CN103440499B - 基于信息融合的交通波实时检测与跟踪方法 - Google Patents

Abstract

本方法涉及一种基于信息融合的交通波实时检测与跟踪方法。首先获取交通视频图像，然后采用Kalman滤波技术，根据前一时刻交通波状态最优估计值获取当前时刻的交通波状态预测值；然后得到当前时刻交通波位置测量值，在相向摄像机之间的可视区域内，每台摄像机采用融合Adaboost分类器的复式伸缩窗算法；在相背摄像机之间的盲区内，基于特征点跟踪法及交通波估计法进行估计；最后，采用加权平均一致性信息融合算法获得当前时刻交通波状态最优估计值，为下一时刻交通波状态预测做准备，在此过程中通过引入各摄像机测量噪声权重，并动态调整各摄像机检测结果可信度来提高交通波定位精度。

Description

基于信息融合的交通波实时检测与跟踪方法

技术领域

本发明属于机器视觉与智能控制领域，具体涉及一种利用计算机技术、图像处理技术、机器学习技术和模式识别技术等对交通视频监控目标进行检测的发明。

背景技术

交叉口路段上车辆排队与消散过程会产生停车波与启动波这两种交通波，停车波为在信号交叉口处红灯亮时，车辆在停车线前依次停车排队，队尾位置从停车线开始逐步向后移动，形成与车流运动方向相反的波。启动波为绿灯亮后，队头车辆开始启动，队头位置从停车线开始逐步向后移动，形成与车流运动相反的波。准确而实时跟踪包括早晚高峰时段内的交通波有利于效计算车道排队长度和停车延误等交通参数，对进一步优化信号配时方案以缓解交通拥挤具有重要的意义。以往的基于单台摄像机来检测和跟踪排队车辆的队尾和队头位置来获取交通参数的方法存在一些固有缺陷，由于摄像机架设高度有限以及车辆本身的高度会使车辆图像反投影到道路平面上时出现失真。车辆偏离摄像机中心轴程度越大，其检测结果误差越大。目标离摄像机越远，获得的视频图像信息质量越差。同时由于交叉口停车线后车辆相互遮挡严重，使得检测到的队尾或队头实际位置误差会随着排队车辆的增加而增大。虽然卫星遥感图像检测车辆排队可以有效解决车辆遮挡问题，但是由于卫星图像中每辆车所占像素很少并且车辆边缘信息比较模糊，用该方法检测出来的车辆排队长度也不准确，且实时性受到卫星遥感数据采集和传输的限制。提高车辆队头和队尾跟踪精度的方法之一是采用高空垂直拍摄，但在实现上存在困难。另外，通过架设在高位置处摄像机跟踪每辆车的运行轨迹来识别交通波和估计排队长度的检测方法也存在一些缺陷，当周围环境光线比较暗时，很难跟踪每辆车的运行轨迹，并且摄像机架设高度在许多交通路口也会受到限制。另一种方法是在路段上架设多台低视角的摄像机，从而构成视频网络，并在此基础上进行信息融合，既可达到路段全覆盖监视，又可克服摄像机架设高度限制产生的问题，但由于该方法中决策层是最高层次的融合，并且两摄像机之间没有协作，通过两摄像机分别检测的队尾消散点无法达成一致，同时各个摄像机对队尾或者队头位置的检测精度下降也会影响最终的融合结果。

发明内容

为了使对交通波的跟踪具有更高的精度和鲁棒性，克服现有交通波检测与跟踪精度低、鲁棒性差及视频网络决策层融合的缺点，本发明在单视频交通波检测基础上提出基于视频网络加权一致性信息融合的交通波（主要包括停车波或启动波）实时跟踪方法，从而使任何一台分布式摄像机都可以对本视野范围以内及视野范围以外的交通波进行实时鲁棒检测与跟踪，对进一步优化交通信号配时方案提供决策依据。具体内容如下：

一种基于信息融合的交通波实时检测与跟踪方法，基于分布式摄像机网络，所述的分布式摄像机网络是由一系列按一定方式通信相连的摄像机组成，分布式网络共n台摄像机，从道路交叉口开始依次从1到n编号。每两台相邻的摄像机间存在相向关系或相背关系，具有相向关系的两个摄像机为视野范围存在重叠区域的相向摄像机对，具有相背关系的两个摄像机为架设在同一位置的视野范围没有重叠的相背摄像机对，即二者间存在盲区；每台摄像机采用1台计算机作为处理单元，具有独立运算功能。N_i表示可向摄像机i传递信息的摄像机编号集合,当i=1时，N₁=2，当1<i<n时，N_i={i-1,i+1}，当i=n时，N_n={n-1}。基于信息融合的交通波实时检测与跟踪方法其特征在于包括以下步骤：

1)分布式摄像机网络中的所有摄像机同时拍摄交通视频；

2)每台摄像机采用Kalman滤波预测得到t时刻各自跟踪到的交通波的状态预测值以及对应的信息矩阵，计算公式如下，其中，所述的交通波状态是由交通波的位置与波速构成的向量，

其中，为第i台摄像机采用Kalman滤波预测得到的t时刻跟踪到的交通波的状态预测值，

为第i台摄像机在t时刻计算得到的预测信息矩阵，

为第i台摄像机计算得到的t-1时刻的交通波状态最优估计值，

为第i台摄像机计算得到的t-1时刻的最优信息矩阵，

为状态转换矩阵，

Q为状态转换噪声的协方差矩阵；

3)计算每台摄像机t时刻交通波位置测量值z_i(t)，具体为：

当第i台摄像机预测得到t时刻的交通波状态预测值在该摄像机可视区域内，则采用融合Adaboost分类器的复式伸缩窗算法获取摄像机i可视范围内在t时刻的交通波位置测量值z_i(t)；

当第i台摄像机在t时刻预测得到的交通波状态预测值在第i台摄像机所属的相背摄像机对的盲区内时，根据Adaboost分类器检测出的车辆头部和尾部候选区域内的特征点，对特征点进行分组，将时空特性相同的特征点分在一组，并对相同组内特征点进行三角剖分形成网格图，采用特征点跟踪方法对车辆进行跟踪，计算感兴趣车辆进入与驶出盲区的速度变化，进而根据交通波估计法估计盲区内t时刻的交通波位置测量值z_i(t)；

4）.采用加权平均一致性信息融合获取最优估计值方法，通过迭代得到t时刻的交通波状态最优估计值和交通波状态最优信息矩阵具体如下：

4.1）计算摄像机t时刻检测结果可信度a(t)，在两摄像机重叠的感兴趣区域内，当车辆高度无法忽略时，车辆之间会发生遮挡。情况1：当前时刻没有新的车辆加入队尾。根据摄像机拍摄车流的方向，面对车辆尾部的摄像机检测静止车辆尾部位置的误差比摄像机检测的误差要小，同时该摄像机中通过Adaboost分类器检测出来的静止车辆候选区域可能为排队车辆尾部的可信度高；情况2：当前时刻有新的车辆即将加入队尾。此时在面对车辆尾部的摄像机中，即将加入队尾的运动车辆会对原来队尾中静止车辆发生遮挡，通过步骤3）的方法检测出的停车波位置会向停车线方向移动，降低检测精度。使用队尾静止车辆特征点跟踪方法来确定是否有新车加入车队，只需通过动态调节面对车辆尾部摄像机的检测结果可信度，使得所有摄像机输出的交通波位置测量值更接近于实际值。

在分布式网络中，第奇数(2m+1)台摄像机为其视野范围内面对车辆头部的摄像机，第偶数(2m+2)台为其视野范围内面对车辆尾部的摄像机，t时刻面对车辆头部的摄像机可信度为a_2m+1(t)，面对车辆尾部的摄像机可信度为a_2m+2(t)，m从0开始取值。在初始时刻将所有摄像机检测结果的可信度设为缺省值1，如果根据权利要求步骤3)中通过摄像机无法获取初始时刻交通波位置测量值，则将这台摄像机的检测结果可信度设为0。动态调整摄像机检测结果的可信度过程中，只调节视野范围内面对车辆尾部的摄像机检测结果可信度a_2m+2(t)。包含以下步骤：

第一步，提取第2m+2台摄像机视野范围内队尾静止车辆不被后面的车辆遮挡时该车尾部的特征点网格图及交通波中停车波位置测量值。

第二步，比较当前时刻车辆尾部特征点网格图结构与未发生遮挡时的特征点网格图结构是否相同，判断是否有新车加入队尾，以调整第2m+2台摄像机t时刻的检测结果可信度a_2m+2(t)。判断过程分以下两种情况：

第1种情况：特征点网格图的结构未发生变化，说明没有新车加入队尾，调整方法分以下几步：

第一步，设可信度a_2m+2(t)的调整范围为[1,10]，可信度调节步长为l；

第二步，判断t时刻停车波位置测量值相对于t-1时刻停车波位置测量值的移动方向与t-1时刻停车波状态最优估计值相对于t-2时刻停车波状态最优估计值的移动方向是否相同。相同，则减小a_2m+2(t)，调节步长大于0，小于0.5；不相同则增大a_2m+2(t)，调节步长大于0，小于0.5;

第2种情况：特征点网格图的结构发生变化，说明有新车即将加入队尾，并对原来队尾静止车辆产生遮挡。调整方法分以下几步：

第一步，设可信度a_2m+2(t)的调整范围为[0.1,1]，可信度调节步长为l；

第二步，判断当前停车波位置测量值是否比未发生遮挡时停车波位置测量值减小，是则减小a_2m+2(t)，调节步长大于0，小于0.1；否则增大a_2m+2(t)，调节步长大于0，小于0.1；

4.2）初始化一致性信息向量和一致性信息矩阵计算公式如下：

其中B_i(t)，z_i(t)分别为当前时刻t摄像机i的预测信息矩阵、测量信息矩阵、交通波状态预测值和交通波位置测量值，H为观测矩阵。

B_i=w_i(cov(γ_i))^-1，H=[1,0]

其中，测量噪声γ_i满足高斯分布，摄像机i的测量噪声权重w_i以摄像机标定理论为基础，摄像机测量噪声权重w计算公式如下：

w=λ^-2M^-TF_I ^-1M^-1

其中,M=D^-1C^-1，C、D分别为摄像机内部参数矩阵、旋转矩阵，λ为比例因子。采用针孔成像模型，将图像上任意一点P反投影到摄像机坐标系，在道路平面坐标系中与路面相交于P′点。F_I为图像平面上P点误差的协方差矩阵，C、D、F_I均是通过摄像机标定得到的。比例因子λ越大，说明摄像机离交通波越远，测量噪声权重越小。

4.3）迭代计算t时刻时迭代计算t时刻时，首先，摄像机i接收通信相连的摄像机j的a_j(t)、的值，并计算摄像机i第k步的一致性信息向量和一致性信息矩阵计算公式如下：

同时摄像机i向通信相连摄像机j传送相应的a_i(t)、

其中k=1,2,....为迭代步，ε为一致性协议增益，取值范围为[0.5,0.85]，a_j(t)表示t时刻与摄像机i通信相连的摄像机j的检测结果可信度，表示t时刻第k-1步与摄像机i通信相连的摄像机j的一致性信息向量，表示t时刻第k-1步与摄像机i通信相连的摄像机j的一致性信息矩阵；

4.4）计算t时刻第k步交通波状态估计值和第k步信息矩阵计算公式如下：

4.5）当或者达到最大迭代次数时，0.1<δ<0.2，则停止迭代，此时，t时刻第k步交通波状态估计值即为t时刻交通波状态最优估计值即为t时刻交通波状态最优信息矩阵然后跳转至步骤2）；否则跳转至步骤4.3。

有益效果

本发明采用了分布式摄像机网络，充分考虑了各摄像机检测结果的权重及检测结果的可信度，采用加权平均一致性算法进行信息融合，使所有摄像机的估计值趋于一致并达到全局最优，也使所有摄像机对队尾消散点的估计趋于一致；使得所有摄像机的估计值更接近于实际值。所以本发明对交通波的检测与跟踪具有更高的精度和鲁棒性。

附图说明

图1 网络摄像机架设示意图；

图2 摄像机i中交通波检测与跟踪流程图；

图3 t时刻摄像机i加权平均一致性信息融合过程；

图4 摄像机i检测结果可信度初始化过程；

图5 视野范围内面对车辆尾部的摄像机可信度调整过程。

具体实施方式

下面结合附图和实例对本发明进行详细阐述。

本发明以3台摄像机所拍摄的交通视频为对象进行了测试，这3台摄像机按照附图1所示的摄像机1、2、3架设在北京华威桥交叉口处，3台摄像机距地面高度为8米。摄像机1和2之间可视区域为120米，摄像机2和3之间盲区为30米。交叉口处共4条车道，从靠近道路中间栏杆的车道开始编号，依次为左转弯车道1,、左转弯车道2、直行车道3、直行车道4。每台摄像机采用1台计算机作为处理单元，对该摄像机拍摄的交通视频中每条车道的交通波进行检测。3台摄像机按照附图1所示的箭头方向进行信息交互，摄像机1与2能够传递信息，摄像机2能和摄像机1、3传递信息，摄像机3可以和摄像机2传递信息。

采用3台摄像机在早晚高峰时段同时拍摄共计300分钟的交通视频，拍摄日期为2011年01月13日、2011年07月08日以及2011年12月12日。各摄像机拍摄的帧频为25帧/秒，每帧图像大小为720*576。系统每2帧执行一次，即每增加2帧，时刻加1。

1）在实验中我们取视频的14500帧到19000帧，3台摄像机同时拍摄交通视频。

2）每台摄像机采用Kalman滤波预测得到t时刻各自跟踪到的交通波状态预测值以及对应的预测信息矩阵。例如，在获取第15130帧交通波状态预测值的过程中，根据第15128帧的交通波状态最优估计值，3台摄像机分别采用Kalman滤波得到15130帧各自跟踪的交通波状态预测值以及信息矩阵，计算公式如下：

其中

3）分别计算摄像机t时刻交通波位置测量值

在测试视频中，计算得到的第15130帧中第3条直行车道的停车波位置预测值只在摄像机1和2的可视区内，这种情况下此时我们采用现有技术中的融合Adaboost分类器的复式伸缩窗算法分别获取摄像机1、2中直行车道交通波位置测量值。

而第15130帧中，左转弯车道1的停车波位置预测值在第2、3台摄像机的盲区内，先将Adaboost分类器检测出的车辆候选区域内的特征点进行分组，采用特征点跟踪方法对进入和驶出2、3盲区的车辆进行跟踪，根据文献已有的交通波估计方法，采用车辆进入和驶出盲区的速度变化，在摄像机3中估计盲区内停车波位置测量值，在摄像机2中估计盲区内启动波位置测量值。

4）采用加权平均一致性信息融合方法，通过迭代得到t时刻的交通波状态最优估计值和最优信息矩阵以分别计算15130帧的摄像机1、2、3的交通波状态最优估计值和交通波状态最优信息矩阵为例，具体如下，计算结果用于计算下一时刻摄像机各自跟踪到的交通波状态预测值：

4.1）计算3台摄像机的检测结果可信度，在第15130帧视频图像中，直行车道3的车辆排队在摄像机1和2的视野重叠范围内，在程序运行的初始时刻将3台摄像机检测结果的可信度设为缺省值1，如果在初始时刻停车波检测位置不在摄像机视野范围内，则将这台摄像机的检测结果可信度置为0,15130帧的检测结果可信度调整过程只需动态调节a₂：

第一步，提取15130帧第2台摄像机视野范围内队尾静止车辆不被后面的车辆遮挡时的该车尾部特征点网格图及停车波位置测量值。

第二步，比较当前时刻车辆尾部特征点网格图结构与未发生遮挡时是否相同，判断是否有新车加入队尾，以调整第2台摄像机t时刻的检测结果可信度a₂。判断过程分以下两种情况：

第1种情况：特征点网格图的结构未发生变化，说明没有新车加入队尾，调整方法分以下几步：

第一步，设可信度a₂(t)的调整范围为[1,10]；

第二步，判断t时刻停车波位置测量值相对于t-1时刻停车波位置测量值的移动方向与t-1时刻停车波状态最优估计值相对于t-2时刻停车波状态最优估计值的移动方向是否相同。相同，则减小a₂(t)，调节步长为0.05；不相同则增大a₂(t)，调节步长为0.05;

第2种情况：特征点网格图的结构发生变化，说明有新车即将加入队尾，并对原来队尾静止车辆发生遮挡。调整方法分以下几步：

第一步，设可信度a₂(t)的调整范围为[0.1,1]；

第二步，判断当前停车波位置测量值是否比未发生遮挡时停车波位置测量值减小，是则减小a₂(t)，调节步长为0.05；否则增大a₂(t)，调节步长为0.05；

4.2）初始化一致性信息向量和一致性信息矩阵计算公式如下：

其中B_i(t)，z_i(t)分别为当前时刻t，即15130帧图像对应的时刻摄像机i的预测信息矩阵、测量信息矩阵、交通波状态预测值和交通波位置测量值，H为观测矩阵。B_i=w_i(cov(γ_i))^-1 H=[1,0]

其中，测量噪声γ_i满足高斯分布，cov(γ_i)=100

摄像机的测量噪声权重w_i采用现有的摄像机标定技术获得。每台测量噪声权重w计算公式如下：

w=λ^-2M^-TF_I ^-1M^-1

其中,M=D^-1C^-1，C、D分别为摄像机内部参数矩阵、旋转矩阵，λ为比例因子，F_I为图像平面上p点误差的协方差矩阵，C、D、F_I均是通过摄像机标定得到，比例因子λ越大，说明摄像机离交通波越远，测量噪声权重越小。

4.3）t时刻第k步迭代时，摄像机i接收通信相连的摄像机j的a_j(t)、 的值。如摄像机2，可接收通信相连的摄像机1的a₁(t)、的值及摄像机3的a₃(t)、的值。并计算摄像机i第k步的一致性信息向量和一致性信息矩阵本实施例中需要分别计算摄像机1、2、3的一致性信息向量和一致性信息矩阵，计算公式如下：

同时摄像机i向通信相连摄像机j传送相应的a_i(t)、

其中最大迭代步数k取3，ε为一致性协议增益，取值0.85，a_j(t)表示t时刻与摄像机i通信相连的摄像机j的检测结果可信度，表示t时刻第k-1步与摄像机i通信相连的摄像机j的一致性信息向量，表示t时刻第k-1步与摄像机i通信相连的摄像机j的一致性信息矩阵；

4.4）计算t时刻第k步交通波状态估计值和第k步信息矩阵本实施例中需要分别计算摄像机1、2、3的t时刻第k步交通波状态估计值和第k步信息矩阵，计算公式如下：

4.5）当或者迭代次数达到3，则停止迭代，此时，摄像机i在t时刻第k步交通波状态估计值即为摄像机i在t时刻交通波状态的最优估计值即为摄像机i在t时刻交通波状态的最优信息矩阵然后跳转至步骤2）获取下一时刻即第15132帧的预测值；否则跳转至步骤4.3。

实验结果对比：

分别采用DLDF、IWCF和本发明对比，对拍摄的交通视频进行测试，得到每条车道的停车波和起动波位置的跟踪结果。将各方法的跟踪结果与人工观测值进行比较，采用公式进行误差统计，其中N为总共采样个数，x_oi和x_ei分别为第i个采样的人工观测值和系统检测值。

得到各方法的MAE如下表所示，从该表中可以看出，本发明所提方法跟踪停车波和起动波的位置精度比DLDF和IWCF都高。

停车波和启动波跟踪位置MAE对比表

Claims (1)

1.基于信息融合的交通波实时检测与跟踪方法，基于分布式摄像机网络，所述的分布式摄像机网络是由一系列按一定方式通信相连的摄像机组成，分布式网络共有n台摄像机，从道路交叉口开始依次从1到n编号；每两台相邻的摄像机间存在相向关系或相背关系，具有相向关系的两台摄像机为视野范围存在重叠区域的相向摄像机对，具有相背关系的两个摄像机为架设在同一位置的视野范围没有重叠的相背摄像机对，即二者间存在盲区；每台摄像机采用1台计算机作为处理单元，具有独立运算功能；N_i表示可向摄像机i传递信息的摄像机编号集合,当i＝1时，N₁＝2，当1＜i＜n时，N_i＝{i-1,i+1}，当i＝n时，N_n＝{n-1}，基于信息融合的交通波实时检测与跟踪方法其特征在于包括以下步骤：

1)分布式摄像机网络中的所有摄像机同时拍摄交通视频；

2)每台摄像机采用Kalman滤波预测得到t时刻各自跟踪到的交通波状态预测值以及对应的预测信息矩阵，计算公式如下，其中，所述的交通波包括停车波或启动波，交通波状态是由交通波的位置与波速构成的向量，

$\stackrel{\&OverBar;}{x_i}\left(t\right)=\mathrm{\&Phi;}\widehat{x_i}(t-1)$

${\stackrel{\&OverBar;}{W}}_i\left(t\right)={\left(\mathrm{\&Phi;}{{\hat{W}}_i}^{-1}\right(t-1){\mathrm{\&Phi;}}^T+Q)}^{-1}$

其中，为第i台摄像机采用Kalman滤波预测得到的t时刻的交通波状态预测值，

为第i台摄像机在t时刻计算得到的预测信息矩阵，

为第i台摄像机计算得到的t-1时刻的交通波状态最优估计值，

为第i台摄像机计算得到的t-1时刻的最优信息矩阵，

为状态转换矩阵，

Q为状态转换噪声的协方差矩阵；

3)计算每台摄像机t时刻的交通波位置测量值z_i(t)，具体为：

当第i台摄像机预测得到的t时刻的交通波状态预测值在该摄像机可视区域内时，则采用融合Adaboost分类器的复式伸缩窗算法获取摄像机i在可视范围内在t时刻的交通波位置测量值z_i(t)；

当第i台摄像机在t时刻预测得到的交通波状态预测值在第i台摄像机所属的相背摄像机对形成的盲区内时，根据Adaboost分类器检测出的车辆头部和尾部候选区域内的特征点，对特征点进行分组，将时空特性相同的特征点分在一组，并对相同组内特征点进行三角剖分形成网格图，采用特征点跟踪方法对车辆进行跟踪，计算感兴趣车辆进入与驶出盲区的速度变化，进而根据交通波估计法估计盲区内t时刻的交通波位置测量值z_i(t)；

4)采用加权平均一致性信息融合方法，通过迭代得到t时刻的交通波状态最优估计值和最优信息矩阵若交通视频不结束则跳转至步骤2)，其中迭代具体如下：

4.1)计算摄像机t时刻检测结果可信度a(t)，在分布式网络中，第奇数(2m+1)台摄像机为其视野范围内面对车辆头部的摄像机，第偶数(2m+2)台为其视野范围内面对车辆尾部的摄像机，t时刻面对车辆头部的摄像机检测结果可信度为a_2m+1(t)，面对车辆尾部的摄像机检测结果可信度为a_2m+2(t)，m从0开始取值，在初始时刻将所有摄像机检测结果可信度设为缺省值1，如果根据权利要求步骤3)中通过某台摄像机无法获取初始时刻停车波位置测量值，则将这台摄像机的检测结果可信度设为0，动态调整摄像机检测结果可信度过程中，只调节视野范围内面对车辆尾部的摄像机检测结果可信度a_2m+2(t)，包含以下步骤：

第一步，提取第2m+2台摄像机视野范围内队尾静止车辆不被后面的车辆遮挡时该车尾部的特征点网格图及停车波位置测量值；

第二步，比较当前时刻车辆尾部特征点网格图结构与未发生遮挡时特征点网格图结构是否相同，判断是否有新车加入队尾，以调整第2m+2台摄像机t时刻的检测结果可信度a_2m+2(t)，判断过程分以下两种情况：

第1种情况：特征点网格图的结构未发生变化，说明没有新车加入队尾，调整方法分以下几步：

第一步，设可信度a_2m+2(t)的调整范围为[1,10]，调节步长用l表示；

第二步，判断t时刻停车波位置测量值相对于t-1时刻停车波位置测量值的移动方向与t-1时刻停车波状态最优估计值相对于t-2时刻停车波状态最优估计值的移动方向是否相同，相同，则减小a_2m+2(t)，调节步长大于0，小于0.5；不相同则增大a_2m+2(t)，调节步长大于0，小于0.5；

第2种情况：特征点网格图的结构发生变化，说明有新车即将加入队尾，并对原来队尾静止车辆产生遮挡，调整方法分以下几步：

第一步，设可信度a_2m+2(t)的调整范围为[0.1,1]，调节步长用l表示；

第二步，判断当前停车波位置测量值是否比未发生遮挡时停车波位置测量值减小，是则减小a_2m+2(t)，调节步长大于0，小于0.1；否则增大a_2m+2(t)，调节步长大于0，小于0.1；

4.2)初始化一致性信息向量和一致性信息矩阵计算公式如下：

$s_i^0\left(t\right)={\stackrel{\&OverBar;}{W}}_i\left(t\right)\stackrel{\&OverBar;}{x_i}\left(t\right)+H^T{B}_i\left(t\right)z_i\left(t\right)$

$S_i^0\left(t\right)={\stackrel{\&OverBar;}{W}}_i\left(t\right)+H^T{B}_i\left(t\right)H$

其中B_i(t)，z_i(t)分别为当前时刻t摄像机i的预测信息矩阵、测量信息矩阵、交通波状态预测值和交通波位置测量值，H为观测矩阵，

B_i＝w_i(cov(γ_i))^-1

其中，测量噪声γ_i满足高斯分布，w_i为摄像机i的测量噪声权重，测量噪声权重w计算公式如下：

$w={\mathrm{\&lambda;}}^{-2}{M}^{-T}{F}_1^{-1}{M}^{-1}$

其中,M＝D^-1C^-1，C、D分别为摄像机内部参数矩阵、旋转矩阵，λ为比例因子，采用针孔成像模型，将图像上任意一点P反投影到摄像机坐标系，在道路平面坐标系中与路面相交于P'点，F_I为图像平面上P点误差的协方差矩阵，C、D、F_I均是通过摄像机离线标定获得的得到的，

4.3)t时刻第k步迭代时，摄像机i接收通信相连的摄像机j的a_j(t)、然后按如下公式迭代计算t时刻时摄像机i第k步的一致性信息向量和一致性信息矩阵

$s_i^k\left(t\right)=s_i^{k-1}\left(t\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\&Sigma;}\frac{a_j\left(t\right)}{a_i\left(t\right)+a_j\left(t\right)}\left(s_j^{k-1}\right(t)-s_i^{k-1}(t\left)\right)$

$S_i^k\left(t\right)=S_i^{k-1}\left(t\right)+\mathrm{\&epsiv;}\underset{j\&Element;N_i}{\mathrm{\&Sigma;}}\frac{a_j\left(t\right)}{a_i\left(t\right)+a_j\left(t\right)}\left(S_j^{k-1}\left(t\right)-S_i^{k-1}\left(t\right)\right)$

同时摄像机i向通信相连摄像机j传送相应的a_i(t)、的值；

其中k＝1,2,....为迭代步，ε为一致性协议增益，取值范围为[0.5,0.85]，a_j(t)表示t时刻与摄像机i通信相连的摄像机j的检测结果可信度，表示t时刻第k-1步与摄像机i通信相连的摄像机j的一致性信息向量，表示t时刻第k-1步与摄像机i通信相连的摄像机j的一致性信息矩阵；

4.4)计算t时刻第k步交通波状态估计值和第k步信息矩阵计算公式如下：

$\widehat{x_{ik}\left(t\right)}={\left(S_i^k\right(t\left)\right)}^{-1}{s}_i^k\left(t\right)$

$\widehat{W_{ik}}\left(t\right)=S_i^k\left(t\right)$

4.5)当0.1<δ<0.2，或者达到最大迭代次数时，则停止迭代，此时，t时刻第k步交通波状态估计值即为t时刻交通波状态最优估计值 即为t时刻最优信息矩阵否则跳转至步骤4.3)。