CN107563404A - 一种交通标志分类方法及装置 - Google Patents

Abstract

本发明实施例提供了一种交通标志分类方法及装置，所述方法包括：获取多个实验者对每一块待分类交通标志的视认理解时间数据；根据所述视认理解时间数据，对所述待分类交通标志进行分类。该装置用于执行上述方法。本发明实施例综合考虑了交通标志版面的特性以及驾驶员对交通标志的视认理解时间，合理的进行交通标志的分类，提高了交通标志信息阈值研究的准确性，为交通标志在道路中设置提供了准确的理论基础。

Description

一种交通标志分类方法及装置

技术领域

本发明实施例涉及交通运输技术领域，具体涉及一种交通标志分类方法及装置。

背景技术

随着科技的发展，汽车越来越成为人们生活中的必需品，越来越多的人使用汽车作为代步工具，相应的就需要更加合理的交通规则、交通标志来引导人们正确驾驶。

道路上的交通标志的合理设置，能够准确的指导驾驶人员在道路上行使，减少驾驶人员操作错误率。在进行道路交通标志的设置以及交通标志的图形设计时，需要进行交通标志信息阈值的研究，信息阈值又称为信息过载阈值，是指驾驶员在有限的时间内所获得的的最大的信息量的值。在研究交通标志信息阈值时，需要进行交通标志的分类，现有技术中，将交通标志分为单义性交通标志和多义性交通标志。该种分类方法主要考虑了每种交通标志版面的特性，但是忽略了驾驶员对于交通标志视认的影响。也有一些学者基于交通标志的理解性并结合组内同质性检验结果，将交通标志进行分类，该种分类方法并没有有效结合驾驶员的视认特性。并且将单义性交通标志的信息与多义性交通标志的信息进行简单叠加，没有涉及驾驶员对于视认交通标志的特性和因素融入到信息阈值的研究，导致信息阈值的研究出现偏颇。

因此，如何提出一种方案，能够合理的进行交通标志的分类，进一步能够提高交通标志信息阈值计算的准确性，为交通标志在道路中设置提供准确的理论基础，成为亟待解决的问题。

发明内容

针对现有技术中的缺陷，本发明实施例提供及一种交通标志分类方法及装置。

一方面，本发明实施例提供一种交通标志分类方法，包括：

获取多个实验者对每一块待分类交通标志的视认理解时间数据；

根据所述视认理解时间数据，对所述待分类交通标志进行分类。

进一步地，所述根据所述视认理解时间数据，对所述待分类交通标志进行分类，包括：

对所述视认理解时间数据进行参数检验，获取所述视认理解时间数据对应的理论分布模型；

根据所述理论分布模型和所述视认理解时间数据，对所述待分类交通标志进行聚类分析，以将所述待分类交通标志进行分类。

进一步地，所述方法还包括：

若所述理论分布模型为正态分布模型，则对所述视认理解时间数据进行单因素方差分析；

根据所述单因素方差分析的结果和所述视认理解时间数据，对所述待分类交通标志进行聚类分析。

进一步地，所述对所述视认理解时间数据进行参数检验，包括：

采用K-S检验方法对所述视认理解时间数据进行参数检验。

进一步地，所述方法还包括，对所述视认理解时间数据进行误差数据剔除，获得标准视认理解时间数据；

根据所述标准视认理解时间数据，对所述待分类交通标志进行分类。

进一步地，所述对所述视认理解时间数据进行误差数据剔除，包括：

采用箱线图法对所述视认理解时间数据进行误差数据剔除。

进一步地，所述获取多个实验者对每一块待分类交通标志的视认理解时间数据，包括：

利用E-PRIME实验生成系统随机播放每一块所述待分类交通标志的图片，并获取多个所述实验者对播放的每一块所述待分类交通标志的图片的视认理解时间数据。

进一步地，所述方法还包括：所述获取多个所述实验者对播放的每一块所述待分类交通标志的图片的视认理解时间数据，包括：

获取多个所述实验者口述播放的每一块所述待分类交通标志的图片的标志内容的时间，作为所述视认理解时间数据；

或者，获取多个所述实验者选择播放的每一块所述待分类交通标志的图片对应的选项所用的时间，作为所述视认理解时间数据。

另一方面，本发明实施例提供一种用于交通标志分类的装置，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行上述交通标志分类方法。

再一方面，本发明实施例提供一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述交通标志分类方法。

本发明实施例提供的交通标志分类方法及装置，通过获取多个实验者对各个待分类交通标志的视认理解时间数据，将所有交通标志以视认理解时间为因素进行聚类分析，综合考虑了交通标志版面的特性以及驾驶员对交通标志的视认理解时间，合理的进行交通标志的分类，提高了交通标志信息阈值研究的准确性，为交通标志在道路中设置提供了准确的理论基础。

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一简单地介绍，显而易见地，下面描述中的附图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。

图1为本发明实施例中交通标志分类方法的流程示意图；

图2为本法发明实施例箱线图法剔除误差数据的示意图；

图3为本发明实施例中交通标志聚类分析的结果示意图；

图4为本发明实施例中用于交通标志分类的装置结构示意图。

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，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例中交通标志分类方法的流程示意图，如图1所示，本发明实施例提供的交通标志分类方法包括：

S1、获取多个实验者对每一块待分类交通标志的视认理解时间数据；

具体地，本发明实施例基于百度实景地图和实地调查中交通标志布设的实际情况，通过绘图软件绘制出待分类交通标志的图片，或通过网络下载各个待分类交通标志的图片，其中所有交通标志均符合国标的要求。待分类交通标志可以包括：指路标志、指示标志、警告标志、禁令标志、辅助标志等。获得各个待分类交通标志后，通过实验获取多个实验者对每一块待分类交通标志的视认理解时间数据，其中视认理解时间数据是指实验者从看到交通标志的图片到反应出该交通标志的含义之间的时间间隔，可以通过获取实验者看到交通标志的图片到说出该交通标志的含义的时间，或者通过软件分析实验者的脑部活动，获取实验者反应出该交通标志的含义的时间。例如：实验者从看到“禁止通行”的交通标志的图片，到脑海中反应出该“禁止通行”交通标志的含义之间的时间间隔为1s，则可以认为该实验者对“禁止通行”交通标志的视认理解时间数据为1s。

实验者可以根据需要进行选取，为了保证获得的视认理解时间的准确性，本发明实施例中按照性别、驾龄和年龄，选取不同性别、驾龄以及年龄对应的实验者。当然根据需要，可以按照其他条件选取实验者进行实验，实验者的数量也可以根据需要进行选取，本发明实施例不做具体限定。可以看出，本发明实施例中的实验者需要有驾驶经验，以确保获得的视认理解时间数据结合驾驶人对交通标志的视认特性，保证交通标志的分类更加准确。

S2、根据所述视认理解时间数据，对所述待分类交通标志进行分类。

具体地，获得多个实验者对每一块待分类交通标志的视认理解时间数据后，根据获得的视认理解时间数据对所述待分类交通标志进行分类。具体分类方法可以根据实际需要进行选择，本发明实施例不作具体限定。

将待分类交通标志分类后，在进行交通标志信息阈值研究时，可研究出同一类别的交通标志信息阈值，即以其中一个交通标志作为一个信息单元，同一类别内的其他交通标志均可视为同一个信息单元，交通标志信息阈值即为同一类别中驾驶员所能接收的最大信息单元的个数，即驾驶员在有限的时间内能接收的最多的同一类别的交通标志的个数。对于不同类别的交通标志，因驾驶员的视认特性和理解时间不同，可针对不同类别交通标志，研究其各个类别的交通标志的相互视认关系，通过一定的转化，研究不同类别交通标志信息阈值。

例如：将左转、直行、右转、掉头、禁止掉头、禁止左转、禁止直行、禁止右转作为同一类别的交通标志，则在进行信息阈值研究时，可以将“直行”这一交通标志作为这一类别的交通标志的一个信息单元，若驾驶员在指定的时间内能够视认识别的“直行”交通标志的数量为6(或通过实验让实验者视认“直行”交通标志，在视认第6块该交通标志时，实验者的视认理解时间数据发生突变)，则可以认为上述类别的交通标志的信息阈值为6。在道路上设置交通标志时，则需要根据获得的交通阈值设置，同一地方设置上述类别的交通标志的数量不能超过6条。对于同一类别的交通标志，信息数则等于块数，对于不同类别的交通标志，可以通过研究不同类别交通标志之间的视认理解关系，获取不同类别的交通标志组合时的交通标志信息阈值，进一步合理的在道路上设置交通标志。其中，交通标志信息阈值的具体研究方法本发明实施例不做具体限定。

本发明实施例提供的交通标志分类方法，通过获取多个实验者对各个待分类交通标志的视认理解时间数据，根据所有交通标志的视认理解时间数据进行交通标志的分类，综合考虑了交通标志版面的特性以及驾驶员对交通标志的视认理解时间，合理的进行交通标志的分类，提高了交通标志信息阈值研究的准确性，为交通标志在道路中设置提供了准确的理论基础。

在上述实施例的基础上，所述根据所述视认理解时间数据，对所述待分类交通标志进行分类，包括：

对所述视认理解时间数据进行参数检验，获取所述视认理解时间数据对应的理论分布模型；

根据所述理论分布模型和所述视认理解时间数据，对所述待分类交通标志进行聚类分析，以将所述待分类交通标志进行分类。

具体地，本发明实施例中获得实验者对每一块待分类交通标志的视认理解数据后，进行待分类交通标志的聚类分析时，先对获得的多个视认理解数据进行参数检验，获取视认理解时间数据对应的理论分布模型。具体可以采用卡方检验、二项检验、游程检验等，其原理是检验视认理解时间数据的观测经验分布是否是已知的理论分布。当两者间的差距很小时，推断该样本取自已知的理论分布。参数检验的流程如下：

(1)建立假设组：H₀:F_n(x)＝F(x)，H₁:F_n(x)≠F(x)

(2)计算样本累计频率与理论分布累计频率的绝对差，令最大的绝对差为D_n；

D_n＝max{|F(x)-F_n(x)|}

(3)用样本容量n和显著水平a查出临界值D_n ^a；

(4)通过D_n与D_n ^a的比较做出判断，若D_n＜D_n ^a，则认为拟合是满意的。

本发明实施例采用的是K-S(Kolmogorov-Smirnov)检验方法对所述视认理解时间数据进行参数检验。该方法主要基于累积分布函数，用以检验一个经验分布是否符合某种理论分布或者比较两个经验分布是否有显著性差异。由于其对数据的检验没有限制，并且该方法作为一种非参数检验方法可判断数据是否服从正态分布，具体检验优势如下：作为一种非参数方法，具有稳定性；不依赖均值的位置；对尺度化不敏感；适用范围广；比卡方检验更有效，确保获得的视认理解时间数据对应的理论分布模型更加准确，进一步保证了交通标志分类的准确性，为后续交通标志信息阈值的研究以及交通标志在道路中的设置提供了准确的数据基础。

在上述实施例的基础上，若所述理论分布模型为正态分布模型，则对所述视认理解时间数据进行单因素方差分析；

根据所述单因素方差分析的结果和所述视认理解时间数据，对所述待分类交通标志进行聚类分析。

具体地，本发明实施例结合视认理解时间数据的特性，在进行视认理解时间数据的参数检验时，首先考虑视认理解时间数据的分布是否服从正态分布。若通过对视认理解时间数据的参数检验，获得的视认理解时间数据对应的理论分布模型符合正态分布模型，即视认理解时间数据满足正态分布，则对视认理解时间数据进行单因素方差分析。其中，本发明实施例中的单因素方差分析主要是分析对视认理解时间数据有影响的因素，以及该因素对视认理解时间数据的影响程度。

在本发明实施例实施的过程中，发现影响交通标志视认理解时间数据的主要因素包括驾驶人即实验者本身特性和交通标志的物理因素，如驾驶人的性别、学历、驾龄和不同交通标志类型等。但在本发明实施例的研究过程中发现，驾驶人的年龄和学历对交通标志视认没有显著影响，所以本发明实施例在进行单因素方差分析中，主要考虑驾驶人的性别和驾龄对交通标志视认理解时间数据的影响。根据单因素方差分析的结果和视认理解时间数据，对待分类交通标志进行聚类分析，实现对待分类交通标志的分类。本发明实施例在进行单因素方差分析前，首先需要进行的是方差齐性检验，齐性检验是进行方差分析的前提。本发明实施例进行单因素方差分析的结果是驾驶人的性别和驾龄对交通标志视认理解时间数据都没有显著影响，因此，本发明实施例仅基于驾驶人的视认理解时间进行聚类分析，实现对待分类交通标志的分类。

本发明实施例提供的交通标志分类方法，通过获取多个实验者对各个待分类交通标志的视认理解时间数据，并对获得的视认理解时间数据进行K-S参数检验和单因素方差分析，进一步将所有交通标志以视认理解时间为因素进行聚类分析。综合考虑了交通标志版面的特性以及驾驶员对交通标志的视认理解时间，合理的进行交通标志的分类，提高了交通标志分类的准确性，进一步提高了交通标志信息阈值研究的准确性，为交通标志在道路中设置提供了准确的理论基础。

在上述实施例的基础上，所述方法还包括，对所述视认理解时间数据进行误差数据剔除，获得标准视认理解时间数据；

根据所述标准视认理解时间数据，对所述待分类交通标志进行分类。

具体地，由于实验获得的视认理解时间数据可能存在误差，对后续的数据处理和分析造成影响，本发明实施例在获得视认理解时间数据后，先进行误差数据的剔除，获得标注视认理解时间数据。再根据标准视认理解时间数据对分类交通标志进行聚类分析，将待分类交通标志进行分类。本发明实实施例中采用箱线图法对所述视认理解时间数据进行误差数据剔除，确保了获得的标准视认理解时间数据的准确性，为后续的数据处理和聚类分析提供了准确的数据基础，提高了交通标志分类的准确性，进一步提高了交通标志信息阈值研究的准确性。

在上述实施例的基础上，所述获取多个实验者对每一块待分类交通标志的视认理解时间数据，包括：

利用E-PRIME实验生成系统随机播放每一块所述待分类交通标志的图片，并获取多个所述实验者对播放的每一块所述待分类交通标志的图片的视认理解时间数据。

具体地，本发明实施例利用E-PRIME实验生成系统进行实验者的视认理解时间数据的获取，具体通过在E-PRIME实验生成系统中随机播放每一块待分类交通标志的图片，实验者根据看到的播放的待分类交通标志的图片，进行答题，进一步获取各个实验者对每一块待分类交通标志的图片的视认理解时间数据。

在上述实施例的基础上，所述获取多个所述实验者对播放的每一块所述待分类交通标志的图片的视认理解时间数据，包括：

获取多个所述实验者口述播放的每一块所述待分类交通标志的图片的标志内容的时间，作为所述视认理解时间数据；

或者，获取多个所述实验者选择播放的每一块所述待分类交通标志的图片对应的选项所用的时间，作为所述视认理解时间数据。

具体地，在利用E-PRIME实验生成系统随机播放每一块待分类交通标志的图片时，实验者可以口述自己理解的每一块待分类交通标志的图片的标志内容，获取实验者口述该待分类交通标志的图片的标志内容的时间，作为视认理解时间数据。或者，预先为每一块待分类交通标志的图片配置不同的选项，实验者在看到播放的待分类交通标志的图片时，根据自己的理解，选择该待分类交通标志的图片对应的选项，获取实验者选择对应选项所用的时间作为视认理解时间数据。

下面介绍本发明实施例技术方案的具体流程，以便更好的理解本发明实施例的技术方案：

(1)选取实验者

依据统计学公式确定最小样本量：

其中，E——可接受的抽样误差。允许误差越小，所需样本量越大；当允许误差小于3％时，再提高精度，所需样本量成倍增加。本发明实施例中E的选取值为3％；

Z——标准误差的置信水平：表示估计结果的可靠性。置信度越高，要求的样本越大。本发明实施例中选取置信度为95％，对应的z＝1.96；

σ方差——表示样本间的离散程度；当未知方差的情况下，可用样本率进行预估；当样本率P＝0.5，此时p(1-p)达到最大，即方差取得最大值，本发明实施例结合实验条件，σ选取0.08；

因此，本发明实施例共选取了40名实验者，要求20名男生，20名女生，年龄为20-50岁不等，驾驶经验为1-2年、2-3年、3-4年、5年及5年以上。实验者不能佩戴眼镜，(矫正)视力均在5.0以上，无色弱色盲。实验者在实验前和实验中均禁止服用精神活性物质，包括咖啡因、尼古丁、茶和啤酒。

(2)获取视认理解时间数据

本发明实施例可以采用两种实验方案获得视认理解时间数据，一种为口述视认交通标志图片实验，一种为选择题方式视认交通标志图片实验。在实验前可以对每一位实验者进行问卷调查，以确定实验者是否满足实验要求。问卷内容主要包括实验者的个人属性特征以及视认交通标志影响因素如心理因素和生理因素等，个人属性包括驾驶人性别、年龄、驾驶经验；心理因素主要包括个人情绪、实验环境；生理因素：驾驶疲劳、刺激强度。本发明实施例选择了42块待分类的交通标志的图片进行实验，实验过程如下：

口述视认交通标志图片实验：

a.对实验者进行实验前的简单培训，说明实验中注意事项；

b.利用E-PRIME实验生成系统，对待分类交通标志进行视认理解时间测试。实验开始前播放实验手册，实验者表示看懂后操作员按“空格键”进行预实验，当声明“开始实验”后，屏幕上播放一张待分类交通标志的图片，实验者说出该待分类交通标志的内容如果回答正确，操作员按键“Y”，开始出现下一张图片，实验者说出该待分类交通标志的内容如果回答错误，操作员按键“N”，开始出现下一张图片。实验者告知操作员“明白”以后，开始正式实验；

c.当播放的待分类交通标志的图片为指路标志时，屏幕中先会显示实验者所需要到达的目的地名称，然后实验者根据播放的待分类交通标志的内容，对该交通标志进行“左转、直行、右转”判断，并由操作员判断口述结果，操作员完成按键“Y”或“N”后，出现下一张图片；

d.正式实验和预实验操作方式一样，按照该方法依次类推，直至完成所有待分类交通标志图片的视认，其中每一位实验者进行实验时，都是随机播放所有的待分类交通标志的图片；

e.操作员检查操作平台数据、整理好实验材料，确保未遗漏信息，完成实验。

选择题方式视认交通标志图片实验：

考虑实验过程中，由于每个交通标志的名称长短不一，会影响E-PRIME后台记录的视认理解时间数据，所以本发明实施例提出实验方案二，利用选择题方式排除标志名称不同造成的时间误差。选择题的问题字符数均为12，选项字符数均为4，共涉及3个选项。同时按照下述流程完成实验，待分类交通标志的播放顺序采用随机播放，实验过程如下：

a.对实验者进行实验前的简单培训，说明实验中注意事项；

b.利用E-PRIME实验生成系统，对待分类交通标志进行视认时间测试。实验开始前会播放实验手册，驾驶人表示看懂后操作员按“空格键”进行预实验，当声明“开始实验”后，屏幕上播放一张待分类交通标志的图片，实验者根据图片显示的选项，回答根据自己理解的播放的待分类交通标志的内容口述该待分类交通标志的图片对应的选项，操作员根据其口述选项按键选择对应的按键，按键完成后开始出现下一张图片；

c.当播放的待分类交通标志的图片为指路标志时，屏幕中先会显示实验者所需要到达的目的地名称，然后根据播放的待分类交通标志的内容，对该待分类交通标志进行“左转命令、直行命令、右转命令”判断，并口述判断的对应选项；

d.正式实验和预实验操作方式一样，按照该方法依次类推，直至完成所有待分类交通标志图片的视认；

e.操作员检查操作平台数据、整理好实验材料，确保未遗漏信息，完成实验。

利用E-PRIME实验生成系统可以获得各个实验者对每一块待分类交通标志的视认理解时间数据。

(3)误差数据剔除

本发明实施例采用SPSS软件对实验数据进行处理，根据E-PRIME软件后台数据结果，通过口述视认交通标志图片实验得到视认理解时间数据1680条。为了保证实验的准确性，需要对该视认理解时间数据中的误差数据进行剔除，误差数据主要包含异常值数据和口述错误数据，口述错误数据通过人工识别方法，共剔除20余项口述错误数据，异常数据需采用一定的数学方法进行异常值剔除。而对于异常值数据的处理通常采用的方法为Z分位法和箱线图法，因为Z分位法需考虑数据是否符合正态分布，前提条件受一定的限制，所以本发明实施例采用箱线图法进行异常值的探测。通过箱线图法探测，对通过口述视认交通标志图片实验得到的数据，共剔除无效数据60余条，实验有效数据为1600多条。图2为本法发明实施例箱线图法剔除误差数据的示意图，如图2所示，因方便操作和查看，将待分类交通标志改为编号显示，编号对应的待分类交通标志如表1所示。由图2中可以看出大部分数据都在箱线图内，而异常值数据分别是图中的圆圈和星星的形状，并对应其标志编号，通过数据处理，将其剔除。

表1交通标志编号对应的待分类交通标志

(4)K-S检验

对所有无效数据进行剔除后，对剔除误差数据后的视认理解时间数据进行K-S参数检验。将42块待分类交通标志的视认理解时间数据分别进行K-S检验，检验结果如下表2所示。由于检验结果较多，所以只示例待分类交通标志1-5检验结果，

表2单样本Kolmogorov-Smirnov检验

本发明实施例中进行K-S参数检验获得，口述视认交通标志图片实验中42块待分类交通标志的视认理解时间数据的显著性均大于0.05，服从于正态分布。在满足正态分布的情况下，可以进行单因素方差分析。

(5)单因素方差分析

本发明实施例在进行单因素方差分析中，主要考虑驾驶人即实验者的性别和驾龄对交通标志视认的影响，即对交通标志视认理解时间数据的影响。在进行单因素方差分析前，首先需要进行的是方差齐性检验，齐性检验是进行方差分析的前提。对口述视认交通标志图片实验中42块待分类交通标志进行齐性检验，其中交通标志编号为1待分类交通标志的方差齐性检验结果如下表3所示。

表3误差方差等同性的方差齐性检验

表中：F表示方差齐性检验，df是自由度，且df1+df2＝样本数，sig是方差齐性检验的概率值，代表显著性水平。上表表示对驾驶员的性别，驾龄以及性别和驾龄的交互进行方差齐性检验。

由方差齐性检验结果表明，显著性水平(p＝0.098)小于0.05，即因变量的方差均相等，可以进行单因素方差分析。对交通标志编号为1待分类交通标志进行单因素方差分析的结果如下表4所示。其中性别(p＝0.989)、驾龄(p＝0.388)、性别和年龄的交互(p＝0.298)均大于0.05，所以实验者的性别和驾龄对待分类交通标志的视认理解时间数据均未产生显著性影响。

表4交通标志编号为1的主体间效应的检验

表中：F的数值是对模型做的方差齐性检验的结果，df是自由度，sig代表显著性水平。R平方值是趋势线拟合程度的指标,它的数值大小可以反映趋势线的估计值与对应的实际数据之间的拟合程度,拟合程度越高,趋势线的可靠性就越高。

本发明实施例经过单因素方差分析的结果获知，除了注意非机动车标志性别和驾龄的交互有显著性影响外，剩余41块交通标志驾驶人的性别、驾龄和性别年龄的交互均对于交通标志视认理解时间无显著性影响(p值均大于0.05)。注意非机动车标志出现有显著性影响的原因可能由于操作员或者实验者操作不当导致数据出现一定的偏差，将数据进行重新进行箱线图法和K-S检验后，再次进行单因素方差分析后，显著性水平(p＝0.064)大于0.05，如下表5所示，所以本发明实施例可以仅基于实验者的视认理解时间数据进行聚类分析。

表5再次进行数据处理后主体间效应的检验

表中：F、df、sig以及R方的含义同上表4相同，此处不再赘述。

(6)聚类分析

聚类分析主要分为以下三种，K均值聚类、层次聚类、两步聚类法。图3为本发明实施例中交通标志聚类分析的结果示意图，如图3所示，本发明实施例采用分层聚类方法进行聚类分析，基于SPSS(Statistical Product and Service Solutions，统计产品与服务解决方案)统计分析结果，图3为SPSS聚类分析的树状图。如图3所示，图中横坐标标志各类别的相对距离，最左侧罗列出所有聚类类别，像树的根系，可以说，你有多少聚类变量或个案，就有多少个根系类，根系类生长聚合，逐渐向右侧生长出若干枝干类，继续生长，最后合并为两类。也就是说，每一条横线，从根系开始就是一类，横线不断合并，类别也相应高度集中。

具体聚类分析结果如图3所示，本发明实施例将待分类交通标志主要分为5类：

1)1类：左转、直行、右转、掉头、禁止掉头、禁止左转、禁止直行、禁止右转；

2)2类：时间范围、严禁酒驾、禁止电话、系安全带、二环路区域内、左直、禁止左直、右直、禁止右直、行驶方向标志；

3)3类：大型车靠右、公交专用道、禁止大型车、禁止货车、注意慢行、限速40、注意行人、注意儿童、禁止机动车、注意危险；

4)4类：减速让行、停车让行、禁止超车、事故多发路段、注意丁字口、注意交叉口、注意非机动车、注意信号灯、无人看守铁路；

5)5类：指路4、指路5、指路6、易滑、道路不平。

其中各类别交通标志的视认理解数据不同，例如：1类中的交通标志的视认理解时间数据在1s以内，2类中的交通标志的视认理解时间数据在1s-1.5s，3类中的交通标志的视认理解时间数据在1.5s-2s，3类中的交通标志的视认理解时间数据在2s-2.5s，4类中的交通标志的视认理解时间数据在2.5s-3s，5类中的交通标志的视认理解时间数据在3s以上等。当然获取到的视认理解时间数据以及数据处理的方法不同，具体的分类结果也会有差别，本发明实施例仅仅是示例，对于交通标志的分类结果不作具体限定。

本发明实施例提供的交通标志分类方法，利用E-PRIME实验生成系统对待分类交通标志视认进行视认理解时间的实验，以获取实验者对待分类交通标志的视认理解时间数据。并对获得的视认理解时间数据进行数据处理，如箱线图法剔除误差数据、K-S检验、单因素方差分析、聚类分析等，将待分类交通标志进行分类。不仅考虑了交通标志的特性，还综合了实验者即驾驶员对于交通标志的视认理解能力。通过考虑交通标志和驾驶员特性，将交通指标进行合理的分类，以便后续在进行交通标志信息阈值研究时，其研究成果更有依据，更能提高研究的准确性。

图4为本发明实施例中用于交通标志分类的装置结构示意图，如图4所示，所述装置可以包括：处理器(processor)41、存储器(memory)42和通信总线43，其中，处理器41，存储器42通过通信总线43完成相互间的通信。处理器41可以调用存储器42中的逻辑指令，以执行如下方法：获取多个实验者对每一块待分类交通标志的视认理解时间数据；根据所述视认理解时间数据，对所述待分类交通标志进行分类。

此外，上述的存储器42中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取多个实验者对每一块待分类交通标志的视认理解时间数据；根据所述视认理解时间数据，对所述待分类交通标志进行分类。

以上所描述的装置以及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

Claims (10)

1.一种交通标志分类方法，其特征在于，包括：

获取多个实验者对每一块待分类交通标志的视认理解时间数据；

根据所述视认理解时间数据，对所述待分类交通标志进行分类。

2.根据权利要求1所述的方法，其特征在于，所述根据所述视认理解时间数据，对所述待分类交通标志进行分类，包括：

对所述视认理解时间数据进行参数检验，获取所述视认理解时间数据对应的理论分布模型；

根据所述理论分布模型和所述视认理解时间数据，对所述待分类交通标志进行聚类分析，以将所述待分类交通标志进行分类。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

若所述理论分布模型为正态分布模型，则对所述视认理解时间数据进行单因素方差分析；

根据所述单因素方差分析的结果和所述视认理解时间数据，对所述待分类交通标志进行聚类分析。

4.根据权利要求2所述的方法，其特征在于，所述对所述视认理解时间数据进行参数检验，包括：

采用K-S检验方法对所述视认理解时间数据进行参数检验。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：对所述视认理解时间数据进行误差数据剔除，获得标准视认理解时间数据；

根据所述标准视认理解时间数据，对所述待分类交通标志进行分类。

6.根据权利要求5所述的方法，其特征在于，所述对所述视认理解时间数据进行误差数据剔除，包括：

采用箱线图法对所述视认理解时间数据进行误差数据剔除。

7.根据权利要求1-6任一项所述的方法，其特征在于，所述获取多个实验者对每一块待分类交通标志的视认理解时间数据，包括：

利用E-PRIME实验生成系统随机播放每一块所述待分类交通标志的图片，并获取多个所述实验者对播放的每一块所述待分类交通标志的图片的视认理解时间数据。

8.根据权利要求7所述的方法，其特征在于，所述获取多个所述实验者对播放的每一块所述待分类交通标志的图片的视认理解时间数据，包括：

获取多个所述实验者口述播放的每一块所述待分类交通标志的图片的标志内容的时间，作为所述视认理解时间数据；

或者，获取多个所述实验者选择播放的每一块所述待分类交通标志的图片对应的选项所用的时间，作为所述视认理解时间数据。

9.一种用于交通标志分类的装置，其特征在于，包括：

至少一个处理器；以及

与所述处理器通信连接的至少一个存储器，其中：

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至8任一项所述的方法。

10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1至8任一项所述的方法。