本發(fā)明屬于交通控制技術(shù)領(lǐng)域，尤其涉及一種實(shí)時在線驗(yàn)證復(fù)雜交通控制方法。

背景技術(shù)：

目前，交通控制，依靠交通警或者采用交通信號控制設(shè)備，隨著交通變化特性來只會車輛和行人的通行。交通控制運(yùn)用現(xiàn)代化的通訊設(shè)施、信號裝置、傳感器、監(jiān)控設(shè)備以及計算機(jī)對運(yùn)行中的車輛進(jìn)行準(zhǔn)確的組織、調(diào)控，能夠安全暢通地運(yùn)行。在對交通進(jìn)行管理和控制的任務(wù)中，主要包括靜態(tài)管理和動態(tài)管理，靜態(tài)管理主要是通過對交通系統(tǒng)中的歷史數(shù)據(jù)的分析，從中發(fā)現(xiàn)問題并且從中挖掘潛在的規(guī)則，對交通系統(tǒng)的發(fā)展規(guī)律進(jìn)行預(yù)測，進(jìn)而進(jìn)行改造和調(diào)整；而動態(tài)管理以一個指揮者的身份，監(jiān)視著整個交通系統(tǒng)的運(yùn)行情況，根據(jù)數(shù)據(jù)采集部件提供的實(shí)時數(shù)據(jù)，隨時準(zhǔn)備決策。

文獻(xiàn)“madhuraingalhalikar,etal.diffusionbasedabnormalitymarkersofpathology:towardslearneddiagnosticpredictionofasd.neuroimage.2011；57(3):918–927”將地圖集中的各向異性(fa)和平均擴(kuò)散率(md)的值作為特征，然后將所得特征加入支持向量機(jī)(svm)中，通過留一法不斷地選擇可以使支持向量機(jī)得到最好的正確率和推廣性的特征。然而，這種基于地圖集的方法無法提取地圖集下子區(qū)域的相關(guān)變量作為特征，這樣就無法找到異常的區(qū)域。同時，這種方法沒有考慮外界環(huán)境因素對圖像的影響。

綜上所述，現(xiàn)在的技術(shù)存在的問題是：采集交通信息方式單一，符合實(shí)際的交通流模型搭建起來較為復(fù)雜，要長時間、大范圍地獲取仿真模型所需的數(shù)據(jù)較為困難；智能化控制程度低。

本發(fā)明的有益效果在于：

使用置換檢驗(yàn)并以外界環(huán)境因素為協(xié)變量進(jìn)行初步的特征提取，克服了雙樣本t檢驗(yàn)對于變量要服從正態(tài)分布的假設(shè)，考慮了外界環(huán)境對圖像的影響；外界環(huán)境因素包括：溫度、光線強(qiáng)度等；

使用線性支持向量機(jī)對初選的特征進(jìn)行二次篩選，去除不是由于個別原因引起的差異而是由于圖像預(yù)處理或者噪聲引起的差異，同時考慮了多個不同區(qū)域不同變量的相互作用，克服了t檢驗(yàn)只考慮單個變量的缺點(diǎn)。

技術(shù)實(shí)現(xiàn)要素：

針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供了實(shí)時在線驗(yàn)證復(fù)雜交通控制方法。

本發(fā)明是這樣實(shí)現(xiàn)的，一種實(shí)時在線驗(yàn)證復(fù)雜交通控制方法，所述實(shí)時在線驗(yàn)證復(fù)雜交通控制方法通過多種方式采集交通信息，在高擬真情況下，實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息提供給擬真交通控制設(shè)備；由擬真交通控制設(shè)備根據(jù)被驗(yàn)證算法生成交通控制方案，重新應(yīng)用于仿真環(huán)境，不斷循環(huán)，進(jìn)而對復(fù)雜交通控制算法進(jìn)行實(shí)時在線驗(yàn)證；

所述的實(shí)時在線驗(yàn)證復(fù)雜交通控制方法具體包括：

安裝監(jiān)測識別裝置：將車輛識別裝置與車輛連接，識別車輛標(biāo)識信息；

所述安裝監(jiān)測識別裝置采用二維多尺度離散正交小波變換對所采集的車輛圖像進(jìn)行非均勻光照補(bǔ)償?shù)膶?shí)現(xiàn)方法為：

設(shè)f(x,y)為車輛圖像信號，其反射分量和光照分量分別為r(x,y)和i(x,y)，并定義車輛圖像的二維多尺度離散正交小波變換為：

式中，sjf(n,m)是f(x,y)的低頻分量；分別代表f(x,y)的垂直、對角和水平高頻分量，車輛圖像信號與其反射分量和光照分量之間的關(guān)系可以用式(2)來表示：

f(x,y)＝r(x,y)×i(x,y)(2)

將兩邊取對數(shù)后，等式右邊的乘積關(guān)系轉(zhuǎn)變?yōu)榧臃P(guān)系，得式(3)：

lgf(x,y)＝lgr(x,y)+lgi(x,y)(3)

具體步驟如下：

step1：對空間域中的車輛圖像f(x,y)進(jìn)行對數(shù)變換，得到對數(shù)域中的車輛圖像f′(x,y)；

step2：對f′(x,y)進(jìn)行多級二維多尺度離散正交小波變換，得到低頻分量sjf(n,m)，垂直、對角和水平高頻分量分別為對得到的分量進(jìn)行高通濾波獲得圖像的高頻部分；

step3：提取出第n級高頻近似分量wnf(n,m)；

step4：對wnf(n,m)進(jìn)行n級二維離散小波重建，得到對數(shù)域車輛圖像f′(x,y)的重建圖像

step5：從f′(x,y)中減去后再加上標(biāo)準(zhǔn)光照，得到光照補(bǔ)償后的圖像其中δu為標(biāo)準(zhǔn)光照,標(biāo)準(zhǔn)光照是指環(huán)境中的照度為2000-3000流明，且不受其它光線或顏色的干擾的光照。

采集信息：通過接收信息裝置接收車輛定位信息和車輛標(biāo)識信息，其中車輛定位信息通過定位系統(tǒng)獲得；車輛標(biāo)識信息包括車輛牌照信息、車輛類型以及車輛的全球定位系統(tǒng)的標(biāo)識符或者其他相關(guān)標(biāo)識信息；

所述接收信息裝置利用車輛顏色混合高斯模型對車輛進(jìn)行分割，把接近于車輛顏色的區(qū)域從圖像中分離出來的實(shí)現(xiàn)方法為：

step1：根據(jù)車輛顏色在ycbcr色度空間的高斯分布，對彩色圖像中每個像素點(diǎn)，利用式(4)將其從rgb色彩空間轉(zhuǎn)換到y(tǒng)cbcr空間后，計算該點(diǎn)屬于車輛顏色區(qū)域的概率，即根據(jù)該點(diǎn)離高斯分布中心的遠(yuǎn)近得到和車輛顏色的相似度，將彩色圖像轉(zhuǎn)化為灰度圖，其中每個像素點(diǎn)的灰度與該點(diǎn)顏色的相似度對應(yīng)，利用式(5)來建立車輛顏色的2d高斯模型：

其中，是cb,cr的均值；v是協(xié)方差矩陣；n為車輛像素點(diǎn)的總數(shù)，左臉顏色高斯密度函數(shù)為：

右臉顏色高斯密度函數(shù)為：

其中，和分別為左右臉的方差；kl與kr分別為左右臉高斯模型常數(shù)，

step2：建立車輛高斯模型后，設(shè)計一個基于顏色核心和模糊分割的皮膚分類器對彩色圖像進(jìn)行皮膚分割，輸入為原始圖像，輸出是表示皮膚和非皮膚區(qū)域的皮膚分割二值圖像；

step3：通過式(8)定義色度顏色，以對f(r,g,b)＝g(r,b)標(biāo)準(zhǔn)化處理，將周圍光線所引起的車輛區(qū)域亮度的變化去除，沒有亮度分量時也可以認(rèn)為是純色，其中式(8)為：

通過計算,得到式(5)中m的值為[117.4316148.5599]；

step4：從100幅彩色圖像中得到皮膚樣本ycbcr色度空間中確定人類顏色的顏色分布，顏色樣本從彩色圖像中選取，并通過一個低通濾波器減小樣本中噪聲干擾，低通濾波器的脈沖響應(yīng)為：

1/9[1，1，1；1，1，1；1，1，1]；

step5：通過聚類準(zhǔn)則來進(jìn)行模糊分類，采用基于區(qū)域增長算法的自適應(yīng)閾值處理,在每次分割中使用的都是最優(yōu)閾值,基于區(qū)域增長的自適應(yīng)閾值是根據(jù)逐步計算的結(jié)果得到的,遞進(jìn)地使閾值減小可看到分割區(qū)域的增大,但每次增長的變化量是逐漸地減少的,而使區(qū)域增長最小的閾值即是最優(yōu)結(jié)果；

fk(x,μ,v)是類內(nèi)誤差的加權(quán)平方和目標(biāo)函數(shù)；μij是模糊劃分矩陣，用式(10)來計算；vi是模糊聚類中心，用式(11)來計算；dij是類間距離；c聚類類別數(shù)；

而且μij需要滿足下面三個約束條件：

通過交通控制算法將采集信息數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換：采集被驗(yàn)證的交通控制算法所要應(yīng)用的道路區(qū)域的交通狀態(tài)信息數(shù)據(jù)，對采集到的交通狀態(tài)信息數(shù)據(jù)依照各類檢測設(shè)備的數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換，得到仿真數(shù)據(jù)；然后對仿真數(shù)據(jù)進(jìn)行篩選、預(yù)處理后儲存在數(shù)據(jù)庫模塊中；

所述消除數(shù)據(jù)預(yù)處理，舍棄添加零點(diǎn)位置處的數(shù)據(jù)，得到的反射參數(shù)和傳輸參數(shù)除以窗函數(shù)，消除加窗產(chǎn)生的影響，得到最終的補(bǔ)償后的反射參數(shù)fs11_c(i)和傳輸參數(shù)fs21_c(i)：

(i＝1,2…)；

w(i)數(shù)據(jù)預(yù)處理中的窗函數(shù)；

搭建仿真路網(wǎng)：根據(jù)采集到的交通狀態(tài)信息數(shù)據(jù)，在交通仿真軟件模塊上利用交通仿真軟件其路網(wǎng)搭建功能搭建仿真路網(wǎng)；利用交通仿真軟件中的道路編輯功能將采集得到的實(shí)際道路的硬件信息，在仿真路網(wǎng)上布設(shè)擬真交通檢測設(shè)備及擬真交通控制設(shè)備，給定交通仿真軟件模塊初始交通狀態(tài)信息；

實(shí)現(xiàn)復(fù)雜交通控制實(shí)施在線驗(yàn)證：擬真交通檢測設(shè)備繼續(xù)采集實(shí)時數(shù)據(jù)，構(gòu)成的回路，實(shí)現(xiàn)對全過程的仿真驗(yàn)證；擬真交通檢測設(shè)備在線采集交通控制方案實(shí)施后的交通狀態(tài)信息，與初次采集被驗(yàn)證的交通控制算法所要應(yīng)用的道路區(qū)域的交通狀態(tài)信息數(shù)據(jù)進(jìn)行比較，實(shí)現(xiàn)復(fù)雜交通控制算法的實(shí)時在線驗(yàn)證。

進(jìn)一步，所述實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息包括圖像數(shù)據(jù)的采集，其中，所述圖像數(shù)據(jù)分為正常組和異常組兩組，通過監(jiān)測識別裝置采集，再采用彌散加權(quán)序列得到彌散圖像數(shù)據(jù)；所述實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息的方法包括如下步驟：

步驟一，將所述彌散圖像數(shù)據(jù)進(jìn)行預(yù)處理：

步驟二，提取步驟一得出的每個個體的所述各向異性圖像、平均擴(kuò)散率圖像和徑向彌散率圖像的特征；

步驟三，對步驟二所得的存在顯著差異的區(qū)域進(jìn)行多變量分析。

進(jìn)一步，所述步驟一，將所述彌散圖像數(shù)據(jù)進(jìn)行預(yù)處理，具體包括：

1)，用基于linux的fsl軟件對所述彌散圖像數(shù)據(jù)進(jìn)行去渦流處理和圖像矯正；

2)，對經(jīng)所述1)處理得出的圖像進(jìn)行去噪處理；

3)，對經(jīng)所述2)處理得出的圖像進(jìn)行彌散張量擬合，得出各向異性圖像、平均擴(kuò)散率圖像、徑向彌散率圖像；

4)，將所述各向異性圖像通過非線性配準(zhǔn)方法配準(zhǔn)到標(biāo)準(zhǔn)空間；

5)，將所有配準(zhǔn)到標(biāo)準(zhǔn)空間的所述各向異性圖像進(jìn)行平均得到平均各向異性圖像；

6)，將所述平均各向異性圖像進(jìn)行標(biāo)準(zhǔn)化，得到仿真圖像。

所述步驟二中，提取步驟一得出的每個個體的所述各向異性圖像、平均擴(kuò)散率圖像和徑向彌散率圖像的特征，具體包括：

將各個體的各向異性圖像、平均擴(kuò)散率圖像、徑向彌散率圖像分別進(jìn)行逐體置換檢驗(yàn)并以外界環(huán)境因素作為協(xié)變量得到檢驗(yàn)后的圖像；

將所述檢驗(yàn)后的圖像設(shè)置閾值，得到所述正常組和所述正常組的向異性值、平均擴(kuò)散率值、徑向彌散率值存在顯著差異的區(qū)域。

進(jìn)一步，所述步驟三中，對步驟二所得的存在顯著差異的區(qū)域進(jìn)行多變量分析，具體包括：

分別對所述存在顯著差異的區(qū)域中的各向異性值、平均擴(kuò)散率值、徑向彌散率值進(jìn)行平均，得到所述存在顯著差異的區(qū)域中的平均各向異性值、平均平均擴(kuò)散率值、平均徑向彌散率值；

基于matlab軟件將所述的平均各向異性值、平均平均擴(kuò)散率值、平均徑向彌散率值作為特征輸入到線性支持向量機(jī)中，通過留一法對線性支持向量機(jī)進(jìn)行訓(xùn)練，最終得出特征所在的區(qū)域，從而得到與失真有關(guān)的區(qū)域。

進(jìn)一步，所述通過留一法對線性支持向量機(jī)進(jìn)行訓(xùn)練的具體包括：

用n表示數(shù)據(jù)樣本中的個體總數(shù)，而各個體都有m個特征量，而各個體的類屬性都是已知的；將得到的數(shù)據(jù)樣本分為兩組，一組是測試集，包含一個個體，一組是訓(xùn)練集，包括除測試集中所含個體外的所有圖像，共n-1個個體；

用所述訓(xùn)練集訓(xùn)練所述線性支持向量機(jī)，得出訓(xùn)練后支持向量機(jī)：根據(jù)以下公式計算得到權(quán)值向量w，w為一個m維列向量，其中的每個元素對應(yīng)一個特征量；

yi(w^txi+b)-1+ξi≥0

s.t.ξi≥0；

其中，γ是懲罰參數(shù)，用來實(shí)現(xiàn)算法復(fù)雜度和錯分樣本數(shù)的折中；ξi測量錯分程度；yi為每個人的類屬性；xi為每個個體的特征向量；b為常數(shù)；

用已知類屬性的所述測試集來評估所述訓(xùn)練后支持向量機(jī)的性能：用所述訓(xùn)練后支持向量機(jī)來判斷所述測試集的類屬性，所述訓(xùn)練后支持向量機(jī)會給出屬性標(biāo)簽1或-1，其中1為異常，-1為正常，通過所述訓(xùn)練后支持向量機(jī)得出的判斷結(jié)果與所述測試集的實(shí)際類屬性相比較，兩者若一致，則所述訓(xùn)練后支持向量機(jī)分類正確，否則，則分類錯誤；

重新將n個個體分為測試集和訓(xùn)練集，所述測試集包含一個個體，且該個體與前一次測試的測試集中的個體不相同，余下的所有個體作為訓(xùn)練集，然后按照訓(xùn)練所述線性支持向量機(jī)，得出訓(xùn)練后支持向量機(jī)，然后再評估得出的所述訓(xùn)練后支持向量機(jī)的性能；重復(fù)n-1次后停止；

將每個特征的n次權(quán)值求平均權(quán)值，并依據(jù)平均權(quán)值將特征由大到小進(jìn)行排序，去除排序最低的特征量；

所得出的該輪n次測試中的分類正確率和上一輪n次測試的分類正確率比較的結(jié)果判斷是否停止：如果該輪n次測試的分類正確率大于或等于上一輪n次測試的分類正確率，則返回執(zhí)行將每個特征的n次權(quán)值求平均權(quán)值，并依據(jù)平均權(quán)值將特征由大到小進(jìn)行排序，去除排序最低的特征量步驟，否則停止。

本發(fā)明另一目的在于提供一種實(shí)時在線驗(yàn)證復(fù)雜交通控制系統(tǒng)。

本發(fā)明的優(yōu)點(diǎn)及積極效果為：該方法可以通過多種方式采集交通信息，在高擬真情況下，實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息提供給擬真交通控制設(shè)備，由擬真交通控制設(shè)備根據(jù)被驗(yàn)證算法生成交通控制方案，重新應(yīng)用于仿真環(huán)境，不斷循環(huán)，進(jìn)而對復(fù)雜交通控制算法進(jìn)行實(shí)時在線驗(yàn)證的方法。同時可以對復(fù)雜的交通控制進(jìn)行實(shí)時的、在線的仿真驗(yàn)證，對于復(fù)雜交通控制方法可以安全、有效地應(yīng)用于實(shí)際不同交通狀況。本發(fā)明的定位系統(tǒng)采用北斗衛(wèi)星或者gps衛(wèi)星。

附圖說明

圖1是本發(fā)明實(shí)施提供的實(shí)時在線驗(yàn)證復(fù)雜交通控制方法流程圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

下面結(jié)合附圖及具體實(shí)施例對本發(fā)明作詳細(xì)描述。

本發(fā)明實(shí)施提供的實(shí)時在線驗(yàn)證復(fù)雜交通控制方法，所述實(shí)時在線驗(yàn)證復(fù)雜交通控制方法通過多種方式采集交通信息，在高擬真情況下，實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息提供給擬真交通控制設(shè)備；由擬真交通控制設(shè)備根據(jù)被驗(yàn)證算法生成交通控制方案，重新應(yīng)用于仿真環(huán)境，不斷循環(huán)，進(jìn)而對復(fù)雜交通控制算法進(jìn)行實(shí)時在線驗(yàn)證。

如圖1所示，本發(fā)明實(shí)施提供的所述的實(shí)時在線驗(yàn)證復(fù)雜交通控制方法具體包括：

s101：安裝監(jiān)測識別裝置：將車輛識別裝置與車輛連接，識別車輛標(biāo)識信息；

s102：采集信息：通過接收信息裝置接收車輛定位信息和車輛標(biāo)識信息，其中車輛定位信息通過定位系統(tǒng)獲得；車輛標(biāo)識信息包括車輛牌照信息、車輛類型以及車輛的全球定位系統(tǒng)的標(biāo)識符或者其他相關(guān)標(biāo)識信息；

s103：通過交通控制算法將采集信息數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換：采集被驗(yàn)證的交通控制算法所要應(yīng)用的道路區(qū)域的交通狀態(tài)信息數(shù)據(jù)，對采集到的交通狀態(tài)信息數(shù)據(jù)依照各類檢測設(shè)備的數(shù)據(jù)格式進(jìn)行轉(zhuǎn)換，得到仿真數(shù)據(jù)；然后對仿真數(shù)據(jù)進(jìn)行篩選、預(yù)處理后儲存在數(shù)據(jù)庫模塊中；

s104：搭建仿真路網(wǎng)：根據(jù)采集到的交通狀態(tài)信息數(shù)據(jù)，在交通仿真軟件模塊上利用交通仿真軟件其路網(wǎng)搭建功能搭建仿真路網(wǎng)；利用交通仿真軟件中的道路編輯功能將采集得到的實(shí)際道路的硬件信息，在仿真路網(wǎng)上布設(shè)擬真交通檢測設(shè)備及擬真交通控制設(shè)備，給定交通仿真軟件模塊初始交通狀態(tài)信息；

s105：實(shí)現(xiàn)復(fù)雜交通控制實(shí)施在線驗(yàn)證：擬真交通檢測設(shè)備繼續(xù)采集實(shí)時數(shù)據(jù)，構(gòu)成的回路，實(shí)現(xiàn)對全過程的仿真驗(yàn)證；擬真交通檢測設(shè)備在線采集交通控制方案實(shí)施后的交通狀態(tài)信息，與初次采集被驗(yàn)證的交通控制算法所要應(yīng)用的道路區(qū)域的交通狀態(tài)信息數(shù)據(jù)進(jìn)行比較，實(shí)現(xiàn)復(fù)雜交通控制算法的實(shí)時在線驗(yàn)證。

所述安裝監(jiān)測識別裝置采用二維多尺度離散正交小波變換對所采集的車輛圖像進(jìn)行非均勻光照補(bǔ)償?shù)膶?shí)現(xiàn)方法為：

設(shè)f(x,y)為車輛圖像信號，其反射分量和光照分量分別為r(x,y)和i(x,y)，并定義車輛圖像的二維多尺度離散正交小波變換為：

式中，sjf(n,m)是f(x,y)的低頻分量；分別代表f(x,y)的垂直、對角和水平高頻分量，車輛圖像信號與其反射分量和光照分量之間的關(guān)系可以用式(2)來表示：

f(x,y)＝r(x,y)×i(x,y)(2)

將兩邊取對數(shù)后，等式右邊的乘積關(guān)系轉(zhuǎn)變?yōu)榧臃P(guān)系，得式(3)：

lgf(x,y)＝lgr(x,y)+lgi(x,y)(3)

具體步驟如下：

step1：對空間域中的車輛圖像f(x,y)進(jìn)行對數(shù)變換，得到對數(shù)域中的車輛圖像f′(x,y)；

step2：對f′(x,y)進(jìn)行多級二維多尺度離散正交小波變換，得到低頻分量sjf(n,m)，垂直、對角和水平高頻分量分別為對得到的分量進(jìn)行高通濾波獲得圖像的高頻部分；

step3：提取出第n級高頻近似分量wnf(n,m)；

step4：對wnf(n,m)進(jìn)行n級二維離散小波重建，得到對數(shù)域車輛圖像f′(x,y)的重建圖像

step5：從f′(x,y)中減去后再加上標(biāo)準(zhǔn)光照，得到光照補(bǔ)償后的圖像其中δu為標(biāo)準(zhǔn)光照,標(biāo)準(zhǔn)光照是指環(huán)境中的照度為2000-3000流明，且不受其它光線或顏色的干擾的光照。

所述接收信息裝置利用車輛顏色混合高斯模型對車輛進(jìn)行分割，把接近于車輛顏色的區(qū)域從圖像中分離出來的實(shí)現(xiàn)方法為：

step1：根據(jù)車輛顏色在ycbcr色度空間的高斯分布，對彩色圖像中每個像素點(diǎn)，利用式(4)將其從rgb色彩空間轉(zhuǎn)換到y(tǒng)cbcr空間后，計算該點(diǎn)屬于車輛顏色區(qū)域的概率，即根據(jù)該點(diǎn)離高斯分布中心的遠(yuǎn)近得到和車輛顏色的相似度，將彩色圖像轉(zhuǎn)化為灰度圖，其中每個像素點(diǎn)的灰度與該點(diǎn)顏色的相似度對應(yīng)，利用式(5)來建立車輛顏色的2d高斯模型：

其中，是cb,cr的均值；v是協(xié)方差矩陣；n為車輛像素點(diǎn)的總數(shù)，左臉顏色高斯密度函數(shù)為：

右臉顏色高斯密度函數(shù)為：

其中，和分別為左右臉的方差；kl與kr分別為左右臉高斯模型常數(shù)，

step2：建立車輛高斯模型后，設(shè)計一個基于顏色核心和模糊分割的皮膚分類器對彩色圖像進(jìn)行皮膚分割，輸入為原始圖像，輸出是表示皮膚和非皮膚區(qū)域的皮膚分割二值圖像；

step3：通過式(8)定義色度顏色，以對f(r,g,b)＝g(r,b)標(biāo)準(zhǔn)化處理，將周圍光線所引起的車輛區(qū)域亮度的變化去除，沒有亮度分量時也可以認(rèn)為是純色，其中式(8)為：

通過計算,得到式(5)中m的值為[117.4316148.5599]；

step4：從100幅彩色圖像中得到皮膚樣本ycbcr色度空間中確定人類顏色的顏色分布，顏色樣本從彩色圖像中選取，并通過一個低通濾波器減小樣本中噪聲干擾，低通濾波器的脈沖響應(yīng)為：

1/9[1，1，1；1，1，1；1，1，1]；

step5：通過聚類準(zhǔn)則來進(jìn)行模糊分類，采用基于區(qū)域增長算法的自適應(yīng)閾值處理,在每次分割中使用的都是最優(yōu)閾值,基于區(qū)域增長的自適應(yīng)閾值是根據(jù)逐步計算的結(jié)果得到的,遞進(jìn)地使閾值減小可看到分割區(qū)域的增大,但每次增長的變化量是逐漸地減少的,而使區(qū)域增長最小的閾值即是最優(yōu)結(jié)果；

fk(x,μ,v)是類內(nèi)誤差的加權(quán)平方和目標(biāo)函數(shù)；μij是模糊劃分矩陣，用式(10)來計算；vi是模糊聚類中心，用式(11)來計算；dij是類間距離；c聚類類別數(shù)；

而且μij需要滿足下面三個約束條件：

所述消除數(shù)據(jù)預(yù)處理，舍棄添加零點(diǎn)位置處的數(shù)據(jù)，得到的反射參數(shù)和傳輸參數(shù)除以窗函數(shù)，消除加窗產(chǎn)生的影響，得到最終的補(bǔ)償后的反射參數(shù)fs11_c(i)和傳輸參數(shù)fs21_c(i)：

(i＝1,2…)；

w(i)數(shù)據(jù)預(yù)處理中的窗函數(shù)；

所述實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息包括圖像數(shù)據(jù)的采集，其中，所述圖像數(shù)據(jù)分為正常組和異常組兩組，通過監(jiān)測識別裝置采集，再采用彌散加權(quán)序列得到彌散圖像數(shù)據(jù)；所述實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息的方法包括如下步驟：

步驟一，將所述彌散圖像數(shù)據(jù)進(jìn)行預(yù)處理：

步驟二，提取步驟一得出的每個個體的所述各向異性圖像、平均擴(kuò)散率圖像和徑向彌散率圖像的特征；

步驟三，對步驟二所得的存在顯著差異的區(qū)域進(jìn)行多變量分析。

進(jìn)一步，所述步驟一，將所述彌散圖像數(shù)據(jù)進(jìn)行預(yù)處理，具體包括：

1)，用基于linux的fsl軟件對所述彌散圖像數(shù)據(jù)進(jìn)行去渦流處理和圖像矯正；

2)，對經(jīng)所述1)處理得出的圖像進(jìn)行去噪處理；

3)，對經(jīng)所述2)處理得出的圖像進(jìn)行彌散張量擬合，得出各向異性圖像、平均擴(kuò)散率圖像、徑向彌散率圖像；

4)，將所述各向異性圖像通過非線性配準(zhǔn)方法配準(zhǔn)到標(biāo)準(zhǔn)空間；

5)，將所有配準(zhǔn)到標(biāo)準(zhǔn)空間的所述各向異性圖像進(jìn)行平均得到平均各向異性圖像；

6)，將所述平均各向異性圖像進(jìn)行標(biāo)準(zhǔn)化，得到仿真圖像。

所述步驟二中，提取步驟一得出的每個個體的所述各向異性圖像、平均擴(kuò)散率圖像和徑向彌散率圖像的特征，具體包括：

將各個體的各向異性圖像、平均擴(kuò)散率圖像、徑向彌散率圖像分別進(jìn)行逐體置換檢驗(yàn)并以外界環(huán)境因素作為協(xié)變量得到檢驗(yàn)后的圖像；

將所述檢驗(yàn)后的圖像設(shè)置閾值，得到所述正常組和所述正常組的向異性值、平均擴(kuò)散率值、徑向彌散率值存在顯著差異的區(qū)域。

所述步驟三中，對步驟二所得的存在顯著差異的區(qū)域進(jìn)行多變量分析，具體包括：

分別對所述存在顯著差異的區(qū)域中的各向異性值、平均擴(kuò)散率值、徑向彌散率值進(jìn)行平均，得到所述存在顯著差異的區(qū)域中的平均各向異性值、平均平均擴(kuò)散率值、平均徑向彌散率值；

基于matlab軟件將所述的平均各向異性值、平均平均擴(kuò)散率值、平均徑向彌散率值作為特征輸入到線性支持向量機(jī)中，通過留一法對線性支持向量機(jī)進(jìn)行訓(xùn)練，最終得出特征所在的區(qū)域，從而得到與失真有關(guān)的區(qū)域。

所述通過留一法對線性支持向量機(jī)進(jìn)行訓(xùn)練的具體包括：

用n表示數(shù)據(jù)樣本中的個體總數(shù)，而各個體都有m個特征量，而各個體的類屬性都是已知的；將得到的數(shù)據(jù)樣本分為兩組，一組是測試集，包含一個個體，一組是訓(xùn)練集，包括除測試集中所含個體外的所有圖像，共n-1個個體；

用所述訓(xùn)練集訓(xùn)練所述線性支持向量機(jī)，得出訓(xùn)練后支持向量機(jī)：根據(jù)以下公式計算得到權(quán)值向量w，w為一個m維列向量，其中的每個元素對應(yīng)一個特征量；

yi(w^txi+b)-1+ξi≥0

s.t.ξi≥0；

其中，γ是懲罰參數(shù)，用來實(shí)現(xiàn)算法復(fù)雜度和錯分樣本數(shù)的折中；ξi測量錯分程度；yi為每個人的類屬性；xi為每個個體的特征向量；b為常數(shù)；

用已知類屬性的所述測試集來評估所述訓(xùn)練后支持向量機(jī)的性能：用所述訓(xùn)練后支持向量機(jī)來判斷所述測試集的類屬性，所述訓(xùn)練后支持向量機(jī)會給出屬性標(biāo)簽1或-1，其中1為異常，-1為正常，通過所述訓(xùn)練后支持向量機(jī)得出的判斷結(jié)果與所述測試集的實(shí)際類屬性相比較，兩者若一致，則所述訓(xùn)練后支持向量機(jī)分類正確，否則，則分類錯誤；

重新將n個個體分為測試集和訓(xùn)練集，所述測試集包含一個個體，且該個體與前一次測試的測試集中的個體不相同，余下的所有個體作為訓(xùn)練集，然后按照訓(xùn)練所述線性支持向量機(jī)，得出訓(xùn)練后支持向量機(jī)，然后再評估得出的所述訓(xùn)練后支持向量機(jī)的性能；重復(fù)n-1次后停止；

將每個特征的n次權(quán)值求平均權(quán)值，并依據(jù)平均權(quán)值將特征由大到小進(jìn)行排序，去除排序最低的特征量；

所得出的該輪n次測試中的分類正確率和上一輪n次測試的分類正確率比較的結(jié)果判斷是否停止：如果該輪n次測試的分類正確率大于或等于上一輪n次測試的分類正確率，則返回執(zhí)行將每個特征的n次權(quán)值求平均權(quán)值，并依據(jù)平均權(quán)值將特征由大到小進(jìn)行排序，去除排序最低的特征量步驟，否則停止。

本發(fā)明的方法可以通過多種方式采集交通信息，在高擬真情況下，實(shí)時獲取連續(xù)的擬真交通狀態(tài)信息提供給擬真交通控制設(shè)備，由擬真交通控制設(shè)備根據(jù)被驗(yàn)證算法生成交通控制方案，重新應(yīng)用于仿真環(huán)境，不斷循環(huán)，進(jìn)而對復(fù)雜交通控制算法進(jìn)行實(shí)時在線驗(yàn)證的方法。同時可以對復(fù)雜的交通控制進(jìn)行實(shí)時的、在線的仿真驗(yàn)證，對于復(fù)雜交通控制方法可以安全、有效地應(yīng)用于實(shí)際不同交通狀況。本發(fā)明的定位系統(tǒng)采用北斗衛(wèi)星或者gps衛(wèi)星。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。