一种交通信号自适应配时方法与流程

本发明涉及交通信号控制领域，具体为一种交通信号自适应配时方法。

背景技术：

随着城市规模的不断扩大，城市机动化率也不断攀升，道路资源的供给无法与日益扩张的城市交通需求匹配，交通拥堵、安全事故、环境污染等问题日渐凸显。目前国内很多城市的路口信号控制方式为多时段定时控制，通过对历史交通数据进行研究，计算不同时间段的交通流变化规律，借助人工的方法手段指导出与不同时段内相契合的配时方案。然而伴随着城市汽车保有量的增加以及出行目的的多样化，城市道路交通量的日变化特征已不再具有很强的规律性，多时段实时控制方式在解决拥堵问题上存在很大的局限性。

由于交通流是动态、非线性的，如何实现交通信号的智能控制是一个比较难以解决的问题。另外，单路口的交通信号控制只能实现本路口通行量最大化，当扩展到多交通路口的区域控制时未必能够实现整个区域最优，如何实现区域的协调控制又是一个较为复杂的问题。因此，研究如何对所控制的交通网络建立模型，根据实时交通信息对区域进行多节点优化联网协调控制，求解出最合适的交通信号控制参数，再利用对信号灯配时的控制完成对区域交通路况实时调整显得尤为重要。

技术实现要素：

本发明的目的是：为了解决现有技术中借助人工的方法指导出与不同时段内相契合的交通配时方案方法不能根据实时交通信息对区域进行多节点协调控制的问题，提出一种交通信号自适应配时方法。

本发明采用如下技术方案实现：一种交通信号自适应配时方法，包括以下步骤：

步骤一：获取交叉路口的视频图像信息；

步骤二：将视频图像信息进行灰度化处理；

步骤三：利用均值滤波和中值滤波对视频图像进行处理；

步骤四：采用形态学中的开运算对视频图像序列进行逐帧处理；

步骤五：建立背景模型，并对背景模型进行实时更新；

步骤六：结合帧差法与背景差分法进行运动目标检测和统计目标数目；

步骤七：利用萤火虫算法得到区域配时方案。

进一步的，在所述步骤七之前对配时控制目标进行优化，所述配时控制目标包括：通行能力、延误，所述延误包括路口车辆平均延误时间和区域总延误时间。

进一步的，所述通行能力表示为：

其中，s为路口的饱和流率；tg为有效绿灯时间；c为信号周期，λ为有效绿信比。

进一步的，所述通行能力的优化函数为：

其中，为第n个路口第i个相位的饱和流率；为第n个路口第i个相位的有效绿信比。

进一步的，，所述路口车辆平均延误时间表示为：

其中，x为饱和度，q为路口的实际车流量，区域总延误时间最小优化函数为：

进一步的，所述步骤五中背景模型的概率密度函数为：其中，变量xt表示每个像素点的像素值，

h(xt,ui,t,∑i,t)是t时刻的第i个高斯分布，ui,t和∑i,t分别是高斯分布的均值和协方差，且i是单位矩阵，wi,t是第i个高斯分布的权重，且

进一步的，t时刻的第i个高斯分布由如下公式得到：

其中，n表示xt的维数，每个像素的k个高斯分布总是按wi,t/σi，t由大到小排列。

进一步的，所述步骤五中背景模型实时更新通过如下步骤实现：

首先利用公式|xt-ui,t-1|≤δσi,t-1判断新的像素值xt与已存在的k个高斯分布是否匹配，δ取2.5～3.5，若满足上式，则认为像素与该高斯分布相匹配，高斯分布的权重wi,t，均值ui,t，标准差σi,t按如下公式进行更新

wi,t＝(1-α)wi,t-1+αmi,t

ui,t＝(1-ρ)ui,t-1+ρxi,t

式中，α为权重的更新率，且0≤α≤1，ρ为均值和方差的更新率，ρ＝αh(xt,u,∑)，mi,t＝1；如果不匹配，权值wi,t按公式wi,t＝(1-α)wi,t-1+αmi,t更新，均值和方差保持不变，mi,t＝0；如果xt与k个高斯分布都不匹配，则引入一个新的高斯分布取代排在最后的高斯分布，新的高斯分布的均值、标准差和权重分别为xt、σinit和winit，在更新完成后，归一化各高斯分布的权重，使

进一步的，在所述步骤五背景模型实时更新后，按优先级重新对k个高斯模型进行排序，然后取前b个高斯模型作为生成的背景模板，其表达式为：

其中，t为阈值。

进一步的，所述步骤七具体步骤如下：

步骤七一：选择交叉口间距离小于800米的交叉口形成一个区域，确定区域中路口个数，初始化算法参数η，光吸收系数β，相互吸引度γ，萤火虫种群规模、算法迭代次数和萤火虫编码，采用实数编码方法，编码信息即为每个路口对应各相位绿灯时长；

步骤七二：选取适应度函数更新所有萤火虫的适应度值，标记适应度值最大的萤火虫个体，记录下该萤火虫的信息；

步骤七三：在萤火虫的可见范围内，所有萤火虫按照迭代公式

xi＝xi+β·(xj-xi)+η·(rand-1/2)向适应度值较大的萤火虫移动，同时最亮萤火虫随机移动，直到所有萤火虫都完成一次移动，记录种群中最优萤火虫对应的信息。

步骤七四：判断是否超过迭代次数，若超过，转到步骤五；否则，继续步骤二；

步骤七五：输出适应度最大的萤火虫个体的信息，即区域配时优化方案；

其中，ωd和ωq为延时和通行能力的权重因子。

本发明采用上述技术方案，具有如下有益效果：本发明利用均值滤波和中值滤波处理视频图像中存在的高斯噪声和椒盐噪声，并利用车辆目标检测算法从视频图像序列中将运动的车辆目标提取出来，结合萤火虫算法得出最佳配时方案，本发明可根据区域交通实况协调控制各路口信号灯的时间，缓解交通拥堵。

附图说明

图1为四相位划分图。

图2为配时优化流程图。

图3为实施例中交通控制系统框图。

具体实施方式

具体实施方式一：下面结合图1和图2具体说明本实施方式，本实施方式中，一种交通信号自适应配时方法，包括以下步骤：

步骤一：获取交叉路口的视频图像信息；

步骤二：将视频图像信息进行灰度化处理；

步骤三：利用均值滤波和中值滤波对视频图像进行处理；

一般的交通视频图像会受到各种噪声的影响，其中不仅包含有高斯噪声还包含了椒盐噪声，因此，采用将均值滤波和中值滤波相结合的方式对视频图像进行预处理，在实际处理时，均值滤波和中值滤波的处理顺序对于结果影响不大，因此并无先后顺序。

步骤四：采用形态学中的开运算对视频图像序列进行逐帧处理；

于单纯的图像灰度化处理和滤波处理无法满足整个系统的运行要求，采用形态学中的开运算并选取square(方形)结构进行后续处理。

步骤五：建立背景模型，并对背景模型进行实时更新；

模型基于高斯背景模型算法。

步骤六：结合帧差法与背景差分法进行运动目标检测和统计目标数目；

步骤七：利用萤火虫算法得到区域配时方案。

运动目标检测和统计的完成过程：选取背景差分法结合帧差法，根据不断更新的背景模型对所有的视频帧进行处理，完成对运动车辆的检测和统计。

车辆目标检测算法的核心任务是要从视频图像序列中将运动的车辆目标提取出来。由于采用摄像头等视频采集设备拍摄的视频图像中的背景图像容易受到周围环境的影响，而且背景模型也不是一直固定不变的，故本发明设计了一种改进的混合高斯背景模型算法进行自适应背景模型的建立及背景的实时更新。主要包括以下三个部分。

(1)背景建模

设变量xt表示每个像素点的像素值，其概率密度函数可以由k个三维高斯分布函数来表示：

其中，h(xt,ui,t,∑i,t)是t时刻的第i个高斯分布，ui,t和∑i,t分别是高斯分布的均值和协方差，且i是单位矩阵，wi,t是第i个高斯分布的权重，且有通常情况下，在初始化建模时会将输入的第一帧序列图像中各像素点的颜色向量作为该像素的k个高斯模型分布的均值，那么上式中的h(xi,ui,t,∑i,t)可以用公式(2)来表示。

其中n表示xt的维数，每个像素的k个高斯分布总是按wi,t/σi,t由大到小排列。

(2)背景更新

对于新的像素值xt，判断该值与已存在的k个高斯分布是否匹配，匹配条件为|xt-ui,t-1|≤δσi,t-1，δ通常取2.5～3.5。若满足上式，则认为像素与该高斯分布相匹配，高斯分布的权重wi,t，均值ui,t，标准差σi,t按公式(3)～(5)进行更新：

wi,t＝(1-α)wi,t-1+αmi,t(3)

ui,t＝(1-ρ)ui,t-1+ρxi,t(4)

式中，α为权重的更新率，且0≤α≤1，ρ为均值和方差的更新率，ρ＝αh(xt,u,∑)，mi,t＝1；如果不匹配，权值wi,t按公式wi,t＝(1-α)wi,t-1+αmi,t更新，均值和方差保持不变，mi,t＝0；如果xt与k个高斯分布都不匹配，则引入一个新的高斯分布取代排在最后的高斯分布，新的高斯分布的均值、标准差和权重分别为xt、σinit和winit，在更新完成后，归一化各高斯分布的权重，使背景模型的更新速率取决于α的取值。

(3)运动目标检测

在背景模型更新完以后，需按优先级重新对k个高斯模型进行排序，最后取前b个高斯模型作为生成的背景模板。

其中t为阈值，t的大小决定了背景模型中高斯分布的个数，在前景检测时，如果xt与b个高斯分布中的任一个相匹配时，则该像素点属于背景，否则属于前景。

选取背景差分法结合帧差法，根据不断更新的背景模型对所有的视频帧进行处理，完成对运动车辆的检测。

本发明采用外接矩形框的计算方法，进行车流量的统计。利用联通区域规则，将属于同一车辆区域的像素聚类成块，采用最小面积法进行检测其连接组件，由此得到的外接矩形框与车辆一一对应。

目前较为常见的信号灯控制方式为两相位划分或四相位划分，本发明涉及到的内容均是以四相位划分为基础。每个相位代表在每个信号周期内可通行的方向，四相位划分具体如图1所示。

区域交通优化中，配时优化的控制目标包括通行能力、通过带宽、延误、排队长度等。为使系统适应多种交通状态，针对不同的交通条件选择通行能力最大和延误最小作为优化目标。在区域流量适中或者较小的情况下，以总延误作为优化目标，而在过饱和情况下，则以通行能力最大作为优化目标。选择通行能力最大和延误最小的权重和作为优化目标。

通行能力可以表示为：

s为路口的饱和流率；tg为有效绿灯时间；c为信号周期；为有效绿信比，也可表示为λ。

通过调节各路口对应相位的绿灯时间使路口的通行能力最大，其优化函数为：

为第n个路口第i个相位的饱和流率；为第n个路口第i个相位的有效绿信比。

路口车辆平均延误可以表示为：

x为饱和度；可由下式计算：

q为路口的实际车流量。

区域总延误时间最小的优化函数为：

规定每个相位绿灯时长必须满足大于等于该相位最短绿灯时长和小于等于最长绿灯时长，同时每个周期时长也满足大于等于最短周期时长和小于等于最长周期时长，即模型约束条件为：

c^min≤c≤c^max(13)

萤火虫算法作为一种新兴的群体智能算法，具有较快的收敛速度和寻优精度，能较快的收敛到最优解的附近，采用萤火虫算法对系统的配时优化问题进行求解。

萤火虫算法的主要原理是利用发光强的萤火虫会吸引发光弱的萤火虫的特点。在发光弱的萤火虫向发光强的萤火虫移动的过程中，完成位置的迭代，从而找出最优位置，即完成了寻优过程。

搜索过程和萤火虫的两个重要参数有关：萤火虫的发光亮度和相互吸引度，发光亮度表示为：

s0表示最亮萤火虫的亮度，β表示光吸收系数(为固定值)，r表示萤火虫之间的距离。

相互吸引度表示为：

γ0表示最亮萤火虫的吸引度。

萤火虫i被吸引向萤火虫j移动的位置更新：

xi＝xi+β·(xj-xi)+η·(rand-1/2)(16)

η·(rand-1/2)为扰动项，可加大萤火虫的搜索范围，避免算法陷入局部最优。

针对区域配时优化问题求解步骤如下：

步骤一：系统在选择区域控制目标时，选择交叉口间距离小于800米的交叉口形成一个区域。确定区域配时优化问题中路口个数后，初始化算法参数η，光吸收系数β，相互吸引度γ，萤火虫种群规模，算法迭代次数，初始化萤火虫编码，针对区域配时优化问题，采用实数编码方法，编码信息即为每个路口对应各相位绿灯时长。

步骤二：选取适应度函数为更新所有萤火虫的适应度值，标记适应度值最大的萤火虫个体，记录下该萤火虫的信息。

步骤三：在萤火虫的可见范围内，所有萤火虫按照迭代公式

xi＝xi+β·(xj-xi)+η·(rand-1/2)向适应度值较大的萤火虫移动，同时最亮萤火虫随机移动。直到所有萤火虫都完成一次移动，记录种群中最优萤火虫对应的信息。

步骤四：判断是否超过迭代次数，若超过，转到步骤五；否则，继续步骤二。

步骤五：输出适应度最小的萤火虫个体的信息，即区域配时优化方案。

求解流程如图2所示。

其中，ωd和ωq为延时和通行能力的权重因子。

实施例：如图3所示，本实施例系统中包括摄像头、控制电路和上位机，所述控制电路包括主控模块、电源模块、通信模块、信号灯驱动模块和显示模块，所述电源模块连接主控模块，所述主控模块分别连接信号灯驱动模块和显示模块，所述信号灯驱动模块与各信号灯相连，主控模块通过网络接口模块基于局域网与上位机连接，所述摄像头基于局域网与上位机连接。

摄像头采集交叉路口运行车辆的视频图像，然后通过网络通信模块将采集到的数据传送给pc机，并在上位机中的视频图像处理程序进行各个路口的车流量统计并进行对比，根据对比结果给主控模块发送不同的指令，由主控模块调控各信号灯亮灭的时长。

系统采用上位机、路由器和下位机构成的局域网连接方式组建内部网络，单片机组通过网络模块接收pc机发送的命令，实时返回状态，并按照指令控制相应设备。

系统工作方法如下：

1、通过摄像头获取视频数据，并通过以太网将视频数据传送到pc机。

2、一般的交通视频图像会受到各种噪声的影响，其中不仅包含有高斯噪声还包含了椒盐噪声，因此，采用将均值滤波和中值滤波相结合的方式对视频图像进行预处理。

3、由于单纯的图像灰度化处理和滤波处理无法满足整个系统的运行要求，采用形态学中的开运算并选取square(方形)结构进行后续处理。

4、车辆目标检测算法的核心任务是要从视频图像序列中将运动的车辆目标提取出来。

5、pc机根据当前区域内各路口车流量情况进行协调控制，对区域内的信号灯进行动态配时。

6、pc机将控制指令发送给路口各路口控制模块，完成控制。

需要注意的是，具体实施方式仅仅是对本发明技术方案的解释和说明，不能以此限定权利保护范围。凡根据本发明权利要求书和说明书所做的仅仅是局部改变的，仍应落入本发明的保护范围内。