CN107945513A - 一种智能交通仿真集成系统 - Google Patents

一种智能交通仿真集成系统 Download PDF

Info

Publication number
CN107945513A
CN107945513A CN201711220890.7A CN201711220890A CN107945513A CN 107945513 A CN107945513 A CN 107945513A CN 201711220890 A CN201711220890 A CN 201711220890A CN 107945513 A CN107945513 A CN 107945513A
Authority
CN
China
Prior art keywords
mrow
msub
msubsup
msup
mtd
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
CN201711220890.7A
Other languages
English (en)
Inventor
林晓辉
曹成涛
黄�良
李彩红
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.)
Guangdong Communications Polytechnic
Original Assignee
Guangdong Communications Polytechnic
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 Guangdong Communications Polytechnic filed Critical Guangdong Communications Polytechnic
Priority to CN201711220890.7A priority Critical patent/CN107945513A/zh
Publication of CN107945513A publication Critical patent/CN107945513A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications

Landscapes

  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Peptides Or Proteins (AREA)

Abstract

本发明属于交通安全设备领域，公开了一种智能交通仿真集成系统，设置有：车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器、交通灯杆横梁及交通灯杆。本发明通过数据处理器来处理采集器采集到的数据；通过数据设置器来设定上述各类信息的安全值；当所测定数据超过上述各类信息的安全值时，通过报警器来报警，提醒行驶车辆和交警；本发明结构简单，操作简便，在使用时只需设定好各类信息的安全值即可，超过安全值会自动报警。有利于提高道路交通安全，非常值得推广使用。

Description

一种智能交通仿真集成系统
技术领域
本发明属于交通安全设备领域，尤其涉及一种智能交通仿真集成系统。
背景技术
目前，城市管理者对城市道路交通安全越来越重视，随着人们生活条件的提高，越来越多的家庭购置了车辆。但是各种交通不安全的行为也日益显现出来。道路交通安全的保障需要交警，道路交通安全设备缺乏，功能单一，不能智能系统化来管理道路。
无线传感器网络(WSN)定位技术是一种关键核心支撑技术，WSN的某些拓扑控制、路由选择、负载均衡等理论都非常依赖于节点的未知信息。WSN定位基本技术原理是未知节点通过与少量已知位置信息的锚节点进行通信来估算自身的位置。近年来，WSN定位方法研究取得了大量研究成果。
根据定位过程是否需要测量距离，WSN节点定位可采用基于测距的定位方法和无需测距的定位方法，其中基于测距的定位方法需要额外硬件支持，定位成本较高，定位精度高但易受环境因素影响；而无需测距的定位方法虽然定位精度较低，但成本低且不易受环境因素影响，更适合低成本WSN的应用。
根据锚节点是否移动，WSN定位方法可分为静态锚节点定位和动态锚节点定位两种。通常采用静态锚节点时需要一定的密度以满足连通性需求，因此在一定范围内，锚节点数量越多，相应的未知节点定位精度也会越高，而由此也导致一些问题，如锚节点资源浪费、算法复杂度过高、定位成本增高等。而动态锚节点的使用可大大减少锚节点数量，且更灵活，近年来倍受关注，许多学者从不同的角度提出了基于移动锚节点的定位算法。
早期的移动锚节点定位技术研究主要集中在锚节点的移动路径规划，探索在覆盖范围和移动路径长度方面的最优路径选择，如早期出现的Scan、Double Scan和Hilbert路径，以及后来的Circle、S-Curve、螺旋线和随机移动模型等。近年来，针对移动锚节点的辅助定位方法，文献[1]中采用移动锚节点沿部署区域内的等边三角形轨迹遍历整个WSN的方法进行定位，以保证所有未知节点都接收到消息，并得到估计位置，相比其他方法其定位精度较高；文献[2]描述了一种基于正六边形移动轨迹的定位方法，通过多层正六边形实现WSN部署区域的全覆盖，同时针对锚节点采用定向天线，而定向天线有助于提高定位精度。
以上两种定位方法虽然定位思路较新，但是在移动锚节点上均部署GPS，通过GPS提供锚节点的位置信息，然而，GPS本身误差较大，尤其是在节点高速移动过程中，其定位误差必然导致该定位方法存在天然的局限性。
交互式抠图技术在有限的用户交互下抠取图像的前景，被广泛的应用在图像及视频编辑、三维重建等领域中，有极高的应用价值。近年来的抠图技术中，拉氏矩阵给出alpha图上像素间的线性关系，对alpha图的估计起到了重要作用。交互式抠图是在有限的用户交互下，计算前景的alpha图，从而将前景从背景中分离出来。抠图问题的输入是原图像I和用户提供的三分图，输出是alpha图及前景F、背景B，因此是典型的病态问题，需要引入假设条件求解alpha图。抠图算法可分为三类：基于采样的方法、基于传播的方法、采样和传播结合的方法。
现有技术推导出的拉氏抠图矩阵给出邻域像素的alpha值间的线性关系，被广泛的应用在抠图算法中；拉氏抠图矩阵有其局限性，拉氏抠图矩阵表示空间邻域内像素间的关系，但不能体现非邻域间像素间的关系；拉氏抠图矩阵建立在空间连续的假设基础上，在某些前景和背景分量突变的区域，拉氏抠图矩阵难以得到理想的效果。
综上所述，现有技术存在的问题是：道路交通安全设备缺乏，功能单一，不能智能系统化来管理道路，无法满足管理者的需要。
发明内容
针对现有技术存在的问题，本发明提供了一种智能交通仿真集成系统。
本发明是这样实现的，一种所述智能交通仿真集成系统，设置有：
车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器、交通灯杆横梁及交通灯杆；
所述车距检测仪安装在交通灯杆横梁上；所述车速检测仪安装在交通灯杆横梁上；所述照明灯安装在交通灯杆横梁上；所述摄像头安装在交通灯杆横梁上，所述红灯停止线感应器设置在红灯停止线上；所述信息采集器安装在交通灯杆上；所述信息处理器安装在交通灯杆上；所述数据设置显示器安装在交通灯杆上；所述报警器安装在交通灯杆上的下端；所述交通灯杆横梁焊接在交通灯杆上；所述交通灯杆安装在道路旁的地上；
所述车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器均通过导线连接于外部电源；
车距检测仪用于检测前后行驶的两车安全车距；
通过车速检测仪用于检测行驶车辆的车速；
摄像头用于记录道路行车的录像；
照明灯用于给道路照明；
通过红灯停止线感应器用于感应红灯亮起后车辆是否过线；
信号采集器用于采集车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器的信号；
数据处理器用于处理采集器采集到的数据；
数据设置器用于设定车距、车速信息的安全值；当所测定数据超过安全值时，通过报警器来报警，提醒行驶车辆和交警；
所述车距检测仪集成有车距定位模块；车距定位模块的距离定位方法包括：
步骤一：首先假定未知节点随机分布在一方形区域内，以方形区域中心点为原点建立坐标系，以固定间隔R画出螺旋线作为锚节点的移动路径，区域长为L，螺旋线分为n段，移动锚节点装备双向定向天线移动，按固定角速度ω移动，且定向天线中心轴始终与移动方向垂直，移动路径为固定多层螺旋线，移动过程是由内而外，在坐标原点左侧坐标处开始计时移动，由00：00开始，周期性广播数据包，持续这个过程直到锚节点移动到右侧(R·n/2，0)坐标点时终止；
步骤二、随着锚节点的移动，待定位节点将集中接收到锚节点广播的数据包，当第一次接收到数据包时，将第一次接收到数据包时的时刻值标记为T1 (1)，并检测第一次接收到数据包时的信号强度值，记为RSSI1 (1)；当第二次接收到数据包时，将第二次接收到数据包时的时刻值标记为T2 (1)，并检测第二次接收到数据包时的信号强度值，记为RSSI2 (1)；重复以上过程，直到不再检测到数据包为止；最后检测到的时刻值为Tn (1)，信号强度值为RSSIn (1)；
步骤三、未知节点根据T1 (1)，Tn (1)及角速度ω计算出目前所处圆弧段及角度，得虚拟锚节点中间点的角度及当未知节点分布在螺旋线外侧时，只接收到一轮数据包，而当未知节点分布在螺旋线内侧时，集中接收到两轮数据包，分别位于不同弧段的相同角度方向，第二轮接收到的时刻值和信号强度分别标记为T1 (2)，T2 (2)，Tn (2)和第二轮计算过程与第一轮相同，得到中间点角度及值；
步骤四、每个未知节点若只检测到一轮数据，则定位于该未知节点圆弧外侧距离d1的位置，d1由信号衰落模型转化得出，然后根据角度值确定该未知节点坐标；若检测到两轮数据，则根据RSSI值较小的轮次信息来确定该未知节点坐标，RSSI越小，对应距离越大，进而待定位节点所接收到的数据越多；
步骤五，确定出未知节点坐标后，使用移动最小二乘法的拉普拉斯抠图矩阵用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；
待定位节点P的坐标计算方法为：
利用公式(1)计算出第k轮次的中间时刻点：
其中，n为第k轮次中接收到的数据包次数；
然后利用公式(2)计算出中间点的角度值：
同理其信号强度值为：
根据RSSI测距模型公式：
RSSI＝-(A+10nlgd) (4)
计算出该时刻锚节点与待定位节点之间的距离dk，式中A为距离发射节点1m处接收信号强度的绝对值，n是路径损耗系数，当未知节点只接收到一轮数据时，d＝d1；当未知节点接收到两轮数据时，取
然后，设未知节点坐标为(xi，yi)，根据式(6)计算出该未知节点所在弧段的半径，
r＝R·m/2+d (6)
其中
最后，根据以上计算所得，代入待定位节点pi的坐标公式：
至此，求出P点的坐标后，该点的定位过程结束，其他待定位节点均实施上述方法，完成自身的定位过程；
构造抠图拉氏矩阵时，使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系，所述移动最小二乘抠图的方法如下：
在灰度图像中，窗口wi的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：
公式(8)中权值ω，ωi是邻域wk中的权值；式(8)表示为以下矩阵的形式：
对于每个邻域wk，Gk定义为||wk||×2矩阵；Gk每行包括向量(Ii，1)，Wk是每行向量对应的权值ωi组成的向量，Gk’为Gk的Wk加权，对应的每行向量表示为(Wk，Ii，Wk)，是邻域内所有像素对应的alpha值组成的向量；
系数ak，bk解得如下所示：
令J(α)表示为下式：
δi，j是Kronecker delta函数，μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差，||wk||是窗口内像素的个数，L为移动拉氏抠图矩阵。
进一步，引入权值ωi，应用至彩色模型，彩色模型下的移动最小二乘抠图方法如下：
用下式表示彩色图像各通道间的线性关系：
c为彩色图像的通道数，在考虑各个通道信息后，式(1)转化为下式：
对式(9)进行化简后，解得彩色模型下移动拉氏矩阵如下式所示：
J(α)＝αLαT；
在(10)式中，I为小邻域内所有像素对应3*1颜色向量组成的矩阵，μk为I的Wk加权平均，∑k是I在Wk加权下的协方差矩阵。
进一步，所述移动最小二乘抠图方法的KNN邻域将拉氏矩阵中的空间邻域扩展到KNN邻域，KNN空间的点由(R，G，B，X，Y)五维共同决定；使用KD-TREE实现KNN邻域的高效查找。
进一步，所述移动最小二乘抠图中大核求解方法包括：使用共轭梯度法求解alpha值；
对于方程Lx＝b，共轭梯度法的关键在于构造共轭向量p，并求对应的残差；共轭梯度法用迭代方法求解，在每次迭代过程中，新共轭向量由下式求解：
共轭方向的系数由下式求解：
新的x值与残差用下式求解：
用下式求解Lp向量中点i对应的元素qi：
Wk是像素k对应的邻域，||wk||是邻域的大小，i是包围像素k邻域Wk中的一个像素，qi为q向量的第i个元素，Ii为像素i对应的3维向量，表示R，G，B三个通道，pi为共轭向量中像素i对应的元素，μk是3维向量，为邻域Wk中Ii向量的均值，为邻域Wk中元素i对应的共轭向量pi的均值，是像素k的对应的3维向量，为像素k对应的标量。
进一步，固定间隔R的值根据定向天线通信距离设定，所述坐标原点左侧为：(-R/2，0)；锚节点右侧坐标点为：(R·n/2，0)坐标点；
区域长为L，螺旋线分为n段中按照公式L＝R×(n+1)分段，其中，R为固定间隔；
周期性广播数据包中数据包包括移动锚节点的当前时刻值及ID值，用{T，ID}表示，广播的周期为Tsend。
本发明通结构简单，操作简便，在使用时只需设定好各类信息的安全值即可，超过安全值会自动报警。有利于提高道路交通安全，非常值得推广使用。
本发明采用一个移动锚节点辅助完成定位，采用时间值参数作为定位方法的核心，避免了GPS信息带来的误差，同时利用定向天线增益高，通信距离远的特征，应用于实际环境部署，综合定位精度较高，适合户外运动车辆的定位；
本发明针对移动锚节点(运动车辆)定位技术，提出了一种基于螺旋线的定位方法，具有较高定位精度，该方法优点有：
时间是一种相对精度最高的环境参数之一，本发明利用时间参数计算方法代替传统定位方法中利用GPS确定位置的方法，从定位方法的源头降低了由环境变量带来的误差，具有先天的优越性；
本发明采用的螺旋线移动轨迹可以很好的解决传统移动路径所存在的共线性问题，且应用价值较高；
本发明中移动锚节点采用定向天线，而定向天线相对比全向天线增益高，可增强信号强度，增加抗干扰能力，适用于实际环境的部署。
本发明提供的使用移动最小二乘法的拉普拉斯抠图矩阵方法，有复杂的前景和前景区域，以及前景和背景复杂混合的区域，都能取得较好的效果。使用最小移动二乘法替代最小二乘法推导出移动拉氏矩阵；相对于最小二乘法，移动最小二乘法求解的线性条件更为准确；使用KNN邻域替代空间邻域，使得拉氏矩阵可以反映非邻域间像素的alpha值的关系。本发明的使用移动最小二乘法的拉普拉斯抠图矩阵方法，根据矩阵求解alpha图，从而可以对复杂背景下的图像进行前景抠图处理，相比以前的方法更为有效，可以求解出更为精确的alpha图，并在图中前背景复杂的区域，特别是在前景和背景颜色混合区域，以及局部会出现空洞的区域，变化较大的区域，都能取得良好的效果。
附图说明
图1是本发明实施例提供的智能交通仿真集成系统结构示意图；
图中：1、车距检测仪；2、车速检测仪；3、照明灯；4、摄像头；5、红灯停止线感应器；6、信息采集器；7、信息处理器；8、数据设置显示器；9、报警器；10、交通灯杆；11、交通灯杆横梁。
图2是本发明实施例提供的节点分布及移动轨迹图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。
下面结合附图对本发明的结构作详细的描述。
如图1所示，本发明实施例所述的智能交通仿真集成系统包括：车距检测仪1；车速检测仪2；照明灯3；摄像头4；红灯停止线感应器5；信息采集器6；信息处理器7；数据设置显示器8；报警器9；交通灯杆横梁11；交通灯杆10。
所述车距检测仪1安装在交通灯杆横梁11上；所述车速检测仪2安装在交通灯杆横梁11上；所述照明灯3安装在交通灯杆横梁33上；所述摄像头4安装在交通灯杆横梁11上，所述红灯停止线感应器5设置在红灯停止线上；所述信息采集器6安装在交通灯杆10上；所述信息处理器7安装在交通灯杆10上；所述数据设置显示器8安装在交通灯杆10上；所述报警器9安装在交通灯杆10上的下端；所述交通灯杆横梁11焊接在交通灯杆10上；所述交通灯杆10安装在道路旁的地上；上述设备均通过导线连接并通过导线连接于外部电源。
本发明通过车距检测仪来检测前后行驶的两车安全车距；通过车速检测仪来检测行驶车辆的车速；通过摄像头来记录道路行车的录像；通过照明灯来给道路照明；通过红灯停止线感应器来感应红灯亮起后车辆是否过线；通过信号采集器采集上述设备信号；通过数据处理器来处理采集器采集到的数据；通过数据设置器来设定上述各类信息的安全值；当所测定数据超过上述各类信息的安全值时，通过报警器来报警，提醒行驶车辆和交警。本发明结构简单，操作简便，在使用时只需设定好各类信息的安全值即可，超过安全值会自动报警。有利于提高道路交通安全，非常值得推广使用。
下面结合具体分析对本发明作进一步描述。
所述车距检测仪集成有车距定位模块；车距定位模块的距离定位方法包括：
步骤一：首先假定未知节点随机分布在一方形区域内，以方形区域中心点为原点建立坐标系，以固定间隔R画出螺旋线作为锚节点的移动路径，区域长为L，螺旋线分为n段，移动锚节点装备双向定向天线移动，按固定角速度ω移动，且定向天线中心轴始终与移动方向垂直，移动路径为固定多层螺旋线，移动过程是由内而外，在坐标原点左侧坐标处开始计时移动，由00：00开始，周期性广播数据包，持续这个过程直到锚节点移动到右侧(R·n/2，0)坐标点时终止；
步骤二、随着锚节点的移动，待定位节点将集中接收到锚节点广播的数据包，当第一次接收到数据包时，将第一次接收到数据包时的时刻值标记为T1 (1)，并检测第一次接收到数据包时的信号强度值，记为RSSI1 (1)；当第二次接收到数据包时，将第二次接收到数据包时的时刻值标记为T2 (1)，并检测第二次接收到数据包时的信号强度值，记为RSSI2 (1)；重复以上过程，直到不再检测到数据包为止；最后检测到的时刻值为Tn (1)，信号强度值为RSSIn (1)；
步骤三、未知节点根据T1 (1)，Tn (1)及角速度ω计算出目前所处圆弧段及角度，得虚拟锚节点中间点的角度及当未知节点分布在螺旋线外侧时，只接收到一轮数据包，而当未知节点分布在螺旋线内侧时，集中接收到两轮数据包，分别位于不同弧段的相同角度方向，第二轮接收到的时刻值和信号强度分别标记为T1 (2)，T2 (2)，Tn (2)和第二轮计算过程与第一轮相同，得到中间点角度及值；
步骤四、每个未知节点若只检测到一轮数据，则定位于该未知节点圆弧外侧距离d1的位置，d1由信号衰落模型转化得出，然后根据角度值确定该未知节点坐标；若检测到两轮数据，则根据RSSI值较小的轮次信息来确定该未知节点坐标，RSSI越小，对应距离越大，进而待定位节点所接收到的数据越多；
步骤五，确定出未知节点坐标后，使用移动最小二乘法的拉普拉斯抠图矩阵用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；
待定位节点P的坐标计算方法为：
利用公式(1)计算出第k轮次的中间时刻点：
其中，n为第k轮次中接收到的数据包次数；
然后利用公式(2)计算出中间点的角度值：
同理其信号强度值为：
根据RSSI测距模型公式：
RSSI＝-(A+10nlgd) (4)
计算出该时刻锚节点与待定位节点之间的距离dk，式中A为距离发射节点1m处接收信号强度的绝对值，n是路径损耗系数，当未知节点只接收到一轮数据时，d＝d1；当未知节点接收到两轮数据时，取
然后，设未知节点坐标为(xi，yi)，根据式(6)计算出该未知节点所在弧段的半径，
r＝R·m/2+d (6)
其中
最后，根据以上计算所得，代入待定位节点pi的坐标公式：
至此，求出P点的坐标后，该点的定位过程结束，其他待定位节点均实施上述方法，完成自身的定位过程；
构造抠图拉氏矩阵时，使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系，所述移动最小二乘抠图的方法如下：
在灰度图像中，窗口wi的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：
公式(8)中权值ω，ωi是邻域wk中的权值；式(8)表示为以下矩阵的形式：
对于每个邻域wk，Gk定义为||wk||×2矩阵；Gk每行包括向量(Ii，1)，Wk是每行向量对应的权值ωi组成的向量，Gk’为Gk的Wk加权，对应的每行向量表示为(Wk.Ii，Wk)，是邻域内所有像素对应的alpha值组成的向量；
系数ak，bk解得如下所示：
令J(α)表示为下式：
δi，j是Kronecker delta函数，μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差，||wk||是窗口内像素的个数，L为移动拉氏抠图矩阵。
引入权值ωi，应用至彩色模型，彩色模型下的移动最小二乘抠图方法如下：
用下式表示彩色图像各通道间的线性关系：
c为彩色图像的通道数，在考虑各个通道信息后，式(1)转化为下式：
对式(9)进行化简后，解得彩色模型下移动拉氏矩阵如下式所示：
J(α)＝αLαT；
在(10)式中，I为小邻域内所有像素对应3*1颜色向量组成的矩阵，μk为I的Wk加权平均，∑k是I在Wk加权下的协方差矩阵。
所述移动最小二乘抠图方法的KNN邻域将拉氏矩阵中的空间邻域扩展到KNN邻域，KNN空间的点由(R，G，B，X，Y)五维共同决定；使用KD-TREE实现KNN邻域的高效查找。
所述移动最小二乘抠图中大核求解方法包括：使用共轭梯度法求解alpha值；
对于方程Lx＝b，共轭梯度法的关键在于构造共轭向量p，并求对应的残差；共轭梯度法用迭代方法求解，在每次迭代过程中，新共轭向量由下式求解：
共轭方向的系数由下式求解：
新的x值与残差用下式求解：
用下式求解Lp向量中点i对应的元素qi：
Wk是像素k对应的邻域，||wk||是邻域的大小，i是包围像素k邻域Wk中的一个像素，qi为q向量的第i个元素，Ii为像素i对应的3维向量，表示R，G，B三个通道，pi为共轭向量中像素i对应的元素，μk是3维向量，为邻域Wk中Ii向量的均值，为邻域Wk中元素i对应的共轭向量pi的均值，是像素k的对应的3维向量，为像素k对应的标量。
固定间隔R的值根据定向天线通信距离设定，所述坐标原点左侧为：(-R/2，0)；锚节点右侧坐标点为：(R·n/2，0)坐标点；
区域长为L，螺旋线分为n段中按照公式L＝R×(n+1)分段，其中，R为固定间隔；
周期性广播数据包中数据包包括移动锚节点的当前时刻值及ID值，用{T，ID}表示，广播的周期为Tsend。
图2是本发明实施例提供的节点分布及移动轨迹图。
以上所述仅是对本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。

Claims (5)

1.一种智能交通仿真集成系统，其特征在于，所述智能交通仿真集成系统设置有：
车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器、交通灯杆横梁及交通灯杆；
所述车距检测仪安装在交通灯杆横梁上；所述车速检测仪安装在交通灯杆横梁上；所述照明灯安装在交通灯杆横梁上；所述摄像头安装在交通灯杆横梁上，所述红灯停止线感应器设置在红灯停止线上；所述信息采集器安装在交通灯杆上；所述信息处理器安装在交通灯杆上；所述数据设置显示器安装在交通灯杆上；所述报警器安装在交通灯杆上的下端；所述交通灯杆横梁焊接在交通灯杆上；所述交通灯杆安装在道路旁的地上；
所述车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器均通过导线连接于外部电源；
车距检测仪用于检测前后行驶的两车安全车距；
通过车速检测仪用于检测行驶车辆的车速；
摄像头用于记录道路行车的录像；
照明灯用于给道路照明；
通过红灯停止线感应器用于感应红灯亮起后车辆是否过线；
信号采集器用于采集车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器的信号；
数据处理器用于处理采集器采集到的数据；
数据设置器用于设定车距、车速信息的安全值；当所测定数据超过安全值时，通过报警器来报警，提醒行驶车辆和交警；
所述车距检测仪集成有车距定位模块；车距定位模块的距离定位方法包括：
步骤一：首先假定未知节点随机分布在一方形区域内，以方形区域中心点为原点建立坐标系，以固定间隔R画出螺旋线作为锚节点的移动路径，区域长为L，螺旋线分为n段，移动锚节点装备双向定向天线移动，按固定角速度ω移动，且定向天线中心轴始终与移动方向垂直，移动路径为固定多层螺旋线，移动过程是由内而外，在坐标原点左侧坐标处开始计时移动，由00：00开始，周期性广播数据包，持续这个过程直到锚节点移动到右侧(R·n/2，0)坐标点时终止；
步骤二、随着锚节点的移动，待定位节点将集中接收到锚节点广播的数据包，当第一次接收到数据包时，将第一次接收到数据包时的时刻值标记为T1 (1)，并检测第一次接收到数据包时的信号强度值，记为RSSI1 (1)；当第二次接收到数据包时，将第二次接收到数据包时的时刻值标记为T2 (1)，并检测第二次接收到数据包时的信号强度值，记为RSSI2 (1)；重复以上过程，直到不再检测到数据包为止；最后检测到的时刻值为Tn (1)，信号强度值为RSSIn (1)；
步骤三、未知节点根据T1 (1)，Tn (1)及角速度ω计算出目前所处圆弧段及角度，得虚拟锚节点中间点的角度及当未知节点分布在螺旋线外侧时，只接收到一轮数据包，而当未知节点分布在螺旋线内侧时，集中接收到两轮数据包，分别位于不同弧段的相同角度方向，第二轮接收到的时刻值和信号强度分别标记为T1 (2)，和第二轮计算过程与第一轮相同，得到中间点角度及值；
步骤四、每个未知节点若只检测到一轮数据，则定位于该未知节点圆弧外侧距离d1的位置，d1由信号衰落模型转化得出，然后根据角度值确定该未知节点坐标；若检测到两轮数据，则根据RSSI值较小的轮次信息来确定该未知节点坐标，RSSI越小，对应距离越大，进而待定位节点所接收到的数据越多；
步骤五，确定出未知节点坐标后，使用移动最小二乘法的拉普拉斯抠图矩阵用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；
待定位节点P的坐标计算方法为：
利用公式(1)计算出第k轮次的中间时刻点：
其中，n为第k轮次中接收到的数据包次数；
然后利用公式(2)计算出中间点的角度值：
<mrow> <msubsup> <mi>&amp;theta;</mi> <mi>r</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mo>=</mo> <mfrac> <mn>180</mn> <mi>&amp;pi;</mi> </mfrac> <mo>&amp;times;</mo> <mi>&amp;omega;</mi> <mo>&amp;times;</mo> <msubsup> <mi>T</mi> <mi>r</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> </msubsup> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>
同理其信号强度值为：
根据RSSI测距模型公式：
RSSI＝-(A+10n lg d) (4)
计算出该时刻锚节点与待定位节点之间的距离dk，式中A为距离发射节点1m处接收信号强度的绝对值，n是路径损耗系数，当未知节点只接收到一轮数据时，d＝d1；当未知节点接收到两轮数据时，取
<mrow> <mi>d</mi> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <msub> <mi>d</mi> <mn>1</mn> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>d</mi> <mn>1</mn> </msub> <mo>&lt;</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>-</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <msub> <mi>d</mi> <mn>1</mn> </msub> <mo>&amp;GreaterEqual;</mo> <msub> <mi>d</mi> <mn>2</mn> </msub> </mrow> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>
然后，设未知节点坐标为(xi，yi)，根据式(6)计算出该未知节点所在弧段的半径，
r＝R·m/2+d (6)
其中
最后，根据以上计算所得，代入待定位节点pi的坐标公式：
至此，求出P点的坐标后，该点的定位过程结束，其他待定位节点均实施上述方法，完成自身的定位过程；
构造抠图拉氏矩阵时，使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系，所述移动最小二乘抠图的方法如下：
在灰度图像中，窗口wi的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：
<mrow> <mtable> <mtr> <mtd> <mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>,</mo> <mi>a</mi> <mo>,</mo> <mi>b</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <mrow> <mo>(</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> </mrow> </munder> <msubsup> <mi>&amp;omega;</mi> <mi>i</mi> <mn>2</mn> </msubsup> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>a</mi> <mi>j</mi> </msub> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>b</mi> <mi>j</mi> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <msubsup> <mi>&amp;epsiv;a</mi> <mi>j</mi> <mn>2</mn> </msubsup> <mo>)</mo> </mrow> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>&amp;omega;</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <mi>k</mi> <msup> <mrow> <mo>(</mo> <mi>i</mi> <mo>-</mo> <mi>j</mi> <mo>)</mo> </mrow> <mn>2</mn> </msup> </mfrac> </mrow> </mtd> </mtr> </mtable> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>
公式(8)中权值ω，ωi是邻域wk中的权值；式(8)表示为以下矩阵的形式：
<mrow> <mi>j</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>k</mi> </munder> <msubsup> <mi>W</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mo>|</mo> <mo>|</mo> <msub> <mi>G</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> </msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>a</mi> <mi>k</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>b</mi> <mi>k</mi> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <msub> <mover> <mi>a</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> </msub> <mo>|</mo> <msup> <mo>|</mo> <mn>2</mn> </msup> <mo>;</mo> </mrow>
对于每个邻域wk，Gk定义为||wk||×2矩阵；Gk每行包括向量(Ii，1)，Wk是每行向量对应的权值ωi组成的向量，Gk’为Gk的Wk加权，对应的每行向量表示为(Wk，Ii，Wk)，是邻域内所有像素对应的alpha值组成的向量；
系数ak，bk解得如下所示：
<mrow> <mtable> <mtr> <mtd> <mrow> <mo>(</mo> <msub> <mi>a</mi> <mi>k</mi> </msub> <mo>,</mo> <msub> <mi>b</mi> <mi>k</mi> </msub> <mo>)</mo> <mo>=</mo> <mi>arg</mi> <mi>min</mi> <mo>(</mo> <msub> <mi>W</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> </msub> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>G</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> </msub> <mfenced open = "[" close = "]"> <mtable> <mtr> <mtd> <msub> <mi>a</mi> <mi>k</mi> </msub> </mtd> </mtr> <mtr> <mtd> <msub> <mi>b</mi> <mi>k</mi> </msub> </mtd> </mtr> </mtable> </mfenced> <mo>-</mo> <msub> <mover> <mi>a</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>)</mo> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msubsup> <mi>G</mi> <mi>k</mi> <mrow> <mo>&amp;prime;</mo> <mi>T</mi> </mrow> </msubsup> <msubsup> <mi>G</mi> <mi>k</mi> <mo>&amp;prime;</mo> </msubsup> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <msubsup> <mi>G</mi> <mi>k</mi> <mrow> <mo>&amp;prime;</mo> <mi>T</mi> </mrow> </msubsup> <msub> <mi>W</mi> <mi>k</mi> </msub> <msub> <mover> <mi>a</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msubsup> <mi>G</mi> <mi>k</mi> <mo>&amp;prime;</mo> </msubsup> <mo>=</mo> <msub> <mi>W</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> </msub> <msub> <mi>G</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
令J(α)表示为下式：
<mrow> <mi>J</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>k</mi> </munder> <msubsup> <mi>a</mi> <mi>k</mi> <mi>T</mi> </msubsup> <msubsup> <mover> <mi>G</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> <mrow> <mo>&amp;prime;</mo> <mi>T</mi> </mrow> </msubsup> <msubsup> <mover> <mi>G</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> <mo>&amp;prime;</mo> </msubsup> <msub> <mi>a</mi> <mi>k</mi> </msub> <mo>=</mo> <msup> <msub> <mi>a</mi> <mi>k</mi> </msub> <mi>T</mi> </msup> <msub> <mi>La</mi> <mi>k</mi> </msub> <mo>;</mo> </mrow>
<mrow> <mi>L</mi> <mo>=</mo> <msubsup> <mi>W</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> <mn>2</mn> </msubsup> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msub> <mi>W</mi> <mi>k</mi> </msub> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <mrow> <mo>(</mo> <mn>1</mn> <mo>+</mo> <mfrac> <mn>1</mn> <mrow> <msubsup> <mi>&amp;sigma;</mi> <mi>k</mi> <mn>2</mn> </msubsup> <mo>+</mo> <mfrac> <mi>&amp;epsiv;</mi> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> </mrow> </mfrac> <mo>(</mo> <mrow> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> </mrow> <mo>)</mo> <mo>(</mo> <mrow> <msub> <mi>I</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
δi，j是Kronecker delta函数，μk和σ2分别是小窗口wk内的基于Wk的加权均值和方差，||wk||是窗口内像素的个数，L为移动拉氏抠图矩阵。
2.如权利要求1所述的智能交通仿真集成系统，其特征在于，引入权值ωi，应用至彩色模型，彩色模型下的移动最小二乘抠图方法如下：
用下式表示彩色图像各通道间的线性关系：
<mrow> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mi>c</mi> </munder> <mrow> <msup> <mi>a</mi> <mi>c</mi> </msup> <msubsup> <mi>I</mi> <mi>i</mi> <mi>c</mi> </msubsup> </mrow> <mo>+</mo> <mi>b</mi> <mo>,</mo> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>w</mi> <mi>i</mi> </msub> <mo>;</mo> </mrow>
c为彩色图像的通道数，在考虑各个通道信息后，式(1)转化为下式：
<mrow> <mi>j</mi> <mrow> <mo>(</mo> <mi>&amp;alpha;</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>&amp;Element;</mo> <mi>I</mi> </mrow> </munder> <mrow> <mo>(</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>w</mi> <mi>j</mi> </msub> </mrow> </munder> <msubsup> <mi>&amp;omega;</mi> <mi>i</mi> <mn>2</mn> </msubsup> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>&amp;alpha;</mi> <mi>i</mi> </msub> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mi>c</mi> </munder> <msubsup> <mi>a</mi> <mi>j</mi> <mi>c</mi> </msubsup> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>b</mi> <mi>j</mi> </msub> </mrow> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>+</mo> <mi>&amp;epsiv;</mi> <munder> <mo>&amp;Sigma;</mo> <mi>c</mi> </munder> <msubsup> <mi>a</mi> <mi>j</mi> <msup> <mi>c</mi> <mn>2</mn> </msup> </msubsup> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>
对式(9)进行化简后，解得彩色模型下移动拉氏矩阵如下式所示：
J(α)＝αLαT；
<mrow> <mi>L</mi> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mrow> <mo>(</mo> <mi>i</mi> <mo>,</mo> <mi>j</mi> <mo>)</mo> </mrow> <mo>&amp;Element;</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <msubsup> <mi>W</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> <mn>2</mn> </msubsup> <msub> <mi>&amp;delta;</mi> <mrow> <mi>i</mi> <mo>,</mo> <mi>j</mi> </mrow> </msub> <mo>+</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msub> <mi>W</mi> <mi>k</mi> </msub> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <mo>(</mo> <mrow> <mn>1</mn> <mo>+</mo> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> </mrow> <mo>)</mo> </mrow> <mi>T</mi> </msup> <msup> <mrow> <mo>(</mo> <mrow> <msub> <mo>&amp;Sigma;</mo> <mi>k</mi> </msub> <mo>+</mo> <mfrac> <mi>&amp;epsiv;</mi> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <msub> <mi>I</mi> <mi>s</mi> </msub> </mrow> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <mrow> <msub> <mi>I</mi> <mi>j</mi> </msub> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> </mrow> <mo>)</mo> </mrow> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>
在(10)式中，I为小邻域内所有像素对应3*1颜色向量组成的矩阵，μk为I的Wk加权平均，∑k是I在Wk加权下的协方差矩阵。
3.如权利要求1所述的智能交通仿真集成系统，其特征在于，所述移动最小二乘抠图方法的KNN邻域将拉氏矩阵中的空间邻域扩展到KNN邻域，KNN空间的点由(R，G，B，X，Y)五维共同决定；使用KD-TREE实现KNN邻域的高效查找。
4.如权利要求1所述的智能交通仿真集成系统，其特征在于，所述移动最小二乘抠图中大核求解方法包括：使用共轭梯度法求解alpha值；
对于方程Lx＝b，共轭梯度法的关键在于构造共轭向量p，并求对应的残差；共轭梯度法用迭代方法求解，在每次迭代过程中，新共轭向量由下式求解：
<mrow> <msub> <mi>p</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <mfrac> <mrow> <msup> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mi>T</mi> </msup> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msup> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>2</mn> </mrow> </msub> <mi>T</mi> </msup> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>2</mn> </mrow> </msub> </mrow> </mfrac> <msub> <mi>p</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>;</mo> </mrow>
共轭方向的系数由下式求解：
<mrow> <msub> <mi>s</mi> <mi>k</mi> </msub> <mo>=</mo> <mfrac> <mrow> <msup> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mi>T</mi> </msup> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> </mrow> <mrow> <msup> <msub> <mi>p</mi> <mi>k</mi> </msub> <mi>T</mi> </msup> <msub> <mi>Lp</mi> <mi>k</mi> </msub> </mrow> </mfrac> <mo>;</mo> </mrow>
新的x值与残差用下式求解：
<mrow> <mtable> <mtr> <mtd> <mrow> <msub> <mi>x</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>x</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <msub> <mi>p</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <msub> <mi>r</mi> <mi>k</mi> </msub> <mo>=</mo> <msub> <mi>r</mi> <mrow> <mi>k</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>+</mo> <msub> <mi>s</mi> <mi>k</mi> </msub> <msub> <mi>Lp</mi> <mi>k</mi> </msub> </mrow> </mtd> </mtr> </mtable> <mo>;</mo> </mrow>
用下式求解Lp向量中点i对应的元素qi：
<mrow> <msub> <mi>q</mi> <mi>i</mi> </msub> <mo>=</mo> <msub> <mrow> <mo>(</mo> <mi>L</mi> <mi>p</mi> <mo>)</mo> </mrow> <mi>i</mi> </msub> <mo>=</mo> <msubsup> <mi>&amp;omega;</mi> <msup> <mi>k</mi> <mo>*</mo> </msup> <mn>2</mn> </msubsup> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <msubsup> <mi>a</mi> <mi>k</mi> <mrow> <mo>*</mo> <mi>T</mi> </mrow> </msubsup> <msub> <mi>I</mi> <mi>i</mi> </msub> <mo>+</mo> <msubsup> <mi>b</mi> <mi>k</mi> <mo>*</mo> </msubsup> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msubsup> <mi>a</mi> <mi>k</mi> <mo>*</mo> </msubsup> <mo>=</mo> <msubsup> <mi>&amp;Delta;</mi> <mi>k</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <munder> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>&amp;Element;</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> </mrow> </munder> <mrow> <mo>(</mo> <mo>(</mo> <mrow> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> </mrow> <mo>)</mo> <mo>(</mo> <mrow> <mfrac> <mrow> <msub> <mi>I</mi> <mi>i</mi> </msub> <msub> <mi>p</mi> <mi>i</mi> </msub> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <mo>-</mo> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <msub> <mover> <mi>p</mi> <mo>&amp;OverBar;</mo> </mover> <mi>k</mi> </msub> </mrow> <mo>)</mo> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
<mrow> <msub> <mi>&amp;Delta;</mi> <mi>k</mi> </msub> <mo>=</mo> <mrow> <mo>(</mo> <msub> <mi>&amp;Sigma;</mi> <mi>k</mi> </msub> <mo>+</mo> <mfrac> <mi>&amp;epsiv;</mi> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <msub> <mi>I</mi> <mn>3</mn> </msub> <mo>)</mo> </mrow> </mrow>
<mrow> <msubsup> <mi>b</mi> <mi>k</mi> <mo>*</mo> </msubsup> <mo>=</mo> <mfrac> <mrow> <mn>1</mn> <mo>-</mo> <mn>2</mn> <msub> <mi>&amp;omega;</mi> <mi>k</mi> </msub> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <msub> <mi>w</mi> <mi>k</mi> </msub> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> <msub> <mi>p</mi> <mi>k</mi> </msub> <mo>-</mo> <msubsup> <mi>a</mi> <mi>k</mi> <mrow> <mo>*</mo> <mi>T</mi> </mrow> </msubsup> <msub> <mi>&amp;mu;</mi> <mi>k</mi> </msub> <mo>;</mo> </mrow>
Wk是像素k对应的邻域，||wk||是邻域的大小，i是包围像素k邻域Wk中的一个像素，qi为q向量的第i个元素，Ii为像素i对应的3维向量，表示R，G，B三个通道，pi为共轭向量中像素i对应的元素，μk是3维向量，为邻域Wk中Ii向量的均值，为邻域Wk中元素i对应的共轭向量pi的均值，是像素k的对应的3维向量，为像素k对应的标量。
5.如权利要求1所述的智能交通仿真集成系统，其特征在于，固定间隔R的值根据定向天线通信距离设定，所述坐标原点左侧为：(-R/2，0)；锚节点右侧坐标点为：(R·n/2，0)坐标点；
区域长为L，螺旋线分为n段中按照公式L＝R×(n+1)分段，其中，R为固定间隔；
周期性广播数据包中数据包包括移动锚节点的当前时刻值及ID值，用{T，ID}表示，广播的周期为Tsend。
CN201711220890.7A 2017-11-29 2017-11-29 一种智能交通仿真集成系统 Pending CN107945513A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711220890.7A CN107945513A (zh) 2017-11-29 2017-11-29 一种智能交通仿真集成系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711220890.7A CN107945513A (zh) 2017-11-29 2017-11-29 一种智能交通仿真集成系统

Publications (1)

Publication Number Publication Date
CN107945513A true CN107945513A (zh) 2018-04-20

Family

ID=61950439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711220890.7A Pending CN107945513A (zh) 2017-11-29 2017-11-29 一种智能交通仿真集成系统

Country Status (1)

Country Link
CN (1) CN107945513A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108515262A (zh) * 2018-05-03 2018-09-11 广东水利电力职业技术学院（广东省水利电力技工学校） 一种新型激光雕刻单元设备控制系统
CN115587460A (zh) * 2022-11-24 2023-01-10 河北纬坤电子科技有限公司 道路交通情况数字仿真方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924949A (zh) * 2006-09-29 2007-03-07 西安理工大学 一种高速公路智能安全监测预警系统及监测方法
CN105096326A (zh) * 2015-08-13 2015-11-25 丽水学院 一种使用移动最小二乘法的拉普拉斯抠图矩阵方法
CN105223549A (zh) * 2015-08-22 2016-01-06 东北电力大学 一种基于rssi的无线传感器网络全移动节点定位方法
CN106093857A (zh) * 2016-06-15 2016-11-09 吉林大学 一种基于螺旋线的移动锚节点wsn辅助定位方法
US20170132483A1 (en) * 2013-02-04 2017-05-11 Magna Electronics Inc. Vehicular control system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1924949A (zh) * 2006-09-29 2007-03-07 西安理工大学 一种高速公路智能安全监测预警系统及监测方法
US20170132483A1 (en) * 2013-02-04 2017-05-11 Magna Electronics Inc. Vehicular control system
CN105096326A (zh) * 2015-08-13 2015-11-25 丽水学院 一种使用移动最小二乘法的拉普拉斯抠图矩阵方法
CN105223549A (zh) * 2015-08-22 2016-01-06 东北电力大学 一种基于rssi的无线传感器网络全移动节点定位方法
CN106093857A (zh) * 2016-06-15 2016-11-09 吉林大学 一种基于螺旋线的移动锚节点wsn辅助定位方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108515262A (zh) * 2018-05-03 2018-09-11 广东水利电力职业技术学院（广东省水利电力技工学校） 一种新型激光雕刻单元设备控制系统
CN115587460A (zh) * 2022-11-24 2023-01-10 河北纬坤电子科技有限公司 道路交通情况数字仿真方法及装置
CN115587460B (zh) * 2022-11-24 2023-03-21 河北纬坤电子科技有限公司 道路交通情况数字仿真方法及装置

Similar Documents

Publication Publication Date Title
CN106093857B (zh) 一种基于螺旋线的移动锚节点wsn辅助定位方法
CN109509230A (zh) 一种应用于多镜头组合式全景相机的slam方法
CN105157699B (zh) 一种基于WiFi和传感网技术融合的室内停车场导航方法
CN107360549A (zh) 一种基于蓝牙5的室内定位导航方法
CN106792465A (zh) 一种基于众包指纹的室内指纹地图构建方法
CN110033411A (zh) 基于无人机的公路施工现场全景图像高效拼接方法
CN109121070A (zh) 一种地下停车场蓝牙布局和定位方法
CN107945513A (zh) 一种智能交通仿真集成系统
CN102346014A (zh) 一种基于图像处理的输电线路导线弧垂的测量方法
CN106778484A (zh) 交通场景下的运动车辆跟踪方法
CN108413966A (zh) 基于多种传感测距技术室内定位系统的定位方法
CN109375168A (zh) 一种基于rssi的低速移动车辆定位方法
CN109041210A (zh) 一种无线传感器网络定位方法
CN106767698B (zh) 基于北斗ⅱ姿态测量的输电线路杆塔倾斜度监测系统及监测方法
CN108515262A (zh) 一种新型激光雕刻单元设备控制系统
Li et al. Vehicle object detection based on rgb-camera and radar sensor fusion
CN102970748A (zh) 无线人员区域定位方法
CN107607677B (zh) 工业区碳排放检测系统及方法
Shin et al. UAV-assisted and deep learning-driven object detection and tracking for autonomous driving
CN103335645B (zh) 面向景观规划的空间精确定位的图像获取方法
CN103236053B (zh) 一种移动平台下运动目标检测的mof方法
CN112785083B (zh) 到达时间的预估方法、装置、电子设备以及存储介质
CN114615473A (zh) 基于目标追踪的智能监控方法
CN115188195A (zh) 一种城市全向交叉口的车辆轨迹实时提取方法和系统
Gosda et al. Target tracking in wireless sensor networks by data fusion with video-based object detection

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180420

WD01 Invention patent application deemed withdrawn after publication