机器学习在智能交通中的应用关键技术研究

2017-12-02福建船政交通职业技术学院张传娟

电子世界 2017年22期

福建船政交通职业技术学院张传娟

机器学习在智能交通中的应用关键技术研究

福建船政交通职业技术学院张传娟

随着车联网、大数据、人工智能等技术的改进，智能交通得到了广泛普及和应用，实现了车辆识别监控、交通信号控制、驾驶员人脸识别、乘客信息服务等功能，均需要使用图像处理、特征检测、模式匹配等机器学习技术，以便能够实现交通应用的智能化、共享化和自动化。笔者结合智能交通应用实践情况，分析了机器学习在智能交通中的应用优势及关键技术，包括图像处理、特征检测、语音识别、自然交互等，进一步为提高智能交通的自动化、共享化、便捷化。

智能交通；机器学习；图像处理；特征检测；模式匹配

1.引言

随着大数据、互联网、云计算和人工智能等先进技术的发展，已经在金融证券、物流仓储、医疗卫生、教育科研、政务办公、商务消费等领域得到广泛应用，提高了人类社会的自动化、智能化水平。智能交通是计算机应用的一个重要领域。随着人类物质生活的丰富和经济的富足，越来越多的家庭购买乘用车，人类出行、货物运输等使用的车辆也越来越多，因此实现车辆的调度、监控、运行成为交通管理部门和科研机构的重要研究内容。但是数以千万的车辆管理采用人工模式非常繁琐，为交通管理人员带来了较大的工作量，因此人们提出在交通管理中引入人工智能，构建一个智能交通系统。机器学习是人工智能的关键技术，其可以实现图像处理、特征检测、模式匹配等功能，自动化的监测和识别车辆，同时也可以利用面部识别技术定位驾驶员，大大的提高了交通管理效率，具有重要的作用。

2.智能交通应用现状分析

智能交通经过经过多年的发展，已经引入了传感器、RFID、大数据、车联网等智能化信息技术，构建了比较完善的智能化交通系统，实现了车辆检测、信号控制、视频监控、实时追踪系统；公共交通业建成了一个博物馆、动物园等交通枢纽运营管理中心，实现了乘客信息服务发布，也能够组织和调度公共交通工具。高速公路建成了信息指挥中心，将数以百万公里的高速公路进行联网，实现信息共享，还能够实现ETC不停车收费，进一步提高了高速公路的信息采集处理和发布[5]。通过对智能交通应用进行调研，智能交通的应用构成如图1所示。

图1 智能交通应用层次架构

因此，通过分析和总结，智能交通应用现状如下所述：

（1）先进的交通信息系统ATIS。ATIS建立在一个完善的信息基础网络上，能够将各类型的传感器、路由器、交换机、无线通信基站部署于道路上、车上、停车场、换乘站等，实时的采集、发送交通信息，可以为用户提供公共交通服务，实现一个停车场管理模式，进一步管理道路出入和车站换乘，便于进一步改进用户服务水平，实现多样化的路线操作，自动化的定位车辆和提供导航服务。

（2）先进的交通管理系统ATMS。ATMS可以实现交通控制和管理，能够为用户提供强大的操作管理服务，实现车辆驾驶员、道路管理中心进行信息共享操作，同时还可以监视交通事故、交通状况、交通环境和气象情况，实现信号灯、道路管制、事故处理和救援。

（3）先进的公共交通系统APTS。APTS是一个利用计算机技术促进公共交通事业发展的系统，其可以为公交系统提供一个便捷的、经济的、大运量的系统，这个系统能够通过个人计算机、智能手机、闭路电视为公众提供公交信息，便于公众选择公交线路、车次，也可以通过公交站牌显示器为候车者提供实时运行信息，为车辆发送实时的状态，提高公交出行者的服务效率。

（4）先进的车辆控制系统AVCS。AVCS可以帮助驾驶员实现车辆控制，比如碰撞报警等，为驾驶员提供警告、帮助，避免碰撞车辆、行人或障碍物，可以提高行车安全性。

（5）电子收费系统ETC。ETC是一种路桥收费模式，其可以通过安装在车上的车载器与收费站ETC车道上的微波天线实现数据传输通信，然后通过无线网络与银行进行后台结算吹，实现一个完整的车辆收费流程。

（6）紧急救援系统EMS。EMS是一个非常特殊的系统，其与ATIS、ATMS以及救援机构进行集成操作，利用监控中心、指挥中心与救援机构形成一个有机整体，这样就可以为车辆提供紧急处置、拖车、现场救护和事故检测服务。

3.智能交通中机器学习应用关键技术研究

机器学习作为智能交通的关键技术，目前已经在图像检测、特征提取、模式匹配、人机交互等重要环节得到极大研究，取得了显著成果。

智能交通系统可以使用摄像头、传感器等采集图像、视频信息，图像检测就可以利用机器学习技术对图像进行预处理，获取图像中的车辆、驾驶员图片，标定出这些对象的位置、大小。一副图像或一帧视频图像包含的内容非常丰富，模式特征也较多，比如直方图特征、模板各种、颜色特征、结构特征等，图像检测就是可以将有价值的信息挑出来，利用这些特征实现对象检测。图像检测方法很多，常用方法为Adaboost学习算法，该算法是一种分类方法，能够将较弱的分类方法集成在一起，构建一个很强的分类方法。图像检测可以使用Adaboost学习算法挑选一些车辆矩形特征，按照加权投票方式为弱分类器构建一个强分类器，然后通过训练学习就可以将强分类器串联在一起，形成一个级联结构的层叠分类器，提高分类器的检测速度。

特征提取是智能交通引入的另一个关键技术。智能交通系统可以使用特征包括很多，比如视觉特征、变换系数特征、像素统计特征、代数特征等，图像特征提取就是针对车辆或驾驶员的人脸某些特征进行的。目前，特征提取是车辆、人脸特征建模的一个过程，又被称为图像表征描述，特征提取方法可以划分为两个类别，一种基于知识表征的方法，另一种是基于代数特征或统计学习表征方法。基于知识的表征方法可以根据车辆轮廓形状以及距离度量特性获取特征数据，这个特征距离度量的种类包括曲率角度、欧氏距离等，车辆轮廓特征很多，包括前头大灯、尾箱、车辆挡风玻璃等局部特征构成，这些局部之间的结构关系可以利用几何特征描述，常见的知识特征提取方法包括模式匹配、几何特征两种。基于代数特征和统计学习表征方法则是利用像素的密度进行统计，利用统计学的严密规则获取车辆特征，目前常见的基于统计学的特征提取方法包括K均值、密度聚类、谱聚类、支持向量机。

模式匹配和识别可以利用特征提取的数据与数据库中存储的特征模板进行搜索和匹配操作，设定一个模式匹配操作阈值，当相似度超过这一个阈值，就可以将匹配获取的模式输出。车辆识别可以将识别出的车辆特征与已经获得的特征模板进行比较，根据相似程度可以判断车辆信息，模式匹配和识别的过程包括两个关键步骤，分别是确认和辨认，确认是指一对一进行图像比较，辨认是一对多图像匹配对比，能够实现车辆信息识别。