CN102620766B - 地下道路交通标志动态视认性测试方法 - Google Patents
地下道路交通标志动态视认性测试方法 Download PDFInfo
- Publication number
- CN102620766B CN102620766B CN201210104942.5A CN201210104942A CN102620766B CN 102620766 B CN102620766 B CN 102620766B CN 201210104942 A CN201210104942 A CN 201210104942A CN 102620766 B CN102620766 B CN 102620766B
- Authority
- CN
- China
- Prior art keywords
- traffic sign
- road
- road tunnel
- scene
- sign
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明涉及道路交通领域。为提供一种地下道路交通标志动态视认性评价方法,正确评价提高地下道路的安全性,为达到上述目的,本发明采取的技术方案是,一种地下道路交通标志动态视认性评价方法,通过地下道路交通标志标线颜色特征描述,地下道路交通标志轮廓特征提取,地下道路交通标志轮廓边界判断,地下道路交通标志轮廓特征感知获取地下道路交通标志的静态向量,描述包括类型、尺寸、朝向几种类别的静态向量,类型指交通标志类型,分为指示标志、警告标志、禁令标志和指路标志。本发明主要应用于道路交通标志动态视认性评价。
Description
技术领域
本发明涉及道路交通领域,具体讲,涉及地下道路交通标志动态视认性评价方法。
背景技术
目前国内对地下道路交通标志标线的设计,多参照公路或城市道路设计规范,然而地下道路内照明、通风、温度、噪声等环境明显的不同于地面道路地,因此有必要对地下道路的标志标线设置进行分类,并对其视认特征进行研究。
地下道路交通标志分类
道路交通标志是指以颜色、形状、字符、图形等向道路使用者传递信息,用以管理交通的设施。地下交通标志有多种分类方法,按照交通标志的作用可分为主标志和辅助标志,按照光学特性可划分为逆反射式、照明式和发光式,按照版面显示内容可划分为静态标志和可变信息标志,按照标志传递信息的强弱程度可划分为必须遵守标志和非必须遵守标志。禁令标志和指示标志为道路使用者必须遵守标志,而其它标志仅提供信息,如指路标志、旅游区标志。
地下道路交通标线分类
地下道路交通标线是实施或安装于地下道路上的各种线条、箭头、文字、图案及立面标记、实体标记、突起路标和轮廓标等构成的交通设施,向道路使用者传递有关道路交通的规则、警告、指导等信息。地下道路交通标线同样具有多种划分方法。地下道路交通标线按其设置方式可划分为纵向标线、横向标线和其它标线,按照其形态可划分为线条、字符、突起路标和轮廓标,按照其功能可划分为指示标线、禁止标线和警告标线。
地下道路标志与标线的视认性
视觉器官的感受性对光刺激变化的相顺应性称为适应。当车辆高速通过地下道路出入口时,由于剧烈的明暗过渡,驾驶员瞳孔面积急剧变化,且瞳孔面积变化速率迅速增加;如果超过驾驶员视觉适应能力,瞳孔难以准确聚焦从而难以在视网膜上清晰成像,进而产生瞬时盲期,有研究将这一过程定义为视觉震荡。地下道路交通标志与标线的实施,需要考虑瞬间盲期的影响,否则将严重影响信息的视认性。
相关试验表明,56.9%的暗适应样本和29.2%的明适应样本存在视觉震荡现象。视觉刺激小于0.1s,不会引起驾驶员不良视知觉;0.2秒为心理学实验中常用的最小视觉刺激时间。
地下道路环境单调、刺激物少,此时驾驶员易低估车速。车速低估一方面导致实际车速高于感知车速,另一方面使驾驶员容易误判与前车的跟车距离,从而引发交通事故。因此,在地下道路标线可适当减少间距,使驾驶员自动降低行驶速度,进而提高地下道路的安全性。目前已有部分学者开展了相关领域的研究,但还没有成熟技术方案的相关报道。
发明内容
本发明旨在解决克服现有技术的不足,提供一种地下道路交通标志动态视认性评价方法, 正确评价提高地下道路的安全性,为达到上述目的,本发明采取的技术方案是,一种地下道路交通标志动态视认性评价方法,通过地下道路交通标志标线颜色特征描述,地下道路交通标志轮廓特征提取,地下道路交通标志轮廓边界判断,地下道路交通标志轮廓特征感知获取地下道路交通标志的静态向量,描述包括类型、尺寸、朝向几种类别的静态向量,类型指交通标志类型,分为指示标志、警告标志、禁令标志和指路标志,此外,还包括下列步骤:
采用的交通标志动态特征向量为:车辆与交通标志距离,行车水平、纵向夹角,行车速度,行车加速度,驾驶员与交通标志的水平、纵向视角;
采用地下道路交通标线动态特征向量;
采用如下步骤对地下道路驾驶员智能体对前述静态、动态特征向量的感知参数进行标定:
1)采用虚拟现实软件uc win/road制作交通场景,包含人、车、路及环境等交通信息,并以Nt米为步长标记交通标志视距范围内的多个特征位置,设特征位置共Ns个;
2)征集实验人员在上述制作的交通场景中进行Ng×Nr次三维虚拟现实模拟实验,其中Ng表示基于调查的不同的车速、车型和交通流状况的交通场景组数,Nr表示每种场景重复实验次数;
3)采用自动拍摄模式,得到交通标志视距内,不同实验人员模拟实验行车视角下各特征位置的图像,这些图片是用来进行眼动模拟的原始图像;
4)采用非接触式眼动仪采集实验人员模拟驾驶时的视线轨迹和停留时间,并与步骤3)中特征位置的图像进行同步,得到不同特征位置视线停留在图像中的坐标;
5)采用模拟实验数据,通过公式logρi=β0+βivi i=1,2,...,m对地下道路行车中影响驾驶员对交通标志视认性的静态和动态因素进行逐步回归,其中ρi为地下道路交通标志感知率即地下道路交通标志动态视认性评价的结果,β0为回归常数项,βi为第i个回归系数,vi为第i个回归参数,这些参数包括:与标志距离、行车水平夹角、行车纵向夹角、行车速度、加速度、与标志水平夹角、标志类型、尺寸和朝向,选择显著因素作为驾驶员智能体对地下道路交通标志的感知因素,对应的系数为权重。
交通标志的动态特征向量中各分量类型及取值如下表所示:
本发明的技术特点及效果:
1)以往交通标志的视认性,基本都是针对静态交通标志的研究,本发明通过细致刻画地下道路交通标志特征并建立驾驶员动态视认模型,考虑了驾驶员行车过程中的动态特征,更接近实际。
2)本方法扩展能力强,能根据具体方案条件灵活设置仿真场景,不仅能对不同地下道路方案下的交通标志视认性进行评价,稍加改造,还能应用到立交标志、行人标志等的视认性评价方面。
附图说明
图1视觉器官的感受性对光刺激变化的相顺应性。
图2适当减少标线间距提高车速感知。
图3大型车辆地下道路交通标志标线动态视认性仿真框架。
图4地下停车场的分流出现场场景。
图5地下停车场的分流出现场场景。
图6距离前方标志75米时的驾驶场景。
图7距离前方标志50米时的驾驶场景。
图8距离前方标志25米时的驾驶场景。
图9距离前方标志10米时的驾驶场景。
图10静态模型与动态模型的焦点位置准确度。
图11静态模型与动态模型的焦点停驻时间准确度。
图12静态模型与动态模型的轨迹准确度。
图13亮度降低一半条件下距离前方标志25米时的场景。
图14亮度增加4倍条件下距离前方标志25米时的场景。
图15不同场景和不同位置段的感知率图。(40km/h)。
图16不同场景和不同位置段的识别率图。
图17不同场景和不同位置段的感知率图。(60km/h)。
图18不同场景和不同位置段的识别率图。(60km/h)。
图19不同场景和不同位置段的感知率图。(80km/h)。
图20不同场景和不同位置段的识别率图。(80km/h)。
具体实施方式
本发明首先对地下道路交通标志标线进行分类和评价,再根据他们的特征建立大型车辆地下道路交通标志标线视认模型,用来描述地下道路动态交通行车环境中,大型车辆驾驶员对交通标志标线感知行为,并通过设计评价指标来评价交通标志标线的视认性。
1大型车辆地下道路行车交通标志视觉感知模型构建:
主要在地下道路行车场景的颜色、轮廓、净空等特征条件下,提取交通标志可能颜色、位置、轮廓等特征,设计显著性提取方法和焦点移动轨迹算法,在此基础上建立驾驶员地下交通标志视认模型,模拟大型车辆驾驶员在地下道路行车中对交通标志的感知行为。
1.1地下道路交通标志标线颜色特征描述:
采用交通标志中暖色色彩度和亮度进行表示,但是其特征值占总值的权重根据眼动实验得到。
暖色色彩度:由于色调环中接近红色的颜色对人的眼睛刺激度更大,因此将交通标志显著性与其中的暖色像素及其对应在色环中的角度加以考虑。令AP(x,y)表示交通标志中像素颜色对应的色调角度,则如果AP(x,y)≤90°且AP(x,y)≥0°,暖色色彩度 否则 令 表示像素(x,y)的暖色色彩度显著度,则
亮度:高亮度的交通标志是引起驾驶员注意的重要因素,因此将标志图像中的亮度值作为影响驾驶员感知的因素。令 表示像素(x,y)的亮度显著度,则
通过对地下道路场景中交通标志的颜色特征进行显著性提取,再采用眼动模拟实验得到在综合显著度中所占的权重,即可在驾驶员智能体中加入上述感知特征,用来描述驾驶员在颜色属性方面感知地下道路交通标志的行为。
1.2地下道路交通标志轮廓特征描述
1.2.1地下道路交通标志轮廓特征提取
交通标志的颜色特征用来判断交通标志在位置,但是交通标志的标志轮廓特征是在标志牌上的,需要采用显著性识别的方法,在排除干扰的前提下进行轮廓特征的描述,这是用来识别轮廓特征的前提。本章采用色调对比、饱和度对比和亮度对比三个特征进行描述。
1)色调对比:图像中不同色调在颜色环上的角度差异可以对人眼产生刺激。大的色调角度差显然可以形成较多的色调对比。在色调环中,两个最大的角度差异为180度。令HP(x,y)表示交通标志图像P坐标(x,y)的色调角度,则坐标(x,y)的色调对比度 其中NP表示图像P中的像素数,即 表示交通标志图像的平均色调角度。令 表示像素(x,y)的色调对比显著度,则
2)饱和度对比:由图像中高低不同的颜色饱和度形成了对比。饱和度对比的强弱由颜色的饱和度差异决定。令SP(x,y)表示交通标志图像坐标(x,y)的饱和度值,则坐标(x,y)的饱和度对比度 表示交通标志图像的平均饱和度。令 表示像素(x,y)的饱和对比显著度,则
3)亮度对比:图像中的明暗变化也可以对人眼产生刺激。亮度的差异越大,则对比越强烈。令VP(x,y)表示交通标志图像坐标(x,y)的亮度值,则坐标(x,y)的亮度对比度 其中 表示交通标志图像的平均饱和 度。令 表示像素(x,y)的亮度对比显著度,则
1.2.2地下道路交通标志轮廓边界判断
采用5.2.1中定义的地下道路交通标志色调对比、饱和度对比和亮度对比值来进行轮廓特征的提取,为了提高提取效率,令λX、λY表示通标志轮廓特征提取在X、Y轴方向的搜索步长。设置边界识别条件 其中GH,GS,GV分别表示隧道交通标志色调、饱和度和亮度边界变化阈值。采用主要的特征提取步骤如下:
1)初始化x=0,y=0;
2)x:=x+λX;
3)如果x>XP,转5),否则继续;
4)计算(x,y)、(x-λX,y)两个位置的色调、饱和度和亮度对比显著度值,如果满足边界识别条件a,b,c三个条件中的2条及以上,则判定对应区域为轮廓边界区域,将(x,y)归入轮廓边界点集B,并在区域(x-λX,y-λY),(x-λX,y),(x,y),(x-λX,y)四点围合区域突出显示显著度,转2);
5)y:=y+λY;
6)如果y>YP,结束,否则x=0,转2)。
1.2.3地下道路交通标志轮廓特征感知
5.2.3中将隧道交通标志轮廓边界进行了提取,但如果要对轮廓特征进行提取,则需要对最外界的边界进行识别,以判断标志轮廓特征,并对标志类型进行初步判断。交通标志的视认性与显示程度是否良好与交通标志的形状有重要关系。在外形同等面积的情况下,效果好又容易识别的顺序是:三角形、菱形、正方形、正五边形、正六边形、圆形、正八角形等。国际《安全色和安全标志》标准草案中关于几何图形的规定是:正三角形表示警告:圆形表示禁止和限制;正方形、长方形表示提示。我国现代的交通标志几何形状国际标准和国家《安全标志》标准的规定是基本一致的。由于驾驶员看到上述标志后的敏感程度是不一样的,因此在模拟驾驶员在隧道行车中对交通标志的感知模型中,需要首先判断交通标志形状,在此基础上设置一定的权重来对该标志对驾驶员的吸引程度进行描述。地下道路交通标志轮廓特征感知步骤如下:
1)将轮廓边界点集B中最外侧的点先按y坐标从大到小进行排序,在此基础上对同一y坐标下的x坐标从小到大进行排序,得到排序后的新边界点序列B′=(d1(x1,y1),d2(x2,y2),...,dn(xn,yn)),其中di(xi,yi)i=1,2,...,n表示序列中的点;
2)令ηb表示地下道路交通标志轮廓特征边界干扰噪声阈值,在集合C中对所有点周边半径ηb的区域进行扫描,凡是进入到该区域的相邻点,全部突出显著度进行显示;
3)采用Hough变换算法对上述排除干扰后的区域进行识别,检测图像中存在的轮廓边界;
4)将无规则图形、正三角形、圆形和矩形分别标记为N,T,C,R并进行返回,分别对应不同的形状,这些参数将是交通标志对驾驶员感知影响程度的依据。
1.3大型车辆地下道路交通标志其它静态感知向量
地下道路交通标志的其他静态特征分为类型、尺寸、朝向几种类别,将这特征构造成特征向量加以描述。交通标志类型主要分为指示标志、警告标志、禁令标志和指路标志,将这些类型作为静态特征响亮的第一个分量,分别用1至4表示;交通标志尺寸分量是在类型基础上加以区分的,从小到大设置5种级别,分别为1(很小),2(小),3(中等),4(较大),5(大),每个级别对应的具体尺寸确定方法为:首先找出特定场景下(如隧道、普通道路、立交等),不同类型标志的最大和最小面积,将此面积均匀分为5等份表示不同级别,如立交场景中交通指示标志最大位2平方米,最小为0.5平方米,则尺寸分量1到5级分别代表的尺寸范围为:0.5-0.8,0.8-1.1,1.1-1.4,1.4-1.7,1.7-2.0平方米。朝向分量是相对行车方向的角度进行确定的,一般情况下,交通标志表面与行车方向的夹角为0-180度,分为0-36、36-72、72-108、108-144、144-180五个级别,分别用分量值1-5进行表示。类型、形状、尺寸、朝向分量及其取值如下表所示。
表静态特征的类型、形状、尺寸、朝向分量表示
1.4大型车辆地下道路交通标志动态感知特征向量
地下道路交通标志的动态特征是相对驾驶员在不同线形(直线、上下坡、转弯等)和车速下,交通标志的相对运动特征,如距离、运动方向、速度和视角等。本发明采用的动态特征向量为:车辆与交通标志距离,行车水平、纵向夹角,行车速度,行车加速度,驾驶员与交通标志的水平、纵向视角,这些变量表示了在不同行车速度、加速度及相对交通标志的不同位置下,影响驾驶员的主要视觉感知因素。交通标志的动态特征向量中各分量类型及取值如下表所示。
表交通标志视觉感知的动态特征向量构造
实际上,上述分量的取值不是完全相同,与不同类型驾驶员、车辆类型和交通场景息息相关,其具体值的确定需要通过实际行车或者虚拟现实模拟加以标定。
1.5大型车辆地下道路交通标线描述
除了交通标志外,还需要对地下道路交通标线的感知进行描述,由于相对交通标志,标线的描述相对简单,主要是对其不同轮廓、密度下,相对车辆不同速度、加速度下的感知建立模型,主要涉及轮廓和动态感知向量,采用的描述方式与上述交通标志描述类似,不再赘述。
2大型车辆地下道路交通标志感知参数实验标定
由于上述静态和动态特征是独立进行提取的,因此需要在智能体中以一定的参数加以呈现,采用如下步骤对地下道路驾驶员智能体对交通标志的感知参数进行标定:
1)采用虚拟现实软件uc win/road制作交通场景,包含人、车、路及环境等交通信息,并以Nt米为步长标记交通标志视距范围内的多个特征位置,设特征位置共Ns个;
2)征集实验人员在上述制作的交通场景中进行Ng×Nr次三维虚拟现实模拟实验,其中Ng表示基于调查的不同的车速、车型和交通流状况的交通场景组数,Nr表示每种场景重复实验次数;
3)采用自动拍摄模式,得到交通标志视距内,不同实验人员模拟实验行车视角下各特征位置的图像,这些图片是用来进行眼动模拟的原始图像;
4)采用Facelab非接触式眼动仪采集实验人员模拟驾驶时的视线轨迹和停留时间,并与3)中特征位置的图像进行同步,得到不同特征位置视线停留在图像中的坐标;
5)采用模拟实验数据,通过公式logρi=β0+βivi i=1,2,...,m对地下道路行车中影响驾驶员对交通标志视认性的静态和动态因素进行逐步回归,其中ρi为地下道路交通标志感知率,β0为回归常数项,βi为第i个回归系数,vi为第i个回归参数,这些参数包括:与标志距离、行车水平夹角、行车纵向夹角、行车速度、加速度、与标志水平夹角、标志类型、尺寸和朝向,选择显著因素作为驾驶员智能体对地下道路交通标志的感知因素,对应的系数为权重。
3仿真框架
大型车辆地下道路交通标志动态视认性仿真框架如下图3所示。
仿真实验
3.1仿真场景
采用天津站海河东路地下道路作为仿真场景,在建国道、五经路与车站地下停车场的分流出现场场景如图4、5所示。
采用uc win/road模拟系统对仿真场景进行三维虚拟现实构建,得到如图6-9所示的部分 模拟场景。
影响驾驶员对地下道路交通标志感知的因素很多,本实验针对不同标志尺寸、朝向、光照等条件下的视认效果进行仿真并评价。
3.2仿真实验
光照强度是影响地下道路交通标志视认最重要的因素之一,参考《公路隧道通风照明设计规范》JTJ 026.1-1999,不同行车速度下隧道各照明段长度如下表所示。
表1不同行车速度下隧道各照明段长度(m)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 总过渡段 | 中间段 | 出口段 | |
40 | 11.3 | 26 | 44 | 67 | 137 | - | 60 |
60 | 46.5 | 44 | 67 | 100 | 211 | - | 60 |
80 | 100.7 | 72 | 89 | 133 | 294 | - | 60 |
100 | 171.1 | 106 | 111 | 167 | 384 | - | 60 |
表2不同行车速度下隧道各照明段亮度大小(CD/m2)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
40 | 27.5 | 8.25 | 2.75 | 0.963 | 1.2 | 6 |
60 | 54 | 16.2 | 5.4 | 1.89 | 2 | 10 |
80 | 105 | 31.5 | 10.5 | 3.675 | 3.6 | 18 |
100 | 160 | 48 | 16 | 5.6 | 7.2 | 36 |
3.3与静态视认性的比较实验
为了验证本章提出的地下道路交通标志动态视认模型的有效性,对本文动态模型构建的智能体与静态模型的视认精确度进行比较,其中静态视认模型采用Itti模型进行模拟,得到如下图10-12所示的不同位置的焦点位置、焦点停驻和轨迹准确度。
表3静态模型与动态模型的地下道路交通标志视认准确度
40km/h下的标志感知仿真实验
1)设计速度为40km/h条件下不同照明强度下的标志感知仿真实验
在设计速度为40km/h条件下,对该隧道不同位置设置不同的照明标准,设置场景中分别在现有标准基础上降低和增加一定照明亮度,如下表所示,其中XXXX位置不同亮度下的模拟场景如图13、14所示。
表4不同模拟场景下的亮度值设定(40km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 3.44 | 1.03 | 0.34 | 0.12 | 0.15 | 0.75 |
场景2 | 6.88 | 2.06 | 0.69 | 0.24 | 0.3 | 1.5 |
场景3 | 13.75 | 4.13 | 1.38 | 0.48 | 0.6 | 3 |
场景4 | 27.5 | 8.25 | 2.75 | 0.96 | 1.2 | 6 |
场景5 | 55 | 16.5 | 5.5 | 1.93 | 2.4 | 12 |
场景6 | 110 | 33 | 11 | 3.85 | 4.8 | 24 |
场景7 | 220 | 66 | 22 | 7.7 | 9.6 | 48 |
场景8 | 440 | 132 | 44 | 15.41 | 19.2 | 96 |
采用本发明提出的大型车辆视觉感知模型,建立智能体在不同车速下进行仿真,得到地下道路交通标志的感知率和识别率如下表所示。
表5不同照明亮度下地下道路交通标志的感知率(%)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 24.76 | 25.46 | 25.55 | 26.25 | 28.27 | 29.57 |
场景2 | 33.53 | 29.02 | 29.49 | 27.91 | 30.37 | 32.99 |
场景3 | 40.24 | 32.64 | 32.83 | 30.37 | 32.2 | 35.18 |
场景4 | 46.15 | 33.26 | 33.8 | 31.67 | 36.49 | 42.52 |
场景5 | 51.92 | 33.89 | 33.55 | 33.6 | 38.41 | 45 |
场景6 | 55.03 | 33.51 | 33.09 | 35.96 | 41.22 | 46.29 |
场景7 | 56.89 | 33.29 | 33.09 | 36.66 | 42.52 | 47.87 |
场景8 | 59.08 | 33.39 | 33.78 | 36.03 | 44.27 | 48.04 |
表6不同照明亮度下地下道路交通标志的识别率(%)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 22.64 | 23.08 | 22.45 | 23.61 | 23.49 | 26.03 |
场景2 | 30.89 | 26.41 | 28.16 | 23.18 | 28.63 | 29.06 |
场景3 | 37.59 | 31.16 | 28.9 | 27.71 | 28.56 | 31.23 |
场景4 | 40.03 | 28.44 | 30.26 | 27.09 | 32.31 | 39.57 |
场景5 | 47.31 | 29.63 | 29 | 29.66 | 33.12 | 40.76 |
场景6 | 49.75 | 30.15 | 27.95 | 33.57 | 37.32 | 43.44 |
场景7 | 51.08 | 29.44 | 30.64 | 31.68 | 36.67 | 41.61 |
场景8 | 53.74 | 28.85 | 29.47 | 31.32 | 39.18 | 44.37 |
60km/h下的标志感知仿真实验
在设计速度为60km/h条件下,对该隧道不同位置设置不同的照明标准,设置场景中分别在现有标准基础上降低和增加一定照明亮度,如下表所示,其中XXXX位置不同亮度下的模拟场景如图13、14所示。
表6不同模拟场景下的亮度值设定(60km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 6.75 | 2.03 | 0.68 | 0.24 | 0.25 | 1.25 |
场景2 | 13.5 | 4.05 | 1.35 | 0.47 | 0.5 | 2.5 |
场景3 | 27 | 8.1 | 2.7 | 0.95 | 1 | 5 |
场景4 | 54 | 16.2 | 5.4 | 1.89 | 2 | 10 |
场景5 | 108 | 32.4 | 10.8 | 3.78 | 4 | 20 |
场景6 | 216 | 64.8 | 21.6 | 7.56 | 8 | 40 |
场景7 | 432 | 129.6 | 43.2 | 15.12 | 16 | 80 |
场景8 | 864 | 259.2 | 86.4 | 30.24 | 32 | 160 |
采用本章提出的大型车辆视觉感知模型,建立智能体在不同车速下进行仿真,得到地下道路交通标志的感知率和识别率如下表所示。
表7不同照明亮度下地下道路交通标志的感知率(60km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 27.7 | 26.28 | 26.62 | 25.86 | 29.82 | 28.84 |
场景2 | 37.76 | 30.68 | 30.96 | 28.7 | 30.39 | 31.73 |
场景3 | 39.47 | 31.53 | 32.1 | 31.1 | 32.07 | 35.73 |
场景4 | 43.16 | 34.26 | 35.46 | 34.93 | 36.05 | 41.21 |
场景5 | 46.7 | 33.43 | 33.65 | 34.79 | 37.34 | 46.41 |
场景6 | 50.1 | 32.9 | 31.51 | 34.02 | 40.5 | 45.69 |
场景7 | 53.79 | 34.76 | 34.81 | 37.3 | 41.08 | 48.22 |
场景8 | 55.91 | 32.14 | 32.65 | 34.9 | 43.7 | 46.11 |
表8不同照明亮度下地下道路交通标志的识别率(60km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 20.79 | 20.46 | 20.41 | 21.66 | 25.06 | 21.6 |
场景2 | 28.61 | 24.61 | 26.69 | 24.52 | 24.76 | 23.75 |
场景3 | 32.72 | 23.47 | 26.73 | 25.79 | 26.74 | 27.95 |
场景4 | 33.14 | 26.45 | 28.56 | 27.69 | 30.37 | 33.3 |
场景5 | 37.21 | 25.85 | 28.17 | 25.9 | 29.05 | 39 |
场景6 | 40.89 | 25.03 | 24.33 | 28.72 | 30.65 | 36.09 |
场景7 | 43.62 | 28.82 | 27.11 | 30.58 | 31.65 | 39.65 |
场景8 | 45.76 | 23.72 | 26.66 | 27.46 | 36.53 | 35.51 |
80km/h下的标志感知仿真实验
在设计速度为80km/h条件下,对该隧道不同位置设置不同的照明标准,设置场景中分别在现有标准基础上降低和增加一定照明亮度,如下表所示。
表9不同模拟场景下的亮度值设定(80km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 13.13 | 3.94 | 1.31 | 0.46 | 0.45 | 2.25 |
场景2 | 26.25 | 7.88 | 2.63 | 0.92 | 0.9 | 4.5 |
场景3 | 52.5 | 15.75 | 5.25 | 1.84 | 1.8 | 9 |
场景4 | 105 | 31.5 | 10.5 | 3.68 | 3.6 | 18 |
场景5 | 210 | 63 | 21 | 7.35 | 7.2 | 36 |
场景6 | 420 | 126 | 42 | 14.7 | 14.4 | 72 |
场景7 | 840 | 252 | 84 | 29.4 | 28.8 | 144 |
场景8 | 1680 | 504 | 168 | 58.8 | 57.6 | 288 |
采用本章提出的大型车辆视觉感知模型,建立智能体在不同车速下进行仿真,得到地下道路交通标志的感知率和识别率如下表1,2所示。
表10不同照明亮度下地下道路交通标志的感知率(80km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 25.8 | 26.93 | 24.84 | 25.4 | 30.17 | 30.72 |
场景2 | 38.63 | 31.19 | 30.83 | 29.14 | 29.5 | 31.4 |
场景3 | 38.65 | 31.14 | 32.74 | 31.64 | 31.17 | 35.79 |
场景4 | 43.43 | 34.38 | 35.32 | 35.69 | 36.92 | 42.15 |
场景5 | 47.28 | 34.49 | 34.24 | 36.46 | 38.06 | 45.68 |
场景6 | 51.08 | 31.06 | 29.67 | 32.95 | 40.34 | 46.36 |
场景7 | 54.22 | 36.08 | 35.6 | 37.35 | 39.12 | 46.39 |
场景8 | 55.4 | 30.27 | 33.01 | 33.5 | 42.15 | 45.04 |
表11不同照明亮度下地下道路交通标志的识别率(80km/h)
入口段 | 过渡段1 | 过渡段2 | 过渡段3 | 中间段 | 出口段 | |
场景1 | 21.07 | 25 | 22.12 | 20.97 | 24.93 | 28.94 |
场景2 | 32.59 | 29.41 | 26.69 | 28.12 | 28.84 | 26.44 |
场景3 | 35.49 | 29 | 29.99 | 29.57 | 26.47 | 33.06 |
场景4 | 41.12 | 29.96 | 31.99 | 33.96 | 34.41 | 37.09 |
场景5 | 41.73 | 29.11 | 29.05 | 33.78 | 32.01 | 43.07 |
场景6 | 46.88 | 28.48 | 27.87 | 29.92 | 35.8 | 40.18 |
场景7 | 46.51 | 32.4 | 31.44 | 34.54 | 33.94 | 42.4 |
场景8 | 50.19 | 29.18 | 30.76 | 30.84 | 38.21 | 40.2 |
3.5仿真结果分析
1)通过将本文提出的大型车辆地下道路交通标志动态视认模型与静态视认模型进行比较,发现动态模型在焦点位置准确度、停驻时间准确度、轨迹准确度等方面均有较大的优势,较静态模型精确度分别提高43.29%、46.86%、48.60%,证明本章提出的动态模型在地下道路交通标志识别模拟精确度方面是有效的。
2)由表4-11和图13-20可知,驾驶员对交通标志感知率和识别率在进口段和出口段部分差别最大,当亮度从标准亮度值降低时,感知率和识别率急剧下降,这是因为由于地下道路外部亮度高,入口段和外部亮度形成的差别过大而导致“黑洞”现象,影响了对入口段的交通标志视认性。在过渡段和中间断区域,当亮度值大于标准亮度值的一半时,感知率和识别率相差不大。
3)由不同车速下大型车辆地下道路标志感知率和识别率数据表和分析图可知,在入口段和出口段部分,提高亮度能有效提高交通标志的识别性,而在中间段适当降低亮度值对视认性影响不大。综上所述,本仿真实验条件下推荐的亮度值是在入口段和出口段部分提高1倍亮度,而在中间段降低50%的亮度值。
有益效果
本发明的优点在于:
1)以往交通标志的视认性,基本都是针对静态交通标志的研究,本发明通过细致刻画地下道路交通标志特征并建立驾驶员动态视认模型,考虑了驾驶员行车过程中的动态特征,更接近实际。
2)本方法扩展能力强,能根据具体方案条件灵活设置仿真场景,不仅能对不同地下道路方案下的交通标志视认性进行评价,稍加改造,还能应用到立交标志、行人标志等的视认性评价方面。
Claims (2)
1.一种地下道路交通标志动态视认性评价方法,其特征是,通过地下道路交通标志标线颜色特征描述,地下道路交通标志轮廓特征提取,地下道路交通标志轮廓边界判断,地下道路交通标志轮廓特征感知获取地下道路交通标志的静态向量,描述包括类型、尺寸、朝向几种类别的静态向量,类型指交通标志类型,分为指示标志、警告标志、禁令标志和指路标志,此外,还包括下列步骤:
采用的交通标志动态特征向量为:车辆与交通标志距离,行车水平、纵向夹角,行车速度,行车加速度,驾驶员与交通标志的水平、纵向视角;
采用地下道路交通标线动态特征向量;
采用如下步骤对地下道路驾驶员智能体对前述静态、动态特征向量的感知参数进行标定:
1)采用虚拟现实软件uc win/road制作交通场景,包含人、车、路及环境等交通信息,并以Nt米为步长标记交通标志视距范围内的多个特征位置,设特征位置共Ns个;
2)征集实验人员在上述制作的交通场景中进行Ng×Nr次三维虚拟现实模拟实验,其中Ng表示基于调查的不同的车速、车型和交通流状况的交通场景组数,Nr表示每种场景重复实验次数;
3)采用自动拍摄模式,得到交通标志视距内,不同实验人员模拟实验行车视角下各特征位置的图像,这些图片是用来进行眼动模拟的原始图像;
4)采用非接触式眼动仪采集实验人员模拟驾驶时的视线轨迹和停留时间,并与步骤3)中特征位置的图像进行同步,得到不同特征位置视线停留在图像中的坐标;
5)采用模拟实验数据,通过公式logρi=β0+βivi i=1,2,...,m对地下道路行车中影响驾驶员对交通标志视认性的静态和动态因素进行逐步回归,其中ρi为地下道路交通标志感知率即地下道路交通标志动态视认性评价的结果,β0为回归常数项,βi为第i个回归系数,vi为第i个回归参数,这些参数包括:与标志距离、行车水平夹角、行车纵向夹角、行车速度、加速度、与标志水平夹角、标志类型、尺寸和朝向,选择显著因素作为驾驶员智能体对地下道路交通标志的感知因素,对应的系数为权重。
2.如权利要求1所述的地下道路交通标志动态视认性评价方法,其特征是,交通标志的动态特征向量中各分量类型及取值如下表所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210104942.5A CN102620766B (zh) | 2012-04-11 | 2012-04-11 | 地下道路交通标志动态视认性测试方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210104942.5A CN102620766B (zh) | 2012-04-11 | 2012-04-11 | 地下道路交通标志动态视认性测试方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102620766A CN102620766A (zh) | 2012-08-01 |
CN102620766B true CN102620766B (zh) | 2014-11-05 |
Family
ID=46560825
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210104942.5A Active CN102620766B (zh) | 2012-04-11 | 2012-04-11 | 地下道路交通标志动态视认性测试方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102620766B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093283A (zh) * | 2013-01-12 | 2013-05-08 | 天津市市政工程设计研究院 | 行人引导标志设置优化方法 |
CN103198182B (zh) * | 2013-03-20 | 2015-10-28 | 天津市市政工程设计研究院 | 基于视觉感知仿真模拟技术的行人指路标志设计方法 |
CN103760774A (zh) * | 2013-12-26 | 2014-04-30 | 西南交通大学 | 交通标志设计及设置位置合理性模拟测评系统 |
US9851212B2 (en) * | 2016-05-06 | 2017-12-26 | Ford Global Technologies, Llc | Route generation using road lane line quality |
CN107301801B (zh) * | 2017-07-14 | 2020-06-09 | 深圳国泰安教育技术有限公司 | 一种vr模拟驾驶的操作方法、装置、vr头盔和存储介质 |
US10305765B2 (en) | 2017-07-21 | 2019-05-28 | International Business Machines Corporation | Adaptive selection of message data properties for improving communication throughput and reliability |
CN107653789B (zh) * | 2017-09-22 | 2020-01-10 | 长安大学 | 一种基于人因可靠性的隧道口交通标志设置方法 |
CN110796073B (zh) * | 2019-10-28 | 2021-05-25 | 衢州学院 | 一种无纹理场景视频中对特定目标区域的侦测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101546437A (zh) * | 2009-04-24 | 2009-09-30 | 长安大学 | 一种道路交通虚拟标志标线的模拟试验平台的建立方法 |
CN100573620C (zh) * | 2008-01-29 | 2009-12-23 | 武汉理工大学 | 基于虚拟现实的驾驶员注视物体识别系统 |
CN201716017U (zh) * | 2010-05-07 | 2011-01-19 | 交通部公路科学研究所 | 交通标志动态视认距离模拟测试装置 |
-
2012
- 2012-04-11 CN CN201210104942.5A patent/CN102620766B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN100573620C (zh) * | 2008-01-29 | 2009-12-23 | 武汉理工大学 | 基于虚拟现实的驾驶员注视物体识别系统 |
CN101546437A (zh) * | 2009-04-24 | 2009-09-30 | 长安大学 | 一种道路交通虚拟标志标线的模拟试验平台的建立方法 |
CN201716017U (zh) * | 2010-05-07 | 2011-01-19 | 交通部公路科学研究所 | 交通标志动态视认距离模拟测试装置 |
Non-Patent Citations (10)
Title |
---|
Assessment of drivers’ comprehension of traffic signs basedon their traffic, personal and social characteristics;Hashim A1-Madani.etc;《transportation research》;20020220(第2期);第63-68页 * |
brvbar * |
c sign.《Industrial Ergonomics》.1998,(第6期),107-114. * |
HashimA1-Madani.etc.Assessmentofdrivers’comprehensionoftrafficsignsbasedontheirtraffic personal and social characteristics.《transportation research》.2002 * |
Jeanne M.Purduski.Evaluations of a new Advance Flagger tra& * |
Jeanne M.Purduski.Evaluations of a new Advance Flagger tra¦ * |
基于驾驶模拟器的交通标志视认性评测研究;马艳等;《中国会议》;20071201;第373-376页,正文4-13段 * |
李海琼.眼动仪在道路交通领域中的应用.《人类工效学》.2012,第18卷(第2期),75-78. * |
眼动仪在道路交通领域中的应用;李海琼;《人类工效学》;20120620;第18卷(第2期);第75-79页 * |
马艳等.基于驾驶模拟器的交通标志视认性评测研究.《中国会议》.2007, * |
Also Published As
Publication number | Publication date |
---|---|
CN102620766A (zh) | 2012-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102620766B (zh) | 地下道路交通标志动态视认性测试方法 | |
CN110197589B (zh) | 一种基于深度学习的闯红灯违法检测方法 | |
CN105913041B (zh) | 一种基于预先标定的信号灯识别方法 | |
CN104021378B (zh) | 基于时空关联与先验知识的交通信号灯实时识别方法 | |
CN105844257B (zh) | 基于机器视觉雾天行车错失道路标志牌的预警系统及方法 | |
CN103902976B (zh) | 一种基于红外图像的行人检测方法 | |
CN103400111B (zh) | 基于视频检测技术的高速公路隧道火灾事件检测方法 | |
CN102968646B (zh) | 一种基于机器学习的车牌检测方法 | |
CN108805018A (zh) | 道路交通标志检测识别方法、电子设备、存储介质及系统 | |
CN103971097B (zh) | 一种基于多尺度笔画模型的车牌识别方法与系统 | |
CN107085696A (zh) | 一种基于卡口图像的车辆定位及型号识别方法 | |
US20140294291A1 (en) | Image Sign Classifier | |
CN107273816B (zh) | 基于车载前视单目相机的交通限速标识检测识别方法 | |
CN105574552A (zh) | 一种基于单目视觉的车辆测距与碰撞预警方法 | |
CN103366156A (zh) | 道路结构检测和跟踪 | |
CN104778453A (zh) | 一种基于红外行人亮度统计特征的夜间行人检测方法 | |
CN106128115A (zh) | 一种基于双摄像机检测道路交通信息的融合方法 | |
CN110991221B (zh) | 一种基于深度学习的动态交通闯红灯识别方法 | |
CN103617426A (zh) | 一种自然环境干扰和有遮挡时的行人目标检测方法 | |
CN104182769B (zh) | 一种车牌检测方法及系统 | |
CN102999749A (zh) | 基于人脸检测的安全带违章事件智能检测方法 | |
CN104318225A (zh) | 车牌检测方法及装置 | |
CN106599905A (zh) | 一种基于深度学习的套牌车分析方法 | |
CN109415057B (zh) | 用于通过驾驶员辅助系统更好的识别对象的方法 | |
CN107704853A (zh) | 一种基于多分类器的交通信号灯的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 300051 No. 239, Yingkou Road, Heping District, Tianjin Patentee after: Tianjin municipal engineering design and Research Institute Co.,Ltd. Address before: 300051 No. 239, Yingkou Road, Heping District, Tianjin Patentee before: TIANJIN MUNICIPAL ENGINEERING DESIGN & Research Institute |