CN107591002B - 一种基于分布式光纤的高速公路交通参数实时估计方法 - Google Patents

Abstract

本发明公开了一种基于分布式光纤的高速公路交通参数实时估计方法，本发明目的是提供一种基于分布式光纤的高速公路交通参数实时估计方法，实时在线监测高速公路全路段的交通运行状况，并实时估计全程各路段车辆运行的关键交通参数，为交通管理部门提供实时可靠的高速公路全程的车辆行驶及路况信息，为智能调控、及时疏导拥堵、有效提高路面资源利用率提供了一种重要技术手段；本申请适用于智能交通相关领域。

Description

一种基于分布式光纤的高速公路交通参数实时估计方法

技术领域

本发明属于智能交通领域，具体涉及一种基于分布式光纤声波/振动传感的高速公路运行状况全程在线监测及交通参数实时估计方法。

背景技术

近年来，我国高速公路迅速发展，已经形成公路运输的主力。截至2016年底，中国高速公路通车里程达13万公里，排名世界第一。高速公路实行全封闭管理，减少了行车的干扰，消除了车流的交叉冲突，为机动车辆的通行创造了良好的条件。但是，由于驾驶人员法规意识差，安全意识淡薄、驾驶经验不足等带来的违章行为造成交通事故频发，严重影响高速公路的通行能力，给高速公路运营造成巨大的经济损失。同时，通行不畅则还会给社会经济运行造成极大的资源浪费。管理部门和城市交通管理部门若能够及时发现高速公路的特定交通事故，并及时进行预警定位，通过快速反应和引导，可以有效缩短事故现场清理时间，降低因事故对道路交通的影响。另外，高速公路的车流量等交通信息可以为道路规划和交通诱导提供科学依据，是公路管理与养护的基础。因此，高速公路交通事件检测及交通参数采集具有重要意义。

目前高速公路管理部门和城市道路管理部门主要是借助视频系统人工监视或以巡逻车流动巡逻方式采集高速公路的运行状况，这两种方法实时性较差，处理突发或有威胁的事件能力有限。此外，车流量等关键交通参数采集仍主要以公路关键出、入口及关键路段某些断面的定点采集为主，主要包括接触式检测仪(地感线圈、压电)和非接触式检测仪(超声波、微波、视频摄像头)两大类。接触式检测设备检测精度高，但维修时需要破坏路面、阻塞交通，维修成本较高，不适用于高速公路；微波和超声波传感器容易受到恶劣天气影响，视频摄像头检测方法采集的数据量较大，对存储及处理要求比较高，而且也容易受到雨雪及大雾等恶劣天气的影响。分布式光纤声波/振动传感技术则采用光信息调制的方式，具有良好的抗电磁干扰能力，检测结果不受恶劣天气的影响，同时能连续分布式测量高速公路全线的运行状况和交通流量等信息。

因此，本发明基于光纤分布式声波/振动传感技术提供一种高速公路运行状况全程在线监测及交通参数实时估计方法，实时在线监测高速公路全路段的交通运行状况，实时估计全程各路段车辆运行的关键交通参数，如车流量、平均车头间距、平均车速、车道空间占有率、车道时间占有率以及车型类别等，以此对异常交通事件进行及时报警定位；同时，为交通管理部门提供实时可靠的高速公路全程车辆行驶及路况信息，为智能调控、及时疏导拥堵、有效提高路面资源利用率提供一种重要技术手段。

发明内容

本发明目的是提供一种基于分布式光纤的高速公路交通参数实时估计方法，实时在线监测高速公路全路段的交通运行状况，并实时估计全程各路段车辆运行的关键交通参数，为交通管理部门提供实时可靠的高速公路全程的车辆行驶及路况信息，为智能调控、及时疏导拥堵、有效提高路面资源利用率提供一种重要技术手段。

本发明采用的技术方案如下：

本申请提供了一种基于分布式光纤的高速公路交通参数实时估计方法,包括以下步骤：

步骤1:采集全路段车辆行驶时空响应信号，得到不同时间段内不同监测路段的车辆行驶时空响应图，将对应监测区段的车辆行驶时空响应图的第一行定义为时间零轴，将对应监测区段的车辆行驶时空响应图的第一列为空间零轴，将对应监测区段的空间零轴作为采样点获得车辆行驶纵向时间序列信号；

具体来说，步骤1.1:随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的横向空间信号进行纵向累积，信号空间采集长度为N，连续累积M条采集的原始信号轨迹，获得一个时间M维，空间N维的时空信号矩阵，即全路段车辆行驶时空响应信号，得到全路段的车辆行驶时空响应图；

步骤1.2：将全路段的车辆行驶时空响应图切分，得到对应时间段内不同监测路段的车辆行驶时空响应图；

步骤1.3：以周期触发脉冲作为一个信号采集单元，取对应监测区段车辆行驶时空响应图的空间零轴作为采样点，采样时间M内接收的信号即为对应监测路段的车辆纵向时间序列信号；

步骤2:根据步骤1获得的不同监测路段的车辆行驶时空响应图提取车辆行驶轨迹图，并根据车辆行驶轨迹图获得行驶车辆轨迹参数；

步骤2.1：对车辆行驶时空响应图进行图像处理得到车辆行驶轨迹图；

具体地，对车辆行驶时空响应图依次进行二值化处理、目标增强处理、图像去噪处理得到车辆行驶轨迹；

步骤2.2：用Hough变换检测车辆行驶轨迹，得到行驶车辆轨迹参数；

步骤3:根据对应监测区段的行驶车辆轨迹参数及空间零轴获得车流量，基于行驶车辆轨迹参数及时间零轴分别计算平均车头间距、车道空间占有率，并基于轨迹参数及其与时间、空间零轴的交点确定平均车速，根据车辆行驶纵向时间序列信号计算对应空间断面的车道时间占有率，并获得车型；

所述步骤3获得车流量的具体步骤为：

针对对应监测区段的行驶车辆轨迹参数，获得行驶车辆轨迹与空间零轴的时间交点，并获得时间交点集合；

筛出时间交点超出观测时间段内的时间交点，剩余的时间交点对应的行驶车辆轨迹数量即为车流量；

所述步骤3获得平均车头间距、车道空间占有率的具体步骤为：

根据对应监测区段的行驶车辆轨迹参数，获得行驶车辆轨迹与时间零轴的空间交点即各个车辆所处的空间位置；

筛出超出观测空间范围外的空间交点，剩余的空间交点进行大小排序；

根据排序得到的空间位置，计算出相邻车辆之间的距离，再取平均值获得该监测区段平均车头间距，该路段的平均车头间距作为判断该路段交通拥堵事件的判据之一；

根据剩余的空间交点对车辆长度进行累加，再平均至路段长度，获得对应车道的车道空间占有率；

所述步骤3获得平均车速的具体步骤为：

针对对应监测区段的行驶车辆轨迹参数，获得行驶车辆轨迹与空间零轴的时间交点，行驶车辆轨迹与时间零轴的空间交点；

并计算出时间交点与空间交点两点之间的实际空间距离和实际时间间距获得车速，对车速取平均值则获得该监测区段的平均车速；

该路段平均车速作为判断该路段交通拥堵事件的判据之二；

所述步骤3获得车道时间占有率的具体步骤为：

将对应监测区段的车辆纵向时间序列信号规范化处理得到车辆纵向时间序列规范信号；

根据车辆行驶信号的相关性对车辆纵向时间序列规范信号进行分割得到序列内所有的车辆行驶信号，车辆行驶信号包括车辆数目和车辆序号；

根据车辆行驶信号的序列长度获得每辆车的行驶持续时间，获得空间断面观测时间窗内所有辆车的持续时间和，利用持续时间和观测时间获得车道时间占有率；

所述步骤3获得车型的具体步骤为：

将对应监测区段的车辆行驶信号实际发生的事件类型分别贴上事件类型标签构建典型车型行驶事件数据训练集；

对车型行驶事件数据训练集的每条数据记录进行车辆信号特征提取，进行特征融合与降维得到特征训练集并训练得到SVM分类器；

根据SVM分类器，进行实时车型识别并获得车型；

具体地，所述车辆信号特征提取的具体步骤为：

提取车辆行驶信号的持续时间特征，提取不同车型的车辆行驶持续时间得到持续时间特征；

提取车辆行驶信号的平均过限率特征，根据噪声幅值设置噪声阈值代替零轴，得到单位时间内经过阈值的次数，即得到平均过限率特征；

车辆行驶信号的AR模型参数特征，根据车辆行驶信号求解5阶AR模型系数，得到AR模型参数特征；

车辆行驶信号的小波包能量谱特征，对车辆信号进行三层小波包分解，分解后的各子空间频带，三层小波包分解后的各子频带按照频率由低到高的顺序排列得到小波包能量谱特征；

车辆行驶信号的梅尔倒谱系数特征，输入车辆信号，再乘上汉明窗，再进行快速傅里叶变换得到傅里叶变换结果，根据傅里叶变换结果计算功率谱，将梅尔滤波器应用于功率谱得到信号的梅尔频谱，对梅尔频谱离散余弦变换得到梅尔倒谱系数特征；

步骤4:根据步骤3中各个监测区段的交通参数判断交通路况并对对应路段进行异常/正常标定，获得高速公路全路段的实时交通状况，作为交通拥堵等异常事件预警和实时处理的依据，实现全路段全天候的不间断实时在线监测：汇总各监测区段的交通参数，包括各个监测区段的车流量、车辆平均速度、车头平均间距、车道空间占有率、车道时间占有率以及车型类别等，根据各个监测区段的交通参数评估得到全路段交通运行状况；若该监测区段内车辆的平均行驶速度和车头平均间距低于交通管理部门所认定的拥堵时的车流平均速度和指定的车头平均间距，则认为该路段内有交通堵塞等异常，在全路段监测图中异常路段标为红色，正常路段标为绿色，将区段号作为异常交通事件的定位依据，进行实时报警和定位提示。

其中应当说明的是：基于分布式光纤声波/振动传感的高速公路在线监测系统，系统硬件包括三个部分：探测光缆、光信号解调设备、信号处理主机。探测光缆通常采用普通单模通信光纤，一般沿高速公路埋地铺设，也可直接利用高速公路沿线已铺设好的通信光缆空余纤芯。光信号解调设备是该系统的核心，一方面发射高能量、能进行远距离传输的光脉冲信号，另一方面将光纤沿线声波、振动信号对光相位、偏振态等的调制信息解调成电信号，再由高速采集卡进行信号同步采集，最后数字电信号通过网络等接口实时传输给信号处理主机。信号处理主机为普通电脑主机(PC)或FPGA/DSP嵌入式主板，用于光纤探测信号的分析、处理，通过特定信号处理算法得到引起声波、振动等的事件信息，并由光信号传输延时确定其位置，以及对感测事件进行智能分析处理和识别。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、本发明除了计算车流量、车速以外，还计算了整条高速公路各个监测区段的平均车头间距、车道时间占有率和车道空间占有率，以及车型等具体的交通参数，提供了更加全面、科学的高速公路运行状况参数；

2、本发明提出一种新的车辆轨迹检测方法，采用Hough变换检测车辆轨迹，比轨迹搜索匹配算法效率更高，能够实现交通参数的实时在线估计；

3、本发明提出将整条高速公路进行分段检测，能实时估计全程各路段车辆运行的关键交通参数，对异常交通事件进行及时报警和定位，为智能调控、及时疏导拥堵、有效提高路面资源利用率提供重要的实时信息和依据；

4、本发明除了基于二维时空信号矩阵的处理提供全路段的交通状态信息外，还针对各个空间点的时间信号进行处理，挖掘各个空间点的车道时间占有率及车型分类等信息，提供了高速公路各点空间断面更加详细具体的运行状况参数；

5、本发明在计算平均车头间距时，利用车辆行驶时空响应图定义空间零轴获得相应的平均车头间距，克服了检测平均车头间距时车辆之间的相对位置总是实时变动导致估计不准的问题；

6.本发明方法能够实现高速公路全路段全天候的不间断实时在线监测，利用一套光纤传感系统提供整条路段的6大实时交通参数，作为交通拥堵等异常事件预警和实时处理的科学依据。

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。通过附图所示，本发明的上述及其它目的、特征和优势将更加清晰。在全部附图中相同的附图标记指示相同的部分。并未刻意按实际尺寸等比例缩放绘制附图，重点在于示出本发明的主旨。

图1为本发明系统结构及工作原理示意图；

图2为本发明有无车辆经过时候获得的响应曲线振动累积图；

图3为本发明车辆事件时空轨迹响应轨迹示意图；

图4为本发明全路段交通状况及交通参数实时估计算法流程图；

图5为本发明全路段车辆行驶时空响应图分段图；

图6为本发明得到的去噪后的车辆行驶轨迹图；

图7为本发明直线在直角坐标系与极坐标系中的映射关系；

图8为本发明Hough变换示意图；

图9为本发明检测到的车辆行驶轨迹及其延长线与空间零轴的交点及计数图；

图10本发明车速计算示意图；

图11为本发明车辆行驶纵向时间序列信号采集示意图；

图12为本发明背景信号与车辆信号对比图；

图13为本发明三层小波包分解示意图；

图14为本发明SVM分类器RBF核函数映射效果示意图；

图15为本发明全路段交通状况监测示意图；

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做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。

下面结合图1-图15对本发明作详细说明。

实施例一

高速公路分布式光纤声波/振动传感系统的信号采集及累积过程，如附图1-3所示：随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的横向空间信号(信号空间采集长度为N)进行纵向累积，连续累积M条采集的原始信号轨迹，构建得到一个时间M维，空间N维的时空信号矩阵，即高速公路全路段车辆行驶时空响应信号：

{XX＝x_ij(i＝1,2,…,M；j＝1,2,…,N)} (1)

其中M为时间采样长度，N为空间采样长度，单位均为采样点。

分布式光纤声波/振动传感系统采集的全路段车辆行驶时空响应信号，通过划分监测区段，提取各监测区段的车辆行驶轨迹，由轨迹参数可估计各监测区段的交通流量参数及交通运行状况，如各路段的车流量、平均车头间距、车道空间占有率、平均车速、车道时间占有率以及车型类别等。具体算法流程如附图4所示：一方面基于获得的全路段车辆行驶时空响应图进行分割，对划分的各个监测区段的时空响应图用图像信号处理方法提取其车辆行驶轨迹，计算各监测路段的车流量、平均车头间距、平均车速、车道空间占有率4个关键参数，并以此对异常交通事件如碰撞等交通事故和道路阻塞等运行状况进行实时检测定位和报警提示；另一方面，基于获得的全路段车辆行驶时空响应信号得到道路任一空间点或道路断面的车辆行驶纵向时间序列信号，利用声音/振动信号分割与识别等处理方法，计算全线任一空间点或道路断面的车道时间占有率，并进行该道路断面的车型分类。

基于获得的全路段车辆行驶时空响应图进行不同监测区段划分方法如下：

基于某一时间段内得到的全路段车辆行驶时空响应信号，在光纤沿线信号采集的空间轴上进行区段分割，本实施例以一公里为一个单位(该单元长度根据应用需要调整)，将车辆行驶时空响应图切分，得到该时间段内不同监测路段的车辆行驶时空响应图，如图5所示，记为：

XX_Sec(k)＝{x_ij(i＝1,2,…,M；j＝(k-1)*ws,(k-1)*ws+1,…,k*ws-1)} (2)

ws为每个监测区间的长度，单位为空间采样点；XX_Sec(k)为观测时间段内第k个监测区段的车辆行驶时空响应图。

每一个监测区段的车辆行驶时空响应图XX_Sec(k)，经过二值化处理、目标增强、图像去噪等图像信号处理，得到该监测区段的车辆行驶轨迹。其步骤如下：

1)对每一个监测区段的时空响应图进行二值化处理：根据车辆行驶引起的声音/振动响应与环境背景噪声响应的幅度差异，采用OTSU方法自适应计算阈值，将该监测区段的车辆行驶时空响应图二值化，其操作如下：

现任意选取该监测区段的车辆行驶时空响应图一个灰度值t，将该图的直方图分成前后两个部分：A和B，对应图的前景色和背景色。这两部分图的像素平均值分别为MA和MB。A部分里的像素数占总像素数的比例记作PA，B部分里的像素数占总像素数的比例记作PB。根据Nobuyuki Otsu给出的类间方差：

ICV＝PA*(MA-t)²+PB*(MB-t)² (3)

依次更新t，使得ICV最大时对应的灰度值t，即为最佳的二值化灰度阈值，记为M。采用该OTSU方法得到该监测区段的二值化时空响应图，车辆经过引起的声音/振动响应通常较强，为二值图中的前景色1；环境背景噪声引起的声音/振动响应较弱，为二值图中的背景色0。

2)对该监测区段的二值化时空响应图进行目标增强

为了消除二值图像中前景色中狭窄的间断不连续点，让该监测区段的二值化时空响应图中的车辆轨迹连续，需要对该监测区段的二值化时空响应图进行目标增强，具体步骤：设该监测区段的二值化时空响应图为I，采用图像形态学中的闭操作，使用结构元素SE对二值图像I进行闭操作：

式(4)的闭操作实质是实现膨胀、腐蚀，I′为目标增强后二值化时空响应图；结构元素SE是一系列像素点的集合，组成某种结构形状，如方形、圆形、十字等等，这里采用的是3*3的方形结构。

3)目标增强后再对该监测区段的二值化时空响应图I′进行去噪

对该监测区段的二值化时空响应图目标增强后，采用中值滤波的方法去噪，具体步骤：选择一个3×3模板，该模板为其临近的9个像素组成，对模板的像素由小到大进行排序，再用模板的中值来代替原像素的值。权系数矩阵模板为：

中值滤波过程可以表示为：

g(x,y)＝median{f(i,j),(i＝x-1,x,x+1；j＝y-1,y,y+1)} (6)

公式(6)中，f(x)为目标增强后的二值化分段时空响应图原像素值，g(x)为中值滤波后的像素值。该操作过滤掉二值图像中孤立的前景点，最后得到去噪后该监测区段的车辆行驶轨迹图，如图6所示，图6中白色车辆轨迹对应车辆行驶时的位移-时间图。由于观测时间段内车辆在每个监测路段可以近似看作匀速行驶，图6中车辆的位移与时间呈线性关系，轨迹近似直线。

基于车辆行驶轨迹图，用Hough变换检测图中的直线轨迹，得到行驶车辆轨迹的参数，具体方法如下：

如图7所示，Hough变换是将直角坐标系中的直线转换到极坐标系，其换算公式为：

ρ＝x*cosθ+y*sinθ (7)

式(7)中，ρ代表原点到直线的垂直距离，θ代表横轴x轴与直线垂线的夹角。这样，直角坐标系(x，y)平面中每一条直线都可以用极坐标下的一组参数(ρ,θ)来表示，(ρ,θ)平面称为Hough变换的参数空间。直角坐标系中通过一点(x₀,y₀)的所有直线，映射到(ρ,θ)参数空间是一条对应的曲线ρ＝x₀*cosθ+y₀*sinθ；当直角坐标系中多个点共线时，其公共直线在(ρ,θ)参数空间参数相同，设为(ρ₀,θ₀)，在参数空间该点对应于多个曲线的公共交点，因此，直角坐标系中检测直线(多点共线)的问题可以转化为寻找参数空间曲线交点问题。Hough变换的具体实现步骤如下：

1)对于一幅长D×宽E(单位为像素点数)的二值图像，通常ρ的取值范围为

即最大值为图像对角线长度，θ的取值范围为[-90°,90°)，通过在该取值范围内离散化处理将ρ和θ划分为有限个离散值，在(ρ,θ)参数空间构建一个二维累加数组A(ρ,θ)，数组的行和列分别等于(ρ,θ)两个参数所有可能的离散值，某一行某一列对应的数组值为在(ρ,θ)参数空间找到的交点个数，即在直角坐标系(x，y)中在某一方向上共线的点数，该值初始化为0。

2)对二值图像直角坐标系中的某一个前景点，设其坐标为(x₁，y₁)，根据公式(7)分别计算每一个θ的离散值对应的所有离散ρ(当计算出的ρ值不为其离散值的可能取值时则找一个离它最近的离散值)，并在相应的二维累加数组A(ρ,θ)中加1。

3)重复步骤2)，遍历计算每一个前景点(x，y)对应的(ρ,θ)数据集，并将计算结果累加到二维累加数组A(ρ,θ)中。

4)遍历完后，寻找累加数组A(ρ,θ)的极值点，当其极值大于某一阈值A_Th时，对应的(ρ,θ)即为所要寻找的直线参数，阈值A_Th为构成一条直线的最少共线点数。设找到的直线参数集为

则有：

如图8所示，为便于计算，以共线的三点(1,3)、(2,2)、(3,1)为例，θ的离散取值设为{-90°，-45°，0°，45°}，ρ的离散取值设为{-3，-2.8，-2，-1.4，-1，0，1，1.4，2，2.8，3}，可以在参数空间构建一个4×11维的累加数组，示例中三个点的累加数组A(ρ,θ)计算结果如表1所示，设阈值A_Th为2，则满足条件的极值只有A(2.8,45°)＝3，相应参数集

该参数即为这三点所在的直线在极坐标下的参数，从而完成这三点所在直线的检测。

根据以上步骤对实施例四中每个监测区段所得车辆行驶轨迹图进行Hough变换，可以得到行驶车辆轨迹直线在极坐标下的(ρ,θ)参数集，如表2所示。

由得到的第k个监测区段的时空响应图XX_Sec(k)车辆轨迹参数(ρ，θ)分别计算该监测区段内的车流量、平均车头间距、车道空间占有率以及平均车速等交通参数，具体计算方式如下：

1)车流量

由实施例三得到的第k个监测区段的时空响应图XX_Sec(k)，设其第一列为空间零轴，对应的空间断面为s₀。基于实施例五中Hough变换得到的轨迹参数(ρ，θ)集，计算每一条行驶车辆轨迹与空间零轴的交点，设其为

其计算方式为：

为第

条轨迹对应车辆经过该空间零轴(空间断面s₀)的时刻，如表1所示，计算第k个监测区段的时空响应图XX_Sec(k)中所有直线轨迹及其延长线与该空间零轴的交点，设其集合为T，则有：

当某条直线轨迹的延长线与空间零轴的交点

超出该观测时间段时，如图9中t₃、t₄所示，则不计入该时间段车流量计数范围，它们会在下个时间段的分段时空响应图中被检测出来。设经过筛选后交点集合为

则有：

其中P为筛选后剩余轨迹条数，也即是该空间断面s₀在该段观测时间窗内的车流量Num_k，作为第k个监测区段XX_Sec(k)估计的车流量信息进行保存。

2)平均车头间距

由实施例三得到的第k个监测区段的时空响应图XX_Sec(k)，确定其第一行为时间零轴，对应的时间点为t₀。基于实施例五得到的行驶车辆轨迹的参数(ρ，θ)计算每一条行驶车辆轨迹与时间零轴t₀的交点，可以得到该路段内t₀时刻各个车辆所处的空间位置

其计算方式为：

为第

条轨迹对应车辆在t₀时刻所处的空间位置，

为实施例五得到的第

条轨迹对应的参数。计算该分段时空响应图XX_Sec(k)所有直线轨迹及其延长线与该时间零轴t₀的交点，设其集合为S，则有：

当直线轨迹及其延长线与该时间零轴t₀的交点落在该分段时空响应图中观测空间范围之外时则舍弃该点，如表1中s4所示，其表示该轨迹对应车辆在t₀时刻已经行驶出该路段范围，它会在下一个分段时空响应图中被检测出来，设经过筛选后的交点集合为

将

按照空间位置的大小排序后得到Sorted_S，则有：

Sorted_S＝{s(q),q＝1,2,3,…,Q} (14)

其中Q为筛选后剩余轨迹条数，也即该分段时空响应图XX_Sec(k)中t₀时刻该路段的车辆数目，排序后s(q)与s(q+1)对应车辆在t₀时刻位置相邻，之后便可以计算相邻车辆之间的距离，其计算方式为：

d_q＝|s_q+1-s_q|×ε_d (15)

其中s_q，s_q+1分别为第q和q+1辆车的轨迹t₀时刻在时空响应图的空间位置，ε_d为相邻两空间像素点的实际距离。

该监测区段内车辆的平均车头间距

为：

其中Q为t₀时刻该区间车辆数目，d_q为第q辆车与第q+1辆车的车头间距。该路段的平均车头间距作为判断该路段交通拥堵事件的依据之一。

3)平均车速

针对第k个监测区段的时空响应图XX_Sec(k)先计算该监测时空区段每辆车的车速，然后求出该监测区段的平均车速。如图10所示，设第

辆车对应的直线轨迹及其延长线与该时空区段的空间零轴相交于A

点，交时间零轴于B

点，设这两点实际空间距离为δd(m)，时间间隔为δt(s)，第

辆车的行驶速度

为：

其中Δs为时空响应图中轨迹起点A和终点B在空间轴上距离，Δt为时空响应图中起点A和终点B的间隔时间，ε_d为相邻两个空间像素点的实际空间距离，单位为米；ε_t为相邻两条数据的实际间隔时间，单位为秒。

则该监测区段内车辆的平均行驶速度

为：

其中N为该区间车辆数目，N＝Num_k，

为第

辆车车速。该路段的平均车速作为判断该路段交通拥堵事件的依据之二。

4)车道空间占有率

车道空间占有率为某一时刻、单位长度路段上行驶的车辆总长度占该路段长度的百分比。以每一个监测区段的时间零轴t₀为当前时间点，计算该时间点每个监测区段对应的车道空间占有率为：

其中Rs_k为时间零轴t₀对应的车道空间占有率，L为该路段长度，

第

辆车的车身长度，Q为该监测路段内时间零轴t₀上检测到的车辆轨迹数即车辆数。将该时间零轴t₀对应的车道空间占有率作为本区段的车道空间占有率Rs_k。

基于第k个监测区段XX_Sec(k)的空间零轴即空间断面S₀的车辆行驶纵向时间序列信号，计算该监测区段在此空间断面的车道时间占有率，并进行车型分类。

系统以周期触发脉冲作为一个信号采集单元，触发频率为f，触发周期为τ＝1/f，该周期内采集的信号，映射了监测范围内光信号在所有空间点的分布信息。取监测区段XX_Sec(k)的空间零轴S₀作为采样点，如图11所示.采样时间M内接收的车辆纵向时间序列信号，记为：

Y_k＝{X_ik(i＝1,2,…,M)}＝[X_k1,X_k2....X_kM] (21)

其中：k表示第k个监测区段的空间零轴，表示第k个监测区段的起始空间点，M为该空间点对应的纵向时间序列长度。以该纵向时间序列分别进行信号预处理、分割，并计算该监测区段在此空间断面的车道时间占有率，识别相应的车型。

1.零-均值规范化处理

针对分布式光纤声音/振动传感信号在不同空间点采集的信号幅度差异较大，影响检测效果，需要进行零-均值规范化处理，将这些信号转换到相似数量级上，处理步骤如下：

①计算均值

②计算方差

③得到

将车辆纵向时间序列信号Y_k＝{X_ik(i＝1,2,…,M)}通过以上步骤规范化后，得到车辆纵向时间序列的规范信号Y_k ^*＝{X_ik ^*(i＝1,2,…,M)}。

2.车辆行驶信号分割

为了提取事件信号特征，需要从车辆纵向时间序列规范信号Y_k ^*中将车辆行驶的声音/振动信号分割出来，如图12所示，其中第一张为背景信号,第二张为车辆信号；通常，车辆信号具有很强的相关性，而无车辆经过时为背景噪声，信号相关性较弱，因此，本发明基于车辆行驶信号的相关性对车辆信号进行分割，具体步骤如下：

①根据车辆纵向时间序列规范信号Y_k ^*，确定滑动窗win_w的长度winlength与时间延迟τ＝1(单位为采样点)。得到滑动窗序列{win₁,win₂…win_w}，w为滑动窗个数，其中win₁＝{x_ik，(i＝1,2….winLength)}，win₂＝{x_ik(i＝1+τ,2+τ,…winLengt+τ)}，依此类推,最后一个窗口win_w＝{x_ik，(i＝1+(w-1)*τ,2….winLength+(w-1)*τ)}，不足一个窗口的数据补零；

②根据相关公式计算win_w与win_w+1得到相关系数coef_w,计算全部相邻窗口，得到该监测区段采样点的相关系数序列Coefficient_k＝{coef₁,coef₂.....coef_w}；

相关系数0≤|r|≤1表示不同程度的相关性，如表3所示，根据相关系数coef_w的大小，设定相关性强弱c阈值thr1＝0.5，该阈值为低度相关与显著相关的分界点，对相关系数序列进行二值化编码：

由此得到该监测区段采样点二值化的相关系数序列CodeSeries_k{Coef_w＝0 or1}；

③根据CodeSeries_k的大小，分割出规范车辆纵向时间序列信号Y_k ^*的车辆信号区域(CodeSeries_i取值为1的部分)，得到该序列内所有的车辆行驶信号{target_k1,target_k1,....target_ks,(s＝1,2,....S，)}，S为车辆数目，s为车辆序号。

3.计算该断面内的车道时间占有率

基于纵向时间序列分割得到的车辆行驶信号{target_k1,target_k1,....target_ks,(s＝1,2,….S，)}，S为车辆数目，s为车辆序号，分别计算该断面内每辆车的行驶持续时间，并在对应空间断面内观测时间段内统计行驶车辆的数量，以此计算该断面内的车道时间时间占有率。具体方法如下：

每辆车的行驶持续时间直接由车辆行驶信号target_ks的序列长度确定，设第s辆车的行驶信号target_ks序列长度(采样点数)为t_s，其通过该观察断面的持续时间：

设单位观测时间t_T，计算该空间断面观测时间窗t_T内所有S辆车的持续时间和，则该空间断面的车道时间占有率计算公式为：

R_t为车道时间占有率，为单位观测时间内车辆通过传感器断面的总累积时间占单位观测时间的百分比，t_T为观测时间。将该空间零轴(空间断面)对应的车道时间占有率作为本区段的车道时间占有率Rt_k(k为区段编号)。

4、基于该空间点或空间断面内分割的车辆行驶声波/振动信号进行车型分类

(1)构建车辆行驶声波/振动数据训练集

基于该空间点或空间断面的纵向时间信号分割出的车辆行驶信号，构建典型车型行驶事件数据训练集，具体操作过程如下：

将分割出的车辆信号，按实际发生的事件类型分别贴上事件类型标签。在本发明中典型车型事件类型主要有两类：一类是客车、货车、卡车等大型车辆，事件类别标签设为0；另一类是普通家用轿车等小型车辆，事件类别标签设为1。根据事件类型标签分别添加到数据库中，完成两类典型车型行驶事件数据训练集的构建，为事件信号特征提取做准备。

(2)车辆行驶声波/振动信号的特征提取

对数据训练集的每条数据记录进行车辆信号特征提取，将数据训练集转化为对应的特征训练集，具体方法如下：

①车辆行驶信号的持续时间特征A1

大型车和小型车在时域上车辆信号的持续时间具有很大不同，因此提取大型车和小型车的车辆行驶持续时间t_s作为车型分类特征，即特征A1。

②车辆行驶信号的平均过限率特征A2

平均过限率是基于平均过零率的基础上得到，过零是指信号经过零轴，过零率就是单位时间内经过零轴的次数。为了最大限度的去除背景噪声的干扰，根据噪声幅值设置噪声阈值thr2代替零轴，得到单位时间内经过阈值的次数，即平均过限率。具体操作如下：

其中x_kj∈target_s，number用来计数，初始值为0，根据上式计算车辆信号持续时间内的过限次数，作为特征A2。

③车辆行驶信号的AR模型参数特征A3

AR模型可以看作是由当前激励白噪声w(n)以及若干次以往信号x(n-t)的线性组合产生,公式如下：

模型的系数a_t代表了波形在二阶统计特性上的特征，p代表AR模型的阶数。AR模型系数的大小由输入信号唯一决定。不同类输入信号的差别反映到模型系数的大小会有所不同。

即AR模型系数能够反映不同输入信号之间的差别。模型参数满足Yule-Walker方程，求解Yule-Walker方程就可以得到AR模型系数。根据经验，对得到的车辆信号序列target_ks求解5阶AR模型系数，得到AR(5)＝[P₅₁，P₅₂，P₅₃，P_54，，P₅₅]，得到特征A3。

④车辆行驶信号的小波包能量谱特征A4

通常，在车辆信号事件中，低频信息较为丰富。基于此，利用db6小波包对车辆信号序列target_ks进行三层小波包分解，分解后的各子空间频带的示意图如图13所示。本发明将三层小波包分解后的各子频带按照频率由低到高的顺序排列，记为S₀～S₇。最后计算各频带的小波包能量：

构成小波包能量谱特征向量E_wp＝[E₀,E₁,…,E₇],作为特征A4。

⑤车辆行驶信号的梅尔倒谱系数(MFCC)特征A5

梅尔频率倒谱系数(MFCC)广泛应用于声音识别的特征。提取MFCC特征操作如下：

将车辆信号序列target_ks作为输入，为增加信号的连续性，对声波信号target_ks乘上汉明窗：

(一般情况下a取0.46)，得到target_ks′,对其再对进行快速傅里叶变换得到S_i(k)。对于每个车辆信号序列，计算其功率谱,按照如下公式计算:

其中S_i(k)为对应帧DFT变换的结果，P_i(k)就是帧的功率谱。

将25个梅尔滤波器组应用于功率谱P_i(k)，求和每个滤波器中的能量得到25个能量向量{e₁,e₂……e₂₅}，即为信号的Mel频谱。对25个能量向量取对数得到{log e₁ log e₂.... log e₂₅}。将{log e₁ log e₂ .... log e₂₅}进行离散余弦变换(DCT),得到25组DCT系数{D₁,D₂.....D₂₅}，经验表明，较后的DCT系数只反映了滤波器组能量的快速变化，对于识别无较大作用，予以舍弃，只保留第2-13共12个系数作为特征，即A5＝{D₂,D₃.....D₁₃}。

(3)车辆行驶信号的特征融合与降维

将得到的五个特征A1，A2，A3，A4，A5，组成总特征向量feature：

feature＝{A1,A2,[P₅₁,P₅₂..,P₅₅],[E₀,E₁….E₇],[D₂,D₃…..D₁₃]}共27维，加上事件类型标签label，形成数据集。为了降低运算复杂度，使用主成分分析(PCA)方法对特征集合feature进行降维处理，测试表明5维数据保留了93％以上的信息，得到降维后的特征集合dataset＝[B₁,B₂....B₅；label]。

(4)基于SVM分类器对车辆行驶信号进行车型分类

基于SVM分类器对车辆行驶信号进行车型分类的步骤如下：通过选择高斯径向基核函数(RBF)核函数，将数据映射到高维空间；调整目标函数的惩罚系数C，平衡分类间隔margin和错分样本数量；寻找最优核函数系数gamma,完成SVM分类器的训练过程；利用实时数据进行在线分类。

如图14所示，基于高斯径向基核函数(RBF)将数据映射到高维空间：

式(29)中，k(x,y)为RBF核函数，可以很好适应线性不可分的车辆行驶信号。

C体现对离群样本点的重视程度；gamma影响训练与预测的速度，影响系统的实时性。根据经验，分别在[2^cmin,2^cmax],[2^gmin,2^gmax]内寻找最优的C与gamma，其中cmin＝gmin＝-8，cmax＝gmax＝8。设置数组[c,g]，输入训练集trainData与测试集testData，比较输出正确率，确定出最优best_C,best_gamma，得到训练好的SVM分类器。

基于训练好的SVM分类器，进行实时车型识别，具体步骤：得到某一空间点的实时数据后，经过上述4个步骤的处理，得到特征集合collection＝[B₁,B₂....B₅]，输入SVM分类器，分类器将可以识别实时车辆经过事件，判断车辆类型并输出车型判断结果。

以上是以某空间点为例进行SVM的构建和训练，以此类推，可以对光纤沿线所有空间点的SVM分类器分别进行分布式构建和训练。

汇总各监测区段的交通参数，最后得到全路段的交通参数并反映出高速公路全路段的实时交通状况。将各个监测区段估计的交通参数，包括各个监测区段的车流量、车辆平均速度、车头平均间距、车道空间占有率、车道时间占有率以及车型类别等，汇总得到全路段的交通参数信息表如表4所示。根据表4的各个监测区段的交通参数评估得到全路段交通运行状况，如图15所示，进行实时报警定位提示，异常路段标为红色，正常路段标为绿色。例如，若该监测区段内车辆的平均行驶速度

为交通管理部门所认定的拥堵时的车流最高速度，或者，该监测区段内车辆的车头平均间距低于交通管理部门所认定的拥堵时的车头平均间距，则认为该路段内有交通堵塞等异常，在全路段监测图中异常路段标为红色，正常路段标为绿色，将区段号作为异常交通事件的定位依据，进行实时报警和定位提示。

其中图2中的横坐标L表示光纤监测距离，纵坐标I表示光时域反射光强度，c曲线指的的是当前车辆经过时检测的信号曲线；d表示的是前一刻没有车辆经过时检测的信号曲线；

其中图3中的y坐标L表示光纤监测距离，x轴的t表示时间，z轴表示光时域反射光强度，e指的是车辆事件时空响应轨迹。上述提到的表如下：

表1 Hough变换二维累加数组A(ρ,θ)

表2本发明Hough变换检测结果

表3本发明相关系数大小与相关程度的关系

相关系数|r|取值范围	相关程度
		|r|≤0.3	不存在线性相关
0.3<|r|≤0.5	低度线性相关
		0.5<|r|≤0.8	显著线性相关
|r|≥0.8	高度线性相关

表4本发明全路段车辆信息汇总

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，包括以下步骤：

步骤1:采集全路段车辆行驶时空响应信号，得到不同时间段内不同监测路段的车辆行驶时空响应图，将对应监测区段的车辆行驶时空响应图的第一行定义为时间零轴，将对应监测区段的车辆行驶时空响应图的第一列定义为空间零轴，将对应监测区段的空间零轴作为采样点获得车辆行驶纵向时间序列信号；

步骤2:根据步骤1获得的各个监测区段车辆行驶时空响应图提取车辆行驶轨迹图，并根据车辆行驶轨迹图获得行驶车辆轨迹参数；

步骤3:根据对应监测区段的行驶车辆轨迹参数及空间零轴获得车流量，基于行驶车辆轨迹参数及时间零轴分别计算平均车头间距、车道空间占有率，并基于轨迹参数及其与时间、空间零轴的交点确定不同监测路段的平均车速，根据车辆行驶纵向时间序列信号计算对应空间断面的车道时间占有率，并获得车型；

步骤4:根据步骤3中的各个监测区段的交通参数判断交通路况并对对应路段进行异常/正常标定，获得高速公路全路段的实时交通状况，作为异常事件预警和实时处理的依据，实现高速公路全路段全天候的实时在线监测，所述异常事件包括交通拥堵。

2.如权利要求1所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，步骤1的具体步骤为：

步骤1.1:随着光脉冲周期触发，沿着时间轴将每个光脉冲触发周期内采集的横向空间信号进行纵向累积，信号空间采集长度为N，连续累积M条采集的原始信号轨迹，获得一个时间M维，空间N维的时空信号矩阵，得到全路段的车辆行驶时空响应图；

步骤1.2：将全路段的车辆行驶时空响应图切分，得到对应时间段内不同监测区段的车辆行驶时空响应图；

步骤1.3：以周期触发脉冲作为一个信号采集单元，取对应监测区段的车辆行驶时空响应图的空间零轴作为采样点，采样时间M内接收的信号即为对应监测区段的车辆纵向时间序列信号。

3.如权利要求2所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，步骤2的具体步骤为：

步骤2.1：对车辆行驶时空响应图依次进行二值化处理、目标增强处理、图像去噪处理得到车辆行驶轨迹；

步骤2.2：用Hough变换检测车辆行驶轨迹，得到行驶车辆轨迹参数。

4.如权利要求3所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述步骤3获得车流量的具体步骤为：

根据对应监测区段的行驶车辆轨迹参数，获得行驶车辆轨迹与空间零轴的时间交点，并获得时间交点集合；

筛出时间交点超出观测时间段内的时间交点，剩余的时间交点对应的行驶车辆轨迹数量即为车流量。

5.如权利要求3所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述步骤3获得平均车头间距、车道空间占有率的具体步骤为：

针对对应监测区段的行驶车辆轨迹参数，获得行驶车辆轨迹与时间零轴的空间交点即各个车辆所处的空间位置；

筛出超出观测空间范围外的空间交点，剩余的空间交点进行大小排序；

根据排序得到的空间位置，计算出相邻车辆之间的距离，再取平均值获得该监测区段的平均车头间距；

根据剩余空间交点的数量对车辆长度进行累加，再平均至对应路段长度，获得该监测区段的车道空间占有率。

6.如权利要求3所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述步骤3获得平均车速的具体步骤为：

针对对应监测区段的行驶车辆轨迹参数，获得行驶车辆轨迹与空间零轴的时间交点，行驶车辆轨迹与时间零轴的空间交点；

并计算出时间交点与空间交点两点之间的实际空间距离和实际时间间距获得车速，对车速取平均值则获得平均车速。

7.如权利要求3所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述步骤3获得车道时间占有率的具体步骤为：

将对应监测区段的车辆纵向时间序列信号规范化处理得到车辆纵向时间序列规范信号；

根据车辆行驶信号的相关性对车辆纵向时间序列规范信号进行分割得到序列内所有的车辆行驶信号，车辆行驶信号包括车辆数目和车辆序号；

根据车辆行驶信号的序列长度获得每辆车的行驶持续时间，获得空间断面观测时间窗内所有辆车的持续时间和，利用持续时间和观测时间获得车道时间占有率。

8.如权利要求7所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述步骤3获得车型的具体步骤为：

将对应监测区段的车辆行驶信号实际发生的事件类型分别贴上事件类型标签构建典型车型行驶事件数据训练集；

对车型行驶事件数据训练集的每条数据记录进行车辆信号特征提取，进行特征融合与降维得到特征训练集并训练得到SVM分类器；

根据SVM分类器，进行实时车型识别并获得车型。

9.如权利要求8所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述车辆信号特征提取的具体步骤为：

提取车辆行驶信号的持续时间特征，提取不同车型的车辆行驶持续时间得到持续时间特征；

提取车辆行驶信号的平均过限率特征，根据噪声幅值设置噪声阈值代替零轴，得到单位时间内经过阈值的次数，即得到平均过限率特征；

车辆行驶信号的AR模型参数特征，根据车辆行驶信号求解5阶AR模型系数，得到AR模型参数特征；

车辆行驶信号的小波包能量谱特征，对车辆信号进行三层小波包分解，分解后的各子空间频带，三层小波包分解后的各子频带按照频率由低到高的顺序排列得到小波包能量谱特征；

车辆行驶信号的梅尔倒谱系数特征，输入车辆信号，再乘上汉明窗，再进行快速傅里叶变换得到傅里叶变换结果，根据傅里叶变换结果计算功率谱，将梅尔滤波器应用于功率谱得到信号的梅尔频谱，对梅尔频谱离散余弦变换得到梅尔倒谱系数特征。

10.如权利要求1所述的一种基于分布式光纤的高速公路交通参数实时估计方法,其特征在于，所述步骤4的具体步骤为：

汇总各监测区段的交通参数，包括各个监测区段的车流量、车辆平均速度、车头平均间距、车道空间占有率、车道时间占有率以及车型类别，根据各个监测区段的交通参数评估得到全路段交通运行状况；若该监测区段内车辆的平均行驶速度和车头平均间距低于交通管理部门所认定的拥堵时的车流平均速度和指定的车头平均间距，则认为该路段内有交通堵塞异常，在全路段监测图中异常路段标为红色，正常路段标为绿色，将区段号作为异常交通事件的定位依据，进行实时报警和定位提示。

Images