CN107273634A - 一种实时在线验证复杂交通控制方法 - Google Patents

一种实时在线验证复杂交通控制方法 Download PDF

Info

Publication number
CN107273634A
CN107273634A CN201710534306.9A CN201710534306A CN107273634A CN 107273634 A CN107273634 A CN 107273634A CN 201710534306 A CN201710534306 A CN 201710534306A CN 107273634 A CN107273634 A CN 107273634A
Authority
CN
China
Prior art keywords
image
traffic control
vehicle
simulation
color
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201710534306.9A
Other languages
English (en)
Inventor
曾红兵
王炜
陈刚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University of Technology
Original Assignee
Hunan University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hunan University of Technology filed Critical Hunan University of Technology
Priority to CN201710534306.9A priority Critical patent/CN107273634A/zh
Publication of CN107273634A publication Critical patent/CN107273634A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通控制技术领域，公开了一种实时在线验证复杂交通控制方法，通过多种方式采集交通信息，在高拟真情况下，实时获取连续的拟真交通状态信息提供给拟真交通控制设备；由拟真交通控制设备根据被验证算法生成交通控制方案，重新应用于仿真环境，不断循环，进而对复杂交通控制算法进行实时在线验证。本发明技术具有明显优势，同时可以对复杂的交通控制进行实时的、在线的仿真验证，对于复杂交通控制方法可以安全、有效地应用于实际不同交通状况。

Description

一种实时在线验证复杂交通控制方法
技术领域
本发明属于交通控制技术领域，尤其涉及一种实时在线验证复杂交通控制方法。
背景技术
目前，交通控制，依靠交通警或者采用交通信号控制设备，随着交通变化特性来只会车辆和行人的通行。交通控制运用现代化的通讯设施、信号装置、传感器、监控设备以及计算机对运行中的车辆进行准确的组织、调控，能够安全畅通地运行。在对交通进行管理和控制的任务中，主要包括静态管理和动态管理，静态管理主要是通过对交通系统中的历史数据的分析，从中发现问题并且从中挖掘潜在的规则，对交通系统的发展规律进行预测，进而进行改造和调整；而动态管理以一个指挥者的身份，监视着整个交通系统的运行情况，根据数据采集部件提供的实时数据，随时准备决策。
文献“Madhura Ingalhalikar,et al.Diffusion based Abnormality Markersof Pathology:Towards Learned Diagnostic Prediction of ASD.Neuroimage.2011；57(3):918–927”将地图集中的各向异性(FA)和平均扩散率(MD)的值作为特征，然后将所得特征加入支持向量机(SVM)中，通过留一法不断地选择可以使支持向量机得到最好的正确率和推广性的特征。然而，这种基于地图集的方法无法提取地图集下子区域的相关变量作为特征，这样就无法找到异常的区域。同时，这种方法没有考虑外界环境因素对图像的影响。
综上所述，现在的技术存在的问题是：采集交通信息方式单一，符合实际的交通流模型搭建起来较为复杂，要长时间、大范围地获取仿真模型所需的数据较为困难；智能化控制程度低。
本发明的有益效果在于：
使用置换检验并以外界环境因素为协变量进行初步的特征提取，克服了双 样本t检验对于变量要服从正态分布的假设，考虑了外界环境对图像的影响；外界环境因素包括：温度、光线强度等；
使用线性支持向量机对初选的特征进行二次筛选，去除不是由于个别原因引起的差异而是由于图像预处理或者噪声引起的差异，同时考虑了多个不同区域不同变量的相互作用，克服了t检验只考虑单个变量的缺点。
发明内容
针对现有技术存在的问题，本发明提供了实时在线验证复杂交通控制方法。
本发明是这样实现的，一种实时在线验证复杂交通控制方法，所述实时在线验证复杂交通控制方法通过多种方式采集交通信息，在高拟真情况下，实时获取连续的拟真交通状态信息提供给拟真交通控制设备；由拟真交通控制设备根据被验证算法生成交通控制方案，重新应用于仿真环境，不断循环，进而对复杂交通控制算法进行实时在线验证；
所述的实时在线验证复杂交通控制方法具体包括：
安装监测识别装置：将车辆识别装置与车辆连接，识别车辆标识信息；
所述安装监测识别装置采用二维多尺度离散正交小波变换对所采集的车辆图像进行非均匀光照补偿的实现方法为：
设f(x,y)为车辆图像信号，其反射分量和光照分量分别为r(x,y)和i(x,y)，并定义车辆图像的二维多尺度离散正交小波变换为：
式中，Sjf(n,m)是f(x,y)的低频分量；分别代表f(x,y)的垂直、对角和水平高频分量，车辆图像信号与其反射分量和光照分量之间的关系可以用式(2)来表示：
f(x,y)＝r(x,y)×i(x,y) (2)
将两边取对数后，等式右边的乘积关系转变为加法关系，得式(3)：
lgf(x,y)＝lgr(x,y)+lgi(x,y) (3)
具体步骤如下：
Step 1：对空间域中的车辆图像f(x,y)进行对数变换，得到对数域中的车辆图像f′(x,y)；
Step 2：对f′(x,y)进行多级二维多尺度离散正交小波变换，得到低频分量Sjf(n,m)，垂直、对角和水平高频分量分别为对得到的分量进行高通滤波获得图像的高频部分；
Step 3：提取出第n级高频近似分量Wnf(n,m)；
Step 4：对Wnf(n,m)进行n级二维离散小波重建，得到对数域车辆图像f′(x,y)的重建图像
Step 5：从f′(x,y)中减去后再加上标准光照，得到光照补偿后的图像其中Δu为标准光照,标准光照是指环境中的照度为2000-3000流明，且不受其它光线或颜色的干扰的光照。
采集信息：通过接收信息装置接收车辆定位信息和车辆标识信息，其中车辆定位信息通过定位系统获得；车辆标识信息包括车辆牌照信息、车辆类型以及车辆的全球定位系统的标识符或者其他相关标识信息；
所述接收信息装置利用车辆颜色混合高斯模型对车辆进行分割，把接近于车辆颜色的区域从图像中分离出来的实现方法为：
Step 1：根据车辆颜色在YCbCr色度空间的高斯分布，对彩色图像中每个像素点，利用式(4)将其从RGB色彩空间转换到YCbCr空间后，计算该点属于车辆颜色区域的概率，即根据该点离高斯分布中心的远近得到和车辆颜色的相似度，将彩色图像转化为灰度图，其中每个像素点的灰度与该点颜色的相似度对应，利用式(5)来建立车辆颜色的2D高斯模型：
其中，是Cb,Cr的均值；V是协方差矩阵；N为车辆像素点的总数，左脸颜色高斯密度函数为：
右脸颜色高斯密度函数为：
其中，和分别为左右脸的方差；kL与kR分别为左右脸高斯模型常数，
Step 2：建立车辆高斯模型后，设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割，输入为原始图像，输出是表示皮肤和非皮肤区域的皮肤分割二值图像；
Step 3：通过式(8)定义色度颜色，以对f(R,G,B)＝g(r,b)标准化处理，将周围光线所引起的车辆区域亮度的变化去除，没有亮度分量时也可以认为是纯色，其中式(8)为：
通过计算,得到式(5)中m的值为[117.4316 148.5599]；
Step 4：从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类颜色的颜色分布，颜色样本从彩色图像中选取，并通过一个低通滤波器减小样本中噪声干扰，低通滤波器的脉冲响应为：
1/9[1，1，1；1，1，1；1，1，1]；
Step 5：通过聚类准则来进行模糊分类，采用基于区域增长算法的自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果；
fk(X,μ,v)是类内误差的加权平方和目标函数；μij是模糊划分矩阵，用式(10)来计算；vi是模糊聚类中心，用式(11)来计算；dij是类间距离；c聚类类别数；
而且μij需要满足下面三个约束条件：
通过交通控制算法将采集信息数据格式进行转换：采集被验证的交通控制算法所要应用的道路区域的交通状态信息数据，对采集到的交通状态信息数据依照各类检测设备的数据格式进行转换，得到仿真数据；然后对仿真数据进行筛选、预处理后储存在数据库模块中；
所述消除数据预处理，舍弃添加零点位置处的数据，得到的反射参数和传输参数除以窗函数，消除加窗产生的影响，得到最终的补偿后的反射参数FS11_C(i)和传输参数FS21_C(i)：
(i＝1,2…)；
W(i)数据预处理中的窗函数；
搭建仿真路网：根据采集到的交通状态信息数据，在交通仿真软件模块上利用交通仿真软件其路网搭建功能搭建仿真路网；利用交通仿真软件中的道路编辑功能将采集得到的实际道路的硬件信息，在仿真路网上布设拟真交通检测设备及拟真交通控制设备，给定交通仿真软件模块初始交通状态信息；
实现复杂交通控制实施在线验证：拟真交通检测设备继续采集实时数据，构成的回路，实现对全过程的仿真验证；拟真交通检测设备在线采集交通控制方案实施后的交通状态信息，与初次采集被验证的交通控制算法所要应用的道路区域的交通状态信息数据进行比较，实现复杂交通控制算法的实时在线验证。
进一步，所述实时获取连续的拟真交通状态信息包括图像数据的采集，其中，所述图像数据分为正常组和异常组两组，通过监测识别装置采集，再采用弥散加权序列得到弥散图像数据；所述实时获取连续的拟真交通状态信息的方法包括如下步骤：
步骤一，将所述弥散图像数据进行预处理：
步骤二，提取步骤一得出的每个个体的所述各向异性图像、平均扩散率图像和径向弥散率图像的特征；
步骤三，对步骤二所得的存在显著差异的区域进行多变量分析。
进一步，所述步骤一，将所述弥散图像数据进行预处理，具体包括：
1)，用基于Linux的FSL软件对所述弥散图像数据进行去涡流处理和图像矫正；
2)，对经所述1)处理得出的图像进行去噪处理；
3)，对经所述2)处理得出的图像进行弥散张量拟合，得出各向异性图像、平均扩散率图像、径向弥散率图像；
4)，将所述各向异性图像通过非线性配准方法配准到标准空间；
5)，将所有配准到标准空间的所述各向异性图像进行平均得到平均各向异性图像；
6)，将所述平均各向异性图像进行标准化，得到仿真图像。
所述步骤二中，提取步骤一得出的每个个体的所述各向异性图像、平均扩散率图像和径向弥散率图像的特征，具体包括：
将各个体的各向异性图像、平均扩散率图像、径向弥散率图像分别进行逐体置换检验并以外界环境因素作为协变量得到检验后的图像；
将所述检验后的图像设置阈值，得到所述正常组和所述正常组的向异性值、平均扩散率值、径向弥散率值存在显著差异的区域。
进一步，所述步骤三中，对步骤二所得的存在显著差异的区域进行多变量分析，具体包括：
分别对所述存在显著差异的区域中的各向异性值、平均扩散率值、径向弥散率值进行平均，得到所述存在显著差异的区域中的平均各向异性值、平均平均扩散率值、平均径向弥散率值；
基于MATLAB软件将所述的平均各向异性值、平均平均扩散率值、平均径向弥散率值作为特征输入到线性支持向量机中，通过留一法对线性支持向量机进行训练，最终得出特征所在的区域，从而得到与失真有关的区域。
进一步，所述通过留一法对线性支持向量机进行训练的具体包括：
用n表示数据样本中的个体总数，而各个体都有m个特征量，而各个体的类属性都是已知的；将得到的数据样本分为两组，一组是测试集，包含一个个体，一组是训练集，包括除测试集中所含个体外的所有图像，共n-1个个体；
用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以下公式计算得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
yi(wTxi+b)-1+ξi≥0
s.t.ξi≥0；
其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξi测量错分程度；yi为每个人的类属性；xi为每个个体的特征向量；b为常数；
用已知类属性的所述测试集来评估所述训练后支持向量机的性能：用所述训练后支持向量机来判断所述测试集的类属性，所述训练后支持向量机会给出属性标签1或-1，其中1为异常，-1为正常，通过所述训练后支持向量机得出的判断结果与所述测试集的实际类属性相比较，两者若一致，则所述训练后支持向量机分类正确，否则，则分类错误；
重新将n个个体分为测试集和训练集，所述测试集包含一个个体，且该个体与前一次测试的测试集中的个体不相同，余下的所有个体作为训练集，然后按照训练所述线性支持向量机，得出训练后支持向量机，然后再评估得出的所述训练后支持向量机的性能；重复n-1次后停止；
将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量；
所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判断是否停止：如果该轮n次测试的分类正确率大于或等于上一轮n次测试的分类正确率，则返回执行将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量步骤，否则停止。
本发明另一目的在于提供一种实时在线验证复杂交通控制系统。
本发明的优点及积极效果为：该方法可以通过多种方式采集交通信息，在高拟真情况下，实时获取连续的拟真交通状态信息提供给拟真交通控制设备，由拟真交通控制设备根据被验证算法生成交通控制方案，重新应用于仿真环境，不断循环，进而对复杂交通控制算法进行实时在线验证的方法。同时可以对复杂的交通控制进行实时的、在线的仿真验证，对于复杂交通控制方法可以安全、有效地应用于实际不同交通状况。本发明的定位系统采用北斗卫星或者GPS卫 星。
附图说明
图1是本发明实施提供的实时在线验证复杂交通控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
下面结合附图及具体实施例对本发明作详细描述。
本发明实施提供的实时在线验证复杂交通控制方法，所述实时在线验证复杂交通控制方法通过多种方式采集交通信息，在高拟真情况下，实时获取连续的拟真交通状态信息提供给拟真交通控制设备；由拟真交通控制设备根据被验证算法生成交通控制方案，重新应用于仿真环境，不断循环，进而对复杂交通控制算法进行实时在线验证。
如图1所示，本发明实施提供的所述的实时在线验证复杂交通控制方法具体包括：
S101：安装监测识别装置：将车辆识别装置与车辆连接，识别车辆标识信息；
S102：采集信息：通过接收信息装置接收车辆定位信息和车辆标识信息，其中车辆定位信息通过定位系统获得；车辆标识信息包括车辆牌照信息、车辆类型以及车辆的全球定位系统的标识符或者其他相关标识信息；
S103：通过交通控制算法将采集信息数据格式进行转换：采集被验证的交通控制算法所要应用的道路区域的交通状态信息数据，对采集到的交通状态信息数据依照各类检测设备的数据格式进行转换，得到仿真数据；然后对仿真数据进行筛选、预处理后储存在数据库模块中；
S104：搭建仿真路网：根据采集到的交通状态信息数据，在交通仿真软件模块上利用交通仿真软件其路网搭建功能搭建仿真路网；利用交通仿真软件中 的道路编辑功能将采集得到的实际道路的硬件信息，在仿真路网上布设拟真交通检测设备及拟真交通控制设备，给定交通仿真软件模块初始交通状态信息；
S105：实现复杂交通控制实施在线验证：拟真交通检测设备继续采集实时数据，构成的回路，实现对全过程的仿真验证；拟真交通检测设备在线采集交通控制方案实施后的交通状态信息，与初次采集被验证的交通控制算法所要应用的道路区域的交通状态信息数据进行比较，实现复杂交通控制算法的实时在线验证。
所述安装监测识别装置采用二维多尺度离散正交小波变换对所采集的车辆图像进行非均匀光照补偿的实现方法为：
设f(x,y)为车辆图像信号，其反射分量和光照分量分别为r(x,y)和i(x,y)，并定义车辆图像的二维多尺度离散正交小波变换为：
式中，Sjf(n,m)是f(x,y)的低频分量；分别代表f(x,y)的垂直、对角和水平高频分量，车辆图像信号与其反射分量和光照分量之间的关系可以用式(2)来表示：
f(x,y)＝r(x,y)×i(x,y) (2)
将两边取对数后，等式右边的乘积关系转变为加法关系，得式(3)：
lgf(x,y)＝lgr(x,y)+lgi(x,y) (3)
具体步骤如下：
Step 1：对空间域中的车辆图像f(x,y)进行对数变换，得到对数域中的车辆图像f′(x,y)；
Step 2：对f′(x,y)进行多级二维多尺度离散正交小波变换，得到低频分量 Sjf(n,m)，垂直、对角和水平高频分量分别为对得到的分量进行高通滤波获得图像的高频部分；
Step 3：提取出第n级高频近似分量Wnf(n,m)；
Step 4：对Wnf(n,m)进行n级二维离散小波重建，得到对数域车辆图像f′(x,y)的重建图像
Step 5：从f′(x,y)中减去后再加上标准光照，得到光照补偿后的图像其中Δu为标准光照,标准光照是指环境中的照度为2000-3000流明，且不受其它光线或颜色的干扰的光照。
所述接收信息装置利用车辆颜色混合高斯模型对车辆进行分割，把接近于车辆颜色的区域从图像中分离出来的实现方法为：
Step 1：根据车辆颜色在YCbCr色度空间的高斯分布，对彩色图像中每个像素点，利用式(4)将其从RGB色彩空间转换到YCbCr空间后，计算该点属于车辆颜色区域的概率，即根据该点离高斯分布中心的远近得到和车辆颜色的相似度，将彩色图像转化为灰度图，其中每个像素点的灰度与该点颜色的相似度对应，利用式(5)来建立车辆颜色的2D高斯模型：
其中，是Cb,Cr的均值；V是协方差矩阵；N为车辆像素点的总数，左脸颜色高斯密度函数为：
右脸颜色高斯密度函数为：
其中，和分别为左右脸的方差；kL与kR分别为左右脸高斯模型常数，
Step 2：建立车辆高斯模型后，设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割，输入为原始图像，输出是表示皮肤和非皮肤区域的皮肤分割二值图像；
Step 3：通过式(8)定义色度颜色，以对f(R,G,B)＝g(r,b)标准化处理，将周围光线所引起的车辆区域亮度的变化去除，没有亮度分量时也可以认为是纯色，其中式(8)为：
通过计算,得到式(5)中m的值为[117.4316 148.5599]；
Step 4：从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类颜色的颜色分布，颜色样本从彩色图像中选取，并通过一个低通滤波器减小样本中噪声干扰，低通滤波器的脉冲响应为：
1/9[1，1，1；1，1，1；1，1，1]；
Step 5：通过聚类准则来进行模糊分类，采用基于区域增长算法的自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果；
fk(X,μ,v)是类内误差的加权平方和目标函数；μij是模糊划分矩阵，用式(10)来计算；vi是模糊聚类中心，用式(11)来计算；dij是类间距离；c聚类类别数；
而且μij需要满足下面三个约束条件：
所述消除数据预处理，舍弃添加零点位置处的数据，得到的反射参数和传输参数除以窗函数，消除加窗产生的影响，得到最终的补偿后的反射参数FS11_C(i)和传输参数FS21_C(i)：
(i＝1,2…)；
W(i)数据预处理中的窗函数；
所述实时获取连续的拟真交通状态信息包括图像数据的采集，其中，所述图像数据分为正常组和异常组两组，通过监测识别装置采集，再采用弥散加权序列得到弥散图像数据；所述实时获取连续的拟真交通状态信息的方法包括如下步骤：
步骤一，将所述弥散图像数据进行预处理：
步骤二，提取步骤一得出的每个个体的所述各向异性图像、平均扩散率图像和径向弥散率图像的特征；
步骤三，对步骤二所得的存在显著差异的区域进行多变量分析。
进一步，所述步骤一，将所述弥散图像数据进行预处理，具体包括：
1)，用基于Linux的FSL软件对所述弥散图像数据进行去涡流处理和图像 矫正；
2)，对经所述1)处理得出的图像进行去噪处理；
3)，对经所述2)处理得出的图像进行弥散张量拟合，得出各向异性图像、平均扩散率图像、径向弥散率图像；
4)，将所述各向异性图像通过非线性配准方法配准到标准空间；
5)，将所有配准到标准空间的所述各向异性图像进行平均得到平均各向异性图像；
6)，将所述平均各向异性图像进行标准化，得到仿真图像。
所述步骤二中，提取步骤一得出的每个个体的所述各向异性图像、平均扩散率图像和径向弥散率图像的特征，具体包括：
将各个体的各向异性图像、平均扩散率图像、径向弥散率图像分别进行逐体置换检验并以外界环境因素作为协变量得到检验后的图像；
将所述检验后的图像设置阈值，得到所述正常组和所述正常组的向异性值、平均扩散率值、径向弥散率值存在显著差异的区域。
所述步骤三中，对步骤二所得的存在显著差异的区域进行多变量分析，具体包括：
分别对所述存在显著差异的区域中的各向异性值、平均扩散率值、径向弥散率值进行平均，得到所述存在显著差异的区域中的平均各向异性值、平均平均扩散率值、平均径向弥散率值；
基于MATLAB软件将所述的平均各向异性值、平均平均扩散率值、平均径向弥散率值作为特征输入到线性支持向量机中，通过留一法对线性支持向量机进行训练，最终得出特征所在的区域，从而得到与失真有关的区域。
所述通过留一法对线性支持向量机进行训练的具体包括：
用n表示数据样本中的个体总数，而各个体都有m个特征量，而各个体的类属性都是已知的；将得到的数据样本分为两组，一组是测试集，包含一个个体，一组是训练集，包括除测试集中所含个体外的所有图像，共n-1个个体；
用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以 下公式计算得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
yi(wTxi+b)-1+ξi≥0
s.t.ξi≥0；
其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξi测量错分程度；yi为每个人的类属性；xi为每个个体的特征向量；b为常数；
用已知类属性的所述测试集来评估所述训练后支持向量机的性能：用所述训练后支持向量机来判断所述测试集的类属性，所述训练后支持向量机会给出属性标签1或-1，其中1为异常，-1为正常，通过所述训练后支持向量机得出的判断结果与所述测试集的实际类属性相比较，两者若一致，则所述训练后支持向量机分类正确，否则，则分类错误；
重新将n个个体分为测试集和训练集，所述测试集包含一个个体，且该个体与前一次测试的测试集中的个体不相同，余下的所有个体作为训练集，然后按照训练所述线性支持向量机，得出训练后支持向量机，然后再评估得出的所述训练后支持向量机的性能；重复n-1次后停止；
将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量；
所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判断是否停止：如果该轮n次测试的分类正确率大于或等于上一轮n次测试的分类正确率，则返回执行将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量步骤，否则停止。
本发明的方法可以通过多种方式采集交通信息，在高拟真情况下，实时获取连续的拟真交通状态信息提供给拟真交通控制设备，由拟真交通控制设备根据被验证算法生成交通控制方案，重新应用于仿真环境，不断循环，进而对复杂交通控制算法进行实时在线验证的方法。同时可以对复杂的交通控制进行实 时的、在线的仿真验证，对于复杂交通控制方法可以安全、有效地应用于实际不同交通状况。本发明的定位系统采用北斗卫星或者GPS卫星。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种实时在线验证复杂交通控制方法，其特征在于，所述实时在线验证复杂交通控制方法通过多种方式采集交通信息，在高拟真情况下，实时获取连续的拟真交通状态信息提供给拟真交通控制设备；由拟真交通控制设备根据被验证算法生成交通控制方案，重新应用于仿真环境，不断循环，进而对复杂交通控制算法进行实时在线验证；
所述的实时在线验证复杂交通控制方法具体包括：
安装监测识别装置：将车辆识别装置与车辆连接，识别车辆标识信息；
所述安装监测识别装置采用二维多尺度离散正交小波变换对所采集的车辆图像进行非均匀光照补偿的实现方法为：
设f(x,y)为车辆图像信号，其反射分量和光照分量分别为r(x,y)和i(x,y)，并定义车辆图像的二维多尺度离散正交小波变换为：
式中，Sjf(n,m)是f(x,y)的低频分量；分别代表f(x,y)的垂直、对角和水平高频分量，车辆图像信号与其反射分量和光照分量之间的关系可以用式(2)来表示：
f(x,y)＝r(x,y)×i(x,y) (2)
将两边取对数后，等式右边的乘积关系转变为加法关系，得式(3)：
lgf(x,y)＝lgr(x,y)+lgi(x,y) (3)
具体步骤如下：
Step1：对空间域中的车辆图像f(x,y)进行对数变换，得到对数域中的车辆图像f′(x,y)；
Step2：对f′(x,y)进行多级二维多尺度离散正交小波变换，得到低频分量 Sjf(n,m)，垂直、对角和水平高频分量分别为对得到的分量进行高通滤波获得图像的高频部分；
Step3：提取出第n级高频近似分量Wnf(n,m)；
Step4：对Wnf(n,m)进行n级二维离散小波重建，得到对数域车辆图像f′(x,y)的重建图像
Step5：从f′(x,y)中减去后再加上标准光照，得到光照补偿后的图像其中Δu为标准光照,标准光照是指环境中的照度为2000-3000流明，且不受其它光线或颜色的干扰的光照；
采集信息：通过接收信息装置接收车辆定位信息和车辆标识信息，其中车辆定位信息通过定位系统获得；车辆标识信息包括车辆牌照信息、车辆类型以及车辆的全球定位系统的标识符或者其他相关标识信息；
所述接收信息装置利用车辆颜色混合高斯模型对车辆进行分割，把接近于车辆颜色的区域从图像中分离出来的实现方法为：
Step1：根据车辆颜色在YCbCr色度空间的高斯分布，对彩色图像中每个像素点，利用式(4)将其从RGB色彩空间转换到YCbCr空间后，计算该点属于车辆颜色区域的概率，即根据该点离高斯分布中心的远近得到和车辆颜色的相似度，将彩色图像转化为灰度图，其中每个像素点的灰度与该点颜色的相似度对应，利用式(5)来建立车辆颜色的2D高斯模型：
其中，是Cb,Cr的均值；V是协方差矩阵；N为车辆像素点的总数，左脸颜 色高斯密度函数为：
右脸颜色高斯密度函数为：
其中，和分别为左右脸的方差；kL与kR分别为左右脸高斯模型常数，
Step2：建立车辆高斯模型后，设计一个基于颜色核心和模糊分割的皮肤分类器对彩色图像进行皮肤分割，输入为原始图像，输出是表示皮肤和非皮肤区域的皮肤分割二值图像；
Step3：通过式(8)定义色度颜色，以对f(R,G,B)＝g(r,b)标准化处理，将周围光线所引起的车辆区域亮度的变化去除，没有亮度分量时也可以认为是纯色，其中式(8)为：
通过计算,得到式(5)中m的值为[117.4316 148.5599]；
Step4：从100幅彩色图像中得到皮肤样本YCbCr色度空间中确定人类颜色的颜色分布，颜色样本从彩色图像中选取，并通过一个低通滤波器减小样本中噪声干扰，低通滤波器的脉冲响应为：
1/9 [1，1，1；1，1，1；1，1，1]；
Step5：通过聚类准则来进行模糊分类，采用基于区域增长算法的自适应阈值处理,在每次分割中使用的都是最优阈值,基于区域增长的自适应阈值是根据逐步计算的结果得到的,递进地使阈值减小可看到分割区域的增大,但每次增长的变化量是逐渐地减少的,而使区域增长最小的阈值即是最优结果；
fk(X,μ,v)是类内误差的加权平方和目标函数；μij是模糊划分矩阵，用式(10)来计算；vi是模糊聚类中心，用式(11)来计算；dij是类间距离；c聚类类别数；
而且μij需要满足下面三个约束条件：
通过交通控制算法将采集信息数据格式进行转换：采集被验证的交通控制算法所要应用的道路区域的交通状态信息数据，对采集到的交通状态信息数据依照各类检测设备的数据格式进行转换，得到仿真数据；然后对仿真数据进行筛选、预处理后储存在数据库模块中；
所述消除数据预处理，舍弃添加零点位置处的数据，得到的反射参数和传输参数除以窗函数，消除加窗产生的影响，得到最终的补偿后的反射参数FS11_C(i)和传输参数FS21_C(i)：
(i＝1,2…)；
W(i)数据预处理中的窗函数；
搭建仿真路网：根据采集到的交通状态信息数据，在交通仿真软件模块上利用交通仿真软件其路网搭建功能搭建仿真路网；利用交通仿真软件中的道路编辑功能将采集得到的实际道路的硬件信息，在仿真路网上布设拟真交通检测设备及拟真交通控制设备，给定交通仿真软件模块初始交通状态信息；
实现复杂交通控制实施在线验证：拟真交通检测设备继续采集实时数据，构成的回路，实现对全过程的仿真验证；拟真交通检测设备在线采集交通控制方案实施后的交通状态信息，与初次采集被验证的交通控制算法所要应用的道路区域的交通状态信息数据进行比较，实现复杂交通控制算法的实时在线验证。
2.如权利要求1所述的实时在线验证复杂交通控制方法，其特征在于，所述实时获取连续的拟真交通状态信息包括图像数据的采集，其中，所述图像数据分为正常组和异常组两组，通过监测识别装置采集，再采用弥散加权序列得到弥散图像数据；所述实时获取连续的拟真交通状态信息的方法包括如下步骤：
步骤一，将所述弥散图像数据进行预处理：
步骤二，提取步骤一得出的每个个体的所述各向异性图像、平均扩散率图像和径向弥散率图像的特征；
步骤三，对步骤二所得的存在显著差异的区域进行多变量分析。
3.如权利要求2所述的实时在线验证复杂交通控制方法，其特征在于，所述步骤一，将所述弥散图像数据进行预处理，具体包括：
1)用基于Linux的FSL软件对所述弥散图像数据进行去涡流处理和图像矫正；
2)对经所述1)处理得出的图像进行去噪处理；
3)对经所述2)处理得出的图像进行弥散张量拟合，得出各向异性图像、平均扩散率图像、径向弥散率图像；
4)将所述各向异性图像通过非线性配准方法配准到标准空间；
5)将所有配准到标准空间的所述各向异性图像进行平均得到平均各向异性图像；
6)将所述平均各向异性图像进行标准化，得到仿真图像。
4.如权利要求2所述的实时在线验证复杂交通控制方法，其特征在于，所述步骤二中，提取步骤一得出的每个个体的所述各向异性图像、平均扩散率图像和径向弥散率图像的特征，具体包括：
将各个体的各向异性图像、平均扩散率图像、径向弥散率图像分别进行逐 体置换检验并以外界环境因素作为协变量得到检验后的图像；
将所述检验后的图像设置阈值，得到所述正常组和所述正常组的向异性值、平均扩散率值、径向弥散率值存在显著差异的区域。
5.如权利要求2所述的实时在线验证复杂交通控制方法，其特征在于，所述步骤三中，对步骤二所得的存在显著差异的区域进行多变量分析，具体包括：
分别对所述存在显著差异的区域中的各向异性值、平均扩散率值、径向弥散率值进行平均，得到所述存在显著差异的区域中的平均各向异性值、平均平均扩散率值、平均径向弥散率值；
基于MATLAB软件将所述的平均各向异性值、平均平均扩散率值、平均径向弥散率值作为特征输入到线性支持向量机中，通过留一法对线性支持向量机进行训练，最终得出特征所在的区域，从而得到与失真有关的区域。
6.如权利要求5所述的实时在线验证复杂交通控制方法，其特征在于，
所述通过留一法对线性支持向量机进行训练，具体包括：
用n表示数据样本中的个体总数，而各个体都有m个特征量，而各个体的类属性都是已知的；将得到的数据样本分为两组，一组是测试集，包含一个个体，一组是训练集，包括除测试集中所含个体外的所有图像，共n-1个个体；
用所述训练集训练所述线性支持向量机，得出训练后支持向量机：根据以下公式计算得到权值向量w，w为一个m维列向量，其中的每个元素对应一个特征量；
yi(wTxi+b)-1+ξi≥0
s.t. ξi≥0；
其中，γ是惩罚参数，用来实现算法复杂度和错分样本数的折中；ξi测量错分程度；yi为每个人的类属性；xi为每个个体的特征向量；b为常数；
用已知类属性的所述测试集来评估所述训练后支持向量机的性能：用所述训练后支持向量机来判断所述测试集的类属性，所述训练后支持向量机会给出 属性标签1或-1，其中1为异常，-1为正常，通过所述训练后支持向量机得出的判断结果与所述测试集的实际类属性相比较，两者若一致，则所述训练后支持向量机分类正确，否则，则分类错误；
重新将n个个体分为测试集和训练集，所述测试集包含一个个体，且该个体与前一次测试的测试集中的个体不相同，余下的所有个体作为训练集，然后按照训练所述线性支持向量机，得出训练后支持向量机，然后再评估得出的所述训练后支持向量机的性能；重复n-1次后停止；
将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量；
所得出的该轮n次测试中的分类正确率和上一轮n次测试的分类正确率比较的结果判断是否停止：如果该轮n次测试的分类正确率大于或等于上一轮n次测试的分类正确率，则返回执行将每个特征的n次权值求平均权值，并依据平均权值将特征由大到小进行排序，去除排序最低的特征量步骤，否则停止。
7.一种如权利要求1所述实时在线验证复杂交通控制方法的实时在线验证复杂交通控制系统。
CN201710534306.9A 2017-07-03 2017-07-03 一种实时在线验证复杂交通控制方法 Pending CN107273634A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710534306.9A CN107273634A (zh) 2017-07-03 2017-07-03 一种实时在线验证复杂交通控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710534306.9A CN107273634A (zh) 2017-07-03 2017-07-03 一种实时在线验证复杂交通控制方法

Publications (1)

Publication Number Publication Date
CN107273634A true CN107273634A (zh) 2017-10-20

Family

ID=60071341

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710534306.9A Pending CN107273634A (zh) 2017-07-03 2017-07-03 一种实时在线验证复杂交通控制方法

Country Status (1)

Country Link
CN (1) CN107273634A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567743A (zh) * 2011-12-20 2012-07-11 东南大学 基于视频图像的驾驶员姿态自动识别方法
CN103632132A (zh) * 2012-12-11 2014-03-12 广西工学院 一种基于肤色分割和模板匹配的人脸检测与识别方法
CN103996196A (zh) * 2014-05-28 2014-08-20 西安电子科技大学 一种基于多变量的dti图像分析方法
CN104050319A (zh) * 2014-06-13 2014-09-17 浙江大学 一种实时在线验证复杂交通控制算法的方法
CN104931912A (zh) * 2015-06-12 2015-09-23 西安电子科技大学 一种矢量网络分析仪的时域补偿方法
CN105868700A (zh) * 2016-03-25 2016-08-17 哈尔滨工业大学深圳研究生院 一种基于监控视频的车型识别与跟踪方法及系统
CN105957356A (zh) * 2016-05-30 2016-09-21 曹莲英 一种基于行人数量的交通控制系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102567743A (zh) * 2011-12-20 2012-07-11 东南大学 基于视频图像的驾驶员姿态自动识别方法
CN103632132A (zh) * 2012-12-11 2014-03-12 广西工学院 一种基于肤色分割和模板匹配的人脸检测与识别方法
CN103996196A (zh) * 2014-05-28 2014-08-20 西安电子科技大学 一种基于多变量的dti图像分析方法
CN104050319A (zh) * 2014-06-13 2014-09-17 浙江大学 一种实时在线验证复杂交通控制算法的方法
CN104931912A (zh) * 2015-06-12 2015-09-23 西安电子科技大学 一种矢量网络分析仪的时域补偿方法
CN105868700A (zh) * 2016-03-25 2016-08-17 哈尔滨工业大学深圳研究生院 一种基于监控视频的车型识别与跟踪方法及系统
CN105957356A (zh) * 2016-05-30 2016-09-21 曹莲英 一种基于行人数量的交通控制系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
李颖宏，潘佳琪: "基于Optima 的实时在线交通流预测方法研究", 《交通运输系统工程与信息》 *
王炜，周维龙: "不确定采样系统的鲁棒镇定控制器设计", 《湖南工业大学学报》 *
王炜; 曾红兵: "初探信息化教学模式在《单片机原理与应用》课程中的应用", 《科技视界》 *
陈 刚，王信: "分析时变时滞系统稳定性的新判据", 《湖南工业大学学报》 *

Similar Documents

Publication Publication Date Title
Eisenbach et al. How to get pavement distress detection ready for deep learning? A systematic approach
CN110334706B (zh) 一种图像目标识别方法及装置
Viswanathan Fuzzy C means detection of leukemia based on morphological contour segmentation
Banharnsakun Hybrid ABC-ANN for pavement surface distress detection and classification
CN111738064B (zh) 一种雾霾图像的雾浓度识别方法
Sugiarto et al. Wood identification based on histogram of oriented gradient (HOG) feature and support vector machine (SVM) classifier
CN111611874B (zh) 基于ResNet和Canny的人脸口罩佩戴检测方法
CN111507426B (zh) 基于视觉融合特征的无参考图像质量分级评价方法及装置
CN108537751B (zh) 一种基于径向基神经网络的甲状腺超声图像自动分割方法
CN111127499A (zh) 一种基于语义轮廓信息的安检图像刀具检测分割方法
CN108765465A (zh) 一种无监督sar图像变化检测方法
CN109255326B (zh) 一种基于多维信息特征融合的交通场景烟雾智能检测方法
CN110598560A (zh) 基于神经网络增强的夜间监控识别方法和系统
CN109063572A (zh) 一种基于多尺度和多卷积层特征融合的指纹活性检测方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN111428631A (zh) 无人机飞控信号可视化识别分选方法
CN110264454A (zh) 基于多隐藏层条件随机场的宫颈癌组织病理图像诊断方法
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
Song et al. A novel self-learning weighted fuzzy local information clustering algorithm integrating local and non-local spatial information for noise image segmentation
CN109961425A (zh) 一种动态水的水质识别方法
CN112088296A (zh) 用于检测细胞学样品中的具有至少一个异常的细胞的方法
CN110910497B (zh) 实现增强现实地图的方法和系统
Kumar et al. Histogram thresholding in image segmentation: a joint level set method and lattice boltzmann method based approach
CN116524269A (zh) 一种视觉识别检测系统
Ju et al. A novel fully convolutional network based on marker-controlled watershed segmentation algorithm for industrial soot robot target segmentation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20171020

RJ01 Rejection of invention patent application after publication