一种基于视觉特征的交通状态量化识别方法技术

本发明专利技术属于智能交通与机器视觉领域，公开了一种基于视觉特征的交通状态量化方法。包括：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；在灰度化后的视频图像帧中提取时空相关信息；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；对添加标签的时空线序列符进行降维处理并提取特征向量；将提取得到的特征向量作为SVM的输入构造分类器；量化识别交通状态。本发明专利技术各模块均选取最优方案，减少了系统累计误差，提高了交通状态量化识别数据的可靠性；采用PCA+Fisher?LDA的方法对时空线序列符图像矩阵的降维和特征提取，并将SVM应用于交通状态识别分类，使分类更加准确、有效。

【技术实现步骤摘要】

本专利技术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。
技术介绍
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 TransportationSystem,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。
技术实现思路
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(SupportVector 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另O，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。本专利技术采用的技术方案是: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 DiscriminantAnalysis, 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。，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:(I)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Lt = τ，其中P为线段上的点。(2)将t-Ν+Ι 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St = [Lt_N+1，Lt_N+2，...，LJt0每个时空线序列符都是一个WXN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,..., St,..., SJT，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:(I)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:(C1.f) / (V.N)式中，f为帧率，N为进行叠加的视频帧数，C1为根据不同城市人民平均生活水平及官方注册车辆类型统计得到的车的轴距的平均值。(3)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，结合时空线序列符(WXN)的维度合理设定样本集的容量，然后根据(2)中计算出的时间块大小，通过主观判断的方式为时空描述符加入类别标签，将(I)中设定的交通状态依次标记为为1、2、3、4 类。步骤四，对添加标签的时空线序列符进行降维处理，然后提取特征向量。由步骤一可知，时空线序列符的原始矩阵维度D=WXN,在步骤二中已知交通状态总共分为四类C=4。线性判别分析，即Fisher LDA的目的为求得投影矩阵，使得存在类别标签的样本数据可以在最大化类间距离的同时最小化类内距离，这种投影方式有利于后期交通状态的分类识别。而根据理论推导，获取最优投影向量的条件为样本总容量M>D+C，因此当维数过高时需要较大数量的样本。同时，样本数据过高的维度会增加计算复杂度。因此采取PCA与LDA相结合方式分两步对样本集数据进行处理。具体方法如下:(I)采取双向二维主成分分析方法(LR2DPCA)进行数据降维。①对时空线序列符进行列压缩首先，定义投影特征向量Y1为:Y1 = Sw1式中，W1为投影矩阵。然后，按下式计算样本图像均值Φ:Φ 二 Hi M i=i式中，M为样本总数。此时图像散度矩阵Gt为:权利要求1.，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 ； 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: (C1.f)/(v.N) 式中，f为帧率，N为进行叠加的视频帧数，C1为根据不同城市人民平均生活水平及官方注册车辆类型统计得到的车的轴距的平均值； (3)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，结合时空线序列符(WXN)的维度合理设定样本集的容量，然后根据(2)中得到的时间块大小，通过主观判断的方式为时空描述符加入类别标签，将(I)中设定的交通状态依次标记为为1、2、3、4类； 步骤四，对添加标签的时空线序列符进行降维处理，然后提取特征向量； 步骤五，将步骤三中提取得到的特征向量作为SVM的输入构造分类器； 分类器个数为C (C-1) /2=6 ;首先在差别最大的第I类和第4类中进行分类，接下来在2和4、1和3中构造分类器，然后在最后一层中将各类完全分开； 在无法确定数据是否线性可分时，假定其为线性不可分情况，SVM的解决方法是通过一个非线性映射将数据映射到高维空间，然后在高维空间内做线性回归；非线性映射表达式为: y (X) = wT Φ (X) +b 式中，X代表特征向量，Φ(χ)代表映射函数，b代表线性函数中的增益； 在SVM中分类器的构造方法如下: 训练数据集为N个特征向量X1,…，xN,目标本文档来自技高网...

【技术保护点】
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；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：(cl·f)/(v·N)式中，f为帧率，N为进行叠加的视频帧数，cl为根据不同城市人民平均生活水平及官方注册车辆类型统计得到的车的轴距的平均值；（3）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，结合时空线序列符(W×N)的维度合理设定样本集的容量，然后根据（2）中得到的时间块大小，通过主观判断的方式为时空描述符加入类别标签，将（1）中设定的交通状态依次标记为为1、2、3、4类；步骤四，对添加标签的时空线序列符进行降维处理，然后提取特征向量；步骤五，将步骤三中提取得到的特征向量作为SVM的输入构造分类器；分类器个数为C(C?1)/2=6；首先在差别最大的第1类和第4类中进行分类，接下来在2和4、1和3中构造分类器，然后在最后一层中将各类完全分开；在无法确定数据是否线性可分时，假定其为线性不可分情况，SVM的解决方法是通过一个非线性映射将数据映射到高维空间，然后在高维空间内做线性回归；非线性映射表达式为：y(x)＝wTφ(x)+b式中，x代表特征向量，φ(x)代表映射函数，b代表线性函数中的增益；在SVM中分类器的构造方法如下：训练数据集为N个特征向量x1,...,xN，目标值为：t1,...,tN，tn∈{?1,1},n＝1,2,...,N，并且满足y(xn)＞0时，tn＝1，y(xn)＜0时，tn＝?1，总有tny(xn)＞0；设分类平面为：SVM的分类思想为最大化分类间隔，由几何知识可推得分类间隔为2/||ω||，因此使得在满足约束条件的情况下使得||ω||最小化可以获得最优分类面；主要求解过程如下：引入拉格朗日函数：式中，an≥0，为拉格朗日乘子；分别对w、b求导，并令导数为零得：w=Σn=1Nantnφ(xn)Σn=1Nantn=0带入拉格朗日函数表达式得到该函数的对偶形式：L~(a)=Σn=1Nan-12Σn=1NΣm=1Nanamtntmk(xn,xm)式中，k(x,x“)＝φ(x)Tφ(x“)为核函数，它可以接受低维空间的输入值，然后输出高维空间的内积值，从而使计算过程不必关心具体的映射关系φ(x)，因此映射函数可以表示为：y(x)=Σn=1Nantnk(x,xn)+b根据满足该式的KKT（Karush?Kuhn?Tucker）条件可以求出b的值：b=1NsΣn∈S(tn-Σm∈Samtmk(xn,xm))式中，Ns为所有支持向量的总和；交通状态分类方法中，在支持向量机中采用高斯径向基函数(Gauss?Radial?BasisFunction)，函数表达式为：k(xi,x)=exp{-|x-xi|2σ}式中，xi为核函数中心，σ为径向范围的参数；步骤六，首先将待识别向量输入SVM得到分类标签，然后计算该向量到相邻分类面之间距离，最后根据该距离量化识别交通状态，并绘制交通状态量化曲线。FDA00003084487000011.jpg,FDA00003084487000021.jpg...

【技术特征摘要】

【专利技术属性】
技术研发人员：贾克斌，张媛，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：