基于實時圖像處理算法的交通信號主動智能優化方法研究

邵利明，李剛奇，凌美寧

（1.廣州市城市規劃勘測設計研究院，廣東廣州 510060；2.廣東省城市感知與監測預警企業重點實驗室，廣東 廣州 510060）

交叉路口是車輛擁堵的主要發生場所，而交通信號燈是指揮路口車輛行進的重要依據[1-3]。隨著智慧交通系統的建設，交通信號燈的控制逐漸轉變為智能方式，其變換周期則由定周期發展為可變周期[4-7]。在此背景下，文中對信號燈的配時方案進行了詳細的研究，且基于圖像處理技術實現了對車流量的實時統計，進而為信號燈配時方案提供依據。同時還基于多目標優化思想設計了信號燈的改進方法，并有效提升了交叉路口的通行效率。

1 理論基礎

1.1 基于圖像處理的車輛統計

車輛數量是信號燈優化的重要依據，該次利用采集的車輛視頻，基于圖像處理算法[8-10]實現車流量的自動化統計。具體統計流程，如圖1 所示。

圖1 車輛視頻處理統計流程

圖1 中，運動車輛的檢測是實現車輛統計的關鍵步驟。為了從視頻的背景圖像中準確提取背景幀，此次引入了一種混合高斯模型(Gaussian Mixture Model，GMM)。

通常該模型[11-13]由N個高斯函數組成，記在任意時刻t像素點(x,y)取值為I(x,y)的概率P(Xt)為：

式中，ωi,t表示該時刻第i個高斯函數的權重；而ηt(Xt,μi,t,cov(i,t))的計算方式如下：

式中，μi,t為均值；cov(i,t)為協方差矩陣，d為其維數。視頻的每一幀輸入至該模型后，均要進行參數更新，更新方法如下：

若不滿足匹配條件，在該次迭代中僅更新高斯函數間的權重：

背景提取完成后，即可進行運動目標和背景的分割，記B為被判別為背景的分布，表示如下：

其中，P為判別閾值；b為累加因子。視頻幀中檢測出運動的車輛后，即可通過虛擬線圈法(Virtual Coil Method)對車輛進行統計。

1.2 交通信號燈優化方案

當前，在我國一線城市中主要使用的信號燈線控方案為“綠波帶”模型。該模型依據經驗公式，設置固定時間的信號燈配時方案，但其并未基于實時車流量進行控制。當車流量較少時，會造成綠燈時間過長；而當車流量較大時，則會增加車道的擁擠程度。為此，采用上文中的圖像統計方法，并基于實時車流量建立了一個多目標交通信號燈優化模型。在所設計模型中主要定義了三個指標：平均延誤時間、路口排隊長度和車輛停車次數。在n個交叉路口，對每個路口均由四相位所控制路段中的指標計算方法闡述如下：

1）平均排隊時間

該指標可評估車輛在交叉路口的平均延誤時間。對于第i個相位，其延誤時間di的估算公式為：

其中，di1、di2分別為均勻及隨機附加延誤，二者的計算方法如下：

式中，T為信號周期時長；λi為交叉路口第i個相位的綠信比；sij為在i相位下j方向車輛的飽和程度，N為相應的車輛數。

此時，該路段的延誤時間可由式（9）計算：

2）排隊長度

基于交通流理論和波速公式，得到排隊模型：

在第i個相位的第n個周期內，Qni為相應路口排隊的車輛總數；Sn-1,i為上一周期的滯留車輛；Nri為紅燈導致的排隊車輛，其計算公式為：

式中，ki、vf分別為車流密度與速度。則有：

式中，Pn為當前周期下紅燈時到達車輛與綠燈結束后的車輛差；Q為該交叉路口的最大同行車流量；R和G為分解系數，qn為紅燈控制的車流量。此時，排隊車輛總數Qn的計算方法如下：

3）停車次數

基于車流量模型，可以得到停車次數的計算方式為：

其中，q0為基礎車流量，qm為綠燈時釋放的車流量。

基于平均排隊時間、排隊長度和停車次數的定義方式，引入約束條件后可得到最終的交通信號燈優化模型：

為了求解該優化模型，引入了粒子群算法(Particle Swarm Optimization,PSO)[14-16]。首先記粒子群的搜索空間Ωn中有γ個粒子，即：

通常情況下，路口的紅綠燈周期時長為已知量，需以此為基礎優化綠信比及相位差。對于一條由n個路口構成的四相位控制路段，將相位時間表示為粒子群的粒子位置Xi，采用粒子運動速度Vi來表示每個相位的時間變化，則有：

此時，各個參數的更新方法如下：

式中，ω為粒子搜索的慣性系數，c1、c2為加速系數，r1、r2為[0,1]隨機系數，pg為粒子群搜索時的最佳位置，其更新方法如下：

2 方法實現

2.1 實驗設計

在驗證所提算法時，需要從兩個方面考慮：1）驗證實時圖像處理算法在視頻信號中檢測車輛數量的效率；2）驗證信號燈優化算法對于交叉路口信號燈的控制效果。算法仿真軟硬件環境為：操作系統Windows11；CPU Intel Core i-7；內存32 GB；編程環境Matlab 2018b。

文中以某城市的主干道作為驗證算法性能的對象。該城市干線共包含五個如圖2 所示的交叉路口，這些路口的編號及間距，見表1 所示。此次在該路口采集了幀率為30 frame/s、分辨率為4 CIF 及碼流為768 kbit/s 的視頻信號32 715 條。

表1 路段交叉路口參數設置

圖2 交叉路口的基本情況

在進行交通信號燈優化求解時，涉及的相關道路及粒子群算法的參數，如表2 所示。

表2 基準實驗參數

2.2 實驗結果

首先對基于圖像處理的車輛統計算法性能進行驗證，驗證效果如圖3-4 所示。

圖3 車輛檢測效果

圖3 為算法在進行車輛統計時的效果。由圖可以看出，該算法能夠清晰地區分視頻幀中的前景和背景，進而有效提取出車道中的車輛。而從圖4 中可看出，該算法能夠按照車輛行駛位置在視頻幀中規劃線圈，當車輛通過線圈時，統計數量加1。同時，由于所提算法的統計精度與虛擬線圈寬度和轎車車身長度比有關，故而根據表3，文中選取了50%作為線圈寬度的參數值。此時，該數據集對車輛統計的平均精度為95.4%。

表3 不同虛擬圈寬度下的精度

圖4 虛擬線圈統計示意圖

此外，表4 還給出了部分視頻的統計結果。由表可知，該算法對不同的車流量統計精度均在93%以上，從而能夠滿足不同車流量道路的使用需求。

表4 車輛數量實驗統計結果

為了評估文中交通信號燈優化方案的效果，文中以Webster 方法作為對照組進行對比實驗，結果如表5 所示。從表中可以看出，所提優化方案的各個指標均優于Webster 方法。其中，平均延誤時間降低了2.76%，平均停車次數降低了8.35%，而平均等待長度則降低了12.44%。

表5 不同方案仿真結果對比

3 結束語

該文設計了一種基于圖像識別的交通信號燈優化方法。該方法使用道路視頻完成車輛的數量統計，為交通信號燈的優化提供了重要依據。仿真結果表明，該文算法對于運動車輛的檢測具有較高的精度，優化后的信號燈方案可有效降低車輛在交叉路口的通行效率。未來隨著數字城市建設進程的加快，該算法將有更為廣闊的應用前景。