《交通信息技术及应用-》教学课件—04-交通信息的处理.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 要实现自动车辆识别、分类，第一步就是要探测、摄取车辆的某些特征信息。 重要的信息主要有：车辆的外形（长、宽、高）、车辆的轴重或轴距、总重、车辆号牌、发动机排气量、车辆可以承载的人员数或载重量等。 车型自动识别分类方法 轮廓扫描 车轴检测及其计数 视频车型识别 车辆扫描的目的在于获取车辆的外形信息，从而对车辆进行分类。扫描一般使用无线电波或者红外线，或者更先进的激光等等。 常用车型分类 车型 参数 车高（cm） 轴数（N） 轴距（cm） 轮距（cm） 小型车 ≤210 - - - ＞210 2 ≤310 - 中型车 ＞210 2 ＞300 ＜101.6 ≤300 大型车 ＞210 2 ＞300 ≥101.6 2 ≤500 2 ＞500 - 3 - - 特大车 ＞210 ≥4 - - 车轴检测及其计数 通过检测车轴数、载重（载客）与车高等几项计数。 根据计算机车辆参数数据库对车辆分类参数优选结果可以认为：车辆的前轮轮距和轴距具有良好的分类特性。 车轴等检测表（各类汽车） 车型 载客（重） 轴数 车高 小型车 小于19人（＜2.5t ） 2 ＜H（210） 中型车 20人~49人（2.5t~7t ） 2 - 大型车 ≥50人(＞7t) 2 - 多轴车 - ≥3 - 视频车型识别 1 图像处理 2 车型识别 视频模式识别原理图 图像处理 对退化图像进行恢复，方法： 图像分割； 二值化； 顶部直线拟合；其他部分进一步拟合； 提取特征 车辆识别 收集各种车辆的参数，输入到计算机中，保存在数据库中；分类存储； 与提取特征进行对比，达到识别目的 图像车型识别步骤： CCD传感器对车辆的正面与侧面进行图像采集，得到图像信号； 对车辆图像进行图像护肤、分割、二值化处理； 提取车辆轮廓图像和车辆参数； 查询车型数据库，对比，判别车型。 有关模式识别的若干问题 模式类的紧致性： 集合中任意两个内点可以用光滑线连接，在该连线上的点也属于这个集合。 每个内点都有一个足够大的邻域，在该邻域中只包含同一集合中的点。 假若每个模式类都满足紧致性假设，则解决模式识别间题就不会碰到什么原则上的困难。但对于很多实际问题这个假设是不成立的。 假设临界点的数量与总的点数相比很少。 只耍各个模式类是可分的，总存在这样一个空间，使变换到这个空间中的集合满足紧致性要求。 有关模式识别的若干问题 相似与分类：相似与分类问题远不像集合表达那样简单明了。集合的概念可用来表现已经分好的类，但对于怎样分类和归类则缺乏指导意义。 相似性度量：样本xi和 xj是Rn空间中两个点，它们间的某种距离的函数 s(xi, xj)。 距离: d(xi, xj)=[(xi - xj)T.(xi - xj)]1/2 相似性度量1: s(xi, xj)=f(d(xi, xj)) 相似性度量2: s(xi, xj)=cos(<xi, xj>) 分类都是带有主观性的行为，常缺乏纯客观的分类标准。 靠哪些特征决定相似并进行分类，取决于行为的目的和方法。 4.5 行程时间预测 预测的行程时间要满足实时性和准确性两方面要求。 1.行程时间的定义 (1)单车行程时间 (2)平均行程时间 预测行程时间可以采用实际行程时间和各种历史交通数据，它们主要通过以下渠道获得： 1)线圈检测器数据(速度、交通流率、占有率)； 2)交通信号控制的数据(相位、周期长度、绿灯时间、速度、密度、占有率)； 3)其他路边检测系统,例如雷达检测器、微波检测器、视频检测器数据(速度、交通流率、占有率)； 4)自动车辆识别(AVI)数据和视频检测系统(行程时间、速度)浮动车、车载装置和移动电话数据(行程时间)； 5)探测车、设备车辆在道路上行驶，特定时间间隔内发送数据给监控系统(行程时间、路线)； 6)车队管理系统数据； 7)天气状况数据； 8)时间信息(季节、星期、年月日时刻、特殊节假日)； 9)基础设施相关信息(车道修缮、匝道关闭)； 10)事件检测系统数据。 影响行程时间的因素分析图 3.道路路段行程时间预测方法 (1)路段行程时间的计算 (2)交叉口延误时间的计算 1)模型假设条件。 2)模型建立。 3)排队时间的计算。 (3)预测算法 1)指数平滑法 2)回归