交通灯控制系统使用图像处理

Kavya P Walad Jyothi Shetty

M。3 rdsemester技术,计算机科学与工程系,斯工程学院Mukka,印度
部门负责人计算机科学与工程系,斯工程学院Mukka印度

文摘

今天的交通是国家面临的主要问题这是因为增加的车辆的数量。车辆数量的增加导致的需要一个智能系统,可以有效地处理交通拥堵基于交通的密度。论述了一些现有的交通灯控制系统和他们的缺点和图像处理技术如边缘检测技术,帮助找到交通密度。这里也讨论索贝尔普瑞维特,罗伯特,精明的边缘检测和他们的优势和劣势

关键字

索贝尔普瑞维特,罗伯特边缘检测

我的介绍。

作为现代城市的人口日益增加是由于车辆旅行是增加导致交通拥堵问题。交通拥堵已经导致许多关键问题和挑战的主要和最密集的城市。流量的增加导致更多的等待时间和燃料现实。由于这些拥堵的问题,人失去了时间,错过的机会,并得到沮丧。

交通荷载高度依赖参数,比如时间,天,季节,天气和交通事故等不可预知的情况下,特殊事件或建筑活动。如果不考虑这些参数,交通控制系统将创建延迟。解决交通拥堵问题,还构建了新的道路。做出新的道路设施的唯一缺点是,它使得环境越来越拥挤。所以因为这个原因需要更改系统而不是让新的基础设施的两倍。交通控制系统可以解决这些问题通过不断传感和调整交通信号灯的时间根据实际的交通负载称为智能交通控制系统。建设智能交通控制系统的优势减少拥堵;降低运营成本;为旅客提供替代路线,增加基础设施的能力。一个这样的交通控制系统可以由边缘检测等图像处理技术找到交通密度,基于交通密度可以调节交通信号灯。

数字图像处理是数字计算机进行处理。它是使用计算机算法对数字图像进行图像处理。这是一个技术广泛用于数字图像特征提取等操作,模式识别、分割、图像形态学等边缘检测是一个发达的领域的图像处理。边缘是图像的重要特征。边缘特征边界,因此在图像处理基本重要性的问题。边缘通常发生在两个不同区域之间的边界在一个图像。边缘检测允许用户观察图像的这些特性有或多或少的突然改变灰度或纹理表示图像中一个区域的终结和另一个的开始。它发现实际应用在医学成像、计算机引导手术诊断、定位对象在卫星图像,人脸识别,指纹识别,自动交通控制系统,解剖结构等许多边缘检测技术的研究已经发展为从数字图像中提取边缘。有两种不同的边缘检测算子:基于梯度的古典运营商像罗伯特·普瑞维特,Sobel算子和基于拉普拉斯算符像精明的检测。边缘检测技术特别地址的问题,图像增强,分割、识别和登记。 It is also important research issue in computer vision and pattern recognition.

二世。现有的交通控制系统

以下是现有系统用来控制交通,缺点是下面讨论:AMicrocontroller devicethat控制周围大多数事情。交通信号灯的控制是著名的地方这种类型的控制系统整合,控制的四组在交通路口红绿灯。但控制不灵活,根据trafficat十字路口的状况。相反,开关时间是固定为红色,绿色和橙色的灯光。这些时间期限arevaried按天、星期等。

传统的孤立Vehicle-Actuated控制十字路口不断试图调整绿色时代。控制算法的主要缺点是,看起来只在绿色汽车而不是考虑车辆等在红色的数量。最简单的类型ofvehicle-actuated安装有一个探测器位于距离之前,在一个十字路口停止线的方法,和一个控制器敏感探测器发出的信号。简单traffic-actuated信号遭受一些相同的弱点的定时信号。他们会工作得很好,如果实际交通流匹配流假设的单元扩展绿色被选中。

手动控制的名字表明它需要人力来控制流量。交通政策规定根据国家和州控制所需的区域或城市交通。交通政策会有路标,信号光和吹口哨来控制流量。他们将被要求穿特殊制服为了控制交通。在手动控制系统需要更多的人力。因为交通警察的力量很差是不可能手动控制交通在城市或城镇的所有区域。例人交通控制中存在的问题是:

•只有熟练的操作员才能做出合适的判断和决策,因为情况很复杂,很多因素应该考虑在控制;

•熟练操作员的工作负载非常高,因为他们总是做出决定根据交通情况在很短的时间间隔;

•很难提高交通控制的过程中,由于实际过程描述的运营商的判断并不清楚。

自动红绿灯由定时器控制和电子传感器。灯光会自动上下车取决于定时器值变化。在使用电子传感器,它将捕获车辆的可用性和信号在每个阶段,根据信号灯光自动开关。自动流量控制,红绿灯为每个阶段使用计时器。另一种方法是使用电子传感器来检测车辆,并产生信号,这种方法所浪费的时间是一个空路上绿灯。交通堵塞也发生在使用电子传感器控制交通

三世。边缘检测的调查

而不是使用现有non-flexible交通灯控制器可以构建灵活的交通灯控制器基于交通密度,交通密度可以找到使用边缘检测技术。边缘检测的标准和不同的边缘检测技术是下面讨论:

边缘检测:

如果考虑灰度图像可以观察到三种类型的不连续即点、线、边。最简单的方法是使用属性来检测这些不连续空间面具。比孤立的点和线,边缘检测的图像分割的一个重要组成部分。优势可以被定义为一组相连的像素,形成两个不相交的区域之间的边界。边缘在图像场景的不连续的变化必然导致功能,通常亮度,产生边缘。换句话说,不连续的边缘表示现场强度的函数。可能有各种原因,如类型的材料,表面纹理,照明条件下,等,在形成这些不连续扮演重要的角色。边缘可以描述基于边缘强度、边缘方向和边缘位置。和不同类型的边边是一步,斜坡边缘,屋顶边缘,脊边缘。

边缘检测标准:

有许多可用的边缘检测算子,每个设计为敏感的某些类型的边缘。边缘检测的质量可以从若干标准客观测量。提出了一些标准的数学度量,其中一些是基于应用程序和实施要求在所有5个情况下性能的定量评价需要使用图像的真实边缘是已知的。

一个¯·好检测:应该有最小数量的虚假边缘。通常,边缘检测阈值后操作。高阈值将导致更少的假边缘,但也降低了真正的边缘检测的数量。

一个¯·噪声敏感性:该算法可以检测边缘在一定的可接受的噪音环境中。

¯·良好的定位:边缘位置必须尽可能正确的报道可能的位置,即边缘定位精度。

¯·取向灵敏度:操作员不仅检测边缘大小,但它也检测到边缘方向正确。方向可以用于后期处理连接边缘部分,拒绝噪音和抑制nonmaximum边缘大小

一个¯·速度和效率:算法应该足够快是有用的在一个图像处理系统中。一个算法,允许递归实现或单独处理可以大大提高效率。

b .边缘检测技术:

有很多方法进行边缘检测。然而,大多数的不同的方法可以分为两类(图1):

1。一阶边缘检测:

第一个订单或梯度法检测最大和最小的边缘通过寻找图像的一阶导数。最著名的传统方法,像索贝尔普瑞维特,罗伯特运营商属于基于梯度的边缘检测技术。

罗伯特算子:

梯度算子。简单的2 * 2罗伯茨运营商是最早的方法来检测边缘。罗伯茨交叉计算简单、高效,二维空间梯度图像上测量correspondingto高亮区域边缘。罗伯茨运营商实现使用两个卷积面具/内核,每个设计最大限度地应对边缘达到±45º像素网格,它返回图像x大于y导数,分别Gx和Gy。罗伯茨的+因素交叉算子是其简单但有小的内核是高度敏感的噪音和不符合今天的技术。

索贝尔算子:

Sobel算子进行图像的二维空间梯度测量。它使用两个3×3卷积面具,一个在x方向上梯度估计(列),另一个估计在y方向上的梯度(行)。这些内核设计最大限度地应对边缘垂直和水平相对于像素网格运行,一个内核的两个垂直的方向。内核可以单独应用到输入图像,产生单独的梯度测量组件在每个方向(Gx和Gy)。这些可以组合在一起,发现每一点的绝对星等梯度和梯度的方向。

罗伯特算子有缓慢的计算能力,但它拥有大量的内核是不太敏感的噪音比罗伯特算子。具有更大的面具,错误由于噪声的影响减少了当地平均社区内的面具。

普瑞维特接线员:

普瑞维特过滤器非常类似于Sobel算子。3 x3总卷积面具用来检测梯度在X, Y方向.Prewitt过滤器是一个快速的方法Sobel边缘检测普瑞维特/内核通常倾向于罗伯茨方法,因为半个像素的梯度不是转移两个方向和扩展到更大的尺寸(过滤社区大于3 * 3)不可能轻易罗伯茨运营商。Sobel和普瑞维特运营商之间的关键区别在于,Sobel内核在一个方向上实现差异化和高斯平均。(近似)。只有适合well-contrasted无噪声图像。的优势是它的边缘地区,减少噪声或孤立像素的可能性将主导滤波器响应。

图2:卷积面具用于罗伯特,普瑞维特,Sobel算子检测梯度在X和Y方向

2。二阶边缘检测:

二阶或拉普拉斯算子方法搜索图像的二阶导数的零交叉边缘。在一般情况下,一阶边缘过滤器是不常用的图像增强的一种手段。相反,他们的主要用途是在边缘检测的过程中,在图像分割过程中迈出的一步。一个更常见的图像增强的方法是通过使用一个二阶导数算子:——拉普拉斯算子。二阶导数性质允许拉普拉斯算子产生细边缘响应相应的梯度变化,而不是孤立的响应越少的一阶边缘过滤器,使其适合作为数字边缘增强的第一阶段。最著名的传统方法如拉普拉斯算子的边缘检测和基于精明的运营商属于二阶边缘检测。

拉普拉斯算子的边缘检测:

一个非常受欢迎的二阶导数算子是拉普拉斯算子。这可以很容易地实现一个3 * 3内核过滤。拉普拉斯算子是一个二维各向同性的第二空间导数的一个映像。图像的拉普拉斯算子突出地区快速的强度变化,因此通常用于边缘检测。拉普拉斯算子是经常应用到一个图像,首先用一种近似高斯平滑滤波器平滑,以减少其对噪声的敏感性。三个常用小内核如下图所示。

精明的边缘检测:

精明的描述一种广泛使用的边缘检测算法最优噪声边缘。精明的边缘检测算法提高边缘检测的过程。三个重要的标准是这个目的考虑。第一个也是最重要的标准是检测所有重要的源图像的边缘。这意味着目标是降低错误率。第二个标准是,检测到的边缘点尽可能接近真实的边缘,也称为本地化。第三个准则不是有多个响应一个优势。精明的边缘检测器上实现这些标准。它首先平滑图像,消除噪音。然后计算图像梯度指出这些地区的梯度最大的区别是,它有很高的空间差异。 Finally, it then tracks along these regions and discards any pixel that weakly defines an edge (non- maxima suppression) in order to make the edges thinner. To further reduce the gradient array, it performs hysteresis which tracks along the remaining pixels that have minimum gray level values but have not been suppressed. The Smoothing concept has been applied in this Gaussian operation, so the finding of errors is effective by using the probability. The next advantage is improving the signal with respect to the noise ratio and this is established by Nonmaxima suppression method as it results in one pixel wide ridges as the output. The third advantage is Better detection of edges especially in noise state with the help of thresholding method. The problem with Cranny’s edge detection is that his algorithm marks a point as an edge if its amplitude is larger than that of its neighbours without checking that the differences between this point and its neighbours are higher than what is expected for random noise. This technique causes the algorithm to be slightly more sensitive to weak edges, but it also makes it more susceptible to spurious and unstable boundaries wherever there is an insignificant change in intensity (e.g., on smoothly shaded objects and on blurred boundaries) . The major disadvantage is the computation of Gradient calculation for generating the angle of suppression. The main disadvantage is Time consumption because of complex computation.

第四,不同的边缘检测技术的优缺点

边缘检测发现实际应用在医学成像、计算机引导手术诊断、定位对象在卫星图像,人脸识别,指纹识别,自动交通控制系统,解剖结构等许多边缘检测技术的研究已经发展为从数字图像中提取边缘。每个边缘检测技术都有自己的优点和缺点在不同领域的应用。

诉的结论和未来的工作

本文讨论了现有的交通控制系统和他们的缺点,为了克服这些缺点可以构建一个灵活的基于交通密度的交通灯控制系统。找到交通密度可以使用边缘检测技术。边缘检测是一个众所周知的技术在图像处理识别图像对象,图像分割,图像增强。每个边缘检测技术各领域有自己的优点和缺点。基于梯度的一阶边缘检测和基于拉普拉斯算子或二阶边缘检测算子可以用MATLAB实现本文中讨论。有很多缺点与Gaussian-based边缘检测对噪声十分敏感。这是因为内核使用静态维度的产品及其系数。精明的边缘检测提供最佳性能即使在噪音条件比较其他一级边缘检测。这个精明的边缘检测算法更昂贵的比较索贝尔,普瑞维特和罗伯特的操作员。精明的边缘检测的主要缺点是高计算时间和负责任的弱边缘。最佳边缘检测算法提供一个正确的解决方案是必要的。 In future rather than using existing edge detection techniques can use fuzzy logic and morphological based edge detection technique for regulating traffic light control system based on traffic density to save the time and to reduce operating cost.

引用

阿尔温德•B。K和迪年代,阿伦Karthik年代和恒河Ambrish“交通拥堵控制使用精明的算法借助于模糊逻辑”3日先进的计算和新兴电子学习技术国际会议(2013年ICAC2ET)——新加坡11月6 - 7日,2013年
Madhvi Arora, V。K Banga,“实时交通信号灯控制系统使用形态学边缘检测和模糊逻辑”,第二届国际会议在电气、电子、土木工程,2012年4月。
Bing-han刘魏之王,“车辆基于同态滤波的边缘检测和模糊增强夜间环境中”,IEEE国际会议,2010。
G.T. Shrivakshan Dr.C。Chandrasekar”比较各种边缘检测技术用于图像处理”IJCSI国际计算机科学杂志的问题,9卷,问题5,没有1,2012年9月
克里斯·所罗门和托比Breckon“数字图像处理原理:一个实用的方法和例子在MATLAB”2011年由约翰·威利& Sons有限公司
R .Gonzalez和R·伍兹,数字图像Processing2002新世纪,公司鞍上游,新泽西州07458。
P.Srinivas, Y.L.Malathilatha,博士。M.V.N.普拉萨德K“图像处理边缘检测技术UsedFor交通控制问题”(IJCSIT)国际计算机科学和信息技术杂志》上,卷4(1),2013年,17 - 20
。沙玛,B。,Katiyar, V.K., Gupta, A.K. and Singh, A. (2014) The Automated Vehicle Detection ofHighway Traffic Images by Differential Morphological Profile. Journal of Transportation Technologies, 4, 150-156.http://dx.doi.org/10.4236/jtts.2014.42015