2024年1月10日发(作者：)
深圳大学本科毕业论文（设计）开题报告
题 目
学生姓名
学 院
基于机器视觉的交叉口交通信息统计与信号灯优化配时
机电与控制工程学院
学号
专业
交通运输
指导教师
本选题的意义及国内外发展状况：
1.选题背景及意义
二十世纪初，汽车作为一种崭新的交通工具出现在世人面前。这一发明，极大地改变了人们的出行方式和社会面貌。大量路网随之兴建，交通不断繁荣，人们的出行也愈发便利。交通的发展最终推动了社会的进步。目前，交通已经成为与人们生活息息相关的重要组成部分。但是随着我国综合国力的提升和城市化进程的加快，机动车的保有量持续增加，导致道路拥堵愈演愈烈、交通事故频发和车辆延误增大，严重影响了经济的发展。事实证明，通过修建道路能够缓解一部分道路的拥堵现象，但是修建道路不仅需要花费巨额资金，而且必须占用城市大量的宝贵空间，此外由于修建道路所引发的新的购车需求将使修建道路的效果大打折扣。如今，人们已经认识到，仅仅依靠基础设施建设是永远也满足不了交通需求的增长要求的。因此，在大力发展各项基础设施的同时，如何在现有路况下实现对人、路、车的有效监控，实现道路利用效率的最大化，便成了有效解决目前交通拥堵问题的当务之急。智能交通系统在此背景下应运而生，并成为了解决城市交通问题的关键手段。
而在智能交通中，交通信息采集设备是交通系统管理的基础，是先进的智能交通管理设备得以正确控制与引导交通，提高交通安全性和效率的前提，交通信息采集设备可以及时准确地获取交通信息，如车流量、车速、车型分类、占道率、交通密度、车辆排队长度、车辆转弯、车辆停止或肇事情况等信息，并提供给智能交通管理系统，同时为完成对交通现场的管理或信息发布提供基础数据。
作为智能交通中最基础、最重要的部分，世界各国都对此进行了普遍的研究。其中，主要的检测手段有：红外检测、地感应线圈检测、超声波检测、声学检测等。红外线检测的方法可提供大量的交通管理信息，但它抗噪能力不强，有时可能需要降低可靠性来提高灵敏度；地感应线圈检测的技术己比较成熟，性能稳定且计数非常精确，它可检测车流量、道路占有率等，但是这种方法要在公路下铺设线圈，影响路面寿命，并且易被重型车辆等损坏；超声波检测方法根据接收和返回的超声波的时间差来确定车辆通过情况，具有体积小，易于安装等优点，但是它受天气和温度影响较大；声学检测方法通过检测车辆内部声音以及车辆与地面接触的声音来进行车辆检测，但是这种方法较难检测停止车辆，有时会漏检车辆。近年来随着计算机技术、图像处理、计算机视觉和人工智能的发展，基于视频的车辆检测技术，越来越受到青睐。视频检测技术优点有：可从视频图像序列中提取丰富的信息；采集到更多的交通参数，如车流量、车速、车辆牌照、车辆类型等；实现高效准确的交通监控功能；视频检测成本低，只需要少量[2][2][1]
摄像头即可；易于安装和设置，对道路几乎没有什么破坏性：而且视频检测易于联网，形成交通网，能实现对交通的全局控制。因此，对基于视频的车辆检测技术进行研究具有十分重要的意义[3]
。
2.1国内外发展现状和趋势
在智能交通领域，国外的相关研究起源较早，在一些发达国家，早在上世纪六十年代就已经开始在这一领域从事研究与开发，取得了不少有价值的成果。而进入九十年代以来，随着交通问题日益严重，ITS相关技术特别是信息技术的发展以及ITS所具有的应用与产业上的广阔前景逐渐被人们所重视，仅1994到1995年期间，美国就立项了超过100个研究项目，到1997年，累计经费花销多达8亿[4][5]。日本的情况与美国类似，目前，该国已经建立了一套较为完整的智能交通监控、控制和管理信息系统。
随着计算机视觉技术的蓬勃发展，作为其中的重要分支，运动物体的跟踪与检测技术也越来越引起交通领域专家学者们的强烈兴趣。其基本原理是，通过对相关目标进行采集，利用目标的颜色、梯度、纹理、对应像素点的空间位置等信息，把感兴趣的且运动着的目标同背景或无关目标加以区分，自动得出观测结果。而车辆检测作为其主要应用之一，得到了许多组织与研究团体的关注[6][7]。
1984年，美国明尼苏达大学运输研究中心的麦克鲁波洛斯博士发明了视频车辆检测系统(AUTOSCOPE)，首次利用计算机采集道路上的图像信号，经过数字化处理，得到重要的交通流参数。90年代以后，模式识别和图像处理技术进一步发展，美国的ISS公司率先将AUTOSCOPE推向市场，目前经常使用的视频产品还有Traficon公司的CCATS和Iteris公司的Vantage等产品。尽管检测区域的背景环境变化和摄像机晃动等因素影响视频检测的精度，但视频车辆检测器设置灵活、检测内容丰富、多车道检测、物体真实再现等特点，使其在城市交通检测中优势突出。
而国内在该领域发展相对较晚，自建国以来，始终比较重视的是基础设施的建设，对于交通管理与控制领域涉足不多。但近年来，智能交通领域已经引起了人们的重视，一些科研机构、大专院校相继开始了相关领域的研究探索，一些产品也取得了不错的使用效果。如中科院自主研发的交通监控原型系统Vstar visual surveillance Star,完成了运动车辆的检测、跟踪、行为分析等功能。由清华大学开发的“交通自动监测视觉系统Visatram”，哈尔滨工业大学的VTD2000系列视频交通动态信息采集系统等，也都取得了不错的应用效果[9][10][8]。
然而，虽然国内外的研究取得了不少的成果，但车辆检测是一项极具挑战性的工作，目前提出的方法仅限于特定环境、特定车辆。在适用性、准确率、时间效率方面或多或少存在一些问题，面临的主要困难有：
1)车辆有不同的细节，比如颜色、外形等的变化；
2)尺度不同、角度不同，会造成车辆的大小不同、姿态不同；
3)在很多场景下，会出现很多车辆，这样出现车与车的互相遮挡，或者其他物体的遮挡，造成了车辆检测的困难；
4)车辆检测系统要应用到复杂的背景中，如阴影干扰以及在夜间检测车辆
[11][12]
研究内容：
1. 主要研究目标
本课题的研究目标是通过对交叉口视频的采集，使用机器视觉的方法，检测交叉口某一方向的进口道包括直行、左转、右转、大车、小车在内的交通量，并分析交通延误、车头时距，阻塞密度等交通数据，最后以此为依据，讨论现有交叉口信号灯配时方案合理性，并将其加以改进得到较优解。
2. 主要研究内容
2.1 研发内容
1.理论研究
（1）研究运动目标跟踪与检测的关键算法
运动目标检测是指在视频或图像序列中把感兴趣的并且运动着的目标与背景或其他不感兴趣的运动目标进行区分。传统的图像分割与这部分工作相似，就是从静止图像中抽取感兴趣的目标，把图像分为若干部分，每部分具有同质性的过程。因此，图像分割是运动目标检测的基础。前已述及，视频车辆的检测存在多个难点，拟在前人研究的基础上，选择其中一个，加以改进和优化。
（2）研究交通流模型
交通流模型是研究交通流随时间和空间变化规律的模型和方法体系，它是交通规划、交通管理与控制等学科的理论基础。其内容关系到经济发展和人民生活，主要包括以下几个部分：速度-密度模型，流体力学模型，空气动力学模型，跟驰模型等（3）研究信号配时理论
道路交叉口是城市交通网的结点，是车流的主要集散场所，也是拥堵发生的主要区域。一些研究表明，在整个交通系统中，几乎一半以上的交通延误和交通事故都发生在道路交叉口。交叉口管理成为了交通控制和管理的首要任务和关键所在。一方面，是现有的基础设施供给无[13]。
法满足人们出行需求，另一方面，现有的基础设施的通行能力也没能得到有效发挥。因此，如何对于交通流进行合理诱导，如何获取最佳信号灯配时方案便显得尤为重要。
2.系统开发与功能实现
本课题所开发的系统主要分为三大模块：交叉口道路模型的建立；交通流数据的提取；数据统计分析和信号灯配时优化。（前两个部分是本组其他成员的工作重心，本文主要讨论第三个内容）
（1）道路模型的建立：通过对图像数据的分析，得出进口道关于渠化设计、相位方案等基础信息，并建立交叉口模型，为下一步交通流数据的提取创造条件）
（2）交通流数据的提取：通过对视频的分析处理，得出包括直行、左转、右转、大车、小车在内的交通量数据。保证一定精度，并尽量兼顾通用性。
（3）数据统计分析和信号灯配时优化：采用机器视觉的方法，得出绿灯启亮后平均车头时距，反应时间，阻塞密度，交通延误等数据，最后以此为依据，分析现有交叉口信号灯配时方案合理性，并加以改进得到较优解。
2.2 拟解决的关键问题
1.
建立合适的背景图像提取模型，使之能适应在光照、天气等因素影响下背景环境的变化，以实现更好的运动检测。
2. 解决视频识别中各种噪声干扰问题，实现检测目标（车辆）与无关对象（诸如树木，交通标志线等）的分离；大型车辆与小型车辆的分离；浅色车与深色车的分离，以便得出较为精确的交通密度。
3.基于Visual Studio 2013平台，运用open cv库，使用C++语言，完成系统的设计与开发，并实现界面的可视化。
2.3 主要特色与创新之处
本课题的特色在于：在国内的相关研究中，使用视频的手段统计交通流数据的方法并不罕见，但运用此方法进行进一步统计分析的研究却为数不多。这也是本课题的创新之处所在，从交叉口道路模型的建立，到交通信息的统计处理，再到信号灯配时的优化改进。整个系统的集成度较高，由于具有第一手的可信数据，信号配时方案也显得更有依据和说服力。
研究方法、手段及步骤：
1. 主要研发方法与手段
1.1 主要研发方法
1.相关交通数据的计算
(1)计算阻塞密度
计算公式:K = N / L，
其中
K—车流密度,单位:辆/km
N—观测路段内某瞬时车辆数,单位:辆
L—观测路段长度,单位:km
(2)计算车头时距[14]。
车辆进入引道后,由于红灯信号的作用要在停车线前排队等候(如图),一旦绿灯开始显示,则排队车辆顺次驶过停车线。以停车线为基准,可以观测到车辆驶过停车线的车头时距。第1个车头时距假设为绿灯显示开始时间到第一辆车(前)保险杠驶过停车线所经历的时间,第2个车头时距定义为第2辆车与第1辆车的车(前)保险杠越过停车线的时间差,以此类推, 可观测到其它车头时距。
(3)计算延误
1）首先将车辆到达率视为常数, 计算车辆的均衡相位延误;
2）计算由于各个信号周期车辆到达率不一致产生的附加延误时间, 其中包括在个别周期中由于入口车道处于饱和状态所产生的附加延误时间, 统称为随机延误时间;
3）将上述均衡相位延误时间和随机延误时间相加即可得到车辆的平均延误时间
(4)计算信号配时方案（Webster法）
Webster模型是以车辆延误时间最小为目标来计算信号配时的一种方法，因此其核心内容是车辆延误和最佳周期时长的计算。而这里的周期时长是建立在车辆延误的计算基础之上，是目前交通信号控制中较为常用的计算方式有n个信号相位的交叉口，总延误应为：
[15]。
Dqidii1n(1-1)
其中：di----第i相交叉口的单车延误；
qi----第i相的车辆到达率。
周期长度最优化问题可以归纳为：
MinDqidii1n
C≥
发布评论