路口信号灯控制方法及其系统与流程
本发明涉及通讯工程控制技术领域，特别涉及一种路口信号灯控制系统及方法。
背景技术：
城市交通是支撑现代城市健康发展的基础，而以交通拥堵为特征的交通问题不仅阻碍着城市的可持续发展，也给人们的日常工作与生活带来严重影响，已经成为困扰世界各国城市发展的普遍问题。由于对交通拥堵的形成过程和演变规律缺乏足够的认识，导致一些治理拥堵的策略和方法缺乏针对性。在现有的道路资源条件下，如何更好地缓解交通拥堵，成为当今解决城市交通问题的重点课题之一。因此开展交通拥堵方面的基础研究工作，深入研究交通拥堵的形成机理和演化过程，以此对交通的控制和管理进行指导，并实施有效的控制策略和方法，对提高交通运输效率、改善交通状况具有重要的理论价值和现实意义。
我国城市人口密集，居民步行出行占较大比例。同时随着机动化水平的提高，城市道路机非冲突愈加严重，行人作为弱势群体，其安全问题越来越受到人们重视，机动车与行人一旦发生碰撞，行人将受到严重伤害甚至死亡。当路段车流量较大时，不合理的行人过街信号设置，会因没有行人或行人较少，而浪费行人过街绿灯时间，白白造成机动车延误；又会因行人过多而造成行人过街绿灯时间不足，行人过街的安全问题无法保障。因此，研究有效的自适应行人过街信号方法对于保障行人安全，减少交通延误具有重要意义。
20世纪末以来，我国城市机动化水平显著提高，城市交通出行量飞速增长，人们在努力解决交通拥堵、提高城市运行效率的同时，交通安全问题成为不可回避的话题，特别是行人安全问题。据《道路安全全球现状报告2013》显示，全球平均每天有近4000人因道路交通事故而丧生，其中大约1/5是行人，并且该伤亡人数有逐年增长态势。
行人在道路交通中作为弱势群体，一旦发生交通事故常常受到严重伤害甚至死亡。我国城市居民出行方式中，步行仍然占很大比例，在交通复杂的商业区，人、车抢行的状况经常发生，加上缺乏有效的安全管理设施，导致行人过街交通问题日益突出。当路段上车流量较大时，不合理的行人过街行为，极可能造成交通堵塞，降低了路网通行能力，严重制约社会经济发展，也对行人的生命财产安全造成威胁。如何保障行人安全、减少机动车延误成为亟待解决的问题。
通常情况下，没有行人或者行人数量过少时，导致行人过街绿灯时间浪费，机动车延误；行人数量过多时，导致行人过街绿灯时间不足，机动车与行人发生冲突，给行人带来安全隐患，都是因为信号灯设置不合理造成的。目前信号灯配时大多采用定周期配时，或者安装行人过街按钮人工控制绿灯启亮时间，但是无法满足行人过街所需时间，无法最大程度上发挥信号灯的功能，难以适应复杂的交通环境。
伴随着计算机、数字图像处理等技术的迅猛发展，智能交通领域也获得了长足的进步。智能交通融入了视觉信息，通过视频监控行人待过街区域，对监控返回的图像信息数据进行判断和分析，最终计算机做出合理的行人过街时间估计方案。
国内目前尚无基于视频检测的行人过街时间估计方法。“中国式过马路”这一现象从侧面反应出中国城市交通中，行人信号控制的弊端，基于行人数量的过街时间估计方法的研究与应用，对满足行人过街需求，保障行人生命安全，减少行人延误，提高城市综合运行效率具有重要意义。现阶段我国行人过街信号设置主要是定周期控制、手动按键式过街信号控制以及感应式控制。他们均以减少机动车延误为首要前提，且不能适应当前行人过街实际所需时间。
技术实现要素：
本发明所要解决的技术问题在于，提供了一种路口信号灯控制系统及方法。针对现有行人过街信号无法满足行人过街时间需求，即过街时间不足或绿灯空放这一问题，本发明充分考虑行人过街时间需求，分析不同时段行人数量与过街时间关系，以历史数据为训练样本，建立了行人过街时间估计方法，预测当前视频检测区域下等待过街行人所需过街时间。最后，对本发明交通控制系统及方法性能进行了评价。
为解决上述技术问题，本发明提供了一种路口信号灯控制系统，包括：预处理模块、数量估算模块和时间预测模块；其中，
所述预处理模块，用于据设备应用条件对视频侦测内容背景建立及预处理；
所述数量估算模块，用于利用图像处理技术和分类器实现对当前图像中行人数量有效估计；
所述时间预测模块，用于由行人数量及行人过街时间动态设置适合的绿灯时间长度。
所述预处理模块：首先对获取的所有行人图像进行一系列图像预处理，得到最终的行人前景后获取其像素数，设定阈值，把图像分为低密度行人图像和中高密度行人图像，对两类行人采用不同的方法进行估计；对于低密度行人，采用基于前景像素和线性回归的行人密度估计方法；对于中高密度行人，采用基于纹理特征分析和支持向量机的行人密度估计方法。
所述数量估算模块：对于特征向量，选取0°和90°时的8维纹理特征值组成的持征向量；对于中高密度行人估计，采用了支持向量机进行估计；确定最佳的灰度共生矩阵构造参数d和θ、图像灰度级、svm的惩罚参数c及核函数的参数σ。
所述预处理模块基于前景像素和线性回归的低密度行人估计方法，进一步包括：去除图像中无关信息，得到图像中有用的信息；进一步包括：图像采集、图像灰度化、提取前景、图像二值化及图像去噪；
图像采集
在交通路口采集视频，视频里包含各个密度等级的行人，以4侦/秒连续抽帧得帧图像；
图像灰度化
采用以下3种方法中的一种或多种：
(a)取最大值法
该方法将彩色图像的3个分量的最大亮度值作为灰度值；
gray(i，j)＝max(r(i，j)，g(i，j)，b(i，j))
(b)平均值法
该方法将rgb图像中的3个分量亮度值求平均值，就是灰度值，将其作为灰度图像的灰度；
gray(i，j)＝(r(i，j)+g(i，j)+b(i，j))/3
(c)加权平均值法
根据3个分量的重要性，将3个分量赋予不同的权值进行加权平均运算；
gray(i，j)＝0.30*r(i，j)+0.59*g(i，j)+0.11*b(i，j)
提取前景
前景提取采用背景差分法；
图像二值化
通过背景差分法获得的前景，通过设定阈值获得二值图像；
上式中，d(x，y)是二值图像，δt是分割阔值，d(x，y)是(x，y)处像素的灰度值；利用设定的阔值δt，将灰度图像分为行人前景目标与背景两部分；所述图像二值化方法为以下三种方法中的任意一种：
(a)整体阀值二值化法
根据灰度图像的直方图来确定阀值：设灰度值的取值是0～255之间的某个整数，f＝0为黑色，f＝255为白色。设n表示图像的像素总数；nk表示一幅图像中第k个灰度级的像素总数；rk是第k个灰度级，k＝0，1，2…；p(rk)是灰度值为k时的概率。则有：
灰度直方图中的前景和背景都会形成高峰，双峰间的最低谷处作为图像进行二值化的阈值t；
(b)局部阈值二值化法
把图像分割成若干子图像，由每幅子图像来确定对应的阈值；
(c)动态阈值二值化法
通过像素的灰度值以及像素坐标位置来选取动态阈值；
图像去噪
采用3x3的窗口进行中值滤波去噪。
为解决上述技术问题，本发明还提供了一种路口信号灯控制方法，包括：预处理步骤、数量估算步骤和时间预测步骤；其中，
所述预处理步骤，用于据设备应用条件对视频侦测内容背景建立及预处理；
所述数量估算步骤，用于利用图像处理技术和分类器实现对当前图像中行人数量有效估计；
所述时间预测步骤，用于由行人数量及行人过街时间动态设置适合的绿灯时间长度。
所述预处理步骤：首先对获取的所有行人图像进行一系列图像预处理，得到最终的行人前景后获取其像素数，设定阈值，把图像分为低密度行人图像和中高密度行人图像，对两类行人采用不同的方法进行估计；对于低密度行人，采用基于前景像素和线性回归的行人密度估计方法；对于中高密度行人，采用基于纹理特征分析和支持向量机的行人密度估计方法。
所述数量估算步骤：对于特征向量，选取0°和90°时的8维纹理特征值组成的持征向量；对于中高密度行人估计，采用了支持向量机进行估计；确定最佳的灰度共生矩阵构造参数d和θ、图像灰度级、svm的惩罚参数c及核函数的参数σ。
所述预处理步骤基于前景像素和线性回归的低密度行人估计方法，进一步包括：去除图像中无关信息，得到图像中有用的信息；进一步包括：图像采集、图像灰度化、提取前景、图像二值化及图像去噪；
图像采集
在交通路口采集视频，视频里包含各个密度等级的行人，以4侦/秒连续抽帧得帧图像；
图像灰度化
采用以下3种方法中的一种或多种：
(a)取最大值法
该方法将彩色图像的3个分量的最大亮度值作为灰度值；
gray(i，j)＝max(r(i，j)，g(i，j)，b(i，j))
(b)平均值法
该方法将rgb图像中的3个分量亮度值求平均值，就是灰度值，将其作为灰度图像的灰度；
gray(i，j)＝(r(i，j)+g(j，j)+b(i，j))/3
(c)加权平均值法
根据3个分量的重要性，将3个分量赋予不同的权值进行加权平均运算；
gray(i，j)＝0.30*r(i，j)+0.59*g(i，j)+0.11*b(i，j)
提取前景
前景提取采用背景差分法；
图像二值化
通过背景差分法获得的前景，通过设定阈值获得二值图像；
上式中，d(x，y)是二值图像，δt是分割阔值，d(x，y)是(x，y)处像素的灰度值；利用设定的阔值δt，将灰度图像分为行人前景目标与背景两部分；所述图像二值化方法为以下三种方法中的任意一种：
(a)整体阀值二值化法
根据灰度图像的直方图来确定阀值：设灰度值的取值是0～255之间的某个整数，f＝0为黑色，f＝255为白色。设n表示图像的像素总数；nk表示一幅图像中第k个灰度级的像素总数；rk是第k个灰度级，k＝0，1，2…；p(rk)是灰度值为k时的概率。则有：
灰度直方图中的前景和背景都会形成高峰，双峰间的最低谷处作为图像进行二值化的阈值t；
(b)局部阈值二值化法
把图像分割成若干子图像，由每幅子图像来确定对应的阈值；
(c)动态阈值二值化法
通过像素的灰度值以及像素坐标位置来选取动态阈值；
图像去噪
采用3x3的窗口进行中值滤波去噪。
所述数量估算步骤，进一步包括：经过图像处理后，获取每一幅图像的像素数，以做最小二乘线性拟合获得低密度时的行人密度估计结果；
所述最小二乘线性拟合为：
假设在二维坐标图上，已知数据点(xk，yk)，多项式拟合函数的表达式为
把数据值
残差|ek|的值表示的是点(xk，yk)偏离直线的程度，如果(xk，yk)刚好在直线上，那么|ek|＝0，但由于上述各种不可避免因素的存在，|ek|往往不为零；要得到最好的拟合效果，就要让|ek|在某种意义上取得最小值，使用下述的3种方法中的任意一种确定拟合函数式中的参数a和b：
(1)寻求参数a和b，使得：
(2)寻求参数a和b，使得：
(3)寻求参数a和b，使得：
对于前两种方法，因为函数s1(a，b)及s∞(a，b)关于参数都是不可微的，所以不能根据一般多元函数取极值时的充分条件求解，求解时会遇到非常大的困难；第(3)种方法也叫做最小二乘拟合法，目标是寻求使得均方差达到最小的参数a和b，这时得到的拟合结果y＝ax+b即为最小二乘拟合直线；由s2(a，b)的表达式可知其必定有最小值点，送个最小值就是s2(a，b)的驻点；这时就可利用多元函数取极值时的充分条件，令s2(a，b)的偏导数等于零，有：
也即求解以下方程组
化简可得：
在一定条件下，该方程组的是唯一的，求解可得：
得到最小二乘直线拟合的两个参数a和b。
为解决上述技术问题，本发明又提供了一种如前述任一项所述路口信号灯控制系统和/或如前述任一项所述路口信号灯控制方法的效能评价方法，包括以下步骤：通过对比像素点特征和glcm特征以及lbp特征表达下的行人计数方法，以平均绝对误差mae和平均绝对百分误差mape作为算法效能的评价指标，如以下公式：
本发明有益的技术效果在于：针对现有技术中存在的行人过街信号设置主要是定周期控制、手动按键式过街信号控制以及感应式控制，均以减少机动车延误为首要前提，不能适应当前行人过街实际所需时间等问题，提出了基于视频的行人过街信号自适应优化方法，通过视频检测行人待过街区域，实时反馈采集数据，优化行人过街时间，保障了过街行人安全同时，提高了城市运行效率。
附图说明
图1为本发明实施例中的行人人数计算方法流程图；
图2为本发明实施例背景差分法流程图；
图3为本发明实施例所述支持向量机的分类结构图；
图4为本发明实施例支持向量机工作流程图；
图5为本发明实施例行人过街时间估算方法流程图。
具体实施方式
以下将结合实施例来详细说明本发明的实施方式，借此对本发明如何应用技术手段来解决技术问题，并达成技术效果的实现过程能充分理解并据以实施。
需要说明的是，为节省说明书撰写篇幅，避免不必要的重复和浪费，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明路口信号灯控制系统及方法。从技术角度分析，分为以下三个步骤：首先，根据设备应用条件对视频侦测内容背景建立及预处理；然后，利用图像处理技术和分类器实现对当前图像中行人数量有效估计；最后，由行人数量预测最佳的行人过街时间。
为解决上述技术问题，本发明提供了一种路口信号灯控制系统，包括：预处理模块、数量估算模块和时间预测模块；其中，
所述预处理模块，用于据设备应用条件对视频侦测内容背景建立及预处理；
所述数量估算模块，用于利用图像处理技术和分类器实现对当前图像中行人数量有效估计；
所述时间预测模块，用于由行人数量及行人过街时间动态设置适合的绿灯时间长度。
所述预处理模块：首先对获取的所有行人图像进行一系列图像预处理，得到最终的行人前景后获取其像素数，设定阈值，把图像分为低密度行人图像和中高密度行人图像，对两类行人采用不同的方法进行估计；对于低密度行人，采用基于前景像素和线性回归的行人密度估计方法；对于中高密度行人，采用基于纹理特征分析和支持向量机的行人密度估计方法。
所述数量估算模块：对于特征向量，选取0°和90°时的8维纹理特征值组成的持征向量；对于中高密度行人估计，采用了支持向量机进行估计；确定最佳的灰度共生矩阵构造参数d和θ、图像灰度级、svm的惩罚参数c及核函数的参数σ。
所述预处理模块基于前景像素和线性回归的低密度行人估计方法，进一步包括：去除图像中无关信息，得到图像中有用的信息；进一步包括：图像采集、图像灰度化、提取前景、图像二值化及图像去噪；
图像采集
在交通路口采集视频，视频里包含各个密度等级的行人，以4侦/秒连续抽帧得帧图像；
图像灰度化
采用以下3种方法中的一种或多种：
(a)取最大值法
该方法将彩色图像的3个分量的最大亮度值作为灰度值；
gray(i，j)＝max(r(i，j)，g(i，j)，b(i，j))
(b)平均值法
该方法将rgb图像中的3个分量亮度值求平均值，就是灰度值，将其作为灰度图像的灰度；
gray(i，j)＝(r(i，j)+g(j，j)+b(i，j))/3
(c)加权平均值法
根据3个分量的重要性，将3个分量赋予不同的权值进行加权平均运算；
gray(i，j)＝0.30*r(i，j)+0.59*g(i，j)+0.11*b(i，j)
提取前景
前景提取采用背景差分法；
图像二值化
通过背景差分法获得的前景，通过设定阈值获得二值图像；
上式中，d(x，y)是二值图像，δt是分割阔值，d(x，y)是(x，y)处像素的灰度值；利用设定的阔值δt，将灰度图像分为行人前景目标与背景两部分；所述图像二值化方法为以下三种方法中的任意一种：
(a)整体阀值二值化法
根据灰度图像的直方图来确定阀值：设灰度值的取值是0～255之间的某个整数，f＝0为黑色，f＝255为白色。设n表示图像的像素总数；nk表示一幅图像中第k个灰度级的像素总数；rk是第k个灰度级，k＝0，1，2…；p(rk)是灰度值为k时的概率。则有：
灰度直方图中的前景和背景都会形成高峰，双峰间的最低谷处作为图像进行二值化的阈值t；
(b)局部阈值二值化法
把图像分割成若干子图像，由每幅子图像来确定对应的阈值；
(c)动态阈值二值化法
通过像素的灰度值以及像素坐标位置来选取动态阈值；
图像去噪
采用3x3的窗口进行中值滤波去噪。
为解决上述技术问题，本发明还提供了一种路口信号灯控制方法，包括：预处理步骤、数量估算步骤和时间预测步骤；其中，
所述预处理步骤，用于据设备应用条件对视频侦测内容背景建立及预处理；
所述数量估算步骤，用于利用图像处理技术和分类器实现对当前图像中行人数量有效估计；
所述时间预测步骤，用于由行人数量及行人过街时间动态设置适合的绿灯时间长度。
所述预处理步骤：首先对获取的所有行人图像进行一系列图像预处理，得到最终的行人前景后获取其像素数，设定阈值，把图像分为低密度行人图像和中高密度行人图像，对两类行人采用不同的方法进行估计；对于低密度行人，采用基于前景像素和线性回归的行人密度估计方法；对于中高密度行人，采用基于纹理特征分析和支持向量机的行人密度估计方法。
所述数量估算步骤：对于特征向量，选取0°和90°时的8维纹理特征值组成的持征向量；对于中高密度行人估计，采用了支持向量机进行估计；确定最佳的灰度共生矩阵构造参数d和θ、图像灰度级、svm的惩罚参数c及核函数的参数σ。
所述预处理步骤基于前景像素和线性回归的低密度行人估计方法，进一步包括：去除图像中无关信息，得到图像中有用的信息；进一步包括：图像采集、图像灰度化、提取前景、图像二值化及图像去噪；
图像采集
在交通路口采集视频，视频里包含各个密度等级的行人，以4侦/秒连续抽帧得帧图像；
图像灰度化
采用以下3种方法中的一种或多种：
(a)取最大值法
该方法将彩色图像的3个分量的最大亮度值作为灰度值；
gray(i，j)＝max(r(i，j)，g(i，j)，b(i，j))
(b)平均值法
该方法将rgb图像中的3个分量亮度值求平均值，就是灰度值，将其作为灰度图像的灰度；
gray(i，j)＝(b(i，j)+g(i，j)+b(i，j))/3
(c)加权平均值法
根据3个分量的重要性，将3个分量赋予不同的权值进行加权平均运算；
gray(i，j)＝0.30*r(i，j)+0.59*g(i，j)+0.11*b(i，j)
提取前景
前景提取采用背景差分法；
图像二值化
通过背景差分法获得的前景，通过设定阈值获得二值图像；
上式中，d(x，y)是二值图像，δt是分割阔值，d(x，y)是(x，y)处像素的灰度值；利用设定的阔值δt，将灰度图像分为行人前景目标与背景两部分；所述图像二值化方法为以下三种方法中的任意一种：
(a)整体阀值二值化法
根据灰度图像的直方图来确定阀值：设灰度值的取值是0～255之间的某个整数，f＝0为黑色，f＝255为白色。设n表示图像的像素总数；nk表示一幅图像中第k个灰度级的像素总数；rk是第k个灰度级，k＝0，1，2…；p(rk)是灰度值为k时的概率。则有：
灰度直方图中的前景和背景都会形成高峰，双峰间的最低谷处作为图像进行二值化的阈值t；
(b)局部阈值二值化法
把图像分割成若干子图像，由每幅子图像来确定对应的阈值；
(c)动态阈值二值化法
通过像素的灰度值以及像素坐标位置来选取动态阈值；
图像去噪
采用3x3的窗口进行中值滤波去噪。
所述数量估算步骤，进一步包括：经过图像处理后，获取每一幅图像的像素数，以做最小二乘线性拟合获得低密度时的行人密度估计结果；
所述最小二乘线性拟合为：
假设在二维坐标图上，已知数据点(xk，yk)，多项式拟合函数的表达式为
把数据值
残差|ek|的值表示的是点(xk，yk)偏离直线的程度，如果(xk，yk)刚好在直线上，那么|ek|＝0，但由于上述各种不可避免因素的存在，|ek|往往不为零；要得到最好的拟合效果，就要让|ek|在某种意义上取得最小值，使用下述的3种方法中的任意一种确定拟合函数式中的参数a和b：
(1)寻求参数a和b，使得：
(2)寻求参数a和b，使得：
(3)寻求参数a和b，使得：
对于前两种方法，因为函数s1(a，b)及s∞(a，b)关于参数都是不可微的，所以不能根据一般多元函数取极值时的充分条件求解，求解时会遇到非常大的困难；第(3)种方法也叫做最小二乘拟合法，目标是寻求使得均方差达到最小的参数a和b，这时得到的拟合结果y＝ax+b即为最小二乘拟合直线；由s2(a，b)的表达式可知其必定有最小值点，送个最小值就是s2(a，b)的驻点；这时就可利用多元函数取极值时的充分条件，令s2(a，b)的偏导数等于零，有：
也即求解以下方程组
化简可得：
在一定条件下，该方程组的是唯一的，求解可得：
得到最小二乘直线拟合的两个参数a和b。
为解决上述技术问题，本发明又提供了一种如前述任一项所述路口信号灯控制系统和/或如前述任一项所述路口信号灯控制方法的效能评价方法，包括以下步骤：通过对比像素点特征和glcm特征以及lbp特征表达下的行人计数方法，以平均绝对误差mae和平均绝对百分误差mape作为算法效能的评价指标，如以下公式：
基于像素特征的行人密度估计算法。
最早被用来估计行人密度以及统计人数的特征是像素特征。基于该特征的行人密度估计算法的基本原理是：监控场景中的行人越密集，行人前景的面积(像素数)和周长就越大。最早将该算法运用到实际监控系统中的是london和genovalspwe地铁站中的行人监控系统。该系统先提取行人图像前景，计算出前景图像的像素数，然后将该像素数除以图像的宽和窩，通过获得的比值估计监控场景中的行人密度。该系统发挥了一定作用，但该系统在行人比较密集行人存在遮挡重叠的时候，其估计的准确度非常低。
基于像素特征的算法直观、易于理解、计算量较小，得到各密度行人前景后容易训练，且训练后的模式识别分类器和函数关系的泛化能力强。但该算法也存在难点，比如监控场景条件如果不理想，就会造成难提取较为理想的前景图像。另外一个严重的问题是，在行人密集时，人与人存在遮挡重叠时，行人密度分类结果和人数统计结果的误差过大，失去行人密度估计能力。
基于纹理分析的行人密度估计算法。
像素特征虽然是非常重要的行人图像特征，但用它对行人较密集存在行人遮挡的场景进行密度估计的结果难以令人满意，误差极大。基于该问题，后来人们采用基于纹理分析的行人密度估计算法。该算法可以估计高密度场景中的行人密度。该算法的原理是；高密度行人图像的纹理为细纹理，而低密度行人的图像纹理则为粗纹理。所以对行人图像的纹理特征进行研究和分析，即可得到行人图像对应的行人密度信息。
后来人们又提出一种行人密度估计算法，该算法基于多分辨率分析，通过详细研究分析小波包进行估计。该方法的依据是：在同一幅图像中，由于摄像机放置角度等原因，会使得行人图像表现出不同的尺度效果。该方法能较好地矫正摄影畸形对行人密度估计造成的影响。但是也有固有的缺点；要处理的数据量巨大，计算量过大、实用性差。2006年，wu对sift算法的深入研究，发现该算法中的尺度特性可以用于灰度共生矩阵中提取图像纹理特征，结合模式识别和分类算法，大大提高了准确率。
获得纹理特征后，然后利用分类算法(分类器)进行分类。通常的分类器有3种：神经网络分类器、贝叶斯分类器和支持向量机(svm)分类器。
基于纹理分析的方法很大程度上解决了行人遮挡重叠问题，能够用于估计高密度行人。但是实验发现，它也有明显的缺点：计算量大且对低密度行人的估计效果较差。
如图1所示，为本发明实施例中的行人人数计算算法流程图。
本发明实施例的行人密度估计算法为：首先对获取的所有行人侦图像进行一系列图像预处理，得到最终的行人前景后获取其像素数，设定阐值，把图像分为低密度行人图像和中高密度行人图像，对两类行人采用不同的算法进行估计。对于低密度行人，本发明实施例采用基于前景像素和线性回归的行人密度估计方法；对于中高密度行人，本发明实施例采用基于纹理特征分析和支持向量机的行人密度估计方法。
需要特别说明的是，对于特征向量，本发明选取0°和90°时的8维纹理特征值组成的持征向量，很好完成行人密度估计的同时提高了效率。对于中高密度行人估计，本发明实施例采用了支持向量机进行估计。对于各种参数的确定，本发明实施例通过实验研究确定了最佳的灰度共生矩阵构造参数d和θ、图像灰度级、svm的惩罚参数c及核函数的参数σ。
一、基于前景像素和线性回归的低密度行人估计方法
对低密度行人，获取相关顿图像后，需要进行一系列数字图像处理，然后获取行人前景像素数并人工统计出图像中的人数，做最小二乘线性拟合得到估计结果。
(1)前景提取
在实际的视频采集中，由于难避免地受到光照、天气、采集设备等因素的影响，通过视频采集设备采集到的图像和理想中的图像还是有很大差距的，因此对采集到的图像进行处理是非常有必要的。处理的目的：去除图像中那些与我们并不需要的信息，得到图像中对我们有用的信息。本发明实施例的图像处理主要包括：图像采集、图像灰度化、图像去噪、背景差分、图像二值化及形态学处理(膨胀、腐蚀、开运算、闭运算等)。
(1.1)图像采集
本实施例在交通路口采集视频，视频里包含各个密度等级的行人，以4侦/秒连续抽帧得本实施例的帧图像。
(1.2)图像灰度化
在对图像进行处理时往往都会先将图像灰度化处理，这是因为图像灰度化能大幅减少图像后续处理时的计算量，且仍能反映整个图像整体化及局部的亮度和色度特征。
图像的灰度化处理，本发明采用以下3种方法中的一种或多种：
(a)取最大值法
该方法将彩色图像的3个分量的最大亮度值作为灰度值。
gray(i，j)＝max(r(i，j)，g(i，j)，b(i，j))
(b)平均值法
该方法将rgb图像中的3个分量亮度值求平均值，就是灰度值，将其作为灰度图像的灰度。
gray(i，j)＝(r(i，j)+g(i，j)+b(i，j))/3
(c)加权平均值法
根据3个分量的重要性，将3个分量赋予不同的权值进行加权平均运算。
gray(i，j)＝0.30*r(i，j)+0.59*g(i，j)+0.11*b(i，j)
(1.3)提取前景
前景提取是图像处理、视频分析中常用的一种处理，为的是从图像中提取出
(1.4)背景差分法
背景差分法(backgroundsubtraction)的基本思想：事先可以获得完整背景图像，将每一侦图像和背景图像做差分运算，差值大于设定阈值t的区域即为运动对象区域，其流程图如图2所示。图2本发明实施例背景差分法流程图。
和光流法相比，背景差分法易于实现，而且大大减少了计算量，：很好地满足场景监控所要求的实时性；和侦间差分法相比，背景差分法不仅能用于非静止的目标对象，还可用于长时间静止的行人目标对象，可以较好地得到行人的位置、形状等信息。
本发明中，交通路口的行人数量估计的应用场景是固定场景，完整的背景图像容易获得，且光线变化较小，故本实施例采用背景差分法进行行人前景提取。
(1.5)图像二值化
通过背景差分法获得的前景，可通过设定阈值获得二值图像。
上式中，d(x，y)是二值图像，δt是分割阔值，d(x，y)是(x，y)处像素的灰度值。利用设定的阔值δt，将灰度图像分为行人前景目标与背景两部分。阈值是区分行人前景目标和背景的关键。阈值设得太高，会导致目标对象不能被完整分割出来；阈值设得太低，又会出现许多干扰噪声。合适的阈值要满足：不仅要尽可能完整地保存图像信息，还要尽可能减少噪声。本发明实施例采用的二值化方法可以为以下三种方法中的任意一种：
(a)整体阀值二值化法
该方法根据经验或者灰度图像的直方图来确定阀值。确定阀值有下两种方法：
1)经验法：根据以往的经验设定阈值。
2)灰度直方图法：设灰度值的取值是0～255之间的某个整数，f＝0为黑色，f＝255为白色。设n表示图像的像素总数；nk表示一幅图像中第k个灰度级的像素总数；rk是第k个灰度级，k＝0，1，2…；p(rk)是灰度值为k时的概率。则有：
灰度直方图反映的是每一个亮度值的像素点的个数，它用少量的数据就能表达出图像的灰度特征。在数字图像处理领域中，是简单有效的工具。
灰度直方图中的前景和背景都会形成高峰，双峰间的最低谷处就可作为图像进行二值化的阈值t。整体阈值二值化法进行二值化处理速度较快，但容易受输入图像的量化噪音等情况干扰。
(b)局部阈值二值化法
对目标和背景清楚的图像，整体阔值二值化法可获得较好结果。但是对于背景不均匀的图像，全局方法就不适用了。通过像素(x，y)的灰度值f及局部灰度特性确定像素(x，y)的阈值的方法称为局部阈值二值化法。选取方法：把图像分割成若干子图像，由每幅子图像来确定对应的阈值。
局部阈值二值化法对于品质较差的图像的二值化效果也较好，可是其也有缺点：如处理速度慢效率低、很容易受噪音干扰等。
(c)动态阈值二值化法
动态阈值化算法可以解决局部阈值二值化法后无法获得适用与整幅图像的全局阈值问题。可通过像素的灰度值以及像素坐标位置来选取动态阈值。
该方法的优点：可以用来处理品质较差的图像。缺点：鉴于要对图像中所有像素点都计算阈值，故此法计算量相对较大，效率较低。
由于待二值化的图像已经进行背景处理的灰度图像，能清晰的显示前景信息，因此本实施例优选基于灰度直方图的整体阈值二值化法处理图像，从而达到降低噪声，去除残留背景的效果。
(1.5)图像去噪
为了改善图像的质量，就必须抑制由某些特殊因素产生的图像噪声。图像去噪有着非常重要的实际作用和意义。二维中值滤波的窗口可以取方形、菱形、圆形和x形等。由于行人视频图像存在的噪声主要是脉冲型噪声、椒盐噪声，故本实施例采用3x3的窗口进行中值滤波去噪。
本实施例中值滤波去噪：用以图像中某点(x，y)为中心的一个较小范围邻域中的所有点的中值来代替该点的值。
一组数按大小排序如下；
xi1≤xi2≤…≤xin
分子中的n是奇数，分母中的n是偶数，y就是x1，x2，x3，…，xn的中值。
中值滤波事实上是一个点数为奇数的滑动窗口，然后用该窗口内所有点灰度的中值取代该窗口正中间的那个点的值。
(2)形态学处理
经过上述背景差分和二值化处理后的图像中，很多图像中都有一些噪声、断裂，利用形态学处理能使行人前景更加准确完整。
形态学处理把要处理的二值图像视作一个集合，并用一个结构元素对其进行″探测″。这里的结构元素是一个尺寸小于图像、能在被处理图像上自由平移的集合。本实施例采用的形态学运算有4种：腐蚀运算、膨胀运算、开运算或闭运算。
(3)获取像素数
经过上述一系列图像处理后，我们获取每一幅图像的像素数，以做最小二乘线性拟合获得低密度时的行人密度估计结果。
最小二乘线性拟合
由于行人人数和行人前景图像的像素数成正比，因此对低密度行人，我们要寻求一种线性关系来估计行人密度，即可以采取直钱拟合的方法。假设在二维坐标图上，已知数据点(xk，yk)，多项式拟合函数的表达式为
由于测量时产生的误差等各种不可避免的因素的影响，要得到经过所有的数据点(xk，yk)的线性函数是不现实的，我们把数据值
残差|ek|的值表示的是点(xk，yk)偏离直线的程度，如果(xk，yk)刚好在直线上，那么|ek|＝0，但由于上述各种不可避免因素的存在，|ek|往往不为零。要得到最好的拟合效果，我们就要让|ek|在某种意义上取得最小值，本发明使用下述的3种方法中的任意一种确定拟合函数式中的参数a和b：
(1)寻求参数a和b，使得：
(2)寻求参数a和b，使得：
(3)寻求参数a和b，使得：
对于前两种方法，因为函数s1(a，b)及s∞(a，b)关于参数都是不可微的，所以不能根据一般多元函数取极值时的充分条件求解，求解时会遇到非常大的困难。第(3)种方法也叫做最小二乘拟合法，目标是寻求使得均方差达到最小的参数a和b，这时得到的拟合结果y＝ax+b即为最小二乘拟合直线。由s2(a，b)的表达式可知其必定有最小值点，送个最小值就是s2(a，b)的驻点。这时就可利用多元函数取极值时的充分条件，令s2(a，b)的偏导数等于零，有：
也即求解以下方程组
化简可得：
在一定条件下，该方程组的是唯一的，求解可得：
因此，便可得到本发明实施例最小二乘直线拟合的两个参数a和b。
二、基于纹理特征分析和支持向量机的中高密度行人估计方法
对于中高密度行人，由于行人存在遮挡，基于像素方法算法虽然简单复杂度低但却并不适用，本实施例采用基于纹理恃征分析和svm分类的方法，提取出各个等级的中高密度行人图像的纹理特征，再用合适的分类算法进行分类，进而得到密度等级。
(1)纹理特征分析
(1.1)纹理概述
纹理是一种区域特性，与观察的尺度有关。纹理特征分析利用图像处理技术来提取重要的不同图像所特有的信息，并且对纹理特征进行研究分析，是计算机视觉中一个重要的领域。
纹理特征分析能够充分利用图像信息，无论根据常识上还是根据理论，它都可作为描述和识别图像的一个有效的依据，和一般的图像特征相比，纹理信息具有一个显著优势；能很好地同时描述图像的细节特征与宏观特征。
本实施例采用灰度共生矩阵分析法来采集纹理特征。
(1.2)行人密度特征提取
本实施例中，并不直接使用灰度共生矩阵，而是通过灰度共生矩阵提取不同图像特有的纹理特征统计量。这些纹理特征是通过灰度共生矩阵计算而得出的统计量。通过纹理特征定量的分析图像，可区分目标类型。本发明纹理特征统计量有：能量、对比度、熵、相关性。其中：
(a)能量：
灰度共生矩阵元素的值的平方和称为能量，反映的是图像灰度分布的均匀程度、纹理粗细度。图像灰度分布较分散时，能量较小；反么，则较大。
(b)对比度：
该纹理特征体现纹理沟纹的深浅度和图像的清晰度。灰度共生矩阵的值较集中在对角线上时，则对比度较小，表现在视觉上就是较模糊；反之，则对比度较大，表现在视觉上就是较清晰。
(c)熵：
熵反映了灰度级分布的随机性。如果图像中充满细纹理，那么p(i，j，d，θ)数值基本相等，灰度共生矩阵元素随机性达到最大，该图像的熵就较大。
(d)相关性：
式中，u1，u2，d1，d2的定义如下：
相关性的值较大，表明区域图像的灰度分布比较均匀；相反，相关性的值较小，则表明区域图像的灰度分布比较分散。
三、支持向量机
支持向量机(svm)基于统计学习理论，是一种机器学习算法，对未见过的测试样本具有非常好的推广能力，目前已成为模式识别与分类领域的研究热点。svm具有优秀的学习能力及推广能为，适用于解决小样本、高维数、非线性、局部极小等问题，得到的分类、回归等的效果较好，是最新的非常优秀的模式识别分类器。
svm分类过程如图3所示。图3为本发明实施例所述支持向量机的分类结构图。
设有样本集：(xi，yi)，i＝1，2，…，n，xi∈rd，yi∈{+1，-1}，这些样本共有两类并且线性可分，线性判别函数为f(x)＝w·x+b，分类面方程如下：w·x+b＝0
接着对判别函数进行归一化，所有样本都能被正确分割开来，则满足：
yi[w·xi+b]-1≥0，i＝1，2，…，n
其中，n为样本个数，b为偏置，w是权重向量。此时，分类间隔为2/||w||，最优分类面问题转化为求函数：
的最小值，约束条件是
定义lagrange函数：
令l对w和b的偏导数为0，得到
求以下函数最大值：
记
四、核函数
本发明实施例核函数采用以下4种核函数的一种或多种：
(1)线性核函数
式中，r，d，γ为核函数参数。
(2)多项式核函数
式中，r，d，γ为核函数参数。
(3)径向基(rbf)核函数
其中σ2为高斯函数的方差。
(4)sigmoid核函数
式中，r，d，γ为核函数参数。
五、支持向量机学习算法
svm学习算法的步骤如下所述：
(1)获取学习样本(xi，xj)，i＝1，2，…，n；；
(2)确定惩罚因子c和核参数；
(3)得到二次优化问题；
(4)用chunking、smo算法优化算法解该优化问题；
(5)求解得到α，α*和b，代入方程，获得svm；
(6)把要预测和要分类的样本数据代入svm方程中，获得预测及分类结果。
如图4所示，为本发明实施例支持向量机工作流程图。
五、行人过街时间计算
本发明行人过街时间模型中，行人绿灯的设置是为了满足行人过街时间需求。在一个信号周期内，尽可能保证在行人绿灯时间最短且行人全部通过人行横道，一旦出现绿灯空放或行人跨周期滞留的现象，必然导致行人延误产生。
与前述建立待过街行人计数方法一致，通过调查得到的行人数量作为样本数据集，对应行人过街时间作为样本标签集，作为样本集参与svr时间模型的训练学习过程。在此过程中，对svr类型以及核函数分别进行遍历验证，择优确定相关参数，构造表达函数，最终得到的行人过街时间估计方法，预测待过街行人所需过街时间。本发明行人过街时间估计方法如图5所示行人过街时间估算方法流程图。
六、svr参数优选
根据模型性质和用途，输入量为人数，输出量为预测时间，输入输出量为不同单位的数据，因此不是用来实现svm分类算法，而是作为回归拟合应用。本发明实施例使用的两种回归分析方法，分别是ε-svr和v-svr，以及四种核函数，分别是线性核函数、多项式核函数、rbf核函数和sigmoid核函数。参数寻优保证该模型能够以最优目标函数表达
表1不同参数下svr过街时间模型性能
由此可知，类型ε-svr与rbf核函数组合，均方误差最小，相应平方相关系数最大，自我学习正确率达96.5％。即反映预测实际行人过街时间的误差波动最小，预测结果正确率最高。理论上能够通过视频检测设备准确地计算行人最佳过街时间。
所以，本发明交通控制方法能够根据行人数量确定合理的行人过街时间。当行人以不同到达率到达人行道qi，等待过街时间t0一定时，过街行人数量n(n＝qi*t0)必然发生变化，导致过街时间因此发生变化，本发明行人过街时间估计方法能够有效判断当前行人过街所需时间。极端情况下，当检测到无行人过街时，本发明交通控制方法配置行人过街时间为零，最大程度减少机动车延误的产生。
七、本发明行人过街计数算法融入了行人密度判别模型，相对传统一般算法在行人计数精度上明显提高，通过对比像素点特征和glcm特征以及lbp特征表达下的行人计数算法，以平均绝对误差(mae)和平均绝对百分误差(mape)作为算法性能的评价指标，如以下公式：
本发明对同一场景不同时间进行两次测试，样本库包括2380帧训练样本和1336帧、687帧的预测样本，为了避免预测样本图像与训练样本图像过于接近而造成行人过街计数“高精度”的假象，因此本发明所选预测样本与训练样本均源自视频序列较大时间间隔的灰度图像，保证行人过街计数算法具有普适性。实验证明，本发明行人过街检测方法精度在90％以上。
所有上述的首要实施这一知识产权，并没有设定限制其他形式的实施这种新产品和/或新方法。本领域技术人员将利用这一重要信息，上述内容修改，以实现类似的执行情况。但是，所有修改或改造基于本发明新产品属于保留的权利。
- 还没有人留言评论。精彩留言会获得点赞！