CN104504897B - 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 - Google Patents
一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 Download PDFInfo
- Publication number
- CN104504897B CN104504897B CN201410505847.5A CN201410505847A CN104504897B CN 104504897 B CN104504897 B CN 104504897B CN 201410505847 A CN201410505847 A CN 201410505847A CN 104504897 B CN104504897 B CN 104504897B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- track
- vehicle
- intersection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法,属于智能交通***及交通流参数采集技术领域。本发明从车辆原始轨迹的空间瞬态分析入手,从不同角度描述和分析轨迹的局部几何特征,形成基于车辆原始粗糙运动轨迹的多层次谱聚类处理框架,自动提取和分析轨迹数据所包含的交叉口多种交通流向模式。以此为基础,本发明可以获取交叉口分相位(信号控制交叉口)交通流量以及各运动方向车辆经过交叉口的行程时间等详细交通特性参数,以此作为传统交通数据的重要补充。本发明通过跟踪当前时刻的所有运动车辆的行程轨迹,采用交通流向轨迹模式匹配的方法预测车辆的下一步行为,有助于实时预警交叉口可能存在的安全风险。
Description
技术领域
本发明属于智能交通***(机器视觉和图像处理)及交通流参数采集技术领域,具体涉及一种基于车辆原始粗糙轨迹数据的交叉***通流特性分析及车辆运动预测方法。
背景技术
道路交叉口是城市道路***的重要组成部分。针对交叉***通流运行特性的实测与分析无疑具有重要的理论及实际意义,它将为交叉口通行能力、延误与服务水平分析,交叉口渠化设计与交通组织优化,以及交叉口控制管理应用等提供重要的理论基础(X.Li,X.Li,D.Tang,X.Xu.Deriving features of traffic flow around an intersectionfrom trajectories of vehicles[C].18th International Conference onGeoinformatics,Beijing,2010:1-5)。同时,随着当前城市道路交通量的大幅增加,交通违法行为问题日益突出,道路交叉口秩序往往非常混乱,成为道路交通事故多发地。因此针对交叉口行车安全问题,必须加强对城市道路车辆运动预测方法的研究,以备能够进一步完成车辆安全预警任务。
当前,随着交通需求的日益增长和交通控制的需要,多种传感器被广泛应用于交通状态检测。相比于现场人工测试与地感线圈检测器等以间接方式记录车辆的传统交通流采集技术,视频车辆检测与监控设备以直接的方式来记录车辆的流动性,能够详细记录交叉口众多车辆的运行过程及相互影响。通过交通视频处理技术所采集的车辆运动原始轨迹数据,无疑是一项重要的基础数据源(Z.Fu,W.Hu,T.Tan.Similarity based vehicletrajectory clustering and anomaly detection[C].IEEE International Conferenceon Image Processing.2005,2:602-605)(X.Li,W.Hu,W.Hu.A coarse-to-fine strategyfor vehicle motion trajectory clustering[C].Proceedings ofthe 18thInternational Conference on Pattern Recognition.2006,1:591-594)。针对特定的交通环境,传统轨迹聚类方法假设已经存在或者可以轻易得到无误差且无间断的运动物体轨迹(B.T.Morris,M.M.Trivedi.A survey ofvision-based trajectory learning andanalysis for surveillance[J].IEEE Trans.on Circuits and Systems for VideoTechnology.2008,18(8):1114-1127)(S.Atev,G.Miller,N.P.Papanikolopoulos.Clustering of vehicle trajectories[J].IEEE Trans.onIntelligent Transportation Systems.2010,11(3):674-657)。由于交通环境本身的复杂性,在处理真实视频流的过程中,车辆检测和跟踪算法的可靠性相对较低,这将导致车辆运动轨迹结果存在一系列严重问题,例如碎片、跟踪中断以及误匹配等。因此,人们往往通过人工校正来改善轨迹质量。然而由于以下两点原因使得通过人工校正变得不可能:(1)随着交通视频数据的急剧增加,人工校正非常耗费时间,完全采用人工校正来保证数据质量将会变得不可能;(2)通过人工操作难以避免引入所不期望的人工偏差。综上所述,目前的工作更多地依靠非常耗时的人工校正,从而很难获得大规模高质量交叉口车辆运动轨迹数据,最终导致不具备开展交叉***通流运行特性实测分析及车辆运动预测工作的条件。
发明内容
本发明将车辆运动轨迹应用于交通参数检测的研究,所要解决的根本问题是在没有人工校正的情况下,直接从原始粗糙(低质量)的车辆轨迹跟踪数据中鲁棒地发现交叉口内在交通流模式。基于视频车辆实测轨迹数据聚类分析获得的交通流向模式,可以对道路交叉***通环境进行识别并加强理解,最终清楚描述交叉口车辆运动模式及车辆通行的真实行程。为了解决很难获得大规模高质量交叉口车辆运动轨迹数据的问题,本发明以局部鲁棒特征提取理论为基础,提出了一种采用分析轨迹微观几何特征的分析方法(S.Huet,E.Karatekin,V.S.Tran,I.Fanget,S.Cribier,J.Henry.Analysis of transientbehavior in complex trajectories:application to secretory vesicle dynamics[J].Biophysical Journal.2006,91(9):3542-3559)(J.A.Helmuth,C.J.Burckhardt,P.Koumoutsakos,U.F.Greber,I.F.Sbalzarini.A novel supervised trajectorysegmentation algorithm identifies distinct types ofhuman adenovirus motion inhost cells[J].Journal ofStructural Biology.2007,159(3):347-358),从不同角度描述和分析轨迹的局部几何特征,直接针对粗糙原始轨迹数据进行处理,提出了一套通用的基于车辆原始粗糙运动轨迹的多层次谱聚类处理框架,自动提取和分析(数据挖掘)轨迹数据所包含的交叉口多种交通流向模式。
一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法,其特征在于,包括如下步骤:
步骤1:基于运动跟踪的交叉口车辆运动原始粗糙轨迹获取,建立交叉口大规模车辆运动轨迹数据集合;
步骤1.1:交叉口车辆运动原始轨迹采集
采用OpenCV中基于图像块的跟踪方法,自动提取交叉口车辆运动原始轨迹数据,并表示为车辆运动点序列T:
T={t1,t2,…,ti,…,tn}
={(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}
及轨迹步序列S:
S={s1,s2,…,si,…,sn-1}
={(δx1,δy1),…,(δxi,δyi),…,(δxn-1,δyn-1)}
其中,ti=(xi,yi)表示运动车辆第i个采样点中心的位置,si=(δxi,δyi)=(xi+1-xi,yi+1-yi)表示相邻采样点中心的偏差,n表示车辆轨迹所包含采样点的总数;
步骤1.2:车辆运动原始轨迹预处理
针对每条轨迹进行如下的平滑处理:(1)考虑到样本噪声,如果采样点之间的距离足够小,就将连续的采样点合并在一起并由第一个采样点来代替;(2)彻底删除长度小于预定义阈值的短轨迹;(3)采用均值滤波进行平滑处理,以便保留原始结构本质特征,其中为平滑处理后的运动车辆第i个采样点的位置,tk为平滑处理前运动车辆第k个采样点的位置,w为实验中所选择的平滑步数:
步骤2:基于车辆原始粗糙轨迹多层谱聚类的交叉口车辆运动模式学习
步骤2.1:多层次轨迹特征提取
分别使用直线度与弯曲度、轨迹方向直方图和轨迹中心三种特征来多层次综合表达轨迹的局部特征;
直线度和弯曲度是指车辆运行方向平均变化的度量,直线度定义如下:
弯曲度定义如下:
其中,αi表示第si与第si+1步之间的方向变化,同时设向左变化为正方向;n表示车辆轨迹所包含采样点的总数;
轨迹方向直方图(Trajectory Directional Histogram,简称TDH)是一种描述轨迹方向统计学特征的表达方法,首先,计算第i个采样点的方向角βi:
其中,(δxi)2+(δyi)2≠0且βi∈[-π,+π);然后,将区间[-π,+π)均匀划分为N个子区间,并将所有采样点按照方向角的不同映射到相应的子区间中;最后,根据所有子区间中采样点的总数M来归一化第j个子区间中采样点的数目Mj为
rj=Mj/M,j=1,2,…,N。
则轨迹方向直方图TDH表示为:
p3=(r1,…,rj,…,rN)
轨迹中心指每条轨迹经过平滑处理后的中心点位置:
其中,为平滑处理后的运动车辆第i个采样点的位置;
步骤2.2:谱聚类及多层次距离度量
采用基于随机漫步理论的谱聚类实现方法,给定数据集Z=(z1,…,zu,…,zv,…,zm),则相似度矩阵W的各组成元素定义为:
Wuv=exp(-dist(zu,zv)/2σ2)
其中,dist(zu,zv)为距离度量,σ为标准方差;
关联矩阵P是由相似度矩阵W和对角矩阵D转化得出:
P=D-1/2WD-1/2
其中,对角矩阵
D=diag(D11,…,Duu,…,Dmm)
中的元素Duu表示相似度矩阵W中第u列元素的求和针对P求解其所对应的特征***特征值及特征向量就可以完成谱聚类;
针对不同层次谱聚类的需要,根据不同的轨迹特征计算以上公式中的距离度量dist(zu,zv),在第一层和第三层采用欧几里得距离:
E(u,v)=||zu-zv||2
其中,zu和zv分别表示第u条和第v条轨迹的特征;
在第二层采用计算巴氏距离:
其中TDHub和TDHvb分别表示第u条和第v条轨迹的相应TDH中的第b个元素;
步骤3:交叉***通流特性分析与运动预测
步骤3.1:子轨迹表示
采用抽头延迟线结构,将每条长度不一样的车辆运动轨迹表示为多个固定长度ξ的子轨迹,ξ是一个预定义参数,考虑原始轨迹的稳定描述与低运算量之间的一个折衷,该值定义如下:
其中,L是轨迹数据集的平均长度,lmin是轨迹数据集的最小长度;
步骤3.2:交通流特性分析
不同的车辆运动模式表明一辆驶近交叉口的车辆在经过交叉口时的真实行程,包括它们所到达的交叉口上游路段以及具体转向,右转弯、直行、左转弯;
交叉口分流向的交通流量采用每种车辆运动聚类中车辆轨迹的总数来表示,而针对不同转弯类型的车辆平均转弯时间由每种车辆运动聚类中各轨迹弧长的直方图来表示;
步骤3.3:运动预测
给定部分运动轨迹,使用k近邻算法(k-NN)将其归入到12个轨迹类集合内最普遍的运动模式,k-NN中的相似性度量按照欧几里得距离来定义:
其中,Tp(i)表示当前车辆行驶轨迹Tp的第i个点,而Kc(i)表示各种运动模式的相应轨迹子类的第i个点;
将当前车辆行驶轨迹Tp与各种运动模式的相应轨迹子类Kc进行比较,计算车辆将来可能的运动轨迹概率Pc:
通过选择具有最大概率的轨迹类型来预测当前运动车辆将来可能出现的运动趋势,同时完成交叉口当前所有车辆运动趋势的预测,实现交叉口车辆运动安全预警。
与现有技术相比,本发明具有以下明显优势:
(1)本发明提出一种多层次轨迹谱聚类方法用于识别不同的车辆运动模式,用来分析交叉***通流特性及车辆运动安全预测预警。
(2)本发明所要解决的根本问题是在没有人工校正的情况下,直接从原始的低质量的车辆轨迹数据中鲁棒地找到车辆内在的运动模式。
(3)本发明以局部鲁棒特征提取理论为基础,直接根据原始的低质量的车辆轨迹数据,深入分析运动轨迹中每点附近的局部几何特征。在轨迹数据处理中孤立点通常会产生很多误差,使用本方明所使用方法可以避免这些单一点误差的干扰。
(4)本发明可以获取交叉口分相位(信号控制交叉口)交通流量以及各运动方向车辆经过交叉口的行程时间等详细交通特性参数,以此作为传统交通数据的重要补充。
(5)本发明通过跟踪当前时刻的所有运动车辆的行程轨迹,采用交通流向轨迹模式匹配的方法预测车辆的下一步行为,实时预警交叉口可能存在的安全风险。
附图说明
图1本发明所涉及方法的总体框图;
图2交叉口多层次运动车辆轨迹聚类结果;
图3a-3f交叉口车辆运动跟踪结果;
图4a-4b原始轨迹预处理过程;
图5抽头延迟线;
图6a-6w基于多层次轨迹谱聚类框架的车辆运动模式识别结果;
图7多层次谱聚类性能比较;
图8a-8f交叉***通流特性分析;
图9交叉口车辆运动预测。
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。
本发明实施例在安装VC2008和OpenCV2.4.5的PC机上实现。
本发明实施例方法的流程图如图1所示,包括以下步骤:
步骤1:基于运动跟踪的交叉口车辆运动原始粗糙轨迹获取,建立交叉口大规模车辆运动轨迹数据集合。
步骤1.1:交叉口车辆运动原始轨迹采集。
本发明通过在北京某交叉口附近的高楼上架设的摄像机获取的真实交通视频,测试多层次谱聚类框架的性能,如图2及图3所示。采用OpenCV实现的物体运动跟踪算法,对全部17387帧交通视频序列进行了处理,共生成1123条轨迹,如图3d中白色区域所示。图3中各图具体内容表示如下:a.视频图像序列;b.车辆运动跟踪结果;c.背景图像;d.叠加到背景图中的所有运动轨迹;e.3维轨迹图;f.2维轨迹图。
步骤1.2:原始车辆运动轨迹预处理。
经预处理后,仍存在997条轨迹,如图4a所示。图4中各图具体内容表示如下:a.叠加到背景图中的交叉口原始轨迹预处理结果;b.交叉口原始轨迹预处理结果的2维轨迹图。
步骤2:基于车辆原始粗糙轨迹多层谱聚类的交叉口车辆运动模式学习。
步骤2.1:多层次轨迹特征提取。
步骤2.2:正如交通环境与信号控制策略所表明的那样,在该交叉口附近共存在12种典型的车辆运动模式。这与本发明使用多层次谱聚类框架识别的车辆运动模式聚类结果是一致的,如图6所示。为了更有效表示各轨迹簇,本发明构造了模板轨迹以便能够更有效的代表各轨迹簇。模板轨迹实际就是到同一簇中其他所有轨迹的距离和最小的簇心。
给定如图4a所示的原始轨迹数据,本发明通过多层次谱聚类方法分层提取代表该交叉口车辆独特运动模式的不同轨迹簇。每一轨迹簇都由模板轨迹(在原始轨迹中所叠加的带箭头的粗线段)表示。图6a、图6b、图6c依次为不同层次的聚类结果,分别有4,8,12条轨迹簇,其中用不同灰度表示模板轨迹。第一层中的4条轨迹簇可具体表示为图6d-6g,而这4簇轨迹在第二层中被进一步分成了8簇,如图6h-6o所示。以上8簇中又有4簇(图6h-6k)在第三层中被进一步划分成8簇,如图6p-6w所示。最终图2所示的树形结构中存在12个不同的节点。图6中各图具体内容表示如下:a.第一层聚类结果(4条轨迹簇);b.第二层聚类结果(8条轨迹簇);c.第三层聚类结果(12条轨迹簇);d.第一层转弯1;e.第一层转弯2;f.第一层直行1;g.第一层直行2;h.第二层转弯1方向1;i.第二层转弯1方向2;j.第二层转弯2方向1;k.第二层转弯2方向2;l.第二层直行1方向1;m.第二层直行1方向2;n.第二层直行2方向1;o.第二层直行2方向2;p.第三层转弯1方向1右;q.第三层转弯1方向1左;r.第三层转弯1方向2左;s.第三层转弯1方向2右;t.第三层转弯2方向1左;u.第三层转弯2方向1右;v.第三层转弯2方向2右;w.第三层转弯2方向2左。
为了定量评估典型车辆运动模式聚类结果,本发明使用如下所示紧密与分离准则(TSC)检验每一层的轨迹聚类效果:
其中cj是第j簇的模板轨迹,TSC同时度量簇内紧密度与簇间分离度。TSC数值越小表示***性能越好。图7(横坐标表示不断增加的聚类层次,纵坐标表示TSC值)清楚表明随着层数的增加,运动模式聚集得越好。
步骤3:交叉***通流特性分析与运动预测。
步骤3.1:子轨迹表示。
步骤3.2:交通流特性分析,本发明主要考虑分车行方向交通流量与平均行程时间。
在所选交叉口附近存在12种典型车辆运动模式。根据所到达路段的不同,这些典型模式可以归为4种到达类型,而每种到达类型进一步各有3种转弯类型,包括右转弯、直行、左转弯,如图8a-8d所示。图8e和图8f分别表示为给定车辆运行行程的交通流量和平均行程时间。图8e中纵坐标y表示了一种模式的交通流量占总流量的百分比,图8f中y表示了每一簇车辆运行行程中车辆转弯时间的均值与方差。图8中各图具体内容表示如下:a.第1线路段的3种交通流向;b.第2线路段的3种交通流向;c.第3线路段的3种交通流向;d.第4线路段的3种交通流向;e.交叉口各流向的交通流量(横坐标表示12种不同的车辆运动模式聚类结果);f.交叉口各流向的平均行程时间(横坐标表示12种不同的车辆运动模式聚类结果)。表1详细罗列出了这些数值。
表1交通流特性分析
步骤3.3:交叉口车辆运动预测。
图9表示了具体的运动预测实例,其中粗黑实线代表被检测车辆(采用灰色椭圆标记)的当前运动轨迹,细黑虚线代表预测轨迹。细黑虚线旁边的白色百分比数表示被检测车辆在交叉口内可能运动模式的概率。在图9中车辆从右侧路段进入该交通场景,只保留了概率值前3名所对应的预测轨迹。当车辆左转弯时,只有一种预测轨迹的概率值增加到99.42%。与此类似,可以完成交叉口当前所有车辆运动趋势的预测,进而实现交叉口车辆运动安全预警。
最后应说明的是:以上示例仅用以说明本发明而并非限制本发明所描述的技术方案;因此,尽管本说明书参照上述的示例对本发明已进行了详细的说明,但是本领域的普通技术人员应当理解,仍然可以对本发明进行修改或等同替换;而一切不脱离发明的精神和范围的技术方案及其改进,其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法,其特征在于,包括如下步骤:
步骤1:基于运动跟踪的交叉口车辆运动原始粗糙轨迹获取,建立交叉口大规模车辆运动轨迹数据集合;
步骤1.1:交叉口车辆运动原始轨迹采集
采用OpenCV中基于图像块的跟踪方法,自动提取交叉口车辆运动原始轨迹数据,并表示为车辆运动点序列T:
T={t1,t2,…,ti,…,tn}
={(x1,y1),(x2,y2),…,(xi,yi),…,(xn,yn)}
及轨迹步序列S:
S={s1,s2,…,si,…,sn-1}
={(δx1,δy1),…,(δxi,δyi),…,(δxn-1,δyn-1)}
其中,ti=(xi,yi)表示运动车辆第i个采样点的位置,si=(δxi,δyi)=(xi+1-xi,yi+1-yi)表示相邻采样点的偏差,n表示车辆轨迹所包含采样点的总数;
步骤1.2:车辆运动原始轨迹预处理
针对每条轨迹进行如下的平滑处理:(1)考虑到样本噪声,如果采样点之间的距离足够小,就将连续的采样点合并在一起并由第一个采样点来代替;(2)彻底删除长度小于预定义阈值的短轨迹;(3)采用均值滤波进行平滑处理,以便保留原始结构本质特征,其中为平滑处理后的运动车辆第i个采样点的位置,tk为平滑处理前运动车辆第k个采样点的位置,w为实验中所选择的平滑步数:
<mrow>
<mover>
<msub>
<mi>t</mi>
<mi>i</mi>
</msub>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>w</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>i</mi>
<mo>-</mo>
<mi>w</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mi>w</mi>
<mo>/</mo>
<mn>2</mn>
</mrow>
</munderover>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
</mrow>
步骤2:基于车辆原始粗糙轨迹多层谱聚类的交叉口车辆运动模式学习
步骤2.1:多层次轨迹特征提取
分别使用直线度与弯曲度、轨迹方向直方图和轨迹中心三种特征来多层次综合表达轨迹的局部特征;
直线度和弯曲度是指车辆运行方向平均变化的度量,直线度定义如下:
<mrow>
<msub>
<mi>p</mi>
<mn>1</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>cos&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
弯曲度定义如下:
<mrow>
<msub>
<mi>p</mi>
<mn>2</mn>
</msub>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>sin&alpha;</mi>
<mi>i</mi>
</msub>
</mrow>
其中,αi表示第si与第si+1步之间的方向变化,同时设向左变化为正方向;n表示车辆轨迹所包含采样点的总数;
轨迹方向直方图(Trajectory Directional Histogram,简称TDH)是一种描述轨迹方向统计学特征的表达方法,首先,计算第i个采样点的方向角βi:
<mrow>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&delta;y</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>&delta;x</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;x</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&delta;y</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>&delta;x</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&pi;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;x</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&delta;y</mi>
<mi>i</mi>
</msub>
<mo>></mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>arctan</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msub>
<mi>&delta;y</mi>
<mi>i</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>&delta;x</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&pi;</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&delta;x</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mn>0</mn>
<mo>,</mo>
<msub>
<mi>&delta;y</mi>
<mi>i</mi>
</msub>
<mo><</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,(δxi)2+(δyi)2≠0且βi∈[-π,+π);然后,将区间[-π,+π)均匀划分为N个子区间,并将所有采样点按照方向角的不同映射到相应的子区间中;最后,根据所有子区间中采样点的总数M来归一化第j个子区间中采样点的数目Mj为
rj=Mj/M,j=1,2,…,N
则轨迹方向直方图TDH表示为:
p3=(r1,…,rj,…,rN)
轨迹中心指每条轨迹经过平滑处理后的中心点位置:
<mrow>
<msub>
<mi>p</mi>
<mn>4</mn>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mover>
<mi>t</mi>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>/</mo>
<mi>n</mi>
</mrow>
其中,为平滑处理后的运动车辆第i个采样点的位置;
步骤2.2:谱聚类及多层次距离度量
采用基于随机漫步理论的谱聚类实现方法,给定数据集Z=(z1,…,zu,…,zv,…,zm),则相似度矩阵W的各组成元素定义为:
Wuv=exp(-dist(zu,zv)/2σ2)
其中,dist(zu,zv)为距离度量,σ为标准方差;
关联矩阵P是由相似度矩阵W和对角矩阵D转化得出:
P=D-1/2WD-1/2
其中,对角矩阵
D=diag(D11,…,Duu,…,Dmm)
中的元素Duu表示相似度矩阵W中第u列元素的求和针对P求解其所对应的特征***特征值及特征向量就可以完成谱聚类;
针对不同层次谱聚类的需要,根据不同的轨迹特征计算以上公式中的距离度量dist(zu,zv),在第一层和第三层采用欧几里得距离:
E(u,v)=||zu-zv||2
其中,zu和zv分别表示第u条和第v条轨迹的特征;
在第二层采用巴氏距离:
<mrow>
<mi>H</mi>
<mrow>
<mo>(</mo>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>b</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msqrt>
<mrow>
<msub>
<mi>TDH</mi>
<mrow>
<mi>u</mi>
<mi>b</mi>
</mrow>
</msub>
<msub>
<mi>TDH</mi>
<mrow>
<mi>v</mi>
<mi>b</mi>
</mrow>
</msub>
</mrow>
</msqrt>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mn>1</mn>
<mo>/</mo>
<mn>2</mn>
</mrow>
</msup>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
其中TDHub和TDHvb分别表示第u条和第v条轨迹的相应TDH中的第b个元素;
步骤3:交叉***通流特性分析与运动预测
步骤3.1:子轨迹表示
采用抽头延迟线结构,将每条长度不一样的车辆运动轨迹表示为多个固定长度ξ的子轨迹,ξ是一个预定义参数,考虑原始轨迹的稳定描述与低运算量之间的一个折衷,该值定义如下:
<mrow>
<mi>&xi;</mi>
<mo>=</mo>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<msqrt>
<mi>L</mi>
</msqrt>
<mo>,</mo>
<msub>
<mi>l</mi>
<mi>min</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中,L是轨迹数据集的平均长度,lmin是轨迹数据集的最小长度;
步骤3.2:交通流特性分析
不同的车辆运动模式表明一辆驶近交叉口的车辆在经过交叉口时的真实行程,包括它们所到达的交叉口上游路段以及具体转向,右转弯、直行、左转弯;
交叉口分流向的交通流量采用每种车辆运动聚类中车辆轨迹的总数来表示,而针对不同转弯类型的车辆平均转弯时间由每种车辆运动聚类中各轨迹弧长的直方图来表示;
步骤3.3:运动预测
给定部分运动轨迹,使用k近邻算法(k-NN)将其归入到12个轨迹类集合内最普遍的运动模式,k-NN中的相似性度量按照欧几里得距离来定义:
<mrow>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>p</mi>
</msub>
<mo>,</mo>
<msub>
<mi>K</mi>
<mi>c</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>&Element;</mo>
<mi>&xi;</mi>
</mrow>
</msub>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mi>p</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>K</mi>
<mi>c</mi>
</msub>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,Tp(i)表示当前车辆行驶轨迹Tp的第i个采样点,而Kc(i)表示各种运动模式的相应轨迹子类的第i个采样点,
将当前车辆行驶轨迹Tp与各种运动模式的相应轨迹子类Kc进行比较,计算车辆将来可能的运动轨迹概率Pc:
<mrow>
<msub>
<mi>P</mi>
<mi>c</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>c</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>12</mn>
</msubsup>
<mn>1</mn>
<mo>/</mo>
<msub>
<mi>d</mi>
<mi>c</mi>
</msub>
</mrow>
</mfrac>
</mrow>
通过选择具有最大概率的轨迹类型来预测当前运动车辆将来可能出现的运动趋势,同时完成交叉口当前所有车辆运动趋势的预测,实现交叉口车辆运动安全预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410505847.5A CN104504897B (zh) | 2014-09-28 | 2014-09-28 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410505847.5A CN104504897B (zh) | 2014-09-28 | 2014-09-28 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504897A CN104504897A (zh) | 2015-04-08 |
CN104504897B true CN104504897B (zh) | 2017-10-31 |
Family
ID=52946470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410505847.5A Active CN104504897B (zh) | 2014-09-28 | 2014-09-28 | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504897B (zh) |
Families Citing this family (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117737A (zh) * | 2015-10-08 | 2015-12-02 | 北京邮电大学 | 一种基于车辆轨迹向量确定车辆实际方向的方法及装置 |
CN105374209B (zh) * | 2015-11-05 | 2018-02-06 | 北京航空航天大学 | 一种城市区域路网运行状态特征信息提取方法 |
CN106372619B (zh) * | 2016-09-20 | 2019-08-09 | 北京工业大学 | 一种车辆鲁棒检测及分车道到达累计曲线估计方法 |
CN106530698A (zh) * | 2016-11-22 | 2017-03-22 | 青岛理工大学 | 一种考虑出口转向的城市道路行程时间的估计方法 |
CN107315994B (zh) * | 2017-05-12 | 2020-08-18 | 长安大学 | 基于Spectral Clustering空间轨迹的聚类方法 |
CN107830865B (zh) * | 2017-10-16 | 2020-04-17 | 东软集团股份有限公司 | 一种车辆目标分类方法、装置、***及计算机程序产品 |
CN108399741B (zh) * | 2017-10-17 | 2020-11-27 | 同济大学 | 一种基于实时车辆轨迹数据的交叉口流量估计方法 |
CN109840660B (zh) * | 2017-11-29 | 2021-07-30 | 北京四维图新科技股份有限公司 | 一种车辆特征数据处理方法及车辆风险预测模型训练方法 |
CN108111173B (zh) * | 2017-12-27 | 2021-03-26 | 东软集团股份有限公司 | 轨迹压缩方法、装置、存储介质及电子设备 |
CN108648445B (zh) * | 2018-04-19 | 2020-02-21 | 浙江浙大中控信息技术有限公司 | 基于交通大数据的动态交通态势预测方法 |
CN110444011B (zh) * | 2018-05-02 | 2020-11-03 | 杭州海康威视***技术有限公司 | 交通流高峰识别方法、装置、电子设备及存储介质 |
CN108711288B (zh) * | 2018-06-07 | 2020-11-20 | 郑州大学 | 衔接交叉口非机动车右转衔接安全问题的量化评价方法 |
CN109255315B (zh) * | 2018-08-30 | 2021-04-06 | 跨越速运集团有限公司 | 一种出车途中人车分离判断方法及装置 |
WO2020079074A2 (en) * | 2018-10-16 | 2020-04-23 | Five AI Limited | Autonomous vehicle planning |
CN109359690B (zh) * | 2018-10-19 | 2021-10-22 | 江苏智通交通科技有限公司 | 基于卡口数据的车辆出行轨迹识别方法 |
CN109767615B (zh) * | 2018-10-19 | 2021-05-18 | 江苏智通交通科技有限公司 | 路网交通流关键流向和关键路径分析方法 |
CN109448370B (zh) * | 2018-10-29 | 2021-09-28 | 东南大学 | 一种基于车辆轨迹数据的交通控制子区划分方法 |
CN109523807B (zh) * | 2018-11-28 | 2020-06-05 | 湖南大学 | 一种交通路网车辆分布式控制方法 |
CN109636040A (zh) * | 2018-12-13 | 2019-04-16 | 杭州杰富睿科技有限公司 | 一种饮水点智能分布*** |
DE102019002790B4 (de) * | 2019-04-16 | 2023-05-04 | Mercedes-Benz Group AG | Verfahren zur Prädiktion einer Verkehrssituation für ein Fahrzeug |
CN110400461B (zh) * | 2019-07-22 | 2021-01-12 | 福建工程学院 | 一种路网变更检测方法 |
US11443184B2 (en) | 2019-08-19 | 2022-09-13 | Toyota Research Institute, Inc. | Methods and systems for predicting a trajectory of a road agent based on an intermediate space |
CN110728842B (zh) * | 2019-10-23 | 2021-10-08 | 江苏智通交通科技有限公司 | 基于路口车辆合理行驶范围的异常行驶预警方法 |
CN110570658B (zh) * | 2019-10-23 | 2022-02-01 | 江苏智通交通科技有限公司 | 基于层次聚类的路口异常车辆轨迹识别分析方法 |
CN110782667A (zh) * | 2019-10-30 | 2020-02-11 | 北京百度网讯科技有限公司 | 信号灯分时段配时方法、装置、电子设备及存储介质 |
CN110827540B (zh) * | 2019-11-04 | 2021-03-12 | 黄传明 | 一种多模态数据融合的机动车移动模式识别方法及*** |
CN110675632B (zh) * | 2019-11-11 | 2021-11-30 | 重庆邮电大学 | 针对多特征空间和数据稀疏的车辆短时轨迹预测控制方法 |
CN111292533B (zh) * | 2020-02-11 | 2021-07-30 | 北京交通大学 | 基于多源数据的高速公路任意时段任意断面流量估计方法 |
TWI775123B (zh) * | 2020-07-29 | 2022-08-21 | 財團法人資訊工業策進會 | 交通狀況預測系統與交通狀況預測方法 |
CN112614336B (zh) * | 2020-11-19 | 2021-12-07 | 南京师范大学 | 一种基于量子随机游走的交通流模态拟合方法 |
CN115083162B (zh) * | 2022-06-15 | 2023-11-17 | 北京三快在线科技有限公司 | 路况预测方法、装置、设备以及存储介质 |
CN117994987B (zh) * | 2024-04-07 | 2024-06-11 | 东南大学 | 基于目标检测技术的交通参数提取方法及相关装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005038381A (ja) * | 2003-06-30 | 2005-02-10 | Toshiba Corp | データ分析装置、データ分析プログラム及び携帯端末 |
JP2008097251A (ja) * | 2006-10-11 | 2008-04-24 | Toyota Central R&D Labs Inc | 渋滞予測装置、運転支援装置、及び運転支援システム |
CN101334845B (zh) * | 2007-06-27 | 2010-12-22 | 中国科学院自动化研究所 | 一种基于轨迹序列分析和规则归纳的视频行为识别方法 |
JP2009245297A (ja) * | 2008-03-31 | 2009-10-22 | Kddi Corp | プローブデータ収集システム、プローブデータ収集方法およびプログラム |
JP2010061335A (ja) * | 2008-09-03 | 2010-03-18 | Kyosan Electric Mfg Co Ltd | 交通情報提供システム及び地域交通情報提供方法 |
CN103456192B (zh) * | 2013-09-01 | 2015-07-15 | 中国民航大学 | 一种基于轨迹谱聚类的终端区盛行交通流识别方法 |
CN103714555B (zh) * | 2013-12-13 | 2017-06-13 | 中国科学院深圳先进技术研究院 | 一种基于运动轨迹的四维运动点云分割与重建方法 |
CN103903019B (zh) * | 2014-04-11 | 2017-12-15 | 北京工业大学 | 一种多车道车辆轨迹时空图的自动生成方法 |
-
2014
- 2014-09-28 CN CN201410505847.5A patent/CN104504897B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN104504897A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504897B (zh) | 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法 | |
CN111310583B (zh) | 一种基于改进的长短期记忆网络的车辆异常行为识别方法 | |
Kang et al. | Deep architecture for high-speed railway insulator surface defect detection: Denoising autoencoder with multitask learning | |
CN107133974B (zh) | 高斯背景建模与循环神经网络相结合的车型分类方法 | |
Fu et al. | Similarity based vehicle trajectory clustering and anomaly detection | |
CN105184271A (zh) | 一种基于深度学习的车辆自动检测方法 | |
Qi et al. | Efficient railway tracks detection and turnouts recognition method using HOG features | |
Wu et al. | Detection of bird nests in overhead catenary system images for high-speed rail | |
CN107292870A (zh) | 基于图像对齐与检测网络模型的轨道塞钉故障检测方法与*** | |
CN105424330A (zh) | 一种货车轴端螺栓故障检测方法及装置 | |
CN104020751A (zh) | 基于物联网的校园安全监测***及方法 | |
CN107730889B (zh) | 一种基于交通视频的目标车辆检索方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
Babaei | Vehicles tracking and classification using traffic zones in a hybrid scheme for intersection traffic management by smart cameras | |
He et al. | Deep learning based geometric features for effective truck selection and classification from highway videos | |
Katsamenis et al. | A few-shot attention recurrent residual U-Net for crack segmentation | |
Ren et al. | Automatic measurement of traffic state parameters based on computer vision for intelligent transportation surveillance | |
Peng et al. | Semi-supervised bolt anomaly detection based on local feature reconstruction | |
Kalva et al. | Smart Traffic monitoring system using YOLO and deep learning techniques | |
Ma et al. | Vessel motion pattern recognition based on one-way distance and spectral clustering algorithm | |
Dagvasumberel et al. | Railroad near-miss occurrence detection and risk estimation system with data from camera using deep learning | |
Batapati et al. | Video analysis for traffic anomaly detection using support vector machines | |
Yang et al. | Defect detection of axle box cover device fixing bolts in metro based on convolutional neural network | |
Ou et al. | [Retracted] Analysis of People Flow Image Detection System Based on Computer Vision Sensor | |
Kinattukara et al. | Clustering based neural network approach for classification of road images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20201012 Address after: Room 265, 2 / F, office building, no.6, lianguizhong Road, Lianhe Industrial Zone, Shishan town, Nanhai District, Foshan City, Guangdong Province 528200 Patentee after: Zhongtian Sichuang information technology (Guangdong) Co., Ltd Address before: 100124 Chaoyang District, Beijing Ping Park, No. 100 Patentee before: Beijing University of Technology |
|
TR01 | Transfer of patent right |