基于圖像處理的智能交通信號系統設計*

*基金項目：遼寧省大學(xué)生創(chuàng )新項目，項目編號：X202210143043

社會(huì )經(jīng)濟逐步發(fā)展，汽車(chē)制造行業(yè)興起，使我國汽車(chē)保有量大幅增加，但城市道路因各種原因無(wú)法進(jìn)行擴建，易導致交通擁堵。在早高峰時(shí)間可能出現大量車(chē)在等紅燈，而另一方向路口卻很少有車(chē)輛通行。這種固定信號周期控制造成的交通擁堵，大大限制了交叉路口的通行能力。若信號燈綠燈時(shí)間可以隨著(zhù)車(chē)況進(jìn)行調整，那這種情況將得以改善。由于人工統計車(chē)流量易造成遺漏且過(guò)于耗費人力，地下線(xiàn)圈統計則安裝成本高且維護困難。

由此可見(jiàn)，一個(gè)能隨著(zhù)車(chē)流變化的智能交通信號系統尤為重要。在車(chē)流密集的道路上增長(cháng)綠燈時(shí)間，在車(chē)流稀少的路口相應減少。利用視覺(jué)處理的方式避免安裝傳感器帶來(lái)的高成本、高維護，減少對人力的投入。

1 系統總體方案設計

針對上述背景，設計了基于圖像處理的智能交通信號燈控制系統，該系統在OpenCV 平臺的基礎上，利用Python語(yǔ)言編寫(xiě)，并以樹(shù)莓派為主控。在使用過(guò)程中連接高清攝像頭實(shí)時(shí)捕捉路上車(chē)輛行駛的視頻圖像，經(jīng)過(guò)OpenCV 計算機視覺(jué)庫對圖像的處理，獲取車(chē)流輛、車(chē)輛排隊長(cháng)度，通過(guò)智能算法對下一刻汽車(chē)的數量進(jìn)行預測。根據此計算結果，調整交通信號燈的時(shí)間，以此實(shí)現智能交通信號，改善交通狀況，使十字路口通行更加順暢。

2 硬件控制核心選擇

本設計需要對路面進(jìn)行抓拍、圖像處理以及計算等任務(wù)?？梢允褂肙penMV 硬件或樹(shù)莓派+OpenCV+ 攝像頭。OpenCV 是一個(gè)跨平臺的計算機視覺(jué)庫，有著(zhù)多種計算機視覺(jué)的算法。而OpenMV 是視覺(jué)模塊硬件，本質(zhì)是一個(gè)STM32 單片機。在圖像處理方面，OpenCV更占優(yōu)勢；在性能方面，OpenMV 在處理大量數據，運行實(shí)時(shí)性系統會(huì )比較吃力，樹(shù)莓派性能較高可以搭載OpenCV 運行庫，對圖像數據進(jìn)行處理，可以運行更多算法。同時(shí)，在公路上一般都裝載攝像頭，可以直接接入樹(shù)莓派進(jìn)行使用，更為方便。故采用樹(shù)莓派+OpenCV+ 攝像頭進(jìn)行開(kāi)發(fā)較為妥當。

3 系統程序設計

首先利用OpenCV 庫對視頻流進(jìn)行獲取，對路面的車(chē)流的每一幀進(jìn)行處理，調節合適的參數使車(chē)輛凸顯出來(lái)，并使用幀差法實(shí)現目標跟蹤，用虛擬線(xiàn)圈法進(jìn)行統計車(chē)流量。把得到的平均車(chē)流量、車(chē)輛排隊長(cháng)度輸入到模糊控制器中得到一個(gè)更加合理的綠燈時(shí)間。程序設計流程如圖1 所示：

圖1 程序設計流程圖

3.1 圖像預處理

在圖像預處理中，需要對形態(tài)學(xué)進(jìn)行了解。這是對圖像處理和描述的有力工具，其在計算機視覺(jué)、數據處理方面有著(zhù)廣泛的應用。

視覺(jué)圖像處理就是運用數學(xué)形態(tài)學(xué)，它可分為二值形態(tài)學(xué)和灰度形態(tài)學(xué)。其主要的運算就是腐蝕( 式1)、膨脹( 式2)。腐蝕會(huì )縮小白色部分，使輪廓更加的細化，一般處理用于處理離散點(diǎn)，將兩個(gè)不同物體的連接斷開(kāi)。膨脹會(huì )增大白色部分，使輪廓更加粗壯，一般處理一個(gè)物體內部像素點(diǎn)不全的問(wèn)題。

在此過(guò)程中，設置腐蝕、膨脹內核，使用Numpy 庫進(jìn)行進(jìn)行卷積核的設定kernel = np.ones((6, 6), np.uint8)更改數值可以對核的形狀和尺寸進(jìn)行設定。即可得到一個(gè)尺寸相同的矩陣。這時(shí)就可以對矩陣中選定的形態(tài)，進(jìn)行腐蝕、膨脹將形狀提取出來(lái)。二值化圖像如圖2 所示、腐蝕膨脹結果如圖3 所示：

3.2 車(chē)流量檢測設計

1）車(chē)輛目標跟蹤

車(chē)輛目標跟蹤采用幀差分法進(jìn)行目標跟隨通過(guò)cv2.cvtColor()函數對這這一幀與上一幀圖像轉為灰度圖像，并通過(guò)高斯濾波消除噪音，以減小光線(xiàn)變化或攝像頭輕微晃動(dòng)引起的噪聲，而后使用cv2.absdiff() 對這附近兩幀進(jìn)行差分，得到兩張圖的差異之處。采用二值化處理，將車(chē)輛從圖中提取出來(lái)。最后將兩幀圖片變化的地方進(jìn)行腐蝕、膨脹處理，獲得更加明顯的差異。并不斷迭代形成一個(gè)連續的圖像。但這種方式精度略低，可以使用改進(jìn)方法：多幀間差分法^[1]，將當前幀、前后相鄰兩幀像素的灰度值進(jìn)行運算，通過(guò)3 幀圖像差分得到完整目標輪廓。

通過(guò)上述方法獲得差異，利用cv2.findContours 進(jìn)行對所有輪廓點(diǎn)的儲存，并將輪廓添加到原始幀中，從而持續跟蹤目標。目標跟蹤算法如圖4 所示：

圖4 目標跟蹤算法

2）虛擬線(xiàn)圈計數法

這種方法與傳統的在路面下方安置物理線(xiàn)圈類(lèi)似，但物理線(xiàn)圈有著(zhù)維護費用高，易造成道路損壞等問(wèn)題。使用虛擬線(xiàn)圈計數成本低，檢測也更為方便。運用視覺(jué)處理，以道路單一方向的車(chē)流為基礎，在視頻的中央處垂直與車(chē)道線(xiàn)畫(huà)一條虛擬檢測線(xiàn)。每當車(chē)輛穿過(guò)這條檢測線(xiàn)時(shí)，車(chē)流量計數加一，并在這輛車(chē)離開(kāi)攝像頭的范圍將其計數減一。通過(guò)這種方式實(shí)時(shí)記錄車(chē)流量。

在判斷車(chē)輛是否穿過(guò)這條虛擬檢測線(xiàn)，利用數學(xué)幾何中的叉乘。以下為正方向時(shí)，車(chē)輛1 在線(xiàn)圈上方AC×AD 即為正、車(chē)輛2 在線(xiàn)圈下方BC×BD 為負?？傻弥诰€(xiàn)圈上方時(shí)結果為正，下方為負。所以當觀(guān)察到的目標計算值由正變?yōu)樨摃r(shí)，就可以確定有車(chē)穿過(guò)了虛擬線(xiàn)圈，進(jìn)而實(shí)現計數功能。虛擬線(xiàn)圈理論示意圖如圖5 所示、車(chē)流量計數測試圖如圖6 所示：

3.3 車(chē)輛排隊長(cháng)度獲取

要完成對車(chē)隊長(cháng)度的測量，需將圖像二值化處理將背景與車(chē)輛進(jìn)行分離。利用基于模板的快速單車(chē)道提取^[5], 這是一種模板化的方法，由于車(chē)道線(xiàn)在任意一幀圖像中的位置是不變的，因此可以利用模板圖像對任意一幀圖像進(jìn)行模板化處理，以直接完成該幀圖像的單車(chē)道提取。由于圖片的橫向缺失故需進(jìn)行膨脹處理，使白色圖像更加豐滿(mǎn)，最后對像素長(cháng)度進(jìn)行獲取，得到圖片中車(chē)輛的排隊長(cháng)度。車(chē)輛排隊長(cháng)度程序設計流程圖如圖7所示：

圖7 車(chē)輛排隊長(cháng)度程序設計流程圖

3.4 模糊控制器設計

一般十字路口變化基本為：①南北直行綠燈、東西直行紅燈50 s。②南北路口黃燈閃爍3 s、東西路口繼續紅燈。③南北直行路口紅燈、東西直行路口綠燈50 s。④南北直行紅燈、東西路口黃燈閃爍。這4 個(gè)反復循環(huán)是十字路口的基本規則，南北或東西路口的左轉、右轉都穿插在這直行信號之間，使各個(gè)車(chē)輛能夠安全地通過(guò)。但車(chē)流量會(huì )隨著(zhù)交通情況實(shí)時(shí)改變，很難建立一個(gè)完美的信號周期。由于模糊控制是一種基于特定規則和專(zhuān)家經(jīng)驗的控制思路，于人們的認知誕生的算法，它不需要特別精確的數學(xué)模型也可以得到想要的效果。故采用模糊控制策略得出相對合理的、符合當時(shí)道路的交通信號周期。

1）參數設置

模糊化處理是將獲取到的南北通行平均車(chē)流量R_sn 、東西通行平均車(chē)流量R_ew 、南北車(chē)輛排隊長(cháng)度L_sn、東西車(chē)輛排隊長(cháng)度L_ew 這4 個(gè)參數進(jìn)行模糊評級。將車(chē)流量密集程度分為4 個(gè)等級擁堵、稠密、正常、基本沒(méi)有車(chē)輛通行并對其分別賦值9、6、3、0。給車(chē)輛排隊長(cháng)度也分為4 個(gè)等級極長(cháng)、長(cháng)、一般、基本沒(méi)有車(chē)輛停止，也分別賦值為4、3、2、1。在進(jìn)行模糊化后開(kāi)始模糊推理，由于模糊推理的輸出結果是模糊量，需要使用式（3）（4）得出清晰化結果。模糊控制器算法設計圖如圖8 所示：

圖8 模糊控制器算法設計圖

2）參數獲取與優(yōu)化算法

當處于①信號狀態(tài)時(shí)，獲取南北通行平均車(chē)流量R_sn 處于②狀態(tài)時(shí)獲取東西車(chē)輛排隊長(cháng)度L_ew 、處于③狀態(tài)時(shí)獲取東西通行平均車(chē)流量R_ew 、處于④狀態(tài)時(shí)獲取南北車(chē)輛排隊長(cháng)度L_sn 。

在進(jìn)行①②③狀態(tài)后于④狀態(tài)的黃燈時(shí)間，整理獲取到交通情況的各個(gè)參數后，開(kāi)始對新一輪的南北綠燈時(shí)間T_sn和東西綠燈時(shí)間T_ew進(jìn)行評估（K 默認為1）。

通過(guò)這樣的方式不改變信號周期的總時(shí)長(cháng) ，當哪個(gè)方位車(chē)流量增多，并以排隊時(shí)間之比進(jìn)行倍增，對于不同情況可以調節K 值，減小或增大ΔT 的范圍，提高了本優(yōu)化算法的適應性，使其更加適合交通情況。

4 結束語(yǔ)

本文主要介紹了基于圖像處理的智能交通信號系統，利用目標跟蹤與虛擬線(xiàn)圈法得到路口車(chē)流量的稠密程度，并設計了模糊控制器，它可以根據車(chē)流量、車(chē)輛排隊長(cháng)度對路口的綠燈時(shí)間進(jìn)行適當調整，這種能夠按照交通路口擁堵程度自行更改綠信比的智能交通信號系統可以大大提升十字路口的通行效率，使社會(huì )資源分配的更加合理，有效解決交通擁堵的現象。

參考文獻：

[1] 宮金良,陳濤,張彥斐,等.一種基于多區域信息融合約束的改進(jìn)幀間差分目標檢測與跟蹤算法[J].江蘇大學(xué)學(xué)報(自然科學(xué)版),2022,43(3):302-309.

[2] 文豐,王樂(lè )群,張凱華.基于ZYNQ加速的幀差法運動(dòng)目標檢測[J].單片機與嵌入式系統應用,2022,22(6):74-78.

[3] 李春明,楊姍,遠松靈.結合幀差法與窗口搜索的車(chē)道線(xiàn)跟蹤方法[J].太赫茲科學(xué)與電子信息學(xué)報,2022,20(4):372-377.

[4] 黃大君,吳昊.基于虛擬線(xiàn)圈的車(chē)速檢測算法研究[J].蘭州文理學(xué)院學(xué)報(自然科學(xué)版),2020,34(1):76-81.

[5] 林彬.基于圖像處理的智能交通信號燈控制系統的研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2011.

（本文來(lái)源于《電子產(chǎn)品世界》雜志2023年4月期）