基于協(xié)同方法交通狀態(tài)識別

1、基于協(xié)同方法交通狀態(tài)識別（作者 :_單位 : _ 郵編 : _ ）作者：王偉智，劉秉瀚，朱敏琛【摘要】提出一種基于協(xié)同理論的交通狀態(tài)自動識別的新方法。首先，針對交通圖像受光線、抖動干擾問題，提出了實時信息融合的動態(tài)原型選擇模型；然后， 利用直接求相似度重構(gòu)序參量，實現(xiàn)了實時動態(tài)原型的選擇；最后， 依據(jù)快速協(xié)同網(wǎng)絡(luò)框架，避免動力演化過程迭代，快速識別。協(xié)同方法可實現(xiàn)不同時段各種交通狀態(tài)的自動檢測。試驗結(jié)果可說明該方法效果理想、速度快，具有較強(qiáng)的魯棒性?！娟P(guān)鍵詞】 協(xié)同方法 ;交通狀態(tài) ;自動識別Abstract:Toputforwarda newmethodofautomaticrecognit

2、ion based on synergetics in traffic state. Firstly,accordingtocrossingtrafficimage,setup thedynamicprototypeselectionmodel of realtime informationsyncretics.Secondly,usingresemblanceofparameter,tocarryoutselectionofdynamicprototype.Lastly,tocarryoutanautomaticrecognitionalgorithm.Automaticdetectiono

3、ftrafficstateswas achieved.The resultsshowedthataneffective synergetic recognition method has been developed.Key words: synergetic method； traffic state； automaticrecognition引言一個城市的交通狀態(tài)是十分重要的 , 只有及時了解各種交通狀態(tài)信息 , 交通控制系統(tǒng)才能最大限度地發(fā)揮其應(yīng)有的作用。 目前 , 交通狀態(tài)的提取主要采用地感線圈的方式，但存在一些問題，例如，施工維護(hù)困難，檢測參數(shù)有限。而隨著相關(guān)技術(shù)的飛速發(fā)展，通過計算

4、機(jī)視覺技術(shù)進(jìn)行交通狀態(tài)的自動識別具有很大的優(yōu)越性， 相關(guān)方法已引起普遍關(guān)注，主要優(yōu)點(diǎn)有：第一、攝像機(jī)容易安裝，施工和維護(hù)成本較低；第二、攝像機(jī)的檢測范圍易調(diào)，相對的檢測范圍更大；第三、對交通狀態(tài)識別均更直觀、 更精確和更高效。 而運(yùn)動目標(biāo)車輛的檢測是基于視頻的交通狀態(tài)識別的前提。 現(xiàn)有的車輛檢測方法總體上分為光流法和幀差法。前者建立在光流方程的基礎(chǔ)上 , 檢測結(jié)果依賴于光流場計算的精確性 , 其計算量非常大，不適合實時系統(tǒng)的應(yīng)用；幀間圖像差分法受背景噪聲的影響很大，而且當(dāng)運(yùn)動物體的內(nèi)部紋理較少時，容易造成誤檢，因而只用幀間差分的方法來提取運(yùn)動物體輪廓 , 不具有魯棒性；并且，受實時環(huán)境影響較大

5、，例如，光線變化、車流與強(qiáng)氣流對攝像機(jī)產(chǎn)生抖動等， 得到的實時路況圖像也不可避免受到光照的影響或存在 “抖動” 現(xiàn)象 , 此時與背景圖像的差值并不能完全濾掉背景信息。 另一方面，交通狀態(tài)并不能僅用一個絕對的參數(shù)加以識別，必須通過分析車輛密度、排隊長度、道路占有率、車流量、車速等若干個交通參數(shù)在不同的交通狀態(tài)下的變化規(guī)律， 從而找出交通參數(shù)與交通狀態(tài)之間的關(guān)系， 以確定交通狀態(tài)流得特性。 由此可見，交通狀態(tài)的特征具有模糊不確定性。作為模式識別的一種新方法，協(xié)同方法的識別依據(jù)是原型模式，與典型的模式識別方法相比，不必要進(jìn)行細(xì)節(jié)特征提取和選擇的過程，這對于那些分類特征模糊的識別問題，有其獨(dú)特的優(yōu)越性

6、，而且協(xié)同式神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的魯棒性。 因此，本文針對交通視頻圖像所存在的實際問題及交通狀態(tài)流的特性， 提出了基于協(xié)同模式識別原理的交通狀態(tài)識別分類方法， 對交通狀態(tài)的原型模式選擇提出了動態(tài)實時迭加圖像信息的方法，能有效地解決光線變化與抖動等實際問題。實驗結(jié)果表明該方法具有較強(qiáng)的魯棒性和自適應(yīng)性。1 交通狀態(tài)模式定義本文將交通狀態(tài)定義為 4 個等級：狀態(tài) 1（長排隊）：等待狀態(tài)，車道有較長的排隊車輛。表現(xiàn)為車隊長、車輛密集，車距短。狀態(tài) 2（短排隊）：等待狀態(tài)，車道有較短的排隊車輛。表現(xiàn)為車道前段短車距的車隊較短，車道后段沒有車輛或有長車距的零星車輛。狀態(tài) 3（滿通行）：通行狀態(tài)，車道有較長的

7、通行車隊。表現(xiàn)為整個車隊較長，車距長。狀態(tài) 4（暢通行）：通行狀態(tài)，車道只有零星長車距車輛。2 協(xié)同模式識別基本原理根據(jù)協(xié)同學(xué)的基本思想 1, 模式識別過程可以理解為若干序參量競爭的過程。對于待試驗?zāi)Ｊ?q，可以構(gòu)造一個動力學(xué)過程，它能夠“拉” q ，使它經(jīng)過中間狀態(tài) q(t) 進(jìn)入到諸原型模式中的一個原型模式 vk，即 vk 與 q(0) 最為靠近，也就是說拉 q 使其處于 vk 的吸引谷底，這個過程可描述為： q(0) q(t) vk. 在圖像模式識別中，圖像矩陣先被轉(zhuǎn)換為一維向量， 并將其歸一化為具有零均值和單位長度的列向量。設(shè)原型模式數(shù)為 M，列向量的維數(shù)為 N，為了滿足原型向量間的線

8、性無關(guān)條件，要求 MN。圖像模式識別的動力學(xué)方程為：q=kkvk(v+kq) k kkkBkk(v+k q)2(v+kq)vkc(q+q)q+F(t),(1)其中， q為試驗?zāi)Ｊ较蛄?，k 為注意參數(shù)，只有當(dāng) k0 時，模式才能被識別， vk 為原型模式向量， v+k 為 vk 的伴隨向量， 它必須滿足： v+kvk =kk=0，kk，1 ， k=k， q+與 q 也必須滿足同樣的關(guān)系。 Bkk、 C為常系數(shù)，包含 Bkk的項用于多個模式間的辨別，包含 C的項用于限制 q 的指數(shù)增長， F(t) 為漲落力，一般情況下可以忽略。顯然，如果按方程 (1) 測試圖像即試驗?zāi)Ｊ街械拿總€象素點(diǎn)都占一維。為

9、了降低維數(shù)， Haken引進(jìn)了序參量 k 來重新描述方程 (1) 。系統(tǒng)的序參量 k 描述為 q 在最小二乘意義下于vk 上的投影，為剩余向量： q=Mk=1kvk+, （2）v+k=0, （3）于是得到：k=v+kq. （4）根據(jù)式（ 4），方程（ 1）可被重寫為： k=kkk kBkk 2k kCk2k k. （5） 模式識別的動力學(xué)方程式(5) 可以表示為 3 層網(wǎng)絡(luò)，因此，協(xié)同模式識別模型也稱為協(xié)同神經(jīng)網(wǎng)絡(luò)，網(wǎng)絡(luò)的輸出被投影到第三層，根據(jù)下式：q(t)=k=1kvk. （6）實現(xiàn)網(wǎng)絡(luò)的聯(lián)想功能，最終完成協(xié)同神經(jīng)網(wǎng)絡(luò)的識別過程。由公式（ 6）可知，原型模式向量的選擇和序參量的構(gòu)造是協(xié)同模

10、式識別的關(guān)鍵。3 交通狀態(tài)的協(xié)同檢測分類*23.1單車道提取一般情況下，攝像機(jī)是固定的， 因此，可以根據(jù)攝像機(jī)采集角度取得各單車道圖像區(qū)域坐標(biāo)，自動裁剪覆蓋梯形單車道的最小矩形區(qū)域，并根據(jù)車道坐標(biāo)將非此車道的區(qū)域清空。單車道圖像提取效果如圖1 所示。3.2交通狀態(tài)原型的選擇協(xié)同模式識別方法需要將待識別圖像和原型模式進(jìn)行相似度量，得到序參量的初始值， 因此，原型模式的選擇對識別效果有著十分重要的作用，它給協(xié)同神經(jīng)網(wǎng)絡(luò)的識別能力定下了基調(diào)。 原型模式選擇2的主要方法有：基于經(jīng)驗選擇法、基于數(shù)學(xué)平均值選擇法、基于聚類法選擇法、基于遺傳算法選擇法、 圖 1 單車道提取效果圖基于信息疊加學(xué)習(xí)算法選擇法等

11、。這些方法的特點(diǎn)是學(xué)習(xí)訓(xùn)練結(jié)束之后，原型相對穩(wěn)定不變，這對道路的交通情況不適用，因為受光線、抖動等影響， 使得現(xiàn)場交通圖像與學(xué)習(xí)訓(xùn)練間產(chǎn)生原型模式有較大的差距，因此，要考慮將實時現(xiàn)場信息對原型模式進(jìn)行動態(tài)修正。由于協(xié)同神經(jīng)網(wǎng)絡(luò)中的原型模式具有信息疊加能力 3, 筆者提出一種實時信息疊加的動態(tài)原型選擇方法，以解決光線、抖動的干擾。其基本思想如下：分別采集一批關(guān)車燈白天與開車燈夜間（5.00 19.00,19.00 5.00 ）2 個 段的 4 種典型交通狀 像（ 排 、短排 、 通行、 通行） ，利用數(shù)學(xué)平均 求得原型模式vtk(0) ，k=1,2,3,4，t=1,2，作 初始的原型模式；然后將

12、i 段采集的 入模式 本qi 送 同神 網(wǎng) 中 ，若 果 第j 個交通狀 模式， 將qi 作 反 量來修正原型模式vij ，采用下式修正：vij=vij(0)(1 r)+qi r, r 0,1 ,(7) 其中 r 疊加力度，可依據(jù) vij(0)與 qi 之 差 決定，相差大，r 取大，相差小， r 取小。用修正后的原型模式來 下一個 采集的 入 本， 不斷把 最接近的交通信息疊加到原型中，原型中疊加的信息與待 的 入 本采集 相差在幾秒之內(nèi)，具有 的一致性， 能有效解決光 抖 等干 。 信息疊加的 原型 方法描述如下:step1:采集不同 段各種交通狀 的 像作 學(xué) 本集qtk(n)|t=1,

13、2;k=1,2,3,4;n=1,2,Nk ，利用數(shù)學(xué)平均 算初始原型模式：vtk(0)=Nn=1qtk(n)Nk,t=1,2; k=1,2,3,4.（8）step2:將i 段采集的交通 像qi送 同神 網(wǎng) ， 果 第j 個交通狀 模式， 依據(jù)下式求疊加力度 r ： r= vij(0)qi vij(0) 1Nk.（9） step3:利用公式（ 7）修正原型模式 vij ，作 下一 同 的原型模式。取白天 段狀 4（ 通行）的 4 幅交通 像，如 2（a）所示，生 初始原型模式，如 2（b）所示。將同 段的 入 本（ 2（ c）修正原型模式，修正結(jié)果如圖 2（d）所示。顯然，修正后的原型含有輸入樣

14、本信息。3.3 直接求相似度的序參量重構(gòu)協(xié)同模式識別過程可視為若干序參量競爭的過程，因此，其模型另一個關(guān)鍵問題是序參量的構(gòu)造。經(jīng)典的構(gòu)造算法 1是直接求由原型模式向量所組成矩陣的 M P 廣義逆矩陣，然后根據(jù)公式（ 4）得到序參量。這種基于偽逆的方法所求的序參量能很好地反映輸入模式和原型模式之間的相似程度， 但所需的運(yùn)算量很大， 而且我們采用動態(tài)的原型選擇方法， 即原型是不斷變動的， 這樣每次都要對所有原型求偽逆，根本不實用。文獻(xiàn) 4提出了一種直接求相似度構(gòu)造序參量的思想，用可接受的誤差代價來換取快速學(xué)習(xí)算法， 并用試驗證明算法可行性。序參量實際上是作為輸入樣本對原型模式的分解系數(shù)，由公式（

15、2）、（3）可知，基于偽逆法構(gòu)造序參量時 , 剩余向量不產(chǎn)生影響，這樣可將輸入樣本理想地分解到各個原型模式； 而直接求相似度構(gòu)造法不能滿足剩余向量盡可能小的要求，文獻(xiàn) 4同時提出以對剩余向量進(jìn)行最小化的目標(biāo)對序參量進(jìn)行重構(gòu)， 來減少這個誤差對識別帶來的不利影響，這為動態(tài)的協(xié)同網(wǎng)絡(luò)創(chuàng)造了條件。因此，本文采用求相似度方法重構(gòu)序參量，以應(yīng)對交通圖像的實際情況。相似度求法有相關(guān)系數(shù)法、距離法、均方誤差法、絕對值差法等，經(jīng)實驗，相關(guān)系數(shù)法效果比較理想， 本文采用相關(guān)系數(shù)法構(gòu)造初始序參量 tk(0) ： tk(0)=ivtkiqtiivtkivtkiiqtiqti12,（10）圖 2 動態(tài)選擇原型模式效果

16、圖其中， vtki與 qti為轉(zhuǎn)換為一維向量的圖像元素。設(shè)： vt =ktk(0)vtk,（11）則由公式（ 2）得到： qt=vt +。由此可知，在qt 固定情況下，只要與vt 正交，則剩余向量模值最小。顯然，通過將 vt 的模調(diào)整為 qt 在 vt 上的投影，可實現(xiàn)剩余向量最小模的目標(biāo)： t =(qt,vt ) vt vt , （12）由公式（ 11）、（12）推出序參量重構(gòu)公式為：qt,ktk(0)vtkk tk(0)vtk tk(0). （13）取圖 3(e) 所示的輸入樣本，根據(jù)公式（10）求其在 4 個交通狀態(tài)原型（見圖 3(a) (d) ）上的相似度序參量，得到初始序參量與剩余向

17、量的模值；然后根據(jù)公式（ 13）重構(gòu)序參量。顯然，重構(gòu)序參量后的剩余向量的模值變?。ㄒ姳?1）。為了顯示效果，圖 3（f ）、（g）為增強(qiáng)的剩余向量。表 1 初始序參量與剩余向量值 1 23 4初始值 0.88260.80870.82520.80172.4467重構(gòu)值0.75030.68600.70150.68151.97533.4交通狀態(tài)的協(xié)同檢測算法在平衡注意參數(shù)協(xié)同神經(jīng)網(wǎng)絡(luò)中，只要某個原型的初始序參量大于其他原型的初始序參量，則它必將在競爭中獲勝1。所謂平衡注意參數(shù)是指在識別過程中平衡對待所有原型模式，沒有偏向任何一方，而交通各狀態(tài)原型屬于這種情況，在這樣的網(wǎng)絡(luò)中，可直接選擇初始序參量最

18、大的模式作為競爭獲勝者輸出，避免動力演化過程迭代，快速 。 因此，交通狀 同 算法 基于平衡參數(shù)的快速 同 模式， 能很好地 足交通狀 性的要求。 合 原型 法和相似度的序參量重構(gòu)法， 基于快速 同網(wǎng) 的交通狀 具體步 如下：1. 程：Step1: 根據(jù) 像機(jī)采集角度， 置 道提取坐 。Step2: 采集不同 段各種典型交通狀 的 像，提取 道 像，作 學(xué) 本集： qtk(n)|t=1,2;k=1,2,3,4;n=1,2, ,Nk. Step3: 將 本 像 灰度 像， 并 行零均 、 一化 理1。Step4: 利用公式（ 8）求初始原型模式vtk(0) ，同 置第一次修正后的原型模式 初始原型模式：vtk=vtk(0),t=1,2;k=1,2,3,4.圖 3 構(gòu)造序參量效果 2. 程：第一步 : 采集 i 段的交通 像，提取 道 像qi ， 灰度 像，并 行零均 、 一化 理。第二步 :按公式 (10)求序參量ik(0),k=1,2,3,4。第三步 :按公式 (13)重構(gòu)序參量ik(0)，得到 整后的序參量4 果取白天 段不同狀 的典型交通 像各24 幅，生成原型模式 圖 3（a）（ d），將同 段交通 像（ 4（a）（ e）作 入 本；另取不同夜 段不同狀 的典型交通 像各24 幅，生成20 幅實驗，識別率均值達(dá)原型模式如圖 4（f ）