一种基于交通图像信息的车辆最优路径挖掘方法

1.一种基于交通图像信息的车辆最优路径挖掘方法，在待挖掘车辆最优路径的交通路网中布置有摄像头，其特征在于：挖掘方法包括下列步骤：
(1) 针对交通路网的摄像头布局特性进行采集，对各摄像头进行名称标定，并记录各摄像头对应地理位置信息；
(2) 根据道路可达性测量相邻摄像头之间的路程距离；
(3) 构建摄像头分布的带权网络图，每个摄像头对应一个结点，权值是相邻摄像头之间的路程距离；
(4) 对每一个结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一个存放实时采集信息；
(5) 根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；
(6) 对神经网络的隐含层构建深层学习框架，进行3层逐层学习，输出路径序列；
所述3层逐层学习方法为，在H1层，从一对摄像机结点编号中取出发点编号，根据交通图片信息实时采集时间点和本结点所示区域车量拥堵状况，得到其相邻的点，如结点表示车辆拥堵停滞，则该相邻点删除，返回到上一结点进行新路径选择，直至完成路径，将反馈结果用于在H2层计算；
在H2层，从一对摄像机结点编号中取出发点编号，通过交通图片信息实时采集时间点对应的交通图片信息采集时间段得出信息采集时间段，从而得到：固定时间段内同一车辆通过相邻结点之间所花费的时间、在固定时间段内本结点所示区域车流量、在固定时间段内相邻结点所示区域车流量，将反馈结果用于在H3层计算；
在H3层，通过与本结点相邻结点之间的实际路程距离得出所得路径的整体长度和，输出即为行驶时间最短路径；行驶距离最短路径通过H1层的一对摄像机结点编号、本结点所示区域车量拥堵状况，H3层的一对摄像机结点编号、结点地理位置、与本结点相邻结点之间的实际路程距离得到；道路通畅度最高路径通过H1层的一对摄像机结点编号、交通图片信息实时采集时间点、本结点所示区域车量拥堵状况，H2层的在固定时间段内相邻结点所示区域车流量，H3层的一对摄像机结点编号、结点地理位置、与本结点相邻结点之间的实际路程距离得到；
(7) 输入需要挖掘车辆最优路径的出发点摄像头名称和目的地摄像头名称，利用步骤(4)到(6)构建的神经网络进行处理，将输出的结果连成线即为一个有向图中的最优路径；
(8) 将有向图中的最优路径与交通图结合，获得所需的车辆最优路径。
2.根 据 权 利 要 求 1所 述 的 基 于 交 通 图 像 信 息 的 车 辆 最 优 路径 挖 掘 方 法，其 特 征 在 于：所 述 步 骤 (4)中，存 放 固 定 信 息 的 堆 栈 中包括的数据为， 表示出发点和目的地的一对摄像头名称， 表示结点地理位置，表示与本结点相邻结点之间的实际路程距离；
存放历史采集信息的堆栈 中包括的数据为， 表示出发点和目的地的一对摄像头名称， 为交通图片信息采集时间段， 表示在固定时间段内同一车辆通过相邻结点之间所花费的时间， 表示在固定时间段内本结点所示区域车流量， 表示在固定时间段内相邻结点所示区域车流量；
存放实时采集信息的堆栈 中包括的数据为， 表示出发点和目的地的一对摄像头名称， 为交通图片信息实时采集时间点， 为本结点所示区域车量拥堵状况。
3.根据权利要求2所述的基于交通图像信息的车辆最优路径挖掘方法，其特征在于：
神经网络的输入层为 、 、 、 、 、 、 、 、 ；输出层 为行驶时间最短路径、为行驶距离最短路径、 为道路通畅度最高路径。

一种基于交通图像信息的车辆最优路径挖掘方法\n技术领域\n[0001] 本发明涉及交通图像处理技术中的智能路径挖掘领域，具体涉及一种交通图像信\n息挖掘整合利用方法。 \n背景技术\n[0002] 现有技术中，随着社会经济快速发展，交通在人类经济、社会活动中的地位日益显\n著。交通管理的层次、质量更是与人们生活密切相关，提高交通管理水平的重要措施就是采\n用智能交通系统，即ITS。基于交通图像的车辆检测、跟踪和分类技术的发展为ITS中动态\n交通信息的采集与分析提供了一条很好的途径，这些技术可以广泛地应用于车辆收费、道\n路监控、大型停车场以及提高公路利用效率等领域。 \n[0003] 以图像理解为基础的智能交通系统随着计算机视觉和模式识别技术的不断发展，\n进入实际应用阶段。基于图像理解的车辆检测、跟踪及分类技术的研究与发展为交通信息\n的采集与分析提供了一条良好途径，这些技术伴随数据挖掘的技术，可以为交管部门提供\n决策支持，亦可为驾驶人员提供最优路径选择。这是目前智能交通系统研究的热点。 \n[0004] 传统的交通图像主要用于牌照识别，违章检测（闯红灯，违规转弯，逆行等），且都\n针对同一场景的图片进行处理，许多有用信息没有得到充分利用。例如摄像头自身所处的\n位置信息；图片拍摄的精确时间；多个摄像头之间的距离信息，这些信息的提取都没有被\n用于计算挖掘出新的信息，而是作为历史信息存于数据库内，在一定的时间内被更新掉了。 \n[0005] 深层学习（Deep Learning）作为一种新的机器学习理论框架于2010年被提出，参\n见http://deeplearning.net。 \n[0006] 神经网络具有以下性质和能力：（一）非线性。一个由非线性神经元互连而成的神\n经网络自身是非线性的，这种非线性是针对网络结点的特殊性质。（二）输入输出映射。通\n过训练样本对神经网络的突触权值进行调整，每个样本由唯一的输入信号和相应的期望响\n应组成。（三）适应性。神经网络具有调整自身突触权值来适应外界变化的能力，当其处于\n时变环境中，突触权值可设计成随时间变化。 \n[0007] 2009年，Learning Deep Architectures for AI理论由加拿大科学家Yoshua \nBengio先生提出，该理论对通过构建深层结构（Deep Architectures）和逐层（layer by \nlayer）学习为解决人工智能中复杂数据优化的问题提供了有效途径。 \n[0008] [文献 出处：Yoshua Bengio, Learning Deep Architectures for AI [J], \nFoundations and Trends in Machine LearningVol. 2, No. 1 (2009)pp. 1–127.] \n[0009] 然而，将交通图像信息与神经网络，尤其是深层学习结合，进行车辆最优路径的挖\n掘的构思，未见报道。\n发明内容\n[0010] 本发明的发明目的是提供一种基于交通图像信息的车辆最优路径挖掘方法，用以\n为复杂交通环境下车辆最优路径的选择与决策支持，具有良好的鲁棒性。 \n[0011] 为达到上述发明目的，发明人首先针对交通路网的摄像头布局特性进行了研究，\n发现交通图像的采集设备固定，而且采集设备之间的路程距离可以测量，不同的采集设备\n相对于不同的地理位置构成了一张交通网络。采用图论的原理可构建一个有向图，得到最\n优路径为特定人员提供服务。其次，由于各摄像头（结点）的计算所要考虑的因素较多，且各\n因素在不同层次的权重不一样，不能使用单一权值进行全局处理。 \n[0012] 基于上述特定特点，本发明考虑采用将深层神经网络与图论理论相结合进行深度\n优化计算。首先各结点的信息按时间维度分类保存，如结点地理位置，交通图片信息采集时\n间，各结点之间的实际路程距离，结点区域车流量等。其次构建深层神经网络计算输入层、\n输出层信息，然后，设置隐含层进行逐层计算，再将输出结果使用图论原理得出最优路径。\n该路径可用于交管指挥、特种车辆行驶，及用户行驶决策支持。 \n[0013] 由此，本发明采用的技术方案是：一种基于交通图像信息的车辆最优路径挖掘方\n法，在待挖掘车辆最优路径的交通路网中布置有摄像头，挖掘方法包括下列步骤： \n[0014] (1) 针对交通路网的摄像头布局特性进行采集，对各摄像头进行名称标定，并记\n录各摄像头对应地理位置信息；各摄像头的名称可以采用如C1、C2、C3……进行标定，对应\n地理位置信息表达如某某路No.005位置；\n[0015] (2) 根据道路可达性测量相邻摄像头之间的路程距离；\n[0016] (3) 构建摄像头分布的带权网络图，每个摄像头对应一个结点，权值是相邻摄像\n头之间的路程距离；\n[0017] (4) 对每一个结点设置3个堆栈，一个存放固定信息，一个存放历史采集信息，一\n个存放实时采集信息；\n[0018] (5) 根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；\n[0019] (6) 对神经网络的隐含层构建深层学习框架，进行3层逐层（layer by layer）学\n习，输出路径序列；\n[0020] (7) 输入需要挖掘车辆最优路径的出发点摄像头名称和目的地摄像头名称，利用\n步骤(4)到(6)构建的神经网络进行处理，将输出的结果连成线即为一个有向图中的最优\n路径；\n[0021] (8) 将有向图中的最优路径与交通图结合，获得所需的车辆最优路径。\n[0022] 上文中，根据有向图中的最优路径，将此最优路径通过各结点路程相加，可得最优\n路径总长度；根据交通流量，可以估算出出发地至目的地的时间；将此最优路径各结点与\n交通图结合，串联成线就可生成一张交通引导图。在进行深层神经网络体系计算时步骤\n（4）、（5）、（6）有循环的成分。 \n[0023] 上述技术方案中，所述步骤(4)中，存放固定信息的堆栈 中包括的数据为，\n表示出发点和目的地的一对摄像头名称， 表示结点地理位置， 表示与本结点相邻节点\n之间的实际路程距离； \n[0024] 存放历史采集信息的堆栈 中包括的数据为， 表示出发点和目的地的一对摄\n像头名称， 为交通图片信息采集时间段， 表示在固定时间段内同一车辆通过相邻节点\n之间所花费的时间， 表示在固定时间段内本结点所示区域车流量， 表示在固定时间段\n内相邻结点所示区域车流量；\n[0025] 存放实时采集信息的堆栈 中包括的数据为， 表示出发点和目的地的一对摄\n像头名称， 为交通图片信息实时采集时间点， 为本结点所示区域车量拥堵状况。\n[0026] 神经网络的输入层为 、 、 、 、 、 、 、 、 ；输出层 为行驶时间最\n短路径、 为行驶距离最短路径、 为道路通畅度最高路径。 \n[0027] 由于上述技术方案的运用，本发明与现有技术相比具有下列优点： \n[0028] 1．本发明最优路径的选择是根据城市交通图像采集系统完成的，不依赖现有的\nGPS(卫星定位系统)，即不必付费更新，是基于现有系统上的功能扩充，不必增加投入。\n[0029] 2．本发明使用采集点的固定信息、历史采集信息和实时采集信息这三类信息，与\n现有旅游交通引导系统只针对某一阶段历史采集信息相比更具实用价值。因为交通道路上\n堵车，事故发生是只对历史采集信息分析得不出的。只有通过实时信息的判断才能得出道\n路的车流量是否正常，进而选择实际可行路线。 \n[0030] 3. 本发明在处理固定信息、历史采集信息和实时采集信息这三类信息时采用深\n层神经网络计算，能更好的反映这三类信息权重在系统中的作用。 \n[0031] 4．实验证明，一种基于交通图像信息的车辆最优路径挖掘方法是可行的，通过最\n优路径生成方法比较，验证了该方法性能优于其他方法。具有较高的实用价值，为交通图像\n挖掘处理在智能交通系统的构建中起到良好的推动作用。 \n[0032] 5．将本发明应用于智能交通系统最优路径挖掘中，算法的时间复杂度低，具有良\n好的鲁棒性。 \n附图说明\n[0033] 图1是实施例一中基于交通图像信息的车辆最优路径挖掘方法总体流程图； \n[0034] 图2是实施例一中获得的上三角形矩阵；\n[0035] 图3是实施例一中的带权路径网络图；\n[0036] 图4是实施例一中的神经网络结构示意图；\n[0037] 图5是实施例一中3层逐层学习结构示意图；\n[0038] 图6是实施例一中获得的有向图中的最优路径。\n具体实施方式\n[0039] 为了更好地理解本发明的技术方案，下面结合附图及实施例对本发明作进一步描\n述： \n[0040] 实施例一：图1为基于交通图像信息的车辆最优路径挖掘方法总体流程图，数据\n文件（图片文件）是200万像素的交通序列图片：\n[0041] 步骤（1）：针对交通路网的摄像头布局特性进行采集，首先对摄像头进行标定如\nC1、C2、C3……，并且记录其对应地理位置信息（如某某路No.005位置）。读入图片，图片大\n小重新设置为1616像素（长）×1232像素（宽）。\n[0042] 步骤（2）：根据道路实际可达性测量不同摄像头之间的路程距离并生成一张表。如\n表1所示： \n[0043] 表1.相邻摄像机结点路程距离\n C1C2 C3 C4 C5 C6 C7 C8 C9 C10\nC1 0 0.32 ∞ ∞ ∞ ∞ ∞ ∞ ∞ ∞\nC2 0 0.45 0.25 ∞ ∞ ∞ ∞ ∞ ∞\nC3 0 ∞ 0.30 ∞ ∞ ∞ ∞ ∞\nC4 0 0.40 ∞ ∞ ∞ ∞ ∞\nC5 0 0.56 ∞ ∞ ∞ ∞\nC6 0 0.21 0.33 0.48 ∞\nC7 0 ∞ ∞ 0.75\nC8 0 ∞ 0.68\nC9 0 0.92\nC10 0\n[0044] 其中C1、C2、C3…为标定的摄像机，∞代表不直接相邻（中间还有其他结点），其余\n数值单位为公里。可得一个上三角矩阵，如图2所示。\n[0045] 步骤（3）：构建摄像头分布网络图。 \n[0046] 通过以上邻接矩阵，可得到一个带权路径网络图，权值为两个结点间的实际距离，\n单位是公里。如图3所示。 \n[0047] 步骤（4）：对图3中的每一子结点设置3个堆栈，一个存放固定信息，一个存放历史\n采集信息，一个存放实时采集信息； \n[0048] 步骤（5）：根据3种堆栈的所有信息构建神经网络的输入层，确定输出层；\n[0049] 本发明设置的神经网络与三层BP神经网络类似，都包含输入层、隐含层和输出\n层，但是不同的是本发明的神经网络隐含层不是单一的一层，而是由3个不同层次递进构\n成，这三个层次之间的关系又是逐层计算的，并不是简单叠加。神经网络结构如图4所示。\n[0050] 本发明设定存放固定信息的堆栈 ， 表示一对摄像机（结点）编号（出发点和目\n的地2个编号如C1、C10）， 表示结点地理位置， 表示与本结点相邻节点之间的实际路\n程距离。 \n[0051] 对于一个历史采集信息的堆栈 ， 表示一对摄像机（结点）编号， 交通图片信\n息采集时间段（通常是过去一周内每半小时为一阶段划分）， 表示在固定时间段内同一车\n辆通过相邻节点之间所花费的时间， 表示在固定时间段内本结点所示区域车流量。 表\n示在固定时间段内相邻结点所示区域车流量。 \n[0052] 对于一个实时采集信息的堆栈 ， 一对摄像机（结点）编号， 交通图片信息实\n时采集时间点， 本结点所示区域车量拥堵状况。 \n[0053] 输入层，分别为（ 、 、 、 、 、 、 、 、 ）。输出层 代表行驶时间最短\n路径、 行驶距离最短路径、 为道路通畅度最高路径（适合旅游观光车辆）。 \n[0054] 步骤（6）：对神经网络的隐含层构建深层学习框架，进行3层逐层（layer by \nlayer）学习，输出路径序列； \n[0055] 如图5所示，在H1层，从 一对摄像机（结点）编号中取出发点编号如C1。\n交通图片信息实时采集时间点， 本结点所示区域车量拥堵状况。得到其相邻的点。例\n如， 表示车辆拥堵停滞（此路不通），则该相邻点删除。我们返回到上一结点进行从新路\n径选择。将反馈结果用于在H2层计算。如图3带权路径网络图所示，原本C1-C2-C4-C5\n（0.32+0.25+0.3=0.87）要比C1-C2-C3-C5（0.32+0.45+0.3=1.07）路径短，但如果C4结点\n堵车，则最优路径是C1-C2-C3-C5，即删除了C4结点，回到上一个结点C2重新计算。\n[0056] 在H2层，根据 一对摄像机（结点）编号， 交通图片信息采集时间段（通常是过\n去一周内每半小时为一阶段划分）， 表示在固定时间段内同一车辆通过相邻节点之间所\n花费的时间， 表示在固定时间段内本结点所示区域车流量。 表示在固定时间段内相邻\n结点所示区域车流量。从 一对摄像机（结点）编号中取出发点编号如C1。通过 对应的\n得出信息采集时间段，从而得到（ 、 、 ）。将反馈结果用于在H3层计算。例如，根据\n可以得到任意两个结点行驶所花费时间最短的路径走法，具体通过相邻节点之间所花费的\n时间相加和比较得出。如图3带权路径网络图所示， C6-C7-C10花费5.5分钟，C6-C8-C10\n花费4.5分钟，C6-C9-C10花费4.8分钟，则优先选择C6-C8-C10作为最优路径。 \n[0057] 在H3层，根据 表示一对摄像机（结点）编号， 表示结点地理位置， 表示与本\n结点相邻节点之间的实际路程距离。通过 得出所得路径的整体长度和，输出即为行驶时\n间最短路径 。同理，行驶距离最短路径 通过H1层的 、 ，H3层的 、 、 得到。道\n路通畅度最高路径 通过H1层的 、 、 ，H2层的 ，H3层的 、 、 得到。 \n[0058] 步骤（7）：将输出的结果连成线即为一个有向图中的最优路径；如图6所示。 \n[0059] 步骤（8）：将此最优路径通过各结点路程相加，可得最优路径总长度，根据交通流\n量，可以估算出出发地至目的地的长度； \n[0060] 步骤（9）：将此最优路径各结点串联成线就可生成一张交通引导图\n[0061] C1——C2——C4——C5——C6——C7——C10\n[0062] 说明：步骤（4）—（7）构成Route-mining算法。其基本描述如表2所示。\n[0063] 表2. Route-mining算法 \n[0064] \n3H\n层\n含\n隐\n建\n构，\n数\n参\n息\n信\n定\n固\n头\n像\n摄\n入\n输\n，2H\n层\n含\n隐\n建\n构，\n数\n参\n息\n信\n史历 。\n头像 径路\n摄入 优最\n息信时实，息信史历， 径路优最 输，1H层含隐建构，数参息 。算计络网经神层逐 。3r、2r、1r果结出得置设 的中图向有的要需所到得中息 的 信 行 同 3r\n信定 中图 时实 进层 不的 、2r\n固头 向有 ： 头像 含隐 层含 、1r\n像 条 摄 对 隐 从\n摄： 一： 骤步 入输 别分 据根 终最\n入 出 法 ） ） ） ）\n输 输 算 1（ 2（ 3（ 4（