基于協(xié)同方法交通狀態(tài)識(shí)別

1、基于協(xié)同方法交通狀態(tài)識(shí)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(dòng)識(shí)別的新方法。首先，針對(duì)交通圖像受光線、抖動(dòng)干擾問(wèn)題，提出了實(shí)時(shí)信息融合的動(dòng)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(shí)現(xiàn)了實(shí)時(shí)動(dòng)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(dòng)力演化過(guò)程迭代，快速識(shí)別。協(xié)同方法可實(shí)現(xiàn)不同時(shí)段各種交通狀態(tài)的自動(dòng)檢測(cè)。試驗(yàn)結(jié)果可說(shuō)明該方法效果理想、速度快，具有較強(qiáng)的魯棒性。【關(guān)鍵詞】 協(xié)同方法 ;交通狀態(tài) ;自動(dòng)識(shí)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(gè)城市的交通狀態(tài)是十分重要的 , 只有及時(shí)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(wèn)題，例如，施工維護(hù)困難，檢測(cè)參數(shù)有限。而隨著相關(guān)技術(shù)的飛速發(fā)展，通過(guò)計(jì)算

4、機(jī)視覺(jué)技術(shù)進(jìn)行交通狀態(tài)的自動(dòng)識(shí)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(cè)范圍易調(diào)，相對(duì)的檢測(cè)范圍更大；第三、對(duì)交通狀態(tài)識(shí)別均更直觀、 更精確和更高效。 而運(yùn)動(dòng)目標(biāo)車輛的檢測(cè)是基于視頻的交通狀態(tài)識(shí)別的前提。 現(xiàn)有的車輛檢測(cè)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(cè)結(jié)果依賴于光流場(chǎng)計(jì)算的精確性 , 其計(jì)算量非常大，不適合實(shí)時(shí)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(dòng)物體的內(nèi)部紋理較少時(shí)，容易造成誤檢，因而只用幀間差分的方法來(lái)提取運(yùn)動(dòng)物體輪廓 , 不具有魯棒性；并且，受實(shí)時(shí)環(huán)境影響較大

5、，例如，光線變化、車流與強(qiáng)氣流對(duì)攝像機(jī)產(chǎn)生抖動(dòng)等， 得到的實(shí)時(shí)路況圖像也不可避免受到光照的影響或存在 “抖動(dòng)” 現(xiàn)象 , 此時(shí)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(gè)絕對(duì)的參數(shù)加以識(shí)別，必須通過(guò)分析車輛密度、排隊(duì)長(zhǎng)度、道路占有率、車流量、車速等若干個(gè)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(jiàn)，交通狀態(tài)的特征具有模糊不確定性。作為模式識(shí)別的一種新方法，協(xié)同方法的識(shí)別依據(jù)是原型模式，與典型的模式識(shí)別方法相比，不必要進(jìn)行細(xì)節(jié)特征提取和選擇的過(guò)程，這對(duì)于那些分類特征模糊的識(shí)別問(wèn)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(duì)交通視頻圖像所存在的實(shí)際問(wèn)題及交通狀態(tài)流的特性， 提出了基于協(xié)同模式識(shí)別原理的交通狀態(tài)識(shí)別分類方法， 對(duì)交通狀態(tài)的原型模式選擇提出了動(dòng)態(tài)實(shí)時(shí)迭加圖像信息的方法，能有效地解決光線變化與抖動(dòng)等實(shí)際問(wèn)題。實(shí)驗(yàn)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(gè)等級(jí)：狀態(tài) 1（長(zhǎng)排隊(duì)）：等待狀態(tài)，車道有較長(zhǎng)的排隊(duì)車輛。表現(xiàn)為車隊(duì)長(zhǎng)、車輛密集，車距短。狀態(tài) 2（短排隊(duì)）：等待狀態(tài)，車道有較短的排隊(duì)車輛。表現(xiàn)為車道前段短車距的車隊(duì)較短，車道后段沒(méi)有車輛或有長(zhǎng)車距的零星車輛。狀態(tài) 3（滿通行）：通行狀態(tài)，車道有較長(zhǎng)的

7、通行車隊(duì)。表現(xiàn)為整個(gè)車隊(duì)較長(zhǎng)，車距長(zhǎng)。狀態(tài) 4（暢通行）：通行狀態(tài)，車道只有零星長(zhǎng)車距車輛。2 協(xié)同模式識(shí)別基本原理根據(jù)協(xié)同學(xué)的基本思想 1, 模式識(shí)別過(guò)程可以理解為若干序參量競(jìng)爭(zhēng)的過(guò)程。對(duì)于待試驗(yàn)?zāi)Ｊ?q，可以構(gòu)造一個(gè)動(dòng)力學(xué)過(guò)程，它能夠“拉” q ，使它經(jīng)過(guò)中間狀態(tài) q(t) 進(jìn)入到諸原型模式中的一個(gè)原型模式 vk，即 vk 與 q(0) 最為靠近，也就是說(shuō)拉 q 使其處于 vk 的吸引谷底，這個(gè)過(guò)程可描述為： q(0) q(t) vk. 在圖像模式識(shí)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(zhǎng)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(wú)關(guān)條件，要求 MN。圖像模式識(shí)別的動(dòng)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(yàn)?zāi)Ｊ较蛄?，k 為注意參數(shù)，只有當(dāng) k0 時(shí)，模式才能被識(shí)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(xiàng)用于多個(gè)模式間的辨別，包含 C的項(xiàng)用于限制 q 的指數(shù)增長(zhǎng)， F(t) 為漲落力，一般情況下可以忽略。顯然，如果按方程 (1) 測(cè)試圖像即試驗(yàn)?zāi)Ｊ街械拿總€(gè)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(lái)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(shí)別的動(dòng)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(shí)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(shí)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(shí)別過(guò)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(shí)別的關(guān)鍵。3 交通狀態(tài)的協(xié)同檢測(cè)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(dòng)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(shí)別方法需要將待識(shí)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(duì)識(shí)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(shí)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(yàn)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(duì)穩(wěn)定不變，這對(duì)道路的交通情況不適用，因?yàn)槭芄饩€、抖動(dòng)等影響， 使得現(xiàn)場(chǎng)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(shí)時(shí)現(xiàn)場(chǎng)信息對(duì)原型模式進(jìn)行動(dòng)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(shí)時(shí)信息疊加的動(dòng)態(tài)原型選擇方法，以解決光線、抖動(dòng)的干擾。其基本思想如下：分別采集一批關(guān)車燈白天與開(kāi)車燈夜間（5.00 19.00,19.00 5.00 ）2 個(gè) 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(gè)交通狀 模式， 將qi 作 反 量來(lái)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(lái) 下一個(gè) 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(gè)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(shí)別過(guò)程可視為若干序參量競(jìng)爭(zhēng)的過(guò)程，因此，其模型另一個(gè)關(guān)鍵問(wèn)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(dòng)態(tài)的原型選擇方法， 即原型是不斷變動(dòng)的， 這樣每次都要對(duì)所有原型求偽逆，根本不實(shí)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(jià)來(lái)?yè)Q取快速學(xué)習(xí)算法， 并用試驗(yàn)證明算法可行性。序參量實(shí)際上是作為輸入樣本對(duì)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(shí) , 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(gè)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(shí)提出以對(duì)剩余向量進(jìn)行最小化的目標(biāo)對(duì)序參量進(jìn)行重構(gòu)， 來(lái)減少這個(gè)誤差對(duì)識(shí)別帶來(lái)的不利影響，這為動(dòng)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(duì)交通圖像的實(shí)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(duì)值差法等，經(jīng)實(shí)驗(yàn)，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(dòng)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(guò)將 vt 的模調(diào)整為 qt 在 vt 上的投影，可實(shí)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(gè)交通狀態(tài)原型（見(jiàn)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?jiàn)表 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(cè)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(gè)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(jìng)爭(zhēng)中獲勝1。所謂平衡注意參數(shù)是指在識(shí)別過(guò)程中平衡對(duì)待所有原型模式，沒(méi)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(jìng)爭(zhēng)獲勝者輸出，避免動(dòng)力演化過(guò)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(shí)驗(yàn)，識(shí)別率均值達(dá)原型模式如圖 4（f ）