一種基于行人數(shù)量的交通控制系統(tǒng)及方法
【專利摘要】本發(fā)明公開了一種基于行人數(shù)量的交通控制系統(tǒng)及方法。系統(tǒng)包括：預(yù)處理模塊、數(shù)量估算模塊和時間預(yù)測模塊；其中，所述預(yù)處理模塊，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理；所述數(shù)量估算模塊，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量有效估計；所述時間預(yù)測模塊，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長度。本發(fā)明針對現(xiàn)有行人過街信號無法滿足行人過街時間需求，即過街時間不足或綠燈空放這一問題，本發(fā)明充分考慮行人過街時間需求，分析不同時段行人數(shù)量與過街時間關(guān)系，以歷史數(shù)據(jù)為訓(xùn)練樣本，建立了行人過街時間估計方法。
【專利說明】
-種基于行人數(shù)量的交通控制系統(tǒng)及方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及交通控制工程技術(shù)領(lǐng)域，特別設(shè)及一種基于行人數(shù)量的交通控制系統(tǒng) 及方法。
【背景技術(shù)】
[0002] 城市交通是支撐現(xiàn)代城市健康發(fā)展的基礎(chǔ)，而W交通擁堵為特征的交通問題不僅 阻礙著城市的可持續(xù)發(fā)展，也給人們的日常工作與生活帶來嚴(yán)重影響，已經(jīng)成為困擾世界 各國城市發(fā)展的普遍問題。由于對交通擁堵的形成過程和演變規(guī)律缺乏足夠的認(rèn)識，導(dǎo)致 一些治理擁堵的策略和方法缺乏針對性。在現(xiàn)有的道路資源條件下，如何更好地緩解交通 擁堵，成為當(dāng)今解決城市交通問題的重點課題之一。因此開展交通擁堵方面的基礎(chǔ)研究工 作，深入研究交通擁堵的形成機(jī)理和演化過程，W此對交通的控制和管理進(jìn)行指導(dǎo)，并實施 有效的控制策略和方法，對提高交通運輸效率、改善交通狀況具有重要的理論價值和現(xiàn)實 意義。
[0003] 我國城市人口密集，居民步行出行占較大比例。同時隨著機(jī)動化水平的提高，城市 道路機(jī)非沖突愈加嚴(yán)重，行人作為弱勢群體，其安全問題越來越受到人們重視，機(jī)動車與行 人一旦發(fā)生碰撞，行人將受到嚴(yán)重傷害甚至死亡。當(dāng)路段車流量較大時，不合理的行人過街 信號設(shè)置，會因沒有行人或行人較少，而浪費行人過街綠燈時間，白白造成機(jī)動車延誤；又 會因行人過多而造成行人過街綠燈時間不足，行人過街的安全問題無法保障。因此，研究有 效的自適應(yīng)行人過街信號方法對于保障行人安全，減少交通延誤具有重要意義。
[0004] 20世紀(jì)末W來，我國城市機(jī)動化水平顯著提高，城市交通出行量飛速增長，人們在 努力解決交通擁堵、提高城市運行效率的同時，交通安全問題成為不可回避的話題，特別是 行人安全問題。據(jù)《道路安全全球現(xiàn)狀報告2013》顯示，全球平均每天有近4000人因道路交 通事故而喪生，其中大約1 /5是行人，并且該傷亡人數(shù)有逐年增長態(tài)勢。
[0005] 行人在道路交通中作為弱勢群體，一旦發(fā)生交通事故常常受到嚴(yán)重傷害甚至死 亡。我國城市居民出行方式中，步行仍然占很大比例，在交通復(fù)雜的商業(yè)區(qū)，人、車搶行的狀 況經(jīng)常發(fā)生，加上缺乏有效的安全管理設(shè)施，導(dǎo)致行人過街交通問題日益突出。當(dāng)路段上車 流量較大時，不合理的行人過街行為，極可能造成交通堵塞，降低了路網(wǎng)通行能力，嚴(yán)重制 約社會經(jīng)濟(jì)發(fā)展，也對行人的生命財產(chǎn)安全造成威脅。如何保障行人安全、減少機(jī)動車延誤 成為亟待解決的問題。
[0006] 通常情況下，沒有行人或者行人數(shù)量過少時，導(dǎo)致行人過街綠燈時間浪費，機(jī)動車 延誤;行人數(shù)量過多時，導(dǎo)致行人過街綠燈時間不足，機(jī)動車與行人發(fā)生沖突，給行人帶來 安全隱患，都是因為信號燈設(shè)置不合理造成的。目前信號燈配時大多采用定周期配時，或者 安裝行人過街按鈕人工控制綠燈啟亮?xí)r間，但是無法滿足行人過街所需時間，無法最大程 度上發(fā)揮信號燈的功能，難W適應(yīng)復(fù)雜的交通環(huán)境。
[0007] 伴隨著計算機(jī)、數(shù)字圖像處理等技術(shù)的迅猛發(fā)展，智能交通領(lǐng)域也獲得了長足的 進(jìn)步。智能交通融入了視覺信息，通過視頻監(jiān)控行人待過街區(qū)域，對監(jiān)控返回的圖像信息數(shù) 據(jù)進(jìn)行判斷和分析，最終計算機(jī)做出合理的行人過街時間估計方案。
[0008] 國內(nèi)目前尚無基于視頻檢測的行人過街時間估計方法。"中國式過馬路"運一現(xiàn)象 從側(cè)面反應(yīng)出中國城市交通中，行人信號控制的弊端，基于行人數(shù)量的過街時間估計方法 的研究與應(yīng)用，對滿足行人過街需求，保障行人生命安全，減少行人延誤，提高城市綜合運 行效率具有重要意義?，F(xiàn)階段我國行人過街信號設(shè)置主要是定周期控制、手動按鍵式過街 信號控制W及感應(yīng)式控制。他們均W減少機(jī)動車延誤為首要前提，且不能適應(yīng)當(dāng)前行人過 街實際所需時間。

【發(fā)明內(nèi)容】

[0009] 本發(fā)明所要解決的技術(shù)問題在于，提供了一種基于行人數(shù)量的交通控制系統(tǒng)及方 法。針對現(xiàn)有行人過街信號無法滿足行人過街時間需求，即過街時間不足或綠燈空放運一 問題，本發(fā)明充分考慮行人過街時間需求，分析不同時段行人數(shù)量與過街時間關(guān)系，W歷史 數(shù)據(jù)為訓(xùn)練樣本，建立了行人過街時間估計方法，預(yù)測當(dāng)前視頻檢測區(qū)域下等待過街行人 所需過街時間。最后，對本發(fā)明交通控制系統(tǒng)及方法性能進(jìn)行了評價。
[0010] 為解決上述技術(shù)問題，本發(fā)明提供了一種基于行人數(shù)量的交通控制系統(tǒng)，包括:預(yù) 處理模塊、數(shù)量估算模塊和時間預(yù)測模塊;其中，
[0011] 所述預(yù)處理模塊，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理；
[0012] 所述數(shù)量估算模塊，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量 有效估計；
[0013] 所述時間預(yù)測模塊，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長 度。
[0014] 所述預(yù)處理模塊:首先對獲取的所有行人圖像進(jìn)行一系列圖像預(yù)處理，得到最終 的行人前景后獲取其像素數(shù)，設(shè)定闊值，把圖像分為低密度行人圖像和中高密度行人圖像， 對兩類行人采用不同的方法進(jìn)行估計;對于低密度行人，采用基于前景像素和線性回歸的 行人密度估計方法;對于中高密度行人，采用基于紋理特征分析和支持向量機(jī)的行人密度 估計方法。
[0015] 所述數(shù)量估算模塊:對于特征向量，選取0°和90°時的8維紋理特征值組成的持征 向量;對于中高密度行人估計，采用了支持向量機(jī)進(jìn)行估計;確定最佳的灰度共生矩陣構(gòu)造 參數(shù)d和0、圖像灰度級、SVM的懲罰參數(shù)C及核函數(shù)的參數(shù)O。
[0016] 所述預(yù)處理模炔基于前景像素和線性回歸的低密度行人估計方法，進(jìn)一步包括： 去除圖像中無關(guān)信息，得到圖像中有用的信息;進(jìn)一步包括:圖像采集、圖像灰度化、提取前 景、圖像二值化及圖像去噪；
[0017]圖像采集
[0018]在交通路口采集視頻，視頻里包含各個密度等級的行人，W4偵/秒連續(xù)抽帖得帖 圖像；
[0019]圖像灰度化
[0020]采用W下巧中方法中的一種或多種：
[002。 （a)取最大值法
[0022]該方法將彩色圖像的3個分量的最大亮度值作為灰度值；
[0023] Gray(i，j)=max(R(i，j)，G(i，j)，B(i，j))
[0024] (b)平均值法
[0025] 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像 的灰度；
[0026] Gray(i，j) = (R(i，j)+G(i，j)+B(i，j))/3
[0027] (C)加權(quán)平均值法
[0028] 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算；
[0029] 6腳7(1，如=〇.30*1?。〇)+0.59*6。〇)+0.11地。〇)
[0030] 提取前景
[0031] 前景提取采用背景差分法；
[0032] 圖像二值化
[0033] 通過背景差分法獲得的前景，通過設(shè)定闊值獲得二值圖像；
[0034]
[0035] 上式中，D(x，y)是二值圖像，AT是分割闊值，d(x，y)是(x，y)處像素的灰度值;利 用設(shè)定的闊值A(chǔ)T,將灰度圖像分為行人前景目標(biāo)與背景兩部分;所述圖像二值化方法為W 下S種方法中的任意一種：
[0036] (a)整體閥值二值化法
[0037] 根據(jù)灰度圖像的直方圖來確定閥值:設(shè)灰度值的取值是0~255之間的某個整數(shù)，f =0為黑色，f = 255為白色。設(shè)n表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像 素總數(shù);rk是第k個灰度級，k = 0，1，2…;P (n)是灰度值為k時的概率。貝賄：
[00；3 引
[0039] 滅巧直萬圏甲的前景和背景郡會形成高峰，雙峰間的最低谷處作為圖像進(jìn)行二值 化的闊值T;
[0040] (b)局部闊值二值化法
[0041] 把圖像分割成若干子圖像，由每幅子圖像來確定對應(yīng)的闊值；
[0042] (C)動態(tài)闊值二值化法
[0043] 通過像素的灰度值W及像素坐標(biāo)位置來選取動態(tài)闊值；
[0044] 圖像去噪
[0045] 采用3x3的窗口進(jìn)行中值濾波去噪。
[0046] 為解決上述技術(shù)問題，本發(fā)明還提供了一種基于行人數(shù)量的交通控制方法，包括： 預(yù)處理步驟、數(shù)量估算步驟和時間預(yù)測步驟;其中，
[0047] 所述預(yù)處理步驟，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理；
[0048] 所述數(shù)量估算步驟，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量 有效估計；
[0049] 所述時間預(yù)測步驟，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長 度。
[0050] 所述預(yù)處理步驟:首先對獲取的所有行人圖像進(jìn)行一系列圖像預(yù)處理，得到最終 的行人前景后獲取其像素數(shù)，設(shè)定闊值，把圖像分為低密度行人圖像和中高密度行人圖像， 對兩類行人采用不同的方法進(jìn)行估計;對于低密度行人，采用基于前景像素和線性回歸的 行人密度估計方法;對于中高密度行人，采用基于紋理特征分析和支持向量機(jī)的行人密度 估計方法。
[0051] 所述數(shù)量估算步驟:對于特征向量，選取0°和90°時的8維紋理特征值組成的持征 向量;對于中高密度行人估計，采用了支持向量機(jī)進(jìn)行估計;確定最佳的灰度共生矩陣構(gòu)造 參數(shù)d和0、圖像灰度級、SVM的懲罰參數(shù)C及核函數(shù)的參數(shù)O。
[0052] 所述預(yù)處理步驟基于前景像素和線性回歸的低密度行人估計方法，進(jìn)一步包括： 去除圖像中無關(guān)信息，得到圖像中有用的信息;進(jìn)一步包括:圖像采集、圖像灰度化、提取前 景、圖像二值化及圖像去噪；
[0053] 圖像采集
[0054] 在交通路口采集視頻，視頻里包含各個密度等級的行人，W4偵/秒連續(xù)抽帖得帖 圖像；
[0055] 圖像灰度化
[0056] 采用W下巧中方法中的一種或多種：
[0057] (a)取最大值法
[0058] 該方法將彩色圖像的3個分量的最大亮度值作為灰度值；
[0059] GrayQ, j)=max(R(i，j)，G(i，j)，B(i，j))
[0060] (b)平均值法
[0061] 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像 的灰度；
[0062] Gray(i,j)=(R(i,j)+G(j,j)+B(i,j))/3
[0063] (C)加權(quán)平均值法
[0064] 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算；
[00化]6腳7(1〇'）=〇.30*尺。〇)+0.59*6。〇)+0.11地。〇)
[0066] 提取前景
[0067] 前景提取采用背景差分法；
[0068] 圖像二值化
[0069] 通過背景差分法獲得的前景，通過設(shè)定闊值獲得二值圖像；
[0070]
[0071] 上式中，D(x，y)是二值圖像，AT是分割闊值，d(x，y)是(x，y)處像素的灰度值;利 用設(shè)定的闊值A(chǔ)T,將灰度圖像分為行人前景目標(biāo)與背景兩部分;所述圖像二值化方法為W 下S種方法中的任意一種：
[0072] (a)整體閥值二值化法
[0073] 根據(jù)灰度圖像的直方圖來確定閥值:設(shè)灰度值的取值是0~255之間的某個整數(shù)，f =0為黑色，f = 255為白色。設(shè)n表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像 素總數(shù);rk是第k個灰度級，k = O，I，2…;P(rk)是灰度值為k時的概率。貝賄：
[0074]
[0075] 灰度直方圖中的前景和背景都會形成高峰，雙峰間的最低谷處作為圖像進(jìn)行二值 化的闊值T;
[0076] (b)局部闊值二值化法
[0077] 把圖像分割成若干子圖像，由每幅子圖像來確定對應(yīng)的闊值；
[0078] (C)動態(tài)闊值二值化法
[0079] 通過像素的灰度值W及像素坐標(biāo)位置來選取動態(tài)闊值；
[0080] 圖像去噪
[0081] 采用3x3的窗口進(jìn)行中值濾波去噪。
[0082] 所述數(shù)量估算步驟，進(jìn)一步包括:經(jīng)過圖像處理后，獲取每一幅圖像的像素數(shù)，W 做最小二乘線性擬合獲得低密度時的行人密度估計結(jié)果；
[0083] 所述最小二乘線性擬合為：
[0084] 假設(shè)在二維坐標(biāo)圖上，己知數(shù)據(jù)點(xk，y〇,多項式擬合函數(shù)的表達(dá)式為
[0085]
[00化]把數(shù)據(jù)值￡與通過擬合函數(shù)表達(dá)式計算出的axk+b之間的誤差稱為殘差，即：
[0087]
[00則殘差I(lǐng)ekl的值表示的是點u，yk)偏離直線的程度，如果(Xk，yk)剛好在直線上，那 么IekI=O,但由于上述各種不可避免因素的存在，Iekl往往不為零；要得到最好的擬合效 果，就要讓Iekl在某種意義上取得最小值，使用下述的3種方法中的任意一種確定擬合函數(shù) 式中的參數(shù)a和b:
[00891 M )耳龍泉掀9前h.債俱.
[009
[009
[009
[009
[009
[0095]對于前兩種方法，因為函數(shù)Si(a，b)及Sc?(a，b)關(guān)于參數(shù)都是不可微的，所W不能 根據(jù)一般多元函數(shù)取極值時的充分條件求解，求解時會遇到非常大的困難;第(3)種方法也 叫做最小二乘擬合法，目標(biāo)是尋求使得均方差達(dá)到最小的參數(shù)a和b，運時得到的擬合結(jié)果y = ax+b即為最小二乘擬合直線；由S2(a，b)的表達(dá)式可知其必定有最小值點，送個最小值就
[0096； 是S2(a，b)的駐點；運時就可利用多元函數(shù)取極值時的充分條件，令S2(a，b)的偏導(dǎo)數(shù)等于 零，有：
[0097；
[0098；
[0099；
[0100；
[0101： ：
[0102；
[0103] 得到最小二乘直線擬合的兩個參數(shù)a和b。
[0104] 為解決上述技術(shù)問題，本發(fā)明又提供了一種如前述任一項所述基于行人數(shù)量的交 通控制系統(tǒng)和/或如前述任一項所述基于行人數(shù)量的交通控制方法的效能評價方法，包 括W下步驟:通過對比像素點特征和GLCM特征W及LBP特征表達(dá)下的行人計數(shù)方法，W平均 絕對誤差ME和平均絕對百分誤差MPE作為算法效能的評價指標(biāo)，如W下公式：
[0107]本發(fā)明有益的技術(shù)效果在于:針對現(xiàn)有技術(shù)中存在的行人過街信號設(shè)置主要是定
[0105]
[0106] 周期控制、手動按鍵式過街信號控制W及感應(yīng)式控制，均W減少機(jī)動車延誤為首要前提，不 能適應(yīng)當(dāng)前行人過街實際所需時間等問題，提出了基于視頻的行人過街信號自適應(yīng)優(yōu)化方 法，通過視頻檢測行人待過街區(qū)域，實時反饋采集數(shù)據(jù)，優(yōu)化行人過街時間，保障了過街行 人安全同時，提高了城市運行效率。
【附圖說明】
[0108] 圖1為本發(fā)明實施例中的行人人數(shù)計算方法流程圖；
[0109] 圖2為本發(fā)明實施例背景差分法流程圖；
[0110] 圖3為本發(fā)明實施例所述支持向量機(jī)的分類結(jié)構(gòu)圖；
[0111] 圖4為本發(fā)明實施例支持向量機(jī)工作流程圖；
[0112] 圖5為本發(fā)明實施例行人過街時間估算方法流程圖。
【具體實施方式】
[0113] W下將結(jié)合實施例來詳細(xì)說明本發(fā)明的實施方式，借此對本發(fā)明如何應(yīng)用技術(shù)手 段來解決技術(shù)問題，并達(dá)成技術(shù)效果的實現(xiàn)過程能充分理解并據(jù)W實施。
[0114] 需要說明的是，為節(jié)省說明書撰寫篇幅，避免不必要的重復(fù)和浪費，在不沖突的情 況下，本申請中的實施例及實施例中的特征可W相互組合。
[0115] 本發(fā)明基于行人數(shù)量的交通控制系統(tǒng)及方法。從技術(shù)角度分析，分為W下=個步 驟:首先，根據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理;然后，利用圖像處理技術(shù) 和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量有效估計;最后，由行人數(shù)量預(yù)測最佳的行人過街時 間。
[0116] 為解決上述技術(shù)問題，本發(fā)明提供了一種基于行人數(shù)量的交通控制系統(tǒng)，包括:預(yù) 處理模塊、數(shù)量估算模塊和時間預(yù)測模塊;其中，
[0117] 所述預(yù)處理模塊，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理；
[0118] 所述數(shù)量估算模塊，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量 有效估計；
[0119] 所述時間預(yù)測模塊，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長 度。
[0120] 所述預(yù)處理模塊:首先對獲取的所有行人圖像進(jìn)行一系列圖像預(yù)處理，得到最終 的行人前景后獲取其像素數(shù)，設(shè)定闊值，把圖像分為低密度行人圖像和中高密度行人圖像， 對兩類行人采用不同的方法進(jìn)行估計;對于低密度行人，采用基于前景像素和線性回歸的 行人密度估計方法;對于中高密度行人，采用基于紋理特征分析和支持向量機(jī)的行人密度 估計方法。
[0121] 所述數(shù)量估算模塊:對于特征向量，選取0°和90°時的8維紋理特征值組成的持征 向量;對于中高密度行人估計，采用了支持向量機(jī)進(jìn)行估計;確定最佳的灰度共生矩陣構(gòu)造 參數(shù)d和0、圖像灰度級、SVM的懲罰參數(shù)C及核函數(shù)的參數(shù)O。
[0122] 所述預(yù)處理模炔基于前景像素和線性回歸的低密度行人估計方法，進(jìn)一步包括： 去除圖像中無關(guān)信息，得到圖像中有用的信息;進(jìn)一步包括:圖像采集、圖像灰度化、提取前 景、圖像二值化及圖像去噪；
[0123] 圖像采集
[0124] 在交通路口采集視頻，視頻里包含各個密度等級的行人，W4偵/秒連續(xù)抽帖得帖 圖像；
[0125] 圖像灰度化
[01%]采用W下巧中方法中的一種或多種：
[0127] (a)取最大值法
[0128] 該方法將彩色圖像的3個分量的最大亮度值作為灰度值；
[0129] GrayQ, j)=max(R(i，j)，G(i，j)，B(i，j))
[0130] (b)平均值法
[0131] 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像 的灰度；
[0132] Gray(i，j) = (R(i，j)+G(i，j)+B(i，j))/3
[0133] (C)加權(quán)平均值法
[0134] 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算；
[0135] 6^7(1，如=〇.30*1?。〇)+0.59*6。〇)+0.11地。〇)
[0136] 提取前景
[0137] 前景提取采用背景差分法；
[013引圖像二值化
[0139] 通過背景差分法獲得的前景，通過設(shè)定闊值獲得二值圖像；
[0140]
[0141] 上式中，D(x，y)是二值圖像，AT是分割闊值，d(x，y)是(x，y)處像素的灰度值;利 用設(shè)定的闊值A(chǔ)T,將灰度圖像分為行人前景目標(biāo)與背景兩部分;所述圖像二值化方法為W 下S種方法中的任意一種：
[0142] (a)整體閥值二值化法
[0143] 根據(jù)灰度圖像的直方圖來確定閥值:設(shè)灰度值的取值是0~255之間的某個整數(shù)，f =0為黑色，f = 255為白色。設(shè)n表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像 素總數(shù);rk是第k個灰度級，k = 0，1，2…;P (n)是灰度值為k時的概率。貝賄：
[0144]
[0145] 灰度直方圖中的前景和背景都會形成高峰，雙峰間的最低谷處作為圖像進(jìn)行二值 化的闊值T;
[0146] (b)局部闊值二值化法
[0147] 把圖像分割成若干子圖像，由每幅子圖像來確定對應(yīng)的闊值；
[0148] (C)動態(tài)闊值二值化法
[0149] 通過像素的灰度值W及像素坐標(biāo)位置來選取動態(tài)闊值；
[0150] 圖像去噪
[0151] 采用3x3的窗口進(jìn)行中值濾波去噪。
[0152] 為解決上述技術(shù)問題，本發(fā)明還提供了一種基于行人數(shù)量的交通控制方法，包括： 預(yù)處理步驟、數(shù)量估算步驟和時間預(yù)測步驟;其中，
[0153] 所述預(yù)處理步驟，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理；
[0154] 所述數(shù)量估算步驟，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量 有效估計；
[0155] 所述時間預(yù)測步驟，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長 度。
[0156] 所述預(yù)處理步驟:首先對獲取的所有行人圖像進(jìn)行一系列圖像預(yù)處理，得到最終 的行人前景后獲取其像素數(shù)，設(shè)定闊值，把圖像分為低密度行人圖像和中高密度行人圖像， 對兩類行人采用不同的方法進(jìn)行估計;對于低密度行人，采用基于前景像素和線性回歸的 行人密度估計方法;對于中高密度行人，采用基于紋理特征分析和支持向量機(jī)的行人密度 估計方法。
[0157] 所述數(shù)量估算步驟:對于特征向量，選取0°和90°時的8維紋理特征值組成的持征 向量;對于中高密度行人估計，采用了支持向量機(jī)進(jìn)行估計;確定最佳的灰度共生矩陣構(gòu)造 參數(shù)d和0、圖像灰度級、SVM的懲罰參數(shù)C及核函數(shù)的參數(shù)O。
[0158] 所述預(yù)處理步驟基于前景像素和線性回歸的低密度行人估計方法，進(jìn)一步包括： 去除圖像中無關(guān)信息，得到圖像中有用的信息;進(jìn)一步包括:圖像采集、圖像灰度化、提取前 景、圖像二值化及圖像去噪；
[0159] 圖像采集
[0160] 在交通路口采集視頻，視頻里包含各個密度等級的行人，W4偵/秒連續(xù)抽帖得帖 圖像；
[0161] 圖像灰度化
[0162] 采用W下巧中方法中的一種或多種：
[0163] (a)取最大值法
[0164] 該方法將彩色圖像的3個分量的最大亮度值作為灰度值；
[01 化]GrayQ, j)=max(R(i，j)，G(i，j)，B(i，j))
[0166] (b)平均值法
[0167] 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像 的灰度；
[0168] Gray(i,j)=(R(i,j)+G(j,j)+B(i,j))/3
[0169] (C)加權(quán)平均值法
[0170] 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算；
[0171] 6腳7(1，如=〇.30*1?。〇)+0.59*6。〇)+0.11地。〇)
[0172] 提取前景
[0173] 前景提取采用背景差分法；
[0174] 圖像二值化
[0175] 通過背景差分法獲得的前景，通過設(shè)定闊值獲得二值圖像；
[0176]
[0177] 上式中，D(x，y)是二值圖像，AT是分割闊值，d(x，y)是(x，y)處像素的灰度值;利 用設(shè)定的闊值A(chǔ)T,將灰度圖像分為行人前景目標(biāo)與背景兩部分;所述圖像二值化方法為W 下S種方法中的任意一種：
[0178] (a)整體閥值二值化法
[0179] 根據(jù)灰度圖像的直方圖來確定閥值:設(shè)灰度值的取值是0~255之間的某個整數(shù)，f =0為黑色，f = 255為白色。設(shè)n表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像 素總數(shù);rk是第k個灰度級，k = 0，1，2…;P (n)是灰度值為k時的概率。貝賄：
[0180]
[0181] 灰度直方圖中的前景和背景都會形成高峰，雙峰間的最低谷處作為圖像進(jìn)行二值 化的闊值T;
[0182] (b)局部闊值二值化法
[0183] 把圖像分割成若干子圖像，由每幅子圖像來確定對應(yīng)的闊值；
[0184] (C)動態(tài)闊值二值化法
[0185] 通過像素的灰度值W及像素坐標(biāo)位置來選取動態(tài)闊值；
[0186] 圖像去噪
[0187] 采用3x3的窗口進(jìn)行中值濾波去噪。
[0188] 所述數(shù)量估算步驟，進(jìn)一步包括:經(jīng)過圖像處理后，獲取每一幅圖像的像素數(shù)，W 做最小二乘線性擬合獲得低密度時的行人密度估計結(jié)果；
[0189] 所述最小二乘線性擬合為：
[0190] 假設(shè)在二維坐標(biāo)圖上，己知數(shù)據(jù)點(xk，y〇,多項式擬合函數(shù)的表達(dá)式為
[0191]
[0192] 數(shù)表達(dá)式計算出的axk+b之間的誤差稱為殘差，即：
[0193]
[0194] 殘差I(lǐng)ekl的值表示的是點（祉，yk)偏離直線的程度，如果(xk，yk)剛好在直線上，那 么IekI=O,但由于上述各種不可避免因素的存在，Iekl往往不為零；要得到最好的擬合效 果，就要讓Iekl在某種意義上取得最小值，使用下述的3種方法中的任意一種確定擬合函數(shù) 式中的參數(shù)a和b:
[0195] (1)尋求參數(shù)a和b，使得：
[0199] (3)尋求參數(shù)a和b，使得：
[0196；
[0197；
[0198；
[0200]
[0201] 對于前兩種方法，因為函數(shù)Si(a，b)及Sc?(a，b)關(guān)于參數(shù)都是不可微的，所W不能 根據(jù)一般多元函數(shù)取極值時的充分條件求解，求解時會遇到非常大的困難;第(3)種方法也 叫做最小二乘擬合法，目標(biāo)是尋求使得均方差達(dá)到最小的參數(shù)a和b，運時得到的擬合結(jié)果y = ax+b即為最小二乘擬合直線；由S2(a，b)的表達(dá)式可知其必定有最小值點，送個最小值就 是S2(a，b)的駐點；運時就可利用多元函數(shù)取極值時的充分條件，令S2(a，b)的偏導(dǎo)數(shù)等于 零，有：
[0202]
[0203]
[0204]
[0205]
[0206]
[0207]
[020引
[0209] 得到最小二乘直線擬合的兩個參數(shù)a和b。
[0210] 為解決上述技術(shù)問題，本發(fā)明又提供了一種如前述任一項所述基于行人數(shù)量的交 通控制系統(tǒng)和/或如前述任一項所述基于行人數(shù)量的交通控制方法的效能評價方法，包括 W下步驟:通過對比像素點特征和化CM特征W及LBP特征表達(dá)下的行人計數(shù)方法，W平均絕 對誤差ME和平均絕對百分誤差MPE作為算法效能的評價指標(biāo)，如W下公式：
[0211]
[0212]
O
[0213] 基于像素特征的行人密度估計算法。
[0214] 最早被用來估計行人密度W及統(tǒng)計人數(shù)的特征是像素特征?；谠撎卣鞯男腥嗣?度估計算法的基本原理是:監(jiān)控場景中的行人越密集，行人前景的面積(像素數(shù))和周長就 越大。最早將該算法運用到實際監(jiān)控系統(tǒng)中的是London和Genovals Pwe地鐵站中的行人監(jiān) 控系統(tǒng)。該系統(tǒng)先提取行人圖像前景，計算出前景圖像的像素數(shù)，然后將該像素數(shù)除W圖像 的寬和窩，通過獲得的比值估計監(jiān)控場景中的行人密度。該系統(tǒng)發(fā)揮了一定作用，但該系統(tǒng) 在行人比較密集行人存在遮擋重疊的時候，其估計的準(zhǔn)確度非常低。
[0215] 基于像素特征的算法直觀、易于理解、計算量較小，得到各密度行人前景后容易訓(xùn) 練，且訓(xùn)練后的模式識別分類器和函數(shù)關(guān)系的泛化能力強(qiáng)。但該算法也存在難點，比如監(jiān)控 場景條件如果不理想，就會造成難提取較為理想的前景圖像。另外一個嚴(yán)重的問題是，在行 人密集時，人與人存在遮擋重疊時，行人密度分類結(jié)果和人數(shù)統(tǒng)計結(jié)果的誤差過大，失去行 人密度估計能力。
[0216] 基于紋理分析的行人密度估計算法。
[0217] 像素特征雖然是非常重要的行人圖像特征，但用它對行人較密集存在行人遮擋的 場景進(jìn)行密度估計的結(jié)果難W令人滿意，誤差極大。基于該問題，后來人們采用基于紋理分 析的行人密度估計算法。該算法可W估計高密度場景中的行人密度。該算法的原理是;高密 度行人圖像的紋理為細(xì)紋理，而低密度行人的圖像紋理則為粗紋理。所W對行人圖像的紋 理特征進(jìn)行研究和分析，即可得到行人圖像對應(yīng)的行人密度信息。
[0218] 后來人們又提出一種行人密度估計算法，該算法基于多分辨率分析，通過詳細(xì)研 究分析小波包進(jìn)行估計。該方法的依據(jù)是:在同一幅圖像中，由于攝像機(jī)放置角度等原因， 會使得行人圖像表現(xiàn)出不同的尺度效果。該方法能較好地矯正攝影崎形對行人密度估計造 成的影響。但是也有固有的缺點；要處理的數(shù)據(jù)量巨大，計算量過大、實用性差。2006年，Wu 對SIFT算法的深入研究，發(fā)現(xiàn)該算法中的尺度特性可W用于灰度共生矩陣中提取圖像紋理 特征，結(jié)合模式識別和分類算法，大大提高了準(zhǔn)確率。
[0219] 獲得紋理特征后，然后利用分類算法(分類器)進(jìn)行分類。通常的分類器有3種：神 經(jīng)網(wǎng)絡(luò)分類器、貝葉斯分類器和支持向量機(jī)(SVM)分類器。
[0220] 基于紋理分析的方法很大程度上解決了行人遮擋重疊問題，能夠用于估計高密度 行人。但是實驗發(fā)現(xiàn)，它也有明顯的缺點:計算量大且對低密度行人的估計效果較差。
[0221] 如圖1所示，為本發(fā)明實施例中的行人人數(shù)計算算法流程圖。
[0222] 本發(fā)明實施例的行人密度估計算法為:首先對獲取的所有行人偵圖像進(jìn)行一系列 圖像預(yù)處理，得到最終的行人前景后獲取其像素數(shù)，設(shè)定闡值，把圖像分為低密度行人圖像 和中高密度行人圖像，對兩類行人采用不同的算法進(jìn)行估計。對于低密度行人，本發(fā)明實施 例采用基于前景像素和線性回歸的行人密度估計方法;對于中高密度行人，本發(fā)明實施例 采用基于紋理特征分析和支持向量機(jī)的行人密度估計方法。
[0223] 需要特別說明的是，對于特征向量，本發(fā)明選取0°和90°時的8維紋理特征值組成 的持征向量，很好完成行人密度估計的同時提高了效率。對于中高密度行人估計，本發(fā)明實 施例采用了支持向量機(jī)進(jìn)行估計。對于各種參數(shù)的確定，本發(fā)明實施例通過實驗研究確定 了最佳的灰度共生矩陣構(gòu)造參數(shù)d和0、圖像灰度級、SVM的懲罰參數(shù)C及核函數(shù)的參數(shù)曰。
[0224] -、基于前景像素和線性回歸的低密度行人估計方法
[0225] 對低密度行人，獲取相關(guān)頓圖像后，需要進(jìn)行一系列數(shù)字圖像處理，然后獲取行人 前景像素數(shù)并人工統(tǒng)計出圖像中的人數(shù)，做最小二乘線性擬合得到估計結(jié)果。
[0226] (1)前景提取
[0227] 在實際的視頻采集中，由于難避免地受到光照、天氣、采集設(shè)備等因素的影響，通 過視頻采集設(shè)備采集到的圖像和理想中的圖像還是有很大差距的，因此對采集到的圖像進(jìn) 行處理是非常有必要的。處理的目的：去除圖像中那些與我們并不需要的信息，得到圖像中 對我們有用的信息。本發(fā)明實施例的圖像處理主要包括:圖像灰度化、圖像去噪、背景差分、 圖像二值化及形態(tài)學(xué)處理(膨脹、腐蝕、開運算、閉運算等）。
[0。引（1.1)圖像采集
[0229] 本實施例在交通路口采集視頻，視頻里包含各個密度等級的行人，W4偵/秒連續(xù) 抽帖得本實施例的帖圖像。
[0230] (1.2)圖像灰度化
[0231] 在對圖像進(jìn)行處理時往往都會先將圖像灰度化處理，運是因為圖像灰度化能大幅 減少圖像后續(xù)處理時的計算量，且仍能反映整個圖像整體化及局部的亮度和色度特征。
[0232] 圖像的灰度化處理，本發(fā)明采用W下巧巾方法中的一種或多種：
[0233] (a)取最大值法
[0234] 該方法將彩色圖像的3個分量的最大亮度值作為灰度值。
[023引 GrayQ, j)=max(R(i，j)，G(i，j)，B(i，j))
[0236] (b)平均值法
[0237] 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像 的灰度。
[0238] Gray(i，j) = (R(i，j)+G(i，j)+B(i，j))/3
[0239] (C)加權(quán)平均值法
[0240] 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算。
[0241] 6腳7(1〇'）=〇.30*尺。〇)+0.59*6。〇)+0.11地。〇)
[0242] (1.3)提取前景
[0243] 前景提取是圖像處理、視頻分析中常用的一種處理，為的是從圖像中提取出
[0244] 背景差分法
[0245] 背景差分法（background subtraction)的基本思想：事先可W獲得完整背景圖 像，將每一偵圖像和背景圖像做差分運算，差值大于設(shè)定闊值T的區(qū)域即為運動對象區(qū)域， 其流程圖如圖2所示。圖2本發(fā)明實施例背景差分法流程圖。
[0246] 和光流法相比，背景差分法易于實現(xiàn)，而且大大減少了計算量，：很好地滿足場景 監(jiān)控所要求的實時性;和偵間差分法相比，背景差分法不僅能用于非靜止的目標(biāo)對象，還可 用于長時間靜止的行人目標(biāo)對象，可W較好地得到行人的位置、形狀等信息。
[0247]本發(fā)明中，交通路口的行人數(shù)量估計的應(yīng)用場景是固定場景，完整的背景圖像容 易獲得，且光線變化較小，故本實施例采用背景差分法進(jìn)行行人前景提取。
[024引（1.4)圖像二值化
[0249]通討背景差A(yù)法巧得的前景，可通過設(shè)定闊值獲得二值圖像。
[0巧0]
[0251] 上式中，D(x，y)是二值圖像，AT是分割闊值，d(x，y)是(x，y)處像素的灰度值。利 用設(shè)定的闊值A(chǔ) T，將灰度圖像分為行人前景目標(biāo)與背景兩部分。闊值是區(qū)分行人前景目標(biāo) 和背景的關(guān)鍵。闊值設(shè)得太高，會導(dǎo)致目標(biāo)對象不能被完整分割出來；闊值設(shè)得太低，又會 出現(xiàn)許多干擾噪聲。合適的闊值要滿足:不僅要盡可能完整地保存圖像信息，還要盡可能減 少噪聲。本發(fā)明實施例采用的二值化方法可W為W下=種方法中的任意一種：
[0252] (a)整體閥值二值化法
[0253] 該方法根據(jù)經(jīng)驗或者灰度圖像的直方圖來確定閥值。確定閥值有下兩種方法：
[0254] 1)經(jīng)驗法:根據(jù)W往的經(jīng)驗設(shè)定闊值。
[0巧日]2)灰度直方圖法:設(shè)灰度值的取值是0~255之間的某個整數(shù)，f = 0為黑色，f = 255 為白色。設(shè)n表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像素總數(shù);rk是第k個灰 度級，k = 0，l，2…;p( rk)是灰度值為k時的概率。則有：
[0 巧 6]
[0257] !值的像素點的個數(shù)，它用少量的數(shù)據(jù)就能表達(dá)出 圖像的灰度特征。在數(shù)字圖像處理領(lǐng)域中，是簡單有效的工具。
[0258] 灰度直方圖中的前景和背景都會形成高峰，雙峰間的最低谷處就可作為圖像進(jìn)行 二值化的闊值T。整體闊值二值化法進(jìn)行二值化處理速度較快，但容易受輸入圖像的量化噪 音等情況干擾。
[0259] (b)局部闊值二值化法
[0260] 對目標(biāo)和背景清楚的圖像，整體闊值二值化法可獲得較好結(jié)果。但是對于背景不 均勻的圖像，全局方法就不適用了。通過像素(x，y)的灰度值f及局部灰度特性確定像素(X， y)的闊值的方法稱為局部闊值二值化法。選取方法:把圖像分割成若干子圖像，由每幅子圖 像來確定對應(yīng)的闊值。
[0261] 局部闊值二值化法對于品質(zhì)較差的圖像的二值化效果也較好，可是其也有缺點： 如處理速度慢效率低、很容易受噪音干擾等。
[0%2] (C)動態(tài)闊值二值化法
[0263] 動態(tài)闊值化算法可W解決局部闊值二值化法后無法獲得適用與整幅圖像的全局 闊值問題?？赏ㄟ^像素的灰度值W及像素坐標(biāo)位置來選取動態(tài)闊值。
[0264] 該方法的優(yōu)點:可W用來處理品質(zhì)較差的圖像。缺點：鑒于要對圖像中所有像素點 都計算闊值，故此法計算量相對較大，效率較低。
[0265] 由于待二值化的圖像已經(jīng)進(jìn)行背景處理的灰度圖像，能清晰的顯示前景信息，因 此本實施例優(yōu)選基于灰度直方圖的整體闊值二值化法處理圖像，從而達(dá)到降低噪聲，去除 殘留背景的效果。
[0%6] (1.5)圖像去噪
[0267] 為了改善圖像的質(zhì)量，就必須抑制由某些特殊因素產(chǎn)生的圖像噪聲。圖像去噪有 著非常重要的實際作用和意義。二維中值濾波的窗口可W取方形、菱形、圓形和X形等。由于 行人視頻圖像存在的噪聲主要是脈沖型噪聲、椒鹽噪聲，故本實施例采用3x3的窗口進(jìn)行中 值濾波去噪。
[0268] 本實施例中值濾波去噪：用W圖像中某點（X，y)為中屯、的一個較小范圍鄰域中的 所有點的中值來代替該點的值。
[0269] -組數(shù)按大小排序如下；
[0270]
[0271]
[0272] 分子中的n是奇數(shù)，分母中的n是偶數(shù)，y就是^，^，^，…，^的中值。
[0273] 中值濾波事實上是一個點數(shù)為奇數(shù)的滑動窗口，然后用該窗口內(nèi)所有點灰度的中 值取代該窗口正中間的那個點的值。
[0274] (2)形態(tài)學(xué)處理
[0275] 經(jīng)過上述背景差分和二值化處理后的圖像中，很多圖像中都有一些噪聲、斷裂，利 用形態(tài)學(xué)處理能使行人前景更加準(zhǔn)確完整。
[0276] 形態(tài)學(xué)處理把要處理的二值圖像視作一個集合，并用一個結(jié)構(gòu)元素對其進(jìn)行"探 測"。運里的結(jié)構(gòu)元素是一個尺寸小于圖像、能在被處理圖像上自由平移的集合。本實施例 采用的形態(tài)學(xué)運算有4種:腐蝕運算、膨脹運算、開運算或閉運算。
[0277] (3)獲取像素數(shù)
[0278] 經(jīng)過上述一系列圖像處理后，我們獲取每一幅圖像的像素數(shù)，W做最小二乘線性 擬合獲得低密度時的行人密度估計結(jié)果。
[0279] 最小二乘線性擬合
[0280] 由于行人人數(shù)和行人前景圖像的像素數(shù)成正比，因此對低密度行人，我們要尋求 一種線性關(guān)系來估計行人密度，即可W采取直錢擬合的方法。假設(shè)在二維坐標(biāo)圖上，己知數(shù) 據(jù)點（Xk，Vk )，《巧式擬合巧數(shù)的表達(dá)式為
[0281]
[0282] 由于測量時產(chǎn)生的誤差等各種不可避免的因素的影響，要得到經(jīng)過所有的數(shù)據(jù)點 U，yk)的線性函數(shù)是不現(xiàn)實的，我們把數(shù)據(jù)值;與通過擬合函數(shù)表達(dá)式計算出的axk+b之 間的誤差稱為殘差，即：
[0283]
[0284] 殘差I(lǐng)ekl的值表示的是點（祉，yk)偏離直線的程度，如果(xk，yk)剛好在直線上，那 么IekI=O,但由于上述各種不可避免因素的存在，Iekl往往不為零。要得到最好的擬合效 果，我們就要讓Iekl在某種意義上取得最小值，本發(fā)明使用下述的巧中方法中的任意一種確 定擬合函數(shù)式中的參數(shù)a和b:
[0285] (1)尋求參數(shù)a和b，使得：
[0286]
[0287]
[028引
[0289]
[0290]
[0291] 對于前兩種方法，因為函數(shù)Si(a，b)及Sc?(a，b)關(guān)于參數(shù)都是不可微的，所W不能 根據(jù)一般多元函數(shù)取極值時的充分條件求解，求解時會遇到非常大的困難。第(3)種方法也 叫做最小二乘擬合法，目標(biāo)是尋求使得均方差達(dá)到最小的參數(shù)a和b，運時得到的擬合結(jié)果y = ax+b即為最小二乘擬合直線。由S2(a，b)的表達(dá)式可知其必定有最小值點，送個最小值就 是S2(a，b)的駐點。運時就可利用多元函數(shù)取極值時的充分條件，令S2(a，b)的偏導(dǎo)數(shù)等于 零，有：
[0297] 在一定條件下，該方程組的是唯一的，求解可得：
[0292]
[0293]
[0294]
[0295]
[0296]
[029引
[0299] 因此，便可得到本發(fā)明實施例最小二乘直線擬合的兩個參數(shù)a和b。
[0300] 二、基于紋理特征分析和支持向量機(jī)的中高密度行人估計方法
[0301] 對于中高密度行人，由于行人存在遮擋，基于像素方法算法雖然簡單復(fù)雜度低但 卻并不適用，本實施例采用基于紋理恃征分析和SVM分類的方法，提取出各個等級的中高密 度行人圖像的紋理特征，再用合適的分類算法進(jìn)行分類，進(jìn)而得到密度等級。
[0302] (1)紋理特征分析
[0303] (1.1)紋理概述
[0304] 紋理是一種區(qū)域特性，與觀察的尺度有關(guān)。紋理特征分析利用圖像處理技術(shù)來提 取重要的不同圖像所特有的信息，并且對紋理特征進(jìn)行研究分析，是計算機(jī)視覺中一個重 要的領(lǐng)域。
[0305] 紋理特征分析能夠充分利用圖像信息，無論根據(jù)常識上還是根據(jù)理論，它都可作 為描述和識別圖像的一個有效的依據(jù)，和一般的圖像特征相比，紋理信息具有一個顯著優(yōu) 勢;能很好地同時描述圖像的細(xì)節(jié)特征與宏觀特征。
[0306] 本實施例采用灰度共生矩陣分析法來采集紋理特征。
[0307] (1.2)行人密度特征提取
[0308] 本實施例中，并不直接使用灰度共生矩陣，而是通過灰度共生矩陣提取不同圖像 特有的紋理特征統(tǒng)計量。運些紋理特征是通過灰度共生矩陣計算而得出的統(tǒng)計量。通過紋 理特征定量的分析圖像，可區(qū)分目標(biāo)類型。本發(fā)明紋理特征統(tǒng)計量有:能量、對比度、賭、相 關(guān)性。其中：
[0309] (a)能量：
[0310]
[0311] 灰度共生矩陣元素的值的平方和稱為能量，反映的是圖像灰度分布的均勻程度、 紋理粗細(xì)度。圖像灰度分布較分散時，能量較小;反么，則較大。
[0312] 化)對比麼：
[0313]
[0314] 該紋理特征體現(xiàn)紋理溝紋的深淺度和圖像的清晰度?；叶裙采仃嚨闹递^集中在 對角線上時，則對比度較小，表現(xiàn)在視覺上就是較模糊;反之，則對比度較大，表現(xiàn)在視覺上 就是較清晰。
[0315] (C)賭：
[0316]
[0317] 賭反映了灰度級分布的隨機(jī)性。如果圖像中充滿細(xì)紋理，那么P(i，j，d，0)數(shù)值基 本相等，灰度共生矩陣元素隨機(jī)性達(dá)到最大，該圖像的賭就較大。
[031引 TrH化單化.
[0319]
[0320]
[0321]
[0322]
[0323]
[0324]
[0325] 相關(guān)性的值較大，表明區(qū)域圖像的灰度分布比較均勻；相反，相關(guān)性的值較小，貝U 表明區(qū)域圖像的灰度分布比較分散。
[0326] =、支持向量機(jī)
[0327] 支持向量機(jī)(SVM)基于統(tǒng)計學(xué)習(xí)理論，是一種機(jī)器學(xué)習(xí)算法，對未見過的測試樣本 具有非常好的推廣能力，目前已成為模式識別與分類領(lǐng)域的研究熱點。SVM具有優(yōu)秀的學(xué)習(xí) 能力及推廣能為，適用于解決小樣本、高維數(shù)、非線性、局部極小等問題，得到的分類、回歸 等的效果較好，是最新的非常優(yōu)秀的模式識別分類器。
[0328] SVM分類過程如圖3所示。圖3為本發(fā)明實施例所述支持向量機(jī)的分類結(jié)構(gòu)圖。
[0329] 設(shè)有樣本集：^1，71)，1 = 1，2，。'，11，義1￡1?4,71￡{ + 1，-1}，運些樣本共有兩類并且 線性可分，線性判別函數(shù)為f(x)=w ? x+b，分類面方程如下:W ? x+b = 0
[0330] 接著對判別函數(shù)進(jìn)行歸一化，所有樣本都能被正確分割開來，則滿足：
[0331 ] yi[w ? xi+b]-l>0，i = 1，2，…，n
[0332]其中，n為樣太個擲.h九偏哥，W是權(quán)重向量。此時，分類間隔為2/Mw||，最優(yōu)分類 面問題轉(zhuǎn)化為求函數(shù)
[0333] 的最小值，約束條件是
[0334] 定義 Lagrange 函數(shù)：
[0335]
[0336] 令L對W和b的偏導(dǎo)數(shù)為0,得到
[0337]
[033引
[0339]
[0340]
[0%1]談;不為零的樣本就是支持向量。代入原問題中，得到最優(yōu)分類函數(shù)： [0；342]
[0343]四、核函數(shù)
[0344] 本發(fā)明實施例核函數(shù)采用W下4種核函數(shù)的一種或多種：
[0345] (1)線性核函數(shù)
[0；346]
[0；347]
[0；34 引
[0349]
[0350]
[0351]
[0352]
[0353]
[0354]
[0355]
[0巧6]式中，r，d，T為核函數(shù)參數(shù)。
[0357] 五、支持向量機(jī)學(xué)習(xí)算法
[0358] SVM學(xué)習(xí)算法的步驟如下所述：
[0；359] (l)獲取學(xué)習(xí)樣本(xi，xj)，i = l，2，…，n;;
[0360] (2)確定懲罰因子C和核參數(shù)；
[0361] (3)得到二次優(yōu)化問題；
[0362] (4)用化imking、SM0算法優(yōu)化算法解該優(yōu)化問題；
[0363] (5)求解得到a，a*和b，代入方程，獲得SVM;
[0364] (6)把要預(yù)測和要分類的樣本數(shù)據(jù)代入SVM方程中，獲得預(yù)測及分類結(jié)果。
[0365] 如圖4所示，為本發(fā)明實施例支持向量機(jī)工作流程圖。
[0366] 五、行人過街時間計算
[0367] 本發(fā)明行人過街時間模型中，行人綠燈的設(shè)置是為了滿足行人過街時間需求。在 一個信號周期內(nèi)，盡可能保證在行人綠燈時間最短且行人全部通過人行橫道，一旦出現(xiàn)綠 燈空放或行人跨周期滯留的現(xiàn)象，必然導(dǎo)致行人延誤產(chǎn)生。
[0368] 與前述建立待過街行人計數(shù)方法一致，通過調(diào)查得到的行人數(shù)量作為樣本數(shù)據(jù) 集，對應(yīng)行人過街時間作為樣本標(biāo)簽集，作為樣本集參與SV則寸間模型的訓(xùn)練學(xué)習(xí)過程。在 此過程中，對SVR類型W及核函數(shù)分別進(jìn)行遍歷驗證，擇優(yōu)確定相關(guān)參數(shù)，構(gòu)造表達(dá)函數(shù)，最 終得到的行人過街時間估計方法，預(yù)測待過街行人所需過街時間。本發(fā)明行人過街時間估 計方法如圖5所示行人過街時間估算方法流程圖。
[0369] 六、SVR參數(shù)優(yōu)選
[0370] 根據(jù)模型性質(zhì)和用途，輸入量為人數(shù)，輸出量為預(yù)測時間，輸入輸出量為不同單位 的數(shù)據(jù)，因此不是用來實現(xiàn)SVM分類算法，而是作為回歸擬合應(yīng)用。本發(fā)明實施例使用的兩 種回歸分析方法，分別是E-SVR和V-SVR，W及四種核函數(shù)，分別是線性核函數(shù)、多項式核函 數(shù)、RBF核函數(shù)和Sigmoid核函數(shù)。參數(shù)尋優(yōu)保證該模型能夠W最優(yōu)目標(biāo)函數(shù)表達(dá)
[0371 ]表1不同參數(shù)下SVR過街時間模型性能
[0372]
[0373] 由此可知，類型E-SVR與RBF核函數(shù)組合，均方誤差最小，相應(yīng)平方相關(guān)系數(shù)最大， 自我學(xué)習(xí)正確率達(dá)96.5%。即反映預(yù)測實際行人過街時間的誤差波動最小，預(yù)測結(jié)果正確 率最高。理論上能夠通過視頻檢測設(shè)備準(zhǔn)確地計算行人最佳過街時間。
[0374] 所W，本發(fā)明交通控制方法能夠根據(jù)行人數(shù)量確定合理的行人過街時間。當(dāng)行人 W不同到達(dá)率到達(dá)人行道qi，等待過街時間to-定時，過街行人數(shù)量n(n = qi*tO)必然發(fā)生 變化，導(dǎo)致過街時間因此發(fā)生變化，本發(fā)明行人過街時間估計方法能夠有效判斷當(dāng)前行人 過街所需時間。極端情況下，當(dāng)檢測到無行人過街時，本發(fā)明交通控制方法配置行人過街時 間為零，最大程度減少機(jī)動車延誤的產(chǎn)生。
[0375] 屯、本發(fā)明行人過街計數(shù)算法融入了行人密度判別模型，相對傳統(tǒng)一般算法在行 人計數(shù)精度上明顯提高，通過對比像素點特征和GLCM特征W及LBP特征表達(dá)下的行人計數(shù) 算法，W平均絕對誤差(ME)和平均絕對百分誤差(MAPE)作為算法性能的評價指標(biāo)，如W下 公式：
[0376]
[0377]
[0378] 本發(fā)明對同一場景不同時間進(jìn)行兩次測試，樣本庫包括2380帖訓(xùn)練樣本和1336 帖、687帖的預(yù)測樣本，為了避免預(yù)測樣本圖像與訓(xùn)練樣本圖像過于接近而造成行人過街計 數(shù)"高精度"的假象，因此本發(fā)明所選預(yù)測樣本與訓(xùn)練樣本均源自視頻序列較大時間間隔的 灰度圖像，保證行人過街計數(shù)算法具有普適性。實驗證明，本發(fā)明行人過街檢測方法精度在 90%W 上。
[0379] 所有上述的首要實施運一知識產(chǎn)權(quán)，并沒有設(shè)定限制其他形式的實施運種新產(chǎn)品 和/或新方法。本領(lǐng)域技術(shù)人員將利用運一重要信息，上述內(nèi)容修改，W實現(xiàn)類似的執(zhí)行情 況。但是，所有修改或改造基于本發(fā)明新產(chǎn)品屬于保留的權(quán)利。
【主權(quán)項】
1. 一種基于行人數(shù)量的交通控制系統(tǒng)，其特征在于，包括:預(yù)處理模塊、數(shù)量估算模塊 和時間預(yù)測模塊;其中， 所述預(yù)處理模塊，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理； 所述數(shù)量估算模塊，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量有效 估計； 所述時間預(yù)測模塊，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長度。2. 根據(jù)權(quán)利要求1所述基于行人數(shù)量的交通控制系統(tǒng)，其特征在于，所述預(yù)處理模塊： 首先對獲取的所有行人圖像進(jìn)行一系列圖像預(yù)處理，得到最終的行人前景后獲取其像素 數(shù)，設(shè)定閾值，把圖像分為低密度行人圖像和中高密度行人圖像，對兩類行人采用不同的方 法進(jìn)行估計;對于低密度行人，采用基于前景像素和線性回歸的行人密度估計方法;對于中 高密度行人，采用基于紋理特征分析和支持向量機(jī)的行人密度估計方法。3. 根據(jù)權(quán)利要求1所述基于行人數(shù)量的交通控制系統(tǒng)，其特征在于，所述數(shù)量估算模 塊:對于特征向量，選取0°和90°時的8維紋理特征值組成的持征向量;對于中高密度行人估 計，采用了支持向量機(jī)進(jìn)行估計;確定最佳的灰度共生矩陣構(gòu)造參數(shù)d和Θ、圖像灰度級、SVM 的懲罰參數(shù)C及核函數(shù)的參數(shù)〇。4. 根據(jù)權(quán)利要求2所述基于行人數(shù)量的交通控制系統(tǒng)，其特征在于，所述預(yù)處理模炔基 于前景像素和線性回歸的低密度行人估計方法，進(jìn)一步包括:去除圖像中無關(guān)信息，得到圖 像中有用的信息;進(jìn)一步包括:圖像采集、圖像灰度化、提取前景、圖像二值化及圖像去噪； 圖像采集 在交通路口采集視頻，視頻里包含各個密度等級的行人，以4偵/秒連續(xù)抽幀得幀圖像； 圖像灰度化 采用以下3種方法中的一種或多種： (a) 取最大值法 該方法將彩色圖像的3個分量的最大亮度值作為灰度值； Gray(i，j)=max(R(i，j)，G(i，j)，B(i，j)) (b) 平均值法 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像的灰 度； Gray(i，j) = (R(i，j)+G(i，j)+B(i，j))/3 (c) 加權(quán)平均值法 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算； 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； 圖像二值化 通過背景差分法獲得的前景，通過設(shè)定閾值獲得二值圖像；上式中，D(x，y)是二值圖像，ΔΤ是分割闊值，d(x，y)是(x，y)處像素的灰度值;利用設(shè) 定的闊值A(chǔ) T，將灰度圖像分為行人前景目標(biāo)與背景兩部分;所述圖像二值化方法為以下三 種方法中的任意一種： (a) 整體閥值二值化法 根據(jù)灰度圖像的直方圖來確定閥值:設(shè)灰度值的取值是〇~255之間的某個整數(shù)，f = 0 為黑色，f = 255為白色。設(shè)η表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像素總 數(shù);η是第k個灰度級，k = 0，1，2···;p(rk)是灰度值為k時的概率。則有：灰度直方圖中的前景和背景都會形成高峰，雙峰間的最低谷處作為圖像進(jìn)行二值化的 閾值T; (b) 局部閾值二值化法 把圖像分割成若干子圖像，由每幅子圖像來確定對應(yīng)的閾值； (c) 動態(tài)閾值二值化法 通過像素的灰度值以及像素坐標(biāo)位置來選取動態(tài)閾值； 圖像去噪 采用3x3的窗口進(jìn)行中值濾波去噪。5. -種基于行人數(shù)量的交通控制方法，其特征在于，包括:預(yù)處理步驟、數(shù)量估算步驟 和時間預(yù)測步驟;其中， 所述預(yù)處理步驟，用于據(jù)設(shè)備應(yīng)用條件對視頻偵測內(nèi)容背景建立及預(yù)處理； 所述數(shù)量估算步驟，用于利用圖像處理技術(shù)和分類器實現(xiàn)對當(dāng)前圖像中行人數(shù)量有效 估計； 所述時間預(yù)測步驟，用于由行人數(shù)量及行人過街時間動態(tài)設(shè)置適合的綠燈時間長度。6. 根據(jù)權(quán)利要求5所述基于行人數(shù)量的交通控制方法，其特征在于，所述預(yù)處理步驟： 首先對獲取的所有行人圖像進(jìn)行一系列圖像預(yù)處理，得到最終的行人前景后獲取其像素 數(shù)，設(shè)定閾值，把圖像分為低密度行人圖像和中高密度行人圖像，對兩類行人采用不同的方 法進(jìn)行估計;對于低密度行人，采用基于前景像素和線性回歸的行人密度估計方法;對于中 高密度行人，采用基于紋理特征分析和支持向量機(jī)的行人密度估計方法。7. 根據(jù)權(quán)利要求5所述基于行人數(shù)量的交通控制方法，其特征在于，所述數(shù)量估算步 驟:對于特征向量，選取0°和90°時的8維紋理特征值組成的持征向量;對于中高密度行人估 計，采用了支持向量機(jī)進(jìn)行估計;確定最佳的灰度共生矩陣構(gòu)造參數(shù)d和Θ、圖像灰度級、SVM 的懲罰參數(shù)C及核函數(shù)的參數(shù)〇。8. 根據(jù)權(quán)利要求6所述基于行人數(shù)量的交通控制方法，其特征在于，所述預(yù)處理步驟基 于前景像素和線性回歸的低密度行人估計方法，進(jìn)一步包括:去除圖像中無關(guān)信息，得到圖 像中有用的信息;進(jìn)一步包括:圖像采集、圖像灰度化、提取前景、圖像二值化及圖像去噪； 圖像采集 在交通路口采集視頻，視頻里包含各個密度等級的行人，以4偵/秒連續(xù)抽幀得幀圖像； 圖像灰度化 采用以下3種方法中的一種或多種： (a) 取最大值法 該方法將彩色圖像的3個分量的最大亮度值作為灰度值； Gray(i，j)=max(R(i，j)，G(i，j)，B(i，j)) (b) 平均值法 該方法將RGB圖像中的3個分量亮度值求平均值，就是灰度值，將其作為灰度圖像的灰 度； Gray(i，j) = (R(i，j)+G(i，j)+B(i，j))/3 (c) 加權(quán)平均值法 根據(jù)3個分量的重要性，將3個分量賦予不同的權(quán)值進(jìn)行加權(quán)平均運算； 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； 圖像二值化 通過背景差分法獲得的前景，通過設(shè)定閾值獲得二值圖像；上式中，D(x，y)是二值圖像，ΔΤ是分割闊值，d(x，y)是(x，y)處像素的灰度值;利用設(shè) 定的闊值A(chǔ) T，將灰度圖像分為行人前景目標(biāo)與背景兩部分;所述圖像二值化方法為以下三 種方法中的任意一種： (a) 整體閥值二值化法 根據(jù)灰度圖像的直方圖來確定閥值:設(shè)灰度值的取值是〇~255之間的某個整數(shù)，f = 0 為黑色，f = 255為白色。設(shè)η表示圖像的像素總數(shù);nk表示一幅圖像中第k個灰度級的像素總 數(shù);η是第k個灰度級，k = 0，1，2···;p(rk)是灰度值為k時的概率。則有：灰度直方圖中的前景和背景都會形成高峰，雙峰間的最低谷處作為圖像進(jìn)行二值化的 閾值T; (b) 局部閾值二值化法 把圖像分割成若干子圖像，由每幅子圖像來確定對應(yīng)的閾值； (c) 動態(tài)閾值二值化法 通過像素的灰度值以及像素坐標(biāo)位置來選取動態(tài)閾值； 圖像去噪 采用3x3的窗口進(jìn)行中值濾波去噪。9.根據(jù)權(quán)利要求5所述基于行人數(shù)量的交通控制方法，其特征在于，所述數(shù)量估算步 驟，進(jìn)一步包括:經(jīng)過圖像處理后，獲取每一幅圖像的像素數(shù)，以做最小二乘線性擬合獲得 低密度時的行人密度估計結(jié)果； 所述最小二乘線性擬合為： 假設(shè)在二維坐標(biāo)圖上，已知數(shù)據(jù)點(xk，yk)，多項式擬合函數(shù)的表達(dá)式為把數(shù)據(jù)值￡與通過擬合函數(shù)表達(dá)式計算出的axk+b之間的誤差稱為殘差，即：殘差kl的值表示的是點(xk，yk)偏離直線的程度，如果(xk，yk)剛好在直線上，那么|ek =0,但由于上述各種不可避免因素的存在，|ek|往往不為零;要得到最好的擬合效果，就 要讓|ek|在某種意義上取得最小值，使用下述的3種方法中的任意一種確定擬合函數(shù)式中 的參數(shù)a和b: (1)尋求參數(shù)a和b，使得：對于前兩種方法，因為函數(shù)Si(a，b)及S~(a，b)關(guān)于參數(shù)都是不可微的，所以不能根據(jù)一 般多元函數(shù)取極值時的充分條件求解，求解時會遇到非常大的困難;第(3)種方法也叫做最 小二乘擬合法，目標(biāo)是尋求使得均方差達(dá)到最小的參數(shù)a和b，這時得到的擬合結(jié)果y = ax+b 即為最小二乘擬合直線；由S2(a，b)的表達(dá)式可知其必定有最小值點，送個最小值就是S2(a， b)的駐點;這時就可利用多元函數(shù)取極值時的充分條件，令S 2(a，b)的偏導(dǎo)數(shù)等于零，有：也即求解以下方程組 1七間円侍：在一定條仵卜，該萬程組的是唯一的，求觶η」得：得到最小二乘直線擬合的兩個參數(shù)a和b。10. -種如權(quán)利要求1~4中任一項所述基于行人數(shù)量的交通控制系統(tǒng)和/或如權(quán)利要 求5~9中任一項所述基于行人數(shù)量的交通控制方法的效能評價方法，其特征在于，包括以 下步驟:通過對比像素點特征和GLCM特征以及LBP特征表達(dá)下的行人計數(shù)方法，以平均絕對 誤差MAE和平均絕對百分誤差MAPE作為算法效能的評價指標(biāo)，如以下公式：
【文檔編號】G06K9/00GK105957356SQ201610370764
【公開日】2016年9月21日
【申請日】2016年5月30日
【發(fā)明人】曹蓮英
【申請人】曹蓮英