CN103927876A - 基于视频检测的交通溢流发生时间预测方法 - Google Patents

Abstract

本发明公开了一种基于视频检测的交通溢流发生时间预测方法，步骤如下：在车辆通行路段的上游路口架设摄像机；用摄像机不间断拍摄路段的车辆排队情况；利用图像识别方法识别下游路口红灯是否开启，如果下游路口红灯没开启，继续拍摄；如果下游路口红灯开启，利用图像识别方法判断车辆排队是否到达划定区域；如果车辆排队到达划定区域，则记录此时的排队长度，定义为t时刻的排队长度；利用图像识别从划定区域内，间隔Δt时间检测排队长度一次；利用每次检测得到的排队长度，计算此时的车辆排队速度，同时，计算溢流的可能发生时间。本发明具有计算车辆排队速度，结合当前时刻排队位置到上游路口的距离，估算交通溢流可能发生的时间的优点。

Description

基于视频检测的交通溢流发生时间预测方法

技术领域

本发明涉及一种交通预测控制的方法，具体是基于视频检测的交通溢流发生时间预测方法。

背景技术

城市交通拥堵的表现形式是多种多样的，其中，路段溢流就是其中之一。路段溢流是指由于交叉路口的瓶颈作用，使得车辆驶入路段的数量大于驶出路段的数量而形成排队，当车辆排队超出路段长度的时候，就形成溢流。交通溢流的危害是巨大的，如果不加以预防和控制，整个城市会因为交叉路口处的车辆互相锁死而导致大规模的交通拥堵，最终的结果可能会使整个城市的交通处于瘫痪状态。

要想实现对交通溢流进行控制，就必须准确地预测溢流可能发生的时刻，在溢流形成和发生之前对交通信号实施控制，就可能避免交通溢流的发生，缓解交通拥堵。

通过对现有发明专利和技术进行检索发现，有关“路段交通溢流发生时间的预测方法”的报道在国内外还是个空白。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于视频检测的交通溢流发生时间预测方法，它具有利用视频拍摄的图像来识别路段车辆排队长度，根据两个不同时刻检测的车辆排队长度，计算车辆排队速度，结合当前时刻排队位置到上游路口的距离，估算交通溢流可能发生的时间的优点。

为了实现上述目的，本发明采用如下技术方案:

一种基于视频检测的交通溢流发生时间预测方法，步骤如下：

步骤(1)：首先在车辆通行路段的上游路口架设高清摄像机；

步骤(2)：用高清摄像机不间断拍摄路段的车辆排队情况；

步骤(3)：利用图像识别方法识别下游路口红灯是否开启，

如果下游路口红灯没开启，转回至步骤(2)继续拍摄；

如果下游路口红灯开启，则进入步骤(4)；

步骤(4)：利用图像识别方法判断车辆排队是否到达划定区域；

如果车辆排队没到达划定区域，则转回至步骤(2)；

如果车辆排队到达划定区域，则记录此时的排队长度，定义为t时刻的排队长度l(t)；

步骤(5)：利用图像识别从划定区域内，每间隔Δt时间检测排队长度一次，定义为l(t+nΔt)，n为1，2，3，…，N，N为本次排队长度检测开始后的最长间隔数；

步骤(6)：利用步骤(5)每次检测得到的排队长度，计算此时的车辆排队速度，同时，计算溢流的可能发生时间，存入数据库；

步骤(7)：利用图像识别判断下游绿灯信号是否开启，开启则结束，否则，转至步骤(4)。

所述步骤(3)的图像识别方法是：

步骤(3-1)：首先，通过亮度分割、几何特征分析和分类统计方法对信号灯进行自动定位；

步骤(3-2)：然后，利用K均值聚类算法判断信号灯颜色；

步骤(3-3)：最终，通过分析信号灯前景直方图对信号灯类型及其包含的方向信息进行判断，从而实现信号灯的自动识别。

所述步骤(4)的图像识别方法是：

步骤(4-1)：将伸缩窗放置在虚拟检测区域的开始位置；伸缩窗的初始长度为图像中一个车长的像素数；所述伸缩窗是一个头部在虚拟检测区域的开始位置，尾部跟踪排队车辆队尾位置的虚拟检测区域。所述一个车长，是指初始的伸缩窗长度，一般设置为标准小汽车在实际图像中的长度。城市道路中，可取10个像素左右。

步骤(4-2)：进行车辆运动状态识别：使用背景差分法和帧间差分法分别进行车辆存在性和运动性检测；当车辆满足存在且不运动的条件时，说明车辆处于排队状态；

步骤(4-3)：假设当前窗长为L，伸缩窗伸长s，当区间[L,L+s)内车辆排队状态时，伸缩窗伸长s；当检测窗内不满足排队条件时，在区间[L,L+s)上使用二分法定位到排队队尾位置。

所述步骤(6)的车辆排队速度：

首先，通过步骤(4)获取车辆排队的队头队尾位置；然后通过摄像机标定，获取实际排队长度；最后用排队长度除以从开始排队到形成排队所用排队时间得到排队速度；所述排队时间通过帧频和所用帧数计算得到。

所述步骤(6)的车辆排队速度的计算公式为：

v(t+nΔt)＝[l(t+nΔt)-l(t+nΔt-Δt)]/Δt；

其中，v(t+nΔt)表示t+nΔt时的车辆排队速度，l(t+nΔt)表示t+nΔt时的车辆排队长度；l(t+nΔt-Δt)表示t+nΔt-Δt时的车辆排队长度，Δt为时间步长；

所述步骤(6)的溢流的可能发生时间的计算公式为：

T_溢出＝[L-l(t+nΔt)]/v(t+nΔt)；其中，L为路段长度，T_溢出为溢流的可能发生时间。

本发明的有益效果：

它针对城市交通高峰期时常发生的交通溢流现象，利用高清摄像机监控路段车辆的排队情况，采用图像识别技术检测出车辆排队长度，计算出车辆的排队速度，预测出溢流可能的发生时间，从而能够及时处理路段交通溢流，以防止车辆在溢流之后造成的大规模交通拥堵。附图说明

图1为摄像机的架设位置和排队长度开始检测区域示意图；

图2为本发明的流程示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

如图2所示，一种基于视频检测的交通溢流发生时间预测方法，步骤如下：

步骤(1)：首先在车辆通行路段的上游路口架设高清摄像机；

步骤(2)：用高清摄像机不间断拍摄路段的车辆排队情况；

步骤(3)：利用图像识别方法识别下游路口红灯是否开启，

如果下游路口红灯没开启，转回至步骤(2)继续拍摄；

如果下游路口红灯开启，则进入步骤(4)；

步骤(4)：利用图像识别方法判断车辆排队是否到达划定区域；

如果车辆排队没到达划定区域，则转回至步骤(2)；

如果车辆排队到达划定区域，则记录此时的排队长度，定义为t时刻的排队长度l(t)(由于划定区域时的位置是确定的，因此，l(t)为已知值，如图1所示)；

步骤(5)：利用图像识别从划定区域内，间隔Δt时间检测排队长度一次，定义为l(t+nΔt)，n为1，2，3，…，N，N为本次排队长度检测开始后可能的最长间隔数；

步骤(6)：利用步骤(5)每次检测得到的排队长度，计算此时的车辆排队速度，同时，计算溢流的可能发生时间，存入数据库；

步骤(7)：利用图像识别判断下游绿灯信号是否开启，开启则结束，否则，转至步骤(4)。

所述步骤(6)的车辆排队速度的计算公式为：

v(t+nΔt)＝[l(t+nΔt)-l(t+nΔt-Δt)]/(Δt)。

所述步骤(6)的溢流的可能发生时间的计算公式为：

T_溢出＝[L-l(t+nΔt)]/v(t+nΔt)；其中，L为路段长度。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (6)

1.一种基于视频检测的交通溢流发生时间预测方法，其特征是，步骤如下：

步骤(1)：首先在车辆通行路段的上游路口架设高清摄像机；

步骤(2)：用高清摄像机不间断拍摄路段的车辆排队情况；

步骤(3)：利用图像识别方法识别下游路口红灯是否开启，

如果下游路口红灯没开启，转回至步骤(2)继续拍摄；

如果下游路口红灯开启，则进入步骤(4)；

步骤(4)：利用图像识别方法判断车辆排队是否到达划定区域；

如果车辆排队没到达划定区域，则转回至步骤(2)；

如果车辆排队到达划定区域，则记录此时的排队长度，定义为t时刻的排队长度l(t)；

步骤(5)：利用图像识别从划定区域内，每间隔Δt时间检测排队长度一次，定义为l(t+nΔt)，n为1，2，3，…，N，N为本次排队长度检测开始后的最长间隔数；

步骤(6)：利用步骤(5)每次检测得到的排队长度，计算此时的车辆排队速度，同时，计算溢流的可能发生时间，存入数据库；

步骤(7)：利用图像识别判断下游绿灯信号是否开启，开启则结束，否则，转至步骤(4)。

2.如权利要求1所述的一种基于视频检测的交通溢流发生时间预测方法，其特征是，所述步骤(3)的图像识别方法是：

步骤(3-1)：首先，通过亮度分割、几何特征分析和分类统计方法对信号灯进行自动定位；

步骤(3-2)：然后，利用K均值聚类算法判断信号灯颜色；

步骤(3-3)：最终，通过分析信号灯前景直方图对信号灯类型及其包含的方向信息进行判断，从而实现信号灯的自动识别。

3.如权利要求1所述的一种基于视频检测的交通溢流发生时间预测方法，其特征是，所述步骤(4)的图像识别方法是：

步骤(4-1)：将伸缩窗放置在虚拟检测区域的开始位置；所述伸缩窗是一个头部在虚拟检测区域的开始位置，尾部跟踪排队车辆队尾位置的虚拟检测区域；

步骤(4-2)：进行车辆运动状态识别：使用背景差分法和帧间差分法分别进行车辆存在性和运动性检测；当车辆满足存在且不运动的条件时，说明车辆处于排队状态；

步骤(4-3)：假设当前窗长为L，伸缩窗伸长s，当区间[L,L+s)内车辆排队状态时，伸缩窗伸长s；当检测窗内不满足排队条件时，在区间[L,L+s)上使用二分法定位到排队队尾位置。

4.如权利要求1所述的一种基于视频检测的交通溢流发生时间预测方法，其特征是，所述步骤(6)的车辆排队速度：

首先，通过伸缩窗算法获取车辆排队的队头队尾位置；然后通过摄像机标定，获取实际排队长度；最后用排队长度除以从开始排队到形成排队所用排队时间得到排队速度；所述排队时间通过帧频和所用帧数计算得到。

5.如权利要求1所述的一种基于视频检测的交通溢流发生时间预测方法，其特征是，所述步骤(6)的车辆排队速度的计算公式为：

v(t+nΔt)＝[l(t+nΔt)-l(t+nΔt-Δt)]/Δt；

其中，v(t+nΔt)表示t+nΔt时的车辆排队速度，l(t+nΔt)表示t+nΔt时的车辆排队长度；l(t+nΔt-Δt)表示t+nΔt-Δt时的车辆排队长度，Δt为时间步长。

6.如权利要求1所述的一种基于视频检测的交通溢流发生时间预测方法，其特征是，所述步骤(6)的溢流的可能发生时间的计算公式为：

T_溢出＝[L-l(t+nΔt)]/v(t+nΔt)；其中，L为路段长度，T_溢出为溢流的可能发生时间。