CN103838772A - 一种多源交通数据融合方法 - Google Patents

Abstract

本发明提供一种多源交通数据融合方法，该方法包括：从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据；对所述的交通信息数据进行像素级融合，将所述交通信息数据中的不合格信息剔除；对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息；对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息；输出路段的交通状态描述信息。本发明从多种数据源获取交通信息数据，进行三级融合后，生成了路段的最终交通状态，能够更准确的确定路面的交通状况。

Description

一种多源交通数据融合方法

技术领域

本发明是关于交通数据的处理技术，特别是关于一种多源交通数据融合方法。

背景技术

有效的交通信息服务对私家车控制、交通控制及管理组织具有重要的作用。目前，多数现有的交通信息中心及智能运输系统（ITS）,依靠的交通数据资源单一，例如，启用GPS车辆定位/速度，监控视频图像，线圈的检测速度，车车交通状况等。这些资源都具有自己的优点和局限性。仅依靠上述任何其中的一种资源不能够以合理的成本提供准确的交通信息服务，浪费了其他的交通信息。

发明内容

本发明提供一种多源交通数据融合方法，以将多种数据源的交通信息数据进行三级融合，生成路段的最终交通状态更准确的确定路面的交通状况。

为了实现上述目的，本发明提供一种了多源交通数据融合方法，该方法包括：从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据；对所述的交通信息数据进行像素级融合，将所述交通信息数据中的不合格信息剔除；对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息；对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息；输出路段的交通状态描述信息。

进一步地，从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据，包括：从GPS监控系统获取车辆实时回传的车辆的位置、行驶速度信息；根据经纬度信息将车辆的信息定位到地图上的某一路段上，得到某一路段的浮动车辆速度信息。

进一步地，对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息，包括：获取同一路段上的手机的速度信息，计算同一路段所有手机的平均速度，生成同一路段的手机车辆速度v_m(t)。

进一步地，对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息，包括：取同一路段上的车辆的速度信息，计算同一路段所有车辆的平均速度，生成同一路段的浮动车辆速度v_f(t)。

进一步地，对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息，包括：从所述交通视频图像中获取道路区域信息；通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息；根据所述道路空间占有率和整体运动信息生成视频交通状态S_v(t)。

进一步地，从所述交通视频图像中获取道路区域信息，包括：对所述交通视频图像中的典型道路结构进行建模，利用建模的模型从所述交通视频图像中找到道路区域的边界。

进一步地，通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息，包括：利用车辆的纹理特征计算道路区域中该纹理的密度，生成车辆的道路空间占有率。

进一步地，通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息，包括：计算所述道路区域的光流场，生成所述的整体运动信息。

进一步地，对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息，包括：从手机、浮动车辆及交通视频图像三种数据源中获取n条历史交通信息数据，进行特征级融合，分别生成函数x=[v_f,S_v,v_m]，其中，历史浮动车辆速度v_f、历史手机车辆速度v_m及历史视频交通状态S_v；

根据视频图像或者实际路况确定与所述三种数据源对应时间点的道路交通状态y（顺畅S1，缓慢S2，拥塞S3）；

根据n条历史数据形成训练样本对：x_i，y_i，i＝1…n；

建立支持向量机SVM模型：

$\min \frac{1}{2}w.w+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i---\left(1\right)$

Subject to y_i(w^Tx_i+b)≥1-ξ_i                        （2）

其中，ξ_i≥0(i=1…n)，（1）式为目标函数，（2）为约束条件，y_i为0或1，w:维度为n的训练样本的权重向量，C：惩罚因子，ξ_i：附加于每个样本的松弛变量，b：函数参数；

根据某一时间点的v_f(t)、v_m(t)及S_v(t)生成x=[v_f(t),s_v(t),v_m(t),v_o(t)]；

将所述x输入到所述的SVM模型，生成路段的一致性交通状态描述信息。

进一步地，所述的SVM模型包括如下三个：SVM 1学习“Output==s1”vs.“Output!=s1”，SVM 2学习“Output==s2”vs.“Output!=s2”，SVM 3学习“Output==s3”vs.“Output!=s3”。

本发明实施例的有益效果在于，本发明从多种数据源获取交通信息数据，进行三级融合后，生成了路段的最终交通状态，能够更准确的确定路面的交通状况。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明本实施例多源交通数据融合方法流程图；

图2为本发明本实施例的多源交通数据融合硬件结构示意图；

图3为本发明本实施例生成路段交通状态信息的方法流程图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

交通信息的处理流程一般包括交通信息采集、交通信息分析和交通信息发布三个阶段，其中数据采集是获得各种格式的原始交通数据；交通信息的分析阶段则是通过数据源各自相应的判别算法，判别路段交通状态；信息发布是发布交通信息，拥堵情况、旅行时间和其它业务信息等。在交通信息分析中一个重要的环节是数据融合的过程，这是因为所采集到的实时动态的交通数据如手机检测、视频检测、浮动车检测等，其获取的方法不同，数据的内容格式不同，准确度也不可避免地存在差异。如何从多源的交通数据中确定更准确和更深层次的信息，是本发明的的一个重要和核心工作。

如图1所示，本实施例提供一种多源交通数据融合方法，该方法包括：

步骤S101：从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据（交通信息的采集）。

本发明的实现硬件可以为一服务器201，如图2所示，服务器201通过基站202连接手机203，服务器201通过卫星204连接浮动车辆205，服务器201连接至摄像头206。另外，服务器201还连接显示器207，以显示输出结果。

针对手机数据源，可以是通过基站建立与手机的连接，获取手机的速度信息，进而得到手机所在车辆的速度信息。

对于浮动车辆数据源，可以利用现有GPS监控系统，通过卫星定位获得浮动车辆的速度信息。具体的，从GPS监控系统获取车辆实时回传的车辆的位置（经度、纬度、高度）、行驶速度信息；可以利用地图匹配算法根据经纬度信息将车辆的信息定位到地图上的某一路段上，再以路段为单位，从匹配到该路段的一辆车或者多辆车的速度信息中得到某一路段的浮动车辆速度信息。

对于视频图像，直接通过摄像头拍摄各个路段在不同时间点的视频图像，每一路段，可以拍摄多张视频图像。

步骤S102：对所述的交通信息数据进行像素级融合，将所述交通信息数据中的不合格信息剔除。

对于手机的速度信息，可以把错误或者异常的手机速度数据信息剔除，对于浮动车辆的速度信息，可以将错误或者异常的浮动车辆速度数据信息剔除，对于视频图像，需要通过像素级融合将拍摄异常的视频图像（不清晰的）剔除。

步骤S103：对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息；

具体地，对于手机，需要从所有采集的手机的速度信息中获取同一路段上的手机的速度信息，计算同一路段所有手机的平均速度，生成同一路段的手机车辆速度v_m(t)。

对于浮动车辆，需要获取同一路段上的车辆的速度信息，计算同一路段所有车辆的平均速度，生成同一路段的浮动车辆速度v_f(t)。

对于视频图像，如图3所示，生成路段交通状态信息包括以下步骤：

步骤S301：从所述交通视频图像中获取道路区域信息。

对交通视频图像中的典型道路结构进行建模，利用建模的模型从拍摄场景各异的交通视频图像中找到道路区域的边界，即提取出相应的道路结构。

步骤S302：通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息。

道路空间占有率是指道路区域中车辆所占据的面积占整个道路区域面积的比例。模仿人对城市快速路监控视频的观察和理解方式，道路区域中的车辆越多，发生交通拥堵的几率就越大，因此道路空间占有率可以作为衡量道路交通状态的一个重要指标。

本系统利用与车辆相关的纹理特征作（主要是车辆轮廓，即边缘信息）为车辆信息的统计特征，因而通过计算道路区域中该纹理的密度就可以得到相应的道路占有率。主要做法是：利用车辆的纹理特征计算道路区域中该纹理的密度，生成车辆的道路空间占有率。

流是光线照射在物体表面时的反射或折射，当物体运动时，其上的光流也随之变化，因此光流场是运动场的一种近似和宏观体现，通过计算所述道路区域的光流场，生成所述的整体运动信息。

步骤S303：根据所述道路空间占有率和整体运动信息生成视频交通状态S_v(t)。

对不同交通状态（顺畅、缓慢、拥堵）下的道路空间占有率和整体（光流）运行信息进行统计和分析，确定相应的阈值，生成视频交通状态S_v(t)。

步骤S104：对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息。步骤S102至步骤S104为交通信息的分析阶段。

在对三种不同数据源的路段交通状态信息进行决策级融合之前，需要收集历史数据，建立支持向量机（Support vector machine SVM）模型，具体方法如下：

从手机、浮动车辆及交通视频图像三种数据源中获取n条历史交通信息数据，历史交通信息数据包括：历史浮动车辆速度v_f、历史手机车辆速度v_m及历史视频交通状态S_v等。对历史浮动车辆速度v_f、历史手机车辆速度v_m及历史视频交通状态S_v进行像素级及特征级融合，分别生成函数x=[v_f,S_v,v_m]。除了上述三种数据源以外，还可以包括其他的数据源v₀，生成的函数为x=[v_f,S_v,v_m,v₀]。

另外，还需要获取与上述历史交通信息数据对应时间点的道路交通状态y，道路交通状态y包括顺畅s1、缓慢s2、拥塞s3三种情况，获取道路交通状态y时，工作人员可以通过视频图像拍摄的画面进行判断，也可以根据道路现场的实时路况进行判断。

交通状态的检测，是以稀疏光流算法为基础的，对于检测出来的稀疏光流，进行如下的处理过程，以判断道路的交通状态：

1、如果某条道路的所有光流点中出现大光流，并且大光流的个数大于某个经验阈值时，则认为该帧的状态为“畅通”。这里的“大光流”是指光流的长度大于一个经验阈值。

2、如果在刚刚过去的连续一段视频帧中，有一定比例的帧的状态判断为“畅通”，则认为当前该道路的状态为“畅通”。例如，在过去的100帧中有大于5%“比例”的帧的状态判断为“畅通”，则当前道路的状态判断为“畅通”。

3、如果道路的状态判断为“不畅通”，则可能是道路上没有车，或者是道路处于拥堵状态。目前采用道路上光流点的数目的多少来判断该道路是没有车还是拥堵。通常来讲，道路拥堵的时候比道路上没有车的时候检测出来的光流点要多而且密集。

获取到上述历史数据后，需要根据n条历史数据形成训练样本对：x_i，y_i，其中i＝1…n。

然后，根据样本对建立SVM模型，建立一个SVM模型可以将交通状态分成两类，为了实现三种交通状态的分类情况，我们采用普遍接受的oneagainst one方法解决多分类问题，所以需要学习三个SVM模型，如下所示：

a)SVM 1学习“Output==s1”vs.“Output!=s1”

b)SVM 2学习“Output==s2”vs.“Output!=s2”

c)SVM 3学习“Output==s3”vs.“Output!=s3”

统计每个分类器所给出的结果，得到最终的分类结果。在每个分类器中，设定s1，s2，s3为正例(y_i＝1)，而!=s1，!=s2，!=s3为负例(y_i＝0)。

建立的SVM模型如下：

$\min \frac{1}{2}w.w+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i---\left(1\right)$

Subject to y_i(w^Tx_i+b)≥1-ξ_i                        （2）

其中，ξ_i≥0(i=1…n)，（1）式为目标函数，（2）为约束条件，y_i为0或1，w:维度为n的训练样本的权重向量，C：惩罚因子，ξ_i：附加于每个样本的松弛变量，b：函数参数（标量）。

建立上述SVM模型之后，就可以计算实时的交通状况，具体如下：

根据某一时间点的v_f(t)、v_m(t)及S_v(t)生成x=[v_f(t),s_v(t),v_m(t),v_o(t)]，将所述的x输入到所述的SVM模型，生成路段的一致性交通状态描述信息。

步骤S105：输出路段的交通状态描述信息（交通信息的发布阶段）。服务器201将结果输出给显示器207进行显示。

本发明实施例的有益效果在于，本发明从多种数据源获取交通信息数据，进行三级融合后，生成了路段的最终交通状态，能够更准确的确定路面的交通状况。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种多源交通数据融合方法，其特征在于，所述的方法包括：

从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据；

对所述的交通信息数据进行像素级融合，将所述交通信息数据中的不合格信息剔除；

对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息；

对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息；

输出路段的交通状态描述信息。

2.根据权利要求1所述的方法，其特征在于，从手机、浮动车辆及交通视频图像三种数据源中获取交通信息数据，包括：从GPS监控系统获取车辆实时回传的车辆的位置、行驶速度信息；根据经纬度信息将车辆的信息定位到地图上的某一路段上，得到某一路段的浮动车辆速度信息。

3.根据权利要求1所述的方法，其特征在于，对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息，包括：获取同一路段上的手机的速度信息，计算同一路段所有手机的平均速度，生成同一路段的手机车辆速度v_m(t)。

4.根据权利要求2所述的方法，其特征在于，对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息，包括：取同一路段上的车辆的速度信息，计算同一路段所有车辆的平均速度，生成同一路段的浮动车辆速度v_f(t)。

5.根据权利要求1所述的方法，其特征在于，对所述每一种数据源的交通信息数据进行特征级融合，生成三种不同数据源的路段交通状态信息，包括：

从所述交通视频图像中获取道路区域信息；

通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息；

根据所述道路空间占有率和整体运动信息生成视频交通状态S_v(t)。

6.根据权利要求5所述的方法，其特征在于，从所述交通视频图像中获取道路区域信息，包括：对所述交通视频图像中的典型道路结构进行建模，利用建模的模型从所述交通视频图像中找到道路区域的边界。

7.根据权利要求6所述的方法，其特征在于，通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息，包括：利用车辆的纹理特征计算道路区域中该纹理的密度，生成车辆的道路空间占有率。

8.根据权利要求7所述的方法，其特征在于，通过对图像道路区域的纹理密度和光流场的计算，获得道路空间占有率和整体运动信息，包括：计算所述道路区域的光流场，生成所述的整体运动信息。

9.根据权利要求8所述的方法，其特征在于，对三种不同数据源的路段交通状态信息进行决策级融合，生成路段的一致性交通状态描述信息，包括：

从手机、浮动车辆及交通视频图像三种数据源中获取n条历史交通信息数据，进行特征级融合，分别生成函数x=[v_f,S_v,v_m]，其中，历史浮动车辆速度v_f、历史手机车辆速度v_m及历史视频交通状态S_v；

根据视频图像或者实际路况确定与所述三种数据源对应时间点的道路交通状态y（顺畅S1，缓慢S2，拥塞S3）；

根据n条历史数据形成训练样本对：x_i，y_i，i＝1…n；

建立支持向量机SVM模型：

$\min \frac{1}{2}w.w+C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\ϵ}}_i---\left(1\right)$

Subject to y_i(w^Tx_i+b)≥1-ξ_i                （2）

其中，ξ_i≥0(i＝1…n)，（1）式为目标函数，（2）为约束条件，y_i为0或1，w:维度为n的训练样本的权重向量，C：惩罚因子，ξ_i：附加于每个样本的松弛变量，b：函数参数；

根据某一时间点的v_f(t)、v_m(t)及S_v(t)生成x=[v_f(t),s_v(t),v_m(t),v_o(t)]；

将所述x输入到所述的SVM模型，生成路段的一致性交通状态描述信息。

10.根据权利要求9所述的方法，其特征在于，所述的SVM模型包括：SVM 1学习“Output==s1”vs.“Output!=s1”，SVM 2学习“Output==s2”vs.“Output!=s2”，SVM 3学习“Output==s3”vs.“Output!=s3”。

Images