基于实时图像处理算法的交通信号主动智能优化方法研究

邵利明，李刚奇，凌美宁

（1.广州市城市规划勘测设计研究院，广东广州 510060；2.广东省城市感知与监测预警企业重点实验室，广东 广州 510060）

交叉路口是车辆拥堵的主要发生场所，而交通信号灯是指挥路口车辆行进的重要依据[1-3]。随着智慧交通系统的建设，交通信号灯的控制逐渐转变为智能方式，其变换周期则由定周期发展为可变周期[4-7]。在此背景下，文中对信号灯的配时方案进行了详细的研究，且基于图像处理技术实现了对车流量的实时统计，进而为信号灯配时方案提供依据。同时还基于多目标优化思想设计了信号灯的改进方法，并有效提升了交叉路口的通行效率。

1 理论基础

1.1 基于图像处理的车辆统计

车辆数量是信号灯优化的重要依据，该次利用采集的车辆视频，基于图像处理算法[8-10]实现车流量的自动化统计。具体统计流程，如图1 所示。

图1 车辆视频处理统计流程

图1 中，运动车辆的检测是实现车辆统计的关键步骤。为了从视频的背景图像中准确提取背景帧，此次引入了一种混合高斯模型(Gaussian Mixture Model，GMM)。

通常该模型[11-13]由N个高斯函数组成，记在任意时刻t像素点(x,y)取值为I(x,y)的概率P(Xt)为：

式中，ωi,t表示该时刻第i个高斯函数的权重；而ηt(Xt,μi,t,cov(i,t))的计算方式如下：

式中，μi,t为均值；cov(i,t)为协方差矩阵，d为其维数。视频的每一帧输入至该模型后，均要进行参数更新，更新方法如下：

若不满足匹配条件，在该次迭代中仅更新高斯函数间的权重：

背景提取完成后，即可进行运动目标和背景的分割，记B为被判别为背景的分布，表示如下：

其中，P为判别阈值；b为累加因子。视频帧中检测出运动的车辆后，即可通过虚拟线圈法(Virtual Coil Method)对车辆进行统计。

1.2 交通信号灯优化方案

当前，在我国一线城市中主要使用的信号灯线控方案为“绿波带”模型。该模型依据经验公式，设置固定时间的信号灯配时方案，但其并未基于实时车流量进行控制。当车流量较少时，会造成绿灯时间过长；而当车流量较大时，则会增加车道的拥挤程度。为此，采用上文中的图像统计方法，并基于实时车流量建立了一个多目标交通信号灯优化模型。在所设计模型中主要定义了三个指标：平均延误时间、路口排队长度和车辆停车次数。在n个交叉路口，对每个路口均由四相位所控制路段中的指标计算方法阐述如下：

1）平均排队时间

该指标可评估车辆在交叉路口的平均延误时间。对于第i个相位，其延误时间di的估算公式为：

其中，di1、di2分别为均匀及随机附加延误，二者的计算方法如下：

式中，T为信号周期时长；λi为交叉路口第i个相位的绿信比；sij为在i相位下j方向车辆的饱和程度，N为相应的车辆数。

此时，该路段的延误时间可由式（9）计算：

2）排队长度

基于交通流理论和波速公式，得到排队模型：

在第i个相位的第n个周期内，Qni为相应路口排队的车辆总数；Sn-1,i为上一周期的滞留车辆；Nri为红灯导致的排队车辆，其计算公式为：

式中，ki、vf分别为车流密度与速度。则有：

式中，Pn为当前周期下红灯时到达车辆与绿灯结束后的车辆差；Q为该交叉路口的最大同行车流量；R和G为分解系数，qn为红灯控制的车流量。此时，排队车辆总数Qn的计算方法如下：

3）停车次数

基于车流量模型，可以得到停车次数的计算方式为：

其中，q0为基础车流量，qm为绿灯时释放的车流量。

基于平均排队时间、排队长度和停车次数的定义方式，引入约束条件后可得到最终的交通信号灯优化模型：

为了求解该优化模型，引入了粒子群算法(Particle Swarm Optimization,PSO)[14-16]。首先记粒子群的搜索空间Ωn中有γ个粒子，即：

通常情况下，路口的红绿灯周期时长为已知量，需以此为基础优化绿信比及相位差。对于一条由n个路口构成的四相位控制路段，将相位时间表示为粒子群的粒子位置Xi，采用粒子运动速度Vi来表示每个相位的时间变化，则有：

此时，各个参数的更新方法如下：

式中，ω为粒子搜索的惯性系数，c1、c2为加速系数，r1、r2为[0,1]随机系数，pg为粒子群搜索时的最佳位置，其更新方法如下：

2 方法实现

2.1 实验设计

在验证所提算法时，需要从两个方面考虑：1）验证实时图像处理算法在视频信号中检测车辆数量的效率；2）验证信号灯优化算法对于交叉路口信号灯的控制效果。算法仿真软硬件环境为：操作系统Windows11；CPU Intel Core i-7；内存32 GB；编程环境Matlab 2018b。

文中以某城市的主干道作为验证算法性能的对象。该城市干线共包含五个如图2 所示的交叉路口，这些路口的编号及间距，见表1 所示。此次在该路口采集了帧率为30 frame/s、分辨率为4 CIF 及码流为768 kbit/s 的视频信号32 715 条。

表1 路段交叉路口参数设置

图2 交叉路口的基本情况

在进行交通信号灯优化求解时，涉及的相关道路及粒子群算法的参数，如表2 所示。

表2 基准实验参数

2.2 实验结果

首先对基于图像处理的车辆统计算法性能进行验证，验证效果如图3-4 所示。

图3 车辆检测效果

图3 为算法在进行车辆统计时的效果。由图可以看出，该算法能够清晰地区分视频帧中的前景和背景，进而有效提取出车道中的车辆。而从图4 中可看出，该算法能够按照车辆行驶位置在视频帧中规划线圈，当车辆通过线圈时，统计数量加1。同时，由于所提算法的统计精度与虚拟线圈宽度和轿车车身长度比有关，故而根据表3，文中选取了50%作为线圈宽度的参数值。此时，该数据集对车辆统计的平均精度为95.4%。

表3 不同虚拟圈宽度下的精度

图4 虚拟线圈统计示意图

此外，表4 还给出了部分视频的统计结果。由表可知，该算法对不同的车流量统计精度均在93%以上，从而能够满足不同车流量道路的使用需求。

表4 车辆数量实验统计结果

为了评估文中交通信号灯优化方案的效果，文中以Webster 方法作为对照组进行对比实验，结果如表5 所示。从表中可以看出，所提优化方案的各个指标均优于Webster 方法。其中，平均延误时间降低了2.76%，平均停车次数降低了8.35%，而平均等待长度则降低了12.44%。

表5 不同方案仿真结果对比

3 结束语

该文设计了一种基于图像识别的交通信号灯优化方法。该方法使用道路视频完成车辆的数量统计，为交通信号灯的优化提供了重要依据。仿真结果表明，该文算法对于运动车辆的检测具有较高的精度，优化后的信号灯方案可有效降低车辆在交叉路口的通行效率。未来随着数字城市建设进程的加快，该算法将有更为广阔的应用前景。