一种拥堵路段车辆提醒方法技术

本发明专利技术的一种拥堵路段车辆提醒方法，包括计算机视觉识别方法，基于遗传算法优化的PID控制方法和车辆拥堵路段提醒装置方法，包括以下步骤：a.通过计算机识别方法获取实时道路车流量信息；b.使用优化的PID控制方法计算获取的车流量信息并发出信号；c.将信号传入车辆拥堵路段提醒装置；d.判断信号，如能执行则提醒装置启动，反之进入步骤e；e.判断信号，如能执行则装置再次初始化。本发明专利技术实现了对拥堵路段车辆的提醒，实现了交通压力的缓解，实现了一种智慧交通基础设施的方法，有助于缓解交通系统对实时路况检测的压力，促进了当前中国智慧交通的发展。

【技术实现步骤摘要】
一种拥堵路段车辆提醒方法
本产品设计到一种智能交通设施，具体涉及到一种包含智能算法以及计算机视觉的拥堵路段车辆提醒方法。
技术介绍
驾车出行是我们常用的交通方式之一，随着国内经济的蓬勃发展，人民生活水平的日益提升，国内汽车人均保有量呈现逐年上升的趋势。与此同时，部分城市现有交通网路已难难以满足人们对交通工具需求的日益增长，最终导致了国内大中小城市“爆发式”的出现交通拥堵问题。但是，对于部分城市而言单纯依靠扩大城市交通网络来满足日益增长的交通需求势必会占用有限的土地资源。为了有效地缓解交通压力，对拥堵多发路段进行实时有效的车辆提醒是一种有效的方法，以促进交通要道的顺利通行。目前，现有的文献资料主要分析了传统交通网络的调度，由于当前城市路段仍使用传统摄像头，其路况信息存在时间上的滞后性，导致无法准确后续的交通路况，且对车流量过多时缺乏实时提醒，解决车辆拥堵效果不明显。
技术实现思路
本专利技术为了克服上述技术的不足，提供了一种计算机视觉识别车流量、智能算法控制的车辆拥堵提醒方法，可以有效缓解城市车辆拥堵。本专利技术的拥堵路段车辆提醒的方法其特别之处在于，依次包括以下步骤：a.首先，使用具有识别车辆的计算机视觉识别系统的道路摄像头实时获取当前车辆信息，并通过机器学习的方法预测后续的道路车流量信息，后通过计算机协议将信息保存；b.将保存的数据传入含有智能算法优化的PID控制中得到是否需要显示车辆过多的信号0或1；c.将信号传入车辆拥堵路段提醒装置；d.如果获得信号0，则说明道路通畅，不进行任何提醒；e.如果获得信号1，则说明车流量即将增加道路可能出现拥堵问题。通过步骤a可以获得该路段的实时车流量信息；步骤b是为了通过计算得到一个是否需要启动提醒装置的信号；步骤c、步骤d和步骤e是提醒装置的具体工作原理。本专利技术的拥堵路段车辆提醒方法的计算机识别方法，所述步骤a采用的方法是基于SVM的机器学习方式获得车辆密度。使用基于SVM的道路摄像头可以实时识别车流密度，并预测未来车辆密度，降低人为计算。本专利技术的智能计算优化的PID控制方法，所述步骤b采用的方式是基于遗传算法(GA)优化的PID控制。使用此方法，可以有效的提高PIG模型的稳定性，更好的计算控制结果。本专利技术的车辆拥堵路段提醒装置，所述步骤c、d、e，当传入信号为0时，提醒装置闪烁，当传入为1时，提醒装置闪烁。附图说明图1为本专利技术单元的重叠设置为4时的滑动窗口检测示例；图2为本专利技术保留那些检测超过m次的物体的检测示例；图3为马路划分示意；图4为遗传算法优化趋势对比图；图5为检测装置图；图6为本专利技术专利的流程图。具体实施方式在众多的文献中，研究人员已经开发了许多用于障碍物检测的技术，从传统的计算机视觉到深度学习都有。在本文中，我们使用一种计算机视觉技术——方向梯度直方图(HOG)并结合了一种机器学习算法——支持向量机来构建车辆检测器并用Python做相关仿真实验。该部分介绍了方向梯度直方图与支持向量机，裁剪得到训练样本之后，提取所有正样本的Hog特征和负样本的Hog特征，对所有正负样本赋予样本标签，将正负样本的Hog特征，正负样本的标签，都输入到SVM中进行训练，最终计算输出所需数据。方向梯度直方图(HistogramofOrientedGradient,HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。方向梯度直方图的具体算法如下：首先输入图像进行伽玛值(Gamma)调整和滤波。图像平滑滤波可提高算法的抗噪性，采用高斯滤波：L(x，y)＝G(x，y，σ)*I(x，y)其中，G(x，y，σ)是高斯函数；(x，y)是坐标；σ是尺度坐标；L(x，y)是原图像进行卷积运算后的平滑图像，σ大小决定图像的平滑程度，大尺度对应图像的概貌特征，小尺度对应图像的细节特征。对图像平滑后计算计算梯度，图像梯度是二维函数梯度的衍生。平滑图像L(x，y)的每个像素点用如下公式计算其梯度模和方向，得到与原图等大的梯度图像。求得图像的梯度后得出每个像素点上的梯度模值和方向进行加权统计。由于方向的对称性，在构建方向直方图时采用了0°～180°的方向范围。不同形状的物体具有不同的梯度分布，其梯度方向直方图也有较大差异。对于，HOG描述子，将书入的64*128大小的图片进行划分，把4*4大小的像素区域划为一个单元，在每个小单元内进行梯度统计。梯度方向在0°～360°内，经过验证将直方图分为9级，直方图包含的级数太多导致对小的方向旋转太敏感，而级数太少则导致结构太粗糙。计算每个单元对应的用梯度幅值加权的梯度方向直方图，将其表示为一个9维的特征向量。将前面的单元合并成大区域，即2*2个单元组成一个新的区域，每个区域为8*8pixel。为了使后面检测具有更好的效果，向量统计时需要尽量多的信息，在原始图像区域划分时使相邻的2个区域有部分重叠。重叠区域大小为原区域的一半。将子图中所有单元的特征向量联合起来，即构成图像对应的特征向量。求取上述HOG向量后，用整个子图像的直方图“能量”对特征向量进行归一化处理，可以进一步解决光照变化的影响。经过实验对比可以确定归一化算子为：其中,Ti为原向量；Ti′为归一化后的向量；ε为常数。支持向量机(supportvectormachines,SVM)是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机；SVM还包括核技巧，这使它成为实质上的非线性分类器。SVM的学习策略就说间隔最大化，可形式化为一个求解凸二次规划的问题，也等价于正则化的合页损失函数的最小化问题。SVM的学习算法就是求解凸二次规划的最优化算法，该算法解决小样本、非线性及高维的模式识别上有许多独特优势。SVM是建立在统计学理论的VC维理论(所谓VC维就是对函数类的一种度量，可以简单理解为问题的复杂程度，VC维越高，一个问题就越复杂)和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性和学习能力之间寻找一个最佳折衷，从而得到最优化的泛化能力。支持向量机其实也是基于最优分类的思想训练出来的一种分类算法，简而言之，它是一个两类分类模型，依赖预处理后的模型，最终可转化为一个凸二次规划问题的求解，在n维空间中找到一个分类超平面，将空间中的点进行分类。车辆检测由于一个视频帧中可能存在多个车辆，因此本文采用了滑动窗口机制和帧聚合的技术，遍历视频帧中的所有窗口，在每个窗口中利用训练好的SVM检测每个窗口是否包含车辆。我们创建多个尺寸的滑动窗口，大小从64×64到256×256像素，然后使用分类器来识别这些窗口，并且只保留正向的预测，我们在屏幕底部使用较大的滑动窗口，因为这一区域的车辆通常较大，而在屏幕上方则使用较小的滑动窗口。在y方向小于350像素的区域(即图像上部)不进行车辆本文档来自技高网...

【技术保护点】
1.一种拥堵路段车辆提醒方法，其特征在于，依次包括以下步骤：/na.首先，利用基于计算机视觉识别的道路摄像头实时获取当前路段的车辆信息；/nb.将获取的信息传入第一单片机，使用基于遗传算法的PID控制算法进行计算，输出信号并通过第一无线收发模块发送；/nc.第二无线收发模块接收信号，设备初始化；/nd.如果信号为“0”时，第二单片机开关断开，LED灯条保持熄灭状态，道路通畅，车流量在正常范围之内；/ne.如果信号为“1”时，第二单片机开关开启，LED灯条闪烁提示当前路段车流量可能较多，易发生车辆拥堵问题，达到提醒司机、缓解交通压力的作用。/n

【技术特征摘要】
1.一种拥堵路段车辆提醒方法，其特征在于，依次包括以下步骤：
a.首先，利用基于计算机视觉识别的道路摄像头实时获取当前路段的车辆信息；
b.将获取的信息传入第一单片机，使用基于遗传算法的PID控制算法进行计算，输出信号并通过第一无线收发模块发送；
c.第二无线收发模块接收信号，设备初始化；
d.如果信号为“0”时，第二单片机开关断开，LED灯条保持熄灭状态，道路通畅，车流量在正常范围之内；
e.如果信号为“1”时，第二单片机开关开启，LED灯条闪烁提示当前路段车流量可能较多，易发生车辆拥堵问题，达到提醒司机、缓解交通压力的作用。


2.根据权利要求1所述的...

【专利技术属性】
技术研发人员：刘高源，赵慧奇，范方，钟广源，陈金硕，孙华艺，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东;37