CN103810868A - 一种基于高空视频信息的交通溢流抑制方法 - Google Patents

Abstract

本发明涉及一种基于高空视频信息的交通溢流抑制方法，与现有技术相比解决了没有针对交通溢流的自动化抑制方法的缺陷。本发明包括以下步骤：架设高空摄像机，通过有线网络或无线网络使摄像机和信号控制机与信息中心联网；将相机图像与道路实际距离进行距离标定；设置溢流排队长度阈值；计算车道饱和流量和通行能力；计算车道每个信号周期内的最大排队长度和饱和度；判断出排队长度增长平均速度与饱和度的映射关系；预测达到溢流长度阈值的周期；调整上下游信号灯配时间。本发明在交通溢流发生前掌握排队长度的增长与消散规律，提前预测交通溢流的发生周期。

Description

一种基于高空视频信息的交通溢流抑制方法

技术领域

本发明涉及一种交通控制技术的方法，具体来说是一种基于高空视频信息的交通溢流抑制方法。

背景技术

随着社会经济的不断发展，当代中国城市的汽车保有量不断攀升，交通拥堵问题日益严重。在交通拥堵的很多表现形式中，交通溢流现象是较为严重的一种。交通溢流是指由于道路规划设计、交通信号配时不合理等不利因素，导致相邻交叉口内某一行驶方向内的累积排队长度大于了相邻交叉口间的路段长度。如果不加以预防和控制，交通溢流现象就会向行驶方向的上游方向蔓延，交叉口处的车辆互相锁死从而导致整个城市范围内的交通拥堵，使城市基本功能丧失。

目前，我国大部分城市还没有对交通溢流进行智能控制处理，多是由交通警察来进行人工干预疏导。少有的交通溢流控制系统都是建立在已经发生交通溢流的基础上再进行控制疏散，在一定程度上已经影响到了交通运行，使整个系统的效能大打折扣。如何开发出一种可以针对交通溢流的抑制方法已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中没有针对交通溢流的自动化抑制方法的缺陷，提供一种基于高空视频信息的交通溢流抑制方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于高空视频信息的交通溢流抑制方法，包括以下步骤：

架设高空摄像机，通过有线网络或无线网络使摄像机和信号控制机与信息中心联网；通过信息中心，获取信号控制机周期长度C₀；

将相机图像与道路实际距离进行距离标定；

设置溢流排队长度阈值L_qt；

计算车道饱和流量和通行能力；

计算车道每个信号周期内的最大排队长度和饱和度；

判断出排队长度增长平均速度与饱和度的映射关系；

预测达到溢流长度阈值的周期；

调整上下游信号灯配时间，在预测结果周期内，增加下游路口对应相位的绿灯时间，减少上游路口对应相位的绿灯时间。

所述的将相机图像与道路实际距离进行距离标定包括以下步骤：

在相机图像上取一个车道到停车线为止的长度；

记录图像上首尾两点坐标分别为p₁(x₁,y₁)、p₂(x₂,y₂)；

测算道路实际长度为L_real；

相机图像长度计算公式为 $L_{\mathrm{img}}=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

相机图像与道路实际距离的标定系数

所述的计算车道饱和流量和通行能力包括以下步骤：

在流量高峰时间段内，取相位绿灯时间内连续通过停车线的交通量Q_g；

将Q_g换算成小时流量得到该车道饱和流量

其中T_g为相位的有效绿灯时间，即连续车流通过停车线所用的绿灯时间；

计算出该车道的通行能力

计算流量高峰时间段内的CAP_j的平均值。

计算车道每个信号周期内的最大排队长度和饱和度包括以下步骤：

在流量高峰时间段内，记录每一个周期内进入第j个车道的交通量Q_je；

将Q_je换算成小时流量，得到第j个车道的饱和度

${\mathrm{\α}}_j=\frac{\frac{Q_{\mathrm{je}}}{C_0}}{\frac{3600}{{\mathrm{CAP}}_j}};$

计算出流量高峰周期内的车道饱和度序列sq_α=<α_t1,α_t2,…,α_ti>；

在流量高峰时间段内的每一个周期，记录第j个车道最大的排队长度，得到信号周期的车道最大排队长度序列sq_l=<l_{qmax_t1},l_{qmax_t2},...,l_{qmax_ti}>。

所述的判断出排队长度增长平均速度与饱和度的映射关系包括以下步骤：

设周期T_i内的排队长度增长平均速度v_{q_i}，

若v_{q_i}为正值，则排队长度呈向上游增长趋势，若v_{q_i}为负值，则排队长度呈消散趋势；

周期的车道排队长度增长速度序列sq_v=<v_{q_1},v_{q_2},….,v_{q_i}>；

当饱和度在连续几个周期内大于等于一个值时，排队长度会一直向上游增长，并将此值作为危险阈值α_{t_in}；

当饱和度在连续几个周期内小于等于一个值时，排队会逐渐消散，将此值作为消散阈值α_{t_out}。

所述的预测达到溢流长度阈值的周期包括以下步骤：

判断是否连接周期时间段内饱和度的值大于α_{t_in}；

若否，则继续检测；

若是，使用sq_v序列中对应的速度值v_q预测会在n个周期内达到溢流长度阈值L_qt，

其中L_qmax为当前周期最大排队长度，n为会发生溢流的时间段。

有益效果

本发明的一种基于高空视频信息的交通溢流抑制方法，与现有技术相比使用智能监控技术对路段排队情况进行实时监控，在交通溢流发生前掌握排队长度的增长与消散规律，提前预测交通溢流的发生周期。在交通溢流的发生周期内指导生成交通信号协调控制策略，调整相关交叉口的交通信号，从而抑制溢流现象的发生。

附图说明

图1为本发明的方法流程图

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

如图1所示，本发明所述的一种基于高空视频信息的交通溢流抑制方法，包括以下步骤：

第一步，架设高空摄像机，并利用有线或无线网络使摄像机和信号控制机能够与信息中心进行数据交换。架设摄像机为高清摄像机，为后期的图像处理而使用。在路口相邻的高处建筑上架设高清摄像机，并且利用有线或无线网络将摄像机和信号控制机与信息中心进行联网，从而建立相机图像与道路实际距离的标定基础。通过信息中心，获取信号控制机周期长度C₀，信号控制机周期长度C₀为交通信号机一个变换周期的时间，在此获取信号控制机周期长度C₀为后期通行能力和流量判断作基础。

第二步，将相机图像与道路实际距离进行距离标定，通过标定可以实现相机图像上像素的距离与道路实际长度距离之间建立起位置对应。包括以下步骤：

先在相机图像上取一个车道到停车线为止的长度，再记录相机图像上首尾两点坐标分别为p₁(x₁,y₁)、p₂(x₂,y₂)。测算已知的道路实际长度为L_real，再测算相机图像上对应相机图像长度，计算公式为最后确定相机图像与道路实际距离的标定系数，其标定系数

通过标定系数则可以实现地面距离长度与相机图像像素位置的对应，这样高清摄像机拍摄到道路上车流量情况，则可以直接在相机图像像素位置反映出来，为后期监测车道上车流量情况做基础工作。

第三步，设置溢流排队长度阈值L_qt。溢流排队长度阈值L_qt为人为设定的数据值，一般情况下，为两个路口停车线之间的距离长度。也表示道路上若两个路口之间都已经排满车辆了，则当前路段也处于溢流状态了。

第四步，计算车道饱和流量和通行能力。利用图形图像处理技术训练路口进口方向第j个车道饱和流量与通行能力，图形图像处理技术为现有技术中所广泛使用的视频检测方法，通过视频图像对道路上车辆的观测，从而确定在流量高峰时段内，第j个车道的饱和流量和通行能力。其包括以下步骤：

先在流量高峰时间段内，取相位绿灯时间内连续通过停车线的交通量Q_g。通过Q_g换算成小时流量，可得到该车道饱和流量

$Q_{\mathrm{sta}\_j}=\frac{Q_g}{\frac{T_g}{3600}},$

其中T_g为相位的有效绿灯时间，即连续车流通过停车线所用的绿灯时间。再通过饱和流量可计算出该车道的通行能力

最后，针对计算流量高峰时间段内的CAP_j计算平均值，从而得出在流量高峰时间段内的该车道的通行能力。

第五步，计算车道每个信号周期内的最大排队长度和饱和度，了解一个信号周期内车道上的最大排队长度和饱和度，记录高峰时段内进口方向第j个车道每一个信号周期，就可以得到一个信号周期内，车道上的通行能力和会产生的最大排队长度。包括以下步骤：

首先，在流量高峰时间段内，记录每一个周期内进入第j个车道的交通量Q_je，其次，将Q_je换算成小时流量，得到第j个车道的饱和度

可以得到流量高峰周期内的车道饱和度序列sq_α=<α_t1,α_t2,…,α_ti>。在流量高峰时间段内的每一个周期，记录第j个车道最大的排队长度，得到关于信号周期的车道最大排队长度序列sq_l=<l_{qmax_t1},l_{qmax_t2},...,l_{qmax_ti}>。

第六步，判断出排队长度增长平均速度与饱和度的映射关系，找到排队长度向上游方向增长的速度v_q与饱和度α_j的关系。设周期T_i内的排队长度增长平均速度v_{q_i}，由第五步得到的最大排队长度序列可知，若v_{q_i}为正值，则排队长度呈向上游增长趋势，若v_{q_i}为负值，则排队长度呈消散趋势。因此，可得关于周期的车道排队长度增长速度序列sq_v=<v_{q_1},v_{q_2},….,v_{q_i}>。由sq_α与sq_v可知，当饱和度在连续几个周期内大于等于一个值时，排队长度会一直向上游增长，并将此值作为危险阈值α_{t_in}；当饱和度在连续几个周期内小于等于一个值时，排队会逐渐消散，将此值作为消散阈值α_{t_out}。

第七步，预测达到溢流长度阈值的周期，即排队长度预测。判断是否连续周期时间段内饱和度的值大于α_{t_in}，若在连续几个周期内饱和度的值连续大于α_td，那么就要用sq_v序列中对应的速度值v_q预测会在n个周期内达到溢流长度阈值L_qt，

其中L_qmax为当前周期最大排队长度，n为会发生溢流的时间段。在此就可以确定哪个时间段内会发生溢流，到此时间段的时候可以通过改变信号灯的相位时间或周期来预防出现溢流。

第八步，调整上下游信号灯配时间，抑制溢流发生。在预测结果周期内，增加下游路口对应相位的绿灯时间，减少上游路口对应相位的绿灯时间，这样就可以有效抑制交通溢流现象的发生。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (6)

1.一种基于高空视频信息的交通溢流抑制方法，其特征在于，包括以下步骤：

11）架设高空摄像机，通过有线网络或无线网络使摄像机和信号控制机与信息中心联网；通过信息中心，获取信号控制机周期长度C₀；

12）将相机图像与道路实际距离进行距离标定；

13）设置溢流排队长度阈值L_qt；

14）计算车道饱和流量和通行能力；

15）计算车道每个信号周期内的最大排队长度和饱和度；

16）判断出排队长度增长平均速度与饱和度的映射关系；

17）预测达到溢流长度阈值的周期；

18）调整上下游信号灯配时间，在预测结果周期内，增加下游路口对应相位的绿灯时间，减少上游路口对应相位的绿灯时间。

2.根据权利要求1所述的一种基于高空视频信息的交通溢流抑制方法，其特征在于，所述的将相机图像与道路实际距离进行距离标定包括以下步骤：

21）在相机图像上取一个车道到停车线为止的长度；

22）记录图像上首尾两点坐标分别为p₁(x₁,y₁)、p₂(x₂,y₂)；

23）测算道路实际长度为L_real；

24）相机图像长度计算公式为 $L_{\mathrm{img}}=\sqrt{{(x_1-x_2)}^2+{(y_1-y_2)}^2};$

25）相机图像与道路实际距离的标定系数

3.根据权利要求1所述的一种基于高空视频信息的交通溢流抑制方法，其特征在于，所述的计算车道饱和流量和通行能力包括以下步骤：

31）在流量高峰时间段内，取相位绿灯时间内连续通过停车线的交通量Q_g；

32）将Q_g换算成小时流量得到该车道饱和流量

其中T_g为相位的有效绿灯时间，即连续车流通过停车线所用的绿灯时间；

33）计算出该车道的通行能力

34）计算流量高峰时间段内的CAP_j的平均值。

4.根据权利要求1所述的一种基于高空视频信息的交通溢流抑制方法，其特征在于，计算车道每个信号周期内的最大排队长度和饱和度包括以下步骤：

41）在流量高峰时间段内，记录每一个周期内进入第j个车道的交通量Q_je；

42）将Q_je换算成小时流量，得到第j个车道的饱和度

${\mathrm{\&alpha;}}_j=\frac{\frac{Q_{\mathrm{je}}}{C_0}}{\frac{3600}{{\mathrm{CAP}}_j}};$

43）计算出流量高峰周期内的车道饱和度序列sq_α=<α_t1,α_t2,…,α_ti>；

44）在流量高峰时间段内的每一个周期，记录第j个车道最大的排队长度，得到信号周期的车道最大排队长度序列sq_l=<l_{qmax_t1},l_{qmax_t2},...,l_{qmax_ti}>。

5.根据权利要求1所述的一种基于高空视频信息的交通溢流抑制方法，其特征在于，所述的判断出排队长度增长平均速度与饱和度的映射关系包括以下步骤：

51）设周期T_i内的排队长度增长平均速度v_{q_i}，

52）若v_{q_i}为正值，则排队长度呈向上游增长趋势，若v_{q_i}为负值，则排队长度呈消散趋势；

53）周期的车道排队长度增长速度序列sq_v=<v_{q_1},v_{q_2},….,v_{q_i}>；

54）当饱和度在连续几个周期内大于等于一个值时，排队长度会一直向上游增长，并将此值作为危险阈值α_{t_in}；

55）当饱和度在连续几个周期内小于等于一个值时，排队会逐渐消散，将此值作为消散阈值α_{t_out}。

6.根据权利要求1所述的一种基于高空视频信息的交通溢流抑制方法，其特征在于，所述的预测达到溢流长度阈值的周期包括以下步骤：

61）判断是否连接周期时间段内饱和度的值大于α_{t_in}；

62）若否，则继续检测；

63）若是，使用sq_v序列中对应的速度值v_q预测会在n个周期内达到溢流长度阈值L_qt，

其中L_qmax为当前周期最大排队长度，n为会发生溢流的时间段。

Images