[发明专利]一种基于图像处理的路网交通拥堵模式识别方法

权利要求书

1.一种基于图像处理的路网交通拥堵模式识别方法，其特征在于：包括：

（1）利用自适应平滑方法，将研究区域的交通数据在时空维度上转换为速度热力图像；

（2）从速度热力图像中提取代表性特征，识别用于区分交通模式的不同特征，运用基于区域的特征提取方法对交通拥挤区域进行特征提取；

（3）基于提取的特征，对交通数据集进行聚类；

（4）对聚类结果进行定性评估，判断路网交通拥堵模式的类型。

2.根据权利要求1所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：在步骤（1）之前包括对研究区域的交通数据进行数据预处理的步骤，包括：

通过分散在研究区域道路沿线的固定探测器收集速度测量的交通数据；

对于未产生可用数据的探测器，其覆盖范围内的交通动态问题采用自适应平滑方法，对交通数据进行插值。

3.根据权利要求2所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：在根据基于区域的方法对交通拥挤区域进行特征提取的步骤中，包括：

2.1）图像分割，使用分水岭算法将速度热力图像划分为不同的区域；

2.2）区域合并，将研究区域与其相邻区域合并得到一个大的区域；运用Canny边缘用作区域合并；

2.3）自定义特征向量的构造，从分割的模式中提取交通相关特征，然后构造合适的特征向量，总结得到交通流的三个重要特征：时空尺度、干扰和需求-供给成分。

4.根据权利要求3所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：图像分割的步骤具体包括：

对速度热力图像的梯度信息进行检测，梯度图像用Sobel算子计算获得，并用最大梯度值进行标记；把梯度图像中所有的像素按照灰度值进行分类，设定一个阈值；找到灰度值最小的像素点默认为标记灰度值最低点，让二值化的灰度阈值从最小值开始增长，水平面在增长的过程中碰到周围的邻域像素时，测量像素到起始点的测地距离，如果小于设定阈值，则将这些像素淹没，否则在像素上设置大坝，对邻域像素进行分类。

5.根据权利要求3所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：区域合并的步骤具体包括：

2.2.1）用高斯滤波器平滑图像以去除噪声；

2.2.2）在平滑后的图像上计算Sobel梯度；

2.2.3）对梯度图像中对应于边缘点的局部最大强度进行非最大化抑制；

2.2.4）利用两个上下限阈值来滤除不需要的边缘点。

6.根据权利要求3所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：自定义特征向量的构造的步骤具体包括：

2.3.1）时空尺度通过测量时间和空间范围来近似拥塞模式的扩展；拥挤程度包括两个度量：拥挤的空间和时间范围；空间是交通拥堵所达到的路段总长度，时间是表示拥堵的持续时间长度；对于每一个位置，计算发生拥塞的持续时间；最高值用作时间范围的代表性持续时间；

2.3.2）交通的干扰发生在瓶颈路段附近的同步交通或者是大范围的移动拥塞中，扰动模式在图像表现中除形状大小不同以外，形状相似；使用主动形状模型技术来识拥塞模式中的扰动；其中主动形状模型技术是：给定一个新的形状，将形状模型装换为对应形状时的误差用于形状的识别分类；在特征向量上使用Logistic分类器来识别一个形状是否为扰动；

2.3.3）需求-供给识别相关元素具有固定在某一位置的下游，用标准定义：平均速度低于30km/h且下游至少静止15min。

7.根据权利要求1所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：在步骤（3）中通过提取到的特征对图像信息进行聚类，以找出数据集中典型的拥塞模式；选择层次聚类作为聚类方法，通过构造一个给定数据集的层次表示，进而提供现有拥塞模式分布的概述，层次聚类提供了结果聚类的可重复性；层次聚类以两种不同的方式工作：聚集和分裂；使用聚类方法将两个最接近的模式或中间簇组合成一个新的簇；对于两个簇之间的距离，实现平均链路方案，取所有簇中所以模式对之间的平均距离，直至剩下一个集群。

8.根据权利要求1所述的基于图像处理的路网交通拥堵模式识别方法，其特征在于：在步骤（4）中对聚类的结果进行评估，评估每个结果簇中模式的相似性，基于时间空间出现的拥塞模式，判断拥堵模式类型；将得到的聚类作为训练集，在训练集上训练合适的分类器对新模式进行分类；其中，选择多项式Logistic分类器作为评估聚类结果的基础分类器。