﻿ 交通灯运行时间自适应算法及其控制系统
 计算机系统应用  2020, Vol. 29 Issue (6): 104-111 PDF

Adaptive Algorithm and Control Method of Switching Time of Traffic Lights at Plane Intersections
QI Bao-Liang, SUN Yue, WANG Qing-Qing, LIN Yu-Pu
School of Information and Electrical Engineering, Shandong Jianzhu University, Jinan 250101, China
Abstract: Urban traffic congestion is seriously harmful, directly causing time delays, energy waste, emission increase, and the living standards reduction of residents. At current cross-road intersection, traffic lights switching time is relatively fixed, the actual situation of traffic jams at intersections occur in bad weather or in the event of a traffic accident. Therefore, this study proposes an adaptive algorithm for multi-directional red light time to ease the traffic congestion at intersections. Using video image processing algorithm to judge road traffic congestion, we set the traffic light time according to road conditions, and design the corresponding control system. Simulation results demonstrate that the traffic efficiency by this proposed adaptive algorithm is higher than that of the traditional traffic light running time control method during the heavy traffic.
Key words: plane intersection     adaptive algorithm     traffic congestion     traffic signal control

1 路口红绿黄灯切换逻辑

 图 1 十字路口交通图

 图 2 交通瘫痪示意图

 图 3 疏散交通示意图

 图 4 系统逻辑控制图

 图 5 方向1通行结束瞬间

 图 6 信号1的黄灯缓冲时间

 图 7 路口交通灯均设置为红灯

2 路口车辆拥堵检测方法

 $\left\{ \begin{array}{l} {\text{车速}} > v_1,\;{\text{占有率}} > {{s}}_1( {\text{不拥堵}} )\\ {\text{车速}} < v_1,\;{\text{占有率}} > {{s}}_1( {\text{拥堵}} )\\ {\text{车速}} < {{v}}_1,\;{\text{占有率}} < {{s}}_1( {\text{不拥堵}} )\\ {\text{车速}} > v_1,\;{\text{占有率}} < s_1( {\text{不拥堵}} ) \end{array} \right.$ (1)

2.1 基于视频的车速检测

(1)选择某一帧视频图像帧, 检测车辆位置.

(2)按照一定间隔取出下一帧视频图像帧, 检测对应车辆位置.

(3)把车辆移动的距离从图像坐标映射到世界坐标[7], 得到车辆实际移动的距离.

(4)已知相邻帧的时间间隔以及车辆位移, 则当前车速可求当前速度.

2.1.1 实时测速的难点

(1)找到视频中对应的块或对应点. 找到对应的块或点才能得到车辆移动图像上的距离, 从而映射到实际世界坐标中, 计算当前车速. 如何在视频帧中找到合适的对应块可以在对应帧中实现跟踪定位是一个难点.

(2)定位到块的时效性. 定位到对应块的算法计算量小, 才能满足测试运动车辆实时速度的要求. 在视频的视野范围内, 车速非常快的车辆出现的时间约20~30 ms, 只有减少计算量才能实现较好的定位效果.

(3)车道倾斜角度的矫正. 实际应用场景中, 摄像头的拍摄角度不完全是垂直车道线的, 会有一定的角度偏差, 因此需要对此进行角度补偿[7-9].

2.1.2 车灯定位算法

(1)两帧图像的车灯区域一般都是对称的.

(2)相对于路面和车身而言, 车灯部分亮度较大.

(3)车灯对应块在视野的上下方向运动, 对竖直方向偏斜比较小.

2.1.3 视频图像预处理

(1)灰度图转换. 将彩色图像转换为灰度图, 并进行高斯平滑去噪声. 经灰度转换后的路口图像图像如图8所示.

(2)感兴趣区域划分. 交通视频中存在很多交叉口之外的图像信息, 并且对于监控视频而言所拍摄到的车道方向是固定不变的. 为降低算法计算量, 人为标定车道线, 如图9所示. 在图中标定平面交叉口的点ABC, 则交叉口的一条边界的直线方程为ax+by+p=0, 系数a, b,p分别是:

 $\left\{ \begin{array}{l} {{a}} = \dfrac{1}{{x2 - x1}} \\ b = \dfrac{1}{{y1 - y2}} \\ p = \dfrac{{x1}}{{x1 - x2}} + \dfrac{{y1}}{{y2 - y1}} \\ \end{array} \right.$ (2)
 图 8 灰度转换后图像

 图 9 感兴趣区域划分

2.1.4 感兴趣区域内车速检测算法

 ${v_{{t}}} = \dfrac{{ x}}{{ t}}$ (3)
 ${v_1} = \dfrac{{{v_{t{1^{}}}} + {v_{t{2^{}}}} + \cdots + {v_{tn}}}}{n}$ (4)

 图 10 车辆在图像上的移动距离

 图 11 由图像距离推算至实际距离

EJFL辅助线与直线AD平行, O点是摄像机的焦点. A, B, C所对应的是实际路面的3点HGF, 其中FG=GH=6 m. 在两帧图像中利用车灯对应块定位对应具体位置. 只要把x转换到实际世界坐标中, 进行摄像机标定即可. 实际车辆的运动轨迹是直线或者近似直线, 因此文中利用摄像机的透视关系, 推导出摄像机的图像坐标与世界坐标的转换关系式. 利用三角形相似, 对应边成比例可以几何求解计算出视频图像中的像素距离DC所对应的实际距离EF.

DC点右侧及A点左侧, D点在AB之间都有:

 $EF = \dfrac{{2 \times {{FG}} \times {{AB}} \times {{CD}}}}{{{{AB}} \times {{BC}} + {{BC}} \times {{BC}} + {{CD}} \times {{BC - CD}} \times {{AB}}}}$ (5)

D点在BC之间, 有:

 $EF = \dfrac{{2 \times {{FG}} \times {{AB}} \times {{CD}}}}{{{{AB}} \times {{BC}} + {{BC}} \times {{BC - CD}} \times {{BC}} + {{CD}} \times {{AB}}}}$ (6)

2.2 路口车辆空间占有率的计算方法

 $\dfrac{{\displaystyle\sum\limits_{i = 1}^{} {{s_{ij}}} }}{{{T_i}}}$ (7)

(1)当新一帧图像被读入时, 先利用双边滤波进行预处理, 随后进行背景重构, 在完成图像背景提取与更新的同时, 选取待检测的感兴趣区域;

(2)提取感兴趣区域中的车辆轮廓;

(3)形态学处理. 将上述提取的车辆前景图像进行形态学处理, 减少车体边缘噪声点;

(4)利用式(7)即可求得路口空间占有率.

3 红绿灯切换方法的实现

 图 12 系统硬件设备结构图

3.1 硬件设备选型

3.2 软件设计

4 仿真模拟

5 结语

 [1] 连冰. 基于可靠度理论的城市路网脆弱性评估方法研究[硕士学位论文]. 西安: 长安大学, 2014. [2] 张婧. 城市道路交通拥堵判别、疏导与仿真[博士学位论文]. 南京: 东南大学, 2016. [3] 刘晏明, 易鑫, 李超. 基于模糊C均值聚类的比色传感器阵列图像分割算法. 计算机系统应用, 2019, 28(6): 110-117. DOI:10.15888/j.cnki.csa.006934 [4] 陈申渭, 马汉杰, 冯杰, 等. 摄屏类图像重构算法. 计算机系统应用, 2019, 28(5): 110-118. DOI:10.15888/j.cnki.csa.006908 [5] 胡正委, 朱明. 基于迁移学习的商品图像检测方法. 计算机系统应用, 2018, 27(10): 226-231. DOI:10.15888/j.cnki.csa.006600 [6] 陆梦进. 基于机器视觉的智能交通监控系统研究. 软件工程, 2016, 19(3): 9-11. DOI:10.3969/j.issn.1008-0775.2016.03.003 [7] 陈彦军, 张学典. 基于Matlab图像处理的角度测量误差分析的研究. 计算机科学, 2015, 42(6A): 203-204, 208. [8] 沈蝶聪. 基于多视角合成算法的视频监控技术研究[硕士学位论文]. 杭州: 杭州电子科技大学, 2017. [9] 金晅宏, 王海. 一种改进的图像水平倾斜角度测量算法的应用. 传感器与微系统, 2013, 32(9): 146-148, 152. DOI:10.3969/j.issn.1000-9787.2013.09.040