趙 勇，李懷宇

（長(zhǎng)安大學(xué)信息工程學(xué)院，陜西西安710064）

交通擁堵是城市生活的主要問(wèn)題之一[1]。由于越來(lái)越多的車(chē)輛和有限的基礎(chǔ)設(shè)施及建設(shè)，使得這一問(wèn)題日益嚴(yán)重[2]。在這種情況下，傳統(tǒng)的基于定時(shí)器的交通燈控制方式不能有效調(diào)整交通擁堵情況。若一條車(chē)道比其他車(chē)道擁有更多的車(chē)輛，現(xiàn)有的系統(tǒng)便無(wú)法控制交通。為了解決這一問(wèn)題，需要一個(gè)實(shí)時(shí)的交通控制系統(tǒng)，根據(jù)交通密度來(lái)控制交通燈[3-4]。

目前，一些常用的交通流量檢測(cè)方法包括：地磁檢測(cè)器、超聲波檢測(cè)器、紅外檢測(cè)器和環(huán)形線圈檢測(cè)器[5-10]。隨著軟硬件技術(shù)的不斷提高，基于視頻車(chē)輛檢測(cè)方法也越來(lái)越受到人們的關(guān)注[11-13]，逐漸成為未來(lái)智能運(yùn)輸系統(tǒng)的發(fā)展方向。硬件技術(shù)的提高使得越來(lái)越復(fù)雜的圖像處理算法能取得實(shí)時(shí)性能。基于此，本文使用圖像處理技術(shù)計(jì)算車(chē)流密度，并結(jié)合PLC控制器智能控制交通燈的變換以提高車(chē)輛通過(guò)十字路口的效率。

1 系統(tǒng)結(jié)構(gòu)

本系統(tǒng)選用西門(mén)子S7-300[14]系列PLC作為主控制器，交通密度基于圖像處理技術(shù)計(jì)算得到，并使用DSP處理CCD相機(jī)拍攝的視頻[15-17]。系統(tǒng)組成結(jié)構(gòu)如圖1所示，主要由CCD相機(jī)、DSP圖像處理器、緊急按鈕、Internet接口、PLC控制系統(tǒng)和交通燈組構(gòu)成。

在每個(gè)路口安裝如圖2所示的監(jiān)控?cái)z像頭，經(jīng)嵌入式DSP處理后得到各路口的道路流量信息，并將信息發(fā)送給PLC控制系統(tǒng)。而控制系統(tǒng)根據(jù)該信息和當(dāng)前紅綠燈的轉(zhuǎn)狀態(tài)，自動(dòng)調(diào)節(jié)所在路口的交通燈通行狀態(tài)。同時(shí)，該系統(tǒng)也安裝了緊急按鈕，通過(guò)按動(dòng)緊急按鈕來(lái)應(yīng)急干預(yù)交通信號(hào)燈的狀態(tài)。

由圖1可看出，為了實(shí)現(xiàn)多個(gè)交通路口的信號(hào)燈連鎖控制，系統(tǒng)也安裝了Internet接口，這也為交通系統(tǒng)的遠(yuǎn)程監(jiān)控和網(wǎng)絡(luò)化奠定了基礎(chǔ)。

本系統(tǒng)所選用的S7-300PLC主控制器包括：314IFMCPU模塊、SM334模擬量模塊（包括6路模擬量輸入信號(hào)和4路模擬量輸出信號(hào)）和SM332開(kāi)關(guān)量模塊（包括36點(diǎn)開(kāi)關(guān)量輸入信號(hào)和32點(diǎn)開(kāi)關(guān)量輸出信號(hào)），使用24 V電壓供電，可滿足3～4車(chē)道的交通路口信號(hào)燈的控制要求。

圖1 系統(tǒng)結(jié)構(gòu)圖

圖2 監(jiān)控?cái)z像機(jī)安裝示意圖

2 道路流量計(jì)算

在本部分主要介紹基于圖像處理技術(shù)的道路流量計(jì)算方法。為滿足圖像清晰度的要求，假設(shè)攝像機(jī)按圖2所示方式放置。一幀幀的處理攝像機(jī)獲取的數(shù)據(jù)流，以計(jì)算出道路上的車(chē)輛流量。本文將交通量稱為交通密度，并使用背景減法計(jì)算交通流量。背景減法適用于在固定背景下檢測(cè)前景目標(biāo)，這里使用空路作為背景圖像，攝像機(jī)的后續(xù)視頻幀作為前景圖像，通過(guò)從前景圖像中減去背景圖像，可計(jì)算出視頻幀中的交通密度。本文結(jié)合使用基于梯度幅值的方法和直接減法來(lái)計(jì)算視頻幀中的交通密度，并使用名為viptraffic.avi的Matlab視頻來(lái)演示視頻幀的每一步處理結(jié)果。

2.1 基于梯度幅值的方法

1）如圖 3（a）～（b）所示為監(jiān)控?cái)z像機(jī)獲取的RGB前景圖像幀（FGrgb）和背景圖像幀（BGrgb）。首先，使用式（1）將其變換為灰度圖像

其中，R、G和B分別是每個(gè)像素點(diǎn)的紅色、綠色和藍(lán)色值。獲得的前景與背景的灰度圖像分別為FGgray和BGgray。

圖3 獲取的RGB前景圖像幀和背景圖像幀

圖3中，（a）為RGB背景圖像；（b）為RGB前景圖像；（c）為 sobel邊緣檢測(cè)得到的前景圖像；（d）為sobel邊緣檢測(cè)得到的背景圖像

2）然后對(duì)背景圖像應(yīng)用sobel邊緣檢測(cè)操作，其使用卷積核進(jìn)行二維梯度計(jì)算。若輸入圖像為I，則分別用式（2）和式（3）計(jì)算水平與垂直方向的梯度。然后，用式（4）計(jì)算最終梯度。sobel邊緣檢測(cè)后的背景圖像BGp，如圖3（c）所示。

3）對(duì)前景圖像執(zhí)行與背景圖像相同的處理，處理后的前景圖像FGp，如圖3（d）所示；

4）在獲得FGp和BGp之后，使用（5）獲得前景目標(biāo)，結(jié)果如圖4（a）所示。

5）上述操作后，需要對(duì)圖像進(jìn)行去燥處理以消除由減法引入的噪聲。本文選擇維納濾波器，因其能夠在消除加性噪聲的同時(shí)避免圖像模糊。使用像素自適應(yīng)維納濾波，計(jì)算大小為6×6的鄰域來(lái)估計(jì)局部圖像的均值與標(biāo)準(zhǔn)差。在進(jìn)行濾波之前，用式（6）減去一個(gè)固定的小值來(lái)減小小強(qiáng)度像素值得影響。結(jié)果如圖4（b）所示：

使用這種方式，高強(qiáng)度像素變化不會(huì)過(guò)大，但小強(qiáng)度像素明顯減少，使得維納濾波器的效果更優(yōu)。濾波后的圖像為Gfilt，如圖4（c）所示。

圖4 處理后的圖像

圖4中，（a）為sobel邊緣檢測(cè)后的圖像；（b）為減去較小小像素值后的圖像；（c）為維納濾波后的圖像；（d）為形態(tài)學(xué)閉操作后的圖像；（e）為漫水填充操作后的圖像（f）為二值圖像。

6）然后用6×6矩形結(jié)構(gòu)元素S進(jìn)行形態(tài)學(xué)閉操作，即首先對(duì)圖像進(jìn)行膨脹，再進(jìn)行腐蝕。數(shù)學(xué)上可用式（7）表示：

這里，⊕代表膨脹；?表示腐蝕；S是所有元素等于1的6×6矩陣。該過(guò)程有助于檢測(cè)出由sobel操作找到的邊緣，并將邊緣相連接。該過(guò)程得到的圖像Gclosed如圖4（d）所示，目標(biāo)是具有封閉輪廓的像素集合；

7）之后執(zhí)行漫水填充操作以填充封閉輪廓的孔，并獲得具有如圖4（e）所示的實(shí)心前景對(duì)象的圖像；

8）最后使用Otsu方法計(jì)算得到閾值T，并根據(jù)T將灰度圖像Gfilled轉(zhuǎn)換為二值圖像。但為了增強(qiáng)二值圖像的質(zhì)量，將閾值乘以一個(gè)固定因子factor，如式（8）所示。 然后使用式（9）獲得二值圖像Gbinary，結(jié)果如圖 4（f）所示。

2.2 直接減法

1）使用式（10）從灰度前景圖像中減去灰度背景圖像，得到如圖5（a）所示的結(jié)果，其中前景對(duì)象是可視的。

2）使用式（6）去除Dboj中一些不需要的像素，并得到Dtuned。之后，使用維納濾波器去除噪聲以獲得Dfilt。結(jié)果圖像如圖5（b）～5（c）所示；

3）使用6×6方形結(jié)構(gòu)元素進(jìn)行形態(tài)學(xué)閉操作后，得到如圖5（d）所示的閉合結(jié)果Dclosed；

4）對(duì)圖像Dclosed進(jìn)行漫水填充操作，以獲得如圖5（e）所示的Dfilled填充圖像；

5）使用Otsu方法找到的閾值由Dfilled圖像獲得二值圖像Dbinary，其中T無(wú)需乘以因子factor，得到的圖像如圖 5（f）所示。

2.3 兩種方法的融合

使用式（11）由二值圖像Gbinary和二值圖像Dbinary融合得到一張圖像，結(jié)果如圖6所示。

這里，Itotal表示融合圖像中白色像素的總數(shù)量，即前景目標(biāo)的像素?cái)?shù)量。同時(shí)，也表示本文所需計(jì)算的交通密度（TD），并使用式（12）計(jì)算得到TD

其中，R和C是Itotal中的行和列數(shù)，可用圖4（f）和圖5（f）描述這里選用這種方法的原因。在直接減法方法中，計(jì)算TD可能由于車(chē)輛的顏色使得計(jì)算結(jié)果不準(zhǔn)確。若車(chē)輛顏色為黑色，則車(chē)輛可能無(wú)法由直接減法方法檢測(cè)到，這在圖5（f）中顯得尤為明顯。這一問(wèn)題可以由梯度幅值方法解決，在該方法中車(chē)輛顏色不是影響因素。但在梯度幅值方法中可能存在檢測(cè)到的邊緣不能形成閉合輪廓的情況。例如，圖4（a）中左下角的車(chē)輛，前邊緣不會(huì)被檢測(cè)到。在該種情況下，圖像漫水填充操作將失敗，并且不會(huì)檢測(cè)到物體。這在圖4（f）中尤為明顯，其中右側(cè)車(chē)輛的前部為黑色的。該問(wèn)題可輕易利用直接減法來(lái)解決，如圖5（f）所示車(chē)輛的前部。

圖5 處理后的圖像

圖5中，（a）為背景減法后的圖像；（b）為減去較小小像素值后的圖像；（c）為維納濾波后的圖像；（d）為形態(tài)學(xué)閉操作后的圖像；（e）為漫水填充操作后的圖像（f）為二值圖像。

圖6 融合二值圖像Gbinary和Dbinary得到圖像

3 交通燈控制

本小節(jié)根據(jù)上一節(jié)獲取的道路流量信息計(jì)算每一個(gè)交通燈分配的時(shí)間，以達(dá)到智能控制交通燈的目的。這里將每一個(gè)交通點(diǎn)作為一個(gè)獨(dú)立的位置，將某個(gè)時(shí)間點(diǎn)不同道路上的交通密度作為輸入，計(jì)算得到兩個(gè)輸出參數(shù)。

第一個(gè)輸出參數(shù)是交通周期（Tc），即信號(hào)燈完成一次變換需要的總時(shí)間，其是總交通車(chē)輛密度（TD）的一個(gè)函數(shù)Tc=f(TD)，交通密度越大，交通周期則越長(zhǎng)。當(dāng)車(chē)道上有較多的車(chē)輛時(shí)，所需的交通周期也更長(zhǎng)，一次性通過(guò)的車(chē)輛也會(huì)更多。當(dāng)車(chē)道上車(chē)輛較少時(shí)，交通周期會(huì)變短，車(chē)輛通過(guò)所需等待的時(shí)間就更少。

第二個(gè)輸出參數(shù)是為車(chē)輛分配的加權(quán)時(shí)間，權(quán)重由相對(duì)交通密度計(jì)算得出的。第i條道路上的權(quán)重如式（13）所示。

其中，wi是第i條道路的權(quán)重因子；TDi表示其交通密度；n表示總的道路數(shù)，故第i條道路分配的時(shí)間為：

4 仿真實(shí)現(xiàn)與結(jié)果

為了驗(yàn)證文中所提出的智能交通燈變換與道路流量計(jì)算方法，在不同道路上進(jìn)行了仿真實(shí)驗(yàn)。如表1所示，給出了兩種不同情況下，4條道路的TDi、wi和Ti的值?？梢钥闯觯谲?chē)輛較多的車(chē)道線上，所需的交通周期更長(zhǎng)，一次性通過(guò)的車(chē)輛也更多。當(dāng)車(chē)道上車(chē)輛較少時(shí)，交通周期會(huì)變短，車(chē)輛通過(guò)所需要等待的時(shí)間就更少。如圖7所示對(duì)交通周期與車(chē)輛分配的加權(quán)時(shí)間的關(guān)系進(jìn)行建模，使用該模型可根據(jù)式（13）和式（14）計(jì)算各道路的權(quán)重與加權(quán)時(shí)間。

5 結(jié)束語(yǔ)

針對(duì)目前城市車(chē)輛越來(lái)越多、交通越來(lái)越擁堵的問(wèn)題，本文使用圖像處理技術(shù)計(jì)算車(chē)流密度，并結(jié)合PLC控制器智能控制交通燈的變換以提高車(chē)輛通過(guò)十字路口的效率。首先，根據(jù)道路上的車(chē)輛所占的總像素比率來(lái)計(jì)算交通密度，而不是直接計(jì)算車(chē)輛數(shù)量；然后，設(shè)置可變交通流量和加權(quán)時(shí)間作為每條道路的輸出參數(shù)，并根據(jù)交通密度控制交通信號(hào)燈的變換順序。仿真實(shí)驗(yàn)結(jié)果表明，所提出的智能交通控制系統(tǒng)能有效減輕路口的交通堵塞壓力，提高通行效率，并可通過(guò)網(wǎng)絡(luò)連接的方式，將該方法推廣到對(duì)多個(gè)交通燈的連續(xù)控制。該系統(tǒng)具有如下幾個(gè)特點(diǎn)：

表1 實(shí)驗(yàn)數(shù)據(jù)

圖7 交通周期與車(chē)輛分配的加權(quán)時(shí)間的關(guān)系圖

1）人性化。系統(tǒng)設(shè)置了緊急按鈕，具有一定的靈活性，便于行人緊急通過(guò)路口；

2）網(wǎng)絡(luò)化。系統(tǒng)支持Internet連接，方便實(shí)現(xiàn)多個(gè)路口紅綠燈的連鎖控制，從而能有效減輕交通擁擠情況；

3）智能化。該系統(tǒng)基于圖像處理技術(shù)，智能計(jì)算道路流量，并智能控制交通燈的變換，無(wú)需人工操作。

參考文獻(xiàn)：

[1]楊寧，陽(yáng)泳，江世明.基于單片機(jī)的智能交通燈設(shè)計(jì)與論述[J].電子世界，2016（3）:52-53.

[2]康維新，李定洋.基于FPGA的交通系統(tǒng)遠(yuǎn)程網(wǎng)絡(luò)控制設(shè)計(jì)[J].電子科技，2015，28（9）:131-135.

[3]劉中原，閆學(xué)勤，李鳳婷.基于多路口車(chē)輛滯流量的交通燈協(xié)調(diào)控制系統(tǒng)設(shè)計(jì)[J].工業(yè)控制計(jì)算機(jī)，2016，29（10）:33-35.

[4]趙鵬，荊紅莉.基于PLC的交通燈監(jiān)控系統(tǒng)設(shè)計(jì)[J].電氣自動(dòng)化，2016，38（3）:105-107.

[5]劉秀龍.基于FPGA交通燈智能控制系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D].成都:電子科技大學(xué)，2016.

[6]Darwishalzughaibi A，Ahmed Hakami H，Chaczko Z.Review of human motion detection based on background subtraction techniques[J].International Journal of Computer Applications，2015，122（7213）:1-5.

[7]Mathworks.Courtesy of MathWorks-MATLAB and simulink for technical computing[EB/OL].（2015-09-12）[2016-11-30]http://www.mathworks.com.

[8]Sobel I.An isotropic 3x3 gradient operator，machine vision for three dimensional scenes[M].NY:Academic Press，1990.

[9]Lim J S.Two-dimensional signal and image processing[M].Prentice Hall，1990.

[10]Gonzalez R C，Woods R E，Eddins S L.Digital image processing using MATLAB[M].北京:電子工業(yè)出版社，2009.

[11]Soille P.Morphological image analysis-principles and applications[C].Springer-Verlag New York，Inc，2007.

[12]邱利軍，景勝?gòu)?qiáng)，李云濤，等.一種基于灰度直方圖的分割閾值自動(dòng)檢測(cè)方法[J].地理空間信息，2015，13（6）:115-117.

[13]張維.基于單片機(jī)的可編程智能交通燈控制系統(tǒng)[J].電子設(shè)計(jì)工程，2016，24（4）:171-174.

[14]古博，黎敬斌，葉仕通.基于SIM300通訊模塊城市智能交通系統(tǒng)[J].電子設(shè)計(jì)工程，2015（3）:83-85.

[15]姬倩倩，溫浩宇.公共交通大數(shù)據(jù)平臺(tái)架構(gòu)研究[J].電子科技，2015，28（2）:127-130.

[16]田謹(jǐn)，應(yīng)捷，朱丹丹.一種新的箭頭形交通信號(hào)燈識(shí)別方法[J].電子科技，2015，28（11）:150-153.

[17]凌康杰，岳學(xué)軍，王林惠，等.基于有源射頻識(shí)別的應(yīng)急車(chē)輛交通引導(dǎo)系統(tǒng)[J].計(jì)算機(jī)應(yīng)用，2016，36（S1）:273-277.