基于排队长度的交叉路口信号灯模糊控制方法研究
发布时间：2021-03-29 10:37
城市道路交叉口交通流量大、车辆运行环境复杂,交通信号灯的优化控制对提高路口车辆运行效率起着重要的作用。文中以城市道路中十字交叉路口信号灯为研究对象,研究了基于车辆排队长度的交叉路口信号灯优化控制方法。在课题研究中,基于视频信息实现车辆排队长度在线检测,建立了信号灯控制参数模型,提出信号灯优化控制策略,设计了信号灯实时动态配时方案。实验仿真结果表明:采用该优化控制方法可有效地降低路口车辆延误时间,减少车辆通行时间和停车次数,提高路口道路运行效率。本文完成了如下课题研究工作:（1）基于实时监控图像信息、路口运动车辆检测方法以及车辆排队模型的建立,实现了车辆排队纵向像素距离的检测;采用基于灭点原理的摄像机标定方法获取了摄像机参数并实现了图像距离到空间距离的转换;建立了检测误差模型,提出了测量过程中校正系统误差的方法。对道路上车辆排队队列进行了实际检测,实验结果表明在允许的误差范围内,所提出的检测方法可准确测量路口车辆排队长度。（2）基于信号灯控制设计原理和方法,确定了路口信号灯相位设计方案和绿灯延长策略,建立了交叉路口信号灯控制参数约束模型和路口交通运行性能评价指标体系,设计了交叉路口信号灯...
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
几种图像灰度化处理方法效果图
2车辆排队长度视频检测方法9②图像滤波在数字化视频图像过程中会混入一些噪声，如白噪声、椒盐噪声等，在图像生成、传输和变换过程中都会受到外界因素不同程度的干扰，从而导致图像质量下降和退化。另一方面，滤波能够获取图像的特征作为图像识别的特征模式，因此，通过图像滤波去除图像中的干扰信息从而获得关键图像信息。在图像处理过程中，对邻域中的像素点做线性计算或卷积运算称为线性滤波，如均值滤波、高斯滤波、拉普拉斯滤波等，不同的线性滤波的区别在于选择不同的滤波器的模板。非线性滤波是使用原始图像与模板之间的逻辑关系获得滤波图像，如中值滤波和双边滤波。图像滤波可以利用公式2.1表示。,(,)(,)(,)mnOijIimjnKmn2.1)其中：I(i,j)为原始图像，O(i,j)为滤波后的图像，K(m,n)为滤波器。③图像二值化图像二值化是用0和255两个值表示表示图像上每个像素点的灰度值，图像二值化的原理是采用阈值分割的方法使得图像显示为白与黑两种颜色。设定灰度图像为f(x,y)，二值化的图像为g(x,y)，二值化的阈值为(0255)，满足公式2.2即为图像的二值化。图2.3显示了图像二值化效果。0(,)(,)255(,)fxygxyfxy2.2)图2.3图像二值化Fig2.3Resultofimagebinaryzation④边缘检测图像特征信息中的边缘信息是基本信息之一，并且边缘信息包含许多关键信息，如对象的位置轮廓等，这些特征信息为计算机识别图像目标提供了重要的特征参数。边缘检测原理是使用边缘增强算子突出显示图像中的局部边缘，并通过定义图像的边缘强度和设置阈值的方法提取边缘点[29]。
重庆大学硕士学位论文10图像边缘检测是根据图像的灰度值突变或不连续的原理来检测，设有图像f(x,y)，定义其梯度向量f、梯度方向和梯度的改变量f如公式2.3所示。122[,]tan()()()fffxyffxyfffxy2.3)由于图像上的每个像素点(x,y)为离散点，因此根据导数定义公式2.3获得离散梯度计算方法，如公式2.4所示。(,)(1,)(,)(,)(,1)(,)fxyfxyfxyxfxyfxyfxyy2.4)其中检测算子为H=[-1,1]，如公式2.5所示，将原图f(x,y)与模板做卷积运算就可以得到边缘检测的图像了。G(x,y)H*f(x,y)2.5)其中：H为检测算子，G(x,y)为边缘检测图像经典的边缘检测算子有一阶导数算子和二阶导数算子。一阶算子有Roberts算子、prewitt算子和Sobel算子等，二阶算子有Laplace算子和Wallis算子等[30]。近些年来一些如小波变换法、模糊数学法、形态学法以及神经网络算法等新的图像边缘检测算法也得到应用，如图2.4是利用几种边缘检测算子所得到图像边缘检测效果示意图。aSobel算子边缘检测bLaplace算子边缘检测图2.4边缘检测算子检测效果Fig.2.4Thedetectioneffectofedgedetectionoperators
【参考文献】：
期刊论文
[1]智慧交通,让城市生活更美好[J]. 舒雪萍. 中国科技奖励. 2018(07)
[2]基于改进Canny算法的工件边缘检测方法[J]. 刘克平,李西卫,隋吉雷,李岩. 广西大学学报(自然科学版). 2017(06)
[3]基于改进F-B模型的过饱和状态下交叉口信号配时优化方法[J]. 高佳宁,丁勇. 山东科学. 2017(02)
[4]基于层次颜色Petri网的全感应控制交通信号灯建模与仿真[J]. 顾鸿儒,孙连坤. 计算机工程与科学. 2016(09)
[5]智能视频分析的车辆异常行为检测方法[J]. 尹宏鹏,李艳霞,周佳怡,柴毅. 重庆大学学报. 2016(03)
[6]基于复式滑动窗口的车辆排队长度检测方法[J]. 赵冉阳,张心言,吴志红. 计算机技术与发展. 2015(11)
[7]基于实时路况的交通信号灯智能管控方法[J]. 赵荻,郎海涛,刘永信,胡伟,尹亮,祁欣. 计算机工程与设计. 2015(03)
[8]信号交叉口实时排队长度估计[J]. 赵淑芝,梁士栋,马明辉,刘华胜,朱永刚. 吉林大学学报(工学版). 2016(01)
[9]基于成像光线空间追踪的摄像机标定方法研究[J]. 王鹏,张求知,李文强,孙长库,赵扬. 仪器仪表学报. 2015(01)
[10]基于视频检测技术的交叉口车辆排队长度研究[J]. 张玲玲,贾元华,牛忠海. 物流技术. 2012(05)
博士论文
[1]车辆排队模型研究[D]. 姚荣涵.吉林大学 2007
[2]交通流模型的研究[D]. 付传技.中国科学技术大学 2007
硕士论文
[1]基于排队长度的信号交叉口自适应控制方法研究[D]. 宋楠.长安大学 2017
[2]基于车流量的交通信号控制系统优化设计[D]. 杨森.宁夏大学 2015
[3]基于红绿灯优化城市交通控制设计与仿真[D]. 叶文斌.华东师范大学 2015
[4]交通信号灯控制系统建模与仿真研究[D]. 谢辉.长安大学 2014
[5]车辆排队长度动态预测系统设计与实现[D]. 沙永贺.山东大学 2014
[6]视觉测量中的摄像机标定与三维重建方法研究[D]. 蔡珲.哈尔滨工业大学 2013
[7]基于视频的车辆检测与跟踪算法的研究与实现[D]. 刘汉艳.南京邮电大学 2012
[8]路段车辆排队估计研究[D]. 祁宏生.吉林大学 2008
[9]单交叉口自适应控制方法的研究[D]. 李晓娜.大连理工大学 2006
本文编号：3107410
【文章来源】：重庆大学重庆市 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
几种图像灰度化处理方法效果图
2车辆排队长度视频检测方法9②图像滤波在数字化视频图像过程中会混入一些噪声，如白噪声、椒盐噪声等，在图像生成、传输和变换过程中都会受到外界因素不同程度的干扰，从而导致图像质量下降和退化。另一方面，滤波能够获取图像的特征作为图像识别的特征模式，因此，通过图像滤波去除图像中的干扰信息从而获得关键图像信息。在图像处理过程中，对邻域中的像素点做线性计算或卷积运算称为线性滤波，如均值滤波、高斯滤波、拉普拉斯滤波等，不同的线性滤波的区别在于选择不同的滤波器的模板。非线性滤波是使用原始图像与模板之间的逻辑关系获得滤波图像，如中值滤波和双边滤波。图像滤波可以利用公式2.1表示。,(,)(,)(,)mnOijIimjnKmn2.1)其中：I(i,j)为原始图像，O(i,j)为滤波后的图像，K(m,n)为滤波器。③图像二值化图像二值化是用0和255两个值表示表示图像上每个像素点的灰度值，图像二值化的原理是采用阈值分割的方法使得图像显示为白与黑两种颜色。设定灰度图像为f(x,y)，二值化的图像为g(x,y)，二值化的阈值为(0255)，满足公式2.2即为图像的二值化。图2.3显示了图像二值化效果。0(,)(,)255(,)fxygxyfxy2.2)图2.3图像二值化Fig2.3Resultofimagebinaryzation④边缘检测图像特征信息中的边缘信息是基本信息之一，并且边缘信息包含许多关键信息，如对象的位置轮廓等，这些特征信息为计算机识别图像目标提供了重要的特征参数。边缘检测原理是使用边缘增强算子突出显示图像中的局部边缘，并通过定义图像的边缘强度和设置阈值的方法提取边缘点[29]。
重庆大学硕士学位论文10图像边缘检测是根据图像的灰度值突变或不连续的原理来检测，设有图像f(x,y)，定义其梯度向量f、梯度方向和梯度的改变量f如公式2.3所示。122[,]tan()()()fffxyffxyfffxy2.3)由于图像上的每个像素点(x,y)为离散点，因此根据导数定义公式2.3获得离散梯度计算方法，如公式2.4所示。(,)(1,)(,)(,)(,1)(,)fxyfxyfxyxfxyfxyfxyy2.4)其中检测算子为H=[-1,1]，如公式2.5所示，将原图f(x,y)与模板做卷积运算就可以得到边缘检测的图像了。G(x,y)H*f(x,y)2.5)其中：H为检测算子，G(x,y)为边缘检测图像经典的边缘检测算子有一阶导数算子和二阶导数算子。一阶算子有Roberts算子、prewitt算子和Sobel算子等，二阶算子有Laplace算子和Wallis算子等[30]。近些年来一些如小波变换法、模糊数学法、形态学法以及神经网络算法等新的图像边缘检测算法也得到应用，如图2.4是利用几种边缘检测算子所得到图像边缘检测效果示意图。aSobel算子边缘检测bLaplace算子边缘检测图2.4边缘检测算子检测效果Fig.2.4Thedetectioneffectofedgedetectionoperators
【参考文献】：
期刊论文
[1]智慧交通,让城市生活更美好[J]. 舒雪萍. 中国科技奖励. 2018(07)
[2]基于改进Canny算法的工件边缘检测方法[J]. 刘克平,李西卫,隋吉雷,李岩. 广西大学学报(自然科学版). 2017(06)
[3]基于改进F-B模型的过饱和状态下交叉口信号配时优化方法[J]. 高佳宁,丁勇. 山东科学. 2017(02)
[4]基于层次颜色Petri网的全感应控制交通信号灯建模与仿真[J]. 顾鸿儒,孙连坤. 计算机工程与科学. 2016(09)
[5]智能视频分析的车辆异常行为检测方法[J]. 尹宏鹏,李艳霞,周佳怡,柴毅. 重庆大学学报. 2016(03)
[6]基于复式滑动窗口的车辆排队长度检测方法[J]. 赵冉阳,张心言,吴志红. 计算机技术与发展. 2015(11)
[7]基于实时路况的交通信号灯智能管控方法[J]. 赵荻,郎海涛,刘永信,胡伟,尹亮,祁欣. 计算机工程与设计. 2015(03)
[8]信号交叉口实时排队长度估计[J]. 赵淑芝,梁士栋,马明辉,刘华胜,朱永刚. 吉林大学学报(工学版). 2016(01)
[9]基于成像光线空间追踪的摄像机标定方法研究[J]. 王鹏,张求知,李文强,孙长库,赵扬. 仪器仪表学报. 2015(01)
[10]基于视频检测技术的交叉口车辆排队长度研究[J]. 张玲玲,贾元华,牛忠海. 物流技术. 2012(05)
博士论文
[1]车辆排队模型研究[D]. 姚荣涵.吉林大学 2007
[2]交通流模型的研究[D]. 付传技.中国科学技术大学 2007
硕士论文
[1]基于排队长度的信号交叉口自适应控制方法研究[D]. 宋楠.长安大学 2017
[2]基于车流量的交通信号控制系统优化设计[D]. 杨森.宁夏大学 2015
[3]基于红绿灯优化城市交通控制设计与仿真[D]. 叶文斌.华东师范大学 2015
[4]交通信号灯控制系统建模与仿真研究[D]. 谢辉.长安大学 2014
[5]车辆排队长度动态预测系统设计与实现[D]. 沙永贺.山东大学 2014
[6]视觉测量中的摄像机标定与三维重建方法研究[D]. 蔡珲.哈尔滨工业大学 2013
[7]基于视频的车辆检测与跟踪算法的研究与实现[D]. 刘汉艳.南京邮电大学 2012
[8]路段车辆排队估计研究[D]. 祁宏生.吉林大学 2008
[9]单交叉口自适应控制方法的研究[D]. 李晓娜.大连理工大学 2006
本文编号：3107410
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3107410.html
