CN104464307A - 一种基于视频的隧道交通拥堵事件自动检测方法及装置 - Google Patents

Abstract

本发明涉及一种基于视频的隧道交通拥堵事件自动检测方法，包括视频检测设备将获取的待测检测点的实时交通参数信息时传输至后台服务器；自动检测处理服务器分别计算可视区平均交通流密度参数和盲视区动态交通流密度参数，并对可视区和盲视区交通参数进行决策树状态处理，自动判定当前隧道整体的交通状态等级；发布终端设备自动向公众发布当前隧道交通状态等级信息。本发明还公开了一种基于视频的隧道交通拥堵事件自动检测装置。本发明实时获取隧道可视区和盲视区检测点的交通参数信息，提取各个区段的交通流密度参数，按照非常畅通、畅通、缓行、拥挤和拥堵五类交通状态划分区间，实现隧道道路交通拥堵事件的自动判定检测。

Description

一种基于视频的隧道交通拥堵事件自动检测方法及装置

技术领域

本发明涉及隧道交通信息采集、处理和发布技术领域，尤其是一种基于视频的隧道交通拥堵事件自动检测方法及装置。

背景技术

公路隧道的特殊环境容易引发拥堵以及交通事故，交通警察如无法尽快获取交通事件信息，就无法及时实施救援等工作，会造成道路拥堵蔓延，降低了运营效率，给出行者和国家带来巨大的经济损失，所以加大隧道交通信息采集和发布系统建设具体重大的意义。交通信息采集的方式多种多样，有基于浮动车的信息采集技术，也有基于固定检测设备的信息采集方式，如视频检测。鉴于隧道的特殊环境，浮动车GPS信号进入隧道基本无法检测，所以隧道交通事件检测一般都用固定点检测设备。

现有交通事件中对于视频检测装置的使用方法大多基于单个交通参数，如交通流量、速度、密度等，没有将多个参数综合设置检测进行综合分析处理，但交通现象动态变化极其复杂，很难用单一的参数来反映它的特性，单一的参数设置会造成判别的误差，而且目前在使用视频检测装置时都是通过人工进行视频监控，浪费人力且效率较低。此外，隧道交通状况判别算法的精度直接影响着隧道交通运行效率，目前所使用的视频检测算法过于生硬的根据某个交通参数的变化设定阈值来将交通状态进行分类，会造成系统对状态的误判；同时固定点检测的弊端就是对断点路面进行信息采集，无法获知隧道整体路段的完整交通状态，存在盲区交通事件误判现象，错误的判别可能会导致路段交通负荷，形成停滞，影响应急事件的处理造成公共管理资源的浪费。

发明内容

本发明的首要目的在于提供一种能够降低交通信息采集的人力和设备成本，提高隧道交通拥堵事件自动检测的准确度和效率，实现基于视频检测设备的隧道交通拥堵事件的自动、快速检测的基于视频的隧道交通拥堵事件自动检测方法。

为实现上述目的，本发明采用了以下技术方案：一种基于视频的隧道交通拥堵事件自动检测方法，该方法包括下列顺序的步骤：

(1)在隧道内的待测检测点上安装视频检测设备，视频检测设备的摄像头正对隧道路段区域为可视区，背对隧道路段区域为盲视区，对可视区区段和盲视区区段进行编号、组合配对；

(2)视频检测设备将获取的待测检测点的实时交通参数信息经数据通信设备实时传输至后台服务器进行存储和标准化处理，并将处理结果发送至自动检测处理服务器；

(3)盲区初始化探测车在隧道内行驶，记录超车个数和被超车个数，执行盲视区初始化算法，计算隧道盲视区区段的初始车辆个数，并将计算结果发送至自动检测处理服务器；

(4)自动检测处理服务器分别计算可视区平均交通流密度参数和盲视区动态交通流密度参数，并对配对的可视区平均交通流密度参数和盲视区动态交通流密度参数进行决策树状态处理，自动判定当前隧道整体的交通状态等级；

(5)发布终端设备在自动检测处理服务器中提取当前隧道整体交通状态等级信息，并自动向公众发布。

短隧道安装两个视频检测设备，分别安装在短隧道内靠近入口处以及短隧道外靠近出口处；长隧道至少安装两个视频检测设备，且隧道长度每一千米增加一个视频检测设备；隧道长度小于等于一千米的为短隧道，隧道长度大于一千米的为长隧道。

自动检测处理服务器对可视区平均交通流密度参数的计算方法如下：

视频检测设备实时上报的数据格式为(t,n,q_i,v_i),t表示上报时间，n表示车辆所在车道，i表示隧道内车流方向上依次排列的视频检测设备编号，q_i,v_i分别表示第i个视频检测设备第n车道的流量数据和速度数据，数据(t,n,q_i,v_i)的单位分别为秒、个、辆/小时/车道和千米/小时；

假设样本数据集表示为S＝{(t,n,q₁,v₁),(t,n,q₂,v₂),...,(t,n,q_i,v_i)}，样本的处理粒度周期为T，单位为小时，计算统计处理粒度周期T的时间内可视区隧道空间维度和时间维度的平均交通流

$\stackrel{\‾}{q_i}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{\mathrm{in}}/N---\left(1\right)$

在式(1)中，n表示车辆所在车道；N为检测点车道的总个数，n∈N；q_in为第i个待测检测点第n车道的交通流；为第i个待测检测点单位粒度周期的平均交通流；

再计算单位粒度周期的平均速度：

$\stackrel{\‾}{v_i}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{in}}/N---\left(2\right)$

在式(2)中，v_in为第i个待测检测点第n车道的速度；为第i个待测检测点单位粒度周期的平均速度；N为检测点车道的总个数，n∈N；

计算统计处理粒度周期T的时间内可视区隧道空间维度和时间维度的平均交通流密度

$\stackrel{\‾}{k_i}=\frac{\stackrel{\‾}{q_i}}{\stackrel{\‾}{v_i}}---\left(3\right)$

在式(3)中，为第i个检测点单位粒度的平均交通流密度，单位为辆/千米/车道。

自动检测处理服务器对盲视区动态交通流密度参数的计算公式如下：

在处理周期粒度T的基础上，隧道内视频检测设备实时上报的数据集为：

S＝{(t,n,q₁,v₁),(t,n,q₂,v₂),...,(t,n,q_i,v_i)}

$K_i=\frac{T*\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{\mathrm{in}}+N\left(0\right)-T*\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{(i+n)n}}{N*L_K}---\left(4\right)$

在式(4)中，N为检测点车道的总个数，n∈N；q_in为第i个视频检测设备第n车道的交通流；q_(i+1)n为第i+1个视频检测设备第n车道的交通流；T为处理粒度周期；N(0)为初始化盲视区车辆存在个数；L_k为盲视区隧道区段的长度；K_i为盲视区的动态交通流密度；

利用盲区初始化探测车在隧道内行驶，定义盲视区的端点AB，当盲区初始化探测车经过A点时，A点的视频检测设备开始计数经过的车辆数N_A，此时盲区初始化探测车由A点开始向B点移动，移动过程中记录盲区初始化探测车超车个数N_O以及被超车个数N_P，当盲区初始化探测车到达B点时，初期存在车辆个数处理过程完毕；

N(0)＝N_A+N_O-N_P           (5)。

在可视区平均交通流密度参数和盲视区动态交通流密度参数计算的基础上，利用决策树算法对待测隧道整体的交通状态等级进行判定，具体方法如下：

(1)提取当前时刻可视区的平均交通流密度和盲视区的动态交通流密度参数K_i；

(2)根据表一和可视区的平均交通流密度判断可视区的交通状态等级是否为拥堵；

表一

若判断结果为是，即则直接判定隧道整体为拥堵等级；否则，进入下一步；

(3)计算隧道整体的交通流密度参数

${\stackrel{\‾}{K}}_i=\frac{\stackrel{\‾}{k_i}+K_i}{2};$

(4)根据表一和值的大小判定隧道整体的交通状态等级。

本发明的另一目的在于提供一种基于视频的隧道交通拥堵事件自动检测装置，包括隧道内的待测检测点上的一个或多个视频检测设备，其输出端与数据通信设备的输入端相连，数据通信传输设备的输出端与后台服务器的输入端相连，后台服务器的输出端与自动检测处理服务器的第一输入端相连，用于检测隧道盲视区车辆个数的盲视区初始化探测车的输出端与自动检测处理服务器的第二输入端相连，自动检测处理服务器的输出端与发布终端设备的输入端相连。

所述视频检测设备由摄像头和图像处理机组成，摄像头安装在隧道内的待测检测点上，摄像头的输出端与图像处理机的输入端相连，图像处理机的输出端通过数据通信传输设备与后台服务器通讯。

由上述技术方案可知，本发明实时获取隧道可视区和盲视区检测点的交通参数信息，提取各个区段的交通流密度参数，按照非常畅通、畅通、缓行、拥挤和拥堵五类交通状态划分区间，实现隧道道路交通拥堵事件的自动判定检测。本发明充分地利用了交通流和车辆速度交通参数进行综合处理，提高了交通拥堵事件自动检测的准确度；弥补了固定点检测设备只能对断面交通状态感知的缺陷，实现隧道整体路段交通流的动态检测，降低了通过人工视频监控交通拥堵的时间和经济成本；同时，视频检测设备最少只用安装2个，减少了普通检测算法所需的检测器个数，降低了设备投入成本，增加了应急事件上报和管理的速度，可以提高隧道的使用效率和服务水平。

附图说明

图1是本发明的方法流程图；

图2是本发明中长隧道的系统设备安装示意图；

图3是本发明中短隧道的系统设备安装示意图；

图4是本发明的系统结构框图；

图5基于交通流密度的交通状态判定示意图。

具体实施方式

一种基于视频的隧道交通拥堵事件自动检测方法，该方法包括：(1)在隧道内的待测检测点上安装视频检测设备，视频检测设备的摄像头正对隧道路段区域为可视区，背对隧道路段区域为盲视区，对可视区区段和盲视区区段进行编号、组合配对；(2)视频检测设备将获取的待测检测点的实时交通参数信息经数据通信设备实时传输至后台服务器进行存储和标准化处理，并将处理结果发送至自动检测处理服务器；(3)盲区初始化探测车在隧道内行驶，记录超车个数和被超车个数，执行盲视区初始化算法，计算隧道盲视区区段的初始车辆个数，并将计算结果发送至自动检测处理服务器；(4)自动检测处理服务器分别计算可视区平均交通流密度参数和盲视区动态交通流密度参数，并对配对的可视区平均交通流密度参数和盲视区动态交通流密度参数进行决策树状态处理，自动判定当前隧道整体的交通状态等级；(5)发布终端设备在自动检测处理服务器中提取当前隧道整体交通状态等级信息，并自动向公众发布，如图1所示。

如图2、3所示，短隧道安装两个视频检测设备，分别安装在短隧道内靠近入口处以及短隧道外靠近出口处，其中安装在短隧道外靠近隧道出口处的视频检测设备只用于计算平均交通流，长隧道同理；长隧道至少安装两个视频检测设备，且隧道长度每一千米增加一个视频检测设备；隧道长度小于等于一千米的为短隧道，隧道长度大于一千米的为长隧道。

自动检测处理服务器对可视区平均交通流密度参数的计算方法如下：

视频检测设备实时上报的数据格式为(t,n,q_i,v_i),t表示上报时间，n表示车辆所在车道，i表示隧道内车流方向上依次排列的视频检测设备编号，q_i,v_i分别表示第i个视频检测设备第n车道的流量数据和速度数据，数据(t,n,q_i,v_i)的单位分别为秒、个、辆/小时/车道和千米/小时；

假设样本数据集表示为S＝{(t,n,q₁,v₁),(t,n,q₂,v₂),...,(t,n,q_i,v_i)}，样本的处理粒度周期为T，单位为小时，计算统计处理粒度周期T的时间内可视区隧道空间维度和时间维度的平均交通流

$\stackrel{\‾}{q_i}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{\mathrm{in}}/N---\left(1\right)$

在式(1)中，n表示车辆所在车道；N为检测点车道的总个数，n∈N；q_in为第i个待测检测点第n车道的交通流；为第i个待测检测点单位粒度周期的平均交通流；

再计算单位粒度周期的平均速度：

$\stackrel{\‾}{v_i}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{in}}/N---\left(2\right)$

在式(2)中，v_in为第i个待测检测点第n车道的速度；为第i个待测检测点单位粒度周期的平均速度；N为检测点车道的总个数，n∈N；

计算统计处理粒度周期T的时间内可视区隧道空间维度和时间维度的平均交通流密度

$\stackrel{\‾}{k_i}=\frac{\stackrel{\‾}{q_i}}{\stackrel{\‾}{v_i}}---\left(3\right)$

在式(3)中，为第i个检测点单位粒度的平均交通流密度，单位为辆/千米/车道。

自动检测处理服务器对盲视区动态交通流密度参数的计算公式如下：

在处理周期粒度T的基础上，隧道内视频检测设备实时上报的数据集为：

S＝{(t,n,q₁,v₁),(t,n,q₂,v₂),...,(t,n,q_i,v_i)}

$K_i=\frac{T*\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{\mathrm{in}}+N\left(0\right)-T*\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{(i+n)n}}{N*L_K}---\left(4\right)$

在式(4)中，N为检测点车道的总个数，n∈N；q_in为第i个视频检测设备第n车道的交通流；q_(i+1)n为第i+1个视频检测设备第n车道的交通流；T为处理粒度周期；N(0)为初始化盲视区车辆存在个数；L_k为盲视区隧道区段的长度；K_i为盲视区的动态交通流密度；

利用盲区初始化探测车在隧道内行驶，定义盲视区的端点AB，当盲区初始化探测车经过A点时，A点的视频检测设备开始计数经过的车辆数N_A，此时盲区初始化探测车由A点开始向B点移动，移动过程中记录盲区初始化探测车超车个数N_O以及被超车个数N_P，当盲区初始化探测车到达B点时，初期存在车辆个数处理过程完毕；

N(0)＝N_A+N_O-N_P        (5)。

在可视区平均交通流密度参数和盲视区动态交通流密度参数计算的基础上，利用决策树算法对待测隧道整体的交通状态等级进行判定，具体方法如下：

(1)提取当前时刻可视区的平均交通流密度和盲视区的动态交通流密度参数K_i；

(2)根据表一、图5和可视区的平均交通流密度判断可视区的交通状态等级是否为拥堵；

表一

若判断结果为是，即则直接判定隧道整体为拥堵等级；否则，进入下一步；

(3)计算隧道整体的交通流密度参数

${\stackrel{\‾}{K}}_i=\frac{\stackrel{\‾}{k_i}+K_i}{2};$

(4)根据表一和值的大小判定隧道整体的交通状态等级。

综上所述，本发明能够降低通过人工方式进行信息采集的成本，减少信息发布的周期时间，提高交通拥堵事件自动检测的准确度，实现隧道交通拥堵事件动态实时自动检测。

Claims (7)

1.一种基于视频的隧道交通拥堵事件自动检测方法，该方法包括下列顺序的步骤：

(1)在隧道内的待测检测点上安装视频检测设备，视频检测设备的摄像头正对隧道路段区域为可视区，背对隧道路段区域为盲视区，对可视区区段和盲视区区段进行编号、组合配对；

(2)视频检测设备将获取的待测检测点的实时交通参数信息经数据通信设备实时传输至后台服务器进行存储和标准化处理，并将处理结果发送至自动检测处理服务器；

(3)盲区初始化探测车在隧道内行驶，记录超车个数和被超车个数，执行盲视区初始化算法，计算隧道盲视区区段的初始车辆个数，并将计算结果发送至自动检测处理服务器；

(4)自动检测处理服务器分别计算可视区平均交通流密度参数和盲视区动态交通流密度参数，并对配对的可视区平均交通流密度参数和盲视区动态交通流密度参数进行决策树状态处理，自动判定当前隧道整体的交通状态等级；

(5)发布终端设备在自动检测处理服务器中提取当前隧道整体交通状态等级信息，并自动向公众发布。

2.根据权利要求1所述的基于视频的隧道交通拥堵事件自动检测方法，其特征在于：短隧道安装两个视频检测设备，分别安装在短隧道内靠近入口处以及短隧道外靠近出口处；长隧道至少安装两个视频检测设备，且隧道长度每一千米增加一个视频检测设备；隧道长度小于等于一千米的为短隧道，隧道长度大于一千米的为长隧道。

3.根据权利要求1所述的基于视频的隧道交通拥堵事件自动检测方法，其特征在于：自动检测处理服务器对可视区平均交通流密度参数的计算方法如下：

视频检测设备实时上报的数据格式为(t,n,q_i,v_i),t表示上报时间，n表示车辆所在车道，i表示隧道内车流方向上依次排列的视频检测设备编号，q_i,v_i分别表示第i个视频检测设备第n车道的流量数据和速度数据，数据(t,n,q_i,v_i)的单位分别为秒、个、辆/小时/车道和千米/小时；

假设样本数据集表示为S＝{(t,n,q₁,v₁),(t,n,q₂,v₂),...,(t,n,q_i,v_i)}，样本的处理粒度周期为T，单位为小时，计算统计处理粒度周期T的时间内可视区隧道空间维度和时间维度的平均交通流

$\stackrel{\‾}{q_i}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{\mathrm{in}}/N---\left(1\right)$

在式(1)中，n表示车辆所在车道；N为检测点车道的总个数，n∈N；qⁱ _n为第i个待测检测点第n车道的交通流；为第i个待测检测点单位粒度周期的平均交通流；

再计算单位粒度周期的平均速度：

$\stackrel{\‾}{v_i}=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{v}_{\mathrm{in}}/N---\left(2\right)$

在式(2)中，v_in为第i个待测检测点第n车道的速度；为第i个待测检测点单位粒度周期的平均速度；N为检测点车道的总个数，n∈N；

计算统计处理粒度周期T的时间内可视区隧道空间维度和时间维度的平均交通流密度

$\stackrel{\‾}{k_i}=\frac{\stackrel{\‾}{q_i}}{\stackrel{\‾}{v_i}}---\left(3\right)$

在式(3)中，为第i个检测点单位粒度的平均交通流密度，单位为辆/千米/车道。

4.根据权利要求1所述的基于视频的隧道交通拥堵事件自动检测方法，其特征在于：自动检测处理服务器对盲视区动态交通流密度参数的计算公式如下：

在处理粒度周期T的基础上，隧道内视频检测设备实时上报的数据集为：

S＝{(t,n,q₁,v₁),(t,n,q₂,v₂),...,(t,n,q_i,v_i)}

$K_i=\frac{T*\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{\mathrm{in}}+N\left(0\right)-T*\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{q}_{(i+1)n}}{N*L_K}---\left(4\right)$

在式(4)中，N为检测点车道的总个数，n∈N；q_in为第i个视频检测设备第n车道的交通流；q_(i+1)n为第i+1个视频检测设备第n车道的交通流；T为处理粒度周期；N(0)为初始化盲视区车辆存在个数；L_k为盲视区隧道区段的长度；K_i为盲视区的动态交通流密度；

利用盲区初始化探测车在隧道内行驶，定义盲视区的端点AB，当盲区初始化探测车经过A点时，A点的视频检测设备开始计数经过的车辆数N_A，此时盲区初始化探测车由A点开始向B点移动，移动过程中记录盲区初始化探测车超车个数N_O以及被超车个数N_P，当盲区初始化探测车到达B点时，初期存在车辆个数处理过程完毕；

N(0)＝N_A+N_O-N_P   (5)。

5.根据权利要求1所述的基于视频的隧道交通拥堵事件自动检测方法，其特征在于：在可视区平均交通流密度参数和盲视区动态交通流密度参数计算的基础上，利用决策树算法对待测隧道整体的交通状态等级进行判定，具体方法如下：

(1)提取当前时刻可视区的平均交通流密度和盲视区的动态交通流密度参数K_i；

(2)根据表一和可视区的平均交通流密度判断可视区的交通状态等级是否为拥堵；

表一

若判断结果为是，即则直接判定隧道整体为拥堵等级；否则，进入下一步；

(3)计算隧道整体的交通流密度参数

${\stackrel{\‾}{K}}_i=\frac{\stackrel{\‾}{k_i}+K_i}{2};$

(4)根据表一和值的大小判定隧道整体的交通状态等级。

6.一种基于视频的隧道交通拥堵事件自动检测装置，其特征在于：包括隧道内的待测检测点上的一个或多个视频检测设备，其输出端与数据通信设备的输入端相连，数据通信传输设备的输出端与后台服务器的输入端相连，后台服务器的输出端与自动检测处理服务器的第一输入端相连，用于检测隧道盲视区车辆个数的盲视区初始化探测车的输出端与自动检测处理服务器的第二输入端相连，自动检测处理服务器的输出端与发布终端设备的输入端相连。

7.根据权利要求6所述的基于视频的隧道交通拥堵事件自动检测装置，其特征在于：所述视频检测设备由摄像头和图像处理机组成，摄像头安装在隧道内的待测检测点上，摄像头的输出端与图像处理机的输入端相连，图像处理机的输出端通过数据通信传输设备与后台服务器通讯。