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

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TTC_k：

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T_pet：

T_pet＝F_pe-F_dr

其中F_dr为后方车辆开始减速时的图像帧序号；F_pe是车辆发生冲突的图像帧序号；

(5)将TTC_k和T_pet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TTC_k和T_pet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TTC_k和T_pet同级化处理后的交通冲突评价指标STC_TTC、STC_DR和STC_Tpet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TTC_k：

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T_pet：

T_pet＝F_pe-F_dr

其中F_dr为后方车辆开始减速时的图像帧序号；F_pe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

步骤5、将TTC_k和T_pet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TTC_k和T_pet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

根据STC_TTC、STC_DR和STC_Tpet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TTC_k和T_pet同级化处理后的交通冲突评价指标STC_TTC、STC_DR和STC_Tpet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