl_y)

其中，dvdl_x和tvdl_y分别表示FPI_k的dvdl线的x坐标值、tvdl线的y坐标值，min_y_dvdl是dvdl线在FPI_k上的y坐标最小值。

（5）基于PVI和EPI获得各车道交通参数，综合各车道交通参数，计算出路段交通参数的平均值，作为被监控路段的交通参数。

结合PVI和EPI的图像内容，实时提取出由时空描述图像所描述的N个视频帧所对应时间段内的交通参数。以第n副时空描述图像的交通参数提取为例，方法如下：

1）估计车道的车辆时间占有率。

结合PVI和EPI图，估计出第n副时空描述图像在时间坐标t所对应的时间点是否存在车辆，以D_n(t)表示，D_n(t)的计算方法如下：

式中，P_n(t)、E_n(t)分别表示PVI和EPI图在时间坐标t所对应的时间点是否检测到车辆，其表达式为：

统计该时间段内D_n(t)为true的次数，由该次数除以对应时间段内视频帧的总个数N，就可以获得该车道在第n个时间段内的车辆时间占有率。

2）估计车道的车流量。

统计第n副时空描述图像内D(t)连续为true的个数，就可以得到该时间段内的车流量。统计时空图像中满足下面公式所示3个条件的次数，就可以估计出对应N个视频帧内的车辆个数：

D_n(t)＝true,t_il≤t≤t_ir,t_il≥1,t_il＜t_ir≤N

D_n(t_il-1)＝false或者t_il=1；

D_n(t_ir+1)＝false或者t_ir＝N

其中，t_il、t_ir分别表示第i辆车的车头进入dvdl线l_dvdl（即车头进入tvdl线l_tvdl终端）的时间、车尾离开l_dvdl（即车尾离开l_tvdl终端）的前一时刻的时间。

3）估计车道被检测到的各个车辆的车速以及车道平均车速。

结合EPI图与E(t)，分别估计出各车辆车头进入l_tvdl起点的时间、车尾离开l_tvdl起点前一时刻的时间，进而计算出各车辆的平均速度。单个车辆的平均速度计算方法为：

其中，v_i表示被检测到的第i辆车的平均速度，f表示视频流的帧率，

、

分别表示第i辆车的车头进入l_tvdl起点的时间、车尾离开l_tvdl起点前一时刻的时间，L_tvdl表示虚拟跟踪线l_tvdl所代表的路段实际长度，

、t_il、、t_ir的关系如附图10所示。

为满足下面公式所示2个条件的视频帧t_l的最大值

E_n(t)＝true,t_l≤t≤t_il,t_l≥1,t_l＜t_il

EPI_n(t_l,0)＝255EPI_n(t_l-1,0)＝0

为满足下面公式所示2个条件的视频帧t_r的最小值

$E_n\left(t\right)=\mathrm{true},(t_{{\mathrm{il}}_{\min }}<t_r\&le;{i\&le;t}_{\mathrm{ir}}\&le;N)$ 或者(

不存在,0≤t_r＜t_ir≤N)

EPI_n(t_r,0)＝255EPI_n(t_r+1,0)＝0

v_i的表达式中，式①～⑤所示情况的示意图如附图10所示，其中情况①～④为特殊情况，⑤为一般情况。

情况①：由式①表示，第n副时空描述图像在起始时刻（t＝1），车辆车头早已进入tvdl起点，而且经过较短时间后（经过tvdl的时间帧数小于N），车尾先后退出tvdl起点、dvdl（即tvdl终端）。

情况②：由式②表示，第n副时空描述图像在其所描述的N视频帧内，车辆车头已先后进入tvdl起点、dvdl，但是在结束时刻（t＝N），车辆车尾未退出tvdl起点或dvdl。

情况③：由式③表示，车辆在第n副时空描述图像所描述的整个时间段内都在检测区域内，可认为速度非常慢，所以速度以0表示。

情况④：由式④表示，车辆经过第n副时空描述图像的时间比较短，在t＝1时车辆车尾早已进入tvdl起点，则该车辆的速度已在第n-1副时空描述图像中以情况②计算；或者表示车辆在t＝N时车辆车头未进入dvdl，这种情况下，该车辆的速度将在第n+1副时空描述图像中以情况①计算，所以可以不在该时间段统计该车辆的速度。

情况⑤：由式⑤表示，代表情况①～④外的情况，称为一般情况。

统计第n副时空描述图像中该车道所有被检测到的车辆的速度计算结果，若所有被检测到的车辆速度都为空（NULL），则令车道在第n副时空描述图像所描述的N视频帧内的平均速度的估计值为0；否则，以速度计算结果非空的所有车辆的速度平均值作为该车道的平均速度估计值，公式如下：

$\stackrel{\&OverBar;}{v_n}=\left\{\begin{array}{cc}\left(\underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}(v_i\&CenterDot;b_i)\right)/\left(\underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}{b}_i\right),& \underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}{b}_i\&NotEqual;0\\ 0,& \underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}{b}_i=0\end{array}\right.$

其中，q_n表示在第n副时空描述图像中提取出的车流量，b_i是第i辆被检测到车辆的速度估计值是否为空的标识，当速度为空时，b_i＝0；否则b_i＝1。

步骤二中，视频图像处理器进行的基于交通参数的交通事件自动预测，采用最小风险的近似正态分布贝叶斯（Bayes）决策法自适应的估计阈值与决策层异常融合预测相结合的算法。该算法以2个阈值为标准判断交通异常事件，分别为时间阈值和空间阈值；以时间值和空间值分别表示同一车道相邻时间段和相邻车道同一时间段交通参数向量的欧氏距离，时间阈值和空间阈值就是时间值和空间值在交通正常状态与异常状态的分界值。由两大阶段组成：离线阈值估计阶段和在线实时预测阶段。在离线阈值估计阶段，采用最小风险的近似正态分布Bayes决策法自适应的估计阈值；实时预测阶段，在决策层上进行时间和空间的交通异常预测结果的融合。具体方法如下：

（1）判断阈值是否已确定，若不确定，则进入离线阈值估计阶段，即转下一步；否则，转（4），进入在线实时预测阶段。

（2）对监控路段的大量历史数据进行统计、分析，分别估计时间值、空间值在正常、异常状态下的先验概率、近似正态分布的条件概率密度函数和错判风险。

近似正态分布的条件概率密度函数的表达式为：

$p\left(x\right|s):\mathrm{AN}(\mathrm{\&mu;},\mathrm{\&sigma;}),p\left(x\right|s)=\left\{\begin{array}{cc}\exp (-\frac{{(x-\mathrm{\&mu;})}^2}{2{\mathrm{\&sigma;}}^2})/\left(\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}\right),& 0\&le;x\&le;2\mathrm{\&mu;}\\ 2\&CenterDot;\exp (-\frac{{(x-\mathrm{\&mu;})}^2}{2{\mathrm{\&sigma;}}^2})/\left(\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}\right),& x>2\mathrm{\&mu;}\\ 0,& x<0\end{array}\right.$

其中，x表示样本变量，s表示状态（s_n、s_b分别表示正常和异常状态），p(x|s)表示变量x在状态s下的条件概率密度函数，p(x|s):AN(μ,σ)表示近似的正态分布，μ、σ分别表示对大量关于变量x属于s状态的样本进行统计获得的x的均值与标准差。

（3）基于最小风险的Bayes决策法，估计时间阈值T_t和空间阈值T_s；阈值已确定，离线阈值估计阶段结束，转到（1）。阈值的计算方法如下：

以T表示阈值，基于最小风险的Bayes决策法的自适应阈值算法的目标决策可表示为：x＜T时，s＝s_n，判断状态为正常；x≥T时，s＝s_b，即存在异常。T满足下式：

$p\left(T\right|s_n)\&CenterDot;{\mathrm{\&lambda;}}_{b,n}\&CenterDot;P_{s_n}=p\left(T\right|s_b)\&CenterDot;{\mathrm{\&lambda;}}_{n,b}\&CenterDot;P_{s_b},{\mathrm{\&mu;}}_n\&le;T\&le;{\mathrm{\&mu;}}_b$

其中，

、

分别表示变量x状态为s_n、s_b的先验概率；以λ_n,n、λ_n,b分别表示实际状态为s_n、s_b时被判为的s_n存在的风险，以λ_b,n、λ_b,b分别表示实际状态为s_n、s_b时被判为的s_b存在的风险，根据正确判断时没有无损失、错误判断时存在一定风险且由s_b错判为s_n所造成的损失比较大的实际情况，本算法令λ_n,n＝0，λ_b,b＝0、λ_n,b＞λ_b,n＞0。

（4）以时间阈值为标准判断是否存在异常事件。若被监控路段存在当前时间值不小于时间阈值的车道，则存在异常，在线实时预测阶段结束；否则，不存在异常，转下一步。具体方法如下：

基于TSI法依次提取出路段各车道在当前时间段的交通参数x_n，并同时计算x_n与同一车道上一时间段交通参数向量x_n-1（若当前时间段为视频处理器接收到客户端发送的异常修正初始值后的第一个时间段，则令接收到的异常修正初始值为x_n-1）的欧式距离d_t。若存在车道满足d_t≥T_t，则认为交通可能存在异常，计算结束；否则，进入下一步。

（5）以空间阈值为标准判断是否存在异常事件。若存在相邻车道的当前空间值不小于空间阈值，则存在异常；否则，不存在异常。具体方法如下：

计算当前时间段各相邻车道交通参数向量的欧式距离d_s，若存在相邻车道满足d_s≥T_s，则认为交通可能存在异常；否则，认为交通正常。

步骤三中，视频图像处理器进行的交通状态量化识别，采用改进的模糊C均值聚类（FCM）算法与灰度综合评价法相结合的算法。

该算法以3个典型交通状态（流畅、交通量较大、拥堵）交通参数向量的聚类中心为标准，通过比较当前交通参数向量与各个聚类中心的隶属度，实时估计交通状态的拥挤程度。由两大阶段组成：离线训练阶段和在线交通状态实时量化估计阶段。离线训练阶段，利用改进的FCM算法训练各典型交通状态的聚类中心；在线交通状态实时量化估计阶段，基于灰度综合评价法获得状态的量化指标。具体方法如下：

（1）判断聚类中心矩阵是否已确定，若不确定，则进入离线训练阶段，即转下一步；否则，转（6），进入在线交通状态实时量化估计阶段。其中，聚类中心矩阵共三行，从第一行到第三行分别代表流畅、交通量较大、拥堵3种典型交通状态的聚类中心。

（2）对监控路段的大量历史数据进行统计、分析，构建交通参数向量的样本库，并估计交通参数向量各分量对交通状态的影响权重。具体方法如下：

以路段大量历史统计的交通参数样本向量<车流量时间密度，车流量，平均车速>作为样本库；各分量的权重通过统计历史数据，估计各参数对交通状态的影响程度而得到，若分量对交通状态的影响程度较大，则该分量的权重较大，否则权重较小。

（3）构建FCM算法的输入样本库。对交通参数向量样本库中各样本向量进行标准化变换，得到标准化的样本库，以此作为FCM算法的输入样本库。样本标准化的方法如下：

以x_i表示第i个样本向量，x_i包含3个分量：x_i1、x_i2、x_i3，分别表示路段车流量时间密度、车流量、平均车速。由于各分量测量单位各不相同，为避免样本分量度量单位或取值范围的差异对计算的影响，采用标准化变换法，将各个交通参数的测量值转换成相同取值范围内的无单位量值，转换公式如下：

$x_{\mathrm{ik}}^{\&prime;}=\frac{x_{\mathrm{ik}}-\stackrel{\&OverBar;}{x_k}}{S_k},k=\mathrm{1,2,3}$

其中，x'_i为样本向量x_i的标准化向量，x'_ik为x'_i的第k个分量，

、s_k分别为大量统计得到的样本第k个分量的均值和标准差。

（4）初始化FCM算法的隶属度矩阵和聚类中心矩阵。对标准化样本库中样本进行预分类，将其分为流畅、交通量较大、拥堵共3类，以用于初始化隶属度矩阵和聚类中心矩阵。具体方法如下：

以U、V分别表示隶属度矩阵、聚类中心矩阵，分别为N×3、3×3的矩阵，N表示样本数；μ_ij是矩阵U的(i,j)分量，表示第i个样本对第j类的隶属程度，j取值为1、2、3，分别表示流畅、交通量较大、拥堵3种状态，U每行元素之和为1，即

v_jk是矩阵V的(j,k)分量，v_j是矩阵V的第j行，v_j表示标号为j的状态的聚类中心，与样本向量同维。矩阵U、V作为训练的目标参数，需要设计初始值，为了尽量减小算法迭代次数，并保证算法收敛性，可以通过主观判断，对所有样本进行预分类，将样本分为流畅、交通量较大或拥堵，然后根据预分类结果，确定U、V的初始值：若样本i被分为j类，则μ_ij＝1，U第i行其余分量为零；V第i行向量为所有被预分类为第i类样本的均值向量，或等于被预分类为第i类的若干个典型样本的均值向量。

（5）考虑交通参数分量的权重，改进FCM算法，基于该算法，训练聚类中心矩阵；聚类中心矩阵已确定，离线训练阶段结束，转到（1）。本模型训练阶段改进FCM算法目标函数如下式：

$\min J_m(U,V)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}^m\&CenterDot;(\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_k\&CenterDot;{(x_{\mathrm{ik}}^{\&prime;}-v_{\mathrm{jk}})}^2)$

其中，U、V分别表示隶属度矩阵和聚类中心矩阵，分别为N×3、3×3的矩阵，N表示样本数；μ_ij是矩阵U的(i,j)分量，表示第i个样本对第j类的隶属程度，j取值为1、2、3，分别表示流畅、交通量较大、拥堵3种状态，U每行元素之和为1，即

v_jk是矩阵V的(j,k)分量，v_j是矩阵V的第j行，v_j表示标号为j的状态的聚类中心，与样本向量同维。w_k表示样本第k个分量对状态的影响权重，

m(m＞1)值为设定的常数，代表模糊指数，目的是加强样本属于各类的对比度关系。算法中m的选择依问题而定，当m→1，FCM算法趋向于传统的硬C均值算法(HCM)；当m→∞，所有聚类中心趋向于整个样本数据的中心。

（6）对当前交通向量进行标准化变换，得到标准化向量。

（7）结合灰度综合评价法，设置期望输出结果为连续值，获得输出为一定范围内连续值的交通状态量化指标。方法如附图13所示。

令流畅、交通量较大、拥堵三种典型状态对应的输出分别为L₁、L₂、L₃（0≤L₁＜L₂＜L₃），为了分析出交通状态随时间的实时变化趋势，采用期望输出结果为连续值的灰度综合评价法，获得输出为[L₁,L₃]内连续值的交通状态量化指标。对于基于TSI图提取的当前时间段n的交通参数向量的标准化序列y_n，具体方法如下：

1）按下式确定灰色关联差异信息空间Δ_GR：

${\mathrm{\&Delta;}}_{\mathrm{GR}}=\{\mathrm{\&Delta;},\mathrm{\&xi;},{\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right),{\mathrm{\&Delta;}}_{y_n,v_j}\left(\min \right)\}$

其中，

，表示距离空间，表示差异信息，是向量y_n与类j的聚类中心v_j第k个分量的绝对值差异，

ξ∈[0,1]为分辨系数，在最少信息原理下，分辨系数取0.5；

为环境参数，分别表示距离空间中的两极上环境参数和下环境参数，分别代表距离空间Δ的最大值和最小值， ${\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right)=\max \left\{{\mathrm{\&Delta;}}_{y_n,v_j}\left(k\right)\right\},$ ${\mathrm{\&Delta;}}_{y_n,v_j}\left(\min \right)=\min \left\{{\mathrm{\&Delta;}}_{y_n,v_j}\left(k\right)\right\}.$

2）按下式计算y_n与各典型状态聚类中心的灰色关联度的归一化值

$\stackrel{\&OverBar;}{r}(y_n,v_j)=r(y_n,v_j)/\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}r(y_n,v_j),j=\mathrm{1,2,3}$

$r(y_n,v_j)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_k\&CenterDot;r(y_{\mathrm{nk}},v_{\mathrm{jk}}),j=\mathrm{1,2,3}$

$r(y_{\mathrm{nk}},v_{\mathrm{jk}})=\frac{{\mathrm{\&Delta;}}_{y_n,v_j}\left(\min \right)+\mathrm{\&xi;}\&CenterDot;{\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right)}{{\mathrm{\&Delta;}}_{y_n,v_j}\left(k\right)+\mathrm{\&xi;}\&CenterDot;{\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right)},j=\mathrm{1,2,3}k=\mathrm{1,2,3}$

其中，r(y_n,v_j)表示y_n与v_j的灰色关联度，r(y_nk,v_jk)表示y_n与v_j第k个分量y_nk、v_jk的灰色关联系数。

3）按下式计算时间段n的交通状态量化指标r_n：

$r_n=\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}[L_j\&CenterDot;\stackrel{\&OverBar;}{r}(y_n,v_j)]$

步骤五中，基于视频传输反馈控制方法的事故检测，是当视频图像处理器的交通事件自动预警模块预测出交通处于异常状态时，对网络通信中b～f信号进行信息传输与信息处理的过程，方法如下：

（1）视频图像处理器首先将信号b打包并加入帧头后，发送到交通监控客户端，同时暂停交通参数提取、交通状态量化识别、交通事件自动预测的工作，处于等待状态。

（2）客户端接收到信号b之后，监控人员通过人机交互界面设置信息c的内容以获得对应时间段内的视频文件，对时间戳进行打包并加入帧头后，发送c到对应的视频图像处理器，然后处于等待状态。

（3）视频图像处理器接收到信号c之后，发送信号d到客户端。

（4）客户端交通监控人员根据d信号的视频内容，主观估计实际的交通情况，进一步估计是否存在异常，若不存在异常，转下一步；否则，转（7）。

（5）监控人员通过人机交互界面修正e信息内容，打包并加入帧头后发送e信息到视频图像处理器。

（6）视频图像处理器将接收到的e信号解包，分析得到的控制信息。若控制信息为f信号，则被监控路段前一时间段存在交通异常，并且在当前时刻异常已被解决。视频图像处理器重设异常判断的初始参数，视频图像处理器恢复到正常工作状态。这一时间段的检测结束。

（7）客户端通知对应路段的交通管理人员尽快采取措施解决问题，同时，在界面显示对应视频图像处理器的预警信息。

（8）对应路段的交通管理人员解决了异常后，向交通监控客户端提交通知，客户端接收到通知后，发送f信号到视频图像处理器。

（9）视频图像处理器恢复为初始状态。这一时间段的检测结束。

本发明的有益效果如下：

（1）网络通信部分采用数据流为主，并传输异常视频流的的内部信息传输方式，不仅保证了信息传输的实时性，也有助于客户端获取更准确的交通状态。

（2）交通事件预测的控制策略采用基于视频传输反馈控制方法的半自动的方式，不仅提高了交通事件预测的实时性与准确度，而且通过客户端修正视频图像处理器的异常判断初始值，提高了交通事件初步自动预警模块异常判断算法对突发交通事件的适应性。

（3）实时的交通参数提取部分，采用基于TSI的交通参数提取方法，该方法不需要进行背景更新，对交通状态、环境的适应能力较强，实时性与鲁棒性较好。

（4）交通事件初步自动预警部分，根据路段的交通统计数据，基于最小风险的近似正态分布Bayes决策法自适应的估计阈值，使系统可以适应不同路段，通用性较好；通过在决策层融合时间和空间上的交通异常预测结果，充分利用了时间和空间信息，避免了交通异常的漏检。

（5）交通状态量化识别部分，根据路段的交通统计数据，并通过考虑各参数权重以改进FCM算法，自适应地获取三种典型状态的聚类中心，得到的结果比较符合实际情况；输出的交通状态量化指标为一定范围内的连续值，可以反映交通状态的时间渐变趋势。

附图说明

图1为本发明所涉及的系统组成框图；

图2为本发明所涉及的方法总体流程图；

图3为基于视频传输反馈控制方法的事故检测方法流程图；

图4为视频图像处理器的功能流程图；

图5为交通监控客户端的功能流程图；

图6为基于TSI的交通参数提取方法流程图；

图7为PVI与EPI的获取过程示意图；

图8为PVI与EPI图的时间关系图；

图9为基于PVI与EPI的单车道交通参数提取流程图；

图10为基于PVI与EPI的车辆速度计算相关参数及运动情况标识图；

图11为交通事件初步自动预测方法流程图；

图12为交通状态量化识别方法流程图；

图13为基于灰度综合评价法的交通状态量化识别方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行进一步说明。

如附图1所示，基于信息物理网络的城市快速路交通实时监控系统包括：

视频传感单元，采用安装在路段的交通监控摄像头，一般安装在路口过街天桥、立交桥等比较高的位置，并以固定的摄像机视角捕捉道路的视频信息，以保证视频采集的视野范围与清晰度，实现监控特定路段交通运行情况的目的。需要准备至少2个视频传感单元，并监控不同的路段，以构建视频传感网络。

视频图像处理器，采用嵌入式DSP图像处理单元，或安装了视频采集卡的PC端，可以将接收到的模拟图像转换为数字图像信息，以一对一的方式与视频传感单元直接相连。

交通监控客户端，采用性能较好的一台PC机或智能移动设备，可进行大量交通信息的接收、显示、存储，并执行交通控制策略。

网络通信单元，采用有线或无线网络。通过有线或无线网络进行视频流、交通信息、控制信号的传输。在视频图像处理器与交通监控客户端之间传输以下6种信号，分别设计各种信息的编码方式，编码格式如下：

a．交通参数、状态量化指标：TP交通参数SR状态量化指标；

b．交通参数、异常警示信号：TP交通参数UA异常警示信号；

c．视频流文件起始与终止时间戳：S起始时刻E终止时刻；

d．视频流文件：以对应时间段内avi文件的形式发送；

e．异常判断的初始参数值：OP交通参数；

f．视频图像处理器重新开始工作的信号：字符串“ReStart”。

基于信息物理网络的城市快速路交通实时监控方法，需要下述软件的支持：

（1）在各PC机，包括各视频图像处理器、交通监控客户端，安装VS2008软件平台与OpenCV2.0，并在VS2008软件平台加载OpenCV图像处理函数库。

（2）在交通监控客户端安装SQL Sever2008软件平台。

（3）在google或百度地图上，截取被监控路网区域，通过VS2008软件平台，编程实现交通监控客户端对该路网区域图的加载，并实现在区域图上标注各视频图像处理器的位置、显示对应的交通状态量化指标的功能。

（4）视频图像处理器与交通监控客户端之间的网络通信采用TCP协议，在VS2008软件平台编程实现基于TCP协议的网络通信，各种交通信息、控制信息等均以TCP方式传输。

通过VS2008软件平台，编程实现系统总体功能，最终构建视频图像处理器和客户端两个MFC应用软件，其流程图分别如附图4和5所示。在各视频图像处理器分别安装视频图像处理器MFC应用软件，将客户端MFC应用软件安装到交通监控客户端，实现快速路网实时交通监控的目的。

基于信息物理网络的城市快速路交通实时监控方法流程图如附图2所示，具体包括以下步骤：

步骤一，视频图像处理器进行交通参数提取，方法如附图6所示。附图7描述了附图6所示方法中PVI与EPI的获取过程，附图9描述了附图6所示方法中基于PVI与EPI的单车道交通参数提取流程图，附图8、附图10分别说明了PVI与EPI图的时间关系图、基于PVI与EPI的车辆速度计算相关参数及运动情况标识图。

步骤二，视频图像处理器进行基于交通参数的交通事件自动预测，方法如附图11所示。如果交通处于正常状态，转下一步；否则，转步骤五。

步骤三，视频图像处理器进行交通状态量化识别，方法如附图12所示，附图13描述了附图12在线交通状态实时量化估计阶段中，基于灰度综合评价法的的交通状态量化识别方法的流程图；然后，将信号a打包并加入帧头后，发送到交通监控客户端。

步骤四，交通监控客户端接收到信息后，实时更新交通参数列表，同时在各视频图像处理器的空间位置关系图中显示对应的交通状态量化指标。转步骤一，继续进行下一时间段的交通监控。

步骤五，利用网络通信，实现基于视频传输反馈控制方法的事故检测，具体的方法流程图如附图3所示。转步骤一，继续进行下一时间段的交通监控。

Claims (6)

1.一种基于信息物理网络的城市快速路交通实时监控系统，其特征在于包括：视频传感单元、视频图像处理器、网络通信和交通监控客户端；其中，

视频传感单元，输出接视频图像处理器；采用固定视角采集一定路段的视频流，与视频图像处理器以一对一的方式直接连接，将采集到的视频流直接传输到对应的视频图像处理器；

视频图像处理器，位于视频传感单元和网络通信单元之间；用于交通参数提取、交通状态量化识别、交通事件初步自动预警、交通信息发送和视频流与控制信号接收；

交通监控客户端，通过网络通信单元与视频图像处理器相连；用于显示与存储各视频图像处理器的实时交通参数，显示各视频图像处理器的空间位置关系以及各自对应的交通状态量化指标，显示接收到的视频段及对应的相关信息，修正异常判断相关参数，交通信息接收，控制信号发送；

网络通信单元，分别与视频图像处理器和交通监控客户端相连，通过有线或无线网络通信，视频图像处理器与交通监控客户端互连，实现交通信息的传输和控制策略的实施；在视频图像处理器与交通监控客户端之间传输以下6种信号：

a．交通参数、状态量化指标；

b．交通参数、异常警示信号；

c．视频流文件起始与终止时间戳；

d．对应时间戳内的视频流文件；

e．异常判断的初始参数向量；

f．视频图像处理器重新开始工作的信号；

其中，a、b、d为由视频图像处理器发送到交通监控客户端的信息，c、e、f为交通监控客户端传输到视频图像处理器的信息。

2.一种基于信息物理网络的城市快速路交通实时监控方法，其特征在于包括以下步骤：

步骤一，视频图像处理器进行交通参数提取；

步骤二，视频图像处理器进行基于交通参数的交通事件自动预测；如果交通处于正常状态，转下一步；否则，转步骤五；

步骤三，视频图像处理器进行交通状态量化识别，将信号a打包并加入帧头后，发送到交通监控客户端；

步骤四，交通监控客户端接收到信息后，实时更新交通参数列表，存储信息内容，同时在各视频图像处理器的空间位置关系图中显示对应的交通状态量化指标；这一时间段的交通监控结束；

步骤五，利用网络通信，实现基于视频传输反馈控制方法的事故检测；这一时间段的交通监控结束。

3.根据权利要求2所述的一种基于信息物理网络的城市快速路交通实时监控方法，其特征在于，步骤一中视频图像处理器进行的交通参数提取，采用基于时空描述图像（TSI）的交通参数提取方法，提取出车辆时间占有率、车流量和平均速度，具体方法如下：

（1）在视频帧设置感兴趣区域；

（2）对感兴趣区域进行透视变换、灰度化、滤波，得到感兴趣区域的路段俯瞰图（称为透视图）；

（3）在获得的透视图上，分别在各车道上设置虚拟车辆存在检测线和虚拟跟踪线2条检测线；虚拟车辆存在检测线以dvdl表示，垂直于车辆运行方向，长度略小于透视图上的车道宽度；虚拟跟踪线以tvdl表示，与车辆运行方向平行，一般设置在车道中分线上，并且其终端在dvdl上，长度大约为透视图上一个普通汽车的车长；

（4）在透视图上的各车道分别获取二值化的描述特定时间段内(10～15s内)车辆运行情况的时空描述图像：车辆存在检测时空描述图像（PVI）和车辆跟踪时空描述图像（EPI）；

叠加一定时间段内（一般为10s～15s）dvdl线和tvdl线自身的像素内容，并进行二值化处理，得到各自对应的时空描述图像PVI和EPI图，获取方法如下：

以t表示时空描述图在时间坐标上的取值，即：

t=k%N+1

其中，k＝0,1,2,3......，表示时间坐标t所对应透视变换图像FPIk的顺序标签，N表示时空描述图可描述的时间段长度，即视频流对应时间段内的帧数；

以n表示时空描述图的顺序标签，即：

则：

k＝N·(n-1)+t

以l_dvdl、l_tvdl分别表示透视图上虚拟车辆存在检测线、虚拟跟踪线的像素点个数，则PVI和EPI图的分辨率分别为l_dvdl×N、l_tvdl×N；第n幅PVI图(t,y_dvdl)像素点和第n幅EPI图(t,y_tvdl)像素点取值的计算方法分别为：

PVI_n(t,y_dvdl)＝FPI_k(dvdl_x,min_y_dvdl+y_dvdl)

EPI_n(t,y_tvdl)＝FPI_k(dvdl_x+y_tvdl,tvdl_y)

其中，dvdl_x和tvdl_y分别表示FPI_k的dvdl线的x坐标值、tvdl线的y坐标值，min_y_dvdl是dvdl线在FPI_k上的y坐标最小值；

（5）基于PVI和EPI获得各车道交通参数，综合各车道交通参数，计算出路段交通参数的平均值，作为被监控路段的交通参数；

结合PVI和EPI的图像内容，实时提取出由时空描述图像所描述的N个视频帧所对应时间段内的交通参数；以第n副时空描述图像的交通参数提取为例，方法如下：

1）估计车道的车辆时间占有率

结合PVI和EPI图，估计出第n副时空描述图像在时间坐标t所对应的时间点是否存在车辆，以D_n(t)表示，D_n(t)的计算方法如下：

式中，P_n(t)、E_n(t)分别表示PVI和EPI图在时间坐标t所对应的时间点是否检测到车辆，其表达式为：

统计该时间段内D_n(t)为true的次数，由该次数除以对应时间段内视频帧的总个数N，获得该车道在第n个时间段内的车辆时间占有率；

2）估计车道的车流量

统计第n副时空描述图像内D(t)连续为true的个数，得到该时间段内的车流量；统计时空图像中满足下面公式所示3个条件的次数，估计出对应N个视频帧内的车辆个数：

D_n(t)＝true,t_il≤t≤t_ir,t_il≥1,t_il＜t_ir≤N

D_n(t_il-1)＝false或者t_il=1；

D_n(t_ir+1)＝false或者t_ir＝N

其中，t_il、t_ir分别表示第i辆车的车头进入dvdl线l_dvdl（即车头进入tvdl线l_tvdl终端）的时间、车尾离开l_dvdl（即车尾离开l_tvdl终端）的前一时刻的时间；

3）估计车道被检测到的各个车辆的车速以及车道平均车速

结合EPI图与E(t)，分别估计出各车辆车头进入l_tvdl起点的时间、车尾离开l_tvdl起点前一时刻的时间，进而计算出各车辆的平均速度；单个车辆的平均速度计算方法为：

其中，v_i表示被检测到的第i辆车的平均速度，f表示视频流的帧率，

、

分别表示第i辆车的车头进入l_tvdl起点的时间、车尾离开l_tvdl起点前一时刻的时间，L_tvdl表示虚拟跟踪线l_tvdl所代表的路段实际长度；

为满足下面公式所示2个条件的视频帧t_l的最大值

E_n(t)＝true,t_l≤t≤t_il,t_l≥1,t_l＜t_il

EPI_n(t_l,0)＝255EPI_n(t_l-1,0)＝0

为满足下面公式所示2个条件的视频帧t_r的最小值

$E_n\left(t\right)=\mathrm{true},(t_{{\mathrm{il}}_{\min }}<t_r\&le;{i\&le;t}_{\mathrm{ir}}\&le;N)$ 或者(

不存在,0≤t_r＜t_ir≤N)

EPI_n(t_r,0)＝255EPI_n(t_r+1,0)＝0

v_i的表达式中，情况①～④为特殊情况，⑤为一般情况；

情况①：由式①表示，第n副时空描述图像在起始时刻（t＝1），车头早已进入tvdl起点，且经过较短时间后（经过tvdl的时间帧数小于N），车尾先后退出tvdl起点、dvdl（即tvdl终端）；

情况②：由式②表示，第n副时空描述图像在其所描述的N视频帧内，车辆车头已先后进入tvdl起点、dvdl，但是在结束时刻（t＝N），车辆车尾未退出tvdl起点或dvdl；

情况③：由式③表示，车辆在第n副时空描述图像所描述的整个时间段内都在检测区域内，可认为速度非常慢，所以速度以0表示；

情况④：由式④表示，车辆经过第n副时空描述图像的时间比较短，在t＝1时车辆车尾早已进入tvdl起点，则该车辆的速度已在第n-1副时空描述图像中以情况②计算；或者表示车辆在t＝N时车辆车头未进入dvdl，这种情况下，该车辆的速度将在第n+1副时空描述图像中以情况①计算，可以不在该时间段统计该车辆的速度；

情况⑤：由式⑤表示，代表情况①～④外的情况，称为一般情况；

统计第n副时空描述图像中该车道所有被检测到的车辆的速度计算结果，若所有被检测到的车辆速度都为空（NULL），则令车道在第n副时空描述图像所描述的N视频帧内的平均速度的估计值为0；否则，以速度计算结果非空的所有车辆的速度平均值作为该车道的平均速度估计值，公式如下：

$\stackrel{\&OverBar;}{v_n}=\left\{\begin{array}{cc}\left(\underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}(v_i\&CenterDot;b_i)\right)/\left(\underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}{b}_i\right),& \underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}{b}_i\&NotEqual;0\\ 0,& \underset{i=1}{\overset{q_n}{\mathrm{\&Sigma;}}}{b}_i=0\end{array}\right.$

其中，q_n表示在第n副时空描述图像中提取出的车流量，b_i是第i辆被检测到车辆的速度估计值是否为空的标识，当速度为空时，b_i＝0；否则b_i＝1。

4.根据权利要求2所述的一种基于信息物理网络的城市快速路交通实时监控方法，其特征在于，步骤二中视频图像处理器进行的基于交通参数的交通事件自动预测，采用最小风险的近似正态分布贝叶斯（Bayes）决策法自适应的估计阈值与决策层异常融合预测相结合的算法，具体方法如下：

（1）判断阈值是否已确定，若不确定，则进入离线阈值估计阶段，即转下一步；否则，转（4），进入在线实时预测阶段；

（2）对监控路段的大量历史数据进行统计、分析，分别估计时间值、空间值在正常、异常状态下的先验概率、近似正态分布的条件概率密度函数和错判风险；

近似正态分布的条件概率密度函数的表达式为：

$p\left(x\right|s):\mathrm{AN}(\mathrm{\&mu;},\mathrm{\&sigma;}),p\left(x\right|s)=\left\{\begin{array}{cc}\exp (-\frac{{(x-\mathrm{\&mu;})}^2}{2{\mathrm{\&sigma;}}^2})/\left(\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}\right),& 0\&le;x\&le;2\mathrm{\&mu;}\\ 2\&CenterDot;\exp (-\frac{{(x-\mathrm{\&mu;})}^2}{2{\mathrm{\&sigma;}}^2})/\left(\sqrt{2\mathrm{\&pi;}}\mathrm{\&sigma;}\right),& x>2\mathrm{\&mu;}\\ 0,& x<0\end{array}\right.$

其中，x表示样本变量，s表示状态（s_n、s_b分别表示正常和异常状态），p(x|s)表示变量x在状态s下的条件概率密度函数，p(x|s):AN(μ,σ)表示近似的正态分布，μ、σ分别表示对大量关于变量x属于s状态的样本进行统计获得的x的均值与标准差；

（3）基于最小风险的Bayes决策法，估计时间阈值T_t和空间阈值T_s；阈值已确定，离线阈值估计阶段结束，转到（1）；阈值的计算方法如下：

以T表示阈值，基于最小风险的Bayes决策法的自适应阈值算法的目标决策可表示为：x＜T时，s＝s_n，判断状态为正常；x≥T时，s＝s_b，即存在异常；T满足下式：

$p\left(T\right|s_n)\&CenterDot;{\mathrm{\&lambda;}}_{b,n}\&CenterDot;P_{s_n}=p\left(T\right|s_b)\&CenterDot;{\mathrm{\&lambda;}}_{n,b}\&CenterDot;P_{s_b},{\mathrm{\&mu;}}_n\&le;T\&le;{\mathrm{\&mu;}}_b$

其中，

、

分别表示变量x状态为s_n、s_b的先验概率；以λ_n,n、λ_n,b分别表示实际状态为s_n、s_b时被判为的s_n存在的风险，以λ_b,n、λ_b,b分别表示实际状态为s_n、s_b时被判为的s_b存在的风险，根据正确判断时没有无损失、错误判断时存在一定风险且由s_b错判为s_n所造成的损失比较大的实际情况，令λ_n,n＝0，λ_b,b＝0、λ_n,b＞λ_b,n＞0；

（4）以时间阈值为标准判断是否存在异常事件；若被监控路段存在当前时间值不小于时间阈值的车道，则存在异常，在线实时预测阶段结束；否则，不存在异常，转下一步；具体方法如下：

基于TSI法依次提取出路段各车道在当前时间段的交通参数x_n，并同时计算x_n与同一车道上一时间段交通参数向量x_n-1的欧式距离d_t；若存在车道满足d_t≥T_t，则认为交通可能存在异常，计算结束；否则，进入下一步；

（5）以空间阈值为标准判断是否存在异常事件；若存在相邻车道的当前空间值不小于空间阈值，则存在异常；否则，不存在异常；具体方法如下：

计算当前时间段各相邻车道交通参数向量的欧式距离d_s，若存在相邻车道满足d_s≥T_s，则认为交通可能存在异常；否则，认为交通正常。

5.根据权利要求2所述的一种基于信息物理网络的城市快速路交通实时监控方法，其特征在于，步骤三中视频图像处理器进行的交通状态量化识别，采用改进的模糊C均值聚类（FCM）算法与灰度综合评价法相结合的算法，具体方法如下：

（1）判断聚类中心矩阵是否已确定，若不确定，则进入离线训练阶段，即转下一步；否则，转（6），进入在线交通状态实时量化估计阶段；其中，聚类中心矩阵共三行，从第一行到第三行分别代表流畅、交通量较大、拥堵3种典型交通状态的聚类中心；

（2）对监控路段的大量历史数据进行统计、分析，构建交通参数向量的样本库，并估计交通参数向量各分量对交通状态的影响权重；具体方法如下：

以路段大量历史统计的交通参数样本向量<车流量时间密度，车流量，平均车速>作为样本库；各分量的权重通过统计历史数据，估计各参数对交通状态的影响程度而得到，若分量对交通状态的影响程度较大，则该分量的权重较大，否则权重较小；

（3）构建FCM算法的输入样本库；对交通参数向量样本库中各样本向量进行标准化变换，得到标准化的样本库，以此作为FCM算法的输入样本库；样本标准化的方法如下：

以x_i表示第i个样本向量，x_i包含3个分量：x_i1、x_i2、x_i3，分别表示路段车流量时间密度、车流量、平均车速；采用标准化变换法，将各个交通参数的测量值转换成相同取值范围内的无单位量值，转换公式如下：

$x_{\mathrm{ik}}^{\&prime;}=\frac{x_{\mathrm{ik}}-\stackrel{\&OverBar;}{x_k}}{S_k},k=\mathrm{1,2,3}$

其中，

为样本向量x_i的标准化向量，

为

的第k个分量，、s_k分别为大量统计得到的样本第k个分量的均值和标准差；

（4）初始化FCM算法的隶属度矩阵和聚类中心矩阵；对标准化样本库中样本进行预分类，将其分为流畅、交通量较大、拥堵共3类，以用于初始化隶属度矩阵和聚类中心矩阵；具体方法如下：

以U、V分别表示隶属度矩阵、聚类中心矩阵，分别为N×3、3×3的矩阵，N表示样本数；μ_ij是矩阵U的(i,j)分量，表示第i个样本对第j类的隶属程度，j取值为1、2、3，分别表示流畅、交通量较大、拥堵3种状态，U每行元素之和为1，即

v_jk是矩阵V的(j,k)分量，v_j是矩阵V的第j行，v_j表示标号为j的状态的聚类中心，与样本向量同维；矩阵U、V作为训练的目标参数，需要设计初始值，为了尽量减小算法迭代次数，并保证算法收敛性，可以通过主观判断，对所有样本进行预分类，将样本分为流畅、交通量较大或拥堵，然后根据预分类结果，确定U、V的初始值：若样本i被分为j类，则μ_ij＝1，U第i行其余分量为零；V第i行向量为所有被预分类为第i类样本的均值向量，或等于被预分类为第i类的若干个典型样本的均值向量；

（5）考虑交通参数分量的权重，改进FCM算法，基于该算法，训练聚类中心矩阵；聚类中心矩阵已确定，离线训练阶段结束，转到（1）；训练阶段改进FCM算法目标函数如下式：

$\min J_m(U,V)=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{\&mu;}}_{\mathrm{ij}}^m\&CenterDot;(\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_k\&CenterDot;{(x_{\mathrm{ik}}^{\&prime;}-v_{\mathrm{jk}})}^2)$

其中，U、V分别表示隶属度矩阵和聚类中心矩阵，分别为N×3、3×3的矩阵，N表示样本数；μ_ij是矩阵U的(i,j)分量，表示第i个样本对第j类的隶属程度，j取值为1、2、3，分别表示流畅、交通量较大、拥堵3种状态，U每行元素之和为1，即

v_jk是矩阵V的(j,k)分量，v_j是矩阵V的第j行，v_j表示标号为j的状态的聚类中心，与样本向量同维；w_k表示样本第k个分量对状态的影响权重，

m(m＞1)值为设定的常数，代表模糊指数，目的是加强样本属于各类的对比度关系；算法中m的选择依问题而定，当m→1，FCM算法趋向于传统的硬C均值算法(HCM)；当m→∞，所有聚类中心趋向于整个样本数据的中心；

（6）对当前交通向量进行标准化变换，得到标准化向量；

（7）结合灰度综合评价法，设置期望输出结果为连续值，获得输出为一定范围内连续值的交通状态量化指标；

令流畅、交通量较大、拥堵三种典型状态对应的输出分别为L₁、L₂、L₃（0≤L₁＜L₂＜L₃），为了分析出交通状态随时间的实时变化趋势，采用期望输出结果为连续值的灰度综合评价法，获得输出为[L₁,L₃]内连续值的交通状态量化指标；对于基于TSI图提取的当前时间段n的交通参数向量的标准化序列y_n，具体方法如下：

1）按下式确定灰色关联差异信息空间Δ_GR：

${\mathrm{\&Delta;}}_{\mathrm{GR}}=\{\mathrm{\&Delta;},\mathrm{\&xi;},{\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right),{\mathrm{\&Delta;}}_{y_n,v_j}\left(\min \right)\}$

其中，

表示距离空间，

表示差异信息，是向量y_n与类j的聚类中心v_j第k个分量的绝对值差异，

为分辨系数，在最少信息原理下，分辨系数取0.5；

为环境参数，分别表示距离空间中的两极上环境参数和下环境参数，分别代表距离空间Δ的最大值和最小值， ${\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right)=\max \left\{{\mathrm{\&Delta;}}_{y_n,v_j}\left(k\right)\right\},$ ${\mathrm{\&Delta;}}_{y_n,v_j}\left(\min \right)=\min \left\{{\mathrm{\&Delta;}}_{y_n,v_j}\left(k\right)\right\};$

2）按下式计算y_n与各典型状态聚类中心的灰色关联度的归一化值

$\stackrel{\&OverBar;}{r}\left(y_{n,}{v}_j\right)=r(y_n,v_j)/\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}r(y_n,v_j),j=\mathrm{1,2,3}$

$r(y_n,v_j)=\underset{k=1}{\overset{3}{\mathrm{\&Sigma;}}}{w}_k\&CenterDot;r(y_{\mathrm{nk}},v_{\mathrm{jk}}),j=\mathrm{1,2,3}$

$r(y_{\mathrm{nk}},v_{\mathrm{jk}})=\frac{{\mathrm{\&Delta;}}_{y_n,v_j}\left(\min \right)+\mathrm{\&xi;}\&CenterDot;{\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right)}{{\mathrm{\&Delta;}}_{y_n,v_j}\left(k\right)+\mathrm{\&xi;}\&CenterDot;{\mathrm{\&Delta;}}_{y_n,v_j}\left(\max \right)},j=\mathrm{1,2,3}k=\mathrm{1,2,3}$

其中，r(y_n,v_j)表示y_n与v_j的灰色关联度，r(y_nk,v_jk)表示y_n与v_j第k个分量y_nk、v_jk的灰色关联系数；

3）按下式计算时间段n的交通状态量化指标r_n：

$r_n=\underset{j=1}{\overset{3}{\mathrm{\&Sigma;}}}[L_j\&CenterDot;\stackrel{\_}{r}(y_n,v_j)].$

6.根据权利要求2所述的一种基于信息物理网络的城市快速路交通实时监控方法，其特征在于，步骤五中基于视频传输反馈控制方法的事故检测，是当视频图像处理器的交通事件自动预警模块预测出交通处于异常状态时，对网络通信中b～f信号进行信息传输与信息处理的过程，方法如下：

（1）视频图像处理器首先将信号b打包并加入帧头后，发送到交通监控客户端，同时暂停交通参数提取、交通状态量化识别、交通事件自动预测的工作，处于等待状态；

（2）客户端接收到信号b之后，监控人员通过人机交互界面设置信息c的内容以获得对应时间段内的视频文件，对时间戳进行打包并加入帧头后，发送c到对应的视频图像处理器，然后处于等待状态；

（3）视频图像处理器接收到信号c之后，发送信号d到客户端；

（4）客户端交通监控人员根据d信号的视频内容，主观估计实际的交通情况，进一步估计是否存在异常，若不存在异常，转下一步；否则，转（7）；

（5）监控人员通过人机交互界面修正e信息内容，打包并加入帧头后发送e信息到视频图像处理器；

（6）视频图像处理器将接收到的e信号解包，分析得到的控制信息；若控制信息为f信号，则被监控路段前一时间段存在交通异常，并且在当前时刻异常已被解决；视频图像处理器重设异常判断的初始参数，视频图像处理器恢复到正常工作状态；这一时间段的检测结束；

（7）客户端通知对应路段的交通管理人员尽快采取措施解决问题，同时，在界面显示对应视频图像处理器的预警信息；

（8）对应路段的交通管理人员解决了异常后，向交通监控客户端提交通知，客户端接收到通知后，发送f信号到视频图像处理器；

（9）视频图像处理器恢复为初始状态；这一时间段的检测结束。

Images