CN103236162A - 一种基于视频分析的信号交叉口通行能力分析方法 - Google Patents

Abstract

一种基于视频分析的信号交叉口通行能力分析方法，包括对视频捕捉采集的视频图像处理分析，以背景减法进行运动目标检测，利用改进的AdaBoost算法进行车辆识别，根据识别的目标信息进行车辆统计并计算出交通信息数据，以一种适用于多个相位控制的信号交叉口通行能力计算方法进行现状分析，所述通行能力分析方法执行以下步骤：交通流数据采集；运动目标检测；车辆识别确认；车辆统计并计算出交通信息数据；信号交叉口通行能力计算。根据识别的目标信息进行车辆统计并计算出交通信息数据，并由信号交叉口的实际交通状况选择适用于多个相位控制的信号交叉口通行能力计算方法，进行信号交叉口的通行能力的现状分析。

Description

一种基于视频分析的信号交叉口通行能力分析方法

技术领域

本发明属于智能交通领域，具体涉及一种基于视频分析的信号交叉口通行能力分析方法，实现对交通流量数据的采集，从而分析交通需求。

背景技术

基于智能交通（ITS）的交通环境下的信号交叉口通行能力分析是智能交通研究中的重要课题。深入研究交通条件下信号交叉口通行能力方法，能够为交通规划制定、交通管理与控制、交通组织优化的实施提供依据和参考，对从根本上把握混合交通条件下城市道路信号交叉口的运行规律、优化城市交通流运行状态以及实现城市可持续发展具有重要的现实意义。立足于我国交通状况，对交通环境下交叉口交通流运行特征进行深入分析研究，依靠计算机图像识别处理技术和信号交叉口通行能力计算方法，利用得出的结果对现有的信号交叉口交通控制进行反馈。

对于城市交通道路状况的监控和交通信息采集有着不同的手段，基于视频图像的交通流数据采集是利用视频和图像处理技术，对道路交通状况进行实时监控，并通过相应算法获取交通流参数数据的方式，是近年来出现的一种新型交通参数采集方法。视频图像的最大的特点是：有丰富的原始数据、相邻帧间的强相关性以及时域上的动态时变模式等在很大程度上使运动目标易于检测、识别成为可能；与静态图像相比，图像序列及视频的最大优点就在于对运动信息的捕获。利用摄像机视频捕捉采集和图像处理分析，进行交通流信息数据采集获取，并对视频图像序列中的车辆目标检测及车辆识别，通过对车辆的图像识别及车流量统计提取交通信息参数，完成基于视频手段的交通流信息数据采集。

车辆目标识别统计主要包括两个步骤：首先确定出感兴趣区域，即确定目标车辆可能存在的区域；然后是车辆识别确认，即对上一阶段产生的感兴趣区域进行确认，判断车辆目标，从而检测识别出车辆目标。目前，车辆检测中感兴趣区域提取方法主要有三种：光流场法，帧间差分法和背景减法，背景减法的基本思想是充分利用图像序列的时间和空间信息来分离出运动目标。背景减法相对于光流场法、帧间差分法具有检测效果好，硬件要求低等优点，背景减法因其目标检测的鲁棒性而成为工程中比较常用的方法。

而目前常用的信号交叉口通行能力分析方法有美国饱和流率模型方法，停车线法，冲突点法，城市道路设计规范中的方法等。由于我国和美国的交通道路条件有很大的区别，美国饱和流率模型方法计算出来的结果与实测的交通量相差很大。停车线法使用简便，且较为详细地分析了左转车道的通行能力，但是未考虑车辆通过停车线后在交叉口内再次受阻的可能性。冲突点法以冲突点为控制点来计算通行能力，该方法充分考虑了车流在交叉口内冲突的可能性，尤其是左转车流于对向直行车流的冲突，但考虑的影响因素较少，且并未考虑行人、非机动车的影响。城市道路设计规范中的方法大量采用了现有路况的车流比例和车种组成等实测数据，如果该交叉口趋于饱和，则计算出来的结果最为接近实测值。而随着城市道路的交通负荷日益加重，特别是在中大城市的拥堵地段，大多数交叉口已趋于饱和。大量实测研究表明，城市道路设计规范中的方法计算通行能力能较好地与信号交叉口实测通行能力相符。本发明基于《城市道路设计规范》计算方法，结合其他几种信号交叉口通行能力计算公式的研究成果，总结出一种适用于多个相位控制的信号交叉口通行能力计算方法。

发明内容

本发明以信号交叉口视频监控采集的视频序列为研究对象，通过对视频捕捉采集的视频图像处理分析，利用目标检测算法，提取出感兴趣区域，利用改进的AdaBoost算法进行车辆识别。根据识别的目标信息进行车辆统计并计算出交通信息数据，并由信号交叉口的实际交通状况选择适用于多个相位控制的信号交叉口通行能力计算方法，进行信号交叉口的通行能力的现状分析。

本发明在交通控制系统中安装摄像机，比安装其他传感器经济，安装简单，无需破坏路面，容易维护，可随时改变检测区域的位置和大小，不影响交通，而且保护环境。视频检测获取的信息量很大，通过可提取的数字图像处理高质量的信息，对视频图像场景内的交通状况进行高效准确的智能实时监控，捕获及时准确的运动信息。改进的AdaBoost算法有针对性的对参加训练的样本进行选择，选择适合的样本，减少了训练时间，并且避免选择那些误差比较大的样本，在有限的样本数目下达到很好的训练效果。而城市道路设计规范中的方法大量采用了现有路况的车流比例和车种组成等实测数据，适用于趋于饱和的中大城市的拥堵地段的交叉口，并且结合其他几种信号交叉口通行能力计算公式，比较适用于多相位信号。

实现本发明目的的技术方案是：一种基于视频分析的信号交叉口通行能力分析方法，包括对视频捕捉采集的视频图像处理分析，以背景减法进行运动目标检测，利用改进的AdaBoost算法进行车辆识别，根据识别的目标信息进行车辆统计并计算出交通信息数据，以城市道路设计规范中的方法进行信号交叉口的通行能力的现状分析，所述通行能力分析方法执行以下步骤：

步骤1交通流数据采集：采用视频图像采集为主，人工采集为辅的数据采集方法，基于视频的车流量检测，通过安装在道路旁边或者中间隔离带的支架上的摄像机和图像采集设备将实时的视频图像信息采入，同时人工采集信号交叉口的几何参数特征；

步骤2运动目标检测：从步骤1中获得的视频序列图像中将运动目标区域从背景图像中提取出来，采用背景减法获取初步的目标车辆可能存在的区域；

步骤3车辆识别确认：选用Haar特征来表述目标车辆，并运用改进的AdaBoost算法在步骤2的结果上进行车辆目标识别；

步骤4在步骤3基础上进行车辆统计并计算出交通信息数据；

步骤5信号交叉口通行能力计算：以一种适用于多个相位控制的信号交叉口通行能力计算方法，利用步骤4的结果和步骤1中的实地调查数据，研究分析信号交叉口的通行能力。

其中，所述采用改进的AdaBoost算法包括下列步骤：

步骤31准备训练样本；

步骤32初始化样本权重,；；

步骤33判断训练轮数t>T（T为最大训练轮数），如果成立执行步骤39；若果不成立执行步骤34；

步骤34权重归一化；

步骤35筛选分类能力较强的特征；

步骤36计算每个弱分类器对样本集的分类错误率；

步骤37选择第t轮训练的最优弱分类器h_t(x)；

步骤38更新样本权值；

步骤39由T个弱分类器线性叠加而成最终强分类器。

所述步骤34中权重归一化，具体包括：

对于每个特征，在给定的样本权重分布下训练弱分类器

$f_{t,j}=\left\{\begin{array}{cc}1& p_t{v}_j<p_t{\mathrm{\&theta;}}_j\\ -1& \mathrm{other}\end{array}\right.$

其中v_j为第j(j＝1,2...K)个特征的特征值，θ_j为阈值，p_t∈{-1,+1}表示分类方向。对于弱分类器，阈值θ_j以及偏置p_t可以通过计算样本的加权平均值得到，计算公式如下：

${\mathrm{\&theta;}}_j=\underset{i=1,y_i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)+\underset{i=1,y_i=-1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)$

$p_t=\left\{\begin{array}{cc}+1& \underset{i=1,y_i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)>\underset{i=1,y_i=-1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)\\ -1& \mathrm{other}\end{array}\right.$

所述步骤35中筛选分类能力较强的特征，具体包括：

每一轮训练时，对每个特征在给定的样本权值分布下训练弱分类器，并选择能力强的特征数目：计算F_j值，并按F_j大小进行排序。

当F₁，F₂，F₃，小于阈值θ时，表示不易区分两类样本，可以把这些样本特征去掉；F₄，F₅大于阈值θ，可以根据需要保留具有较大F_j值的特征。这样以后在每次训练时，都只在较大F_j值的特征下利用更新的样本权值训练弱分类器。

附图说明

图1交通流数据采集流程图。

图2运动目标检测流程图。

图3车辆识别确认。

图4车辆统计及交通信息数据计算流程图。

图5信号交叉口通行能力计算流程图。

具体实施方式

下面结合附图做进一步说明。

一种基于视频分析的信号交叉口通行能力分析方法，包括对视频捕捉采集的视频图像处理分析，以背景减法进行运动目标检测，利用改进的AdaBoost算法进行车辆识别，根据识别的目标信息进行车辆统计并计算出交通信息数据，以城市道路设计规范中的方法进行信号交叉口的通行能力的现状分析，所述通行能力分析方法执行以下步骤：

步骤1交通流数据采集：采用视频图像采集为主，人工采集为辅的数据采集方法，基于视频的车流量检测，通过安装在道路旁边或者中间隔离带的支架上的摄像机和图像采集设备将实时的视频图像信息采入，同时人工采集信号交叉口的几何参数特征；

步骤2运动目标检测：从步骤1中获得的视频序列图像中将运动目标区域从背景图像中提取出来，采用背景减法获取初步的目标车辆可能存在的区域；

步骤3车辆识别确认：选用Haar特征来表述目标车辆，并运用改进的AdaBoost算法在步骤2的结果上进行车辆目标识别；

步骤4在步骤3基础上进行车辆统计并计算出交通信息数据；

步骤5信号交叉口通行能力计算：以一种适用于多个相位控制的信号交叉口通行能力计算方法，利用步骤4的结果和步骤1中的实地调查数据，研究分析信号交叉口的通行能力。

如图1所示，步骤1交通流数据的采集流程包括下列步骤：

步骤S101观测点选取，安置摄像设备；

步骤S102打开摄像头，获取设备参数；

步骤S103设置视频的制式和帧格式；

步骤S104开始视频采集；

步骤S105人工采集信号交叉口的几何参数特征；

步骤S106结束视频采集，关闭视频设备；

如图2所示，步骤2运动目标检测的流程包括下列步骤：

步骤S201对输入的视频图像进行预处理；

步骤S202背景建模并提取出背景图像；

步骤S203当前视频帧图像与背景图相减；

步骤S204二值化前景图；

步骤S205进行中值滤波和形态学滤波，去掉噪音；

步骤S206将背景转化为图像格式，用以显示。

如图3所示，步骤3车辆识别确认的流程包括下列步骤：

步骤S301使用积分图计算不同的Haar特征；

步骤S302准备训练样本；

步骤S303初始化样本权重；

步骤S304判断训练轮数t>T（T为最大训练轮数），如果成立执行步骤S310；若果不成立执行步骤S305；

步骤S305权重归一化；

步骤S306筛选分类能力较强的特征；

步骤S307计算每个弱分类器对样本集的分类错误率；

步骤S308选择第t轮训练的最优弱分类器h_t(x)；

步骤S309更新样本权值；

步骤S310由T个弱分类器线性叠加而成最终强分类器。

所述步骤S305中权重归一化，具体包括：

对于每个特征，在给定的样本权重分布下训练弱分类器

$f_{t,j}=\left\{\begin{array}{cc}1& p_t{v}_j<p_t{\mathrm{\&theta;}}_j\\ -1& \mathrm{other}\end{array}\right.$

其中v_j为第j(j＝1,2...K)个特征的特征值，θ_j为阈值，p_t∈{-1,+1}表示分类方向。对于弱分类器，阈值θ_j以及偏置p_t可以通过计算样本的加权平均值得到，计算公式如下：

${\mathrm{\&theta;}}_j=\underset{i=1,y_i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)+\underset{i=1,y_i=-1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)$

$p_t=\left\{\begin{array}{cc}+1& \underset{i=1,y_i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)>\underset{i=1,y_i=-1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{i}f\left(x_i\right)\\ -1& \mathrm{other}\end{array}\right.$

其中w_i为第i个样本的权重。

所述步骤S306中筛选分类能力较强的特征，具体包括：

每一轮训练时，对每个特征在给定的样本权值分布下训练弱分类器，并选择能力强的特征数目：计算F_j值，并按F_j大小进行排序。

当F₁，F₂，F₃，小于阈值θ时，表示不易区分两类样本，可以把这些样本特征去掉；F₄，F₅大于阈值θ，可以根据需要保留具有较大F_j值的特征。这样以后在每次训练时，都只在较大F_j值的特征下利用更新的样本权值训练弱分类器。

如图4所示，步骤4车辆统计并计算出交通信息数据的流程包括下列步骤：

步骤S401车辆信息统计；

步骤S402计算交通量、速度、密度等交通流数据；

如图5所示，步骤5信号交叉口通行能力计算的流程包括下列步骤：

步骤S501一条直行车道的通行能力计算；

步骤S502一条专用左转车道的通行能力计算；

步骤S503一条专用右转车道的通行能力计算；

步骤S504直右车道的通行能力计算；

步骤S505直左车道的通行能力计算；

步骤S506直左右车道的通行能力计算；

步骤S507分析该信号交叉口的现状通行能力。

所述步骤S501中一条直行车道的通行能力计算，具体包括：

$C_s=\frac{3600}{T_C}\&CenterDot;(\frac{t_g-t_1}{t_{\mathrm{sri}}}+1)\&CenterDot;{\mathrm{\&delta;}}_s$

式中：C_s为一条直行车道的通行能力，单位是pcu/h；T_C为信号灯周期，单位是s；t_g为信号周期内的绿灯时间，单位是s；t₁为绿灯亮后，第一辆启动，通过停车线的时间，可采用2.3s；t_sri为直行车或右行车辆通过停车线的平均时间，s/pcu；δ_s为折减系数，可用0.9。

所述步骤S502中一条专用左转车道的通行能力计算，具体包括：

对于多个相位信号交叉口，因直行与左转相位的分离，对向直行车流对本向左转车流的影响可忽略，故可采用与直行车道通行能力相同的计算方法，如下：

$C_l=\frac{3600}{T_C}\&CenterDot;(\frac{t_g-t_1}{t_{\mathrm{sri}}}+1)\&CenterDot;{\mathrm{\&delta;}}_s$

式中：C_l为一条专用左转车道的通行能力，单位是pcu/h；T_C为信号灯周期，单位是s；t_g为信号周期内的绿灯时间，单位是s；t₁—绿灯亮后，第一辆启动，通过停车线的时间，可采用2.3s；t_sri—直行车或右行车辆通过停车线的平均时间，单位是s/pcu；δ_s为折减系数，可用0.9。

所述步骤S503中一条专用右转车道的通行能力计算，具体包括：

在信号交叉口，右转车辆一般不受信号灯影响，在有专用右转车道的条件下，最大通行能力为：

$C_r=\frac{3600}{t_r}$

式中：C_r为一条专用右转车道的通行能力，单位是pcu/h；t_r为前后两车右转连续驶过停车线断面的间隔时间，根据观测，大、小车各占一半时平均为4.5s，单纯是小车其平均值为3.0s～3.6s。

在没有行人和非机动车通行的情况下，一条右转车道的通行能力达到1000pcu/h～1200pcu/h。现实情况中，由于行人、非机动车车的影响变化很大，一般视具体情况具体分析。多采用减去行人、非机动车的通行占用时间，余下为可供右转车辆通行的时间，而行人、非机动车的通行时间一般与南北直行车道绿灯时间一致。

$C_r=\frac{3600}{t_r}\&times;\frac{T_C-\mathrm{\&Sigma;}{T}_s}{T_C}$

式中：T_C为信号灯周期，单位是s；T_s为行人、非机动车的通行占用时间，单位是s。

所述步骤S504中直右车道的通行能力计算，具体包括：

C_Sr＝C_s

式中：C_Sr为直右车道的通行能力，单位是pcu/h。C_s为一条直行车道的通行能力，单位是pcu/h

所述步骤S505中直左车道的通行能力计算，具体包括：

$C_{\mathrm{sl}}=C_s\&CenterDot;(1-{\mathrm{\&beta;}}_l^{\&prime;}/2)$

式中：C_Sl为直左车道的通行能力，单位是pcu/h；β′_l为左车道中左转车辆所占的比例，单位是(%)。

所述步骤S506中直左右车道的通行能力计算，具体包括：

C_Slr＝C_Sl

式中：C_Slr为直左右车道的通行能力，单位是pcu/h。

Claims (6)

1.一种基于视频分析的信号交叉口通行能力分析方法，包括对视频捕捉采集的视频图像处理分析，以背景减法进行运动目标检测，利用改进的AdaBoost算法进行车辆识别，根据识别的目标信息进行车辆统计并计算出交通信息数据，以城市道路设计规范中的方法进行信号交叉口的通行能力的现状分析，所述通行能力分析方法执行以下步骤： 

步骤1交通流数据采集：采用视频图像采集为主，人工采集为辅的数据采集方法，基于视频的车流量检测，通过安装在道路旁边或者中间隔离带的支架上的摄像机和图像采集设备将实时的视频图像信息采入，同时人工采集信号交叉口的几何参数特征； 

步骤2运动目标检测：从步骤1中获得的视频序列图像中将运动目标区域从背景图像中提取出来，采用背景减法获取初步的目标车辆可能存在的区域； 

步骤3车辆识别确认：选用Haar特征来表述目标车辆，并运用改进的AdaBoost算法在步骤2的结果上进行车辆目标识别； 

步骤4在步骤3基础上进行车辆统计并计算出交通信息数据； 

步骤5信号交叉口通行能力计算：以一种适用于多个相位控制的信号交叉口通行能力计算方法，利用步骤4的结果和步骤1中的实地调查数据，研究分析信号交叉口的通行能力； 

其中，所述采用改进的AdaBoost算法包括下列步骤： 

步骤31准备训练样本； 

步骤32初始化样本权重,；； 

步骤33判断训练轮数t>T，其中T为最大训练轮数，如果成立执行步骤39；若果不成立执行步骤34； 

步骤34权重归一化； 

步骤35筛选分类能力较强的特征； 

步骤36计算每个弱分类器对样本集的分类错误率； 

步骤37选择第t轮训练的最优弱分类器h_t(x)； 

步骤38更新样本权值； 

步骤39由T个弱分类器线性叠加而成最终强分类器。 

2.根据权利要求1所述的一种基于视频分析的信号交叉口通行能力分析方法，其特征是，步骤35中筛选分类能力较强的特征，具体包括： 

每一轮训练时，对每个特征在给定的样本权值分布下训练弱分类器，并选择能力强的特征数目：计算F_j值，并按F_j大小进行排序； 

当F₁，F₂，F₃，小于阈值θ时，表示不易区分两类样本，可以把这些样本特征去掉；F₄，F₅大于阈值θ，可以根据需要保留具有较大F_j值的特征；这样以后在每次训练时，都只在较大F_j值的特征下利用更新的样本权值训练弱分类器。 

3.根据权利要求1所述的一种基于视频分析的信号交叉口通行能力分析方法，其特征是，所述步骤1交通流数据的采集流程包括下列步骤： 

步骤S101观测点选取，安置摄像设备； 

步骤S102打开摄像头，获取设备参数； 

步骤S103设置视频的制式和帧格式； 

步骤S104开始视频采集； 

步骤S105人工采集信号交叉口的几何参数特征； 

步骤S106结束视频采集，关闭视频设备。 

4.根据权利要求1所述的一种基于视频分析的信号交叉口通行能力分析方法，其特征是，所述步骤2运动目标检测的流程包括下列步骤： 

步骤S201对输入的视频图像进行预处理； 

步骤S202背景建模并提取出背景图像； 

步骤S203当前视频帧图像与背景图相减； 

步骤S204二值化前景图； 

步骤S205进行中值滤波和形态学滤波，去掉噪音； 

步骤S206将背景转化为图像格式，用以显示。 

5.根据权利要求1所述的一种基于视频分析的信号交叉口通行能力分析方法，其特征是，所述步骤4车辆统计并计算出交通信息数据的流程包括下列步骤： 

步骤S401车辆信息统计； 

步骤S402计算交通量、速度、密度等交通流数据。 

6.根据权利要求1所述的一种基于视频分析的信号交叉口通行能力分析方法，其特征是，所述步骤5信号交叉口通行能力计算的流程包括下列步骤： 

步骤S501一条直行车道的通行能力计算； 

步骤S502一条专用左转车道的通行能力计算； 

步骤S503一条专用右转车道的通行能力计算； 

步骤S504直右车道的通行能力计算； 

步骤S505直左车道的通行能力计算； 

步骤S506直左右车道的通行能力计算； 

步骤S507分析该信号交叉口的现状通行能力； 

所述步骤S501中一条直行车道的通行能力计算，具体包括： 

式中：C_s为一条直行车道的通行能力，单位是pcu/h；T_C为信号灯周期，单位为s；t_g为信号周期内的绿灯时间，单位是s；t₁为绿灯亮后，第一辆启动，通过停车线的时间，可采用2.3s；t_sri为直行车或右行车辆通过停车线的平均时间，单位是s/pcu；δ_s为折减系数，可用0.9； 

所述步骤S502中一条专用左转车道的通行能力计算，具体包括： 

对于多个相位信号交叉口，因直行与左转相位的分离，对向直行车流对本向左转车流的影响可忽略，故可采用与直行车道通行能力相同的计算方法，如下： 

式中：C_l为一条专用左转车道的通行能力，单位是pcu/h；T_C为信号灯周期，单位是s；t_g为信号周期内的绿灯时间，单位是s；t₁—绿灯亮后，第一辆启动，通过停车线的时间，可采用2.3s；t_sri—直行车或右行车辆通过停车线的平均时间，单位是s/pcu；δ_s为折减系数，可用0.9； 

所述步骤S503中一条专用右转车道的通行能力计算，具体包括： 

在信号交叉口，右转车辆一般不受信号灯影响，在有专用右转车道的条件下，最大通行能力为： 

式中：C_r为一条专用右转车道的通行能力，单位是pcu/h；t_r为前后两车右转连续驶过停车线断面的间隔时间，根据观测，大、小车各占一半时平均为4.5s，单纯是小车其平均值为3.0s～3.6s； 

当有行人和非机动车通行的情况下，采用信号灯周期减去行人、非机动车的通行占用时间，余下为可供右转车辆通行的时间，而行人、非机动车的通行时间一般与南北直行车道绿灯时间一致： 

式中：T_C为信号灯周期，单位是s；T_s为行人、非机动车的通行占用时间，单位是s； 

所述步骤S504中直右车道的通行能力计算，具体包括： 

C_Sr＝C_s

式中：C_Sr为直右车道的通行能力，单位是pcu/h；C_s为一条直行车道的通行能力，单位是pcu/h； 

所述步骤S505中直左车道的通行能力计算，具体包括： 

C_Sl＝C_S·(1-β_l'/2) 

式中：C_Sl为直左车道的通行能力，单位是pcu/h；β′_l为左车道中左转车辆所占的比例，单位是(%)。 

所述步骤S506中直左右车道的通行能力计算，具体包括： 

C_Slr＝C_Sl

式中：C_Slr为直左右车道的通行能力，单位是pcu/h。 

Images