基于機器視覺的燈時自適應模糊控制系統

胡小敏，孫佩

（西安交通工程學院，陜西西安710000）

隨著城市人口密度和車流量的增大，城市交通面臨著更大的挑戰。其中，城市交通路口的車流通行狀況是影響交通堵塞最為重要的因素之一。傳統的路口交通燈時控制多為固定的定時控制，紅綠燈時固定不變，無法適應變化的車流，路口的通行能力無法充分發揮，造成交通資源的浪費，降低了城市交通的運行效率[1]。為提升交通路口的車流通行效率，提出了一種基于機器視覺的燈時模糊控制器設計方案，利用獲取的路口車流圖像，對車輛進行輪廓差分捕獲，提取車流量信息，將其作為模糊控制器的輸入，通過模糊推理輸出自適應的綠燈時長，實現燈時的優化控制。

1 系統方案及硬件設計

燈時智能模糊控制器設計的整體方案如圖1所示，系統在十字路口的4 個方向分別配置一個高清攝像頭，用于實時采集車流量圖像，利用圖像處理算法對圖像中的車輛信息進行提取，辨別出各車道中的車輛數目，將其作為輸入量，進行模糊推理，模糊控制器輸出紅綠燈的控制時長，達到燈時優化控制的目的，提高路口車輛通行效率[2]。圖像處理算法和模糊控制算法運行于核心處理器中，核心處理器選用STM32F407 芯片，該芯片主頻為168 MHz，片內FLASH 空間大小為1 MB，可滿足圖像緩存與識別算法以及模糊控制算法的運算速率要求[3]。圖像前端探測器獲取的圖像數據輸入至處理器中，通過處理器中集成的圖像處理算法，分離估計出車流量數據，利用車流量估計數據進行模糊推理運算，推算出最優紅綠燈時分配時間，控制器依據輸出的分配燈時控制各路口紅綠燈的延長時長和數碼管的計時時間。

圖1 系統硬件結構圖

圖像采集選用OV2460 攝像頭模塊，該模塊可實現對路口圖像數據的采集和存儲，配置了百萬級高清的CMOS 圖像傳感器，模塊靈敏度強、像素分辨率高，輸出格式支持JPEG 格式。另外，該圖像采集模塊具備自動曝光、白平衡、色彩調節、對比度調節等功能，最高像素可達1 600×1 200[4]。圖像模塊采用3.3 V 供電，可與控制器選用相同電源供電，降低了供電系統的復雜度。另外，每個路口同時配置紅綠燈和數碼管，作為燈時控制的輸出端，控制車流的輸出。

以雙向六車道十字路口為例，交通路口主要控制參數包括信號周期、相位、流量比、綠信比、平均車輛延誤等。其中，信號周期是指綠色、黃色、紅色信號燈依次點亮的時間之和，其數值大小決定單周期內車輛的通行能力。相位是指路口同一時間段內，單個方向或多個方向獲得通行的權利[5-6]。不同路口可根據實際通行情況進行不同相位劃分，選取典型的四相位分布，其中第一相位為東西方向直行，第二相位為東西方向左右轉，第三方向為南北方向直行，第四方位為南北方向左右轉。燈時優化的目標即是通過車流量的識別和模糊推理，合理控制信號周期內各個相位的綠燈通行時間，達到車輛高效快速通行的目的。

2 車輛輪廓差分圖像識別

燈時控制的前提條件是對車道待通行車輛數目的識別與估計，圖像識別流程圖如圖2所示。首先需要對原始圖像進行灰度化處理，相機獲取的原圖像為RGB 格式的彩色圖像，為便于圖像處理，需對圖像進行灰度變換處理，將RBG 格式轉換為YUV 格式，轉換公式為[7-8]：

圖2 基于背景差分法的識別流程

其中，R表示像元的紅色值，G為像元的綠色值，B為像元的藍色值，Y為進行灰度轉換獲得的像元灰度值。

然后對圖像進行去噪處理，由于環境影響和傳感器自身元器件原因，相機獲取到的原始圖像中一般伴有白噪聲，在進行目標識別前需對圖像進行去噪濾波處理，以降低噪聲干擾。選用33 滑動窗口，將圖像數據與高斯濾波器進行卷積運算，選用1/16模板系數對圖像進行去噪預處理[9-11]。

常見的運動目標圖像識別方法可分為光流法、幀差分法和背景差分法等[12]。其中，光流法主要利用的是像元的亮度運動產生的光流，需要精確計算出光流場才能保證識別的準確性，而實際環境中受光源擾動、障礙物遮擋等多種復雜因素影響，很難保證解算的可靠性和準確性。幀差分法主要是利用相鄰兩幀圖像間的相對運動產生的像移以及相鄰兩幀的差值進行判斷，通過比較差值與設定的門限閾值，獲取目標的運動輪廓。該方法僅對目標的運動部分敏感，很難提取目標整體輪廓，且局限于運動目標的識別，無法識別靜態目標，由于路口車輛一般運動速度較低，無法很好地適應該環境。

背景差分法的主要原理是首先從多幀圖像中綜合出背景圖像，將獲取的實時圖像與背景作差。需要利用連續采集的N幀圖像進行背景提取，背影提取公式可表示為：

其中，E()代表模型算子，模型算子的選擇對背影幀的提取有很大影響，較常見的方法為中值法、均值法、高斯法、高頻極值法等[13]。其中，中值法相比其他方法，可降低邊界模糊，且運算復雜度低，可提高運算實時性，更適應于交通路口的背影環境。

將當前幀與背景幀進行差值運算，取差值的絕對值作為差分幀，公式為：

式中，Ik(x,y)表示第k幀實時圖像，Dk(x,y)為差值運算獲得的差分幀。最后對差分幀進行二值化，將差分幀與閾值進行比較，公式為[14-15]：

當像素的灰度差值大于閾值T時，二值化結果取1，反之取0，最終提取出圖像中的車輛目標，提取結果如圖3所示。

圖3 背景差分提取結果

3 模糊控制器設計

由于城市交通路口的通行控制是一個復雜且隨機多變的問題，很難進行精確建模和控制，十字路口車流吞吐量屬于模糊概念，與模糊控制理論較為吻合。模糊控制不需要對控制對象進行精確建模，采用數學語言對控制策略進行描述，其控制框架如圖4所示，主要分為模糊化、模糊推理、清晰化三部分[16]。其中，模糊化主要是將輸入量轉換為模糊域的量值，即將實際通行車輛準確數目轉換為模糊量。模糊推理是模糊控制器的核心部分，通過模糊規則推理，輸出控制結果。清晰化的目的是將模糊結果轉化為具體的時延數據。模糊控制器具有兩個輸入量G和R，G表示當前正在通行相位上的車輛數目，R為其他等待相位上的車輛數量。一個輸出量T表示當前通行相位的綠燈時延長度。

圖4 模糊控制器結構圖

3.1 模糊輸入設計

首先需要對輸入量進行模糊化處理及論域變換，將具體車輛數目轉換至模糊論域。路口相機的監測距離約為150 m，車輛平均占據的距離約為5 m，單車道最大識別的車輛數目為30 輛[17]。設定兩個輸入量G和R的論域為{0,1,2,…,30}，為簡化模糊控制規則，取量化因子為0.5，則論域映射為{0,1,2,…,15}。設定量化因子的目的是當輸入分布不合理時，不需要對模糊控制器進行修正，僅需要調整量化因子就能調整邏輯推理權重，提高系統適應性。

通過綜合分析，將輸入量劃分為7 個等級，分別為VS（極少）、S（很少）、SR（少）、M（中等）、LR（多）、L（很多）、VL（極多）[18]。論域到模糊語言的轉換關系主要是利用隸屬函數，隸屬函數包括三角分布、梯度分布、S 形分布、正太分布等，結合十字路口車輛通行實際情況，采取三角分布和梯度分布混合型隸屬函數，輸入量隸屬函數分布如圖5所示。

圖5 輸入量隸屬函數分布

3.2 模糊輸出設計

模糊控制器輸出量T表示該相位路燈時延長度，其取值范圍對車輛通行狀況影響很大，過短則不能保障車輛的有效通行，過長則易使車輛駕駛員產生急躁情緒。假定路口最小綠燈通行時間設定為15 s，最大綠燈時間為45 s，路燈相位最大變化量為30 s，基本論域則為1～30，將輸出比例因子設定為2，則輸出量T的論域為{0,1,…,15}。輸出量T的模糊語言同樣設定為7 個等級，分別為VS（很短）、S（短）、SR（較短）、M（中等）、LR（較長）、L（長）、VL（很長）[19]。隸屬函數選擇三角函數和梯度函數混合型隸屬函數，輸出量隸屬函數關系如圖6所示。

圖6 輸出量隸屬函數關系

綜合十字路口視頻監測數據和交警實際指揮經驗，給出模糊控制規則。通過模糊規則推算出模糊輸出量，再利用重心法實現輸出清晰化，得到最終具體的綠燈時延T值。

4 仿真結果

依據車輛平均延時指標對比定時控制和模糊控制兩種方案的車輛通行效率。車輛平均延誤時長是指一段時間內通行車輛等待的總時間與通行車輛總量的比值，是評價路口車輛通行效率的重要指標之一[20]。仿真流程如圖7所示。

模糊控制和定時控制兩種方法的平均延時統計結果如圖8所示，由統計結果可知，在車流量較低時，兩種控制方案均能很好地實現車流控制，車輛平均延誤時間較短，兩種方案的差異較小。當車流量逐步增加，模糊控制的車輛平均延誤明顯小于定時控制，當車流量較大時，模糊控制表現出了明顯優勢。

圖8 模糊控制和定時控制平均延時結果對比

5 結 論

提高路口車流通行效率對緩解城市交通堵塞具有重要作用，故實現交通燈時智能化自適應控制具有重要工程價值。將圖像識別技術與模糊控制相結合，實現燈時的在線實時調整，對降低路口車輛等待時長具有明顯效果。可對單點交通路口控制方案作進一步研究，將其擴展至整條線路甚至交通網絡的燈時控制，有望實現整個城市交通網燈時的優化控制，這可作為進一步的研究方向。