1、利用 FCM 对静态图像进行交通状态识别 崔华 袁超 魏泽发 李盼侬 宋鑫鑫 纪宇 刘云飞 长安大学信息工程学院 摘 要： 对交通状态进行准确识别可以主动预警将要进入本路段的驾驶员避开拥堵, 以免加重拥堵程度, 同时也是科学制定主动交通管理决策的基础, 有利于及时疏导拥堵, 提高道路运行效率, 节能减排.首先从交通监控视频中采集图像, 标注道路为兴趣区, 并对道路图像做角度和尺度的归一化处理;然后提取兴趣区图像的平均梯度、角点个数和长边缘比例 3 个特征;最后, 利用模糊 C 均值聚类算法将图片所呈现的交通状态分为畅通和拥堵两种状态.实验结果表明, 文中算法可以有效识别图像中的交通状态, 正确
2、率达到了 94%以上, 而且较基于视频的交通状态识别方法, 该方法也大大降低了实现成本.关键词： 交通状态识别; 交通图像; 模糊 C 均值聚类; 角点个数; 长边缘比例; 作者简介：崔华 (1977-) , 女, 教授, 博士, E-mail:.收稿日期：2016-12-12基金：国家自然科学基金资助项目 (61572083) Traffic state recognition using static images and FCMCUI Hua YUAN Chao WEI Zefa LI Pannong SONG Xinxin JI Yu LIU Yunfei School of Info
3、rmation Engineering, Changan Univ.; Abstract： Accurate recognition of the traffic condition can proactively alert drivers who will enter the congested road to avoid congestion, so that the degree of congestion will not be increased.And it is also the basis to make scientific decision on active traff
4、ic managements, and conducive to alleviate congestion, improve the traffic efficiency, save energy and reduce emission.In this paper, the traffic surveillance videos are sampled every three minutes to build static image database, and the road area is marked as the region of interest (ROI) , and then
5、 ROI images are normalized in terms of angle and scale.The three image features in ROI, i.e., average gradient, corner and long edge number, are then extracted.Finally, the fuzzy Cmeans clustering (FCM) method is used to classify the traffic condition into two classifications, i.e., flowing traffic
6、and congestion.Experimental results show that the proposed algorithm can effectively identify the traffic condition involved in the image by the accuracy of 98%.Moreover, compared with the video-based approaches, this method greatly reduces the implementation cost.Keyword： traffic condition recognit
7、ion; traffic image; fuzzy C-means clustering; corner; long edge number; Received： 2016-12-12随着我国经济的快速发展, 私家车数量剧增, 道路交通负荷日益增加, 道路拥挤、行车困难现象非常严重, 是大中城市所面临并亟待解决的问题.目前国内外对道路交通运行状态的研究主要依据固定检测器或移动型检测器获得的数据以及多源数据.利用固定检测器进行交通状态识别的技术包括磁频车辆检测技术1、波频车辆检测技术2和视频车辆检测技术3, 但固定检测器的铺设受人力、资金、环境等条件的约束较大;移动检测器主要是全球定位系统 (G
8、lobal Position System, GPS) 技术4和车载自组织网络技术5.GPS 技术可以获取全面的车辆信息, 但该技术需要的成本较大, 并且有可能暴露个人隐私;车载自组织网络技术可以获得自身和所在区域的位置信息, 但密集的车流环境下, 控制信道不能保证安全信息的传送;为了数据的互补性和全面性, 交通部门采用多源数据融合技术6, 但多源数据的冗余性较严重.由于视频监控的普及以及视频具有可视化、信息量大、监控相机安装维修不影响交通运行等优势, 基于视频的交通状态识别成为研究主流.文献7提出了用图像处理技术来确定道路拥堵的方法, 该方法依据道路被占用时间的长短, 来判断车辆占用车道情况
9、, 从而获取交通密度.文献8提出一个交通拥堵决策算法, 该算法用线性空间金字塔匹配和稀疏编码提取交通图像的尺度不变特征转换 (Scale Invariant Feature Transform, SIFT) 特征, 来判决拥堵是否发生.但是, 视频信息传输和处理数据量大, 基于视频的交通状态识别设备成本较高.为此, 笔者提出基于静态图像进行交通状态识别, 此方法利用图像特征而不利用视频动态信息, 避免了很多干扰, 并且具有成本低, 利于推广、实时性好等优点.另一方面, 交通状态具有模糊性和不确定性, 因此, 文中将交通状态的识别问题看作模糊聚类问题, 运用交通图像的静态特征和模糊 C 均值 (
10、Fuzzy C-Means, FCM) 聚类方法对交通状态进行识别.1 交通图像特征提取1.1 图像预处理首先, 对采集到的交通视频以 3min/张的频率采样静态图像, 组成样本集.然后把图像归一为 225350 大小, 如图 1 (a) 和图 1 (d) 所示.其次, 为了明确道路位置, 消除周边环境干扰, 从待识别道路上选取固定长宽 (6 个白色路标线间长度, 3 车道宽度) 的四边形区域为兴趣区域, 如图 1 (b) 和图 1 (e) 所示.最后, 利用透视变换把不同场景截取的兴趣区进行归一化, 如图 1 (c) 和图 1 (f) 所示.图 1 交通图像预处理过程 下载原图1.2 图像特
11、征提取1.2.1 平均梯度基于灰度-梯度共生矩阵9的平均梯度定义为其中, 灰度-梯度共生矩阵的元素 H (x, y) 定义为在归一的灰度图像 F (i, j) 及其归一的梯度图像 G (i, j) 中具有灰度值 x 和梯度值 y 的像素数, 即在集合 (i, j) |F (i, j) =xG (i, j) =y, i, j=0, 1, , N-1中元素的个数.其中 F (i, j) 0, L-1, G (i, j) 0, L g-1.对灰度-梯度共生矩阵进行归一化处理, 使其各元素之和为 1, 得 .平均梯度为梯度值 y 与灰度-梯度共生矩阵中 (x, y) 点的值的乘积再求和.该灰度-梯度共
12、生矩阵的原点在左上角, 向右梯度值增加, 向下灰度值增加.灰度-梯度共生矩阵集中反映了图像中灰度和梯度的相互关系.基于灰度-梯度矩阵得到的平均梯度可以很清晰地表现图像内像素灰度与梯度的分布规律, 同时也体现了各像素与其邻域像素的空间关系.与直接对图像求梯度平均相比, 不仅利用了图像的梯度信息, 而且也利用了图像的灰度信息.由于畅通交通图像中车辆较少, 且大部分是平滑的路面图像, 整个图像灰度变化小, 则平均梯度小.而拥堵图像中车辆较多, 车身上具有很多不同方向的边缘, 整个图像灰度变化大, 导致图像平均梯度大.3 369 张畅通图像和 2 632 张拥堵图像的平均梯度分布如图 2 所示.从图
13、2 可知, 畅通和拥堵状态交通图像的平均梯度值分别集中在 0.1 到 0.5 之间和 0.5 到 0.9 之间, 平均梯度特征可以很好地区分两种交通状态下的图像.交通图像的平均梯度分布图如图 2 所示.图 2 交通图像的平均梯度分布图 下载原图1.2.2 角点个数小核相似区 (Small Univalve Segment Assimilating Nucleus, SUSAN) 角点检测算法, 就是通过一个圆形模板扫描整个图像, 利用相似比较函数 c (r, r0) 比较模板内每一像素与中心像素的灰度值的大小, 再利用给定阈值 t 来判别该像素是否属于同值分割吸收核 (Univalve Seg
14、ment Assimilating Nucleus, USAN) 区域10.相似比较函数为其中, I (r 0) 是模板 C 的中心 r0的灰度值, I (r) 为模板内其他任意像素的灰度值.图像中某一点 r0的 USAN 区域大小 n 可由 表示, C (r 0) 是以r0为圆心的模板.为了抑制噪声对角点的影响, 设置 g 为阈值, 当 ng 时, 判定 r0为角点;否则, 不是角点.然后, 计算 USAN 区域的重心与模板中心的距离, 将距离小于预先设定阈值的候选角点视为伪角点去除, 使用非最大值抑制方法优选出真正的角点.图 3 交通图像的角点提取 下载原图由于拥堵交通图像中车辆较多, 车
15、身上存在很多像素点与其邻域像素差别大, 形成较多的角点.文中选用的圆形模板尺寸为 37, t 取 25, 畅通交通图像中大部分是路面, 图像中各像素与其邻域像素变化很小, 角点个数较少.拥堵和畅通图像的角点分布如图 3 所示, 可见拥堵图像的角点个数比畅通图像角点个数要多许多, 角点特征对拥堵和畅通交通状态具有较好的辨识度.1.2.3 长边缘比例为了消除路边道路边树荫的影响, 利用 canny 算子对图像作边缘检测11, 对边缘图做连通域操作, 当边缘图中连通域面积小于阈值 Y 时, 删除此连通域;反之, 保留在图中.其中 Y 取 25, 去除树荫后的边缘图如图 4 所示.然后将边缘图像从上到
16、下均匀分为 16 份, 计算每份的非零像素个数 t1, 最后统计边缘长度t1超过固定阈值 t 的个数 t2.交通图像的 t2越大, 表明交通状态越拥堵;t 2越小时, 交通状态越畅通.畅通图和拥堵图的边缘分布图如图 4 所示, 其中阈值 t 设定为 70.从图 5 可见, 拥堵状态交通图像中绝大部分的边缘长度都超过了阈值, 而畅通状态交通图像的边缘长度超过阈值的很少, 所以长边缘比例可以很好地区分畅通和拥堵的交通图像.图 4 交通图像的边缘分布 下载原图2 基于 FCM 的交通状态识别方法以平均梯度、角点个数和长边缘比例为特征, 利用模糊 C 均值算法12对交通图像进行分类, 识别出交通状态是
17、拥堵或畅通.2.1 不同的特征组合方式考虑到不同特征的分类效果不同以及不同的特征组合方式对聚类结果具有不同的影响, 文中对比研究了基于一维特征、三维特征串联和并联 3 种方式的 FCM交通状态识别方法.基于一维特征的 FCM 交通状态识别方法的具体步骤如下:图 5 交通图像的长边缘比例 下载原图步骤 1 用 1.1 节中的方法对图像进行预处理.步骤 2 用 1.2 节中的方法对图像进行特征提取, 并将特征数据归一化到0, 1中.步骤 3 设定聚类数 c、加权指数 m 以及停止阈值 ;设置计数器 b.初始化聚类中心 p 是随机产生的.步骤 6 如果 , 则算法停止, 并输出聚类中心 P 和隶属度
18、矩阵 U;否则, 令 b=b+1, 并返回步骤步骤 3.基于三维特征并联的 FCM 交通状态识别方法同步骤 1步骤 6, 只是输入数据由一维特征数据变为三维数据.而基于三维特征串联的 FCM 交通状态识别方法描述如下:第 1 步采用上述步骤 1步骤 6 对长边缘比例特征数据进行 FCM 聚类, 提取出不确定样本集 C1和确定样本集 D1.其中将 FCM 算法得到的隶属度矩阵中隶属度差的绝对值小于 0.1 的样本视为不确定样本.第 2 步采用上述步骤 1步骤 6 对不确定样本集 C1的角点个数特征数据进行聚类, 提取出不确定样本集 C2, 从不确定样本集 C1去除不确定样本集 C2剩下的样本集为
19、确定样本集 D2.第 3 步采用上述步骤 1步骤 6 对不确定样本集 C2的平均梯度特征数据进行聚类, 得到样本分类结果, 此时样本全部为确定样本集 D3.图 6 三维特征分布图 下载原图第 4 步将确定样本集 D1、D 2和 D3合并形成总样本的分类结果.3 实验及分析为了检验文中所提取的特征及设计的算法对交通状态识别问题的有效性, 进行了一系列的仿真实验和实测实验.采用 2016 年 6 月 12 日 7:00 时到 19:00 时西安市南二环文艺路口由东向西车道的交通视频, 采样出 6 001 张图像, 其中 3 369 个畅通图像, 2 932 个拥堵图像, 通过 Matlab2014
20、a 软件进行仿真实验, 用 min-max 函数归一化特征数据, 随机产生初始聚类中心 p, 设定加权指数 m=2, 迭代停止阈值 =110.依据特征数据将交通图像分为畅通和拥堵 2 类, 特征数据分布如图 6 所示.不同特征组合的分类结果如表 1 所示.2016 年 7 月 14 日在相同交通场景进行实测实验, 基于各种特征组合方式得到的分类性能如表 1 所示.从表 1 可知, 仿真实验中特征串联时的正确率为 94.93%和F 值为 94.69%;比一维特征时性能最好的特征的正确率高 1.66%、F 值高 1.91%;比特征并联时的正确率高 0.97%、F 值高 1.44%, 表明文中方法及
21、选取的图像特征对交通状态识别的有效性, 而且特征串联比其他特征组合方式的分类性能更好, 同时从测试实验结果也可得出同样的结论.文献13中采用 SURF 角点个数、纹理和边缘直方图特征和 SVM 算法对交通状态进行分类, 正确率为 82.7%, 低于文中算法的正确率.表 1 不同特征组合的实验分类结果比较 下载原表 4 结束语笔者利用静态图像和模糊 C 均值聚类算法进行交通状态识别, 把交通状态分为拥堵和畅通两类.首先提取了平均梯度、角点个数和长边缘比例 3 个特征, 然后对比研究了基于 FCM 方法的不同特征组合方式的交通状态识别效果.实验结果表明基于特征串联方式获得的识别性能最好, 达到了
22、94%以上的识别正确率.该方法较基于视频的交通状态识别方法, 具有成本低廉, 利于广泛应用等优点;较监督学习方法, 可以大大节省为标注样本而耗费的人力和物力.参考文献1ZHU H M, YU F Q.A Cross-correlation Technique for Vehicle Detections in Wireless Magnetic Sensor NetworkJ.IEEE Sensors Journal, 2016, 16 (11) :4484-4494. 2TYAGI V, KALYANARAMAN S, KRISHNAPURAM R.Vehicular Traffic Den
23、sity State Estimation Based on Cumulative Road AcousticsJ.IEEE Transactions on Intelligent Transportation Systems, 2012 (13) :1156-1166. 3ZHANG P, LUO Q.ZHOU S Y.Adaptive Background Updating Algorithm for Traffic Congestion Detection Based on Kalman Filtering and Inter-frame Centroid DistanceC/Proce
24、edings of the 2015 IEEE Advanced Information Technology, Electronic and Automation Control Conference.Piscataway:IEEE, 2015:891-895. 4XU X J, GAO X B, ZHAO X W, et al.A Novel Algorithm for Urban Traffic Congestion Detectionbased on GPS Data CompressionC/Proceedings of the 2016IEEE International Conf
25、erence on Service Operations and Logistics, and Informatics.Piscataway:IEEE, 2016:107-112. 5YOUNES M B, BOUKERCHE A.Efficient Traffic Congestion Detection Protocol for Next Generation VANETsC/Proceedings of the IEEE International Conference on Communications.Piscataway:IEEE, 2013:3764-3768. 6ZHANG P
26、, RUI L L, QIU X S, et al.A New Fusion Structure Model for Real-time Urban Trafficstate Estimation by Multisource Traffic Data FusionC/Proceedings of the 2016 Asia-Pacific Network Operations and Management Symposium.Piscataway:IEEE, 2016:1-6. 7HASAN M M, SAHA G, HOQUE A, et al.Smart Traffic Control
27、System with Application of Image Processing TechniquesC/Proceedings of the 2014International Conference on Informatics, Electronics and Vision.Piscataway:IEEE, 2014:6850751. 8ZHOU L, JI L, HAO D.Traffic Congestion Judgment Based on Linear Spatial Pyramid Matching Using Sparse CodingC/2014 10th Inter
28、national Conference on Natural Computation.Piscataway:IEEE, 2014:540-544. 9王天.基于纹理分析的虚拟结肠镜 CAD 技术研究D.西安:西安电子科技大学, 2008. 10MAHMOUDZADEH E, ZEKRI M, MONTAZERI M A, et al.Directional SUSAN Image Boundary Detection of Breast ThermogramJ.IET Image Processing, 2016, 10 (7) :552-560. 11章为川, 水鹏朗, 徐国靖.边缘线上各向
29、异性高斯核信息熵的角点检测J.西安电子科技大学学报, 2013, 40 (4) :119ZHANG Weichuan, SHUI Penglang, XU Guojing.Corner Detection via Anisotropic Gaussian Kernels Information Entropy on Edge ContoursJ.Journal of Xidian University, 2013, 40 (4) :119-124. 12陈东辉.基于目标函数的模糊聚类算法关键技术研究D.西安:西安电子科技大学, 2012. 13DINANI M A, AHMADI P, GHOLAMPOUR I.Efficient Feature Extraction for Highway Traffic Density ClassificationC/Proceedings of the 2015 9th Iranian Conference on Machine Vision and Image Processing.Piscataway:IEEE, 2015:14-19.
