基于图像处理的智能交通信号灯控制系统的研究

论文摘要

随着汽车保有量的增加,道路交通流量日益增加,交叉路口的压力越来越大,然而绝大部分的交通信号灯为定时控制,该方法不能有效的发挥交叉路口的通行能力,因此需要建立合理的交通信号灯智能控制系统。针对这一背景,本文首先分析了智能交通信号灯控制所需的关键技术和发展现状;然后建立了基于图像处理的智能交通信号灯控制系统,该系统共有两个模块:图像处理模块和智能控制模块;最后通过实验验证了该系统的有效性。在图像处理模块,本文提出了基于直线方程的车道线提取算法,实现了车道线的稳定提取;采用基于车道线的单车道提取算法并结合模板化方法实现了单车道的快速提取;提出了基于单车道的快速背景提取算法,从而提高了系统的实时性;建立了沿道路长度方向和宽度方向的行坐标模型,实现了图像坐标系和世界坐标系的距离转换,从而完成了车队长度的测量和车辆类型的识别,最终获得了各个相位的当量车队长度。在智能控制模块,本文采用了模糊神经网络的控制算法,从而将专家经验融合到该系统中并且使其具有自学习的功能;本文制定了简单的自适应准则,使得系统可以自动的修正样本并完成自身的训练,从而能够适应不断变化的道路交通状况。最后本文以平均延误时间作为各种控制算法的评价指标,完成了对定时控制、模糊控制、神经网络控制和模糊神经网络控制的仿真实验,实验表明模糊神经网络控制在交通流量中等和交通流量不均匀时具有优越的控制性能,并且该系统能够不断地适应交通流的变化。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 引言
• 1.2 研究的目的和意义
• 1.3 智能交通信号灯控制的发展现状
• 1.3.1 交通参数的检测及其检测技术的研究现状
• 1.3.2 智能交通信号灯控制策略的研究现状
• 1.4 主要研究内容
• 第2章 智能交通信号灯控制系统总体方案研究
• 2.1 交通信号灯控制中的基本参数
• 2.1.1 信号周期
• 2.1.2 相位
• 2.1.3 绿信比
• 2.1.4 平均延误时间
• 2.2 智能交通信号灯控制系统的技术原则
• 2.2.1 可靠性原则
• 2.2.2 实时性原则
• 2.3 智能交通信号灯总体方案设计
• 2.3.1 硬件的选取及安装
• 2.3.2 图像处理模块
• 2.3.3 智能控制模块
• 2.3.4 仿真模块
• 2.3.5 系统总体方案流程图
• 2.4 本章小结
• 第3章 基于图像处理的交通参数的测量
• 3.1 硬件的安装和选取原则
• 3.2 视频采集和图像预处理
• 3.3 基于统计特性的背景提取算法
• 3.3.1 基于中值法的背景提取
• 3.3.2 基于均值法的背景提取
• 3.3.3 基于频率最高法的背景提取
• 3.3.4 基于高斯法的背景提取
• 3.3.5 基于帧差法的背景提取
• 3.4 基于单车道的背景提取
• 3.4.1 基于车道线的单车道提取
• 3.4.2 基于模板的快速单车道提取
• 3.4.3 基于单车道的快速背景提取算法
• 3.5 目标车辆的提取
• 3.5.1 基于背景差法的车辆提取
• 3.5.2 帧差图像的二值化
• 3.5.3 基于中值滤波的噪声滤除
• 3.5.4 基于膨胀处理的车辆复原
• 3.5.5 基于图像处理的车辆提取流程图
• 3.6 基于行坐标的车队长度测量和车辆类型识别
• 3.6.1 基于行坐标的距离转换模型的建立
• 3.6.2 基于行坐标的车队长度测量方法及验证
• 3.6.3 基于行坐标的车辆类型识别算法
• 3.7 当量车队长度
• 3.8 本章小结
• 第4章 交通信号灯智能控制算法
• 4.1 模糊控制器的设计
• 4.1.1 模糊控制器的结构
• 4.1.2 论域变换
• 4.1.3 语言值的建立
• 4.1.4 隶属度函数的建立
• 4.1.5 控制规则的建立
• 4.1.6 基于面积重心法的清晰化处理
• 4.2 神经网络控制
• 4.2.1 神经网络的选取原因
• 4.2.2 基于规则的样本点的选取
• 4.2.3 样本对的识别
• 4.2.4 构造并训练神经网络
• 4.2.5 神经网络控制表的修正
• 4.3 自适应模糊神经网络控制
• 4.3.1 模糊神经网络的选取
• 4.3.2 模糊神经网络的建立
• 4.3.3 模糊控制表的自动获取
• 4.3.4 实验结果
• 4.3.5 基于评价准则的自适应算法
• 4.4 本章小结
• 第5章 控制算法的仿真实验
• 5.1 交叉路口几何模型
• 5.2 交通信号灯控制流程
• 5.3 评价依据
• 5.4 仿真实验
• 5.4.1 仿真思想
• 5.4.2 初始值设定
• 5.4.3 实验结果
• 5.5 本章小结
• 结论
• 参考文献
• 致谢
• 附录