1、智能交通云解决方案2013年2月目录目录1.背景41.1 交通拥堵带来的技术挑战41.2 智能交通研究现状51.3 云计算技术及发展现状62、构想72.1智能交通云构思72.2智能交通云的用途82.2.1 交通信息实时发布82.2.2 智能公交82.2.3 智能信号控制92.2.4 应对突急事件92.2.5 车辆运营调度92.3智能交通云与智慧南京102.4 建设智能交通云的意义103 总体方案123.1 总体架构123.1.1 总体设计123.1.2系统联网拓扑结构123.1.3 系统层次图133.2 感知层143.2.1 RFID143.2.2交通卡口系统163.2.3 道路监控视频智能识2、别193.2.4 浮动交通信息采集系统233.2.5 城市道路交通相关信息采集253.3 存储层253.3.1 云存储概述253.3.2 分布式云存储构架263.3.3 智能交通云存储建议273.4 处理层293.4.1 数据量激增带来的处理挑战293.4.2 cProc云处理平台架构303.4.3 cProc云处理平台优势313.5 认知层323.5.1实时视频智能识别323.5.2行为识别353.5.3语义分析373.6应用层393.6.1 交通规划393.6.2 实时监控443.6.3 车辆跟踪463.6.4 轨迹分析483.6.5 智能诱导493.6.6 数据统计分析494、关键技术53、04.1 智能传感与物联网技术504.2 大数据存储与处理云计算技术504.3 基于语义的信息融合技术514.4 智能内容识别与认知技术514.5 城市交通数学模型与综合调度技术525、典型应用525.1 面向公众的实时智能导航信息服务525.2 城市交通智能调度与诱导系统535.3 车辆连续跟踪系统575.4 交通违法智能挖掘与取证系统605.5 城市交通应急指挥系统641. 背景交通问题可以说是全世界各国面临的共同难题，交通拥挤带来了巨大的时间浪费，加剧了环境污染。我国大多数城市的平均行车速度已降至20km/h以下，有些路段甚至只有78km/h。由于车辆速度过慢，尾气排放增加，使得城市的空4、气质量进一步恶化。这些问题严重影响了人们的出行和生活质量，造成社会经济的巨大损失。因此，为了缓解经济发展所带来的交通运输方面的压力，尽量的利用现有的资源，使其发挥最大的作用，世界各国都加大了对智能交通系统的研究和建设的力度。1.1 交通拥堵带来的技术挑战随着经济的高速发展，现在的交通业、物流业等领域正面临着更加苛刻的要求，交通拥挤不堪，交通事故频发以及交通污染这些问题在过去通常采用诸如道路的拓宽以及大力建设立体交通等方式加以解决，但是随着社会的发展，这些传统的手法已经不能够从根本上解决上述问题了。如何对城市每天产生的海量交通数据进行处理、分析、和存储，将是未来交通信息服务的关键问题。例如，就南5、京市而言，每年仅车辆通过卡口所产生的数据记录条数就将达到惊人的200亿条，而Oracle数据库的上限值为10亿条。即使是一个县的卡口数据，查询的响应时间都是分钟级的，更不用说要基于将南京市或全省的数据开展智能交通应用了。同样的，南京市拥有20万个摄像头，每个月所产生的数据量将有120PB，其中有相当一部分与交通相关，如何将这些数据安全、高效地存储起来，也将成为存储技术的挑战。另外，如果要向南京全市约800万人提供个性化的智能交通出行信息服务，所面对的海量信息访问请求也是惊人的。1.2 智能交通研究现状为了解决“交通难”的问题，世界各国都投入了巨资，或是大力建设基础设施及管理平台，或是吸引大批力6、学、物理学、非线性科学和系统科学等领域的科学家进行交通科学的基础研究，旨在采用高科技与多学科相结合的办法，研制、构建完善的交通系统，以解决道路交通问题。智能交通技术（ITS），是指将先进的信息技术、数据通讯传输技术、电子控制技术、计算机处理技术等应用于交通运输行业形成的一种信息化、智能化、社会化的新型运输系统，它使交通基础设施能发挥最大效能。该技术于上世纪80年代起源于美国，随后各国都积极寻求在这一领域中的发展。 日本是世界上率先展开ITS研究的国家之一，在1973年日本通产省开始开发汽车等综合控制系统CASC(Comprehensive Automobile Control System)，7、目前日本ITS研究与应用开发工作主要围绕三个方面进行：提供实时道路交通信息的汽车信息和通讯系统VICS(Vehicle Information Communication System)、电子不停车收费系统ETC(Electronic Toll Collection)和先进的公路系统AHS(Advanced Highway System)。新加坡在ITS的发展方面已经走到了世界的前列，聪明的交通信号控制系统，实现了自适应和整体协调。韩国首尔智能公交调度及信息服务系统“TAGO”，让首都首尔的交通井然有序。首尔市的智能交通在交通管理、交通监测和公共交通等领域都得到了充分的应用和发展，交通服务水平8、属于亚洲高水平。在我国，近年来也增强了对交通问题的研究的投入，但始终存在着“重硬件、轻软件”的倾向。我国经济飞速发展，交通需求日益增大，因此，建设现代化的智能交通运输系统迫在眉睫。1.3 云计算技术及发展现状云计算利用虚拟化等技术，整合服务器、存储、网络等硬件资源，优化系统资源配置比例，实现应用的灵活性，同时提升资源利用率，降低总能耗，降低运维成本。对于如此海量信息的汇聚和处理，云计算将是不二的选择，唯有在云模式下，才能对这庞大的数据量进行实时的分布式处理，以此为基础，才能开发出更多传统概念上难以实现的精彩应用云计算（Cloud Computing）是网格计算（Grid Computing）、9、分布式计算（Distributed Computing）、并行计算（Parallel Computing）、效用计算（Utility Computing）、网络存储（Network Storage Technologies）、虚拟化（Virtualization）、负载均衡（Load Balance）等传统计算机和网络技术发展融合的产物，是目前比较流行的名词。云计算是一种商业计算模型，它将计算任务分布在大量计算机构成的资源池上，使用户能够按需获取计算力、存储空间和信息服务。这种资源池称为“云”。“云”是一些可以自我维护和管理的虚拟化计算资源，通常是一些大型服务器集群，包括计算服务器、存储服务器10、和带宽资源等。云计算将计算资源集中起来，并通过专门软件实现自动管理，无需人为参与。用户可以动态申请部分资源，支持各种应用程序的运转，无需为烦琐的细节而烦恼，能够更加专注于自己的业务，有利于提高效率、降低成本和技术创新。 云计算在国外起步较早，谷歌、亚马逊、IBM、微软、雅虎等大公司都是云计算的先行者，其他云计算领域的众多成功公司还包括：VMware、Salesforce、Facebook、YouTube、MySpace等。国内的云计算起步较之国外晚了不少，三年前还仅仅停留在概念阶段，但如今，云计算的热情空前高涨，全国不下20个城市纷纷推出云计算，各大硬件和软件公司也不甘人后，纷纷试水云计算；而11、几乎所有的IDC厂商更是抢着推出自己的云产品，中国大地一时间风起云涌。云计算之所以有如此大的吸引力，其原因是人们认为这是互联网发展的第三个里程碑，云计算的落地将会给我们的生活以及社会运作方式带来巨大的变革。对企业来说，云计算的出现意味着全新的发展方向和商业模式，此领域必将成为必争之地；对于地方政府来讲，借十二五计划扶持的东风，云计算极有可能成为地方经济新的增长点；对于全球，就云计算领域来讲，我国目前与西方发达国家基本处于同一起跑线上，努力发展则非常有可能跻身世界前列，拥有核心竞争力。2、构想2.1智能交通云构思 智能交通云是一个基于云计算建立的综合性交通信息管理与服务平台。它以城市道路交通为主12、体，实时采集并汇总来自电子警察、卡口、RFID、交通视频等的信息，并集成来自铁路、机场、地铁、码头、长途汽车站等的信息源，利用云计算平台的大数据存储和处理能力，借助并行计算、视频内容智能识别、语义理解等先进技术，建立城市交通综合数学模型，实施城市交通的综合管控和智能诱导，提高城市交通的效率，减少拥堵，最大化方便公众出行。智能交通云是一个整合的、先进的、安全的、自动化的、易扩展的、服务于交通行业的开放性平台。具体体现在： 整合现有资源，并能够针对未来的交通行业发展扩展整合将来所需的各种硬件、软件、数据； 动态满足智能交通系统 （Intelligent Transport System,简称ITS13、）中各应用系统，针对交通行业的需求基础设施建设、交通信息发布、交通企业增值服务、交通指挥提供决策支持及交通仿真模拟等，交通云要能够全面提供开发系统资源平台需求，能够快速满足突发系统需求； 提供极具弹性的扩展能力需求，以满足将来不断增大的交通应用需求。 智能交通云是对交通管理单位、交通运营企业和广大的市民服务的，所以，智能交通云的特色是混合云。对保密性安全要求高，处理速度快，弹性发展力度强的对内应用（交通管理单位），可以用私有云的模式实现。而对外的信息发布（大众出行、物流企业、交通信息服务企业等）、出行指导等对外应用可以用公共云的模式实现。2.2智能交通云的用途2.2.1 交通信息实时发布 交通14、信息应包括道路交通信息、行车路线导航信息、道路施工信息、停车场信息等综合交通信息。由市交通主枢纽指挥中心通过调频立体声广播电台副频道，市区LED显示屏、无线通信等方式对外发布，智能交通系统应把市内近百个停车场（也包括新建的停车场）进行联网，以便采集车外信息对外发布。此外在火车站、码头、长途汽车站补设提供行路信息的显示屏。2.2.2 智能公交 智能交通系统公交工具应建设以地铁为主、公共汽车、出租车为辅建设系统。同时调整公交站台与地铁站台位置，实现无缝连接，避免转车误时。同时建设以火车站、长途汽车站、码头、主要商业务段为主的交通枢纽。为解决行人行车矛盾，各路口或新建路口实现人行地道车走立交，到时，15、人们将可享受到一个快捷、安全、舒适的交通运输体系带来的便利。2.2.3 智能信号控制 交通信号控制系统是维护城市交通秩序的重要系统，大多安装在路口和指定位置。例如，南京市现有丁字路口、十字路口、五星路口等约一千个。已按装红绿灯的路口有八百多个。但由于目前信号灯切换时间固定不变。使道路利用率和运输效率降低。如模范马路与中山北路交叉路口红绿灯启亮时间为50秒，于是出现了非高峰时间南北向绿灯启亮后2830秒无车流，而东西向已停泊60多辆，长度约80米。有时则相反。但在车行高峰时，100多辆车的正常流通在42至46秒。还有部分车辆在50秒后到路口被滞留。建设以区域或路段联网的智能信号灯控制系统根据道路16、车流量变化调节红绿灯切换时间。形成区域，路段的绿波带，加快市内车辆的流速、减缓车堵现象 。2.2.4 应对突急事件 城市突急事件调度包括医卫急救、火灾、地震、泥石流、山体滑坡、爆炸、有害气体、液体泄漏、罪犯逃跑等。一旦突急事件发生，就要借助交通系统的支持控制事态发展、维护社会稳定。因此，通过对实时数据采集、处理，智能交通云对于建设应急交通系统也是不可缺少的。 通过把110、119、120合在一起，一旦有群众报警，联合台就可根据报警内容协调各相关部门统一指挥出警处理，在智能交通平台可提供应急联动，快速反应的服务效率，市智能交通平台根据事发地点提供绿波带，使报警、出警更加迅速、准确、高效，减少突发17、事件带来的损失，更好地为政府和社会服务2.2.5 车辆运营调度 通过对各个区域监控的运处理，智能分析该区域的交通情况。汽车司机通过GPS或其他移动终端可以对各条线路的交通情况进行预先了解，节省不必要的时间，舒缓交通压力、提高交通质量。 解决机场、火车站等客流量密集区域的交通混乱现象。降低出租车司机的运营成本，同时市民可以通过移动终端查询线路和联系出租车司机。从而解决出租车招客难，路人打车难的尴尬情形。2.3智能交通云与智慧城市未来的城市如何发展？如何加快经济结构转型，提升城市环境？如何在后危机时代顺利实现转型发展、创新发展、跨越发展？假如在某个路段，一辆车故障造成堵车，能否在几分钟内，就将这辆18、故障车拖走？假如在另一个地方，一个病人突发疾病，能否在很短时间内，就有救护车来将病人及时送往医院？南京提出了建设“智慧南京”的构想。“智慧城市”是创新型城市的建设，是城市现代化的高级阶段，说到底就是集中各方面智慧发展城市现代化。其中最重要的一条，就是要为城市管理和应急提供“智慧系统”，对公共卫生、交通故障、环境污染等事件能够迅速作出反应。打造智慧城市，可以先从智能交通入手，然后以此平台为基础，打造城市级现代化综合管理平台，让整个城市逐步“智慧”起来。2.4 建设智能交通云的意义智能交通系统通过通过云的处理，对传统交通系统进行变革。通过提升交通系统的信息化、智能化、集成化和网络化，智能采集交通信19、息、流量、噪声、路面、交通事故、天气、温度等，从而保障人、车、路与环境之间的相互交流，进而提高交通系统的效率、机动性、安全性、可达性、经济性，达到保护环境、降低能耗的作用。 提高道路本身和地区路网的使用效率 城市快速发展智能交通系统可以改善道路交通环境，增加道路交通系统容量。同时，还可以有效提高 车辆的行车速度，减少车辆行车延误，提高受控区域的道路服务水平，进而提高地区路网的通行能力。 改善交通环境，减少交通事故和环境污染 主要体现在以下几个方面： 1、减少交通事故造成的车辆和人身的损失和伤害； 2、减少交通对能源的需求；3、减少尾气污染，提高空气质量； 4、降低车辆行驶的噪声，减轻噪声污染；20、 5、节省土地资源。 提高管理部门的服务水平和工作效率发展智能交通系统的目的是要使交通管理从被动转变为主动，由适应型向智能型转变，从而形成“高效、 舒适、环保”的交通环境。 带动相关产业的发展 智能交通系统作为一个新兴的产业，需要汽车制造、通信、信息技术、计算机等相关产业的依托，其发展也 离不开相关产业的参与，因此可以为这些行业或企业带来直接的经济效益。 进一步促进城市经济，尤其是区域经济的发展交通运输业的发展对经济的发展具有重要的制约和推动作用。3 总体方案3.1 总体架构 3.1.1 总体设计 智能交通云方案主要包含了前端的设备采集，统一的汇聚接入，海量的信息存储与处理，基于语义的分析和智21、能识别等，并以此大平台为基础，为用户提供丰富多彩的传统意义上难以实现的应用。3.1.2系统联网拓扑结构上图为智能交通云大致的拓扑图，所谓智能交通云，其根本是对大量前端数据的采集、汇总与智能分析，最后得出实时交通状况及用户感兴趣的交通相关问题分析。前端设备多种多样，所采集的数据各类都有，基本可以分为结构化数据（能写入表的数据）和非结构化数据（如视频等以文件形式存放的数据），对于各类前端信息需要做统一的汇聚和接入。之后则需要对如此海量的信息进行数据存储与处理，取其精华，去其糟粕，从中提取出用户可能感兴趣的数据，并基于此提供丰富的应用。 3.1.3 系统层次图 资源层包括了所有前端采集设备，如摄像机22、卡口数据、RFID信号、线圈等。 接入层整合海量的异构前端数据，并将其接入云中。 存储层基于分布式文件系统（HDFS），存储接入的各种数据，数据大致可以分为用表形式存储的结构化数据和无法用表存储的非结构化数据（如：视频数据等）。 处理层用分布式的处理架构实时地处理海量数据。 融合层将下层不同类型的资源进行融合，为上层认知提供响应的数据资源。 认知层对数据进行智能分析，提供诸如云端转码、语义分析、内容识别、行为检测等功能。 调度控制层处于核心地位的调度控制，对上层的需求任务进行统一的分配，充分调度接入、存储、处理等各模块的协作处理。 应用层提供各种丰富的智能交通云模式下的应用，如：实时的智能诱23、导，基于语义的道路状况分析，城市交通虚拟现实等。3.2 感知层感知层是利用各种技术手段获取车辆等交通信息并转换为数字信息的数据获取层，根据数据获取手段的不同分为RFID、交通卡口系统、道路监控视频智能识别、浮动平台数据等方面。3.2.1 RFID射频识别(RFID , 即Radio Frequency Identification) 利用无线射频信号,通过读写器(Reder) 、天线和安装在载体(车辆或设备或人员) 上的RFID 卡,构成RFID 系统,实现对载体的非接触的识别和数据信息交换,如图1 所示。RFID 卡也称应答器或电子标签。RFID 卡分为无源卡和有源卡。无源卡无电池供电,体积24、重量较小,寿命可达10 年以上;有源卡需电池供电,体积、重量较大,其寿命由电池决定。有源卡的读卡距离交通卡口系统远于无源卡。无源RFID 卡由芯片、天线和基片组成。有源RFID 卡的组成中增加了电池,由电池供电。此外,RFID 卡可按工作频率分为低频、高频和微波RFID 卡。车辆自动识别AVI 系统(1) 固定基站(AVI) 系统固定基站AVI 系统一般用于海关或检查站,检查、识别和记录通过的车辆,它的设备(如读写器、智能控制器、数据传输单元、电源等) 安装在车道旁的机房内,天线安装在车道旁(侧装) 或顶蓬上(顶装) ,车道须经渠化,道宽3. 23. 5 m。为了对通过车辆自动放行或拦截,在25、车道旁装有电动栏杆、红绿灯、报警器、摄像机、显示牌,在车道上埋设有检测线圈。这些设备向智能控制器传递车辆通过信息,接受它的指令控制。为了启动和终止AVI 系统的读卡,在车道上安装2 个检测线圈,一个安装在车道入口,另一个安装在车道出口的电动栏杆旁,它们与智能控制器中的线圈检测器配合,感知车辆通过信息,第一个线圈启动系统读卡和车辆计数，第二个线圈用于终止系统读卡和防止栏杆砸车。当载有RFID 卡的车辆通过车道时,系统读到卡中的识别地址( ID) 号和车牌号,叠加上通过时间和车道号,存入智能控制器的存储器里。数据传输单元将系统采集到的车辆数据信息,通过通信网络(如DDN 网) 传到管理中心(或计算26、中心) ,同时将管理中心的控制指令下达到AVI 系统,决定对车辆的自动放行或进行拦截。固定基站AVI 系统可以识别双卡。固定基站AVI 系统的设备配置如图3 所示。对一般车辆,采用无源微波RFID 卡,系统的读卡距离大于6 m;采用有源微波RFID 卡,读卡距离可达到1020 m。(2) 移动式AVI 系统在一些应用中,如公安刑侦、路政稽查、重要会议安全保卫,需要配备移动式的AVI 系统,随时开动并停靠在指定的路旁(或会场入口) ,对过往车辆进行突击检查和识别。它的设备配置与AVI 系统固定基站类似,但是更简化,如不配红绿灯、电动栏杆、检测线圈。移动式AVI 系统可安装在一辆改装的中巴车上。其27、中,采用便携式八木天线和小型乐声报警器。用手机通过移动通信网( GSM) ,以发短消息的方式,与指挥中心保持通信联系或进行数据信息交换。车上电源可以采用逆变电源,由蓄电池供电。如果需要报告移动式AVI 系统的位置,车上也可配置GPS 接收机,通过手机发短消息的方法,向指挥中心传输移动站的地理位置。3.2.2交通卡口系统交通卡口系统实现车辆信息的采集，包括车辆图片、经过的时间、车型、车辆牌照、车型、速度、行驶方向、是否超速违章等信息采集并发送中心服务器同时也能够接受中心的控制信号。3.2.2.1 系统构成前端卡口系统由检测线圈、车辆检测器、高清智能工业摄像机、智能工业摄像机终端服务器等主要设备组28、成。【图】系统结构图3.2.2.2 现场布局示意图 以双向8车道带非机动车道为例，监测点的现场布局示意图如下：【图】现场布局俯视图【图】抓拍摄像机视野覆盖图【图】现场布局侧视图硬件设备配置每个车道配置一个智能高清摄像机作为抓拍摄像机、一台照明设备，一台辅助照明设备。每个方向车道配置一台360度全方位全景摄像机供抓拍路段面情况。图像捕获、自动识别等功能都在摄像机内完成，摄像机通过交换机与终端服务器相连，将捕获的图片和识别结果发到终端服务器。每个卡点配置一台终端服务器， 负责从摄像机处接收数据，并将数据通过网络传送到指挥中心，同时可保存数据在本地。需测速的卡点配置一台车辆检测处理器，接收线圈信号，29、并将触发信号发给抓拍摄像机。无测速要求的卡点，用虚拟线圈的方式进行触发，高清摄像机里面集成视频触发软件，对经过卡点每个车辆进行抓拍。每个卡点配置一个机柜，放置上述的终端服务器、车辆检测处理器，以及交换机、光纤收发器、光端机等网络通讯设备。以及其它根据要求配备的防雷等设备。按照各厂家在投标中的产品配备。3.2.3 道路监控视频智能识别传统车辆检测器如磁感应线圈有着诸多缺点和局限, 鉴于这种情况, 人们不断提出新的替代方案, 如采用雷达、超声波、红外线、微波、声频及视频图像等技术的悬挂式传感器。近年来随着计算机和图像处理技术的不断发展, 利用机器视觉检测器来进行车辆检测成为一种特别有潜力的替代方法30、, 有望取代传统检测器成为现代智能交通系统的一个重要组成部分。3.2.3.1 交通视频智能识别流程基于视频图像技术的方法具有直观、可监视范围广、可获取更多种类的交通参数以及费用较低等优点,现在已经在交通卡口系统中有所应用。车辆检测与跟踪系统通常包括感兴趣区域( Region Of Interesting,ROI) 提取、车辆检测、车辆跟踪等三个模块：首先由摄像头拍摄得到实时交通场景的视频序列图像, 然后对序列图像进行ROI 提取, 并将提取到的ROI 送到车辆检测模块以根据一定的图像处理方法和准则判断某ROI 区域是否为车辆。检测出车辆后, 可在跟踪模块对车辆进行跟踪。由检测和跟踪的结果可以分31、析提取出交通流量参数, 如车速、车流密度、转向信息等。这类实时道路交通信息及各种服务信息汇总到交通管理中心并经集中处理后, 将传送至公路交通系统的各个用户, 使公众能够高效地使用公路交通设施, 从而到达提高道路负载能力和行驶效率以及节约能源等目的。3.2.3.2 ROI提取模块ROI 提取的目的是对交通场景视频图像中的车辆进行粗分割, 将有可能是车辆的区域从复杂的交通场景中分割出来以便进行后续的检测与跟踪操作。其方法包括对视频图像序列的时域、空域及时- 空域分析, 但其中利用时域分析重于利用空域分析; 换言之, 对一个像素, 检测主要是利用了在视频图像序列帧中处于同一位置的像素信息, 而不是仅32、仅利用一帧中该像素的周围像素信息 7 , 这主要是由视频图像的特点决定的。对ROI 的提取主要有帧差法、背景差法和非监督分割法等几类方法。帧差法将两帧(或多帧) 连续图像逐像素相减, 以去除静止或移动缓慢的物体及背景, 它是消除两帧连续图像中的静止物体以及提供运动物体( 车辆) 运动轨迹最直接的方法。除了最简单的逐像素相减, 帧差图像还可以由两组属于相邻图像帧的像素( 如相邻的四个元素) 的均值相减得到。帧差法的优点是计算简单且不易受环境光线变化的影响,但它不能检测静止车辆, 且处理效果与图像采样频率以及被检测车辆的车速有关。背景差法的基本思想是先形成交通场景的背景图像, 然后将待检测图像与背33、景图像逐像素相减( 理想情况下的差值图像中非零像素点就表示了运动物体) , 进而就可运用阈值方法将运动物体从背景中分离出来。精确可靠的背景图像是背景差法能否成功提取ROI 的关键。背景图像可由人工拍摄一幅没有车辆的图像来得到, 也可以通过序列图像的平均来得到。显然, 建筑物阴影、浮云或光照的变化都会造成背景环境明显的变化; 由于这些环境变化因素, 作为参照物的背景需要定时更新。目前有多种背景更新方法, 最常用的方法是多帧平均( Frame Averaging) 法和选择更新( Selective Updating) 法。非监督视频分割法就是在不需要人为操作的情况下自动将视频序列图像分割为代表不34、同物体的连通区域的技术, 因而也可以运用到基于视频的车辆检测中。其有k-均值聚类法、SPCPE( 同步分割与类别参数估计) 法等。3.2.3.3 车辆检测模块阈值法：车辆是致密的运动物体和周围静止背景的灰度值存在差异。这样通过设定阈值就可以将车辆从背景中提取出来。最简单的车辆检测方法就是对提取的ROI 区域进行阈值处理,高于阈值的像素属于运动物体( 车辆) , 反之就是背景。然而不恰当的阈值选取会造成车辆的误检测, 阈值过高会造成漏检, 阈值过低又会把背景检测为车辆或将相邻车辆检测为同一辆车, 所以在判断ROI 是否为车辆时阈值的选取至关重要。阈值选取分为全局阈值和局部阈值选取。检测线法：在待35、检测图像上的合适位置设置检测线, 检测线的作用类似于埋于地下的感应线圈传感器, 它的方向与车辆行驶方向垂直。当车辆经过检测线时, 检测线位置上的图像就会由于车辆的覆盖而发生改变, 当运动物体覆盖检测线的宽度大于某个阈值时, 就认为检测到一辆车。边缘检测法：通常效率较高, 甚至可以检测出静止车辆。当图像亮度发生变化时表现也较为稳健, 因为边缘信息即使是在各种昏暗的光照环境下仍较为明显。用于检测车辆边缘的方法有多种, 如梯度算子、Laplacian算子、Kirsch 算子等。另外由于形态边缘检测法的优良性能,所以也常常被采用。时域运动估计法：这种车辆检测方法的核心思想是通过时域的运动估计跟踪图像序36、列中的运动物体来提高分割的准确性, 将车辆跟踪过程和图像分割过程结合起来, 进而减少计算复杂度, 提高系统的实时处理能力。它综合考虑了空域和时域信息。在匹配不同图像帧中表示同一车辆的运动块的过程中, 可以得到被跟踪车辆在n 帧序列图像中的形态演变, 因而也就有可能预测其在n +1 帧中的形状, 从而能纠正车辆图像的误分割情况, 如运动块突然出现、消失以及形状突变等。这种方法和其他车辆检测跟踪方法主要的不同在于分割过程和跟踪过程是同步进行的,而不是在跟踪过程前就有了明确的分割结果。基于模型的车辆检测方法：与前述的车辆检测方法相比其优点在于能获得对图像内容的理解, 而前述方法实质上都是对待检测图像37、中的一组像素进行检测和跟踪, 属于非模型方法。换句话说, 非模型方法只是将处理得到的待检测图像中的运动块看作一组像素的集合, 其缺点在于有可能把误分割形成的像素集合也检测为一个车辆对象; 而基于模型的方法将这些像素看作是三维世界中的车辆在二维图像平面上的投影, 经过与预先建立的模型在图像块同一位置的投影相匹配, 可以直接得到车辆的长、宽、高及车辆类型等信息, 它是一个二维到三维的匹配过程。3.2.3.4 车辆跟踪模块检测出车辆后, 车辆跟踪就比较容易了。大多数车辆跟踪方法都遵循一个基本原则, 即用空间距离判断两相邻帧中的车辆是否为同一辆车, 进而完成时域上车辆的跟踪。空间距离可以是最简单的欧几38、里德距离, 也可以是其他距离标准如Hausdoff距离。跟踪方法大致有以下四类：基于模型的方法，这种跟踪方法为模型法检测车辆的后续操作。如前文所述, 这种方法的核心是建立的已知车辆对象的精细三维模型与待检测图像之间的匹配操作。其缺点是对车辆模型的过分依赖, 而很明显的是不可能为公路上行驶的每种车辆都建立精细的模型。此外这种方法的计算量较大, 不利于实时处理。基于区域的跟踪方法就是在时域上跟踪车辆检测模块检测出的一个个像素连通块, 这些块区域表示检测出的车辆。这种方法在车辆稀少时效果很好, 且块区域可以提供丰富的信息如大小、形状、密度等。动态轮廓模型跟踪方法的主要思想是先初始勾勒出车辆的轮廓并且39、不断地在后续帧更新轮廓进而达到跟踪的目的。然而基于区域的方法在阴影和道路拥挤的情况下其效果会变得很差, 因为阴影和车辆之间的遮挡都会将本来相邻的多个连通块变为一个, 造成漏检和误检。这种方法其实是基于区域方法的一个变形, 与区域方法相比优点在于计算量低,而缺点是存在初始化困难的问题。它存在和区域法一样的问题, 即在阴影和拥塞情况下效果欠佳。上述方法都是将车辆作为最小单元进行跟踪, 而基于特征的方法则是将车辆的特征作为最小跟踪单元。这些特征可以是点、线或者曲线等, 这些点、线条可能代表了车辆的保险杆、车窗、车顶棚等。此方法的优点在于即使是在车辆间相互遮挡的情况下, 车辆的很大一部分特征还是可见的40、, 可以为跟踪过程提供依据。但它存在需要特征聚类的问题, 即众多的特征中分析哪些是属于同一辆车的。如下是采用背景自动建模、时域的运动估计和区域跟踪方法进行实时流量统计的展示：过线后流量增值 图 交通道口车流检测统计3.2.4 浮动交通信息采集系统浮动车通常是指具有定位和无线通信装置的车辆（主要包括出租汽车、公共汽车、私人小汽车、火车、轮船、飞机等日常交通运输工具）。浮动车系统一般由3部分组成：车载设备、无线通信网络和数据处理中心。浮动车将采集所得的位置和时间数据上传给书数据处理中心，有数据处理中心对数据进行存储、预处理，然后利用相关模型算法将数据匹配到地图上，计算或预测车辆行驶速度、路段行程时41、间等道路运行参数。浮动车系统的基本数据是车辆实时地地理坐标，校准时间和行驶速度。这些数据反映了车辆在城市中的相对位置已经运行状态。由于装载了GPS系统的车辆在城市上的运行状态取决于其所行驶路段的道路情况、拥挤程度、交通流量的交通状况。可以认为，当系统拥有一定数量规模的浮动车情况下，将有效、实时的采集包括点车速、路段平局车速、路段交通流量等在内的道路交通信息。浮动车交通数据平台是基于全球定位技术（GPS），地理信息技术GIS，无线通信技术（如GSM，CDMA或专网），计算机网络通信与数据处理技术，利用安装在运行车辆上配备GPS定位模块和内置无线通信装置的浮动车终端，实时回传所经过的路网纵断面的交42、通流数据，所采集的信息可以作为传统交通监测数据的重要补充，并且为车载导航提供动态的路网交通信息。另一方面，由于我国诱导系统尚未完善。由火车、轮渡、飞机航班的误点，造成出站口车辆的安排不能够达最优状态。因此目前百姓出行的最大需求为，通过浮动物的实时数据整合，出租车公司及接站人员可以及时的了解到出站口点人员到站信息，最大限度的减少人们不必要等待时间，节省不必要的开支。 浮动交通信息采集系统可为乘客提供电召服务。根据乘客的需求，对满足需求的出租车发送电召信息，并建立指定出租车司机与乘客直接交流的语音通道，既方便了市民出行，同时也降低了车辆空驶率，增加了出租车司机收入和公司的运营收入。据初步应用该系统43、的区域统计，目前每周约4000单电召业务，电召成功率达65%，出租车实载率为60%-70%，空载率降低20%。该系统可为司机提供防劫报警保障。遇到紧急情况，司机可踩下报警开关，车载终端将实时上传被劫出租车的行驶轨迹及车内声音等其他相关信息，为警情追踪、事后追查提供可靠资料。据统计，系统初步投入使用后，每年丢车数量由170辆左右下降到10辆左右，并帮助警方破获盗抢出租车案件数十起，找回被盗抢70多辆出租车。该系统可为城市交通出行者、运营企业和管理部门提供信息服务。通过手机、广播、互联网、呼叫中心等方式，为公众提供路况信息服务，通过车辆监控、车辆分布、轨迹回放、绕道投诉仲裁、空/重车状态、司机管理44、车辆调度、乘客OD调查等信息统计分析，为出租车企业提供了科学的管理和经营手段；通过违章超速、肇事逃逸、越界行驶等车辆轨迹回放，分析车辆安全事故分布与司机违章情况，为行业管理部门提供有效的执法办案依据，约束和规范司机驾驶行为。3.2.5 城市道路交通相关信息采集铁路、地铁、公路、码头、机场等3.3 存储层 当今社会是个高速发展的社会，各行各业的数据都在成倍的增长。例如，南京市每年仅交通卡口车辆通过所产生的数据记录条数约为200亿条，而Oracle数据库的上限值10亿条，超过上限值后查询效率会大大降低。对于全市20万个摄像头，每个月所产生的数据量将有120PB，如何才能有效地、及时地将如此庞大的45、数据量存储下来，成为了必须要解决的问题之一。3.3.1 云存储概述随着社会经济的快速发展，城市每天都产生大量交通数据需要存储设备来存储，如果还使用大型机、小型机等传统的存储设备，硬件成本和维护成本必定是昂贵的。同时，国家倡导节能减排，减少用电，节约用电，不但是企业降低运营成本的需要，更是作为一个公民应尽的义务。云存储系统正是在这样的背景下发展起来的。 云存储是在云计算(cloud computing)概念上延伸和发展出来的一个新的概念，是指通过集群应用、网格计算或分布式文件系统等功能，将网络中大量各种不同类型的存储设备通过应用软件集合起来协同工作，共同对外提供数据存储和业务访问功能的一个系统。46、 当云计算系统运算和处理的核心是大量数据的存储和管理时，云计算系统中就需要配置大量的存储设备，那么云计算系统就转变成为一个云存储系统，所以云存储是一个以数据存储和管理为核心的云计算系统。3.3.2 分布式云存储构架 存储层存储层是云存储基础的部分。存储设备可以是FC光纤通道存储设备，可以是NAS和iSCSI等IP存储设备，也可以是SCSI或SAS等DAS存储设备。云存储中的存储设备往往数量庞大且分布多不同地域，彼此之间通过广域网、互联网或者 FC光纤通道网络连接在一起。存储设备之上是一个统一存储设备管理系统，可以实现存储设备的逻辑虚拟化管理、多链路冗余管理，以及硬件设备的状态监控和故障维护。 47、基础管理层基础管理层是云存储最核心的部分，也是云存储中最难以实现的部分。基础管理层通过集群、分布式文件系统和网格计算等技术，实现云存储中多个存储设备之间的协同工作，使多个的存储设备可以对外提供同一种服务，并提供更大更强更好的数据访问性能。CDN内容分发系统、数据加密技术保证云存储中的数据不会被未授权的用户所访问，同时，通过各种数据备份和容灾技术和措施可以保证云存储中的数据不会丢失，保证云存储自身的安全和稳定。 应用接口层应用接口层是云存储最灵活多变的部分。不同的云存储运营单位可以根据实际业务类型，开发不同的应用服务接口，提供不同的应用服务。比如视频监控应用平台、IPTV和视频点播应用平台、网络48、硬盘引用平台，远程数据备份应用平台等。 访问层任何一个授权用户都可以通过标准的公用应用接口来登录云存储系统，享受云存储服务。云存储运营单位不同，云存储提供的访问类型和访问手段也不同。3.3.3 智能交通云存储建议根据智能交通中所面临的海量数据，如何实时地将这些数据进行存放成为了关键因素，cStor云存储系统是9年来不断积累与更新的结晶，是国内最早实现并保持领先的云存储系统。整套系统包括软件与硬件，是一个海量的云存储平台。cStor云存储系统与传统的大规模存储系统相比，它具有构建成本低、性能高效可靠、使用简单方便的特点。在需要存储大量数据（如视频数据、业务数据等）的应用场合，可以大幅提高存储系统49、性价比。与目前国际上知名的Google、Amazon等云存储相比，具有更高的性价比、更低的能耗、更加通用和更方便的使用模式。3.3.3.1 cStor云存储集群 云创存储科技有限公司自主研发的cStor超低功耗的云存储节点主板，功耗仅10瓦，较之传统的方式下200多瓦的功耗，更为节能环保。同时，“云创”的云集群有着前所未有的集成度，单机架容量可以达到1.1PB。cStor云存储可以做到高可靠，高性能，超低功耗，超高集成度，超低成本。所以说云存储的性价比极高，几乎就是一堆硬盘的价格，而且这个系统对用户而言非常简单，连接上去看上去是一个很大的盘，空间无限大的盘。cStor中每个存储节点的硬件参数如50、下表所示：名称相关参数CPU低功耗多核处理器内存1G4G DDR2硬盘3T*16 SATAII企业级，磁盘在线热插拨，磁盘故障维护不停机风扇2个网卡双千兆网络端口，支持冗余的多路径数据传输电源冗余的热插拔电源技术，支持电源自动故障切换3.3.3.2 云存储产品优势 成本优势云存储产品是提供商在互联网上部署一个存储服务器，然后租用给企业。使用云存储产品可以以比较低的价钱，来享受比较高的存储服务。利用现在比较流行的话来说，就是价廉物美。另外现在在云存储产品中结合了分级存储的理念，来进一步降低存储成本。分级存储就是根据数据的重要性不同，将其分别存储在高、中、低端存储系统中。 管理优势首先，云存储产品51、的维护任务都是由供应商来完成的。也就是说，企业自己并不需要配备专业的存储系统管理员。其次，更加容易扩展。现在的云存储产品基本上都是根据模块化来设计的。而模块化设计的一个重要的优势就在于其灵活性比较高。在后续可以根据业务来进行扩展。 访问优势云存储产品与自己部署服务器，有一个很大区别，就是服务器的放置位置。自己部署服务器，由于种种原因的限制，服务器往往是放置在企业内部。而云存储产品，其服务器是放置在互联网上。而这个服务器位置的不同，用户访问的途径也就有所差异。云存储产品由于服务器是放置在互联网上，为此无论是内网用户还是外网用户，要访问存储在云存储产品上的信息，都必须通过互联网才可以(有些会在企业52、内部服务器上创建副本)。而由于存储服务器性能的优越，同时会租用比较大的带宽，为此用户访问的速度还是可以接受的。 量身定制的解决方案 云存储产品在提供其存储空间时，其实提供的并不光光是空间本身，而且还会根据企业的需求给出一个量身定制的解决方案。企业有不同的信息化信用。不同的信息化应用其对存储设备的要求都是不同的。只有分别对待，才能够在节省成本的同时，在性能与安全上得到最大的满足。3.4 处理层数据采集存储是一方面，而在智能交通领域中，如何体现出智能，则与计算密切相关，在如此繁杂的数据中，提取有用数据，进行智能处理分析，得出人们感兴趣的结论，并及时予以反馈，这才是智能的表现，而海量数据的实时处理同53、样是一个需要攻克的难关。3.4.1 数据量激增带来的处理挑战近年来，随着我国城市化进程的加快和社会经济的快速发展，各类机动车的保有量急剧增多传统的依靠加大基础设施投入的方法已经不能解决人们日益增长的交通出行需求，以深圳为例，至2011年底，深圳机动车的保有量将超过140万辆，目前每月新增机动车约2.4万辆。城市交通面临运输效率低、安全形势突出、能源消耗高、环境污染问题严重，各类道路交通出行的需求已经接近现有设施通行能力的极限，交通运输问题成为制约我国国民经济发展的重要因素，智能交通是改善和提高交通运输系统这一现状的重要手段。3.4.2 cProc云处理平台架构根据智能交通中所面临的实时海量数据54、处理的需求，cProc云处理平台将成为理想的解决手段。cProc是一种处理海量数据的并行编程模型和计算框架的高效分布式云处理平台，通过把对数据集的大规模操作分发给网络上的每个节点实现数据处理，每个节点会周期性的把完成的工作和状态的更新报告回来。随着节点的增多，cProc的处理能力将成倍数增长。cProc支持100GB以上量级的数据流实时索引，1s内响应用户请求，秒级完成数据处理、查询和分析工作。如上图所示，面对大数据量处理的需求的cProc云计算处理架构，cProc用于应对大规模数据的处理，是一种处理海量数据的并行编程模型和计算框架，用于对大规模数据集的并行计算。cProc通过把对数据集的大规55、模操作分发给网络上的每个节点实现数据处理,每个节点会周期性的把完成的工作和状态的更新报告回来。随着节点的增多，cProc的处理能力将成倍数增长。为了进一步加快海量数据的处理速度，我们建议一种基于多字段B+树的索引方式，即“数据立方”技术，如下图所示：数据立方针对任意多关键字的实时引索，由一个或多个管理节点，一个或多个计算及存储节点（数据节点）组成，系统在数据建立与查询时，分布式建立与应用数据立方索引结构，在数据建立及存储时，对规范化的数据设定1个或多个关键字字段，将不同的关键字字段分别建立索引，每张不同的索引生成一张独立的B+树结构，多个B+树结构垛叠在一起，与全局数据表形成一个完整的数据立方56、结构。利用数据立方存储索引结构，可方便快捷的在海量数据云计算系统中准确检索定位数据。3.4.3 cProc云处理平台优势 实时性平台在高效率并行分布式软件的支撑下，可以实时完成数据计算和分析工作，如数据计算、数据查询、和统计分析等。数据计算不会出现数据堆积现象，各类分析和查询工作基本都在秒级完成，具有前所未有的高效性。 高可靠性基于对云计算可靠性深厚的研究积累，彻底解决了当前分布式计算平台易出现的单点故障问题。任何一个节点出现故障，系统将自动屏蔽，而且不会出现丢失数据的现象。 可伸缩性在不停机的情况下，增加节点，平台的处理能力自动增加；减少节点，平台的处理能力自动缩减。这样，可以做到与资源池的57、无缝对接，根据计算和存储任务动态地申请或释放资源，最大限度地提高资源利用率。 高性价比采用X86架构廉价计算机构建云计算平台，用软件容错替代硬件容错，大大节省成本。在目标性能和可靠性条件下，可比传统的小型机加商用数据库方案节省10倍左右的成本。 全业务支持采用NoSQL关系数据库混合模式，绝大部分海量数据存放于分布式平台并进行分布式处理，少量实时性要求很高的数据存放于关系数据库，可支撑各种类型的业务。不仅支撑查询、统计、分析业务，还可支撑深度数据挖掘和商业智能分析业务。3.5 认知层3.5.1实时视频智能识别cVideo的智能图像检索采用先进的图像处理技术并结合模式识别对已有的海量视频进行事件58、检索，实现了对事件发生视频的切片回放、运动帧提取和对象跟踪。构架于cProc云处理架构上，使许多传统模式下难以处理的识别应用得以实现。cVideo的内容识别技术，采用了先进的背景算法，可以有效地降低日照、大雾、阴雨等实际情况下对检测所造成的影响。因此可以广泛地应用与车流量、人流量检测、行为检测等领域。图7 交通道口车流检测统计如何保证在云计算平台中部分硬件或软件发生故障的情况下仍不影响系统的正常运行；如何保证在云计算平台中高效稳定的合理化分配和执行任务；如何设计一套无人值守，自主管理的高效系统。cDispatch就是这样一套系统。 cDispatch调度平台是建立于虚拟化资源层之上，统一调度，59、统一配置的管理平台，用于对集群中任务实时的处理调度，实时结果集的反馈，集群的负载均衡，失败调度，集中管理，集中配置的平台。用来保证整个集群的超低人员干预。同时，提供完善的集群伸缩机制为整个服务提供更高的可靠性。 cDispatch调度平台任务流程 如上图，它是由一组管理节点（Master Node）和一组处理节点（Task Node）组成，管理节点组是一组基于Webserver的RPC（注：RPC采用客户机/服务器模式。请求程序就是一个客户机，而服务提供程序就是一个服务器。首先，客户机调用进程发送一个有进程参数的调用信息到服务进程，然后等待应答信息。在服务器端，进程保持睡眠状态直到调用信息的到60、达为止。当一个调用信息到达，服务器获得进程参数，计算结果，发送答复信息，然后等待下一个调用信息，最后，客户端调用进程接收答复信息，获得进程结果，然后调用执行继续进行）。 服务器节点组 负责对处理节点的系统信息以及任务处理信息进行实时的跟踪和保存，对应的信息镜像存储在基于cStor或者NFS服务的存储系统上，保证每个管理节点中的镜像信息的实时同步。同时架设在管理节点上的ZooKeeper服务（注：ZooKeeper是一个分布式的，开放源码的分布式应用程序协调服务，包含一个简单的原语集。分布式应用可以使用它来实现诸如：统一命名服务、配置管理、分布式锁服务、集群管理等功能），用于对整个管理节点组进行61、统一的配置化管理。 处理节点组 通过RPC的远程调用获取各自节点的任务处理目标，并实时的和处理节点上的任务处理目标进行对比，控制程序的执行和结束。处理节点组会在一个设定的心跳间隔内主动的和管理节点组联系一次，报告节点存活状态。如果在若干个心跳间隔后管理节点组仍然没有获取到处理节点心跳报告，那么该处理节点将会被踢出处理节点组，同时该节点处理的所有处理任务也会被重新调度。随着集群处理数据量的不断增大，处理节点组提供了简单高效的自动化部署方案，当新机器加入处理集群后，会主动的与管理节点组同步心跳信息，从同一配置服务器ZooKeeper上获取相关配置信息，通过WebServer服务获取任务列表，开始执62、行数据处理工作。 cDispatch调度平台提供了一套基于Web的管理化界面，可以实时的观察各个处理节点的任务运行状态，以及任务列表的分配情况，机器的负载情况等。用户在管理系统界面上可以完成所有的工作，如新任务的添加，任务的手动调度以及集群日志的查看与分析等。 任务处理节点和管理节点之间维护一个心跳时间，实时向管理节点汇报任务处理信息，同时，任务处理节点在每个心跳时间内向管理节点获取该处理的任务列表，并和本机正在处理的任务列表进行比对，完成相关的任务调度工作。若一个处理节点在多个心跳时间范围内仍然没有主动的和管理节点相互联系，那么管理节点将会根据各机器的负载情况，将失去心跳连接的处理节点上的任63、务进行任务的重新分配和执行。3.5.2行为识别行为识别技术是对物体实现监测、分类、跟踪和计数的一种视频分析系统。行为识别技术是根据一定规则来分析和判断，从而可设置对特定行为报警。 行为识别是建立在某些专利技术的基础上的视频技术，分别介绍如下： 1、 智能视频识别：一个视频图像算法家族，可以用来检测和补偿环境和摄像机引起的一系列变化：摄像稳定性、背景识别、透视准确性、自适应限度、阴影的忽略、PTZ摄像机的控制。2、 目标分割：引擎能将目标物从背景中准确的分割出来，忽略非目标物的变化，比如树木的移动和光线的改变。也能将目标群分割成单个的目标。3、 轨迹跟踪：检测到目标物超过一定时限就建立目标的行动64、轨迹和速度函数，以便于对物的尺寸、数量和形状的测定更准确。所显示目标物轨迹实时更新，以便识别入侵者的入侵方向入侵后的路径。4、 目标检测：主要是对目标的位置、尺寸和形状的判断和非目标物的高精度过滤。5、 行为识别：应用一定的规则识别目标的位置、速度和方向;此外，也可以判断目标的数量。6、 高效开发工具：开发了并行运行模式和高级中央处理器的多媒体指令集，给出了业界最高的性价比 视频监督视频监督在传统称谓上称之为智能视频监控技术。智能视频监控技术的应用除了运动目标检测等基本技术，还必须结合其它算法和技术。在智能视频分析中，图像分割和运动目标检测是基本问题，近年来围绕这些问题进行了很多研究，但是他65、们仍然是具有挑战性的课题，需要解决的核心技术问题有运动模糊、背景差方法中光线的变化、实时性要求、遮挡问题等。早期的镜头分割算法是在像素域上进行的，但是这种方法对于像素的快速运动非常敏感，导致了大量的误检。后来发展的基于帧间直方图差的镜头分割算法，因为其算法复杂度低，镜头分割效果好，成为目前大受欢迎的方法。运动目标检测和跟踪是事件检测、行为识别、视频图像的压缩编码和语义索引等自动或者半自动视频监控高层应用的基础。目前，运动目标检测的方法有：时态差分法(temporal differencing)，背景差法(Background subtraction)和基于光流的方法(optical flow)66、等。背景差的方法是基于灰度的一种运动目标的检测方法，常用基于特征的方法。基于特征的检测是依据图像的特征(点，线，矩)或由特征组成的模型(多边形，多面体)来检测运动目标。它多用于目标较大，特征容易提取，或具有匹配用标准目标模型库的场合。背景差法可以提取非常完整的目标，但容易受到光照等引起的背景变化的影响。近年来一些统计的方法被引入来实现背景建模和背景剔除，极大地增强了背景差法对光照变化和阴影等噪声的鲁棒性。根据模型特征进行背景建模有很多种方法，其中基于像素强度的统计模型建模可以适应渐变的光照，但对突变的光照则存在问题。卡尔曼滤波器作为一种简单易行的方法已被广泛应用于目标跟踪。纹理分析基于光流场和67、运动参数估计，是另外一种常用的运动区域检测算法，但由于孔径和遮挡问题，光流的可靠性比较差。基于贝叶斯概率统计的运动分割方法可同时进行分割和运动估计，效果较好，但是计算复杂，计算量大，不适于实时处理。现今国内外主要有两种数字视频监控系统，一种是以数字录像设备为核心的视频监控系统，另一种是以嵌入式智能视频监控系统。嵌入方式的视频监控系统是以应用为中心，适应应用系统对功能、可靠性、成本、体积等综合性严格要求的专用计算机系统。数字信号处理器(DSP)是将数字信号进行高速实时处理的专用处理器，其处理速度比最快的CPU还快10-50倍，在视频监控系统中已经广泛应用。前端一体化、视频数字化、监控网络化、系统68、集成化是智能视频监控系统的发展方向，数字化和网络化是智能视频监控发展的主要特点3.5.3语义分析 语义分析在现今被应用于多个领域，有针对搜索引擎的语义分析，也有针对普通图像的语义分析,针对普通图像的语义分析在智能交通中有着比较广泛的应用。无论是哪一种，语义分析都起到了非常重要的作用。针对图像的语义分析是其中关于图像理解的高层的重点和难点，图像理解就是对图像的语义解释，它在智能交通的图像识别和行为判断中都起到一个很重要的支撑作用。图像语义分析以图像为对象，知识为核心，研究图像中何位置有何目标(what is where)、目标场景之间的相互关系、图像是何场景以及如何应用场景的一门科学。图像语义分69、析输入的是数据，输出的是知识，属于图像研究领域的高层内容。语义作为知识信息的基本描述载体，能将完整的图像内容转换成可直接理解的类文本语言表达，在图像理解语义分析中起着至关重要的作用。图 google搜索引擎语义分析语义分析在图像理解等应用领域的潜力是巨大的图像中丰富的语义知识可提供较精确的图像搜索引擎(Searching Engine)，生成智能的数字图像相册和虚拟世界中的视觉场景描述同时，在图像理解本体的研究中，可有效形成“数据知识”的相互驱动体系，包含有意义的上下文(Context)信息和层状结构(HierarchicalStructured)信息，能更快速、更准确地识别和检测出场景中的特70、定目标。图 交通语义分析在图像内容的语义分析中，图像内容描述具有像素一区域一目标-场景”的层次包含关系，而语义描述的本质就是采用合理的构词方式进行词汇编码(Encoding)和注解(Annotation)的过程这种过程与图像内容的各层描述密切相关，图像像素和区域信息源于中低层数据驱动，根据结构型数据的相似特性对像素(区域)进行“标记”(Labeling)，可为高层语义编码提供有效的低层实体对应关系目标和场景的中层“分类”(Categorization)特性也具有明显的编码特性，每一类别均可视为简单的语义描述。图像文本之间的语义鸿沟是语义分析中需要解决的关键性问题之一。按照语义化的图像特征来讲，71、图像内容的语义需要借鉴文本分析策略。首先需要构建与之相对应的对象，整幅图像(Image)对应整篇文档(Document)，而文档中的词汇(Lexicon)也需要对应相应的视觉词汇(Visual Word)视觉词汇的获取一般通过对图像信息的显著性分析提取图像的低层特征，低层特征大多从图像数据获取，包括简单的点线面特征和一些特殊的复杂特征，再由鲁棒的特征表达方式生成合适的视觉词汇，视觉词汇一般具有高重用性和若干不变特性。从图像语义的上下文表达看，图像的语义信息描述主要包含外观位置信息和上下文信息，可表示成“码书”。上下文信息不是从感兴趣的目标外观中直接产生，而来源于图像邻域及其标签注解，与其他目标72、的外观位置信息密切相关当场景中目标外观的可视程度较低时，上下文信息就显得尤为重要。从语义的生成方法看，现有生成方法基于模型驱动，以概率统计模型和随机场理论为核心，遵循经典的贝叶斯理论。生成方法需要直接借用文本语义分析的图模型结构，每个节点定义某种概念，节点之间的边表示概念间的条件依赖关系，在隐空间(Latent Space)或随机场(RandomField)中建立文本词组和视觉描述之间的关联，生成方法无监督性明显，具有较强的语义延展性。从语义分析的判别方法看，判别方法基于数据驱动，主要通过对训练样本的(弱)监督学习，在样本空间产生合适的区分函数，采用形成的分类器或结构参数，完成对特定的特征空间73、中点的划分(或闭包)，形成某些具有相似特性的点的集合。当前和将来智能交通需要处理的图片的不断增多, 使得图像的智能检索识别以及图像的语义分析成为一个重要的研究和应用领域. 对于图像理解及其语义分析最关键的问题是对人类视觉机制的了解, 即人是如何观察和理解图像的。一个成功的图像语义分析系统, 必须要多个研究领域的紧密合作。计算机视觉、数字图像处理、人工智能和模式识别技术, 包括心理学、生物视觉模型等技术的新发展和综合运用, 必将推动图像检索和图像理解的突破性进展。3.6应用层3.6.1 交通规划以交通规划“四阶段法”为基础，提供完善的交通规划模型算法。其中包括需求预测模型、公交模型、OD矩阵推算74、路径模型、路网分析模型、物流模型等。1“四阶段法”交通规划模型 出行产生/吸引模型交叉分类法：交叉分类法是根据一定的社会经济特点将一个城区的人口划分为若干类型。然后，经验地估计每种类型的家庭或出行者的平均出行率，由此产生的出行率表，可用于预测该研究区的出行产生量。回归分析模型：普遍采用两种回归分析模型。第一种，使用以交通小区为标准的集计数据，将每个家庭的平均出行量作为因变量，小区特征属性的平均值作为说明变量（自变量）。第二种，使用以单个的家庭或出行者为标准的非集计数据，以每个家庭或出行者的出行量作为因变量，家庭和出行者的特征属性作为说明变量（自变量）。离散选择法： 离散选择法是使用非集计的家75、庭或单个出行者的数据估算它们的出行概率。再将所得的结论集计起来即为预测的出行产生量。 产生/吸引平衡模型保持出行产生量不变：保持出行产生量不变，调整出行吸引量，使得吸引总量与产生总量相等。保持出行吸引量不变：保持出行吸引量不变，调整出行产生量，使出行产生总量与吸引总量相等。用户指定出行总量系数：同时调整出行产生量和出行吸引量，使产生量和吸引量之和等于出行总量乘以用户给定系数之积。用户指定的出行总量：同时调整出行产生量和吸引量，使产生量和吸引量之和等于用户给定的值。 出行分布模型增长系数法：是通过对现有的矩阵乘以系数实现的（增长系数由未来的出行产生量除以出行现状的产生量计算得出的）。在无法获悉路76、网交通小区间距离、出行时间或综合费用等信息时，常常使用该方法。 常增长系数法 出行产生受约束的增长系数法 出行吸引受约束的增长系数法 全约束增长系数（Fratar福来特法 ）重力模型：主要的原理两个地区之间的空间交流量与出行产生量/吸引量的乘积成正比，与两地之间的交通阻抗成反比。该模型需要流量矩阵、阻抗矩阵（反映小区间的距离、时间或出行费用等），还有估算的未来出行产生量和吸引量。重力模型较清楚地表达了空间交流量与交通小区间阻抗的相互关系。 出行产生受约束 出行吸引受约束 全约束的重力模型调校重力模型：根据基准年的路网状况估算阻抗函数的参数，从而尽可能使重力模型与基准年产生量吸引量、基准年的出行77、距离分布相接近。 指数函数 幂函数 gamma函数三维比例的出行分布模型：将考虑更多一维的约束条件。该模型，调整一组小区的出行产生量/吸引量，使该组小区的产生量/吸引量之和等于用户指定的数值。它可以分别应用于增长系数模型和重力模型中。 方式划分模型回归模型：用于预测集计的方式分担率。一般地，回归模型用于预测一种出行方式的出行率和出行数量。该模型建立出行比率（或出行量）与出行者社会经济特性、各种可择方式特性之间建立统计关系。交叉分类法：根据出行者的特征（如：收入或小汽车拥有量）或各种运输方式的特性（如：出行时间或相对的出行时间），也可以根据各种运输方式的综合效用，即包含社会经济特性，计算每一类的78、平均分担率。Logit模型：将出行决策者（个人、家庭等）选择一种出行方式的概率表述为各种运输方式的效用值分式，Logit模型调校：影响方式划分的因素包括各种出行方式的特性和出行者个人的属性。 出行时间 家庭成员构成 价格 家庭收入 停车场费用、道路收费 就业情况 网络分配模型全有全无分配法（AON）：将O-D对间的所有交通流量都分配到O-D对间最短路径上。STOCH 分配法：将每个O-D对间的交通流量分配到O-D对间的多条可选路径上。分配到某条路径上的流量比例是选择该路径的概率，路径的选择概率是由logit路径选择模型计算的。递增分配法：逐步分配交通流量。在每一步分配中，根据全有全无分配法分配79、一定比例的总流量。每步分配后，根据路段流量重新计算出行时间。当采用多次递增法时，该分配法类似于平衡分配法。容量限制法：是一种近似的平衡法，首先进行全有全无流量分配，再根据拥挤函数（反映路段的能力）重新计算路段的出行时间，并且进行多次迭代。用户平衡法：通过多次迭代过程达到收敛结果，即使出行者改变路径也不可能再改进出行时间。在每次迭代中，计算路网的路段流量，当路段通行能力不足时，将限制路段流量和出行时间（依赖于流量）。随机用户平衡法（SUE）：是一种综合的用户平衡法，假定出行者没有较完整的路网属性信息，对出行费用的理解方式也不尽相同。SUE允许使用吸引小的路径上也加载流量。系统优化分配（SO）：是80、一种使整个路网的出行时间达到最小的分配方法。2公交模型直接将公交路径叠加到路网上，能够清楚地反映出汽车流量与公交流量的相互关系。公交分配模型提供了多种算法，包括： 全有全无分配法 最优策略法 UTPS路径选择法 综合费用路径选择法 用户平衡法 Stochastic用户平衡法4矩阵推算由于路段交通调查与较大规模的入户调查相比，费用较少，因此常常需要根据路段交通量生成基准年出行矩阵，或更新已有的OD出行矩阵，使是基准年OD矩阵较准确地反映出最新的现状交通流量分布情况。考虑路段调查量的随机性，并可以采用任一种分配方法，通过交通分配与矩阵估算之间的多次迭代实现矩阵推算功能。5路径模型、物流模型简介3.81、6.2 实时监控 实时监控部分可以为授权用户提供（授权范围内）任意卡口点的实时图片数据，可同时查看4个不同卡口或者某1个卡口的实时监控数据。这些图片数据都以触发式显示，某个卡口有多幅大图时只显示首幅大图。关于实时监控的监控范围的指定，需要由部门-点位-方向-监控设备这样的选择方式。实时监控单页面时，页面选择多个监控设备，要求能够多监控设备同时监控，监控四页面时，每个画面都可以选择监控设备。 对车辆进行布控后，可以显示实时的报警过车信息。通过前端采集的实时监控数据与布控信息比对，如果车牌一致则发出声光警报。在报警界面上触发式显示相关报警信息提示处理，同时保存报警信息。如果多条报警同时发生，提示首82、条报警，其它报警给出提示等待点击查看处理。报警车辆实时监控页面，需要指定范围方案和报警类型（多选）来进行监控，并且根据登录人员ID能够取得上回保存的监控范围和报警类型。3.6.3 车辆跟踪 车辆跟踪功能可以查询历史过车信息和报警过车信息。 查询普通的历史过车信息时可以选择卡口名称、过车时间、行车方向、车道号、车牌号码、车牌颜色、车速和处理标记，点击检索后，便会去数据库中查询，将所有符合查询条件的过车信息以列表形式显示出来。查询结果可以导出到execl文件以备份，并提供数据的打印功能。 查询报警过车信息时可以选择警情类型、区域、号牌经过时间、处理标记，查询结果可以导出到execl文件以备份，达到83、对违章车辆的跟踪目的。3.6.4 轨迹分析 轨迹分析功能是选择某一重点车辆，确定历史时间范围，查询该时间段内经过的所有卡口，并在GIS地图上显示该车辆的历史轨迹。通过对车辆的具体位置、运行线路、行车速度、停车时间及停车地点、里程统计等进行24小时定时监控管理，从而节约成本，分配调度车辆，提高用车效率。3.6.5 智能诱导 交通诱导TTI系统包括智能指示灯、智能指示牌、流向指示、道路管制指示。 TTI基于数字广播技术，用户通过这套系统可以在行车过程中实时了 解道路交通状况。实时路况将每隔30秒刷新一次，用绿色、黄色、红色分别代表畅通、缓慢、拥堵等信息。用户只要购买专门的接收终端，或者在合适的手机84、数 码相机、掌中宝等设备上加装接收装置，就可随时查询相关信息。 交通诱导系统最终是要实现信息的自动适时汇总、处理、发布，所以强调的是智能交通诱导系统。它的主要作用体现在以下三个方面： （1）交通管理方面，通过信息发布平台，将各类交通信息发布出去，使交通参与者及时收到或看到这些提示信息，采取相应的措施，避免或降低交通事故的发生。 （2）交通组织方面，采集的交通状况信息，可使交通组织者及时全面获取这些信息，提前采取相关的措施，最大限度地排堵保畅。 （3）交通服务方面，系统根据自动采集到的交通状况信息，自动汇总处理，适时向交通参与者提供交通指导信息，提供出发时间和选择方式，减少盲目出行，达到对整个85、路网的负载均衡作用。 使用智能交通诱导可以有效缓解和解决交通拥堵问题，未来的发展要更加注重整体规划、地区之间信息联动，借鉴发达国家的成功案例、政策、技术方案，大力发展我国的智能交通信息产业。3.6.6 数据统计分析 选择车道、方向、车辆类别（大车、小车）和时段，根据这些选择的查询条件，对流量进行统计分析，并以excel形式输出。通过对历史交通数据的查询对公共道路建设有重要意义。4、关键技术4.1 智能传感与物联网技术智能感知和物联网技术在交通中有很大的应用前景。现在可以采用射频识别(RFID)技术，为注册的所有汽车安装上“电子标签”，使高速运行的车辆能够“被感知”，相关数据能够实时采集、整理和86、分析，有效解决车辆自动识别、动态监测及流量精确预测等难题；在此基础上，通过交通信号控制、出行诱导、公交信息服务等一系列交通管理及服务系统，引导交通流合理分布，实现城市交通的动态组织管理，提高交通运行效率，保障城市畅通有序。也就是说，以后汽车行驶在路上，系统都能直接感知到它，以形成数据，实时处理后再通过信号灯的控制等来引导路面交通。4.2 大数据存储与处理云计算技术面对前端采集到的海量数据，如何方能有效地存储和处理成为了一件难事，因此一种能够承载大数据的存储和处理的计算技术成为了关键因素。而利用云的分布式架构，就可以将庞大的数据量分散到云中各节点之上，使得无论是读写速度，还是处理性能，都有着极大87、的提升，并且会随着云的规模不断扩大而无限提升。用云计算的架构来解决大数据的存储和处理成为了必然趋势。4.3 基于语义的信息融合技术摄像头采集到的视频信息，信息量过于庞大，毫无结构性，用户如果希望在如此海量信息中检索感兴趣的内容，例如用户想查看某段黑色轿车闯红灯的视频，目前通常的做法是一帧帧地线性浏览整个视频，显然这个过程效率极其低下。基于以上问题，提出了一个多传感器信息融合框架，通过将摄像头采集到的视频信息与多种智能交通传感器采集到的信息进行融合以弥补摄像头作为单一信息采集手段的不足。然后在此基础上提出了一个对摄像头所采集的视频信息和智能交通传感器信息进行语义描述的框架，为用户对交通信息进行高88、效检索提供铺垫。传统视频分析技术是对底层视觉信息进行分析处理，如颜色、纹理、轮廓。而用户往往是从高层语义的角度理解整个视频内容，例如某段视频出现了什么物体、发生了什么事情。这之间不可避免地存在着语义鸿沟(Semantic gaps)。要实现视频内容查询，首先需要在底层视觉信息和高层语义之间搭建起一座桥梁。目前学术界对于该问题的研究工作已广泛开展起来，其中比较著名的是运动图像专家组提出的MPEG-7标准，即多媒体内容描述接口(Multimedia Content Description Interface)。MPEG-7标准的目标就是定义一套灵活的可扩展的描述框架。该框架能够对多媒体内容提供高效89、的、准确的并且具有互操作特性的语义描述，以便于进一步对多媒体信息内容进行语义检索。MPEG-7对以下内容标准化：描述符(Descriptors)、描述方案(Description Schemes)、描述定义语言(Description Definition Language)。其中描述定义语言基于XML语言，允许对描述符和描述方案进行灵活地定义和描述，并且具有极强的可扩展性。4.4 智能内容识别与认知技术智能识别是指利用模式识别和图像处理的技术，根据用户的需求来自动分析和抽取原始数据（包括视频和图像等）中的关键信息通过智能识别，用户可以将不关心的信息直接过滤掉，仅为监控者提供有用的关键信息，在90、这种基础上，智能识别监控系统能够更加有效地协助安全人员处理危机，并最大限度地降低误报和漏报现象。4.5 城市交通数学模型与综合调度技术城市交通综合调度技术，可以利用先进的通信、图像处理、电子和计算机技术，结合了可视化指挥调度、数字录音、GIS、GPS、视频监控、智能告警、视频会议等多种智能应用平台，是一个集语音、视频、数据信息处理于一体，通过有线、无线、语音、视频等多种通信终端进行远程指挥调度和业务处理的协同信息化平台。对地铁、公交、出租、长途客运等交通营运日常调度工作及针对突发灾难事故起到极大作用，大大提高了工作效率，在“以人为本”，生命安全第一位的原则下，尽一切可能减少人员的重大伤亡。给市91、民出行带来了极大方便，充分保障了人民财产和生命安全。5、典型应用5.1 面向公众的实时智能导航信息服务 实时智能导航信息服务平台是将云计算资源和交通资源在集中共享的基础上，建立起统一规划、统一组织、统一管理、统一调配，使整个平台得到优化，实现满足各种交通需求的一体化智能交通物联网。平台通过基于总线技术的数据交换平台采集交通流、浮动车、天气等多源异构数据，获得各种交通相关信息。经由数据处理平台基于多源异构数据融合技术和GIS技术进行数据分析，得到实时交通状态和历史交通规律，通过多种信息发布媒体和渠道，为政府、企事业和个人提供多层次的交通信息服务。 该服务平台根据服务类型及方式主要提供三种服务方式92、：请求、推送及消息订阅方式。六大服务领域：定位导航、实时路况、资讯服务、媒体服务、话务服务、群体服务。 定位导航功能 地图浏览、位置搜索、路径计算、地图定位、线路导航、兴趣点服务、实时路径计算 实时路况功能实时路况资讯、实时停车资讯、突发事件通知 资讯服务功能天气查询、新闻查询、股票查询、消费信息、违章查询、公共交通信息、周边信息推送 媒体服务功能在线音乐、离线音乐、在线视频、离线视频、交通广播 话务服务功能免提电话、语音拨号、号码预存、蓝牙免提、短信朗读、短信预设、电话服务点播 群体服务功能群体车辆诱导、停车诱导、特情信息发布、交通规则宣传 云终端同步功能账号同步、数据同步、设置同步，操作同93、步该项应用的价值意义 提高道路交通的运行效率与大众的出行效率 有效减少道路拥堵、缓解城市交通系统压力 为城市交通管理者提供更准确的决策依据，提高管理效率 预计每年减少20%的汽车能源开销 预计对噪音、二氧化碳、尾气排放量等有效降低30%左右5.2 城市交通智能调度与诱导系统城市智能交通综合指挥调度系统由中心系统暨集成管控指挥调度中心系统和交通路况采集分析处理子系统、交通诱导发布子系统、交通事件检测子系统、移动目标定位子系统、道路视频监控子系统和电子警察子系统等六个子系统构成。集成管控指挥调度中心系统完成中心平台与各子系统间和子系统相互间的集成管控及中心的指挥调度管理功能；交通路况采集分析处理子94、系统以多种手段对道路交通状况进行采集分析处理；交通事件检测子系统通过视频检测等方式动态检测道路交通的异常事件信息并自动报警；交通诱导发布子系统自动接收来自中心管控指挥调度平台和相关子系统的各种道路拥堵和异常事件信息并对相关路况信息进行多平台诱导发布等；道路视频监控子系统可在中心管控平台界面上实时操作监控处理来自各类摄像机等外场视频设备的图像信息；电子警察子系统实现对各种交通违法行为的自动检测和处罚等。中心系统与各子系统互相协调，共同构成一个有机的整体，实现交通管理从简单静态管理到动态智能管理的转变。交通诱导系统是智能交通系统 (Intelligent Transportation System95、，ITS)的重要子系统之一。它是诸多高新技术(如地理信息系统、定位技术、导航技术、现代无线通信技术等)的集成，具有多种功能。利用它可帮助驾驶员迅速找到从当前位置到达目的地的最佳行驶路线，协助出行者方便地进入到原先没有去过的地方，如果有实时交通信息的支撑，交通诱导系统能够有效地引导车辆在路网中运行，减少车辆在道路上的行驶时间，并最终实现交通量在整个路网中的均匀分配。交通诱导系统自诞生以来，就受到了人们的普遍关注。许多发达国家如美国、德国、日本等将其列入国家研究计划，投入厂大量的人力、物力和财力对其进行研究、试验和开发。随着相关技术的成熟和系统的实用化，交通诱导系统在未来交通管理中将扮演越来越重要96、的角色。车辆诱导系统是交通综合信息平台的重要应用模块。系统建设目标是：基于交通综合信息平台及各子平台向城市居民提供出行路线引导服务，同时也向交通综合信息平台及有关部门提供实时道路交通数据，通过动态交通信息的获取及处理，引导驾驶员合理规避交通拥堵，以最佳路线到达目的地，从而达到充分利用城市路网能力，提高通行效率的目的。在研究深度上，不仅要解决系统开发初期的关键技术问题，而且要设计安装运行一批车载设备进行示范实验，实现车辆诱导信息服务(包括对特殊车辆的定位和导航服务)。 国内外交通诱导系统研发现状交通诱导系统能有效地解决，城市交通拥挤、减少交通事故、降低空气污染、提高运输效率，发达国家非常重视车裁97、定位导航系统的开发和应用，现已形成了日、美、欧三足鼎立的局面。 (1) 日本的典型车辆导航系统日本的导航系统以丰田公司与日本警察省、邮政省、建设省共同开发的基于全球定位系统(GPS)和道路车辆信息通信系统(VICS)的导航系统为代表。VICS是日本东京一家具有半官半民性质的交通信息处理、发布中心，它将警察部门和高速公路管理部门提供的交通堵塞、驾驶所需时间、交通事故、道路施工、车速及路线限制，以及停车场空位等信息编辑处理后及时传输给交通参与者，特别是在汽车导航车载机上以文字、图形显示。目前日本已有多家大公司研制出车载装置，如松下公司生产的KX-GA3L已在日本多种类型的车辆上得到了应用。 (2)98、 美国的典型车辆导航系统TRAVTEK是美国有代表性的城市交通诱导系统。它以实时路线引导和服务信息系统实用化为目的，由交通管理中心、信息与服务中心、装有导航装置的车辆组成。交通管理中心进行道路交通信息的收集、管理与提供，同时还提供系统运行所必需的信息；信息服务中心收集观光设施、旅馆、饭店等为对象的各种服务信息；车载导航装置由车辆定位模块、路线选择模块及接口模块构成，可显示交通堵塞地段、事故及施工等信息的地图，以及按驾驶员需要进行的路线引导及提供服务的文字信息等。 (3) 欧洲的典型车辆导航系统Ali-Scout系统是欧洲最有代表性的车载导航系统，由西门子公司和BoschBlaupunkt公司联99、合开发。系统包括车内设备和车外设备两部分。车内有定位、导航设备、磁场传感器、车轮转数计、带键盘和方向指示器的操作面板，行驶时间测量仪、红外发射器、红外接收器和目标存储器等；车外设备有信标红外发射器、信标红外接收器、信标控制器和交通诱导计算机。车辆通过信标以红外通信方式与中心交换信息。信标安装在路口两旁，典型的是与交通信号灯安装在一起。交通诱导计算机负责完成最优路径的计算、路段阻抗预测和数据库管理等任务。 (4) 国内交通诱导系统的研发现状及趋势国内车辆导航系统的研究起步较晚，主要由一些科研院所、学校及少数公司进行探索性研究实验，目前还未取得实质性成果。吉林大学在交通诱导系统方面做了一些研究，尤100、其在交通预测、交通分配等方面开展了大量研究，取得了一些成果；一些大学交通研究中心在车辆定位、临控与导航关键技术方面开展了多项研究，重点包括：城市交通网络及其拓扑关系的表达，GPSDR组合定位数据融合，基于GSM进行数据通信等；四维公司、大通公司和鞍山科信、南大善邻、西安东强、上海卫导与三吉等公司通过与国外合作或引进或独立研制，做了大量的工作，取得了一定进展，但均未达到实现产业化的阶段。 当前，我国的交通、通信等基础设施已有了重大改观，研究开发我国具有自主知识产权的交通诱导系统的主，客观条件已基本具备，在此背景下需要对交通诱导系统提出了一套整体解决方案，为后期的研发奠定了坚实基础。5.3 车辆连101、续跟踪系统智能交通系统 (ITS)是将先进的信息技术、 数据通信传输技术、 电子传感技术、 电子控制技术及计算机处理技术等有效地集成运用于整个交通管理而建立的一种在大范围内、 全方位发挥作用的、 实时、 准确、 高效的综合交通运输管理系统。车辆连续跟踪系统是智能交通的一个重要组成部分，它的研究可以追溯到20世纪70年代，传统的车辆连续跟踪系统是采用传统车辆检测器如磁感应线圈等，有着诸多缺点和局限。鉴于这种情况，人们不断提出新的替代方案，如采用雷达、 超声波、 红外线、 微波、 声频及视频图像等技术的悬挂式传感器。近年来随着计算机和图像处理技术的不断发展，利用机器视觉检测器来进行车辆检测成为一种102、特别有潜力的替代方法，有望取代传统车辆连续跟踪系统中的传统检测器，成为现代车辆连续跟踪系统中的重要组成部分。1978年，美国 JPT (加州帕萨迪纳市的喷气推进实验室)首先提出了运用机器视觉来进行车辆的跟踪检测的方法，指出其是传统检测方法的一种可行的替代方案。几年后，美国明尼苏达大学的研究人员研制了第一个可以投入实际使用的基于视频的车辆跟踪系统。该系统使用了当时最先进的微处理器，在不同场景和环境下的测试结果良好，说明了利用视频传感器实时检测车辆的可行性。同期基于视频的车辆检测的研究也在欧洲和日本广泛展开。此后十年间基于视频的车辆跟踪技术取得了长足的进步。1991年，美国加州理工大学对在高速公路103、上运用视频方法的检测技术进行了评估，在评估报告中对当时采用的不同的视频车辆跟踪技术详尽地进行了分类。三年后，美国休斯飞机公司评测了当时存在的几种检测技术，包括视频检测技术，测评结果指出基于视频图像处理的车辆跟踪系统已经具备了投入实际交通的标准。1994年Mn/DOT(明尼苏达运输部)为 FHWA(美国联邦公路局)进行了更详尽严格的测评，结果表明视频检测器的检测准确性和可靠性可以达到令人满意的程度。同时随着视频车辆跟踪技术的发展，人们已不满足于仅仅检测出车辆，FHWA进一步利用此技术来提取交通参数，如交通流量，十字路口的车辆转向信息等。事实上，与其他几种车辆跟踪方法相比，基于视频图像技术的方法具104、有直观、 可监视范围广、 可获取更多种类的交通参数以及费用较低等优点，因而可广泛应用于交叉道口和公路干线的交通监视系统中。在交通监测系统中，视频检测的传感器 (即摄像头 )被安放在道路的上方以获得道路和过往车辆信息，安装的高度一般在 5m-6m，以保证对整个交通场景有很好的视点，且得到的视频图像序列可以为车辆检测和跟踪提供足够的信息。车辆检测与跟踪系统通常包括感兴趣区域 (Region Of Interesting， ROI )提取、 车辆检测、 车辆连续跟踪等三个模块。首先由摄像头拍摄得到实时交通场景的视频序列图像 ，然后对序列图像进行 ROI提取 ，并将提取到的 ROI送到车辆检测模块以根105、据一定的图像处理方法和准则判断某 ROI区域是否为车辆。检测出车辆后 ， 可在跟踪模块对车辆进行跟踪。由检测和跟踪的结果可以分析提取出交通流量参数 ，如车速、车流密度、转向信息等。这类实时道路交通信息及各种服务信息汇总到交通管理中心并经集中处理后 ，将传送至公路交通系统的各个用户 ，使公众能够高效地使用公路交通设施 ，从而到达提高道路负载能力和行驶效率以及节约能源等目的。交通场景中车辆对象的实时检测与跟踪是基于视频的交通监测系统中最重要也是最基本的步骤 ，是视频检测法的核心 ，检测与跟踪的正确与否直接关系到智能交通系统决策的正确性。针对视频图像传感器所得到的交通序列图像 ，人们提出了许多视频图106、像处理和分析方法。ROI提取的目的是对交通场景视频图像中的车辆进行粗分割，将有可能是车辆的区域从复杂的交通场景中分割出来以便进行后续的检测与跟踪操作。其方法包括对视频图像序列的时域、空域及时-空域分析，但其中利用时域分析重于利用空域分析;换言之，对一个像素，检测主要是利用了在视频图像序列帧中处于同一位置的像素信息，而不是仅仅利用一帧中该像素的周围像素信息，这主要是由视频图像的特点决定的。对ROI的提取主要有帧差法、背景差法、非监督视频分割法、k2 均值聚类法、SPCPE (同步分割与类别参数估计 )法等方法，这里不再展开论述。车辆跟踪模块检测出车辆后，车辆跟踪就比较容易了。大多数车辆跟踪方法都107、遵循一个基本原则，即用空间距离判断两相邻帧中的车辆是否为同一辆车，进而完成时域上车辆的跟踪。空间距离可以是最简单的欧几里德距离，也可以是其他距离标准如 Haus2doff距离。跟踪方法大致有以下四类：基于模型的方法、 基于区域的方法、基于动态轮廓的方法、基于动态轮廓的方法、基于特征的方法。限于篇幅，这里不再展开论述。视频检测器与传统检测器相比有其明显的优势，近年来在智能交通系统中得到了越来越广泛的应用。虽然视频检测器有着诸多优点，但仍然存在许多需要解决的问题。一个可以投入实际使用的基于视频图像的交通监测系统应该具备处理时间短、计算量低和可靠性高的特点。而且，这种系统所采用的方法必须对重建 3D108、场景的误差、车辆运动所引起的图像噪声、视频检测器的偏移等干扰有足够的稳健性。实际情况是视频检测器的检测精度是随着光照情况的变化而变化的，当光照良好时如正午时检测精度最好，反之如傍晚、雨雪天气则较差另外一个问题是阴影问题，阴影是造成视频检测方法误检测的主要原因，阴影通常有三种:车辆自身的运动阴影、道路场景中的静态阴影、缓慢移动的阴影如浮云造成的阴影。阴影问题的解决好坏直接关系到检测结果的正确性。同时车辆在道路场景中的相互遮挡也是必须要考虑的问题。未来这一领域的发展应该是围绕上述问题的解决而展开。研究近年来人们提出的种种车辆跟踪检测方法，我们不难发现由于受限于当时计算机硬件的处理速度，早期的检测方109、法都较为简单，对实时性的要求要大于对准确率的要求。而随着更快的中央处理器的不断研发特别是云计算的发展，中后期的检测方法则越来越复杂，在一个系统中往往使用了多种车辆检测方法来提高检测的准确率，同时采用了更多新技术如 Kalman滤波器、模糊判决理论等。所以注重准确率、综合使用多种检测方法是未来车辆检测的一大发展趋势。另外，车辆检测中的多检测器信息融合也是未来研究的重点。摄像头获取的视频图像序列可以被看作 3D真实空间向 2D图像平面投影的过程，这种投影往往会造成信息的丢失，为了获取足够高的检测准确率，需要更多的空间时间信息。而通过设置多个检测器就可以给检测系统提供更多的信息。另外，与基于视频图像110、车辆检测紧密联系的相关研究领域，交通视频图像的压缩和多媒体智能挖掘，也是未来研究的热点。在 ITS中，车辆检测是将摄像头实时拍摄到的视频图像传输到交通管理中心进行处理分析，直接传输数据量巨大的视频图像是不经济也不现实的，所以如何有效地压缩交通视频图像有着非常重要的意义。5.4 交通违法智能挖掘与取证系统在许多城市智能交通系统的应用中， 如城市交通控制系统，是以控制路口的红绿灯配时方案为手段来对城市交通进行优化的。又如一些交通诱导系统 ， 以路口的拥塞程度为依据对车辆的行驶路径进行选择。而运行在底层的交通流量采集系统，为各种应用提供实时的流量数据。它也是针对路口来设计的。使用智能挖掘技术对流量采111、集系统所得到的历史数据进行分析， 找出一个简单快速有效的参数估算方法，如路口车辆排队长度的估算。交通违法智能挖掘系统提供了对海量交通数据的强大分析处理功能。在大规模数据中挖掘隐含的模式，提供了对大规模数据强大、灵活的数据分析处理功能，在决策支持系统(DSS)中得到了很好的应用。安全、便捷、舒适和信息化的交通需求，使智能交通系统的研究和应用取得了快速发展。各种先进的信息技术在智能交通系统中得到广泛应用，智能交通系统积累了巨大而复杂的交通数据，复杂的交通数据对信息的管理和处理都提出了新的要求。一些资料提出了利用数据仓库、数据一体化平台等对复杂智能交通信息进行组织与管理，并对智能交通信息进行数据融合112、数据压缩、数据标准化、智能挖掘、数据联机分析处理等智能挖掘技术作为一种产生于应用且面向应用的数据分析处理技术，可以快速、有效、深入的分析海量交通信息，挖掘大量交通数据中隐含的交通模式，研究了利用神经网络进行短时交通流量预测，以及道路交通状态的分类、基于模糊逻辑的道路拥堵评价、基于ARIMA、神经网络、非参数回归等模型的交通流量预测方法，提出了利用智能挖掘技术进行交通事件分析。智能交通系统的交通数据来源广泛、形式多样，包括动态的交通流数据和智能交通子系统的管理控制数据，以及静态的道路环境数据等。智能交通系统管理和控制的对象是交通流，交通流数据是按时间顺序采样得到的一系列数值型数据序列，是交通系113、统中最重要的数据。智能交通系统记录了大量交通信息，如电子警察系统将交通违法车辆的违法行为过程用图像和数据记录下来，提供交通违法信息，包括车辆违法地点、违法日期、违法时间、违法类型、违法参数、违法车辆全景图像序列、违法车辆牌照图像；交通事故接处警系统提供报警时间、报警地点、报警电话号码以及相关的交通事故信息；交通信号控制系统提供与路口有关的运行状态、色步递进信息等。智能挖掘过程分为数据准备、模式发现、结果表达和解释三个主要阶段，下图给出了交通智能挖掘的系统模型。交能违法与取证系统的违法智能挖掘模型有以下几种：预测模型、分类模型、关联模型。交通预测模型包含多个层次：基础数据层的交通流数据的预测；基114、于特征属性层的交通流性质预测、交通事件及事件类型预测、道路拥堵情况预测；基于状态描述层的路网服务水平、事态发展预测和事件影响评估等。分类模型是智能挖掘中应用领域非常广泛的数据模型。分类是根据数据集的特点构造一个分类器，利用分类器对未知类别的对象赋予类别的一种技术。关联规则一般用支持度和置信度两个指标来描述一个关联规则。关联规则可以发现数据项之间的相关联系。交通流信息是时间相关和空间相关的，具有时空特性。目前提出的智能交通的取证常见的有以下系统实现：闯红灯违章管理系统、超速抓拍管理系统、智能卡口管理系统、压线逆行违章管理系统、智能交通综合管理平台等。这些平台之间相互依赖，取证建立在智能挖掘和智能115、识别等很多技术的基础之上。闯红灯违章管理系统对遏制闯红灯违法行为发挥了积极的作用，有效了减少了交通事故的发生，闯红灯违章管理系统正受到越来越多公安交通部门的青睐。城市机动车数量迅猛增长，在带来诸多便利的同时，也存在一些问题。车辆超速违章行为层出不穷，交通事故频频发生，给交通管理造成一定难度。针对这种情况，国内外先后推出了超速抓拍管理系统，对机动车超速行为起到了极大的威慑作用，有效的遏制了交通事故的发生。在“向科技要警力、向科技要效率”的今天，超速抓拍管理系统正越来越多的被相关职能部门应用，并带来了极大的效益。机动车数量的迅速增长，公路运输变得越来越繁忙。交通管理现状和需求的矛盾进一步加剧，与交通相关的刑事和治安案件也逐年上升。为提高交通管理水平，抑制交通事故和高效的破获刑事案件，智能卡口系统正越来越多的被投入使用。城市机动车辆的迅猛增长，城市道路越来越拥堵，机动车违法变道、压线行驶、逆行等违法行为不仅使道路更加拥堵，而且给交通安全造成了一定的隐患。为有效的遏制上述违法行为，压线逆行违章管理系统正越来越多的被交通管理部门投入使用并发挥着极大的作用。智能交通综合管理平台主要是实现智能交通信息的集中采集和处理，对智能交通相关设备进行统一管理，软件上采用标准的协议，实现与不同类型设备间的互联互通，进而使整个系统的功能更加强大和满足用户的要求。5.5 城市交通应急指挥系统