基于协同方法交通状态识别.DOCVIP

临床医学论文-基于协同方法交通状态识别 ??????????????? 作者：王伟智， 刘秉瀚， 朱敏琛??? 【摘要】? 提出一种基于协同理论的交通状态自动识别的新方法。首先，针对交通图像受光线、抖动干扰问题，提出了实时信息融合的动态原型选择模型；然后，利用直接求相似度重构序参量，实现了实时动态原型的选择；最后，依据快速协同网络框架，避免动力演化过程迭代，快速识别。协同方法可实现不同时段各种交通状态的自动检测。试验结果可说明该方法效果理想、速度快，具有较强的鲁棒性。 【关键词】? 协同方法; 交通状态; 自动识别 ??? Abstract: To put forward a new method of automatic recognition based on synergetics in traffic state. Firstly, according to crossing traffic image, set up the dynamic prototype selection model of real time information syncretics. Secondly, using resemblance of parameter, to carry out selection of dynamic prototype. Lastly, to carry out an automatic recognition algorithm. Automatic detection of traffic states was achieved. The results showed that an effective synergetic recognition method has been developed. ??? Key words: synergetic method； traffic state； automatic recognition ??? 引言 ??? 一个城市的交通状态是十分重要的,只有及时了解各种交通状态信息,交通控制系统才能最大限度地发挥其应有的作用。目前,交通状态的提取主要采用地感线圈的方式，但存在一些问题，例如，施工维护困难，检测参数有限。而随着相关技术的飞速发展，通过计算机视觉技术进行交通状态的自动识别具有很大的优越性，相关方法已引起普遍关注，主要优点有：第一、摄像机容易安装，施工和维护成本较低；第二、摄像机的检测范围易调，相对的检测范围更大；第三、对交通状态识别均更直观、更精确和更高效。而运动目标车辆的检测是基于视频的交通状态识别的前提。现有的车辆检测方法总体上分为光流法和帧差法。前者建立在光流方程的基础上,检测结果依赖于光流场计算的精确性,其计算量非常大，不适合实时系统的应用；帧间图像差分法受背景噪声的影响很大，而且当运动物体的内部纹理较少时，容易造成误检，因而只用帧间差分的方法来提取运动物体轮廓,不具有鲁棒性；并且，受实时环境影响较大，例如，光线变化、车流与强气流对摄像机产生抖动等， 得到的实时路况图像也不可避免受到光照的影响或存在“抖动”现象, 此时与背景图像的差值并不能完全滤掉背景信息。另一方面，交通状态并不能仅用一个绝对的参数加以识别，必须通过分析车辆密度、排队长度、道路占有率、车流量、车速等若干个交通参数在不同的交通状态下的变化规律，从而找出交通参数与交通状态之间的关系，以确定交通状态流得特性。由此可见，交通状态的特征具有模糊不确定性。 ??? 作为模式识别的一种新方法，协同方法的识别依据是原型模式，与典型的模式识别方法相比，不必要进行细节特征提取和选择的过程，这对于那些分类特征模糊的识别问题，有其独特的优越性，而且协同式神经网络具有很强的鲁棒性。因此，本文针对交通视频图像所存在的实际问题及交通状态流的特性，提出了基于协同模式识别原理的交通状态识别分类方法，对交通状态的原型模式选择提出了动态实时迭加图像信息的方法，能有效地解决光线变化与抖动等实际问题。实验结果表明该方法具有较强的鲁棒性和自适应性。 ??? 1? 交通状态模式定义 ??? 本文将交通状态定义为4个等级： ??? 状态1（长排队）：等待状态，车道有较长的排队车辆。表现为车队长、车辆密集，车距短。 ??? 状态2（短排队）：等待状态，车道有较短的排队车辆。表现为车道前段短车距的车队较短，车道后段没有车辆或有长车距的零星车辆。 ??? 状态3（满通行）：通行状态，车道有较长的通行车队。表现为整个车队较长，车距长。 ??? 状态4（畅通行）：通行状态，车道只有零星长车距车辆。 ??? 2? 协同模式识别基本原理 ??? 根据协同学的基本思想［1］,模式识别过程可以理解为若干序参量竞争的过程。对于待试验模