一种拥堵路段车辆提醒方法

技术领域

本产品设计到一种智能交通设施，具体涉及到一种包含智能算法以及计算 机视觉的拥堵路段车辆提醒方法。

背景技术

驾车出行是我们常用的交通方式之一，随着国内经济的蓬勃发展，人民生 活水平的日益提升，国内汽车人均保有量呈现逐年上升的趋势。与此同时，部 分城市现有交通网路已难难以满足人们对交通工具需求的日益增长，最终导致 了国内大中小城市“爆发式”的出现交通拥堵问题。但是，对于部分城市而言 单纯依靠扩大城市交通网络来满足日益增长的交通需求势必会占用有限的土 地资源。为了有效地缓解交通压力，对拥堵多发路段进行实时有效的车辆提醒 是一种有效的方法，以促进交通要道的顺利通行。

目前，现有的文献资料主要分析了传统交通网络的调度，由于当前城市路 段仍使用传统摄像头，其路况信息存在时间上的滞后性，导致无法准确后续的 交通路况，且对车流量过多时缺乏实时提醒，解决车辆拥堵效果不明显。

发明内容

本发明为了克服上述技术的不足，提供了一种计算机视觉识别车流量、智 能算法控制的车辆拥堵提醒方法，可以有效缓解城市车辆拥堵。

本发明的拥堵路段车辆提醒的方法其特别之处在于，依次包括以下步骤： a.首先，使用具有识别车辆的计算机视觉识别系统的道路摄像头实时获取当前 车辆信息，并通过机器学习的方法预测后续的道路车流量信息，后通过计算机 协议将信息保存；b.将保存的数据传入含有智能算法优化的PID控制中得到是 否需要显示车辆过多的信号0或1；c.将信号传入车辆拥堵路段提醒装置；d. 如果获得信号0，则说明道路通畅，不进行任何提醒；e.如果获得信号1，则说 明车流量即将增加道路可能出现拥堵问题。通过步骤a可以获得该路段的实时 车流量信息；步骤b是为了通过计算得到一个是否需要启动提醒装置的信号；步骤c、步骤d和步骤e是提醒装置的具体工作原理。

本发明的拥堵路段车辆提醒方法的计算机识别方法，所述步骤a采用的方 法是基于SVM的机器学习方式获得车辆密度。使用基于SVM的道路摄像头 可以实时识别车流密度，并预测未来车辆密度，降低人为计算。

本发明的智能计算优化的PID控制方法，所述步骤b采用的方式是基于遗 传算法(GA)优化的PID控制。使用此方法，可以有效的提高PIG模型的稳 定性，更好的计算控制结果。

本发明的车辆拥堵路段提醒装置，所述步骤c、d、e，当传入信号为0时， 提醒装置闪烁，当传入为1时，提醒装置闪烁。

附图说明

图1为本发明单元的重叠设置为4时的滑动窗口检测示例；

图2为本发明保留那些检测超过m次的物体的检测示例；

图3为马路划分示意；

图4为遗传算法优化趋势对比图；

图5为检测装置图；

图6为本发明专利的流程图。

具体实施方式

在众多的文献中，研究人员已经开发了许多用于障碍物检测的技术，从传 统的计算机视觉到深度学习都有。在本文中，我们使用一种计算机视觉技术— —方向梯度直方图(HOG)并结合了一种机器学习算法——支持向量机来构建 车辆检测器并用Python做相关仿真实验。该部分介绍了方向梯度直方图与支 持向量机，裁剪得到训练样本之后，提取所有正样本的Hog特征和负样本的 Hog特征，对所有正负样本赋予样本标签，将正负样本的Hog特征，正负样本 的标签，都输入到SVM中进行训练，最终计算输出所需数据。

方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是一种在计 算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图 像局部区域的梯度方向直方图来构成特征。方向梯度直方图的具体算法如下： 首先输入图像进行伽玛值(Gamma)调整和滤波。图像平滑滤波可提高算法的 抗噪性，采用高斯滤波：

L(x，y)＝G(x，y，σ)*I(x，y)

其中，G(x，y，σ)是高斯函数；(x，y)是坐标；σ是尺度坐标；L(x，y)是原图像进 行卷积运算后的平滑图像，σ大小决定图像的平滑程度，大尺度对应图像的概 貌特征，小尺度对应图像的细节特征。对图像平滑后计算计算梯度，图像梯度 是二维函数梯度的衍生。平滑图像L(x，y)的每个像素点用如下公式计算其梯度模 和方向，得到与原图等大的梯度图像。

求得图像的梯度后得出每个像素点上的梯度模值和方向进行加权统计。由 于方向的对称性，在构建方向直方图时采用了0°～180°的方向范围。不同形状的 物体具有不同的梯度分布，其梯度方向直方图也有较大差异。

对于，HOG描述子，将书入的64*128大小的图片进行划分，把4*4大 小的像素区域划为一个单元，在每个小单元内进行梯度统计。梯度方向在0°～360° 内，经过验证将直方图分为9级，直方图包含的级数太多导致对小的方向旋转 太敏感，而级数太少则导致结构太粗糙。计算每个单元对应的用梯度幅值加权 的梯度方向直方图，将其表示为一个9维的特征向量。

将前面的单元合并成大区域，即2*2个单元组成一个新的区域，每个区域 为8*8pixel。为了使后面检测具有更好的效果，向量统计时需要尽量多的信息， 在原始图像区域划分时使相邻的2个区域有部分重叠。重叠区域大小为原区域 的一半。将子图中所有单元的特征向量联合起来，即构成图像对应的特征向量。

求取上述HOG向量后，用整个子图像的直方图“能量”对特征向量进行 归一化处理，可以进一步解决光照变化的影响。经过实验对比可以确定归一化 算子为：

其中,T

支持向量机(support vector machines,SVM)是一种二分类模型，它的基本模 型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知 机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策 略就说间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化 的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优 化算法，该算法解决小样本、非线性及高维的模式识别上有许多独特优势。SVM 是建立在统计学理论的VC维理论(所谓VC维就是对函数类的一种度量，可以 简单理解为问题的复杂程度，VC维越高，一个问题就越复杂)和结构风险最小 原理基础上，根据有限的样本信息在模型的复杂性和学习能力之间寻找一个最 佳折衷，从而得到最优化的泛化能力。

支持向量机其实也是基于最优分类的思想训练出来的一种分类算法，简而 言之，它是一个两类分类模型，依赖预处理后的模型，最终可转化为一个凸二 次规划问题的求解，在n维空间中找到一个分类超平面，将空间中的点进行分 类。

车辆检测

由于一个视频帧中可能存在多个车辆，因此本文采用了滑动窗口机制和帧 聚合的技术，遍历视频帧中的所有窗口，在每个窗口中利用训练好的SVM检 测每个窗口是否包含车辆。我们创建多个尺寸的滑动窗口，大小从64×64到 256×256像素，然后使用分类器来识别这些窗口，并且只保留正向的预测，我 们在屏幕底部使用较大的滑动窗口，因为这一区域的车辆通常较大，而在屏幕 上方则使用较小的滑动窗口。在y方向小于350像素的区域(即图像上部)不进行 车辆检测。图1显示了单元的重叠设置为4时的滑动窗口检测示例。

为了进一步强化我们的处理流水线，我们决定每隔n帧平滑所有的检测窗 口。为此，我们缓存在(n-1)*f+1到n*f之间所有检测到的窗口，其中n是正 标量，表示当前所在的帧分组。每当组中的当前帧或下一帧中检测到一个新目 标时，检查过去是否检测到类似的对象，如果是的话，我们追加那个类似的对 象，从而增加这个对象在多个帧中的计数。在帧n*f处，我们只保留那些检测 超过m次的物体，从而在流水线中实现某种双重滤波。检测效果如图2所示。

本文实验仿真所用数据集来自GIT车辆影像数据库和KITTI Vision BenchmarkSuite，我们可以清楚地看到车辆和非车辆地图像。非车辆图像往往 是道路的其他元素，如沥青，道路标志或路面。区别非常明显。大多数图像也 显示车辆在中心，但在不同的方向，此外，有各种各样的汽车类型和颜色，以 及照明条件。

车辆密度检测结果

车辆密度是交通拥堵和交通事故量化的重要指标，这里设计车辆密度的检 测方法(以车道3.5米宽为例)。100米4*3.5米车道取3*20米路快8块，根 据计算机识别取得的数据统计汽车数量，如图3所示。

设t

PID控制模型的适应性应用

传统PID是比例控制、积分控制、微分控制的复合控制，其主要作用在于 不断地调控某一值使其近似趋近于某一稳定值，而我们将其应用于新型交通事 故的规避与处理方案。使智控实现的更加精确，具体内容如下：

①比例控制。比例(P)控制是最基本的控制方式，其控制器的输出与输 入的误差成比例关系。系统如果产生误差，控制器就会发挥自己的作用进行控 制干涉，通过负反馈机制减小误差，机制控制能力取决于比例系数K。同时， 因为某些被控制对象具有自平衡(系统阶跃响应终值为有限值)的能力，会导致 系统存在部分静态误差(Static error)。为了尽可能消除静态误差的影响，可以调 节比例系数K，使其K增大，同时需要注意，若K值过大，又将会增大系统 的超调过量，从而降低系统的动态性能，减小效率。

②积分控制。积分(I)控制的输出与输入误差的积分成正比关系。系统如果 产生误差，控制器就会对误差进行记忆并积分，即使误差很小，随时间的增加， 积分量也会变大，最后使得系统的静态误差缩小到理想值，甚至为零，消除静 态误差，降低影响。但是，又因为积分作的有滞后特性，如果积分作用响应过 于强烈，就会降低被控对象的动态品质，最后会导致系统的不稳定。

③微分控制。微分(D)控制器的输出与输入误差的微分成正比关系。系统 如果产生误差，控制器就会对误差进行微分，进一步预测出误差的变化趋势， 进而提前抑制，避免被控制量严重超调而影响结果。但是美中不足的是微分控 制在面对干扰时表现同样敏感，从而降低系统抑制干扰的能力。

具体计算应用时，PID控制根据给定值r(t)与实际输出值c(t)构成偏差： e(t)＝r(t)-c(t)。将偏差的比例(P)、积分(I)和微分(D)通过线性组合构成控制量， 对受控对象进行控制。其控制规律为:

其中传递函数为

基于遗传算法优化的PID模型

智能优化算法相较于传统算法，在搭建模型、处理效率等方面具有明显的 优势，随着学者对现实问题做出的深刻剖析，将工程、交通、医疗等诸多方面 的问题都转化为了对优化问题的求解。为了进一步提高PID模型的精确性，我 们结合了当前优化领域的研究，采用了一种基于遗传算法优化的PID模型。

遗传算法概述

遗传算法也称为进化算法，遗传算法是受达尔文进化论启发，借鉴生物进 化过程而提出的一种元启发式搜索算法。自诞生以来受到许多学者的青睐，经 过数十年的发展，无论是在基础理论还是在算法设计研究上都取得了突破性的 进步，并且在越来越多的领域都取得了成功的应用。其中在交通调度问题、 CVRP的优化方面也有着十分广泛的应用，所以，我们也将借助优化算法对PID 模型进行进一步的优化。

遗传算法的求解PID模型

编码：一般采用二进制编码或实数编码将机器识别的图像进行编码，将问 题的解表示成“染色体”，然后对种群进行初始化，依据编码规则给出种群的 初始解；

计算适用度：根据适用度函数计算每一个个体的适应度值，然后按“优胜 劣汰”的原则对解进行选择(在本问题中是选择K值较大的解)，之后进行复 制、交叉、变异过程产生一个更适应环境的一个新“染色体”，即子代；

迭代：重复第二步，直至迭代结束；

收敛：全部迭代完成后，最终达到终止条件，得到PID模型的最优解。

对比分析

通过MATLAB仿真结果，从图4可以看出，我们使用的遗传算法优化的 PID控制模型优于标准PID控制模型，因此我们可以通过文中提出的方案作为 缓解交通拥堵的一种方法。

汽车拥堵路段提示装置

装置结构示意图如图5所示。

图中：1、信号灯颜色采集单元；2、交通信号灯；3、LED灯带；4、LED 灯珠；5、栅栏；6、支架；7、矩形壳体；8、太阳能电池板；9、支撑

装置介绍

信号灯颜色采集单元1包括颜色传感器、第一单片机和第一无线收发模块， 所述颜色传感器固定在交通信号灯2下端面上。

提醒单元包括第二无线收发模块、继电器、LED灯带3和第二单片机，信 号灯颜色采集单元1和提醒单元通过第一、二无线收发模块进行通信，LED灯 带3包括若干并联的LED灯珠4，所述继电器的线圈及第二无线收发模块均与 第二单片机输出端相连，所述LED灯带3通过继电器常开触点串联至供电电 源，LED灯带3通过支架6设置在拥堵路段的栅栏5上。通过矩形壳体7将支 架6近一步固定，最后将太阳能电池板8固定连接在支撑柱9上，为系统供应 电能。

装置工作原理介绍

本产品颜色传感器用于采集信号灯当前颜色，并将该颜色信号发送至第一 单片机，第一单片机通过第一无线收发模块将信号灯的颜色信息发送至第二无 线收发模块，经第二单片机解码后控制LED灯带3呈现相应的提醒信息，如 果当前信号灯为绿色，第二单片机接通继电器线圈的供电回路，继电器常开触 点闭合，接通LED灯带3的供电回路，LED灯带3亮起，表示当前路段可以 通行，如果当前信号灯为红灯，第二单片机切断继电器线圈的供电回路，继电 器常开触点断开，切断LED灯带3的供电回路，LED灯带3熄灭，表示当前 路段禁止通行，LED灯带3设置在栅栏5上不影响路面行驶，为使各车道上的 司机都能看到LED灯带3的状态，可通过支架6将其架空至栅栏5上方，设 备通过LED灯带3的亮灭及时提醒路段后方的候车司机及时知晓当前交通灯 信号状态，绿灯时及时起步，舒缓交通拥堵的压力。

注：①继电器线圈与第二单片机的具体连接方式为，继电器的线圈一端接 供电电源，另一端接驱动三极管c脚，驱动三极管e脚接地，驱动三极管b脚 接第二单片机输出引脚。

②第二单片机工作电源及LED灯带3的供电电源由蓄电池提供，为避免 耗电完成后反复更换蓄电池，可在支架6一侧设置太阳能电池板8，通过太阳 能电池板8为蓄电池充电，以供其工作使用。

③颜色传感器采用TCS230，第一、二单片机均采用51单片机，第一、二 无线收发模块均采用NRF905。

车辆拥堵路段提示装置与PID优化模型的适应性结合

装置的计算机视觉捕捉当前路段的车辆信息进行车辆识别，计算车辆密度 ρ，保证装置高效正确的分析当前路段的车辆拥挤状况，通过第一单片机进行 运算，并采集信号灯颜色信号，结合各种信息分析出当前的实际输出值，并将 其与标准值进行比较得出偏差，记为e(t)。从而推算出当前路段的最优显示 解决方案。当比例系数k增大导致系统超调过量时，PID会通过负反馈机制加 大对比例系数k的调节，进而减小乃至消除静态误差的影响，提高系统的动态 性能，提升效率。随着PID控制使得提醒单元的不断改变，车辆密度ρ等环境 信息也会不断的进行改变，经过负反馈调节机制又会反过来重新影响PID的控 制，而通过对其参数的优化调整，从而实现实时的、动态的持续调控。

本申请的总体示意图如图6所示，汽车拥堵路段提示装置的优势和意义：

直接且实际的路况检测与调控

将装置配备计算机识别所识别的路况数据信息实时的通过第一无线收发 执法人员的 自觉性和高效性。共同规避交通安全事故的发生。

采用了与遗传算法相结合的PID控制模型：

通过遗传算法对PID进行进一步优化，针对被控过程动态特性的变化，

考虑当前输入控制量的偏差变化率的影响，根据一定的控制要求或目标函 数，综合给出调节、修正PID的比例参数，并把得出的修正量ΔK

增强了人与机器的协作管理：

该汽车拥堵路段提示装置本身降低了人员出行对有关交警部门管理的依 附性，有关部门由主导位置转变为辅助调控位置，转而由车辆本身和司机群众 来主导的产生，降低了有关部门的工作强度，也更加符合政府“简政放权”向 服务型政府的转变策略。

本汽车拥堵路段提示装置在现有路面检测仪基础上进行改进和创新，使其 更加具备智能化因素，让信息采集变得更加高效且准确，采用遗产算法优化的 PID控制模型，令系统更加的科学化，降低了资源的浪费，使路段提示更加人 性化，体现了科技进步与创新对人类社会发展带来的便利。