CN107248290B - 基于车辆视频识别的混合式主线收费站交通冲突评价方法 - Google Patents
基于车辆视频识别的混合式主线收费站交通冲突评价方法 Download PDFInfo
- Publication number
- CN107248290B CN107248290B CN201710573312.5A CN201710573312A CN107248290B CN 107248290 B CN107248290 B CN 107248290B CN 201710573312 A CN201710573312 A CN 201710573312A CN 107248290 B CN107248290 B CN 107248290B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic conflict
- frame
- stc
- toll
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 241001269238 Data Species 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000010339 dilation Effects 0.000 claims description 3
- 230000003628 erosive effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000003786 synthesis reaction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
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
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于车辆视频识别的混合式主线收费站交通冲突评价方法,包括如下步骤:1、在收费站的收费广场布置摄像头,采集车辆在收费广场的行驶视频;2、对采集到的车辆行驶视频进行车辆识别和跟踪,获取每一帧图像中车辆的位置坐标;3、利用车辆的M帧图像数据,计算车辆在每一帧图像中的速度和减速度指标如果发生跟驰冲突,计算车辆跟驰模型的时间指标TTCk;如果发生变道冲突,计算车辆转向模型时间指标Tpet;5、将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC,根据STC的值判断交通冲突的严重程度。该方法可以对收费站交通冲突的严重程度进行量化,对收费站道路安全性评价、管理运营、道路引流措施等决策有重要的应用价值。
Description
技术领域
本发明属于高速公路管理技术领域,具体涉及一种收费站交通冲突评价方法。
背景技术
随着近年来中国经济的飞速发展,高速公路的里程也在不断增长。而收费站作为高速公路的“咽喉”地带,它决定着收费站附近路段甚至整个路段的通行能力及服务水平。随着车流量的逐年增加,主线收费站承担的交通负荷也越来越大。我国收费站大多采用不停车自动收费与停车半自动收费结合的方式。虽然在一定程度上缓解了收费站的拥堵问题,但这也可能造成事故隐患。
随着交通分析技术的发展,现阶段的交通冲突技术理论主要应用于城市道路以及交叉口,对收费站交通冲突的分析较少,而利用视频处理与分析技术分析收费站交通冲突问题的研究更是一片空白。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供了一种基于车辆视频识别的混合式主线收费站交通冲突评价方法,该方法可以对收费站交通冲突的严重程度进行量化,对收费站道路安全性评价、管理运营、道路引流措施等决策有重要的应用价值。
技术方案:本发明采用如下技术方案:基于车辆视频识别的混合式主线收费站交通冲突评价方法,包括如下步骤:
(1)在收费站的收费广场布置摄像头,利用摄像头采集车辆在收费广场的行驶视频;
(2)对采集到的车辆行驶视频进行车辆识别和跟踪,获取每一帧图像中车辆的位置坐标;
(3)利用车辆的M帧图像数据,计算车辆p在第i帧的速度
其中为车辆p在第i帧的位置坐标,为车辆p在第i-M帧的位置坐标,△t为M帧图像的采集时间间隔,i>M;
计算车辆p在第i帧到i-M帧的减速度指标
(4)如果车辆p和车辆q在第k帧发生冲突,计算在第k帧的车辆跟驰模型的时间指标TTCk:
其中为车辆q在第k帧的位置坐标,车辆q是第k帧图像中车辆p的跟驰车辆;
计算在第k帧的车辆转向模型时间指标Tpet:
Tpet=Fpe-Fdr
其中Fdr为后方车辆开始减速时的图像帧序号;Fpe是车辆发生冲突的图像帧序号;
(5)将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC,根据STC的值判断交通冲突的严重程度。
步骤(1)中在收费广场布置的摄像头数量N为:
其中m为收费通道个数,I为摄像头可以拍摄到的收费通道个数;为向上取整运算。
摄像头位置为:在拓宽一侧道路将摄像头正对收费站设置,在非拓宽一侧将摄像头正对道路设置。
步骤(2)中对采集到的视频进行车辆识别和跟踪具体包括:
(2.1)对拍摄的视频图像生成初步前景,进行二值化、膨胀腐蚀处理,生成检测前景;
(2.2)运用BSM背景消去建模和帧差法,对视频中的运动车辆进行识别跟踪;
(2.3)提取出检测车辆在每一帧的位置坐标及图像帧序号。
连续帧中车辆的位置变化非常小,步骤3中利用车辆视频的6帧图像数据进行计算,即M=6。
步骤(5)中按下列公式将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC:
其中α,β,γ,μ为转换系数,均为常数。
为了防止单一指标的误差对判断结果造成影响,将TTCk和Tpet同级化处理后的交通冲突评价指标STCTTC、STCDR和STCTpet转换为综合交通冲突评价指标R:
其中λ为权重系数;根据R值判断交通冲突的严重程度。
当R>1.15时,判定为严重交通冲突;当0.9<R<1.15时,判定为中度交通冲突;当0.7<R<0.9时,判定为轻度交通冲突。
有益效果:与现有技术相比,本发明公开的基于车辆视频识别的混合式主线收费站交通冲突评价方法具有以下优点:1、该方法无须人工现场调研,易于得到数据,形成网络的摄像头可获得多方位的视频数据,存储量大,随时可调用,计算快捷准确;2、本发明建立的收费站交通冲突评价模型,计算简单,综合考虑了时间类、速度类指标对交通冲突严重程度的贡献度,对收费站运营管理、道路引流措施决策都有重要的运用价值。
附图说明
图1为基于视频拟合的混合式主线收费站交通冲突特性研究方法流程图;
图2为单侧过渡拓宽收费站摄像头布置示意图;
图3为生成的视频前景图与处理后的视频检测前景图;
图4为运动车辆识别跟踪图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
本实施例以采集沪杭甬S2高速公路上的混合式主线收费站上午8:30-8:34拍摄的共3分50秒时长的视频,对该收费站交通冲突问题进行分析。
本发明提供了一种基于车辆视频识别的混合式主线收费站交通冲突评价方法,,如图1所示,包括如下步骤:
步骤1、在收费站的收费广场布置摄像头,利用摄像头采集车辆在收费广场的行驶视频;
在收费广场布置的摄像头数量N为:
其中m为收费通道个数,I为摄像头可以拍摄到的收费通道个数,与摄像头参数有关,一般为4-6,本实施例中所用的摄像头可以拍摄到6个收费通道;为向上取整运算。本实施例中收费站单方向共有10个收费通道,需要布置
根据收费站收费广场的3种道路拓宽形式(基本无过渡拓宽、单侧过渡拓宽、双侧过渡拓宽,为了避免道路拓宽使视线受阻导致车辆识别不全,在拓宽一侧道路将摄像头正对收费站布置,在非拓宽一侧将摄像头正对道路设置。该收费站单侧方向收费广场形式为单侧拓宽形式,在拓宽道路处正对收费站布置摄像头。图2为本实施例中收费站两个摄像头布置示意图,其中摄像头1正对收费站放置,摄像头2正对道路放置。
步骤2、对采集到的车辆行驶视频进行车辆识别和跟踪,获取每一帧图像中车辆的位置坐标,具体包括如下步骤:
(2.1)对拍摄的视频图像生成初步前景,进行二值化、膨胀腐蚀处理,生成检测前景,如图3(a)所示为初步前景示意图,图3(b)为经过预处理后的检测前景示意图;
(2.2)运用BSM背景消去建模和帧差法,对视频中的运动车辆进行识别跟踪,如图4所示,方框内为识别出的行驶车辆;
(2.3)提取出检测车辆在每一帧的位置坐标及图像帧序号,如表1所示,为获取的3辆车的位置坐标和在所采集视频中的图像帧序号。
表1
步骤3、利用车辆的M帧图像数据,计算车辆p在第i帧的速度
其中为车辆p在第i帧的位置坐标,为车辆p在第i-M帧的位置坐标,△t为M帧图像的采集时间间隔,i>M;
计算车辆p在第i帧到i-M帧的减速度指标
连续帧中车辆的位置变化非常小,M的取值太小,车辆的位置几乎不变,计算出的速度准确度不高,如果取值太大,车辆位置变化太多,时间间隔也大,可能无法反映出车辆位置变化的细节,也会影响到计算精度。本实施例中采用频率为24Hz的摄像头,利用车辆视频的6帧图像数据进行计算,即M=6,这样上述公式中的△t为0.25秒。
(4)如果车辆p和车辆q在第k帧发生冲突,计算在第k帧的车辆跟驰模型的时间指标TTCk:
其中为车辆q在第k帧的位置坐标,车辆q是第k帧图像中车辆p的跟驰车辆;
计算在第k帧的车辆转向模型时间指标Tpet:
Tpet=Fpe-Fdr
其中Fdr为后方车辆开始减速时的图像帧序号;Fpe是车辆发生冲突的图像帧序号;
对视频中多起交通冲突和涉及的车辆计算交通冲突分析指标,计算结果如表2所示,其中DR是发生交通冲突时后方车辆减速度指标。
表2
跟驰冲突序号 | 冲突车辆编号 | TTC(s) | DR(m/s<sup>2</sup>) |
1 | 32-33 | 4.09 | 1.36 |
2 | 66-73 | 2.81 | 0.32 |
3 | 73-79 | 4.82 | 0.44 |
4 | 79-80 | 7.11 | 1.67 |
变道冲突序号 | 冲突车辆编号 | Tpet(s) | DR(m/s<sup>2</sup>) |
1 | 1-4 | 1.76 | 0.64 |
2 | 66-70 | 2.13 | — |
3 | 101-102 | 0.75 | — |
步骤5、将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC,根据STC的值判断交通冲突的严重程度。
按下列公式将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC:
其中α,β,γ,μ为转换系数,均为常数。本实施例中,α=2,β=0.491,γ=2,μ=0.36,具体结果如表3所示。
表3
TTC | 0-3s | 3-5s | 5-8s | >8s |
STC<sub>TTC</sub> | >1.15 | 0.9-1.15 | 0.7-0.9 | 0-0.7 |
严重程度 | 严重 | 中度 | 轻度 | 无 |
Tpet | 0-1.5s | 1.5-2.5s | 2.5-4s | >4s |
STC<sub>Tpet</sub> | >1.15 | 0.9 | 0.7-0.9 | 0-0.7 |
严重程度 | 严重 | 中度 | 轻度 | 无 |
DR | >5m/s<sup>2</sup> | 3-5m/s<sup>2</sup> | 2-3m/s<sup>2</sup> | <2m/s<sup>2</sup> |
STC<sub>DR</sub> | >1.15 | 0.9 | 0.7-0.9 | <0.7 |
严重程度 | 严重 | 中度 | 轻度 | 无 |
根据STCTTC、STCDR和STCTpet即可对交通冲突程度作出判断,为了防止单一指标的误差对判断结果造成影响,将TTCk和Tpet同级化处理后的交通冲突评价指标STCTTC、STCDR和STCTpet转换为综合交通冲突评价指标R来对交通冲突程度进行量化,根据R值判断交通冲突的严重程度,R的计算如下:
其中λ为权重系数,取值范围为0.1~0.9,具体数值可根据路况、车辆、收费站地点等客观信息确定,一般饱和度越低时λ取值越大;饱和度越高时λ取值越小;本实施例时段收费站饱和度较小,取λ为0.75,计算和判断的最终结果如表4所示。当R>1.15时,判定为严重交通冲突;当0.9<R<1.15时,判定为中度交通冲突;当0.7<R<0.9时,判定为轻度交通冲突。
表4
交通冲突序号 | 冲突车辆编号 | R | 严重程度 |
1 | 1-4 | 1.07 | 中度 |
2 | 32-33 | 0.99 | 中度 |
3 | 66-70 | 0.97 | 中度 |
4 | 66-73 | 1.19 | 严重 |
5 | 73-79 | 0.91 | 中度 |
6 | 79-80 | 0.75 | 轻度 |
7 | 101-102 | 1.63 | 严重 |
Claims (5)
1.基于车辆视频识别的混合式主线收费站交通冲突评价方法,其特征在于,包括如下步骤:
(1)在收费站的收费广场布置摄像头,利用摄像头采集车辆在收费广场的行驶视频;
(2)对采集到的车辆行驶视频进行车辆识别和跟踪,获取每一帧图像中车辆的位置坐标;
(3)利用车辆的M帧图像数据,计算车辆p在第i帧的速度
其中为车辆p在第i帧的位置坐标,为车辆p在第i-M帧的位置坐标,△t为M帧图像的采集时间间隔,i>M;
计算车辆p在第i帧到i-M帧的减速度指标
(4)如果车辆p和车辆q在第k帧发生冲突,计算在第k帧的车辆跟驰模型的时间指标TTCk:
其中为车辆q在第k帧的位置坐标,车辆q是第k帧图像中车辆p的跟驰车辆;
计算在第k帧的车辆转向模型时间指标Tpet:
Tpet=Fpe-Fdr
其中Fdr为后方车辆开始减速时的图像帧序号;Fpe是车辆发生冲突的图像帧序号;
(5)将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC,根据STC的值判断交通冲突的严重程度;按下列公式将TTCk和Tpet进行同级化处理,统一为交通冲突评价指标STC:
其中α,β,γ,μ为转换系数,均为常数;
将TTCk和Tpet同级化处理后的交通冲突评价指标STCTTC、STCDR和STCTpet转换为综合交通冲突评价指标R:
其中λ为权重系数;
根据R值判断交通冲突的严重程度;
当R>1.15时,判定为严重交通冲突;当0.9<R<1.15时,判定为中度交通冲突;当0.7<R<0.9时,判定为轻度交通冲突。
2.根据权利要求1所述的基于车辆视频识别的混合式主线收费站交通冲突评价方法,其特征在于,步骤(1)中在收费广场布置的摄像头数量N为:
其中m为收费通道个数,I为摄像头可以拍摄到的收费通道个数;为向上取整运算。
3.根据权利要求1所述的基于车辆视频识别的混合式主线收费站交通冲突评价方法,其特征在于,步骤(1)中收费广场布置的摄像头位置为:在拓宽一侧道路将摄像头正对收费站设置,在非拓宽一侧将摄像头正对道路设置。
4.根据权利要求1所述的基于车辆视频识别的混合式主线收费站交通冲突评价方法,其特征在于,步骤(2)具体包括:
(2.1)对拍摄的视频图像生成初步前景,进行二值化、膨胀腐蚀处理,生成检测前景;
(2.2)运用BSM背景消去建模和帧差法,对视频中的运动车辆进行识别跟踪;
(2.3)提取出检测车辆在每一帧的位置坐标及图像帧序号。
5.根据权利要求1所述的基于车辆视频识别的混合式主线收费站交通冲突评价方法,其特征在于,步骤3中利用车辆视频的6帧图像数据进行计算,即M=6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710573312.5A CN107248290B (zh) | 2017-07-14 | 2017-07-14 | 基于车辆视频识别的混合式主线收费站交通冲突评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710573312.5A CN107248290B (zh) | 2017-07-14 | 2017-07-14 | 基于车辆视频识别的混合式主线收费站交通冲突评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107248290A CN107248290A (zh) | 2017-10-13 |
CN107248290B true CN107248290B (zh) | 2019-07-12 |
Family
ID=60014650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710573312.5A Active CN107248290B (zh) | 2017-07-14 | 2017-07-14 | 基于车辆视频识别的混合式主线收费站交通冲突评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107248290B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986457B (zh) * | 2018-07-02 | 2020-12-11 | 东南大学 | 基于交通冲突分析的etc车道布设方案评价方法 |
CN114926984B (zh) * | 2022-05-17 | 2024-06-25 | 华南理工大学 | 一种实时交通冲突收集与道路安全评价方法 |
CN116151619A (zh) * | 2023-02-03 | 2023-05-23 | 合肥工业大学智能制造技术研究院 | 一种基于视频分析的路内停车安全评价方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102521438B (zh) * | 2011-12-02 | 2013-12-04 | 东南大学 | 交通冲突仿真两阶段参数标定方法 |
CN102592448A (zh) * | 2012-01-18 | 2012-07-18 | 河海大学 | 一种利用当量交通冲突测评无信号交叉口安全性能的方法 |
CN105243876B (zh) * | 2015-11-06 | 2017-05-24 | 东南大学 | 一种用于互通立交的交通冲突严重性分析方法 |
CN106780272B (zh) * | 2016-12-05 | 2020-10-30 | 南通大学 | 一种利用交通冲突计算菱形立交减速匝道长度的方法 |
-
2017
- 2017-07-14 CN CN201710573312.5A patent/CN107248290B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107248290A (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
CN103700174B (zh) | 一种基于wifi身份识别的公交客流数据采集及od分析方法 | |
CN107248290B (zh) | 基于车辆视频识别的混合式主线收费站交通冲突评价方法 | |
CN104392610B (zh) | 基于分布式视频的高速路交通事件影响范围动态监控方法 | |
CN103531031B (zh) | 一种基于城市交通干线软封闭区视频检测识别实现一路绿灯通行的控制方法 | |
CN108921956A (zh) | 一种基于视频分析技术的路边停车收费管理方法 | |
CN101941449B (zh) | 城市轨道交通出入段线能力分析方法及*** | |
CN111402613B (zh) | 一种自动驾驶车辆收费站车道选择方法 | |
CN104504364B (zh) | 基于时空关联的停止线实时识别与测距方法 | |
CN109389826A (zh) | 一种信号交叉口饱和流率的实时计算方法 | |
CN103198713A (zh) | 基于交通数据和天气数据的减少交通事故的车辆调控方法 | |
CN108597219A (zh) | 一种基于机器视觉的路段行人过街控制方法 | |
CN109278758B (zh) | 一种基于智能手机的智能车个性化驾驶学习*** | |
CN111243338A (zh) | 基于车辆加速度的碰撞风险评价方法 | |
CN109118787A (zh) | 一种基于深度神经网络的车辆速度预测方法 | |
CN109215141A (zh) | 一种道路停车场电子围栏管理与互联网支付*** | |
CN113436432A (zh) | 一种利用路侧观测数据进行路段短时交通风险预测的方法 | |
CN105551250A (zh) | 一种基于区间聚类的城市道路交叉口运行状态判别方法 | |
CN103164958A (zh) | 车辆监控方法及*** | |
CN104504363A (zh) | 基于时空关联的人行道实时识别方法 | |
CN108364464A (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN110705484A (zh) | 利用行车轨迹识别连续变更车道违法行为的方法 | |
CN103778790B (zh) | 一种基于视频序列的车流量方波统计法 | |
CN103150910A (zh) | 一种交叉口闯黄灯违章车辆的自动抓拍分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |