CN108597219B - 一种基于机器视觉的路段行人过街控制方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的路段行人过街控制方法，属于智能交通安全管理领域。该方法首先对路段行人和机动车进行相关数据采集，进一步识别并计算行人等待数量、等待时间和道路交通流量大小以及机动车排队长度等特征数据，然后在设定行人最长等待时间、最大等待人数、最大车流量以及机动车最长排队长度的基础上分别进行归一化处理，最终通过确定不同的阈值对通行优先级范围进行划分。当路段行人与机动车产生交通冲突时，控制中心可通过对特征阈值进行比较，从而合理分配行人和机动车的通行优先权，并进行相应的信号灯控制。本发明方法设计简单，通过机器视觉实时获取并分析综合考虑道路交通状况，能够有效地减少人车冲突，在保证行人安全的同时降低了机动车追尾事故的发生率，因此该方法在交通安全管理方面具有非常实际的工程运用价值。

Description

一种基于机器视觉的路段行人过街控制方法

技术领域

本发明涉及一种基于机器视觉的路段行人过街控制方法，属于智能交通安全管理领域。

背景技术

行人交通是城市交通的重要组成部分，也是人们短距离出行不可或缺的交通方式之一。随着“礼让行人”理念的快速普及以及相关处罚制度的实施，在设有人行横道路段上的行人过街活动得到了有效保障。但目前国内多地因“礼让行人”导致的追尾事故急剧增加，由于行人交通活动无规则、随意性大的特点，加之驾驶员在高速行驶过程中反应不及时等原因，当头车因避让突然出现的行人而紧急制动时，后方跟驰车辆制动不及时，从而造成追尾事故，更甚者导致多车连环追尾。在早晚高峰期间，道路交通流量骤增，部分行人过街数量较少但机动车流量较大的路段往往因“礼让行人”出现严重的道路拥堵情况，造成较大的经济损失和环境污染。因此合理分配路段行人和机动车的通行权至关重要。

以往的路段行人过街信号灯主要是通过行人过街按钮进行控制，该方法的信号配时通常为固定模式，难以适应复杂多变的道路交通状况，容易造成道路资源的浪费。我国《人行横道信号灯控制设置规范》中提出了基于行人高峰小时流量的路段过街信号灯设置依据，该方法只针对行人单个特定因素进行考虑，而路段行人过街信号配时设计需要综合考虑包括行人和机动车在内的多方面因素，因此只考虑单一因素难以满足城市交通管理的需求。为了满足复杂多变的城市交通需求，使城市交通安全高效的运转，设计一种实时获取道路信息并能够综合考虑行人和机动车各项因素的行人过街控制方法显得尤为迫切。

发明内容

本发明的目的是针对上述背景技术中的不足，提出一种基于机器视觉的路段行人过街控制方法，该方法实现了路段行人和机动车道路通行权的合理分配，从而在保证行人安全的前提下提高道路通行效率。

为实现上述目的，本发明提出的方案如下：

一种基于机器视觉的路段行人过街控制方法，由监控摄像头实时捕捉行人等待区域的行人等待数量和道路上的机动车运行情况，通过图像识别技术对特征数据进行采集计算，通过特征量的阈值比较从而分配行人和机动车的通行优先权，具体步骤如下：

1)采集交通实时数据，包括：等待区域的行人数量Q、行人等待时间T、道路交通流量C、机动车排队长度L；

2)根据不同路段对应的情况，确定各项数据的最大值，并进行归一化处理，在0到1的范围内根据优劣程度设定相应区间的特征阈值；

3)根据步骤2)中的信息，在道路没有形成车辆排队情况之前先对归一化的行人数量Q、行人等待时间T和道路交通流量C所属范围的特征阈值大小进行比较，比较标准为如下：

当M_Q≥M_C或M_T≥M_C时，则行人取得优先通行权，机动车需要停车礼让；

当M_C＞M_Q且M_C＞M_T时，则机动车取得优先通行权，行人需要在等待区域等待；

其中：

M_Q为等待区域行人数量归一化处理后对应的特征阈值；

M_T为等待区域行人等待时间归一化处理后对应的特征阈值；

M_C为道路交通流量归一化处理后对应的特征阈值。

在行人通行过程中会造成道路上机动车排队，此时需要对归一化的行人数量Q、行人等待时间T和机动车排队长度L所属范围的特征阈值大小进行比较，比较标准如下：

当M_Q≥M_L或M_T≥M_L时，则行人继续享有优先通行权，机动车仍需要停车礼让；

当M_L＞M_Q且M_L＞M_T时，则机动车取得优先通行权，行人需要在等待区域等待；

其中：

M_L为道路机动车排队长度归一化处理后对应的特征阈值。

4)根据步骤3)的判断结果将行人提示信号与机动车提示信号进行联动设计。

5)进入下一周期。

在步骤1)中，提取特征量分别需要的方法如下：

1)通过基于深度学习的Faster-RCNN方法对等待区域行人数量Q进行识别检测；

2)行人等待时间T利用基于HOG和Haar特征的行人追踪算法进行相应的计算；

3)道路交通流量C的动态实时数据可通过基于机器视觉的光流法进行精确检测；

4)机动车排队长度L可通过逆透视变换得到的鸟瞰图像从而对排队车辆的数量或长度进行识别检测。

在步骤2)中，行人等待数量Q、道路交通流量C和机动车排队长度L最大值可根据不同路段的实际道路交通情况进行设定，行人等待时间T的最大值可参考《道路交通信号灯设置与安装规范》中的行人信号灯设置标准从而进行合理设置。

在步骤3)中，数值越大表明交通状况越差，并在0到1范围内根据优劣程度划定为优、良好、中等、差、极差等范围区间，并对相应区间赋以特征阈值进行表征，该等级划分可视实际情况而定。

有益效果：本发明提出了一种基于机器视觉的路段行人过街控制方法，该方法充分利用了机器视觉技术并结合深度学习等图像识别方法，综合考虑了行人和机动车多方面因素，对行人和机动车的通行优先权进行合理分配。该方法取得的效果有：第一，在保障行人过街安全的基础上，为机动车分配了合理的通行权；第二，在充分利用道路交通资源的基础上提高了通行能力，从而有效缓解交通拥堵情况并减少环境污染；第三，可将行人过街信号传递给后方跟驰车辆的驾驶员，从而减少了追尾事故的发生。

综上所述，本发明在保证行人安全过街的同时，提高了机动车的通行效率，从而缓解交通拥堵状况，并降低了追尾事故发生率，因此具有很强的应用前景。

附图说明

图1为基于机器视觉的路段行人过街控制方法流程图。

图2为基于机器视觉的路段行人过街示意图。

具体实施方式

下面结合附图对本发明作进一步的说明。

如图1所示，一种基于机器视觉的路段行人过街控制方法，所述方法的实现过程如下：

1)在信号灯栏杆上设置两台监控摄像头，一台对准行人等待区域负责捕捉行人信息，另一台对准道路对道路实际运行状况进行记录；提取的特征量主要包括：等待区域的行人数量、行人等待时间、道路交通流量、机动车排队长度；行人数量主要通过基于深度学习的Faster-RCNN方法进行识别统计，行人等待时间则需要利用基于HOG和Haar特征的行人追踪算法进行相应的计算，道路交通流量可通过基于机器视觉的光流法进行精确检测，机动车排队长度则可通过逆透视变换得到鸟瞰图像，再对鸟瞰图中的车辆数量或者长度进行统计。

2)确定各项数据的最大值，其中行人等待数量、道路交通流量和机动车排队长度的最大值可根据不同路段的实际道路交通情况进行设定，行人等待时间的最大值可参考《道路交通信号灯设置与安装规范》中的行人信号灯设置标准从而进行合理设置；在确定最大值后对各特征数据进行归一化处理，数值越大表明交通状况越差，并在0到1范围内根据优劣程度划定为优、良好、中等、差、极差等范围区间，如表1所示，并对相应区间赋以特征阈值进行表征，该等级划分可视实际情况而定。

表1特征值范围对应关系

其中：

x为各特征数据归一化处理后的数值。

3)在道路没有形成车辆排队情况之前先对归一化的行人数量、行人等待时间和道路交通流量所属范围的特征阈值大小进行比较，比较标准如下：

当M_Q≥M_C或M_T≥M_C时，则行人取得优先通行权，机动车需要停车礼让；

当M_C＞M_Q且M_C＞M_T时，则机动车取得优先通行权，行人需要在等待区域等待。

其中：

M_Q为等待区域行人数量归一化处理后对应的特征阈值；

M_T为等待区域行人等待时间归一化处理后对应的特征阈值；

M_C为道路交通流量归一化处理后对应的特征阈值。

在行人通行过程中会造成道路上机动车排队，此时需要对归一化的行人数量Q、行人等待时间T和机动车排队长度L所属范围的特征阈值大小进行比较，比较标准如下：

当M_Q≥M_L或M_T≥M_L时，则行人继续享有优先通行权，机动车仍需要停车礼让；

当M_L＞M_Q且M_L＞M_T时，则机动车取得优先通行权，行人需要在等待区域等待。

其中：

M_L为道路机动车排队长度归一化处理后对应的特征阈值。

4)将判断结果转化为交通信号指示，从而实现行人信号控制和机动车信号控制联动设计。

示例：选择淄博市张店区新村西路某一路段作为研究对象，如图2所示，图中各标号含义为：1-监控摄像头，2-信号灯，3-行人，4-机动车，5-控制中心，6-行人等待区。

对该路段进行高峰时段的行人等待数量、行人等待时间、道路交通流量以及行人过街时造成的机动车排队长度的观测，整理后的数据如表2所示。

表2张店区新村西路某一路段调查数据结果(截取1分钟调查数据)

1)采集路段交通数据，包括：等待区等待人数Q＝11，等待时间T＝10，道路交通流量C＝36，排队长度L＝0，其中，等待人数Q的单位取个，等待时间单位取秒，交通流量单位取pcu/min，排队长度单位取辆，计数形式采用单车道车辆数×车道数。

2)根据实际情况设定各特征量的最大值，Q_max＝12，T_max＝50，C_max＝72，L_max＝13，对提取的特征值进行归一化处理，结果如下：

根据表1内的换算关系，确定每个因素的特征阈值：M_Q＝5，M_T＝2，M_C＝3，M_L＝1。

3)对特征阈值进行比较，因为M_Q≥M_C，满足M_Q≥M_C或M_T≥M_C为真的条件，所以此时行人取得优先通行权，机动车需要停车礼让；

4)根据判断结果，行人信号灯为绿色允许通行，机动车信号灯为红色禁止通行；

5)进入下一周期。

上述示例仅为说明本发明的技术思路及特点，其目的是让接触此项技术方法的人士能够较为清楚地了解本发明的具体内容及实施方法，并非限制本发明的范围及应用，在不脱离本发明原理的前提下，其他若干改进也应视为本发明的保护范围。

Claims (1)

1.一种基于机器视觉的路段行人过街控制方法，其特征在于：由监控摄像头实时捕捉行人等待区域的行人等待数量和道路上的机动车运行情况，通过图像识别技术对特征数据进行采集计算，通过特征量的阈值比较从而分配行人和机动车的通行优先权，具体步骤如下：

1)采集交通实时数据，包括：等待区域的行人数量Q、行人等待时间T、道路交通流量C、机动车排队长度L；

2)根据不同路段对应的情况，确定各项数据的最大值，并进行归一化处理，在0到1的范围内根据由轻到重的程度设定相应区间的特征阈值；

3)根据步骤2)中的信息，在道路没有形成车辆排队情况之前先对归一化的行人数量Q、行人等待时间T和道路交通流量C所属范围的特征阈值大小进行比较，比较标准如下；

当M_Q≥M_C或M_T≥M_C时，则行人取得优先通行权，机动车需要停车礼让；

当M_C＞M_Q且M_C＞M_T时，则机动车取得优先通行权，行人需要在等待区域等待；

其中：

M_Q为等待区域行人数量归一化处理后对应的特征阈值；

M_T为等待区域行人等待时间归一化处理后对应的特征阈值；

M_C为道路交通流量归一化处理后对应的特征阈值；

在行人通行过程中会造成道路上机动车排队，此时需要对归一化的行人数量Q、行人等待时间T和机动车排队长度L所属范围的特征阈值大小进行比较，比较标准如下：

当M_Q≥M_L或M_T≥M_L时，则行人继续享有优先通行权，机动车仍需要停车礼让；

当M_L＞M_Q且M_L＞M_T时，则机动车取得优先通行权，行人需要在等待区域等待；

其中：

M_L为道路机动车排队长度归一化处理后对应的特征阈值；

4)根据步骤3)的判断结果将行人提示信号与机动车提示信号进行联动设计；

5)进入下一周期；

在步骤1)中，提取特征量分别需要的方法如下：

1)通过基于深度学习的Faster-RCNN方法对等待区域行人数量Q进行识别检测；

2)行人等待时间T利用基于HOG和Haar特征的行人追踪算法进行相应的计算；

3)道路交通流量C的动态实时数据可通过基于机器视觉的光流法进行精确检测；

4)机动车排队长度L可通过逆透视变换得到的鸟瞰图像从而对排队车辆的数量或长度进行识别检测；

在步骤2)中，行人等待数量Q、道路交通流量C和机动车排队长度L最大值可根据不同路段的实际道路交通情况进行设定，行人等待时间T的最大值参考《道路交通信号灯设置与安装规范》中的行人信号灯设置标准从而进行合理设置；

在步骤3)中，数值越大表明交通状况越差，并在0到1范围内根据优劣程度划定为优、良好、中等、差、极差5个区间，并对相应区间赋以特征阈值进行表征，该区间划分视实际情况而定；

所述方法在充分利用道路交通资源的基础上提高了通行能力，从而有效缓解交通拥堵情况并减少环境污染。

Images