CN103810854A - 一种基于人工标定的智能交通算法评估方法 - Google Patents

Abstract

本发明涉及一种基于人工标定的智能交通算法评估方法，包括：建立交通视频数据库；利用ViPER软件对交通视频进行人工标定；将标定的参数保存为XML格式的文件，并将其导出；对XML文件进行数据分析，获取所需交通参数；完善交通视频数据库；对待验证算法进行评估。本发明通过人工识别和标定交通视频中车辆/行人/交通标志的时间—位置信息，由计算机自动获取交通参数，与基于计算机视觉的交通参数智能算法相比，大大提高了交通参数的精度。建立了多种交通参数智能算法的评估平台，可以对待验证算法进行多场景、多参数、全方面的验证评估。评估方法准确可靠，对被评估算法的改进和完善具有一定的指导作用。

Description

一种基于人工标定的智能交通算法评估方法

技术领域

本发明属机器视觉与智能控制领域，是一种利用计算机技术、图像处理技术、数据库技术等对智能交通算法进行评估的方法。

背景技术

随着公路交通基础设施的逐渐完善和私人汽车数量的增加，道路交通问题日益严重。近年来，交通事故频繁，道路交通事故造成的生命和财产损失越来越引起人们的关注。据统计：2008年，全国共发生道路交通事故265204起，造成73484人死亡，304919人受伤，直接财产损失10.1亿元；2009年，全国共发生道路交通事故238351起，造成67759人死亡，275125人受伤，直接财产损失9.1亿元；2010年，全国共发生道路交通事故3906164起，造成65225人死亡，254075人受伤，直接财产损失9.3亿元。为了最大限度地减少道路交通事故造成的生命和财产损失，在过去的几十年中，国内外专家和学者都在积极开展有关智能交通***（ITS）的研究工作。

近年来，众多基于计算机视觉的智能交通算法应运而生，它们运用计算机和图像处理等技术，完成对包括车辆数、车速、车型等交通参数的自动检测。算法不同，精度也不同。尽管各种智能算法公布的准确率大多在90%以上，但由于迄今为止还没有一个统一、准确、可靠的验证平台和评估方法，无法验证各种算法公布的准确度是否可信，也就很难对各种算法的优劣进行比较评判。

发明内容

针对上述问题，本发明提出一种基于人工标定的智能交通算法评估方法，基于人工标定的数据，获取准确的交通参数，并将其与待评估的智能算法得到的交通参数进行对比，得到该算法的准确度，从而评价该算法性能的优劣。

本发明所涉及的硬件设备包括PC机、摄像机及相对应的采集卡。摄像机拍摄的视频导入PC机，并转化为通用格式的视频文件，如MPG格式。人工标定部分需应用开源软件ViPER，该软件可以人工手动地逐帧标注目标单位在视频中所处的位置，本发明应用该软件进行交通单位（车辆/行人/交通标志）的时间—位置数据标定。

一种基于人工标定的智能交通算法评估方法，包括以下步骤：

步骤1，建立交通视频数据库。

收集多场景、不同环境下的交通视频，视频分类如下：

不同地点：快速路，交叉路口，高速路口匝道等；

不同时段：早高峰，晚高峰，白天，傍晚等；

不同环境：无阴影，光照阴影明显，雾，雨雪天气等；

不同目标：车辆，行人，交通标志等；

每段时长10～60分钟不等，可以满足多种算法的验证需求。

步骤2，利用ViPER软件对交通视频进行人工标定。

步骤2.1，载入待标定的交通视频。

步骤2.2，设定要标定的参数，包括名称、标注框种类等。

步骤2.3，人工标定交通视频中的各个单位的时间—位置信息。

人工标定的信息包括：单位编号；类别：1—车辆，2—行人，3—交通标志；单位在视频中持续的帧数；单位区域的左上角点坐标（X，Y）；单位区域的横向宽度Width、纵向高度Height。

步骤3，导出人工标定的数据。

将在ViPER软件中标定的数据保存为XML格式的文件，并将其导出。

步骤4，对步骤3所述XML文件进行数据分析，获取所需的交通参数。

步骤4.1，形成车辆行进轨迹。

读取标定信息，将由X、Y、Width、Height所构成的矩形框中心（X+Width/2，Y+Height/2）视为车辆所在位置，连结各个时间点的车辆位置，形成车辆行进轨迹。

步骤4.2，计算车辆数。

（1）根据视频设定车道数和虚拟线圈，线圈宽度与车道同宽，长度不小于一个车身长度。

（2）根据车辆与虚拟线圈的几何关系，进行分车道车辆计数。

如图1所示，四边形ABCD为设定的虚拟线圈，车辆V由AB边驶入CD边驶出。车辆位置与虚拟线圈四个顶点存在几何关系VA+VB-AB≥0，VC+VD-CD≥0。VA+VB-AB的最小值点对应车辆进入该虚拟线圈的时刻，VC+VD-CD的最小值点对应车辆驶出虚拟线圈的时刻，据此可以判断车辆驶入或驶出线圈的行为及进入和驶出的时刻。

若某车对同一虚拟线圈完成驶入驶出行为，进行一次对该车道的车辆计数。该车道车辆数+1。

若某车辆驶入某虚拟线圈，但未驶出任何虚拟线圈，则认为该车行驶异常，不计数。

若某车辆驶入某虚拟线圈，但从另一虚拟线圈驶出，则认为该车进行换道行为，其驶出的虚拟线圈计数+1。

步骤4.3，计算车间距、平均车间距。

根据摄像机标定，获得视频中道路所对应的实际长度。由相邻矩形框坐标位置相减得到车间距，平均车间距为统计一段时间内的车间距均值。

步骤4.4，计算车速、平均车速。

根据摄像机标定，获得所画虚拟线圈所对应的实际距离，按照步骤4.2所述方法得到每辆车进入及驶出虚拟线圈的时刻，由距离/时间得到车辆行驶速度。统计一段时间内，所有经过虚拟线圈的车辆的速度，获取其平均速度。

步骤4.5，计算车辆排队长度。

车辆排队是一种交通波，因此排队长度不同于车辆的存在性判断，不仅与场景中的每辆车的当前位置、速度信息相关，也与其历史信息相关，仅从单幅图像或视频中的某一帧中并不能获取准确的排队长度。本发明基于多帧、长时间段的人工标定计算车辆排队长度，具体方法如下：

设定停车线位置，利用步骤1所获得的每辆车的时间—位置信息绘制其距停车线距离与时间的关系曲线，如图2所示，每条线对应一辆车。到达交叉路口的排队车辆经过行驶—停车等待—继续行驶3个阶段，停车与启动的分界点称为拐点。拟合车道内的每辆车的拐点得到整个车道的停车波A(t)与启动波B(t)，即交通波，如图3所示，原点对应停车线位置。根据交通波与排队长度的关系计算排队长度和停车延误：

QL(t)=TL(t)-HL(t)

式中，t为时间，QL(t)为排队长度，TL(t)为队尾与停车线距离，HL(t)为对头与停车线距离。

步骤4.6，获取交通标志位置信息。

读取车载视频标注的交通标志信息，获取交通标志在每一时刻的位置，通过摄像机标定，拟合出实际距离对应图像中的长度关系，由交通标志的位置信息转化为实际距离信息，实时显示该交通标志与行驶车辆之间的距离。

步骤4.7，按照步骤4.1的方法形成行人轨迹。

步骤5，完善交通视频数据库。

将步骤1中的每段交通视频按照步骤2和步骤3所述方法进行人工标定，然后按照步骤4所述方法计算每段视频中的交通参数，原始视频及其对应的人工标定数据和交通参数共同组成用于算法评估的交通视频数据库。

步骤6，对待验证算法进行评估。

选取视频数据库中的同一段多或段视频，应用待验证算法测量上述交通参数，将测量结果与数据库中的交通参数进行比对，计算测量的准确度，由此判断待验证算法的准确性。

与现有技术相比，本发明具有以下优点：

1.本发明通过人工识别和标定交通视频中的车辆/行人/交通标志的时间—位置信息，由计算机自动获取交通参数，与基于计算机视觉的交通参数智能算法相比，大大提高了交通参数计算的精度；与纯人工记录的方法相比，效率更高，且易于存储，还可避免一些人工操作容易出现的误差。

2.本发明应用包含交通视频以及人工标定数据和交通参数的数据库，可以对待验证交通参数智能算法进行多场景、多参数、全方面的验证评估。由于使用了高精度交通参数，保证了验证评估的准确性和可靠性。本发明所述的评估方法对被评估算法的改进和完善具有一定的指导作用。

附图说明

图1为虚拟线圈计数方法示意图；

图2为排队车辆距停车线距离与时间的关系曲线；

图3为交通波与排队长度关系示意图；

图4为本发明所涉及方法的流程图；

图5为视频中人工标注的车辆时间—位置信息示意图；

图6带有标注信息和虚拟线圈的视频示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

应用本发明对一种分车道计数的图像处理算法进行评估。实施例在安装VC2008和OpenCV2.3.1的PC机上实现。

本发明所述评估方法的流程图如图4所示，包括以下步骤：

步骤1，建立交通视频数据库。

数据库至少包含4种不同环境的交通视频，文件格式为MPG。

步骤2，利用ViPER软件对交通视频进行人工标定。

步骤2.1，载入一段车辆被阳光照射产生阴影的交通视频yinying.mpg。

步骤2.2，设定要标定的参数，标注的车辆名称设定为Vehicle，标注框种类为Bbox（矩形框）。

步骤2.3，人工标注出车辆每个时刻所处的位置。如图5所示。

步骤3，导出人工标定的数据。

在ViPER软件中标定的参数保存为XML格式的文件，将其保存并导出。导出文件名称为yinying-mpg.xml。文件中保存了所有人工标定的单位的时间—位置信息

以某一辆车为例，XML数据文件包括以下参数：

车辆编号ID=0；

类别KIND=1（车辆）；

车辆在视频中持续的帧数framespan=1:45；

详细数据Data：包括每一帧图像车辆区域的左上角点坐标、单位区域的宽度和高度。

步骤4，将存有视频中单位的时间—位置信息的XML文件进行数据分析，以获取所需的交通参数——车辆数（分车道）。

步骤4.1，根据视频设定车道数为4，并设定虚拟线圈，线圈宽度与车道同宽，长度不小于一个车身长度。如图6所示。

步骤4.2，读取XML文件获得分车道计数结果。

四个车道计数结果分别为3,16,27,7。

步骤5，载入其它视频段，按照步骤2～5所述方法分别进行人工标定和参数计算，完善原始视频数据库。其中，一段雪天的交通视频xue.mpg的分车道计数为10，22，26，9，一段清晰的基本无任何环境干扰的交通视频normal.mpg的分车道计数为18，30，39，32。

步骤6，在上述3段相同的视频上运行待验证算法，并获取四个车道计数结果。视频yinying.mpg为3,15,27,6；视频xue.mpg为3，11，10，3；视频normal.mpg为18，30，40，32。将每段视频的真实交通参数与待验证算法测得的交通参数进行对比，评估待验证算法准确性。

对于视频yinying.mpg，待验证算法的处理准确性评估结果为94.87%，基本满足准确性要求。

对于视频xue.mpg，待验证算法的处理准确性评估结果为37.95%，无法满足准确性要求。

对于视频normal.mpg，待验证算法的处理准确性评估结果为99.38%，满足准确性要求。

根据评估结果可以得出如下结论：待验证算法受光照和阴影等影响不大，在雨雪等其它恶劣的天气环境下，算法的精度大大下降，无法满足准确性要求。

Claims (4)

1.一种基于人工标定的智能交通算法评估方法，其特征在于，包括以下步骤：

步骤1，建立交通视频数据库；

收集多场景、不同环境下的交通视频，视频分类如下：

不同地点：快速路，交叉路口，高速路口匝道；

不同时段：早高峰，晚高峰，白天，傍晚；

不同环境：无阴影，光照阴影明显，雾，雨雪天气；

不同目标：车辆，行人，交通标志；

每段时长10～60分钟不等，可以满足多种算法的验证需求；

步骤2，利用ViPER软件对交通视频进行人工标定；

步骤2.1，载入待标定的交通视频；

步骤2.2，设定要标定的数据，包括名称、标注框种类；

步骤2.3，人工标定交通视频中的各个单位即车辆/行人/交通标志的时间—位置信息；

步骤3，导出人工标定的数据；

将在ViPER软件中标定的数据保存为XML格式的文件，并将其导出；

步骤4，对步骤3所述XML文件进行数据分析，获取所需的交通参数；

步骤4.1，形成车辆行进轨迹；

读取标定信息，将由X、Y、Width、Height所构成的矩形框中心（X+Width/2，Y+Height/2）视为车辆所在位置，连结各个时间点的车辆位置，形成车辆行进轨迹；

步骤4.2，计算车辆数；

步骤4.3，计算车间距、平均车间距；

根据摄像机标定，获得视频中道路所对应的实际长度；由相邻矩形框坐标位置相减得到车间距，平均车间距为统计一段时间内的车间距均值；

步骤4.4，计算车速、平均车速；

根据摄像机标定，获得所画虚拟线圈所对应的实际距离，按照步骤4.2所述方法得到每辆车进入及驶出虚拟线圈的时刻，由距离/时间得到车辆行驶速度；统计一段时间内，所有经过虚拟线圈的车辆的速度，获取其平均速度；

步骤4.5，计算车辆排队长度；

步骤4.6，获取交通标志位置信息；

读取车载视频标注的交通标志信息，获取交通标志在每一时刻的位置，通过摄像机标定，拟合出实际距离对应图像中的长度关系，由交通标志的位置信息转化为实际距离信息；

步骤4.7，按照步骤4.1的方法形成行人轨迹；

步骤5，完善交通视频数据库；

将步骤1中所述的每段交通视频按照步骤2和步骤3所述方法进行人工标定，然后按照步骤4所述方法计算每段视频中的交通参数，原始视频及其对应的人工标定数据和交通参数共同组成用于算法评估的交通视频数据库；

步骤6，对待验证算法进行评估；

选取视频数据库中的同一段多或段视频，应用待验证算法测量上述交通参数，将测量结果与数据库中的交通参数进行比对，计算测量的准确度，由此判断待验证算法的准确性。

2.根据权利要求1所述的一种基于人工标定的智能交通算法评估方法，其特征在于，所述步骤2.3人工标定的信息包括：单位编号；类别：1—车辆，2—行人，3—交通标志；单位在视频中持续的帧数；单位区域的左上角点坐标（X，Y）；单位区域的横向宽度Width、纵向高度Height。

3.根据权利要求1所述的一种基于人工标定的智能交通算法评估方法，其特征在于，所述步骤4.2计算车辆数的方法还包括以下步骤：

（1）根据视频设定车道数和虚拟线圈，线圈宽度与车道同宽，长度不小于一个车身长度；

（2）根据车辆与虚拟线圈的几何关系，进行分车道车辆计数；

假设四边形ABCD为设定的虚拟线圈，车辆V由AB边驶入CD边驶出；车辆位置与虚拟线圈四个顶点存在几何关系VA+VB-AB≥0，VC+VD-CD≥0；VA+VB-AB的最小值点对应车辆进入该虚拟线圈的时刻，VC+VD-CD的最小值点对应车辆驶出虚拟线圈的时刻，据此可以判断车辆驶入或驶出线圈的行为及进入和驶出的时刻；

若某车对同一虚拟线圈完成驶入驶出行为，进行一次对该车道的车辆计数；该车道车辆数+1；

若某车辆驶入某虚拟线圈，但未驶出任何虚拟线圈，则认为该车行驶异常，不计数；

若某车辆驶入某虚拟线圈，但从另一虚拟线圈驶出，则认为该车进行换道行为，其驶出的虚拟线圈计数+1。

4.根据权利要求1所述的一种基于人工标定的智能交通算法评估方法，其特征在于，所述步骤4.5基于多帧、长时间段的人工标定计算车辆排队长度，具体方法如下：

设定停车线位置，利用步骤1所获得的每辆车的时间—位置信息绘制其距停车线距离与时间的关系曲线，每条线代表一辆车；到达交叉路口的排队车辆经过行驶—停车等待—继续行驶3个阶段，停车与启动的分界点称为拐点；拟合车道内的每辆车的拐点得到整个车道的停车波与启动波，即交通波；根据交通波与排队长度的关系计算排队长度和停车延误：

QL(t)=TL(t)-HL(t)

式中，t为时间，QL(t)为排队长度，TL(t)为队尾与停车线距离，HL(t)为对头与停车线距离。

Images