[发明专利]一种基于视觉特征的交通状态量化识别方法

说明书

技术领域

本发明属于智能交通与机器视觉领域，涉及一种利用特征提取、支持向量机等技术实现对城市快速路交通状态量化识别的方法。

背景技术

近年来，科技的发展与交通设施的现代化引发了普遍性的道路拥堵以及事故增加现象，交通环境的恶化成为亟待解决的问题。智能交通系统(Intelligent Transportation System,简称ITS)便在这样的需求下产生并成为该领域的研究趋势与热点。在ITS的各项功能中，交通状态的识别结果为后期的管理和控制等工作提供基本的信息保障，因此对整个系统的有效性和精确度有至关重要的影响。

目前，国内外的交通状态识别主要是基于对速度、车流量和时间空间占有率等交通参数的采集，常用的采集器有测速雷达、红外线线圈、超声波和视频检测等。其中，基于视频的交通参数检测具有无可比拟的优势，如安装成本低，易于实现自动化控制，借助图像处理技术可以提取更加高效准确的信息，从而在ITS中得到了广泛的应用。但是很多实验表明，拥堵状态下交通参数的提取准确率急剧下降，从而影响对整体交通状态的识别分类以及后续的预测工作。最近，国内外学者将研究重点放在了利用机器视觉与模式识别技术对交通状态进行分类上，包括传统的交通参数提取法以及在视频帧中直接提取特征进行交通状态的检测方法。但是在已建立的经典模型中，仍然存在复杂度过高难以实现或提取的信息不足以有效分类等缺陷。

发明内容

针对交通状态识别中存在的上述问题，提出一种基于支持向量机(Support Vector Machine,简称SVM)的交通状态分类方法，并在此基础上实现对交通状态的量化识别，从而完成对道路整体交通状态的宏观把握，为智能交通管理提供有效准确的决策支持。

本发明采用的技术方案是：从视频序列中提取时空描述序列符并对其进行两层处理，分别通过双向二维主成分分析(Principal Component Analysis,PCA)对图像矩阵进行维度压缩去除冗余信息，以及通过Fisher线性判别分析(Fisher Linear Discriminant Analysis,Fisher LDA)进一步进行特征提取，将提取出的特征向量作为SVM输入，构造多类分类器将样本分为4类。在数据识别阶段，通过计算并加权当前特征向量距离相邻分类超平面的距离得到最终的交通状态量化值。

一种基于视觉特征的交通状态量化识别方法，其特征在于包括以下步骤：

步骤一，从视频采集卡中读取视频，对原始视频中各帧图像进行预处理，将数字图像转换成灰度图像。

步骤二，在灰度化后的视频图像帧中提取时空相关信息，即时空线序列符S，方法如下：

（1）在灰度图像中设置一条虚拟时空线，如附图2上半部分视频帧中的实线所示，将每帧中虚拟时空线上的像素值记为行向量L_t＝[p_t1,p_t2,...,p_tw]^T，其中p为线段上的点。

（2）将t-N+1～t帧视频序列中的该行向量进行叠加，得到当前时刻的时空线序列符S_t＝[L_t-N+1,L_t-N+2,...,L_t]^T。每个时空线序列符都是一个W×N的矩阵，其中W为所设定的时空线序列符的宽度，N为所选取的进行叠加的视频帧数，为事先定义好的参数。

（3）定义附图3所示的延迟线结构，采集并提取包含所有交通状态的足够长时间内的时空线序列符，从而得到全部的时空线序列符组合U＝[S₁,S₂,...,S_t,...,S_M]^T，M为获取的时空线序列符的样本。

步骤三，采取客观估计与主观判别相结合的方式，为已获取的时空线序列符添加交通状态分类标签。具体包括以下内容：

（1）根据我国公安部2002年公布的《城市交通管理评价指标体系》，根据车行速度v将交通状态分为畅通(30km/h以上)、轻度拥挤(20-30km/h)、拥挤(10-20km/h)以及严重拥挤(10km/h以下)四类。

（2）按下式计算不同车速下车辆在时空线序列符中所占的“时间块”比例：

(c_l·f)/(v·N)