CN103426309A - 一种基于出租车行驶状态信息判别交通拥堵程度的方法 - Google Patents

Abstract

本发明一种基于出租车行驶状态信息判别交通拥堵程度的方法，属于判定交通拥堵状况的方法。对车载摄像头采集到的前方交通图像信息和汽车传感器采集到的车辆状态数据进行预处理，剔除无效数据点，利用CAN总线上的实时车速计算当前时间段的平均车速，并由平均车速判定交通拥堵状况。本发明摒除了依赖于GPS系统的缺点，同时结合图像处理方法，提高了判别的准确率，应用前景好。

Description

一种基于出租车行驶状态信息判别交通拥堵程度的方法

技术领域

本发明属于一种判定交通拥堵状况的方法，具体是一种基于出租车的行驶状态，综合图像处理方法以及车上CAN总线传输的信息判定交通拥堵状况的方法。 

背景技术

随着当前社会经济的快速发展，城市人们生活水平的提高，人口数量和机动车数量的也大幅度增加，城市交通建设与管理事业也得到了巨大发展。但是，由于城市道路交通需求提升速度持续大于交通设施的规划和建设速度，使得交通拥堵成为了诸多城市面临的一个严重的问题，时时刻刻威胁着城市人民生命安全和财产安全。 

美国德克萨斯州交通运输研究中心（Texas Transportation Institute）的研究表明，在高峰时段美国每个出行者的平均出行延误由1982年的十六小时增加到了2002年的四十六小时，总延误时间增加到了二十八亿小时，造成的经济损失490亿美元。日本东京和欧洲每年因交通拥挤造成交通参与者的经济损失分别为123,000亿日元和5,000亿欧元。 

此外，交通拥挤会产生一系列的不良影响，比如燃油消耗增大，交通事故增多，汽车尾气排放量大幅增加等，严重影响着城市的环境和人们的日常生活。城市对道路交通需求提升速度持续大于交通设施的规划和建设速度这一尖锐矛盾，已经成为世界各国关注的焦点和急需解决的问题。仅仅的凭借修建新路的办法已经无法解决这一矛盾引起的交通拥挤问题，迫切需要交通管理部门采取更有效的措施来提高城市交通的运行效率和安全性。 

传统的出租车通过电台获取实时路况信息的方式有局限性，只能获取有限路段的信息，且信息无法和中心导航系统整合。出租汽车司机依靠个人经验判断拥堵状况，并通过电台的方式将路段情况广播，但由于电台的范围小，影响力有限。交通广播电台和交管部门虽然能够发布实时信息，且较为准确，但无法同时下发多个路段的拥堵信息，且这些交管信息无法被导航系统直接获取，也就无法实现中心导航的功能。 

目前，国内外已经提出很多基于浮动车的交通拥堵状况判别方法。但这些方法基本都是通过使用GPS系统实现的。它们的工作原理是通过GPS系统周期的实时的检测并采集浮动车的经纬度、海拔、方向和瞬时速度等信息，然后由无线网络发送到交通控制中心。交通控制中心将获取的信息按照预先设定交通拥堵判别方法进行精确地 计算后，得出一个道路的拥堵级别，再由无线网络将这一信息广播出去。那么接收方就可以实时的了解各个路段的通行状况，这样既可以方便出行者事先安排行程，又可以有效的缓解拥堵路段的拥堵情况，有效的提升交通系统运行效率。但是，由于GPS系统在某些特定场合（比如阴雨天，城市楼宇影响或者检测卫星数量不够）可能会出现测量误差比较大的情况，从而会影响判别的准确率，故使算法有了一定的局限性。 

发明内容

本发明提供一种基于出租车行驶状态信息判别交通拥堵程度的方法，目的是提供一种使用车载摄像头图像信息和汽车CAN总线信息来准确计算出租车在某一路段的平均行程速度，从而判别道路拥堵程度的方法。 

本发明采取的技术方案是包括下列步骤： 

（一）、出租车的平均行程速度计算： 

（A）当采集到速度信息V_t时，要判断一下是否在新的路段，如果在新的路段，要初始化N值和V_sum，N=0，V_sum=0；N为有效速度值的个数，V_sum为从进入新路段时刻到现在时刻间行驶速度之和； 

（B）对此路段的速度总值V_sum累加； 

（C）调用无效数据剔除算法计算N值，包括： 

利用CAN总线传输的信息：车门车窗开关状态、OBD故障诊断信息，并结合图像处理方法，将由于出租车行驶特性造成的无效数据点的剔除，并计算出租车的平均行程速度； 

（1）通过CAN总线实时获取由浮动车传感器采集到的车速信息，检测到零数据后，首先利用CAN总线的故障诊断信息进行故障状态判别，如果发生故障则认为是该车的特性，此时的零数据无参考性，计算平均速度时无效； 

（2）如果未发生故障，则需要更进一步的判别： 

（a）通过CAN总线进行车门状态检测，若出租车的左前门打开，则认为是司机下车，此时状态不能反应正常的交通状况，此刻零数据无参考性，若是其它车门打开，则认为有乘客上下车，此刻零数据亦无参考性，应剔除； 

（b）若车门没有打开，此时要进行出租车位置状态判别，如果在红绿灯处，属于正常交通特征状态，此刻零数据有效，N=N+1； 

（c）当出租车不在红绿灯处时，那此零数据可能是拥挤造成的，也可能是出租车停车揽客，而乘客未上车造成的，需要进一步判别加以区分，方法是检测前车尾灯 的闪烁频率： 

如果前车尾灯的闪烁频率较高则认为是道路拥挤造成的，属于正常的交通状态反应，零数据有效，N=N+1；否则利用CAN信息，探测本车是否踩下了刹车，如果是，则认为是出租车停车揽客，零数据无参考性，应剔除；不然则认为是道路严重拥挤造成的，属于正常的交通状态反应，零数据有效，N=N+1； 

（d）计算路段平均行程速度

（二）拥堵级别判定 

根据得到的平均行程速度

与该路段既定的拥堵级别划分比较，确定拥堵级别； 

（三）信息发送 

将最终出租车在对该路段拥堵状态的判别结果经由无线网络发送到交通信息控制中心。 

本发明所述步骤（一）中检测前车尾灯的闪烁频率的方法如下： 

（Ⅰ）将由车载摄像头采集到的视频信息以一秒钟为单位分成多个连续的小片段，对每一个片段以截图的方式分成25帧图片，并将这些图片存储到存储介质中，并以时间和帧数为联合存储索引； 

（Ⅱ）对每一帧图片，把所有前车尾目标区域所占整个图片大小比例低于20%的图片舍弃，剩下的再存入存储介质中。 

（Ⅲ）确定图片中关键区域，为减少图像处理算法的运算时间，该关键区域的设定是距图片上端1/3以下和距图片下端1/6以上之间的区域，且对该关键区域进行降噪处理，采用空域局部平均法减少图像中的噪声，从该关键区域内确定前车尾灯位置坐标； 

（Ⅳ）统计前车尾灯的闪烁频率：在步骤（Ⅲ）中已经识别出了要寻找的前车尾闪烁灯的位置，并把这些目标区域的像素点存入了一个链表中，下一步从这个链表中取出所存的像素点，和读取下一张的图片的相同的位置的像素点RGB值进行比对；因为该浮动车是停在路上的，而且已经检测到前端有机动车，此时要考虑到前端机动车会与本浮动车在短时间内有位置偏移，所拍摄的图片中前端机动车的相对位置必然会有变动，因此在处理连续图片的时候，要在上一张图片确定的闪烁灯位置的坐标基础上进行扩大：以原有区域中心为中心点，直径为原有图片中闪烁灯外径的1.5倍来进行运算；统计图片中有红色尾灯的帧数，与此时间段内的总帧数相比较，如果比例 超过设定数值，则认为处于交通拥挤造成的停车，如果没有超过此数值，则认为处于其他状态，再结合CAN总线数据来判定所处状况。 

本发明的优点是：①算法中涉及出租车的行驶速度，故障诊断信息，车门的开关状态都是来自于车身CAN总线，因此在计算平均行程速度时会更加准确，摒除使用GPS确定车速时过分依赖GPS信号强弱的缺点；②单个浮动车根据车身CAN总线采集到的数据以及摄像头采集到的前端车辆尾灯和信号灯图片信息计算出一个拥堵级别，发给控制中心，再由控制中心向外广播，这样能够实时地判断各个路段的拥堵情况，因而具有重要的实用意义；③本方法将出租车作为目标研究车辆，由于出租车具有乘客随机上下车的特点，直接使用这些上下客时段内的车速信息不能正确地反应交通状况。故算法中的重点是剔除这些无效的数据点，从而使得计算出的平均速度更接近各个路段所有车辆的平均速度，结果更加可信。④融合图像处理方法，利用对汽车尾灯和交通信号灯的闪烁状态分析，更进一步地区分非正常状态下的上下客状况。 

附图说明

图1是本发明实验例中获得的行驶数据信息图； 

图2a是本发明实验例中速度V-时间T的曲线图； 

图2b是本发明实验例中车门状态曲线图； 

图2c是本发明实验例中前车尾灯闪烁曲线图； 

图2d是本发明实验例中交叉口变化曲线图； 

图2e是本发明实验例中路段变化曲线图； 

图2f是本发明实验例中刹车变化曲线图。 

具体实施方式

包括下列步骤： 

（一）、出租车的平均行程速度计算： 

（A）当采集到速度信息V_t时，要判断一下是否在新的路段，如果在新的路段，要初始化N值和V_sum，N=0，V_sum=0；N为有效速度值的个数，V_sum为从进入新路段时刻到现在时刻间行驶速度之和； 

（B）对此路段的速度总值V_sum累加； 

（C）调用无效数据剔除算法计算N值，包括： 

利用CAN总线传输的信息：车门车窗开关状态、OBD故障诊断信息，并结合图像处理方法，将由于出租车行驶特性造成的无效数据点的剔除，并计算出租车的平均 行程速度； 

（1）通过CAN总线实时获取由浮动车传感器采集到的车速信息，检测到零数据后，首先利用CAN总线的故障诊断信息进行故障状态判别，如果发生故障则认为是该车的特性，此时的零数据无参考性，计算平均速度时无效； 

（2）如果未发生故障，则需要更进一步的判别： 

（a）通过CAN总线进行车门状态检测，若出租车的左前门打开，则认为是司机下车，此时状态不能反应正常的交通状况，此刻零数据无参考性，若是其它车门打开，则认为有乘客上下车，此刻零数据亦无参考性，应剔除； 

（b）若车门没有打开，此时要进行出租车位置状态判别，如果在红绿灯处，属于正常交通特征状态，此刻零数据有效，N=N+1； 

（c）当出租车不在红绿灯处时，那此零数据可能是拥挤造成的，也可能是出租车停车揽客，而乘客未上车造成的，需要进一步判别加以区分，方法是检测前车尾灯的闪烁频率： 

如果前车尾灯的闪烁频率较高则认为是道路拥挤造成的，属于正常的交通状态反应，零数据有效，N=N+1；否则利用CAN信息，探测本车是否踩下了刹车，如果是，则认为是出租车停车揽客，零数据无参考性，应剔除；不然则认为是道路严重拥挤造成的，属于正常的交通状态反应，零数据有效，N=N+1； 

（d）计算路段平均行程速度

（二）拥堵级别判定 

根据得到的平均行程速度与该路段既定的拥堵级别划分比较，确定拥堵级别； 

（四）信息发送 

将最终出租车在对该路段拥堵状态的判别结果经由无线网络发送到交通信息控制中心。 

本具体实施方式所述步骤（一）中检测前车尾灯的闪烁频率的方法如下： 

（Ⅰ）将由车载摄像头采集到的视频信息以一秒钟为单位分成多个连续的小片段，对每一个片段以截图的方式分成25帧图片，并将这些图片存储到存储介质中，并以时间和帧数为联合存储索引； 

（Ⅱ）对每一帧图片，把所有前车尾目标区域所占整个图片大小比例低于20%的图片舍弃，剩下的再存入存储介质中。 

（Ⅲ）确定图片中关键区域，为减少图像处理算法的运算时间，该关键区域的设定是距图片上端1/3以下和距图片下端1/6以上之间的区域，且对该关键区域进行降噪处理，采用空域局部平均法减少图像中的噪声，从该关键区域内确定前车尾灯位置坐标； 

（Ⅳ）统计前车尾灯的闪烁频率：在步骤（Ⅲ）中已经识别出了要寻找的前车尾闪烁灯的位置，并把这些目标区域的像素点存入了一个链表中，下一步从这个链表中取出所存的像素点，和读取下一张的图片的相同的位置的像素点RGB值进行比对；因为该浮动车是停在路上的，而且已经检测到前端有机动车，此时要考虑到前端机动车会与本浮动车在短时间内有位置偏移，所拍摄的图片中前端机动车的相对位置必然会有变动，因此在处理连续图片的时候，要在上一张图片确定的闪烁灯位置的坐标基础上进行扩大：以原有区域中心为中心点，直径为原有图片中闪烁灯外径的1.5倍来进行运算；统计图片中有红色尾灯的帧数，与此时间段内的总帧数相比较，如果比例超过设定数值，则认为处于交通拥挤造成的停车，如果没有超过此数值，则认为处于其他状态，再结合CAN总线数据来判定所处状况。 

下边通过具体实验来进一步说明本发明的效果。 

本次实施以出租车在主干路跨路段行驶时采集到的数据作为数据来源，以某两段路作为研究对象，截取时间段长度为5分钟的数据信息，并且在此时间段内，车辆未出现故障，所获得的行驶数据信息如图1所示。 

因此可以根据所获得的车辆行驶数据画出该车在截取时间段内的“速度V-时间T”曲线，车门状态曲线，尾灯闪烁曲线，交叉口变化曲线，路段变化曲线以及刹车变化曲线如图2a～2f所示。 

由图2a可以开出在截取的5分钟内一共出现五次车速为零的行驶状态，因此要根据其他四个曲线运用无效数据点剔除算法加以分析，以确定其有效性。 

分析如下： 

第一个零状态：根据图2b车门状态曲线知此刻车门打开，由剔除算法知，此时有人上下车，无论是司机，还是乘客上下车，都不是正常交通状态的反应，故此零状态无效，期间所有数据都不计，n值不改变。 

第二个零状态：根据图2b、图2c、图2d可知，此刻车门关闭，前车尾灯闪烁频率高，且不在交叉口红绿灯附近。因此，运用剔除算法可知，此段零数据是由于路段拥挤造成的，属于正常交通状态的反应，期间所有数据都有效，n值递增。 

第三个零状态：根据图2b、图2c、图2d可知，此刻车门关闭，前车尾灯闪烁频率高，且位于交叉口红绿灯附近。因此，运行剔除算法可知，此段零数据是由于在交叉口排队造成的，属于正常交通状态的反应，期间所有数据都有效，n值递增。 

第四个零状态：根据图2b、图2c、图2d、图2f可知，此刻车门关闭，前车尾灯闪烁频率低，不在交叉口红绿灯附近，且此时刹车已经踩下。因此，运用剔除算法可知，此段零数据是由于停车揽客造成的，不是正常交通状态的反应，期间所有数据都不计，n值不改变。 

第五个零状态：根据图2b车门状态曲线知此刻车门打开，由剔除算法知，此时有人上下车，无论是司机，还是乘客上下车，都不是正常交通状态的反应，故此零状态无效，期间所有数据都不计，n值不改变。 

同时，根据图2f知，在第三个零状态之后，车辆进入新的行驶路段，应当重新计数。再由以上分析知，在路段1应将第一个零状态内所对应的速度数据剔除，运用交通状态判定算法，最终计算得该路段的平均行程速度为21.22km/h，由于该路段的类别是主干路，故根据该类别道路既定的拥堵级别划分可知21.22km/h<22km/h,因此该路段的交通状态判定结果为拥堵；在路段2应将第四、五个零状态内所对应的速度数据剔除，运用交通状态判定算法，最终计算得该路段的平均行程速度为28.7km/h，由于该路段的类别也主干路，故根据该类别道路既定的拥堵级别划分可知22km/h<28.7km/h<33km/h,因此该路段的交通状态判定结果为缓慢。 

判定结果与实际比较见表1： 

表1 

拥堵级别的划分方法如下： 

方法中把道路的交通状态划分为三种状态，即畅通状态、缓慢状态和拥堵状态。我国的《城市道路交通管理评价指标体系》里，将高峰时段建成区早、晚交通流主干道上机动车的平均行程速度作为基本指标，来判断路段交通状态，平均行程车速是所有探测车辆行程速度的算术平均值。这个基本指标的标准如表2所示。 

表2 

评价标准等级	一	二	三	四	五
						特大型和A类城市	[25,30]	[22,25]	[19,22]	[16,19]	[0,16]
B类城市	[28,33]	[25,28]	[22,25]	[19,22]	[0,19]
						C、D类城市	[30,35]	[27,30]	[24,27]	[21,24]	[0,21]

表中没有规定除城市主干外之外其它级别道路的评价标准，但我们可以按照上述的评价标准，采用同比例缩放的方法给定其他类型道路交通拥挤的评价标准。 

综合考虑城区人口数量和GDP总量,长春市属于B类城市,将平均速度等级高于第一级的交通状态定义为畅通状态;将平均速度等级为一级，二级和三级的交通状态定义为缓慢状态;将速度等级为四级和五级的交通状态定义为拥堵状态，见表3： 

表3 

Claims (2)

1.一种基于出租车行驶状态信息判别交通拥堵程度的方法，其特征在于包括下列步骤： 

（一）、出租车的平均行程速度计算： 

（A）当采集到速度信息V_t时，要判断一下是否在新的路段，如果在新的路段，要初始化N值和V_sum，N=0，V_sum=0；N为有效速度值的个数，V_sum为从进入新路段时刻到现在时刻间行驶速度之和； 

（B）对此路段的速度总值V_sum累加； 

（C）调用无效数据剔除算法计算N值，包括： 

利用CAN总线传输的信息：车门车窗开关状态、OBD故障诊断信息，并结合图像处理方法，将由于出租车行驶特性造成的无效数据点的剔除，并计算出租车的平均行程速度； 

（1）通过CAN总线实时获取由浮动车传感器采集到的车速信息，检测到零数据后，首先利用CAN总线的故障诊断信息进行故障状态判别，如果发生故障则认为是该车的特性，此时的零数据无参考性，计算平均速度时无效； 

（2）如果未发生故障，则需要更进一步的判别： 

（a）通过CAN总线进行车门状态检测，若出租车的左前门打开，则认为是司机下车，此时状态不能反应正常的交通状况，此刻零数据无参考性，若是其它车门打开，则认为有乘客上下车，此刻零数据亦无参考性，应剔除； 

（b）若车门没有打开，此时要进行出租车位置状态判别，如果在红绿灯处，属于正常交通特征状态，此刻零数据有效，N=N+1； 

（c）当出租车不在红绿灯处时，那此零数据可能是拥挤造成的，也可能是出租车停车揽客，而乘客未上车造成的，需要进一步判别加以区分，方法是检测前车尾灯的闪烁频率： 

如果前车尾灯的闪烁频率较高则认为是道路拥挤造成的，属于正常的交通状态反应，零数据有效，N=N+1；否则利用CAN信息，探测本车是否踩下了刹车，如果是，则认为是出租车停车揽客，零数据无参考性，应剔除；不然则认为是道路严重拥挤造成的，属于正常的交通状态反应，零数据有效，N=N+1； 

（d）计算路段平均行程速度

（二）拥堵级别判定 

根据得到的平均行程速度

与该路段既定的拥堵级别划分比较，确定拥堵级别； 

（三）信息发送 

将最终出租车在对该路段拥堵状态的判别结果经由无线网络发送到交通信息控制中心。 

2.根据权利要求1所述的基于出租车行驶状态信息判别交通拥堵程度的方法，其特征在于所述步骤（一）中检测前车尾灯的闪烁频率的方法如下： 

（Ⅰ）将由车载摄像头采集到的视频信息以一秒钟为单位分成多个连续的小片段，对每一个片段以截图的方式分成25帧图片，并将这些图片存储到存储介质中，并以时间和帧数为联合存储索引； 

（Ⅱ）对每一帧图片，把所有前车尾目标区域所占整个图片大小比例低于20%的图片舍弃，剩下的再存入存储介质中。 

（Ⅲ）确定图片中关键区域，为减少图像处理算法的运算时间，该关键区域的设定是距图片上端1/3以下和距图片下端1/6以上之间的区域，且对该关键区域进行降噪处理，采用空域局部平均法减少图像中的噪声，从该关键区域内确定前车尾灯位置坐标； 

（Ⅳ）统计前车尾灯的闪烁频率：在步骤（Ⅲ）中已经识别出了要寻找的前车尾闪烁灯的位置，并把这些目标区域的像素点存入了一个链表中，下一步从这个链表中取出所存的像素点，和读取下一张的图片的相同的位置的像素点RGB值进行比对；因为该浮动车是停在路上的，而且已经检测到前端有机动车，此时要考虑到前端机动车会与本浮动车在短时间内有位置偏移，所拍摄的图片中前端机动车的相对位置必然会有变动，因此在处理连续图片的时候，要在上一张图片确定的闪烁灯位置的坐标基础上进行扩大：以原有区域中心为中心点，直径为原有图片中闪烁灯外径的1.5倍来进行运算；统计图片中有红色尾灯的帧数，与此时间段内的总帧数相比较，如果比例超过设定数值，则认为处于交通拥挤造成的停车，如果没有超过此数值，则认为处于其他状态，再结合CAN总线数据来判定所处状况。 

Images