[01196090]面向交通诱导的无线传感器网络广域追踪和仿真

近年来,随着我国城市化的快速发展,城市规模不断扩大,居民生活水平不断提高,私有车保有量聚增,随之而来的交通堵塞、出行难、停车难等交通问题已成为影响城市发展的重要因素。目前,国内外公认的缓解交通拥挤、改善行车安全、提高路面运输效率、减少环境污染的最佳途径之一就是智能交通系统。交通诱导系统作为智能交通系统重要组成部分,是智能交通系统的关键技术。 本项目利用无线传感器网络和计算机视觉技术对交通视频数据进行处理,研究面向交通诱导的无线传感器网络追踪和仿真中的关键问题,在交通诱导研究中,首先需要检测到机动车和非机动车,相对与传统的利用线圈获取交通流信息获取手段。通常的机动车检测技术是通过特征匹配的方法检测机动车、非机动车和行人。早期的目标检测技术是通过模板技术获取检测目标,包括外观模型和外形模型,其中外形模型相对于外观模型具有一定旋转、尺度不变性。交通诱导作为ITS重要的研究领域,国外的研究起步较早,Allsop在70年代到80年代开始注意到交通控制与交通分配问题之间的相互关系。Parvese提出了将信号优化的系统与实时交通流相结合的观点。在80年代到90年代,国外学者开始研究交通诱导控制与交通分配结合的数学模型,主要利用迭代和博弈的思想,如Garnter提出的交通控制与交通流诱导一体化框架,Owen于1998年提出的交通控制与交通分配协调问题的优化模型,追求用户的出行最优化。国外相关学者在2000年之前关于交通诱导的研究主要集中在建立交通诱导的数学模型和交通诱导方案优化等方面,随着计算机由单核时代进入多核时代,计算机的并发处理能力大幅度地提高,利用计算机视觉技术解决交通诱导问题已经成为近年来国外学者的主要研究方向。Pablo Negri利用AdaBoost（Adaptive-Boost 自适应提升）算法进行车辆检测。在车辆检测之前,利用2D Haar小波进行灰度信息的提取,并结合HOG（Histograms of Oriented Gradients方向梯度直方图）算法进行运动梯度特征提取,通常可以作为特征向量包括车辆的颜色,阴影,边界,角度,纹理以及运动模型等,在AdaBoost算法中,首先利用训练样本构建多个弱分类器,最终产生一个强分类器。Pablo Negri利用Harr小波以及AdaBoost算法能够较好地检测视频信息的单个车辆,但是对于多车辆的检测较差。Pedro F. Felzenszwalb在AdaBoost算法基础上,提出了利用多尺度的变形部分混合模型进行对象检测,多尺度的变形部分混合模型能够较为准确地检测出行人、车辆、自行车和电动车。在车辆追踪方面,Xiao Jiangjian等利用无人机（UAV）结合多目标追踪技术对高速公路的车辆进行了多目标追踪研究,利用UAV采集交通视频的不足是采集的视频帧数较低,清晰度较低以及追踪目标较多的挑战,但是有效地解决了车辆遮挡,以及车辆运动形变等困难。Saad Ali 和Mubarak Sha利用UAV对道路行人进行了检测,利用拉格朗日粒子动态模型对密集的人群运动进行了追踪,大量的人流与车流混合,使得车辆的追踪更加困难。Jaehoon Jeong于2009年利用WSN对ITS进行研究（图-1）,主要利用WSN完成了传感器的定位研究,道路车辆监控,道路状况信息发送,以及交通信息的共享。 国内关于交通诱导的研究起步始于上世纪90年代,虽然起步较晚,但是发展迅速,如葛颖恩,杨佩昆于1998年对交叉口控制组合（CRCC）问题中的基本问题进行了详细分析,杨兆升,徐立群于1999年首先利用模糊控制原理将城市交通流诱导系统与城市交通控制系统联系起来,给出用于反映路段实时运行状况的系数k,再根据k值的选定与实测实时的采集路段信息,通过路段的饱和率给出前方信号的控制方案（绿信比）来实现诱导的目的。徐丽群,杨兆升,贾正锐于2000年介绍了一种基于路段流量和排队长度的路段性能函数（亦称费用函数或时间函数）,分析了交叉口延误的相关因素。戴红,杨兆升等人于2006年以路段和交叉口的加权拥挤度最小为目标,建立了诱导和控制的协同优化交通流分配模型。保丽霞,杨兆升等人于2007年提出了一种基于消散拥堵和系统总出行时间最小的双目标诱导控制协同优化模型,算法引入饱和度的概念,采用小步距微量调整信号配时、试算优化的方法,适当加载或卸载交通量,优化交叉口信号配时,使交通流在不断反馈与不断调整过程中达到最优。李润梅等于2007年基于对动态交通分配和网络信号控制相互作用的研究,以饱和交通网络为研究对象,建立了动态交通分配和信号控制的一体化双层优化模型。在上层模型中考虑系统最优,进行信号策略的优化,在下层模型中反映用户最优,实施交通网络流的配置。模型中考虑了车辆的实际长度,研究了饱和网络中因为流量饱和而导致的路口排队现象及其对路段费用的影响。