南通理工學(xué)院傳媒與設(shè)計(jì)學(xué)院 龔蘇寧 紀(jì)明媚 陳欣欣 董文佳 樊慧嬌

隨著城市機(jī)動(dòng)車(chē)數(shù)量的高速增長(zhǎng)，交通擁堵問(wèn)題日劇嚴(yán)重，部分問(wèn)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(xiàn)階段迫切需要一種能夠有效優(yōu)化交通流量的交通控制系統(tǒng)。本文提出一種基于OpenCV圖像處理技術(shù)的智能交通信號(hào)燈控制系統(tǒng)（ITLCS），系統(tǒng)提供基于道路密度的交通燈信號(hào)配時(shí)，而不是設(shè)置與其他車(chē)道相平衡的水平等級(jí)，以便高負(fù)荷行車(chē)線可以長(zhǎng)時(shí)間啟用。該系統(tǒng)由一個(gè)面向車(chē)行道的攝像頭拍攝行駛路線，然后拍攝行人和車(chē)輛的行駛密度，并通過(guò)OpenCV技術(shù)比較每幅圖像，經(jīng)過(guò)系統(tǒng)處理后即刻調(diào)整交通燈信號(hào)配時(shí)，這樣大大減少花在無(wú)作用綠燈上的時(shí)間，可以有效地處理交通擁堵問(wèn)題。

1 智能交通信號(hào)燈控制系統(tǒng)介紹

近些年來(lái)，我國(guó)城市建設(shè)發(fā)展十分迅猛，然而，城市問(wèn)題也隨之而來(lái),城市道路交通擁堵問(wèn)題日趨嚴(yán)峻，已成為制約城市健康、可持續(xù)發(fā)展的重要因素之一[1]。有的專家學(xué)者認(rèn)為：城市道路基礎(chǔ)實(shí)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(dǎo)致城市交通擁堵的重要因素[2]；交通擁堵問(wèn)題歸根結(jié)底是交通需求與交通供給的平衡問(wèn)題[3]。他們也提出了很多方法來(lái)解決交通堵塞問(wèn)題，如：修建新的道路、使用局域網(wǎng)、RFID系統(tǒng)（射頻無(wú)線信號(hào)自動(dòng)識(shí)別系統(tǒng)）等，但由于很多已建區(qū)域沒(méi)有足夠空間建設(shè)新公路，同時(shí)利用 RFID技術(shù)實(shí)現(xiàn)安裝RFID標(biāo)簽的道路車(chē)輛與安裝在道路交叉路口[4]，其費(fèi)用比現(xiàn)狀的交通信號(hào)燈系統(tǒng)高很多。

目前國(guó)內(nèi)絕大多數(shù)交通信號(hào)燈為固定周期控制,這種定時(shí)控制算法顯然不能根據(jù)交通流的變化而及時(shí)做出調(diào)整[5]。在人流量較大的地區(qū)，由于早晚交通高峰的影響，人們無(wú)法按照預(yù)期到達(dá)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(gè)問(wèn)題是車(chē)輛會(huì)在交叉路口停止和啟動(dòng)，這樣直接導(dǎo)致燃油消耗比普通行駛過(guò)程更高，燃油成本增加，人們需要額外支付燃油費(fèi)用，同時(shí)加劇了環(huán)境污染。另外消防車(chē)、救護(hù)車(chē)無(wú)法在適當(dāng)?shù)臅r(shí)間做出反應(yīng)，以救護(hù)車(chē)的情況為例，在這條路上的病人處于危急情況時(shí)，因交通堵塞使救護(hù)車(chē)很可能無(wú)法在適當(dāng)?shù)臅r(shí)候到達(dá)醫(yī)院，導(dǎo)致病人陷入生命危險(xiǎn)之中。這就是為什么需要一個(gè)智能的交通控制系統(tǒng)，才能有效地應(yīng)對(duì)不同的交通狀況，避免交通堵塞和事故發(fā)生。

如圖1所示智能交通監(jiān)控系統(tǒng)的主要模塊包括：車(chē)型、長(zhǎng)度、交通、路線、交警和方向管理。本研究的主要內(nèi)容是：利用所提出的智能交通燈控制系統(tǒng)（ITLCS）對(duì)交通燈進(jìn)行控制，并利用圖像檢測(cè)車(chē)輛密度；對(duì)計(jì)算數(shù)碼相機(jī)拍攝的車(chē)道圖像進(jìn)行處理，包括：銳化、模糊、增亮、邊緣增強(qiáng)等操作；然后，利用計(jì)算機(jī)成像技術(shù)對(duì)圖像進(jìn)行分組分析，以便發(fā)現(xiàn)車(chē)輛，并通過(guò)操作條件和可動(dòng)光進(jìn)行控制。研究使用的圖像處理工具是一個(gè)免費(fèi)的、非商業(yè)的Intel開(kāi)源的計(jì)算機(jī)視覺(jué)庫(kù)OpenCV。

圖1 智能交通控制系統(tǒng)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(yīng)交通控制系統(tǒng)（ATCS）。他們建議根據(jù)道路密度而不是固定的時(shí)間框架來(lái)確定紅綠燈信號(hào)的時(shí)間，這樣可以確保交通擁堵嚴(yán)重問(wèn)題一側(cè)時(shí)間比另一側(cè)長(zhǎng)。一旦分配了每條車(chē)道的計(jì)時(shí)，每條車(chē)道將以順時(shí)針?lè)较虼蜷_(kāi)一段既定的時(shí)間，之后根據(jù)密度的不同，在每條車(chē)道上花費(fèi)不同的時(shí)間，不斷重復(fù)這個(gè)周期。通過(guò)數(shù)碼相機(jī)不斷地記錄視頻，然后借助開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)的方法處理這些視頻幀從而獲得道路上車(chē)輛密度。GSM和GPS模塊為這個(gè)建議性系統(tǒng)中的緊急情況提供額外服務(wù)。

Jackrit SuthakornA等人[7]提出在開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)上使用神經(jīng)網(wǎng)絡(luò)的智能車(chē)輛、駕駛員輔助系統(tǒng)能快速、實(shí)時(shí)、可靠的進(jìn)行交通標(biāo)志識(shí)別（TSR），自動(dòng)路標(biāo)檢測(cè)與識(shí)別可以幫助和解除駕駛員的駕駛負(fù)擔(dān)，顯著提高駕駛的舒適性和安全性。對(duì)于自動(dòng)智能車(chē)或駕駛員輔助系統(tǒng)來(lái)說(shuō)，交通標(biāo)志的自動(dòng)識(shí)別也至關(guān)重要。他們對(duì)神經(jīng)網(wǎng)絡(luò)中的交通標(biāo)志模式進(jìn)行了階段性研究，為了確定最佳的網(wǎng)絡(luò)系統(tǒng)，還對(duì)程序進(jìn)行了驗(yàn)證和測(cè)試。結(jié)果表明，該系統(tǒng)對(duì)具有復(fù)雜背景圖像的道路標(biāo)志具有很高的分類精度和較大的計(jì)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(hào)管理系統(tǒng)提供經(jīng)濟(jì)有效的解決方案。該系統(tǒng)在車(chē)道前面安裝攝像頭，可以對(duì)監(jiān)管的道路進(jìn)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(chē)流量。8051微控制器將根據(jù)來(lái)自O(shè)penCV的處理數(shù)據(jù)，向交通LED計(jì)時(shí)器發(fā)送控制信號(hào)，以指示交通信號(hào)燈的特定時(shí)間。這種新方法的優(yōu)點(diǎn)是：與傳感器相比OpenCV具有生產(chǎn)成本低、配置簡(jiǎn)單、操作精度高、速度快等優(yōu)點(diǎn)。但是這種方法不能在農(nóng)村地區(qū)使用，因?yàn)檗r(nóng)村地區(qū)車(chē)輛較少，交通擁堵問(wèn)題很少發(fā)生。

Bilal Ghazal等人[9]建構(gòu)了交通信號(hào)燈智能控制系統(tǒng)（STLCS）。紅綠燈通常被用來(lái)監(jiān)視和控制多條公路交叉口的交通活動(dòng)。傳統(tǒng)的控制系統(tǒng)不管理交叉口的可變流量，相鄰的交通信號(hào)燈系統(tǒng)、車(chē)流時(shí)間差、交通事故、緊急車(chē)輛通行和行人過(guò)街之間不存在相互關(guān)聯(lián)，結(jié)果導(dǎo)致交通堵塞和交通延誤。該系統(tǒng)包括PIC微控制器的LED設(shè)備，它使用紅外傳感器計(jì)算交通密度，并實(shí)現(xiàn)不同級(jí)別的動(dòng)態(tài)時(shí)隙分配。此外，遠(yuǎn)程控制器處理被困在擁堵的高速公路上的緊急車(chē)輛。

Anuradha G.Suratekar[10]介紹了以圖像處理為基礎(chǔ)的基于無(wú)線傳感器網(wǎng)絡(luò)的智能交通燈控制系統(tǒng)（WSNITCS）。設(shè)計(jì)了智能交通信號(hào)燈控制系統(tǒng)的圖像處理，在交通檢測(cè)方面，主要采用感應(yīng)線圈法，但是它的物理體積巨大，不便于安裝和維護(hù)。然而目前的交通控制系統(tǒng)已經(jīng)設(shè)定了時(shí)間，所以目前的交通系統(tǒng)在交通管理和控制方面不是很有效。感應(yīng)線圈之間也沒(méi)有通信，無(wú)線傳感器網(wǎng)絡(luò)(WSN)具有容錯(cuò)性、可擴(kuò)展性、實(shí)時(shí)性和協(xié)調(diào)性等特點(diǎn)，因此，可根據(jù)無(wú)線傳感器網(wǎng)絡(luò)的交通密度對(duì)交通信號(hào)燈系統(tǒng)進(jìn)行了規(guī)劃，利用C++語(yǔ)言來(lái)編程。

為了克服這些問(wèn)題，本文提出了一種基于數(shù)碼相機(jī)測(cè)量道路密度，自動(dòng)改變交叉口信號(hào)燈的系統(tǒng)。借助全球移動(dòng)通信系統(tǒng)（GSM）、全球定位系統(tǒng)（GPS）和圖像處理技術(shù)，該系統(tǒng)通過(guò)自動(dòng)調(diào)整交通信號(hào)燈，為緊急運(yùn)輸車(chē)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(yùn)輸方式，這將使交通系統(tǒng)能夠正常工作。將提供流量同步上傳到Web服務(wù)器上，存儲(chǔ)整個(gè)系統(tǒng)的流量數(shù)據(jù)庫(kù)，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(tǒng)

本文提出了一種基于OpenCV圖像處理技術(shù)的智能交通燈控制系統(tǒng)（ITLCS）。該系統(tǒng)通過(guò)為每個(gè)方向提供適當(dāng)?shù)臅r(shí)間來(lái)調(diào)節(jié)交通流，使得重載車(chē)道比其他車(chē)道開(kāi)放的時(shí)間更長(zhǎng)，同時(shí)保持總的交叉時(shí)間比，使得密度較低的車(chē)道也有自由路徑，而無(wú)需等待更多時(shí)間。首先要獲取準(zhǔn)確的車(chē)輛數(shù)量數(shù)據(jù)，以此為依據(jù)合理分配每一條道路上的時(shí)間。該系統(tǒng)主要由無(wú)線收發(fā)器、微控制器、數(shù)碼相機(jī)、圖像處理單元和OpenCV軟件組成。OpenCV系統(tǒng)是圖像處理軟件；Python是使用的語(yǔ)言；Rasberry Pi處理圖像，并使用8051微控制器，使數(shù)字語(yǔ)言很容易地轉(zhuǎn)換成二進(jìn)制語(yǔ)言；所采用的技術(shù)包括Blob檢測(cè)和彩色閾值；所使用的算法為卡爾曼濾波(Kalman Filter)算法。

ITLCS系統(tǒng)可以檢測(cè)到消防車(chē)、救護(hù)車(chē)、應(yīng)急車(chē)輛等并采取所需的行動(dòng)，同時(shí)我們使用Python語(yǔ)言編程來(lái)實(shí)現(xiàn)這個(gè)操作。攝像機(jī)對(duì)圖像進(jìn)行采集后，用Raspberry Pi處理圖像，根據(jù)交通密度對(duì)每個(gè)紅綠燈進(jìn)行時(shí)間分配。在緊急情況下，系統(tǒng)將會(huì)擇優(yōu)考慮。GSM和GPS發(fā)射器被放置在救護(hù)車(chē)上以便發(fā)出緊急警報(bào)信息，在每個(gè)十字路口都安裝了GSM和GPS信號(hào)接收器引擎。每個(gè)交叉口都被分配一個(gè)唯一的代碼，所有代碼對(duì)于每條路線都有一個(gè)唯一的標(biāo)識(shí)符。本次實(shí)驗(yàn)選取南通市崇川區(qū)工農(nóng)路人民中路段的交通情況為例，通過(guò)OpenCV圖像技術(shù)處理捕捉的交通情況，如圖2所示顯示了圖像處理的過(guò)程及效果。

命題1：狀態(tài)模型與過(guò)程

考慮離散時(shí)間控制過(guò)程，借助線性公式（1）描述為：

如公式（1）所示，其中yl表示隨機(jī)變量過(guò)程噪聲，vl表示時(shí)間步驟1的狀態(tài)變量，B和A是m×m和1×m矩陣系數(shù)有關(guān)的步驟l的狀態(tài)微分公式（1），并相應(yīng)地控制輸入?，F(xiàn)在系統(tǒng)測(cè)量可以描述為：

如公式（2）所示，其中Xl表示第1步的估計(jì)值，隨機(jī)變量ul表示系統(tǒng)的測(cè)量噪聲，G是n×m測(cè)量狀態(tài)xl的n×m矩陣系數(shù)。假設(shè)隨機(jī)變量sl和ul是不同的，因此對(duì)于這些高斯白噪聲，它們的協(xié)方差矩陣P和T，這些協(xié)方差矩陣分別在公式（3）和公式（4）中表示為：

那么根據(jù)上述等式，公式（5）是對(duì)于所有l(wèi)和j，s到u的協(xié)方差矩陣始終為零：

命題2：卡爾曼濾波原點(diǎn)估計(jì)

第1步的yl當(dāng)前狀態(tài)及其在第1步的先驗(yàn)狀態(tài)估計(jì)是回顧了和在第1步允許估計(jì)時(shí)的后驗(yàn)狀態(tài)估計(jì)然后相應(yīng)地給出了公式（6）和公式（7）中誤差的前驗(yàn)和后驗(yàn)計(jì)算。

因此，誤差協(xié)方差的前后評(píng)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(yàn)協(xié)方差最小化，以實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的精確預(yù)測(cè)，現(xiàn)在是最重要的因素：

從上面公式（10）可以看出，當(dāng)Tl→0被越來(lái)越多地用于測(cè)量實(shí)際xl測(cè)量值時(shí)，如果可以，那么就采用預(yù)測(cè)計(jì)算，并且越來(lái)越相信實(shí)際測(cè)量值xl。

因此，對(duì)于上述公式，我們可以得出結(jié)論，時(shí)間更新濾波器和測(cè)量更新濾波器分別以卡爾曼濾波器的預(yù)測(cè)方程和校正公式的形式使用。

如上述算法1所示，一旦識(shí)別出車(chē)輛，我們將不斷跟蹤它，直到車(chē)輛離開(kāi)框架，然后我們對(duì)其進(jìn)行計(jì)數(shù)。要做到這一點(diǎn)，我們必須找出被檢測(cè)到的車(chē)輛的中心，然后將其以矩形連接到該車(chē)輛上。一旦得到被檢測(cè)車(chē)輛的中心，我們就使用卡爾曼濾波算法來(lái)跟蹤該車(chē)輛的結(jié)果，以獲得每個(gè)車(chē)道的確切車(chē)輛數(shù)量。如果我們據(jù)此計(jì)算車(chē)輛數(shù)量，我們會(huì)在十字路口的不同路線上花費(fèi)時(shí)間。此數(shù)據(jù)庫(kù)保存所有交通相關(guān)信息，同時(shí)替換在Web服務(wù)器上分配給每個(gè)交叉口的每個(gè)路徑的時(shí)間。

命題3：時(shí)間更新等式

編程過(guò)程中使用的等式如公式(11)所示。對(duì)未來(lái)狀態(tài)的預(yù)測(cè)是：

前面的誤差協(xié)方差的預(yù)測(cè)，如公式(12)所示：

命題4：計(jì)量等式更新

卡爾曼增益表示為如公式(13)所示：

用測(cè)量值更新?tīng)顟B(tài)估計(jì)值，如公式(14)所示：

誤差協(xié)方差估計(jì)與由更新表示的測(cè)量值，如公式(15)所示：

?

背景減法（也稱為前景檢測(cè)、前景減法）是一種用于計(jì)算機(jī)視覺(jué)處理的方法，在這種方法中，移除圖像的前景然后進(jìn)行進(jìn)一步處理。在這個(gè)方法中，我們通過(guò)數(shù)碼相機(jī)接收車(chē)輛的數(shù)據(jù)流，并將視頻轉(zhuǎn)換成幀，刪除參考背景，識(shí)別運(yùn)動(dòng)目標(biāo)。分三個(gè)階段進(jìn)行：在系統(tǒng)初始化步驟中，系統(tǒng)啟動(dòng)并建立。數(shù)碼相機(jī)連續(xù)跟蹤數(shù)據(jù)流，然后將其發(fā)送到處理系統(tǒng)；接著背景減法步驟是以一系列視頻幀為中心，對(duì)連續(xù)的分析和操作進(jìn)行背景減法；最后車(chē)輛檢測(cè)步驟中，所有移動(dòng)的車(chē)輛或物體都是可見(jiàn)的，通過(guò)背景減法處理后提取的背景圖像進(jìn)行跟蹤和計(jì)數(shù)。

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

圖3 ILTS系統(tǒng)運(yùn)行圖Fig.3 State diagram of ILTS system

4 數(shù)值分析

4.1 工作表現(xiàn)比率

考慮采用多時(shí)段配時(shí)控制系統(tǒng)，在一天內(nèi)將交通流量分解為若干個(gè)周期，并在每天不同時(shí)間調(diào)整信號(hào)時(shí)間框架，方法包括考慮當(dāng)天交通需求的調(diào)整、使用詳細(xì)的性能指標(biāo)方法或綠色波段時(shí)間框架方法來(lái)優(yōu)化和創(chuàng)建信號(hào)配時(shí)。該系統(tǒng)是一種易于建立、可操作且成本低廉的實(shí)時(shí)信號(hào)管理計(jì)劃，該計(jì)劃表現(xiàn)出了更好的性能，或者至少表現(xiàn)出了長(zhǎng)期的戰(zhàn)略性能，這些戰(zhàn)略多年來(lái)在不同網(wǎng)絡(luò)中得到了很好的適應(yīng)，如圖4所示。如表1所示顯示了ITLCS系統(tǒng)的精度比，基于模型描述實(shí)際交通環(huán)境的精度和基于控制反饋的控制知識(shí)不能在線學(xué)習(xí)和調(diào)整控制效果。顯然，正在大規(guī)模開(kāi)發(fā)和實(shí)施中的V2V、V2I、V2X通信技術(shù)和自動(dòng)駕駛新技術(shù)，將極大地促進(jìn)從數(shù)據(jù)匱乏時(shí)期到信息時(shí)代的城市交通控制系統(tǒng)技術(shù)路線的發(fā)展。

圖4 性能比Fig.4 Performance ratio

表1 精度比較表Tab.1 Accuracy comparison

4.2 準(zhǔn)確度比率

體積的預(yù)測(cè)是一個(gè)關(guān)鍵的組成部分。有兩個(gè)因素與預(yù)測(cè)聯(lián)系在一起，那就是準(zhǔn)確性和分辨率。控制策略和預(yù)測(cè)分辨率之間的聯(lián)系和交易，以及它們之間的相關(guān)誤差，對(duì)于建立適應(yīng)性的交通控制系統(tǒng)具有重要意義。總之，在未來(lái)交通富裕的環(huán)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(guān)鍵的因素是增益或混合因子L，它減小了協(xié)方差，從而實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)目標(biāo)的精確預(yù)測(cè),要實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的精確預(yù)測(cè)如公式(16)所示：

如表2所示顯示了ITLCS系統(tǒng)方法的預(yù)測(cè)比率。微觀模擬預(yù)測(cè)算法實(shí)現(xiàn)了自動(dòng)控制的分布式策略。這種策略以實(shí)時(shí)車(chē)輛數(shù)據(jù)為基礎(chǔ)，在滾動(dòng)優(yōu)化窗口內(nèi)通過(guò)模擬，確定15s的理想解決方案。結(jié)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(dǎo)管理控制優(yōu)勢(shì)。

表2 預(yù)測(cè)比率Tab.2 Prediction ratio

4.3 錯(cuò)誤率

卡爾曼濾波器推導(dǎo)出一系列的數(shù)學(xué)等式，提供過(guò)去、現(xiàn)在和未來(lái)情況的預(yù)測(cè)，這一事實(shí)非常重要，最優(yōu)估計(jì)量是最常見(jiàn)的。在所有噪聲均為高斯噪聲的情況下，卡爾曼濾波器使計(jì)算參數(shù)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?yàn)樗粌H使用了最佳線性估計(jì)器，而且還使用了良好的非線性估計(jì)器。對(duì)于卡爾曼濾波的噪聲數(shù)據(jù)，有最佳的近似結(jié)果，提出的ITLCS方法在圖像檢測(cè)中具有較小的誤碼率。

4.4 平均等待時(shí)間

該系統(tǒng)證明可以最大限度地減少車(chē)輛的聚集行為，縮短車(chē)輛在交通信號(hào)燈下的等待時(shí)間。為了對(duì)現(xiàn)代城市交通進(jìn)行實(shí)時(shí)研究，作者建立了真實(shí)的交通圖像，并將其與微控制和保險(xiǎn)公司相結(jié)合，論證了信號(hào)燈前車(chē)輛的平均等待時(shí)間低于現(xiàn)有的交通控制網(wǎng)絡(luò)。對(duì)車(chē)輛數(shù)量進(jìn)行統(tǒng)計(jì)，并對(duì)圖像分別進(jìn)行處理。該系統(tǒng)保證了車(chē)輛在交通信號(hào)燈前的平均等待時(shí)間小于現(xiàn)有的交通管理系統(tǒng)，目的是通過(guò)本項(xiàng)目所采用的技術(shù)或算法，提高系統(tǒng)的效率。

4.5 計(jì)算費(fèi)用

從帶有測(cè)試標(biāo)志的圖像中，對(duì)所提出的計(jì)算成本進(jìn)行估計(jì)，每一幀的平均處理時(shí)間是37.27ms，測(cè)試圖像處理計(jì)算的時(shí)間圖。處理時(shí)間可以根據(jù)圖像復(fù)雜度在兩個(gè)區(qū)域之間進(jìn)行劃分。由于該算法試圖在測(cè)試圖像中定位圓或橢圓，在非常復(fù)雜的背景圖像中會(huì)有大量潛在區(qū)域，需要更多的處理時(shí)間。選擇這種方法的主要原因是為了降低計(jì)算成本，從而使實(shí)時(shí)實(shí)現(xiàn)變得簡(jiǎn)單。

如上所述，智能交通燈控制系統(tǒng)能有效地處理日常交通，我們將GSM和GPS模塊用于救護(hù)車(chē)、消防車(chē)、VIP車(chē)輛等緊急車(chē)輛。GSM和GPS模塊的發(fā)射器位于緊急車(chē)和接收器的交叉點(diǎn)，當(dāng)他們?cè)谧罱氖致房诎l(fā)送信息時(shí)，每個(gè)十字路口接收到該信息，并在需要時(shí)免費(fèi)使用這些應(yīng)急車(chē)輛。

5 總結(jié)

綜上所述，開(kāi)發(fā)的車(chē)輛跟蹤和計(jì)數(shù)系統(tǒng)是將開(kāi)源計(jì)算機(jī)視覺(jué)庫(kù)作為軟件工具，并運(yùn)用了卡爾曼濾波算法和背景差分算法。該系統(tǒng)基于圖像處理技術(shù)，將背景減法應(yīng)用于運(yùn)動(dòng)車(chē)輛檢測(cè)，然后使用卡爾曼濾波算法對(duì)車(chē)輛進(jìn)行連續(xù)監(jiān)測(cè)。系統(tǒng)使用評(píng)估十字路口道路密度的單數(shù)碼相機(jī)，我們將該裝置在不同環(huán)境下進(jìn)行了測(cè)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(chǔ)和更新數(shù)據(jù)庫(kù)的系統(tǒng)為整個(gè)城市提供高效交通流成為可能，該系統(tǒng)通過(guò)給予應(yīng)急車(chē)最高優(yōu)先級(jí)，并從應(yīng)急車(chē)處獲得數(shù)據(jù)后對(duì)其進(jìn)行持續(xù)監(jiān)控，從而進(jìn)一步處理緊急情況，這意味著所提出的系統(tǒng)比其他系統(tǒng)能提供更好的性能。

引用

[1] 張雨.大數(shù)據(jù)背景下的城市道路交通擁堵問(wèn)題研究[J].機(jī)電信息,2019(29):162-163.

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

[3] 于海賓.城市交通擁堵問(wèn)題的分析與對(duì)策——以沈陽(yáng)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(hào)燈智能控制系統(tǒng)的研究[J].河南科學(xué),2017(8):1214-1220.

[5] 常錚,李曉藝,劉丹丹,等.基于視頻識(shí)別的智能交通信號(hào)燈配時(shí)優(yōu)化[J].自動(dòng)化技術(shù)與應(yīng)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.