下载掌阅APP，畅读海量书库
立即打开
交通信息采集只是智能交通技术应用的第一步，采集得到的交通信息需要经过处理之后才能为我们所用。那交通信息是怎么处理的？需要用到哪些技术？下面我们将揭开交通信息处理的神秘面纱，让“真相”浮出水面！
小张是一名高校的研究生，对交通数据压缩技术十分感兴趣，他通过查阅文献知道目前已有许多方法被用于交通数据的压缩处理，实用的数据压缩技术包括：哈夫曼编码、LZW编码、小波变换编码、分形编码等。
因此，小张运用小波变换和哈夫曼编码的方法对北京某路段的65个断面采集回来的流量、平均速度、占有率等交通数据进行压缩，压缩比达到20∶100。可见，交通数据压缩技术有着不可忽视的作用。
通常，交通信息处理的第一步就是对数据进行压缩。对于“压缩”一词，我们耳熟能详，如压缩饼干，就是一种为了减少存放体积、便于携带的饼干。又比如，当某天我们走在路上，碰见熟人时说：“吃过了吗？”我们知道这是在打招呼，既不是要请客，也不是“没吃赶紧回家吃去”。笼统地说，把一系列已有信息通过一定方法处理，使得其长度缩短，并且信息含量基本或者完全不变，就称之为压缩。由此一句简单的“吃过了吗？”是礼貌地问，也是一种信息的压缩。我们可以触类旁通，很好地理解“数据压缩”。
数据压缩是指在不丢失信息的前提下，缩减数据量以减少存储空间，提高其传输、存储和处理效率的一种技术（如图1-9）。在数据压缩过程中，按照一定的算法对数据进行重组，从而减少数据的冗余和存储的空间。
为什么交通数据可以压缩呢？首先，数据中间常常存在一些多余成分，即冗余度。如在交通数据文件中，某些符号要比其他符号频率高得多地重复出现或一些字符总在数据块中某一可预见的位置上出现。这些冗余部分便可在数据编码中除去或减少。冗余度压缩是一个可逆过程，因此，叫作无失真压缩。其次，数据中间尤其是相邻的数据之间常存在着相关性：如交通信号具有一定的规律性、周期性和相似性等。因此，可以利用某些变换来尽可能地去掉这些相关性。但在交通数据压缩的过程中，应避免不可逆压缩（压缩过程存在不可恢复的损失和误差）的出现。
随着智能交通技术的发展，交通信息采集设备的采集能力不断增强，不间断地采集到海量交通数据。庞大而复杂的数据既不利于前期的数据存储与传输，也不利于后期的数据分析，因此，需要设计高效的交通数据压缩方法，用于海量数据压缩，以节省存储空间，提高传输效率和质量，服务于实时及后期的数据处理与分析。
图1-9 数据压缩
除了数据压缩外，您是否还听说过“数据挖掘”一词？与数据压缩一样，它也是交通信息处理的重要组成部分。
所谓数据挖掘，是指从数据库的大量数据中揭示出隐含的、先前未知并有潜在价值的信息的过程。数据挖掘可以高度自动化地分析数据，做出归纳性的推理，从而挖掘出潜在的规律，帮助决策者及时调整策略、减少风险、做出正确的决策。
数据挖掘包括数据准备、规律寻找和规律表示3个步骤，规律寻找一般使用的方法有：关联分析、聚类分析、分类分析、异常分析和演变分析等（如图1-10）。
图1-10 数据挖掘处理步骤
这里，我们只具体介绍关联分析。关联分析就是利用关联规则进行的数据挖掘。那么，关联规则又是什么呢？关联规则其实就是寻找在同一个事情中出现不同项的相关性，例如：“在一年内有2次以上闯红灯记录的交通违法者中，有10%的人会超过被记12分的交通违法临界。”从大量的交通记录信息中发现潜在的关联关系，可以为交通管理部门提供决策支持。
交通管理部门对某地区的交通违法数据进行统计，很容易地发现以下规律：城郊路口闯红灯违法较多，而市中心主要路口闯红灯事件并不多；夜间闯红灯的比白天多，凌晨时段尤为突出。但是从管理的角度来看，这样的规律并没有多大的实际意义，因为城郊闯红灯突出，理应加强警力，但事实上城郊警力缺乏，根本无法保证路口交通警力的管理；同样地，凌晨时段闯红灯现象严重，但根据管理的需要，交通警力主要安排在白天，无法保证夜间警力的需求。通过简单的数据统计，找出表面原因并不是解决问题的办法。因此，如何通过数据挖掘，尝试找出数据间潜在的关联规则，帮助交通管理部门做出正确的决策，才是数据挖掘的作用。
通过数据关联分析，发现该地区从事交通运输行业的人员中，高中文化水平者居多，并且该文化层次的驾驶人自觉遵守交通规则的意识不强。由此，便可以对交通管理工作提出实际指导建议：例如对不同文化水平的驾驶人要区别对待，可以提高管理效率；对高中文化水平段的驾驶人加强培训，适当增加他们的考核难度，并要定期开展安全教育，提高其遵守交通法律法规的自觉性。
前面讨论了通过交通数据压缩与数据挖掘技术可以获取多种形式的交通信息，这些交通信息是多种类、多角度、多层次的。如何通过这些信息得到有效的信息来辅助交通管理人员呢？这个时候就需要交通信息融合处理技术发挥作用了。
对于“信息融合”一词，或许我们并不陌生。在现实生活中，“信息融合”这一基本功能自然而然地得到了体现。我们通过眼、耳、鼻等器官，去感受外界的各种信息（形状、颜色、声音和气味等），然后融合起来，综合地理解周围环境及正在发生的事情，再做出相应的反应。
图1-11 信息融合技术在车辆定位中的工作流程
信息融合就是多种信息综合处理技术，将来自不同信息源的信息加以分析、处理与综合。交通信息融合处理技术也是交通信息加工与处理的一种方法。比如，通过各种渠道收集到车流量、车速、车间距、道路占有率、车辆违法信息、道路气象状况等基础的交通参数，都是未经过处理的，运用交通信息融合处理技术对这些基础数据进行处理，就可以估计目前或预测将来的交通状态（如图1-11）。
目前，信息融合技术已经广泛应用在道路交通状态的估计和交通参数的预测中，此外，它在智能交通安全中也发挥了重要的作用。车辆的定位是智能交通安全系统的一个关键的技术。前面我们说到移动定位技术，它是属于车辆的绝对定位，不会产生累计误差，不过却需要GPS提供相应的地标地图等基础设施。另外还有一种相对定位技术——航位推算，也就是通过累计车辆行驶方向的行驶距离来估测车辆的位置，它会由于车轮打滑和旋转漂移产生累计误差。将这两种方法进行融合，取长补短，可以形成一个优化的信息复合定位系统。
“信息融合”一词起源于20世纪70年代末期，并于20世纪80年代发展成为一门专门的技术。信息融合最早应用于军事，其优越性在军事领域上得到充分的体现，并渗透到其他各个应用领域，包括智能交通。
目前，常用的交通参数融合技术包括统计分析方法、模糊逻辑、卡尔曼滤波、人工神经网络等。由于交通参数的复杂性和随机性，单独使用某种方法进行融合可能达不到要求，往往需要将多种方法混合使用。
2011年7月14日，由我国自主研制的红旗HQ3无人车（如图1-12），首次完成了从长沙到武汉286千米的高速全程无人驾驶实验，创造了我国自主研制的无人车在复杂交通状况下自主驾驶的新纪录，标志着我国无人车在复杂环境识别、智能行为决策和控制等方面实现了技术突破，达到世界先进水平。红旗HQ3无人车由国防科技大学自主研制,7月中旬它从京珠高速公路长沙杨梓冲收费站出发，历时3小时22分钟到达武汉，总路程286千米。
图1-12 红旗HQ3无人车
说到交通信息处理技术，不得不提的就是交通图像处理与模式识别。早期的图像处理只是为了改善图像的质量，后来发展为通过计算机用数学方法进行图像的自动处理与判读，也称为模式识别。它在多个领域都得到广泛的应用，例如，在智能交通领域，可以应用于车辆导航、交通监控和交通管理等3大方面，如我国的红旗HQ3无人车就属于交通图像处理与模式识别在车辆导航方面的应用。
无人驾驶汽车需要传感器和测距仪来识别与其他车辆的距离，还要通过摄像机“看到”其他车辆、障碍物、道路宽度和道路交通标志。这一切都需要对采集的图像进行处理，再使用模式识别辨认出来。例如，对于高速公路等道路标线分明的道路，车道线通常为连续的白线或者白色的短画线，所以，对道路的检测就可以简化为对这些白线的检测。这样经过一定的检测和匹配过程之后，就可以得到车辆和道路的相对位置。障碍物检测也是将图像进行灰度处理，当检测到路面上有明显的非正常纹理边界时，系统会定义为障碍物，而周围的车辆相当于一种特殊的障碍物。可以通过检测与前车相隔距离和前车的速度来判断是保持跟随状态还是超越该车。值得一提的是，模式识别技术还能对驾驶人进行疲劳检测。我们都知道，驾驶人疲劳的时候会出现困乏、精神难以集中的状态，疲劳检测就是时刻监视驾驶人的一言一行。通过检查驾驶人眼睑运动的频率，或者车辆驶离道路中心线的距离来判断驾驶人是否处于疲劳驾驶状态。这种检测应用于交通监控，包括车辆检测、车辆跟踪、事故检测、闯红灯检测、交通流参数检测等领域；还可以应用于交通管理，主要是指智能收费，包括车辆号牌识别和车型识别等领域。
交通图像处理与模式识别的一个典型应用就是车辆号牌识别系统。车辆号牌识别技术是电子警察必不可少的技术。当车辆行驶在道路上，它的行动早已在电子警察监控范围内。当超速、闯红灯，甚至是驾驶人没系安全带时，车辆违法的记录会被高清照相机记录下来并传给计算机，计算机经过车辆号牌识别就可以找到车主。
车辆号牌识别系统是现代智能交通系统中的重要组成部分之一，它能够检测到受监控路面的车辆并自动提取车辆号牌信息（含汉字字符、英文字母、阿拉伯数字及号牌颜色）进行处理，完成号牌的识别（如图1-13）。它以数字图像处理、模式识别和计算机视觉等技术为基础，通过对摄像机所拍摄的车辆图像进行分析，经过号牌定位、字符分割、字符识别3个步骤，得到每一辆汽车唯一的号牌号码，从而完成识别过程。
车辆号牌识别系统的应用十分广泛，通过一些后续处理手段可以实现停车场收费管理、交通流量控制指标测量、车辆定位、汽车防盗、高速公路超速自动化监管、闯红灯自动拍摄、公路收费管理等功能。对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着重要的现实意义。
图1-13 车牌号识别原理图