基于视频数据的交通拥堵判别

重庆大学本科学生毕业设计（论文）附件附件B：开题报告B1附件B：毕业设计（论文）开题报告1、课题的目的及意义随着人民生活水平的日益提高，汽车开始走进千家万户。但是，随着汽车的日益普及，城市交通拥挤问题被突显出来[1]。城市道路交通堵塞所造成的交通延误、能耗增加、环境污染等[2][3][4]问题日益严重，解决交通拥堵刻不容缓。而单靠扩充道路硬件设施已不能解决根本问题，充分利用现有道路硬件设施的基础上，探索准确交通拥堵状态的判别方法越来越重要[5]。城市交通特征（平均车速、占有率）直接决定交通拥堵状态判别的结果，不同的设备能够获取的特征有所不同。目前交通数据的采集方法主要有地埋式感应线圈、微波检测器、GPS浮动车检测技术、视频检测技术等。地埋式感应线圈是传统的检测技术，存在易损坏、难修复、施工复杂的缺点[6]；微波检测器是一种工作在微波频段的雷达探测器，其技术复杂，价格较高[7]；GPS浮动车检测技术是在车辆上安装GPS装置，通过获取的信息估计路段交通状态，其缺点是存在检测盲区[8]；视频检测技术通过对视频图像中的交通信息采用交通工程的方法加以处理分析，可以检测所在断面各车道通过车辆的交通流参数，如车速、车型、车头时距、路段内车辆的行程速度、延误时间、下游交通密度等等[9]。综上所述，与其它检测技术相比，视频检测技术有着不破坏路、安装无需中断交通、检测功能多和记录现场图像等优点，在交通特征检测中具有广泛的应用价值[9]。目前，国内外学者对基于视频数据的交通拥堵判别算法的研究也比较多。其中主要的算法包括模糊C均值算法、神经网络分类算法、基于增量式贝叶斯分类器的算法。(1)模糊C均值算法该类算法是对大量的未知标注的数据集，按照数据之间的内在相似性将数据划分为不同的类别，使得类别间的相似度较大而类内的相似度较小的方法就叫做聚类[10]。与传统的聚类技术相比，模糊聚类可以对研究对象的类别进行模糊分割，即一个给定的样本可以按照不同的隶属度属于不同的类别。其中模糊C均值算法是应用最广泛的模糊聚类算法。算法的步骤为：首先进行数据准备，目的是为F算法提供输入交通参数，并利用预处理后的交通参数设计F算法的输入变量；然后对输入变量进行聚类分析，目的是获得每个样本数据的隶属度矩阵；最后进行决策，目的是优化阈值，判断是否有拥挤发生[11]。在对属性模式随时间呈现不规则变化的数据进行聚类分析时，模糊聚类方法重庆大学本科学生毕业设计（论文）附件附件B：开题报告B2会得到更合理的结果。FCM算法不用对样本的特征进行优化，而是直接利用赝本的特征进行优化[12]。但是也存在一定问题，比如初始聚类中心和聚类数目的确定，以及初始隶属度矩阵的确定，迭代容易陷入局部极值等[13][14].(2)神经网络分类算法在数据挖掘技术中，由于人工神经网络能够模拟人脑对信息的记忆和处理功能，擅长从海量的数据中提取出有用的知识，在许多领域得到了有效的应用。基于ANN的基本思想是：先对输入的交通参数进行预处理，设计算法的输入变量，目的是为算法提供有效的输入；然后对算法进行标定，目的是确定网络结构及其权值；最后做出决策，目的是优化阈值，判断是否有拥挤发生。神经网络可以从有代表性的交通数据出发，直接归纳出交通流的规律，避免了运用数学建模的方法难以解决交通流的不确定性和非线性的问题。缺点在确定了所选用的网络形式和学习算法后，需要确定MLP因层的结点数。到目前为止，隐层结点数的确定尚没有公认的方法，虽然有一些经验公式，但都不具备可靠的理论基础，实践效果也有待进一步验证[15~18]。(3)基于增量式贝叶斯分类器的算法该算法把交通拥堵是否发生看成是特殊的分类问题，选取增量式贝叶斯分类器，根据以往是否发生交通拥堵的检测数据，即分别把在发生交通拥堵和不发生交通拥堵两种情况下的交通参数作为特征参数对其进行训练，然后用得到的分类器对检测到的交通参数进行分类，判别是否发生交通拥堵。该算法可以随着新检测数据使得分类器自动动态更新，不需要事先主观确定阈值，分类速度快，实时性好。但是，新的更加完备的样本信息可能会引起插值函数发生严重的波动，从而影响逼近精度[19~21]。在交通拥堵判别算法中，选取合适的交通参数是基础，选择原则应该遵循直观性、便利性和敏感性。直观性，即所选择的交通参数应该和人们对于不同的交通拥挤状态直观上的感受相一致，这样使其更加容易理解与被认可；易获性，即选取的交通特征参数应能够通过图像处理来获取；实时性，即所选取的交通特征参数应能够反映道路交通状况实时的变化情况。常用的交通特征参数有：车流量、速度、占有率、交通密度、排队长度、车头时距、车头间距。由于车辆遮挡问题，排队长度、车头间距和车头时距相对较难准确计算。交通密度的计算也比较复杂。另外，由于单一变量的交通特征参数不能完全刻画复杂的交通拥堵状态及其演变过程。综上所述，由于速度和占有率在视频数据中比较容易获取，能够直观的反应道路的实际状况，而且符合人们的主观感受。同时，由于交通流状态的变化具有连续性，人们对交通状况的判断往往用拥堵、畅通等模糊概念，而模糊聚类方法重庆大学本科学生毕业设计（论文）附件附件B：开题报告B3得到的结果指明事物在多大程度上属于哪一类，因此，采用模糊聚类方法对交通流状态进行判别更符合实际。为此，本文拟选择速度和占有率作为交通参数，选取模糊C均值作为交通拥堵判别算法，将提高交通拥堵判别的精度和可靠性。2、课题任务、重点研究内容、实现途径(1)课题任务1)、查阅国内外大量相关文献资料，了解智能交通领域的相关知识，学会现有的多种交通拥挤判别算法。2)、熟练掌握VC/Matlab等编程开发工具以实现程序的设计3)、分析视频数据，比较现有交通拥堵算法，设计出合适的判别算法，并运用VC/C完成演示系统的设计并验证拥堵判别算法的有效性。(2)重点研究内容1)、掌握现有的交通拥堵判别算法，分析优缺点，选取合适的交通参数进行拥堵判别。2)、选取合适的交通拥堵判别算法。(3)实现途径1)、拟采用视频流数据中的速度、道路占有率来进行拥堵状态的判别。2)、拟采用模糊C均值作为判别算法。主要参考文献[1]孙莉芬.城市交通拥挤疏导决策支持系统的研究[D].武汉：华中科技大学硕士学位论文，2006：1-3.[2]邵祖峰.城市道路交通堵塞治理研究[J].城市交通，2005，3(1)：71-72.[3]T.Sugimoto.CurrentStatusofITSanditsInternationalCooperation[J].VehicleElectronecsConferenceSoc,2002:462-467.[4]王东.城市交通拥堵状态自动判别方法研究[D].贵阳：贵州大学硕士学位论文，2008：2-4.[5]白竹.城市主干路交通异常状态自动判别方法研究[D].长春：吉林大学硕士学位论文，2006：1-4.[6]姜桂艳，冮龙辉，王汪锋.城市快速路交通拥挤识别方法[J].交通运输工程学报，2006，6(3)：87-88.[7]吴薇，朱光喜，陈云锋.基于视频技术的嵌入式交通信息采集系统[J].计算机应用研究，2008，25(7)：2104-2105.重庆大学本科学生毕业设计（论文）附件附件B：开题报告B4[8]杨祖元，黄席樾，杜长海，唐明霞.基于FFCM聚类的城市交通拥堵判别研究[J].计算机应用研究，2008，25(9)：2768-2770.[9]冯奇，周小鹏，孙立军，沈祺.视频图像处理技术在实时交通信息采集中的应用[J].上海公路，2004(1)：50-53.[10]曾恒.基于视频检测的城市道路交通拥挤状态判别方法研究[D].重庆：重庆大学硕士学位论文，2010：1-3.[11]DusanTeodorovie,KatarinaVukadinovie.AFuzzySetsandNeuralNetworksApproach[J].TrafficControlandTransportPlanning,1998:38-70.[12]王丹丹，李彬，陈武凡.利用空间信息的核模糊C均值聚类算法[J].计算机工程与应用，2007，43(33)：82-84.[13]宋清昆，郝敏.一种改进的模糊C均值聚类算法[J].哈尔滨理工大学学报，2007，12(4)：8-10.[14]ChristianeStutz,ThomasA.Runkler.ClassificationandPredictionofRoadTrafficUsingApplication-SpecificFuzzyClustering[J].FuzzySystem,IEEETransactions,2002,297-300.[15]QinglePang,LiuXinyun,ZhangMin.Trafficflowforecastingbasedonroughsetandneuralnetwork[C].NaturalComputation(ICNC),2010SixthInternationalConference,2010,1920-1924.[16]朱中，杨兆升.实时交通流量人工神经网络预测模型[J].中国公路学报，1998，11(4)：88-89.[17]吴浩勇，丛玉良，王宏志.基于神经网络的交通参数预测方法[J].吉林大学学报，2005，23(6)：569-570.[18]张磊.三种神经网络识别P2P流量的方法比较[D].重庆：重庆大学硕士学位论文，2010：1-3.[19]王东，陈笑蓉.增量式贝叶斯分类器在交通拥堵判别中的应用[J].计算机辅助工程，2008，16(4)：56-57.[20]DominigosP,PazzaniM.OntheoptimalityofthesimpleBayesianclassifierunderzero-oneloss[J].MachineLearning,1997,29(2-3):103-130.[21]李晓毅，徐兆棣.增量式贝叶斯分类的原理和算法[J].沈阳工业大学学报，2006，28(4)：422-423.3、进度计划序号起止周次工作内容11周至3周查阅资料，完成文献综述、开题报告、完成外文资料翻译重庆大学本科学生毕业设计（论文）附件附件B：开题报告B524周至5周熟悉图像处理技术，了解国内外高速公路拥堵判别算法的研究现状36周至8周视频数据特点分析及拥堵判别方案选择49周至12周实现拥堵判别算法程序设计并验证有效性513周至15周完成毕业设计论文616周论文答辩学生签名：年月日4、指导教师意见指导教师签名：年月日