1、智能交通系统研究电气工程学院综合训练任务书基层教学单位: 仪器科学与工程系 指导教师:张立国学号080103020166学生姓名远建华(专业)班级08检测2班设计题目智能交通系统研究设计技术参数1. 实现10个节点以上的交通控制2. 实时性检测3. 图形化控制设计要求1.多摄像头图像处理2.模式识别算法实现3.智能化网络流量控制参考资料1 图像处理相应参考书与论文2 智能算法相应参考书与论文周次4周应完成内容根据现有的交通状况,开发出一套智能交通控制系统,实现区域网络的智能流量控制。指导教师签字基层教学单位主任签字 说明:此表一式四份,学生、指导教师、基层教学单位、系部各一份。 2011年11
2、月21日目录 第一章 引言 3第二章 摘要 3第三章 图像处理车辆识别 43.1图像预处理 4 3.2灰度图像二值化 63.3实验结果 8第四章 遗传算法 104.1基本概念 104.2遗传算法步骤 114.3遗传算法特点与优势 124.4遗传算法的应用 12第五章动 态交叉路口模型的建立与仿真 135.1预备知识 135.2单交叉路口动态模型 155.3遗传算法优化 17第六章 心得体会 19参考文献 19智能交通系统研究 第一章 引言 我国汽车工业的发展和城市化进程的加快,汽车已经进入寻常百姓家庭,随之带来的城市交通问题也日益突现出来,交通拥挤,车流不畅,大大影响了人们的出行速度,进而降低
3、了生产和工作效率。因此,城市交通拥挤问题成为当今我国城市发展的重要问题。实践证明,解决城市交通问题的有效方法是在现有交通基础设施的基础上,提高交通管理水平,达到从根本上解决问题的目的。先进的交通管理系统可以有效提高城市现代化交通的有效利用率和交通流量,减少道路的交通拥挤程度、交通事故的发生率以及由于交通拥挤、事故等造成的出行延误。城市智能交通管理系统正是通过对高科技、高水平的技术的应用,来提高交通管理系统的工作效率,达到改变城市交通混乱的局面的目的。 第二章 摘要 本文就智能交通系统的研究与发展做了一些介绍,主要研究智能交通系统的工作的原理,以及智能交通在国内外的发展,通过智能交通优化交通,减
4、少拥堵,运用数字图像处理、全局优化算法等工具实现两方面的内容,即:车辆识别,全局最优控制。大大缓解交通压力,为交通管理带来很大益处。第三章 图像处理进行车辆识别3.1图像的预处理运动目标的阴影阴影可划分为两类:自身阴影和投射阴影。自身阴影是由于物体本身没有被光源直接照射到而形成的;投射阴影是由于物体阻挡光线后在背景上形成。这里的阴影指的是距离物体足够远的光源(像太阳光)而导致的在物体周围产生的阴影即投射阴影,当后续的运动目标识别时,阴影通常会被看成是物体的一部分,从而直接影响了运动目标的特征提取导致跟踪的失败。阴影去除算法研究由于本文研究的运动目标(车辆)基本上是规则的矩形图形,光照在这些目标
5、周围产生的阴影一般集中在其上下左右四个方向。所以算法的关键是从这四个方向上去除阴影噪声。根据特定的场景以及不同的时间段阴影在各方向出现的概率,然后根据统计概率在不同的时间段采用不同的方向去除运动目标的阴影。一般来说,运动目标(车辆)的边缘比较多,在频域上来说就是高频信号比较多;而阴影的边缘比较少,在频域上低频信号比较多。所以,结合以上两个特性从边缘检测着手去除阴影。我们知道,即使人们感觉很简单的景物中也包含着大量的细节,它们在图像中都表现为强度的非连续性,找出所有这些细节并不是获得景物的可行方法。另外图像强度的非连续性来源于不同的物理现象:表面反射和纹理不同边缘是指图像局部亮度变化最显著的部分
6、。边缘主要存在于目标与目标、目标与背景、区域与区域之间,是图像分割、纹理特征提取等图像分析的重要基础。图像分析与理解的第一步常常是边缘检测。因此边缘检测十分重要,己经成为机器视觉的重要研究领域。图像中的边缘通常与图像亮度或图像亮度的一阶导数的不连续性有关。图像亮度的不连续性可分为:阶跃不连续,即图像亮度在不连续处的两边象素灰度值有着显著的差异:线条不连续,即图像亮度突然从一个值变化到另外一个值,保持一个较小的行程后又返回到原来的值。梯度:边缘检测是检测图像局部显著变化的基本运算。梯度是函数变化的一种量度,而一幅图像可以看作是图像强度连续函数的取样点阵列,因此图像灰度值的显著变化可以通过梯度的离
7、散逼近函数来检测。 (1) 对于数字图像,式中的导数可用差分来近似。最简单的梯度近似表达式为: (2)边缘检测算法:现在有很多边缘检测算子,直flRoberts算子、Sobel算予、Prewitt算子、Kirsch算子等。由于本系统实时性要求高,所以必须选取计算简单、速度快、边缘定位精确的算子。基于以上几点考虑本文选取了Sobel算子。Sobel边缘检测算子是利用梯度与差分原理组成的边缘检测器。其梯度幅度的数学描述为: (3)其中用模板(卷积核)来表示即: (4) (5)当阴影出现在车辆的两侧采用垂直边缘检测算子,如果阴影出现在车辆的上下,使用水平边缘检测算子。但是该方法是将当前序列图进行边缘
8、检测,然后再对背景图像进行边缘检测,最后将边缘检测后的图像差分得到去除阴影的灰度图像。3.2灰度图像的二值化灰度图像的二值化概述 图像的二值化处理是将图像简单的分成背景和目标物体,最常用的方法就是选取一个阈值,用将图像分成两大部分,大于区域(通常为目标物体)和小于的区域(通常为背景),若输入图像为f(x,Y),输出图像为g(x,Y),则 (6) 如果物体灰度分布在几个不相邻的区间内,二值化可表示为: (7) 其中中是组成物体各灰度值的集合。这种方法称为阈值分割法,阈值分割的方法有很多,如迭代阈值分割的方法、最大类间方差法、最大熵阈值分割、循环分割等。在这里我选取了最大类间方差法。最大类间方差法
9、 Otsu在1979年提出的最大类间方差法(有时也称之为Otsu方法)一直被认为是域值自动化选取方法的最优方法之一,它是一种自动的非参数无监督的域值选择法,它是基于类问方差为最大的测度准则,最佳的域值在该测度函数取最大时得到的。该方法计算简单,自适应性强,在一定条件下不受图像对比度与亮度变化的影响,因而在一些实时图像处理系统中得到了广泛的应用。 下面是最大类间方差法的基本思想: 对于灰度级为0255的MXN一幅图像,记f(x,y)为图像点(i,j)处的灰度值,则:第一步:计算图像的直方图统计结果,得到灰度值为k的频率PHS(k)为: (8) 第二步:计算图像的灰度均值: (9) 第三步:计算灰
10、度类均值乒和类直方图之和:(10) (11) 第四步:计算类分离指标: (12) 最后,求出。达到最大的值S,则最佳阈值T=S。在实际场景中。每一帧的情况都不是为所能够预料的,所以一个固定的域值也将不能解决实际的问题。最大类间方差法能够自动选取域值,它是通过寻找一个最大方差值,来分割图像成两部分。因为方差是图像灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小,这也是最大类间方差法的真正含义。 3.3实验结果 图2.1 背景图 图2.2 目标图 图2.3 灰度图像 图2.
11、4 二值图 第四章 遗传算法 4.1基本概念个体与种群 个体就是模拟生物个体而对问题中的对象(一般就是问题的解)的一种称呼,一个个 体也就是搜索空间中的一个点。 种群(population)就是模拟生物种群而由若干个体组成的群体, 它一般是整个搜索空间的一个很小的子集。 适应度与适应度函数 适应度(fitness)就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的 表征其优劣的一种测度。 适应度函数(fitness function)就是问题中的全体个体与其适应度之间的一个对应关系。它一般是一个实值函数。该函数就是遗传算法中指导搜索的评价函数。 染色体与基因 染色体(chromos
12、ome)就是问题中个体的某种字符串形式的编码表示。字符串中的字符也就称为基因(gene)。遗传操作 亦称遗传算子(genetic operator),就是关于染色体的运算。遗传算法中有三种遗传操作: 选择-复制(selection-reproduction)通常做法是:对于一个规模为N的种群S,按每个染色体xiS的选择概率P(xi)所决定的选中机会, 分N次从S中随机选定N个染色体, 并进行复制。 交叉(crossover,亦称交换、交配或杂交) 就是互换两个染色体某些位上的基因 变异(mutation,亦称突变)就是改变染色体某个(些)位上的基因。例如,设染色体 s=11001101将其第三
13、位上的0变为1, s=11001101 11101101=ss也可以看做是原染色体s的子代染色体。4.2 遗传算法步骤 图4.2 遗传算法流程图基本遗传算法:步1 在搜索空间U上定义一个适应度函数f(x),给定种群规模N,交叉率Pc和变异率Pm,代数T;步2 随机产生U中的N个个体s1, s2, , sN,组成初始种群S=s1, s2, , sN,置代数计数器t=1;步3 计算S中每个个体的适应度f() ;步4 若终止条件满足,则取S中适应度最大的个体作为所求结果,算法结束。步5 按选择概率P(xi)所决定的选中机会,每次从S中随机选定1个个体并将其染色体复制,共做N次,然后将复制所得的N个染
14、色体组成群体S1;步6 按交叉率Pc所决定的参加交叉的染色体数c,从S1中随机确定c个染色体,配对进行交叉操作,并用产生的新染色体代替原染色体,得群体S2;步7 按变异率Pm所决定的变异次数m,从S2中随机确定m个染色体,分别进行变异操作,并用产生的新染色体代替原染色体,得群体S3;步8 将群体S3作为新一代种群,即用S3代替S,t = t+1,转步3;4.3遗传算法的特点与优势 遗传算法的主要特点 遗传算法一般是直接在解空间搜索, 而不像图搜索那样一般是在问题空间搜索, 最后才找到解。 遗传算法的搜索随机地始于搜索空间的一个点集, 而不像图搜索那样固定地始于搜索空间的初始节点或终止节点, 所
15、以遗传算法是一种随机搜索算法。 遗传算法总是在寻找优解, 而不像图搜索那样并非总是要求优解, 而一般是设法尽快找到解, 所以遗传算法又是一种优化搜索算法。 遗传算法的搜索过程是从空间的一个点集(种群)到另一个点集(种群)的搜索,而不像图搜索那样一般是从空间的一个点到另一个点地搜索。 因而它实际是一种并行搜索, 适合大规模并行计算,而且这种种群到种群的搜索有能力跳出局部最优解。 遗传算法的适应性强, 除需知适应度函数外, 几乎不需要其他的先验知识。 遗传算法长于全局搜索, 它不受搜索空间的限制性假设的约束,不要求连续性, 能以很大的概率从离散的、多极值的、 含有噪声的高维问题中找到全局最优解。4
16、.4遗传算法应用 遗传算法在人工智能的众多领域便得到了广泛应用。例如,机器学习、聚类、控制(如煤气管道控制)、规划(如生产任务规划)、设计(如通信网络设计、布局设计)、调度(如作业车间调度、机器调度、运输问题)、配置(机器配置、分配问题)、组合优化(如TSP、背包问题)、函数的最大值以及图像处理和信号处理等等。另一方面,人们又将遗传算法与其他智能算法和技术相结合,使其问题求解能力得到进一步扩展和提高。例如,将遗传算法与模糊技术、神经网络相结合,已取得了不少成果。 第五章 动态交叉路口模型的建立及仿真5.1 预备知识因为要建立交通控制模型,就必须先了解交通有关的知识。为了方便理解交通控制方面的专
17、业术语,现简单介绍。交通信号控制系统的主要术语和参数周期:是指信号灯色发生变化,显示一个循环所需的时间,也称周期长,即红、黄、绿灯时间之和。相位:即信号相位,是指在周期时间内按需求人为设定的,同时取得通行权的一个或几个交通流的序列组。相位差:具有相同周期长的相关路口,在同方向上的两个相关相位的启动时间差,称为相位差。绿信比:是指在周期长内的各相位绿灯时间与周期长之比。饱和流量:是衡量路口交通流释放能力的重要参数,通常是指一个绿灯时间内的连续通过路口的最大车流量。流量系数:是实际流量与饱和流量的比值。既是计算信号配时的重要参数,又是衡量路口阻塞程度的一个尺度。绿灯间隔时间:是指从失去通行权的相位
18、的绿灯结束,到下一个得到通行权的相位绿灯开始所用的时间。有效绿灯时间:是指被有效利用的实际车辆通行时间。它等于绿灯时间与黄灯时间之和减去头车启动的损失时间。车辆滞留延误:是指交通冲突或信号控制设施的限制给车辆带来的时间损失。它是计算信号配时和衡量路口通行效果的一个重要参数,也常作为确定信号控制系统性能的重要参量。 信号控制的控制参数信号控制的参数有三个:周期时长、绿信比和相位差。控制系统的功能就是最佳地确定各路口在各车流方向上的这些参数,并付诸实施。 周期时长周期时长即信号灯运行一个循环所需的时间,等于绿灯、黄灯、红灯时间之和。一般信号灯最短周期不能少于36s,否则不能保证几个方向的车顺利通过
19、交叉路口。最长周期不超过2min,否则引起等待司机的抱怨,或者误以为信号灯已经失灵。适当的周期长度对疏散路口处的交通流、减少车辆等待时间有重要意义。从疏散的角度来讲,显然当交通需求越大时,周期应越长,否则一个周期内到达的车辆不能在该周期的绿灯时间内通过交叉口,就会发生堵塞现象。从减少车辆等待时间的角度来讲,太长或者太短的周期都是不利的。若周期太短,则发生上述堵车现象。若周期太长,则某一方向的绿灯时间可能大于实际需要长度,而另外一方向的红灯时间不合理的延长必然导致该方向车流等待时间的延长。 绿信比一个周期中,绿灯时间与周期时长之比称为绿信比。设绿灯时间为t,周期时长为T, 则绿信比g 为: g=
20、t/T (4.1)绿信比的大小对于疏散交通流和减少路口总等待时间有着举足轻重的作用。通过合理地分配各车流方向的绿灯时间(绿信比),可使各方向上阻车次数、等待时间减至最少。相位相位是对于一个路口多方向交通流而言的,一个交通流方向(一个绿灯信号)称为一相。例如一个十字路口,根据实际情况可以设计为两相、三相甚至四到八相。两相时(如图4.1,相位1 为东西向直行和左、右转弯,相位2 为南北向直行和左、右转弯。)相位越多,交通安全性越好,便交叉口的利用率越低。十字路口取两相位交通信号者居多。相位差是对两个路口同一信号相位而言的。当涉及到对一条主干上的交通流或一个网络内的交通流进行控制时,相位差是一个重要
21、的控制参数。通过调整各路口间相位差,可以使一串路口的信号灯形成一条绿波带,车队通过这些路口时畅通无阻。 图4.1 二相位示意图5.2 单交叉路口的模型本节主要讨论现代拥挤路段交叉路口普遍采用的四个相位做法,先从一个交叉路口谈起(针对的是双相六车道的道路)。单交叉路口的四个相位如图4-3。第一相位:东西直行线,汽车分别从东、西边路口进入西、东边路口。第二相位:由西向北行驶的车道和由东向南行驶的车道。第三相位:南北直行线。第四相位:由北向东行驶的车道和由南向西行驶的车道。由于智能交通控制系统需要大量的数据,因此本文考虑的是能够实时检测的系统。即能够随时检测停留的车辆、离开的车辆数。针对如图4.2
22、所示的相位信号控制的交叉路口,各车道车辆在不同的相位在不同的车道的放行状态可用一个系数矩阵表示为P1=011000011000P2=100000100000P3=000011000011 (4.2)P4=000100000100其中1 表示放行,0 表示禁行。延误车辆数的计算:设: ti (i= 1, 2, 3, 4) 为交叉路口各个相位的配时;表示第i 个相位、第j 个方向、第k 个车道的车辆到达率, 则一个周期内第i 个相位、第j 个方向、第k 个车道到达的车辆数为 (3)假设在绿灯期间内, 放行车辆在第i 个相位、第j 个方向、第k 个车道驶离路口的离开率为 , 则一个周期内第i 个相位
23、、第j 个方向、第k 个车道可能驶离路口的车辆数为 (4)设 表示第l 个周期、第i 个相位、第j 个方向、第k 个车道滞留的车辆数, 则 (5)其中, i= 1, 2, 3, 4; j= 1, 2, 3, 4; k= 1, 2, 3. 为第l- 1 个周期、第i相位、第j 个方向、第k 个车道、滞留的车辆数. 故第l 个周期末路口总的滞留车辆数可表示为: (6)系统的性能指标描述:从以上分析可知, 为了使路口流通能力最大, 即要求路口滞留车辆数最小,满足 (7)优化过程是对路口4 个相位进行实时优化配时t1、t2、t3、t4,且满足t1 + t2 + t3 + t4 = T (8) 其中T
24、为路口相位信号控制的周期若控制周期不变, 性能指标为在满足(8) 式条件下求(7) 式的极小值. 考虑路口行人过马路时的安全需要, 每相位最短绿灯时间不得小于某值e (一般取e = 6s) , 因此每一相位的配时须满足条件(9) 式 6 T-18 i = 1, 2, 3, 4 (9) 选取路口各个相位的配时时间为变量, 求滞留路口的车辆在满足(8)、(9) 式条件下的最小值Z 为了简化问题, 可将上述4 变量求极小问题简化为3 变量求极小值问题Z 即以t1、t2、t3 为自变量, 将(7) 式极小值问题化为以下3 变量极小值问题。 (11) (11) 式是求极小值问题, 采用遗传算法进行优化需
25、要转换成极大值问题, 因而存在目标值向适应值映射问题, 取如下映射 F = C - s (12)式中, s 为目标值, F 为映射适应值, C 为使适应值F 取正数的一个固定数; 为映射系数, 其值随着目标值的趋近而逐渐增大。经过(12) 式映射, 求目标值极小值问题就转化为求适应F 值极大值问题Z本文遗传算法采用二进制编码, 用二进制码串 , , c1, , , b1, , , a1 表示一条染色体, n 为染色体长度Z 二进制码串 , , a1 、 , , b1 、 , , c1 分别对应相位1、相位2、相位3 的配时t1、t2、t3, 且满足并且, 在生成初始种群和经交叉、变异算子生成新
26、的部分种群时必须考虑满足(8)、(9) 式, 本文选用了复制、杂交、变异遗传算子。5.3 采用遗传算法对配时问题进行优化的算法如下:步骤1初始化, 设定种群数目、染色体长度、迭代总代数、复制、杂交、变异概率。步骤2采用二进制编码, 在可行域内随机产生种群数目大小的染色体。步骤3计算种群适应值, 并按适应值大小排序。步骤4按复制概率复制具有适应值较高的染色体到新一代。步骤5按杂交、变异概率生成除复制染色体以外满足种群数目的染色体到新一代。步骤6判断是否到了迭代总代数, 若没有, 则转步骤3。步骤7按最优适应值计算各相位配时。步骤8预估下一周期车流量, 转步骤2, 进行下一周期循环。种群数取为15
27、0, 染色体长度n 取为24, 总迭代代数取为50.东、南、西、北的左、中、右各车道的车流到达率分别假定为:DA _ e0= 15+ 12co s (k t) ;DA _ w 0= 12+ 16sin (4k t) ;DA _ e1= 15+ 5sin (2k t) ; DA _ w 1= 12+ 18co s (k t) ;DA_e2= 8+ 12co s (2k t);DA _ w 2= 15+ 12co s (k t) ) ;DA _ s0= 10+ 12sin (k t) ; DA _ n0= 13+ 13sin (k t) ;DA _ s1= 11+ 16sin (2k t) ; D
28、A _ n1= 14+ 10co s (k t) ;DA _ s2= 15+ 14co s (3k t) ; DA _ n2= 12+ 18co s (2k t) ;其中, k= 0. 314159, t 是时间(单位为秒)路口各个方向各个车道在允许放行条件下最大放行车辆数为80 辆每分, 固定周期T 为120 秒,仿真程序采用遗传算法。图中“*”是上节算法计算的结果,“+”是传统算法计算结果。 第六章 心得体会 通过本次课程设计,我学到了很多东西,比如说数字图像处理有了更进一步的了解,而且学会了一种全局最优算法,遗传算法。锻炼了自己独立思考的能力以及和同学合作的团队精神,在老师和同学的帮助下
29、很好地完成了本次综合训练的内容,感觉自己有进步了很多,很有成就感。希望学校能多点给我们提供这种锻炼的机会,进一步增强学生的动手与思考能力,我还学会了使用matlab仿真软件,对它有了进一步的了解,在以后的学习工作中肯定受益匪浅。对智能交通有了更深更确切地了解,看清中国未来交通管理的发展方向,增加了自己的知识,看扩了自己的眼界,对自己以后的发展有很大的帮助。参考文献MATLAB数字图像处理 张德丰 电子工业出版社 2010.7智能交通控制 刘智勇 科学出版社 2003.8车辆识别 白建伟 机械工业出版社 2010.6课程设计评审意见表指导教师评语:该生学习态度 (认真 较认真 不认真) 该生迟到、早退现象 (有 无)该生依赖他人进行设计情况 (有 无)平时成绩: 指导教师签字: 2011 年 7月 2日图面及其它成绩:答辩小组评语:设计巧妙,实现设计要求,并有所创新。 设计合理,实现设计要求。 实现了大部分设计要求。 没有完成设计要求,或者只实现了一小部分的设计要求。 答辩成绩: 组长签字: 2011 年 7 月 2日课程设计综合成绩:答辩小组成员签字: 2011年 7月 2日
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1