[发明专利]一种智能交通仿真集成系统

权利要求书

1.一种智能交通仿真集成系统，其特征在于，所述智能交通仿真集成系统设置有：

车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器、交通灯杆横梁及交通灯杆；

所述车距检测仪安装在交通灯杆横梁上；所述车速检测仪安装在交通灯杆横梁上；所述照明灯安装在交通灯杆横梁上；所述摄像头安装在交通灯杆横梁上，所述红灯停止线感应器设置在红灯停止线上；所述信息采集器安装在交通灯杆上；所述信息处理器安装在交通灯杆上；所述数据设置显示器安装在交通灯杆上；所述报警器安装在交通灯杆上的下端；所述交通灯杆横梁焊接在交通灯杆上；所述交通灯杆安装在道路旁的地上；

所述车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器、信息采集器、信息处理器、数据设置显示器、报警器均通过导线连接于外部电源；

车距检测仪用于检测前后行驶的两车安全车距；

通过车速检测仪用于检测行驶车辆的车速；

摄像头用于记录道路行车的录像；

照明灯用于给道路照明；

通过红灯停止线感应器用于感应红灯亮起后车辆是否过线；

信号采集器用于采集车距检测仪、车速检测仪、照明灯、摄像头、红灯停止线感应器的信号；

数据处理器用于处理采集器采集到的数据；

数据设置器用于设定车距、车速信息的安全值；当所测定数据超过安全值时，通过报警器来报警，提醒行驶车辆和交警；

所述车距检测仪集成有车距定位模块；车距定位模块的距离定位方法包括：

步骤一：首先假定未知节点随机分布在一方形区域内，以方形区域中心点为原点建立坐标系，以固定间隔R画出螺旋线作为锚节点的移动路径，区域长为L，螺旋线分为n段，移动锚节点装备双向定向天线移动，按固定角速度ω移动，且定向天线中心轴始终与移动方向垂直，移动路径为固定多层螺旋线，移动过程是由内而外，在坐标原点左侧坐标处开始计时移动，由00：00开始，周期性广播数据包，持续这个过程直到锚节点移动到右侧(R·n/2，0)坐标点时终止；

步骤二、随着锚节点的移动，待定位节点将集中接收到锚节点广播的数据包，当第一次接收到数据包时，将第一次接收到数据包时的时刻值标记为T₁⁽¹⁾，并检测第一次接收到数据包时的信号强度值，记为RSSI₁⁽¹⁾；当第二次接收到数据包时，将第二次接收到数据包时的时刻值标记为T₂⁽¹⁾，并检测第二次接收到数据包时的信号强度值，记为RSSI₂⁽¹⁾；重复以上过程，直到不再检测到数据包为止；最后检测到的时刻值为T_n⁽¹⁾，信号强度值为RSSI_n⁽¹⁾；

步骤三、未知节点根据T₁⁽¹⁾，T_n⁽¹⁾及角速度ω计算出目前所处圆弧段及角度，得虚拟锚节点中间点的角度及当未知节点分布在螺旋线外侧时，只接收到一轮数据包，而当未知节点分布在螺旋线内侧时，集中接收到两轮数据包，分别位于不同弧段的相同角度方向，第二轮接收到的时刻值和信号强度分别标记为T₁⁽²⁾，和第二轮计算过程与第一轮相同，得到中间点角度及值；

步骤四、每个未知节点若只检测到一轮数据，则定位于该未知节点圆弧外侧距离d1的位置，d1由信号衰落模型转化得出，然后根据角度值确定该未知节点坐标；若检测到两轮数据，则根据RSSI值较小的轮次信息来确定该未知节点坐标，RSSI越小，对应距离越大，进而待定位节点所接收到的数据越多；

步骤五，确定出未知节点坐标后，使用移动最小二乘法的拉普拉斯抠图矩阵用移动最小二乘法替代最小二乘法构造拉普拉斯矩阵，并使用KNN邻域替代空间邻域，获取非邻域像素在alpha图上的线性关系，从而计算出移动拉氏矩阵，并得到alpha图；

待定位节点P的坐标计算方法为：

利用公式(1)计算出第k轮次的中间时刻点：

其中，n为第k轮次中接收到的数据包次数；

然后利用公式(2)计算出中间点的角度值：

θr(k)=180π×ω×Tr(k)---(2)]]>

同理其信号强度值为：

根据RSSI测距模型公式：

RSSI＝-(A+10n lg d)(4)

计算出该时刻锚节点与待定位节点之间的距离d_k，式中A为距离发射节点1m处接收信号强度的绝对值，n是路径损耗系数，当未知节点只接收到一轮数据时，d＝d₁；当未知节点接收到两轮数据时，取

d=d1,d1<d2-d2,d1≥d2---(5)]]>

然后，设未知节点坐标为(x_i，y_i)，根据式(6)计算出该未知节点所在弧段的半径，

r＝R·m/2+d(6)

其中

最后，根据以上计算所得，代入待定位节点p_i的坐标公式：

至此，求出P点的坐标后，该点的定位过程结束，其他待定位节点均实施上述方法，完成自身的定位过程；

构造抠图拉氏矩阵时，使用移动最小二乘法替代最小二乘法得到alpha图上的线性关系，所述移动最小二乘抠图的方法如下：

在灰度图像中，窗口w_i的邻域内alpha值满足局部线性条件，使用移动最小二乘法求解局部线性关系，表示如下：

J(α,a,b)=Σj∈I(Σi∈wjωi2(αi-ajIi-bj)2+ϵaj2)ωi=k(i-j)2---(8)]]>

公式(8)中权值ω，ω_i是邻域w_k中的权值；式(8)表示为以下矩阵的形式：

j(α)=ΣkWk2||Gk*akbk-a‾k||2;]]>

对于每个邻域w_k，G_k定义为||w_k||×2矩阵；G_k每行包括向量(I_i，1)，W_k是每行向量对应的权值ω_i组成的向量，G_k’为G_k的W_k加权，对应的每行向量表示为(W_k，I_i，W_k)，是邻域内所有像素对应的alpha值组成的向量；

系数a_k，b_k解得如下所示：

(ak,bk)=argmin(Wk*(Gk*akbk-a‾k)2)=(Gk′TGk′)-1Gk′TWka‾kGk′=Wk*Gk;]]>

令J(α)表示为下式：

J(α)=ΣkakTG‾k′TG‾k′ak=akTLak;]]>

L=Wk*2δi,j+1-2Wk||wk||(1+1σk2+ϵ||wk||(Ii-μk)(Ij-μk));]]>

δ_i，j是Kronecker delta函数，μ_k和σ²分别是小窗口w_k内的基于W_k的加权均值和方差，||w_k||是窗口内像素的个数，L为移动拉氏抠图矩阵。