Chap8交通信息处理

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,*,交通信息处理,Transportation Information Processing,Chap.8,交通信息处理技术,1,数据压缩处理技术,交通信息融合处理技术,交通流和行程时间预测技术,模式识别技术,交通信息处理技术,交通信息处理,Transportation Information Processing,2,数据压缩处理的必要性,数字图像数据量巨大，造成传输和存储的困难,例如一帧,640,480,像素、,24,比特颜色编码的画面，其数据量就要,27Mbit,每帧，它在,680M,容量的,CD,ROM,光盘上只能存储,25,帧，也就是只能存储,1s,活动图像。,图形数据压缩的出发点,图像数据高度相关，存在大量冗余信息，例如：,空间冗余,、,时间冗余,、,信息熵冗余,、,结构冗余,、,知识冗余,和,视觉冗余,图像编码的目的,去除冗余、以尽量少的数据量来表示和重建图像,8.1,数据压缩处理技术,交通信息处理,Transportation Information Processing,图像压缩技术分两大类：,无损压缩技术,利用数据的统计冗余进行压缩,可完全恢复原有数据，没有任何失真,压缩率较小，不能解决图像和视频的存储和传输问题,有损压缩技术,利用人类视觉对图像中的某些频率成分不敏感的特性,压缩过程中损失一些信息，不能完全恢复原始数据，损失的数据对图像的影响较小,压缩比很大，被广泛应用于语言、图像和视频数据的压缩,8.1,数据压缩处理技术,交通信息处理,Transportation Information Processing,JPEG (Joint Photographic Experts Group),是一个负责制定静态数字图像数据压缩编码标准的专家组，他们开发的算法称为,JPEG,算法,，又称为,JPEG,标准,。,JPEG,包括两种基本压缩算法,采用以,离散余弦变换,(DCT discrete cosine transform),为基础的有损压缩算法,例如在压缩比为,1:25,的情况下，压缩后还原得到的图像与原始图像相比较，非图像专家难于找出它们之间的区别,采用以预测技术为基础的无损压缩算法,8.1.1 JPEG,标准,交通信息处理,Transportation Information Processing,JPEG,原理,JPEG,有损压缩利用人视觉系统特性，使用量化和无损压缩编码相结合来去掉视觉的冗余信息和数据本身的冗余信息。,JPEG,编码算法的三个步骤,使用正向离散余弦变换（,FDCT,，,forward discrete cosine transform,）把空间域表示的图变换成频率域表示的图,使用加权函数对,DCT,系数进行量化，这个加权函数对于人的视觉系统是最佳的,使用霍夫曼可变字长编码器对量化系数进行编码,8.1.1 JPEG,标准,交通信息处理,Transportation Information Processing,8.1.1 JPEG,标准,交通信息处理,Transportation Information Processing,MPEG (Moving Pictures Experts Group,，运动图像专家组,),是目前视频压缩的重要技术之一，它利用运动补偿帧间压缩编码技术以,减小时间冗余度,，利用,DCT,技术减小图像的,空间冗余度,，利用熵编码减小了,统计冗余度,。,例如：高速公路图像传输处理，,VCD,节目制作,MPEG,数字编码标准,MPEG-1,支持,1.5Mbps,传输率的视频图像和声音,MPEG-2,针对高清电视,(HDTV),，支持,10Mbps,传输率,MPEG-4,适用于音频视频服务及远程监控，是一个有交互性的动态图像标准,8.1.1 JPEG,标准,交通信息处理,Transportation Information Processing,MPEG-1,基本任务：是将图像（包括伴音）转换成计算机数据，与已有的数据（如文字、绘图等数据）在计算机内兼容，并且能在计算机网络和广播电视等通信网络中兼容传输。,组成部分：,MPEG,视频、,MPEG,音频和,MPEG,系统,解决的问题：视频压缩、音频压缩和多种压缩数据流的复合和同步,8.1.2 MPEG,标准,交通信息处理,Transportation Information Processing,编码和解码过程,8.1.2 MPEG,标准,交通信息处理,Transportation Information Processing,MPEG-2,是,MPEG-1,标准的扩展，主要针对高清电视,HDTV,，传输速率,10Mbps,。,MPEG-4,适用于音频视频服务及远程监控，是一个有交互性的动态图像标准,基本思想：根据图像的内容将图像分割成不同的视频对象,VO,（,Video Object,），在编码过程中对前景对象和后景对象采用不同的编码策略，对于人们所关心的前景对象，则尽可能的保持对象的细节及平滑，而对不大关心的后景对象采用大压缩比的编码策略。,应用场合：数字电视、交互式的图形应用（内容合成技术）、交互式多媒体（例如监控系统）,8.1.2 MPEG,标准,交通信息处理,Transportation Information Processing,波形编码,特点：将信号的时域波形进行抽样量化编码,模数转换过程：,取样：在时间轴上对信号离散化,量化：在幅度轴上对信号数字化,编码：按一定格式记录采样和量化后的数字数据,8.1.3,音频压缩技术,交通信息处理,Transportation Information Processing,信息融合,交通信息融合的处理方法,基于信息融合技术的智能驾驶系统,8.2,信息融合处理技术,交通信息处理,Transportation Information Processing,信息融合的,背景,利用多个传感器获得的多种信息，得出对环境或对象特征的全面、正确认识，克服了单一传感器给系统带来的误报风险大、可靠性和容错性低的缺点。,多传感器之间的冗余数据增强了系统的可靠性,传感器之间的互补数据扩展了单一传感器的性能,信息融合的,目标,基于各种传感器分离观测信息，通过对信息的优化组合导出更多的有效信息，得到最佳协同作用的结果。,信息融合的,目的,是利用多个传感器共同或联合操作的优势来提高整个系统的有效性。,多传感器数据融合示意图,8.2.1,信息融合,交通信息处理,Transportation Information Processing,信息融合的,定义,通过中心数据处理器把来自多个传感器的数据进行综合，把各种传入数据进行综合处理，使数据在一定准则下加以自动分析综合，以完成所需的决策和评估，使它产生的输出信息比各个部分分别处理产生的信息总和更有价值。,信息融合的,优点,可以提高系统的可信度,可使数据采集更客观,可以提高检测效果,可以扩大时间和空间覆盖能力,可以提高系统的性能价格比,8.2.1,信息融合,交通信息处理,Transportation Information Processing,信息融合模式,像素级融合,直接在各传感器采集到的未处理的原始数据上进行融合，从融合的数据中提取特征向量，并进行判断识别，是最低层次的融合。,得到的结果很准确，但对系统通信带宽的要求很高。,特征级融合,先对来自传感器的原始信息进行特征提取（特征可以是被观测对象的各种物理量），然后按特征信息对多传感器数据进行分类、综合和分析，属于中间层次的融合。,由于数据丢失，结果准确性有所下降，对通信带宽的要求较低。,决策级融合,从具体决策问题出发，利用特征级的融合结果，直接针对具体决策目标，融合结果直接影响决策水平，是一种高层次融合。,由于对传感器的数据进行了浓缩，产生的结果最不准确，但对通信带宽的要求最低。,8.2.1,信息融合,交通信息处理,Transportation Information Processing,信息融合三个层次的结构图,8.2.1,信息融合,交通信息处理,Transportation Information Processing,交通信息融合的,输出结果,像素级和特征级融合,处理的是地面交通信息和部分空间信息（如,GPS,）,输出的是对城市交通状态的部分描述，如状态向量、特征和属性等,决策级融合,处理的数据包括地面交通信息、全部的空间信息、气象信息等其他交通相关信息以及交通领域专家的知识等,输出的是抽象结果，如对交通系统的状态、交通系统整体性能的评价以及对系统运行的预测等,交通信息融合的,作用,通过各种交通传感器和历史数据库等多种数据来源作为输入，利用融合技术理论和方法，得到适合各个智能交通服务领域使用的交通信息。,8.2.1,信息融合,交通信息处理,Transportation Information Processing,交通信息融合处理方法,直接对数据源操作：加权平均、神经元网络等,利用对象的,统计特性,和,概率模型,进行操作：卡尔曼滤波、贝叶斯估计、多贝叶斯估计、统计决策理论等,基于规则推理的方法：模糊推理、证据推理、产生式规则等,8.2.2,信息融合的处理方法,交通信息处理,Transportation Information Processing,基于卡尔曼滤波技术的交通信息融合方法,用于实时融合动态的低层次冗余多源数据，该方法用测量模型的统计特性递推决定统计意义下的最优融合数据估计。,基于贝叶斯估计的交通信息融合方法,将多传感器提供的各种不确定性信息表示为概率，并利用概率论中的,Bayes,条件概率公式对其进行处理。,8.2.2,信息融合的处理方法,交通信息处理,Transportation Information Processing,基于人工神经网络的交通信息融合方法,多传感器信息融合技术就是通过对多个参数的监测并采用一定的信息处理方法达到提高每一个参数测量精度的目的。,基于综合统计分析的交通信息融合方法,加权平均法是一种简单，直观的融合多传感器低层数据的方法，利用由一组传感器提供的冗余信息进行加权平均计算，并将加权平均值作为信息融合值。,指数平滑法兼容了全期平均法和移动平均法所长，不舍弃过去的数据，但是仅给于逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数。,8.2.2,信息融合的处理方法,交通信息处理,Transportation Information Processing,智能汽车的概念,在网络环境下用信息技术和智能控制技术，使汽车具有自动识别行驶道路、自动驾驶、自动调速等功能。,自动车辆系统（,AVS,）异类传感器,包括视频传感器、激光扫描仪和雷达传感器等,安全驾驶系统,包括碰撞报警系统（,CW,）、偏向报警系统（,LDW,）和智能巡游系统（,ICC,）等,自动泊车系统（视频）,8.2.3,基于信息融合技术的智能驾驶系统,交通信息处理,Transportation Information Processing,谷歌开发智能汽车,谷歌开发智能汽车,8.2.3,基于信息融合技术的智能驾驶系统,交通信息处理,Transportation Information Processing,多传感器信息融合系统的结构,专家知识库,信息融合除了需要融合算法外，还应有必要的领域知识进行有监督（教师指导）的融合，这些领域知识就构成了专家知识库。,传感器模型库,存放所用的传感器模型，定量地描述了传感器的特性以及各种外界条件对传感器特征的影响。,信息协调管理,多传感器所表示的时间、空间和表达方式各不相同，必须将它们统一到一个共同的时空参考体系中，该模块完成了时间因素、空间因素和工作因素的全面协调管理。,信息融合方法,对不同的任务和不同的对象采用不同的方法，或者综合使用几种方法。,8.2.3,基于信息融合技术的智能驾驶系统,交通信息处理,Transportation Information Processing,多传感器信息融合系统结构,多传感器信息融合系统结构,8.2.3,基于信息融合技术的智能驾驶系统,交通信息处理,Transportation Information Processing,智能驾驶系统的子系统,环境识别子系统,、,状态判断子系统,、,车辆控制子系统,等,智能驾驶系统的信息融合层次,数据层融合,，直接对数据源操作。通过图像处理和识别以及多传感器集成等技术，得到环境中汽车、人和其他障碍物的位置（得到速度、加速度则更好），预测下一步（或下几步）其位置的变化，从而为决策的形成奠定基础。,特征层的融合,，利用对象的统计特性和概率模型进行操作。主要是根据环境中形势与已有的知识进行关联，识别现在环境中形势的特征。,决策层的融合,。主要是根据各种特征的关联概率，以及该策略的成功概率、风险程度、能量消耗等综合因素，采用基于规则推理的方法，最后形成一个决策。,8.2.3,基于信息融合技术的智能驾驶系统,交通信息处理,Transportation Information Processing,智能驾驶系统框架,智能驾驶系统框架,基于信息融合的智能驾驶系统模型,8.2.3,基于信息融合技术的智能驾驶系统,交通信息处理,Transportation Information Processing,交通流预测方法,行程时间预测方法,8.3,交通流和行程时间预测技术,交通信息处理,Transportation Information Processing,交通流预测背景,准确、可靠的交通预测信息是动态路径诱导系统的基础和关键,短时交通流预测是在时刻,t,对下一决策时刻,(t+t),的交通流作出短期实时预测，预测时间跨度一般不超过,15min,它不同于传统的交通规划中的宏观意义上的以小时、天、月、年计算的交通量预测，它预测的内容一般为交通量、交通速度、交通密度（或占有率）、旅行时间等,交通流预测模型应具有的特性：实时、准确、可靠,8.3.1,交通流预测方法,交通信息处理,Transportation Information Processing,交通流预测模型,基于统计方法的模型,动态交通分配模型,交通仿真模型,非参数回归模型,神经网络模型,基于馄饨理论的模型,综合模型,8.3.1,交通流预测方法,交通信息处理,Transportation Information Processing,基于统计方法的模型,(Statistic-based Model),用数理统计的方法处理交通历史数据，如交通流、交通速度、旅行时间等用于预测。,使用历史数据进行预测，利用现在和过去的观测值来预测其未来值。,缺点：,只利用了交通流系统本身的历史数据，没有考虑其他任何影响因素（例如相邻路口）,不能反映交通流过程的不确定性与非线性，尤其无法克服随机干扰因素的影响,8.3.1,交通流预测方法,交通信息处理,Transportation Information Processing,交通仿真模型,(Traffic Simulation Model),交通仿真模型把车辆当作实体，用计算机模拟实际道路交通情况，对道路的交通状况进行仿真，得到道路预测的交通信息。,严格意义上说，交通仿真模型不能用于交通流预测的目的，因为它需要输入用于预测的交通流数据。而且，交通仿真模型不能实现实时性。,但交通仿真模型提供了一个交通流、占有率和旅行时间之间关系的一个模拟实际的计算方法。,视频案例,8.3.1,交通流预测方法,交通信息处理,Transportation Information Processing,3.3.1 交通流预测方法,动态交通分配模型（,DTA,模型）,DTA,模型通过采集到的,交通流数据,和,出行者选择的行为,用于估计随时间变化的网络的状态。,动态交通分配,是按照一定的准则将动态交通需求量合理地分配到路网上，从而得到路段实时交通量的方法。实现降低交通拥挤程度和提高路网运行效率的目的。,以传统的静态的交通分配的假设解决随时间变化的动态交通流问题，对任何一个网络没有一个方法是通用的方法。,缺点：,假设条件苛刻，在实际路网中无法得到相应信息或取得信息的代价昂贵,某些模型的解释性虽然较好，但无法求解或求解难度大，优化时间长,过分强调精确的系统最优或用户最优分配结果，加大了模型求解的难度，不适合在大规模路网上实现应用,8.3.1,交通流预测方法,交通信息处理,Transportation Information Processing,行程时间计算方法,行程时间可分为：,个别行程时间,指驾驶员通过某条路线所需要的时间，通常用距离和速度来表示,平均行程时间,指在一定时期,p,内，路线,R,上,N,p,辆车的平均行驶时间,公式前提：个别行程时间可以获取,8.3.2,行程时间预测方法,交通信息处理,Transportation Information Processing,智能交通信息平台行程时间预测功能,根据检测器采集的基本交通参数，通过数据挖掘、数据融合等方法，采用行程时间预测技术提供整个路网任意路段的预测行程时间值。,影响行程时间预测的因素,如图,这些因素是否可以用于行程时间预测，主要依赖于他们能否被精确地检测到。,影响行程时间的因素分析图,8.3.2,行程时间预测方法,交通信息处理,Transportation Information Processing,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,，主要通过以下渠道获得：,线圈检测器数据（速度、交通流、占有率）；,交通控制和匝道调节系统的数据（相位、周期长度、绿灯时间、速度、密度、占有率）；,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）；,自动车辆识别（,AVI,，,automatic vehicle identification,）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）,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）；,车队管理系统数据；,天气状况数据；,时间信息（季节、星期、年月日时刻、特殊节假日）；,基础设施相关信息（车道维修、匝道关闭）；,事件检测系统数据。,8.3.2,行程时间预测方法,交通信息处理,Transportation Information Processing,城市道路路段行程时间预测,城市道路行程时间分成两部分：,车辆在,路段上的运行时间,和,交叉口的运行时间,，,其中交叉口的运行时间包括,通过交叉口行驶时间,和,交叉口的延误时间,。,如果只考虑交通流量及红绿灯控制对其的影响，通过某一路段总的行程时间将包括：,车辆在该路段上的,平均行驶时间,、,在下游交叉口处的排队等待时间,和,通过该交叉口的时间,等三部分。,路段行程时间的计算,公式,交叉口延误时间的计算,随机服务系统理论,算法：模型假设、模型建立、排队时间的计算,8.3.2,行程时间预测方法,交通信息处理,Transportation Information Processing,快速路路段行程时间预测,交通流预测方法基本相似,可分为两大类,统计归纳模型：比如,ARMA,，,ARIMA,，,ARX,模型，多元线性回归模型和神经网络。,这些方法的特征是需要很多的历史、当前的交通参数数据（速度、流量、占有率和运行时间）作为输入。,分析推理模型：比如,METANET,，,SIMRES,，,STM,，或,DynaMIT,，,这些方法主要是采用宏观、中观、微观模拟交通状况，这些模型需要动态,OD,矩阵作为输入。,8.3.2,行程时间预测方法,交通信息处理,Transportation Information Processing,模式识别,车牌自动识别技术,车型识别技术,8.4,模式识别技术,交通信息处理,Transportation Information Processing,模式识别背景知识,模式,广义： 存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为,模式,狭义：,模式,是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息,把模式所属的类别或同一类中模式的总体称为,模式类,或简称为,类,模式识别,是在某些一定量度或观测基础上把,待识别模式,划分到各自的,模式类,中去,计算机模式识别,指利用计算机等装置对物体、图像、图形、语音、字形等信息进行自动识别,8.4.1,模式识别,交通信息处理,Transportation Information Processing,模式识别的方法,模式识别,就是从不同相关的细节背景中，抽取数据的有意义的特征或属性，根据这些特征或属性对数据进行分类。,模式识别的两种基本方法：,统计模式识别,方法，即结合统计概率论的贝叶斯决策系统,结构（句法）模式识别,方法，利用模式与子模式分层结构的树状信息进行模式识别,模式识别系统由两个过程所组成：,设计,是指用一定数量的样本（称为训练集或学习集）进行分类器的设计,实现,是指用所设计的分类器对侍识别的样本进行分类决策,基于统计方法的模式识别系统结构图,8.4.1,模式识别,交通信息处理,Transportation Information Processing,模式识别的应用,字符识别,文字信息：各国家文字,数据信息：阿拉伯数字及少量特殊符号,汉字输入：手写体识别和语音识别,车牌识别属于字符识别,语音识别,指纹识别,8.4.1,模式识别,交通信息处理,Transportation Information Processing,车牌自动识别技术原理与过程,当车辆通过车体传感器时，传感器发送一个信号给图像采集控制部分,采集控制部分由控制采集卡采集一幅汽车图像送至图像预处理模块,预处理模块对输入图像进行处理后送入电脑,软件模块从输入图像中找到牌照的位置，对牌照作字符切分,车牌识别对提取的车牌图像进行必要的预处理、分割出单个字符，提取字符的特征并识别出字符,输出结果，做进一步的应用,车牌识别过程,8.4.2,车牌自动识别技术,交通信息处理,Transportation Information Processing,车牌自动识别技术关键步骤,图像预处理,目的：对动态采集到的图像进行滤波、边界增强等处理，以克服图像干扰，改善识别效果,方法：,归一化：把提取的车牌图像中的字符调整到与标准模板中的字符特征一致。分为倾斜度校正和大小归一化,二值化：求得合适的阈值，以便将背景与字符分开,车牌定位,目的：从汽车图像中提取牌照区域（牌照坐标），以供下一步识别牌照字符,方法：字符竖向纹理统计、彩色分类、神经网络、矢量量化和模板匹配,车牌分割,目的：从车辆图像中准确的分割出车牌字符,方法：根据车牌区域颜色变化频率、利用,BP,神经网络、基于垂直字符编辑特征,车牌识别,目的：识别车牌字符,方法：基于神经网络、基于模板匹配,垂直投影积分法识别车牌,8.4.2,车牌自动识别技术,交通信息处理,Transportation Information Processing,车型识别技术的关键,探测、摄取车辆的某些特征信息,车辆特征包括：车辆的外型（长、宽、高等）、车辆的轴重或轴距、车辆轴重及总重、车辆号牌、发动机排气量、车辆可以乘载的人员数或载重量等,车辆自动识别分类方法,8.4.3,车型识别技术,交通信息处理,Transportation Information Processing,车型自动识别的方法,轮廓扫描,原理：获取车辆的外形信息，从而对车辆进行分类,方法：无线电波扫描和红外检测技术,车轴检测及其计数,原理：通过检测车辆的轴距、轮距、车高和轴数四个参数，对车辆进行分类和识别,方法：轴距可使用轴检测传感器，车轴计数可使用传感方法（传感器）和非接触的控测方法（无线电波、红外线或激光束）,视频车型识别,原理：如图,方法：图像采集、图像处理、图像识别技术,车轮廓提取,视频车型识别系统原理,8.4.3,车型识别技术,交通信息处理,Transportation Information Processing,本章小结,数据压缩处理技术,JPEG,标准,MPEG,标准,音频压缩编码,交通信息融合处理技术,信息融合,交通信息融合处理方法,基于信息融合技术的智能驾驶系统,交通流和行程时间预测技术,交通流预测方法,行程时间预测方法,模式识别技术,模式识别,车牌自动识别技术,车型识别技术,