路況【road condition】指的是現有道路路基、路面、構造物及附屬設施等的技術狀況。一般也指路面及附屬設施損壞情況。
在路上行駛時，經常會有人不遵守交通規則，隨意穿行道路，這種情況在城市中尤為常見。如果駕駛員遇到這種情況處理不當，就很容易造成交通事故。在城市中的鬧市區或交叉路口，特別是機動車道和非機動車道沒有明確劃分的路段，行人和機動車強行的情況十分普遍。根據新《道路交通安全法》的規定，在沒有明確交通信號標誌的路段，機動車應主動讓行行人和非機動車，因此新手要學會避讓行人，切不可意氣用事，開賭氣車。在一些交叉路口，由於一些建築或樹木的原因影響了駕駛員的視線，這時應使車輛緩慢行駛，注意觀察，防止從路口突然竄出行人或其他車輛。
基本介紹
- 中文名：路況
- 外文名：road condition
- 概念：附屬設施等的技術狀況
- 注意：複雜路況注意觀察
- 所屬類別：交通
- 涉及領域：交通運輸
背景簡介,路況分類處理,
背景簡介
交通擁堵問題已經在中國各大城市日益凸顯，最好的解決方法已經不是無限制地修建或擴建道路緩解交通擁堵，而是要發展智慧型交通．作為智慧型交通的一個領域，路況信息的實時獲取顯得尤為重要．通過圖像處理與模式識別等信息處理技術手段進行路況信息的實時採集，對當前道路擁堵狀況做出真實、準確地描述，是智慧型交通系統(ITS)中最基本和最重要的工作．
傳統的檢測方法 如線圈檢測 需要占用道路埋入感應線圈，這無疑增大了該條道路的交通壓力．視頻檢測 是現在發展很快的一項檢測方法 運用圖像分割和目標跟蹤識別可以提取道路機動車數量、速度，作為路況特徵參數對路況進行分類使用了基於幀間差分方法更新道路背景模型，統計出現頻率最大的灰度值，得到初始背景數據．該方法在幀圖像較大時，計算量大，實時性不夠好．
通過對大量路況圖像的研究，發現路況灰度圖像中的道路區域是一近似灰度平坦區，對於暢通、緩行、擁堵3 種典型路況，由於道路區域被車輛遮擋的原因，使得該區域灰度直方圖發生明顯變化．基於該種特性，提出採用路況圖像的灰度直方圖作為特徵，使用LDA 算法對直方圖採樣點進行降維，並結合改進K-近鄰算法對路況進行分類．實踐證明，由於直方圖特徵獲取的快速性以及LDA 算法降維減少了高維向量計算，該方法對於實時路況分類是行之有效的．
路況分類處理
1灰度直方圖處理
1．1 圖像預處理
路況圖像中道路區域 的提取是必要的．實際場景中的路況圖像，由於採集的地點不同，造成圖像灰度分布極其不均，但是同一地點中道路區域的灰度分布會呈現出一定規律，因此首先要分割出路況圖像中的道路區域． 方便起見．
1． 2 直方圖重採樣與均值濾波
路況圖像完成道路區域的提取後，得到只含有道路與車輛的圖像，統計該區域的灰度直方圖，． 在大量統計中發現所有道路區域灰度直方圖的右端幾乎為 0，因此，在 0 ～ 255 灰度級內保留 1 ～ 200 的灰度級，形成一個 200 維的特徵向量．
圖像採集過程中，即使使用同一監控探頭，也會發生相鄰兩幀圖像灰度突變的情況，這種突變來自於探頭自身噪聲，因此需要對路況圖像進行濾波． 本文將 1 ～ 200 灰度級內的統計量進行重採樣與均值濾波一體化處理: 將相鄰 5 個灰度級的統計量取平均值，在保留圖像灰度特性的同時，平滑灰度突變干擾，降低直方圖特徵向量維度．
2 基於 LDA 的高維向量降維
處理後的灰度直方圖反映了路況圖像的車流量特徵，但作為特徵向量其分度偏高，不利於了解特徵空間樣本的拓撲結構． 線性判別分析 linear dis-criminant analysis，LDA) 是一種用於分類的有效特徵降維方法，其核心思想是通過已知的樣本分類信息，構造使判別矢量集達到極大值的最佳降維向量，將輸入的高維向量投影到低維空間以實現數據降維，並使降維後的樣本達到最大類間離散度和最小類內離散度，具有最佳可分離性，從而幫助樣本在低維空間實現最優分類 ．
LDA 套用設計
將路況圖像的40 維向量看作高維向量，使用LDA 算法對該向量進行降維．由於已知路況類別為3 類，降維後，該向量被降到二維空間．在降維後的二維空間(圖4)中，可以看到數據分布具有最佳可分離性．使用LDA 算法時，訓練樣本個數選取不應過少．當輸入訓練樣本個數小於樣本維數時，會使類內離散度Sw非奇異，而無法構造降維向量W;如果訓練樣本個數過多，會增大計算複雜度，影響LDA 降維速度．綜合考慮如上問題，選取120 幅典型路況圖像作為訓練樣本，這些路況圖像為同一地點、不同時段、不同路況的樣本，並標定每幅樣本的路況，即已知樣本分類信息為:暢通樣本40 幅，緩行樣本40 幅，擁堵樣本40 幅．將每幅樣本灰度直方圖的40 個採樣點作為40 維向量，進行LDA 降維．由已知的樣本分類信息為3 類，構造列數為2 的最佳降維向量W，圖4 給出了120 幅訓練樣本經LDA 降維到2 維空間的分布情況．
圖4 表明，輸入的120 幅40 維向量訓練樣本經LDA 降維到二維空間後，分類特徵明顯．因此，在二維空間設計分類器便可對未標定路況的樣本進行分類．
3基於K-近鄰改進算法的分類
3．1 K-近鄰(K-NN)算法
K-近鄰(K-nearest neighborhood)算法是分類未知數據最直接的方法，其基本思想是: 找到和待分類樣本最相似的k 個已分類樣本，根據這k 個樣本所屬類別判斷待分類樣本所屬類別，如圖5 所示．對於一個待分類樣本，計算其與訓練樣本中每一樣本的歐式距離，找出與待分類樣本最近的k 個近鄰，依據k 個近鄰在每類中所占比重，將待分類樣本歸入所占比重最大的類別．本文選取與訓練樣本不同的120 幅標定路況樣本作為待分類樣本進行測試．其中，暢通樣本40 幅，緩行樣本40 幅，擁堵樣本40 幅，使用傳統K-近鄰算法對路況樣本進行分類，比較分類結果與標定結果．
3．2 對 K-近鄰( K-NN) 算法的改進
K-近鄰算法中計算了待分類樣本與所有訓練樣本的歐式距離，事實上僅使用了其中較小的k 個樣本作為分類依據．為了充分利用訓練樣本，本文將統計3 類別內所有距離和作為分類依據，將當前樣本歸入距離和最小的類別．表2 給出了相同測試樣本使用改進K-近鄰算法的分類結果統計．
由於充分利用了類別內所有訓練樣本，改進K-近鄰算法使分類結果準確率有所提升．此外，由於路況評價因人而異，本文在使用改進K-近鄰算法得到的3 個距離和的同時，去除距離和最大者，計算待分類樣本屬於另外2 類的百分比，作為當前分類結果的可信度，為孤立的分類結果添加人性化的參考．看出，分類結果與標定結果相符合，可信度52．9% 表明儘管當前路況分類結果為暢通，但暢通和緩行的可信度比例已經接近1:1，這為人們對路況分類結果的理解提供了參考，幫助理解當前路況的暢通程度;對比表中的第2、3 行可以看出，當可信度較低時，分類結果不能代表當前實際路況，實際路況介於暢通和緩行之間．由此可見，可信度反映了分類結果與實際路況的相似程度．
4 結論
實踐證明，使用路況圖像灰度直方圖統計特徵，結合LDA 降維與改進K-近鄰的分類器能夠良好地進行實時路況分類，分類效果與交管局實時發布路況信息相當．主要優越性概括如下．
1)無需二次投入與占用道路，有效利用現有監控攝像頭資源．
2)路況圖像灰度直方圖提取與LDA 降維算法計算複雜度低、效率高、分類效果良好．
3)改變了傳統的孤立分類，分類結果人性化．雖然LDA 算法對灰度特徵向量降維效果良好，但是由於3 種典型路況訓練樣本的選取因人而異，即同一幅路況圖像，不同人會給出不同分類結果，因此在實際套用中，要合理選取標定的訓練樣本．此外，由於路況圖像中灰度特性只反應了靜止場景特徵，且這種特徵會因光照影響而發生變化; 因此，在今後的研究工作中，應結合前後幀圖像考慮動態場景，並研究去除光照影響的方法．
