基于协同方法交通状态识别.doc

基于协同方法交通状态识别 作者：王伟智， 刘秉瀚， 朱敏琛 【摘要】 提出一种基于协同理论的交通状态自动识别的新方法。首先，针对交通图像受光线、抖动干扰问题，提出了实时信息融合的动态原型选择模型；然后，利用直接求相似度重构序参量，实现了实时动态原型的选择；最后，依据快速协同网络框架，避免动力演化过程迭代，快速识别。协同方法可实现不同时段各种交通状态的自动检测。试验结果可说明该方法效果理想、速度快，具有较强的鲁棒性。 【关键词】 协同方法; 交通状态; 自动识别 Abstract: To put forward a new method of automatic recognition based on synergetics in traffic state. Firstly, according to crossing traffic image, set up the dynamic prototype selection model of real time information syncretics. Secondly, using resemblance of parameter, to carry out selection of dynamic prototype. Lastly, to carry out an automatic recognition algorithm. Automatic detection of traffic states was achieved. The results showed that an effective synergetic recognition method has been developed. Key words: synergetic method； traffic state； automatic recognition 引言 一个城市的交通状态是十分重要的,只有及时了解各种交通状态信息,交通控制系统才能最大限度地发挥其应有的作用。目前,交通状态的提取主要采用地感线圈的方式，但存在一些问题，例如，施工维护困难，检测参数有限。而随着相关技术的飞速发展，通过计算机视觉技术进行交通状态的自动识别具有很大的优越性，相关方法已引起普遍关注，主要优点有：第一、摄像机容易安装，施工和维护成本较低；第二、摄像机的检测范围易调，相对的检测范围更大；第三、对交通状态识别均更直观、更精确和更高效。而运动目标车辆的检测是基于视频的交通状态识别的前提。现有的车辆检测方法总体上分为光流法和帧差法。前者建立在光流方程的基础上,检测结果依赖于光流场计算的精确性,其计算量非常大，不适合实时系统的应用；帧间图像差分法受背景噪声的影响很大，而且当运动物体的内部纹理较少时，容易造成误检，因而只用帧间差分的方法来提取运动物体轮廓,不具有鲁棒性；并且，受实时环境影响较大，例如，光线变化、车流与强气流对摄像机产生抖动等， 得到的实时路况图像也不可避免受到光照的影响或存在“抖动”现象, 此时与背景图像的差值并不能完全滤掉背景信息。另一方面，交通状态并不能仅用一个绝对的参数加以识别，必须通过分析车辆密度、排队长度、道路占有率、车流量、车速等若干个交通参数在不同的交通状态下的变化规律，从而找出交通参数与交通状态之间的关系，以确定交通状态流得特性。由此可见，交通状态的特征具有模糊不确定性。 作为模式识别的一种新方法，协同方法的识别依据是原型模式，与典型的模式识别方法相比，不必要进行细节特征提取和选择的过程，这对于那些分类特征模糊的识别问题，有其独特的优越性，而且协同式神经网络具有很强的鲁棒性。因此，本文针对交通视频图像所存在的实际问题及交通状态流的特性，提出了基于协同模式识别原理的交通状态识别分类方法，对交通状态的原型模式选择提出了动态实时迭加图像信息的方法，能有效地解决光线变化与抖动等实际问题。实验结果表明该方法具有较强的鲁棒性和自适应性。 1 交通状态模式定义 本文将交通状态定义为4个等级： 状态1（长排队）：等待状态，车道有较长的排队车辆。表现为车队长、车辆密集，车距短。 状态2（短排队）：等待状态，车道有较短的排队车辆。表现为车道前段短车距的车队较短，车道后段没有车辆或有长车距的零星车辆。 状态3（满通行）：通行状态，车道有较长的通行车队。表现为整个车队较长，车距长。 状态4（畅通行）：通行状态，车道只有零星长车距车辆。 2 协同模式识别基本原理 根据协同学的基本思想1,模式识别过程可以理解为若干序参量竞争的过程。对于待试验模式q，可以构造一个动力学过程，它能够“拉” q，使它经过中间状态q(t)进入到诸原型模式中的一个原型模式vk，即vk与q(0)最为靠近，也就是说拉q使其处于vk的吸引谷底，这个过程可描述为：q(0)q(t)vk. 在图像模式识别中，图像矩阵先被转换为一维向量，并将其归一化为具有零均值和单位长度的列向量。设原型模式数为M，列向量的维数为N，为了满足原型向量间的线性无关条件，要求MN。图像模式识别的动力学方程为：q=kkvk(v+kq)kkkkBkk(v+kq)2(v+kq)vk c(q+q)q+F(t),(1)其中，q为试验模式向量，k为注意参数，只有当k>0时，模式才能被识别，vk为原型模式向量，v+k 为vk的伴随向量， 它必须满足：v+kvk=kk=0，kk， 1，k=k，q+与q也必须满足同样的关系。Bkk、C为常系数，包含Bkk的项用于多个模式间的辨别，包含C的项用于限制q的指数增长，F(t)为涨落力，一般情况下可以忽略。 显然，如果按方程(1)测试图像即试验模式中的每个象素点都占一维。为了降低维数，Haken引进了序参量k来重新描述方程(1)。系统的序参量k描述为q在最小二乘意义下于vk上的投影，为剩余向量：q=Mk=1kvk+,（2） v+k=0,（3）于是得到： k=v+kq.（4）根据式（4），方程（1）可被重写为： k=kkkkBkk2kkCk2kk.（5） 模式识别的动力学方程式(5)可以表示为3层网络，因此，协同模式识别模型也称为协同神经网络，网络的输出被投影到第三层，根据下式： q(t)=k=1kvk.（6）实现网络的联想功能，最终完成协同神经网络的识别过程。 由公式（6）可知，原型模式向量的选择和序参量的构造是协同模式识别的关键。 3 交通状态的协同检测分类*23.1 单车道提取 一般情况下，摄像机是固定的，因此，可以根据摄像机采集角度取得各单车道图像区域坐标，自动裁剪覆盖梯形单车道的最小矩形区域，并根据车道坐标将非此车道的区域清空。单车道图像提取效果如图1所示。 3.2 交通状态原型的选择 协同模式识别方法需要将待识别图像和原型模式进行相似度量，得到序参量的初始值，因此，原型模式的选择对识别效果有着十分重要的作用，它给协同神经网络的识别能力定下了基调。原型模式选择2的主要方法有：基于经验选择法、基于数学平均值选择法、基于聚类法选择法、基于遗传算法选择法、 图1 单车道提取效果图 基于信息叠加学习算法选择法等。这些方法的特点是学习训练结束之后，原型相对稳定不变，这对道路的交通情况不适用，因为受光线、抖动等影响，使得现场交通图像与学习训练间产生原型模式有较大的差距，因此，要考虑将实时现场信息对原型模式进行动态修正。由于协同神经网络中的原型模式具有信息叠加能力3,笔者提出一种实时信息叠加的动态原型选择方法，以解决光线、抖动的干扰。其基本思想如下：分别采集一批关车灯白天与开车灯夜间（5.0019.00,19.005.00）2个时段的4种典型交通状态图像（长排队、短排队、满通行、畅通行），利用数学平均值求得原型模式vtk(0)，k=1,2,3,4， t=1,2，作为初始的原型模式；然后将i时间段采集的输入模式样本qi送进协同神经网络中识别，若识别结果为第j个交通状态模式，则将qi作为反馈量来修正原型模式vij，采用下式修正：vij=vij(0)(1r)+qir, r0,1,(7)其中r为叠加力度，可依据vij(0)与qi之间差值决定，相差大，r取大，相差小，r取小。 用修正后的原型模式来识别下一个实时采集的输入样本，这样不断把时间最接近的交通信息叠加到原型中，原型中叠加的信息与待识别的输入样本采集时间相差在几秒之内，具有较强的一致性，能有效解决光线抖动等干扰。 实时信息叠加的动态原型选择方法描述如下: step1:采集不同时段各种交通状态的图像作为学习训练样本集qtk(n)|t=1,2;k=1,2,3,4;n=1,2,Nk，利用数学平均值计算初始原型模式：vtk(0)=Nn=1qtk(n)Nk, t=1,2; k=1,2,3,4.（8） step2:将i时段采集的交通图像qi送进协同神经网络识别，设识别结果为第j个交通状态模式，则依据下式求叠加力度r： r=vij(0)qivij(0)1Nk.（9） step3:利用公式（7）修正原型模式vij，作为下一轮协同识别的原型模式。 取白天时段状态4（畅通行）的4幅交通图像，如图2（a）所示，生产初始原型模式，如图2（b）所示。将同时段的输入样本（图2（c）修正原型模式，修正结果如图2（d）所示。显然，修正后的原型含有输入样本信息。 3.3 直接求相似度的序参量重构 协同模式识别过程可视为若干序参量竞争的过程，因此，其模型另一个关键问题是序参量的构造。经典的构造算法1是直接求由原型模式向量所组成矩阵的MP广义逆矩阵，然后根据公式（4）得到序参量。这种基于伪逆的方法所求的序参量能很好地反映输入模式和原型模式之间的相似程度，但所需的运算量很大，而且我们采用动态的原型选择方法，即原型是不断变动的，这样每次都要对所有原型求伪逆，根本不实用。文献4提出了一种直接求相似度构造序参量的思想，用可接受的误差代价来换取快速学习算法，并用试验证明算法可行性。 序参量实际上是作为输入样本对原型模式的分解系数，由公式（2）、（3）可知，基于伪逆法构造序参量时,剩余向量不产生影响，这样可将输入样本理想地分解到各个原型模式；而直接求相似度构造法不能满足剩余向量尽可能小的要求，文献4同时提出以对剩余向量进行最小化的目标对序参量进行重构，来减少这个误差对识别带来的不利影响，这为动态的协同网络创造了条件。因此，本文采用求相似度方法重构序参量，以应对交通图像的实际情况。 相似度求法有相关系数法、距离法、均方误差法、绝对值差法等，经实验，相关系数法效果比较理想，本文采用相关系数法构造初始序参量tk(0)：tk(0)=ivtkiqtiivtkivtkiiqtiqti12,（10）图2 动态选择原型模式效果图 其中，vtki与qti为转换为一维向量的图像元素。 设：vt=ktk(0)vtk,（11）则由公式（2）得到：qt=vt+。 由此可知，在qt固定情况下，只要与vt正交，则剩余向量模值最小。显然，通过将vt的模调整为qt在vt上的投影，可实现剩余向量最小模的目标：t=(qt,vt)vtvt,（12）由公式（11）、（12）推出序参量重构公式为：qt,ktk(0)vtkktk(0)vtktk(0).（13） 取图3(e)所示的输入样本，根据公式（10）求其在4个交通状态原型（见图3(a)(d)）上的相似度序参量，得到初始序参量与剩余向量的模值；然后根据公式（13）重构序参量。显然，重构序参量后的剩余向量的模值变小（见表1）。为了显示效果，图3（f）、（g）为增强的剩余向量。表1 初始序参量与剩余向量值 1234初始值0.88260.80870.82520.80172.4467重构值0.75030.68600.70150.68151.97533.4 交通状态的协同检测算法 在平衡注意参数协同神经网络中，只要某个原型的初始序参量大于其他原型的初始序参量，则它必将在竞争中获胜1。所谓平衡注意参数是指在识别过程中平衡对待所有原型模式，没有偏向任何一方，而交通各状态原型属于这种情况，在这样的网络中，可直接选择初始序参量最大的模式作为竞争获胜者输出，避免动力演化过程迭代，快速识别。因此，交通状态协同检测算法选择基于平衡参数的快速协同识别模式，能很好地满足交通状态实时性的要求。结合动态原型选择法和相似度的序参量重构法，基于快速协同网络的交通状态检测具体步骤如下： 1. 训练过程： Step1:根据摄像机采集角度，设置单车道提取坐标。 Step2:采集不同时段各种典型交通状态的图像，提取单车道图像，作为学习训练样本集：qtk(n)|t=1,2;k=1,2,3,4;n=1,2,Nk. Step3:将训练样本图像转换灰度图像，并进行零均值、归一化预处理1。 Step4:利用公式（8）求初始原型模式vtk(0)，同时设置第一次修正后的原型模式为初始原型模式：vtk=vtk(0), t=1,2;k=1,2,3,4.图3 构造序参量效果图 2. 识别过程： 第一步:实时采集i时段的交通图像，提取车道图像qi，转换为灰度图像，并进行零均值、归一化预处理。 第二步:按公式(10)求序参量ik(0),k=1,2,3,4。 第三步:按公式(13)重构序参量ik(0)，得到调整后的序参量 4 实验结果 取白天时段不同状态的典型交通图像各24幅，生成原型模式见图3（a）（d），将同时段交通图像（图4（a）（e）作为输入样本；另取不同夜间时段不同状态的典型交通图像各24幅，生成原型模式如图4（f）（i）所示，将同时段的交通图像（图4（j）（m）作为输入样本，送进协同神经网络识别，识别结果见表2。可以看出，基于协同的交通状态检测识别方法有较理想的分类效果，协同算法中的原型具有信息叠加能力