CN108922172B - 基于车辆特征矩阵序列变化分析的道路拥堵监测系统 - Google Patents

Abstract

一种基于车辆特征矩阵序列变化分析的道路拥堵监测系统，涉及道路交通技术领域，所解决的是交通状况检测的技术问题。该系统包括时钟驱动子系统GTS、视频信息获取子系统CAVS、初始标记子系统MS、图像特征提取子系统TS、拥堵监测分析子系统BAS、报警子系统AS；所述时钟驱动子系统GTS用于生成时间序列，视频信息获取子系统CAVS按照接收到的时间序列捕获摄像区域CA的图像，初始标记子系统MS用于把摄像区域CA分割成多个独立的区域车道MR；图像特征提取子系统TS用于从图像中提取车辆特征；拥堵监测分析子系统BAS根据摄像区域CA的图像，及划分的区域车道MR进行拥堵分析，报警子系统AS根据拥堵分析结果适时预警。本发明提供的系统，用于监测道路交通状况。

Description

基于车辆特征矩阵序列变化分析的道路拥堵监测系统

技术领域

本发明涉及道路交通技术，特别是涉及一种基于车辆特征矩阵序列变化分析的道路拥堵监测系统的技术。

背景技术

目前，随着车辆数目的膨胀式增长，城市交通拥挤拥堵问题越来越严重，已经成为城市管理的一个重要难题。为了解决交通拥堵问题，交管部门需要对道路拥堵状况进行监测。

现有的道路拥堵监测方法主要有以下几种：

1)基于电子感应线圈的车辆感知分析，该方法在道路关键路口、要道处埋设电子感应线圈，记载通过车辆然后判断车辆拥堵情况；该方法的主要缺点是成本高、施工影响大、容易损坏、维护成本高、区域全局总体判断能力弱。

2)基于车载GPS信息汇集进行分析，该方法被互联网地图提供商采用，如百度地图；其根据各个使用GPS信息导航的用户手机反馈的运动信息来判断相应路段的车辆流动速度、车辆密度等；这种模式主要缺点是GPS信息定位精度无法区分车道、高架桥高度位置、进而给出误判。

3)基于人工智能的视频车辆监测，目前这方面研究很多，但大多是道路运动车辆检测，继而实现车辆计数；该方法的缺点是无法区分车道信息，无法精确感知车辆运动速度，因而无法有效预测车辆拥堵。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种实施成本低，并且全局信息强，车道车流运动速度的全局性判断优势强，车辆运动状态信息获取准确的基于车辆特征矩阵序列变化分析的道路拥堵监测系统。

为了解决上述技术问题，本发明所提供的一种基于车辆特征矩阵序列变化分析的道路拥堵监测系统，其特征在于：包括时钟驱动子系统GTS、视频信息获取子系统CAVS、初始标记子系统MS、图像特征提取子系统TS、拥堵监测分析子系统BAS、报警子系统AS；

所述时钟驱动子系统GTS用于生成时间序列，时钟驱动子系统GTS生成的时间序列由多个时间点构成，相邻时间点之间的时间间隔为tt；

所述视频信息获取子系统CAVS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并利用摄像头，按照接收到的时间序列捕获摄像区域CA的图像，形成摄像区域CA的图像序列；

所述初始标记子系统MS通过通信网络，从视频信息获取子系统CAVS获取摄像区域CA的图像，并通过在摄像区域CA的图像上标记区域车道分割线的方式，在摄像区域CA中划分出1个区域车道MR，或多个相互独立的区域车道MR；

所述区域车道MR是在摄像区域CA所拍摄区域所包含的一个车辆流运动流向子区域；

所述图像特征提取子系统TS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，通过通信网络获取视频信息获取子系统CAVS在当前时刻输出的图像；并利用道路车辆提取模型识别图像中的所有车辆，并用矩形识别框来标识所识别的车辆，从各个矩形识别框中提取各个车辆的车辆信息，并存入一个车辆信息数组MA，车辆信息数组MA的每个数组元素代表一个车辆；

车辆信息数组MA的每个数组元素均为5元组，数组元素的5个组元分别为车辆编号id、车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y、车辆特征向量minfo，及车辆特征向量minfo的各个分量所占用的权值向量pinfo，权值向量pinfo的各个分量之和为1；

拥堵监测分析子系统BAS通过通信网络从初始标记子系统MS获取摄像区域CA的各个区域车道，并为每个区域车道创建一个拥堵监测分析结果文件f，并为每个区域车道创建2个区域车道车辆特征值矩阵MRRTMP1、MRRTMP2；

拥堵监测分析结果文件f为4元组，其4个组元分别为区域车道编号arid、区域车道中的车辆流动状态sta、区域车道中的车辆流动状态sta的起始时刻time、区域车道中的车辆流动状态sta的持续时长ptime；

区域车道中的车辆流动状态sta分为4个级别，区域车道中的车辆流动状态sta的值为1表示该区域车道的流动速度为趋于0，区域车道中的车辆流动状态sta的值为2表示该区域车道的流动速度为低速，区域车道中的车辆流动状态sta的值为3表示该区域车道的流动速度为中速，区域车道中的车辆流动状态sta的值为4表示该区域车道的流动速度为高速；

当区域车道中的车辆流动状态sta的值为1的持续时长超出预先设定的时长阈值时，表明该区域车道处于拥堵状态；

拥堵监测分析子系统BAS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列，通过通信网络从图像特征提取子系统TS获取摄像区域CA的图像在各个时刻的车辆信息数组MA，并用各个时刻的车辆信息数组MA的内容，按照步骤1.1至步骤1.6的方法进行拥堵分析：

步骤1.1：对于每一个区域车道，按照接收到的时间序列，用第一个时刻的车辆信息数组MA的内容更新该区域车道的区域车道车辆特征值矩阵MRRTMP1；

步骤1.2：从接收到的时间序列中，取第二个时刻，并将第二个时刻设定为当前时刻；

步骤1.3：对于每一个区域车道，用当前时刻的车辆信息数组MA的内容更新该区域车道的区域车道车辆特征值矩阵MRRTMP2；

步骤1.4：拥堵监测分析子系统BAS计算每个区域车道的车辆特征值矩阵MRRTMP1、MRRTMP2的方差值sv，拥堵监测分析子系统BAS根据区域车道中的车辆流动状态sta的4个级别预先设定4个方差阈值范围，并将计算所得的方差值sv与预先设定的4个方差阈值范围进行比较，根据比较结果设定各个区域车道的当前车辆流动状态sta的值，并把每个区域车道的区域车道编号arid、区域车道中的车辆流动状态sta、区域车道中的车辆流动状态sta的起始时刻time存入该区域车道的拥堵监测分析结果文件f，再计算该拥堵监测分析结果文件f的车辆流动状态sta的持续时长ptime；

步骤1.5：对于每一个区域车道，将该区域车道的车辆特征值矩阵MRRTMP2赋予该区域车道的车辆特征值矩阵MRRTMP1；

步骤1.6：从接收到的时间序列中，将当前时刻的下一个时刻设定为新的当前时刻，然后转至步骤1.3；

用车辆信息数组MA的内容更新各个区域车道的区域车道车辆特征值矩阵MRRTMP1的方法为：对于车辆信息数组MA中的每个数组元素，先根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及摄像区域CA的图像上的区域车道分割线，计算出该数组元素所在的区域车道编号arid；再将该数组元素的车辆特征向量minfo转换为行向量，将该数组元素的权值向量pinfo转换为列向量，然后将数组元素的车辆特征向量minfo、权值向量pinfo相乘得到该数组元素所代表的车辆的车辆特征值v；然后根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及预先设定的摄像区域CA内的车辆平均宽度MW像素、车辆平均高度MH像素，计算出目标阵元在区域车道车辆特征值矩阵MRRTMP1中所属的行、列，再把该车辆特征值v存入该数组元素所在的区域车道编号arid的车辆特征值矩阵MRRTMP1中的目标阵元；

用车辆信息数组MA的内容更新各个区域车道的区域车道车辆特征值矩阵MRRTMP2的方法为：对于车辆信息数组MA中的每个数组元素，先根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及摄像区域CA的图像上的区域车道分割线，计算出该数组元素所在的区域车道编号arid；再将该数组元素的车辆特征向量minfo转换为行向量，将该数组元素的权值向量pinfo转换为列向量，然后将数组元素的车辆特征向量minfo、权值向量pinfo相乘得到该数组元素所代表的车辆的车辆特征值v；然后根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及预先设定的摄像区域CA内的车辆平均宽度MW像素、车辆平均高度MH像素，计算出目标阵元在区域车道车辆特征值矩阵MRRTMP2中所属的行、列，再把该车辆特征值v存入该数组元素所在的区域车道编号arid的车辆特征值矩阵MRRTMP2中的目标阵元；

报警子系统AS通过通信网络，从拥堵监测分析子系统BAS获取摄像区域CA的区域车道数目，及各个区域车道的拥堵监测分析结果文件f；并通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，并从各个区域车道的拥堵监测分析结果文件f，获取当前时刻的各个区域车道中的车辆流动状态sta、车辆流动状态sta的持续时长ptime；

并对任意一个车辆流动状态sta的值为1，并且车辆流动状态sta的持续时长ptime的持续时长超出预先设定的时长阈值的区域车道发出拥堵预警；并对任意一个车辆流动状态sta的值为2的区域车道发出低速预警；并对任意一个车辆流动状态sta的值为3的区域车道发出中速预警；并对任意一个车辆流动状态sta的值为4的区域车道发出高速预警。

本发明提供的基于车辆特征矩阵序列变化分析的道路拥堵监测系统，利用摄像头，对一个交通区域的多个车道的车辆拥堵情况进行获取，进而利用成熟的深度学习模型提取道路车辆，计算每个车辆的特征值，利用这些特征构建道路车辆特征矩阵，利用特征矩阵序列变化分析每个车道的车辆的位移情况，进而判断每个车道的拥堵情况。本发明所提出的系统及方法具有如下优势：1)实施成本低，利用普通的摄像头就可以覆盖一个道路区域，对这个区域的多个车道的车辆进行准确运动速度分析，具有很高的性价；2)全局信息强，利用摄像头覆盖一个区域，可以获得该区域的直行、左转、右转车流的运动状态、车辆密度、状态持续时间等多个信息，因此具有较为综合的信息获取能力。3)车道车流运动速度的全局性判断优势强，利用特征值矩阵序列变换差异，我们可以计算出相应区域的车辆平均运动速度，进而计算出车道车流的平均速度，忽略了车辆个体速度差异。4)车辆运动状态信息获取准确，利用利用特征值矩阵序列变换差异，利用摄像机制式信息(PAL，NTSC)，根据视频帧数，可以准确的判读车流运动速度，特别低速时更为明显，因而更适合道路拥堵检测。

附图说明

图1是本发明实施例的基于车辆特征矩阵序列变化分析的道路拥堵监测系统的结构原理图；

图2是本发明实施例的基于车辆特征矩阵序列变化分析的道路拥堵监测系统中的区域车道车辆特征值矩阵示意图；

图3是本发明实施例的基于车辆特征矩阵序列变化分析的道路拥堵监测系统中的相邻2个区域车道车辆特征值矩阵方差的示意图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明的相似结构及其相似变化，均应列入本发明的保护范围，本发明中的顿号均表示和的关系。

如图1所示，本发明实施例所提供的一种基于车辆特征矩阵序列变化分析的道路拥堵监测系统，其特征在于：包括时钟驱动子系统GTS、视频信息获取子系统CAVS、初始标记子系统MS、图像特征提取子系统TS、拥堵监测分析子系统BAS、报警子系统AS；

所述时钟驱动子系统GTS用于生成时间序列，时钟驱动子系统GTS生成的时间序列由多个时间点构成，相邻时间点之间的时间间隔为tt；

所述视频信息获取子系统CAVS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并利用摄像头，按照接收到的时间序列捕获摄像区域CA的图像，形成摄像区域CA的图像序列；

摄像区域CA是指摄像头覆盖的被监测道路自然区域，被监测道路自然区域包括交通道路、路边建筑、路牌、绿化、隔离带等；

为了简化，时钟驱动子系统GTS利用开源的全局时钟同步软件同步所有子系统的时钟，如果视频信息获取子系统CAVS中的摄像头所摄制的视频采用PAL制式，时钟驱动子系统GTS所生成时间序列中的相邻时间点之间的时间间隔tt的取值为1/25秒，如果视频信息获取子系统CAVS中的摄像头所摄制的视频采用NTSC制式，时钟驱动子系统GTS所生成时间序列中的相邻时间点之间的时间间隔tt的取值为1/30秒，这是因为PAL制式视频每秒提供的图像帧数为25帧，NTSC制式视频每秒提供的图像帧数为30帧；

所述初始标记子系统MS通过通信网络，从视频信息获取子系统CAVS获取摄像区域CA的图像，并通过在摄像区域CA的图像上标记区域车道分割线的方式，在摄像区域CA中划分出1个区域车道MR，或多个相互独立的区域车道MR；

区域车道分割线是在摄像区域CA的摄像坐标系内，区域车道分割线可以是直线、折线或多点拟合的曲线，每一条区域车道分割线的标记方式是在摄像区域CA的图像上选取多个标记点SL1，SL2，…，SLs，然后再根据所选取的标记点来标记区域车道分割线，标记点可利用交互式标记工具在图像中设定；

区域车道MR就是在摄像区域CA所拍摄区域所包含的一个车辆流运动流向子区域(例如直行区域车道、左转弯区域车道、右转弯区域车道)，每个摄像区域CA可以包括多个区域车道MR；

所述图像特征提取子系统TS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，通过通信网络获取视频信息获取子系统CAVS在当前时刻输出的图像；并利用道路车辆提取模型(道路车辆提取模型为现有技术，比如开源的道路车辆提取模型SEG)识别图像中的所有车辆，并用矩形识别框来标识所识别的车辆，从各个矩形识别框中提取各个车辆的车辆信息，并存入一个车辆信息数组MA，车辆信息数组MA的每个数组元素代表一个车辆；

车辆信息数组MA的每个数组元素均为5元组，数组元素的5个组元分别为车辆编号id、车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y、车辆特征向量minfo，及车辆特征向量minfo的各个分量所占用的权值向量pinfo，权值向量pinfo的各个分量之和为1，车辆特征向量minfo的分量包括矩形识别框内的图像信息(色彩、灰度、光照、反光、轮廓)、矩形识别框的面积、与背景信息的差异、车辆前景轮廓(可以通过高斯变换、卷积获得)等信息，所有分量以标量值体现；

拥堵监测分析子系统BAS通过通信网络从初始标记子系统MS获取摄像区域CA的各个区域车道，并为每个区域车道创建一个拥堵监测分析结果文件f，并为每个区域车道创建2个区域车道车辆特征值矩阵MRRTMP1、MRRTMP2；

拥堵监测分析结果文件f为4元组，其4个组元分别为区域车道编号arid、区域车道中的车辆流动状态sta、区域车道中的车辆流动状态sta的起始时刻time、区域车道中的车辆流动状态sta的持续时长ptime；

区域车道中的车辆流动状态sta分为4个级别，区域车道中的车辆流动状态sta的值为1表示该区域车道的流动速度为趋于0，区域车道中的车辆流动状态sta的值为2表示该区域车道的流动速度为低速，区域车道中的车辆流动状态sta的值为3表示该区域车道的流动速度为中速，区域车道中的车辆流动状态sta的值为4表示该区域车道的流动速度为高速；

当区域车道中的车辆流动状态sta的值为1的持续时长超出预先设定的时长阈值时(该时长阈值可根据交通信号灯的变换周期设定)，表明该区域车道处于拥堵状态；

摄像区域CA的图像为一个矩形区域，该区域大小由图像分辨率CAW×CAH确定，其中的CAW为宽度像素数，CAH为高度像素数(典型的图像分辨率有1024×768，1280×720，1920×1080等)，摄像区域CA内一个车辆的平均宽度为MW像素，平均高度为MH像素，MW和MW的值可以根据实际图像由人工设定，区域车道车辆特征值矩阵是一个n×m的整型数矩阵，其中n＝int(CAW/MW)+1，m＝int(CAH/MH)，int()为取整函数，区域车道车辆特征值矩阵的每个元素值对应的是摄像区域CA中的车辆的车辆特征值；

拥堵监测分析子系统BAS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列，通过通信网络从图像特征提取子系统TS获取摄像区域CA的图像在各个时刻的车辆信息数组MA，并用各个时刻的车辆信息数组MA的内容，按照步骤1.1至步骤1.6的方法进行拥堵分析：

步骤1.1：对于每一个区域车道，按照接收到的时间序列，用第一个时刻的车辆信息数组MA的内容更新该区域车道的区域车道车辆特征值矩阵MRRTMP1；

步骤1.2：从接收到的时间序列中，取第二个时刻，并将第二个时刻设定为当前时刻；

步骤1.3：对于每一个区域车道，用当前时刻的车辆信息数组MA的内容更新该区域车道的区域车道车辆特征值矩阵MRRTMP2；

步骤1.4：拥堵监测分析子系统BAS计算每个区域车道的车辆特征值矩阵MRRTMP1、MRRTMP2的方差值sv(参见图3)，拥堵监测分析子系统BAS根据区域车道中的车辆流动状态sta的4个级别预先设定4个方差阈值范围，并将计算所得的方差值sv与预先设定的4个方差阈值范围进行比较，根据比较结果设定各个区域车道的当前车辆流动状态sta的值，并把每个区域车道的区域车道编号arid、区域车道中的车辆流动状态sta、区域车道中的车辆流动状态sta的起始时刻time存入该区域车道的拥堵监测分析结果文件f，再计算该拥堵监测分析结果文件f的车辆流动状态sta的持续时长ptime；

步骤1.5：对于每一个区域车道，将该区域车道的车辆特征值矩阵MRRTMP2赋予该区域车道的车辆特征值矩阵MRRTMP1；

步骤1.6：从接收到的时间序列中，将当前时刻的下一个时刻设定为新的当前时刻，然后转至步骤1.3；

用车辆信息数组MA的内容更新各个区域车道的区域车道车辆特征值矩阵MRRTMP1的方法为：对于车辆信息数组MA中的每个数组元素，先根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及摄像区域CA的图像上的区域车道分割线，计算出该数组元素所在的区域车道编号arid；再将该数组元素的车辆特征向量minfo转换为行向量，将该数组元素的权值向量pinfo转换为列向量，然后将数组元素的车辆特征向量minfo、权值向量pinfo相乘得到该数组元素所代表的车辆的车辆特征值v；然后根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及预先设定的摄像区域CA内的车辆平均宽度MW像素、车辆平均高度MH像素，计算出目标阵元在区域车道车辆特征值矩阵MRRTMP1中所属的行、列，再把该车辆特征值v存入该数组元素所在的区域车道编号arid的车辆特征值矩阵MRRTMP1中的目标阵元；目标阵元的行号为row，列号为col，row＝int(x/MW)+1，col＝int(y/MH)+1；

用车辆信息数组MA的内容更新各个区域车道的区域车道车辆特征值矩阵MRRTMP2的方法为：对于车辆信息数组MA中的每个数组元素，先根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及摄像区域CA的图像上的区域车道分割线，计算出该数组元素所在的区域车道编号arid；再将该数组元素的车辆特征向量minfo转换为行向量，将该数组元素的权值向量pinfo转换为列向量，然后将数组元素的车辆特征向量minfo、权值向量pinfo相乘得到该数组元素所代表的车辆的车辆特征值v；然后根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及预先设定的摄像区域CA内的车辆平均宽度MW像素、车辆平均高度MH像素，计算出目标阵元在区域车道车辆特征值矩阵MRRTMP2中所属的行、列，再把该车辆特征值v存入该数组元素所在的区域车道编号arid的车辆特征值矩阵MRRTMP2中的目标阵元；目标阵元的行号为row，列号为col，row＝int(x/MW)+1，col＝int(y/MH)+1；

报警子系统AS通过通信网络，从拥堵监测分析子系统BAS获取摄像区域CA的区域车道数目，及各个区域车道的拥堵监测分析结果文件f；并通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，并从各个区域车道的拥堵监测分析结果文件f，获取当前时刻的各个区域车道中的车辆流动状态sta、车辆流动状态sta的持续时长ptime；

并对任意一个车辆流动状态sta的值为1，并且车辆流动状态sta的持续时长ptime的持续时长超出预先设定的时长阈值的区域车道发出拥堵预警；并对任意一个车辆流动状态sta的值为2的区域车道发出低速预警；并对任意一个车辆流动状态sta的值为3的区域车道发出中速预警；并对任意一个车辆流动状态sta的值为4的区域车道发出高速预警。

Claims (1)

1.一种基于车辆特征矩阵序列变化分析的道路拥堵监测系统，其特征在于：包括时钟驱动子系统GTS、视频信息获取子系统CAVS、初始标记子系统MS、图像特征提取子系统TS、拥堵监测分析子系统BAS、报警子系统AS；

所述时钟驱动子系统GTS用于生成时间序列，时钟驱动子系统GTS生成的时间序列由多个时间点构成，相邻时间点之间的时间间隔为tt；

所述视频信息获取子系统CAVS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并利用摄像头，按照接收到的时间序列捕获摄像区域CA的图像，形成摄像区域CA的图像序列；

所述初始标记子系统MS通过通信网络，从视频信息获取子系统CAVS获取摄像区域CA的图像，并通过在摄像区域CA的图像上标记区域车道分割线的方式，在摄像区域CA中划分出1个区域车道MR，或多个相互独立的区域车道MR；

所述区域车道MR是在摄像区域CA所拍摄区域所包含的一个车辆流运动流向子区域；

所述图像特征提取子系统TS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，通过通信网络获取视频信息获取子系统CAVS在当前时刻输出的图像；并利用道路车辆提取模型识别图像中的所有车辆，并用矩形识别框来标识所识别的车辆，从各个矩形识别框中提取各个车辆的车辆信息，并存入一个车辆信息数组MA，车辆信息数组MA的每个数组元素代表一个车辆；

车辆信息数组MA的每个数组元素均为5元组，数组元素的5个组元分别为车辆编号id、车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y、车辆特征向量minfo，及车辆特征向量minfo的各个分量所占用的权值向量pinfo，权值向量pinfo的各个分量之和为1；

拥堵监测分析子系统BAS通过通信网络从初始标记子系统MS获取摄像区域CA的各个区域车道，并为每个区域车道创建一个拥堵监测分析结果文件f，并为每个区域车道创建2个区域车道车辆特征值矩阵MRRTMP1、MRRTMP2；

拥堵监测分析结果文件f为4元组，其4个组元分别为区域车道编号arid、区域车道中的车辆流动状态sta、区域车道中的车辆流动状态sta的起始时刻time、区域车道中的车辆流动状态sta的持续时长ptime；

区域车道中的车辆流动状态sta分为4个级别，区域车道中的车辆流动状态sta的值为1表示该区域车道的流动速度为趋于0，区域车道中的车辆流动状态sta的值为2表示该区域车道的流动速度为低速，区域车道中的车辆流动状态sta的值为3表示该区域车道的流动速度为中速，区域车道中的车辆流动状态sta的值为4表示该区域车道的流动速度为高速；

当区域车道中的车辆流动状态sta的值为1的持续时长超出预先设定的时长阈值时，表明该区域车道处于拥堵状态；

拥堵监测分析子系统BAS通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列，通过通信网络从图像特征提取子系统TS获取摄像区域CA的图像在各个时刻的车辆信息数组MA，并用各个时刻的车辆信息数组MA的内容，按照步骤1.1至步骤1.6的方法进行拥堵分析：

步骤1.1：对于每一个区域车道，按照接收到的时间序列，用第一个时刻的车辆信息数组MA的内容更新该区域车道的区域车道车辆特征值矩阵MRRTMP1；

步骤1.2：从接收到的时间序列中，取第二个时刻，并将第二个时刻设定为当前时刻；

步骤1.3：对于每一个区域车道，用当前时刻的车辆信息数组MA的内容更新该区域车道的区域车道车辆特征值矩阵MRRTMP2；

步骤1.4：拥堵监测分析子系统BAS计算每个区域车道的车辆特征值矩阵MRRTMP1、MRRTMP2的方差值sv，拥堵监测分析子系统BAS根据区域车道中的车辆流动状态sta的4个级别预先设定4个方差阈值范围，并将计算所得的方差值sv与预先设定的4个方差阈值范围进行比较，根据比较结果设定各个区域车道的当前车辆流动状态sta的值，并把每个区域车道的区域车道编号arid、区域车道中的车辆流动状态sta、区域车道中的车辆流动状态sta的起始时刻time存入该区域车道的拥堵监测分析结果文件f，再计算该拥堵监测分析结果文件f的车辆流动状态sta的持续时长ptime；

步骤1.5：对于每一个区域车道，将该区域车道的车辆特征值矩阵MRRTMP2赋予该区域车道的车辆特征值矩阵MRRTMP1；

步骤1.6：从接收到的时间序列中，将当前时刻的下一个时刻设定为新的当前时刻，然后转至步骤1.3；

用车辆信息数组MA的内容更新各个区域车道的区域车道车辆特征值矩阵MRRTMP1的方法为：对于车辆信息数组MA中的每个数组元素，先根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及摄像区域CA的图像上的区域车道分割线，计算出该数组元素所在的区域车道编号arid；再将该数组元素的车辆特征向量minfo转换为行向量，将该数组元素的权值向量pinfo转换为列向量，然后将数组元素的车辆特征向量minfo、权值向量pinfo相乘得到该数组元素所代表的车辆的车辆特征值v；然后根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及预先设定的摄像区域CA内的车辆平均宽度MW像素、车辆平均高度MH像素，计算出目标阵元在区域车道车辆特征值矩阵MRRTMP1中所属的行、列，再把该车辆特征值v存入该数组元素所在的区域车道编号arid的车辆特征值矩阵MRRTMP1中的目标阵元；

用车辆信息数组MA的内容更新各个区域车道的区域车道车辆特征值矩阵MRRTMP2的方法为：对于车辆信息数组MA中的每个数组元素，先根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及摄像区域CA的图像上的区域车道分割线，计算出该数组元素所在的区域车道编号arid；再将该数组元素的车辆特征向量minfo转换为行向量，将该数组元素的权值向量pinfo转换为列向量，然后将数组元素的车辆特征向量minfo、权值向量pinfo相乘得到该数组元素所代表的车辆的车辆特征值v；然后根据该数组元素的车辆矩形识别框的中心点横坐标x、车辆矩形识别框的中心点纵坐标y，及预先设定的摄像区域CA内的车辆平均宽度MW像素、车辆平均高度MH像素，计算出目标阵元在区域车道车辆特征值矩阵MRRTMP2中所属的行、列，再把该车辆特征值v存入该数组元素所在的区域车道编号arid的车辆特征值矩阵MRRTMP2中的目标阵元；

报警子系统AS通过通信网络，从拥堵监测分析子系统BAS获取摄像区域CA的区域车道数目，及各个区域车道的拥堵监测分析结果文件f；并通过通信网络获取时钟驱动子系统GTS输出的时间序列，并按照接收到的时间序列获取当前时刻，并根据当前时刻，并从各个区域车道的拥堵监测分析结果文件f，获取当前时刻的各个区域车道中的车辆流动状态sta、车辆流动状态sta的持续时长ptime；

并对任意一个车辆流动状态sta的值为1，并且车辆流动状态sta的持续时长ptime的持续时长超出预先设定的时长阈值的区域车道发出拥堵预警；并对任意一个车辆流动状态sta的值为2的区域车道发出低速预警；并对任意一个车辆流动状态sta的值为3的区域车道发出中速预警；并对任意一个车辆流动状态sta的值为4的区域车道发出高速预警。

Images