OpenCV技術下的智能交通信號燈控制系統設計
——以南通崇川區工農路段為例＊

南通理工學院傳媒與設計學院 龔蘇寧 紀明媚 陳欣欣 董文佳 樊慧嬌

隨著城市機動車數量的高速增長，交通擁堵問題日劇嚴重，部分問題是由于紅燈亮起的編碼延遲所引起的，并不是真正的交通擁堵，因此，現階段迫切需要一種能夠有效優化交通流量的交通控制系統。本文提出一種基于OpenCV圖像處理技術的智能交通信號燈控制系統（ITLCS），系統提供基于道路密度的交通燈信號配時，而不是設置與其他車道相平衡的水平等級，以便高負荷行車線可以長時間啟用。該系統由一個面向車行道的攝像頭拍攝行駛路線，然后拍攝行人和車輛的行駛密度，并通過OpenCV技術比較每幅圖像，經過系統處理后即刻調整交通燈信號配時，這樣大大減少花在無作用綠燈上的時間，可以有效地處理交通擁堵問題。

1 智能交通信號燈控制系統介紹

近些年來，我國城市建設發展十分迅猛，然而，城市問題也隨之而來,城市道路交通擁堵問題日趨嚴峻，已成為制約城市健康、可持續發展的重要因素之一[1]。有的專家學者認為：城市道路基礎實施的不完善、城市交通管理水平和城市交通參與者的行為是導致城市交通擁堵的重要因素[2]；交通擁堵問題歸根結底是交通需求與交通供給的平衡問題[3]。他們也提出了很多方法來解決交通堵塞問題，如：修建新的道路、使用局域網、RFID系統（射頻無線信號自動識別系統）等，但由于很多已建區域沒有足夠空間建設新公路，同時利用 RFID技術實現安裝RFID標簽的道路車輛與安裝在道路交叉路口[4]，其費用比現狀的交通信號燈系統高很多。

目前國內絕大多數交通信號燈為固定周期控制,這種定時控制算法顯然不能根據交通流的變化而及時做出調整[5]。在人流量較大的地區，由于早晚交通高峰的影響，人們無法按照預期到達目的地，這就直接影響日常生活中人們每天要去處理的更多事情。另一個問題是車輛會在交叉路口停止和啟動，這樣直接導致燃油消耗比普通行駛過程更高，燃油成本增加，人們需要額外支付燃油費用，同時加劇了環境污染。另外消防車、救護車無法在適當的時間做出反應，以救護車的情況為例，在這條路上的病人處于危急情況時，因交通堵塞使救護車很可能無法在適當的時候到達醫院，導致病人陷入生命危險之中。這就是為什么需要一個智能的交通控制系統，才能有效地應對不同的交通狀況，避免交通堵塞和事故發生。

如圖1所示智能交通監控系統的主要模塊包括：車型、長度、交通、路線、交警和方向管理。本研究的主要內容是：利用所提出的智能交通燈控制系統（ITLCS）對交通燈進行控制，并利用圖像檢測車輛密度；對計算數碼相機拍攝的車道圖像進行處理，包括：銳化、模糊、增亮、邊緣增強等操作；然后，利用計算機成像技術對圖像進行分組分析，以便發現車輛，并通過操作條件和可動光進行控制。研究使用的圖像處理工具是一個免費的、非商業的Intel開源的計算機視覺庫OpenCV。

圖1 智能交通控制系統模塊Fig.1 Traffic monitoring system

2 前期研究

Pranjali B等人[6]提出了基于嵌入式Linux板和圖像處理的自適應交通控制系統（ATCS）。他們建議根據道路密度而不是固定的時間框架來確定紅綠燈信號的時間，這樣可以確保交通擁堵嚴重問題一側時間比另一側長。一旦分配了每條車道的計時，每條車道將以順時針方向打開一段既定的時間，之后根據密度的不同，在每條車道上花費不同的時間，不斷重復這個周期。通過數碼相機不斷地記錄視頻，然后借助開源計算機視覺庫的方法處理這些視頻幀從而獲得道路上車輛密度。GSM和GPS模塊為這個建議性系統中的緊急情況提供額外服務。

Jackrit SuthakornA等人[7]提出在開源計算機視覺庫上使用神經網絡的智能車輛、駕駛員輔助系統能快速、實時、可靠的進行交通標志識別（TSR），自動路標檢測與識別可以幫助和解除駕駛員的駕駛負擔，顯著提高駕駛的舒適性和安全性。對于自動智能車或駕駛員輔助系統來說，交通標志的自動識別也至關重要。他們對神經網絡中的交通標志模式進行了階段性研究，為了確定最佳的網絡系統，還對程序進行了驗證和測試。結果表明，該系統對具有復雜背景圖像的道路標志具有很高的分類精度和較大的計算容量。

S Shinde等人[8]介紹了使用OpenCV的智能交通控制（STC），使用OpenCV軟件為智能信號管理系統提供經濟有效的解決方案。該系統在車道前面安裝攝像頭，可以對監管的道路進行照片拍攝，這些圖像被有效地處理后，以便了解該道路的車流量。8051微控制器將根據來自OpenCV的處理數據，向交通LED計時器發送控制信號，以指示交通信號燈的特定時間。這種新方法的優點是：與傳感器相比OpenCV具有生產成本低、配置簡單、操作精度高、速度快等優點。但是這種方法不能在農村地區使用，因為農村地區車輛較少，交通擁堵問題很少發生。

Bilal Ghazal等人[9]建構了交通信號燈智能控制系統（STLCS）。紅綠燈通常被用來監視和控制多條公路交叉口的交通活動。傳統的控制系統不管理交叉口的可變流量，相鄰的交通信號燈系統、車流時間差、交通事故、緊急車輛通行和行人過街之間不存在相互關聯，結果導致交通堵塞和交通延誤。該系統包括PIC微控制器的LED設備，它使用紅外傳感器計算交通密度，并實現不同級別的動態時隙分配。此外，遠程控制器處理被困在擁堵的高速公路上的緊急車輛。

Anuradha G.Suratekar[10]介紹了以圖像處理為基礎的基于無線傳感器網絡的智能交通燈控制系統（WSNITCS）。設計了智能交通信號燈控制系統的圖像處理，在交通檢測方面，主要采用感應線圈法，但是它的物理體積巨大，不便于安裝和維護。然而目前的交通控制系統已經設定了時間，所以目前的交通系統在交通管理和控制方面不是很有效。感應線圈之間也沒有通信，無線傳感器網絡(WSN)具有容錯性、可擴展性、實時性和協調性等特點，因此，可根據無線傳感器網絡的交通密度對交通信號燈系統進行了規劃，利用C++語言來編程。

為了克服這些問題，本文提出了一種基于數碼相機測量道路密度，自動改變交叉口信號燈的系統。借助全球移動通信系統（GSM）、全球定位系統（GPS）和圖像處理技術，該系統通過自動調整交通信號燈，為緊急運輸車輛提供了一條空閑路線，以保持公路線的暢通，從而在緊急情況下提供了一種便捷的運輸方式，這將使交通系統能夠正常工作。將提供流量同步上傳到Web服務器上，存儲整個系統的流量數據庫，因此，在日常使用和緊急情況下，都能確保交通的順暢和安全。

3 智能交通燈控制系統

本文提出了一種基于OpenCV圖像處理技術的智能交通燈控制系統（ITLCS）。該系統通過為每個方向提供適當的時間來調節交通流，使得重載車道比其他車道開放的時間更長，同時保持總的交叉時間比，使得密度較低的車道也有自由路徑，而無需等待更多時間。首先要獲取準確的車輛數量數據，以此為依據合理分配每一條道路上的時間。該系統主要由無線收發器、微控制器、數碼相機、圖像處理單元和OpenCV軟件組成。OpenCV系統是圖像處理軟件；Python是使用的語言；Rasberry Pi處理圖像，并使用8051微控制器，使數字語言很容易地轉換成二進制語言；所采用的技術包括Blob檢測和彩色閾值；所使用的算法為卡爾曼濾波(Kalman Filter)算法。

ITLCS系統可以檢測到消防車、救護車、應急車輛等并采取所需的行動，同時我們使用Python語言編程來實現這個操作。攝像機對圖像進行采集后，用Raspberry Pi處理圖像，根據交通密度對每個紅綠燈進行時間分配。在緊急情況下，系統將會擇優考慮。GSM和GPS發射器被放置在救護車上以便發出緊急警報信息，在每個十字路口都安裝了GSM和GPS信號接收器引擎。每個交叉口都被分配一個唯一的代碼，所有代碼對于每條路線都有一個唯一的標識符。本次實驗選取南通市崇川區工農路人民中路段的交通情況為例，通過OpenCV圖像技術處理捕捉的交通情況，如圖2所示顯示了圖像處理的過程及效果。

命題1：狀態模型與過程

考慮離散時間控制過程，借助線性公式（1）描述為：

如公式（1）所示，其中yl表示隨機變量過程噪聲，vl表示時間步驟1的狀態變量，B和A是m×m和1×m矩陣系數有關的步驟l的狀態微分公式（1），并相應地控制輸入。現在系統測量可以描述為：

如公式（2）所示，其中Xl表示第1步的估計值，隨機變量ul表示系統的測量噪聲，G是n×m測量狀態xl的n×m矩陣系數。假設隨機變量sl和ul是不同的，因此對于這些高斯白噪聲，它們的協方差矩陣P和T，這些協方差矩陣分別在公式（3）和公式（4）中表示為：

那么根據上述等式，公式（5）是對于所有l和j，s到u的協方差矩陣始終為零：

命題2：卡爾曼濾波原點估計

第1步的yl當前狀態及其在第1步的先驗狀態估計是回顧了和在第1步允許估計時的后驗狀態估計然后相應地給出了公式（6）和公式（7）中誤差的前驗和后驗計算。

因此，誤差協方差的前后評估在公式（8）和公式（9）中表示為：

Kalman濾波算法中最重要的因素是增益或混合因子L，它使后驗協方差最小化，以實現對運動目標的精確預測，現在是最重要的因素：

從上面公式（10）可以看出，當Tl→0被越來越多地用于測量實際xl測量值時，如果可以，那么就采用預測計算，并且越來越相信實際測量值xl。

因此，對于上述公式，我們可以得出結論，時間更新濾波器和測量更新濾波器分別以卡爾曼濾波器的預測方程和校正公式的形式使用。

如上述算法1所示，一旦識別出車輛，我們將不斷跟蹤它，直到車輛離開框架，然后我們對其進行計數。要做到這一點，我們必須找出被檢測到的車輛的中心，然后將其以矩形連接到該車輛上。一旦得到被檢測車輛的中心，我們就使用卡爾曼濾波算法來跟蹤該車輛的結果，以獲得每個車道的確切車輛數量。如果我們據此計算車輛數量，我們會在十字路口的不同路線上花費時間。此數據庫保存所有交通相關信息，同時替換在Web服務器上分配給每個交叉口的每個路徑的時間。

命題3：時間更新等式

編程過程中使用的等式如公式(11)所示。對未來狀態的預測是：

前面的誤差協方差的預測，如公式(12)所示：

命題4：計量等式更新

卡爾曼增益表示為如公式(13)所示：

用測量值更新狀態估計值，如公式(14)所示：

誤差協方差估計與由更新表示的測量值，如公式(15)所示：

?

背景減法（也稱為前景檢測、前景減法）是一種用于計算機視覺處理的方法，在這種方法中，移除圖像的前景然后進行進一步處理。在這個方法中，我們通過數碼相機接收車輛的數據流，并將視頻轉換成幀，刪除參考背景，識別運動目標。分三個階段進行：在系統初始化步驟中，系統啟動并建立。數碼相機連續跟蹤數據流，然后將其發送到處理系統；接著背景減法步驟是以一系列視頻幀為中心，對連續的分析和操作進行背景減法；最后車輛檢測步驟中，所有移動的車輛或物體都是可見的，通過背景減法處理后提取的背景圖像進行跟蹤和計數。

如圖3所示顯示了ILTCS系統的運行狀態，運行狀態中要么“關閉”，要么開三種顏色(紅色、綠色或黃色)，模擬只在一個方向操作的交通燈。假設系統用戶可以要求打開或關閉燈，或者改變燈的顏色。箭頭用于顯示可能的更改狀態，這些更改指向可以從一個狀態移動到另一個狀態的位置。因此，本研究的最終目的是建立一個具有成本效益的信號管理智能的解決方案。該系統由一個面向車道的攝像頭拍攝我們想要行駛的路線，然后對行人和車輛的密度進行拍攝，并使用圖像處理軟件對每幅圖像進行有效處理和比較，以方便系統用戶了解交通密度。

圖3 ILTS系統運行圖Fig.3 State diagram of ILTS system

4 數值分析

4.1 工作表現比率

考慮采用多時段配時控制系統，在一天內將交通流量分解為若干個周期，并在每天不同時間調整信號時間框架，方法包括考慮當天交通需求的調整、使用詳細的性能指標方法或綠色波段時間框架方法來優化和創建信號配時。該系統是一種易于建立、可操作且成本低廉的實時信號管理計劃，該計劃表現出了更好的性能，或者至少表現出了長期的戰略性能，這些戰略多年來在不同網絡中得到了很好的適應，如圖4所示。如表1所示顯示了ITLCS系統的精度比，基于模型描述實際交通環境的精度和基于控制反饋的控制知識不能在線學習和調整控制效果。顯然，正在大規模開發和實施中的V2V、V2I、V2X通信技術和自動駕駛新技術，將極大地促進從數據匱乏時期到信息時代的城市交通控制系統技術路線的發展。

圖4 性能比Fig.4 Performance ratio

表1 精度比較表Tab.1 Accuracy comparison

4.2 準確度比率

體積的預測是一個關鍵的組成部分。有兩個因素與預測聯系在一起，那就是準確性和分辨率。控制策略和預測分辨率之間的聯系和交易，以及它們之間的相關誤差，對于建立適應性的交通控制系統具有重要意義。總之，在未來交通富裕的環境下，城市交通一體化管理的理論和方法是必然的選擇。

卡爾曼濾波算法中關鍵的因素是增益或混合因子L，它減小了協方差，從而實現了對運動目標的精確預測,要實現對運動目標的精確預測如公式(16)所示：

如表2所示顯示了ITLCS系統方法的預測比率。微觀模擬預測算法實現了自動控制的分布式策略。這種策略以實時車輛數據為基礎，在滾動優化窗口內通過模擬，確定15s的理想解決方案。結果表明，該方法在交通事故和交通需求突變情況下，具有明顯的誘導管理控制優勢。

表2 預測比率Tab.2 Prediction ratio

4.3 錯誤率

卡爾曼濾波器推導出一系列的數學等式，提供過去、現在和未來情況的預測，這一事實非常重要，最優估計量是最常見的。在所有噪聲均為高斯噪聲的情況下，卡爾曼濾波器使計算參數的均方誤差最小是理想的。如果聲音不是高斯的，卡爾曼濾波器也很有用，因為它不僅使用了最佳線性估計器，而且還使用了良好的非線性估計器。對于卡爾曼濾波的噪聲數據，有最佳的近似結果，提出的ITLCS方法在圖像檢測中具有較小的誤碼率。

4.4 平均等待時間

該系統證明可以最大限度地減少車輛的聚集行為，縮短車輛在交通信號燈下的等待時間。為了對現代城市交通進行實時研究，作者建立了真實的交通圖像，并將其與微控制和保險公司相結合，論證了信號燈前車輛的平均等待時間低于現有的交通控制網絡。對車輛數量進行統計，并對圖像分別進行處理。該系統保證了車輛在交通信號燈前的平均等待時間小于現有的交通管理系統，目的是通過本項目所采用的技術或算法，提高系統的效率。

4.5 計算費用

從帶有測試標志的圖像中，對所提出的計算成本進行估計，每一幀的平均處理時間是37.27ms，測試圖像處理計算的時間圖。處理時間可以根據圖像復雜度在兩個區域之間進行劃分。由于該算法試圖在測試圖像中定位圓或橢圓，在非常復雜的背景圖像中會有大量潛在區域，需要更多的處理時間。選擇這種方法的主要原因是為了降低計算成本，從而使實時實現變得簡單。

如上所述，智能交通燈控制系統能有效地處理日常交通，我們將GSM和GPS模塊用于救護車、消防車、VIP車輛等緊急車輛。GSM和GPS模塊的發射器位于緊急車和接收器的交叉點，當他們在最近的十字路口發送信息時，每個十字路口接收到該信息，并在需要時免費使用這些應急車輛。

5 總結

綜上所述，開發的車輛跟蹤和計數系統是將開源計算機視覺庫作為軟件工具，并運用了卡爾曼濾波算法和背景差分算法。該系統基于圖像處理技術，將背景減法應用于運動車輛檢測，然后使用卡爾曼濾波算法對車輛進行連續監測。系統使用評估十字路口道路密度的單數碼相機，我們將該裝置在不同環境下進行了測試，與其他傳感器相比該裝置具有較高的效率。這使得作為存儲和更新數據庫的系統為整個城市提供高效交通流成為可能，該系統通過給予應急車最高優先級，并從應急車處獲得數據后對其進行持續監控，從而進一步處理緊急情況，這意味著所提出的系統比其他系統能提供更好的性能。

引用

[1] 張雨.大數據背景下的城市道路交通擁堵問題研究[J].機電信息,2019(29):162-163.

[2] 劉君.銀川市城市交通擁堵問題及對策研究[J].工程技術研究, 2021(11):277-278.

[3] 于海賓.城市交通擁堵問題的分析與對策——以沈陽市為例[J].城市道橋與防洪,2020(4):11-13.

[4] 林基艷,張慧,張雅瓊.基于RFID的交通信號燈智能控制系統的研究[J].河南科學,2017(8):1214-1220.

[5] 常錚,李曉藝,劉丹丹,等.基于視頻識別的智能交通信號燈配時優化[J].自動化技術與應用,2018(11):139-142.

[6] Pranjali B Patil,Atul A Jadhav.Adaptive Traffic Control System Based on Embedded Linux Board and Image Processing[J].Journal of Electronics and Communication Engineering,2015(10):87-96.

[7] Auranuch Lorsakul,Jackrit Suthakorn.Traffic Sign Recognition for Intelligent Vehicle/Driver Assistance System Using Neural Network on OpenCV[C]//The 4th International Conference on Ubiquitous Robots and Ambient Intelligence.USA:IEEE,2007:22-28.

[8] Saili Shinde,Sheetal Jagtap.Intelligent Traffic Management Systems:A Review[C]//International Journal for Innovative Research in Science & Technology,2016,2(9):293-298.

[9] GHAZAL B,ELKHATIB K,CHAHINE K,et al.Smart Traffic Light Control System[C]//2016 Third International Conference on Electrical,Electronics,Computer Engineering and Their Applications (EECEA).IEEE,2016:140-145.

[10] SURATEKAR A G,BOMBALE U L.WSN Based Cost Effective Intelligent Traffic Light Control System Based on Image Processing[J].International Journal of Computer Applications,2015 (7):47-50.