CN108986542B - 一种城市交叉路口事故隐患黑点的自动判别方法 - Google Patents
一种城市交叉路口事故隐患黑点的自动判别方法 Download PDFInfo
- Publication number
- CN108986542B CN108986542B CN201810836887.6A CN201810836887A CN108986542B CN 108986542 B CN108986542 B CN 108986542B CN 201810836887 A CN201810836887 A CN 201810836887A CN 108986542 B CN108986542 B CN 108986542B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- collision
- points
- time
- max
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种城市交叉路口事故隐患黑点的自动判别方法,包括如下步骤:在待检测交叉路口选定任意一点为参考点,以参考点为坐标原点建立坐标系,获取交叉路口的视频,识别视频中的车辆,并获取相应的位置信息;对视频内的车辆进行编号,并根据位置信息计算得到当前车辆速度;然后对交叉路口检测范围内的任意车辆两两组合,对车辆进行碰撞事件估算;根据阈值对碰撞时间进行筛选,判定两车是否冲突;预测冲突车辆对的预期碰撞点,获取包含所有碰撞点的最小区域,并进行分区,计算单位时间内每一分区判定的事故发生频率,进一步标定事故隐患黑点。
Description
技术领域
本发明涉及交通管理领域,具体涉及一种城市交叉路口事故隐患黑点的自动判别方法。
背景技术
近年来,全球的道路交通事故持续增加,我国更是交通事故的重灾区。交通事故隐患黑点的判定和评价也因此一直都是交通安全研究的热点。据相关数据显示,道路交通事故约有33%发生于道路交叉口。这使得交叉口事故隐患黑点的判别和评价在交通事故黑点研究中占据了重要的地位。
在一般的事故隐患黑点判别方法中,事故隐患黑点的判别方法主要分为直接鉴别方法和间接鉴别方法,如图2所示。
公布号为CN04392076A的中国专利申请提供了城市路网行人交通事故黑点识别方法,通过对指定时间段指定区域的行人交通事故分布模型的参数值,得到各事故路段单位的事故频数,并利用其估计行人交通事故分布模型的参数值,得到各事故频数的概率和事故频数累积概率,确定给定置信水平下的行人交通事故黑点上限阈值,识别行人交通事故黑点,通过反向解码实现行人交通事故黑点的空间定位和显示。
公布号为CN103116979A的中国专利申请公开了一种基于系统安全指标分布法的道路事故黑点鉴别系统,该系统包括历史事故数据记录单元、系统安全指标单元、黑点鉴别单元、和黑点鉴别结果输出单元,对路段节点上的系统安全指标进行计算。
上述事故隐患黑点判别方法多数基于现有事故数据进行分析预测,具有如下缺点和不足:
1)数据样本采集具有随机性,训练样本采集需投入大量人力。
2)采集的数据多为事故数据,未能在造成损失前做出预测,规避损失,造成财产损失和人员伤亡不可挽回。
3)预测所得结果不具时效性,无法实时监测交叉路口安全事故隐患,并动态判别交通事故隐患黑点。
发明内容
为了克服现有技术存在的缺点与不足,本发明提供一种城市交叉路口事故隐患黑点的自动判别方法。
本发明采用如下技术方案:
一种城市交叉路口事故隐患黑点的自动判别方法,包括如下步骤:
S1在待检测交叉路口选定任意一点为参考点,以参考点为坐标原点建立坐标系,获取交叉路口的视频,识别视频中的车辆,并获取相应的位置信息;
S2对视频内的车辆进行编号i,i为自然数,记录车辆当前时刻t1,和t1-ΔT=t0时刻的位置信息,ΔT为一个步长时间,并根据位置信息计算得出当前车辆速度;
S3对交叉路口摄像机检测范围内的任意车辆两两组合,记为车辆对(i,j),对车辆对(i,j)进行碰撞时间估算,记为TTCij;
S4设定阈值对TTCii进行筛选,判定两车是否冲突;
S6在坐标系中标记两车碰撞点坐标,获取包含所有碰撞点的最小区域D,使用尺取法对区域D划分分区,记录每一分区碰撞点数量;
所述S3中,估算两两车辆碰撞时间TTCij,具体公式如下:
所述阈值为:
当0≤TTCij≤2.5s时,车辆i与车辆j有极大可能碰撞,此时判定车辆i与车辆j冲突。
所述S6中,包含所有碰撞点的最小区域D,具体为:
Xmax=max{xijC},Xmin=min{xijC},Xmax=max{yijC},Ymin=min{yijC}
则包含所有碰撞点的最小区域为矩形区域,其四个顶点分别为
(Xmin,Ymin),(Xmax,Ymin),(Xmin,Ymax),(Xmax,Ymax)。
所述S6中,使用尺取法对区域D划分分区,记录每一分区碰撞点数量,具体为:
给定面积为a*b的矩形区域Dmn,且设其左下顶点坐标为(xm,yn),m,n=1,2...,且使(x1,y1)=(Xmin,Ymin),将矩形区域向右平移,即保持yn不变,令xm+1=xm+1,记录区域内所包含的碰撞点数量,直至xm+a≤Xmax;再令yn+1=yn+1,xm=Xmin,右移并记录,直至ym≤Ymax,xm+a≤Xmax。
所述S7中根据频率由低到高对事故隐患黑点划分等级,标定颜色,具体为:
当f≤2,判定事故隐患黑点等级为I级,标定为绿色;
当2≤f≤6,判定事故隐患黑点等级为II级,标定为黄色;
当f>6,等级为III级,颜色为红色。
所述S2中的步长时间可选取0.5~1s。
本发明的有益效果:
(1)本发明适用范围广,既可用于前端计算回传结果,也可用于视频数据回传后台之后的后台运算;
(2)本发明实验数据由算法计算得出,无须采集实际事故数据,降低财产损失和人员伤亡,减少数据获取成本;
(3)本发明应用视频技术对城市交叉路口进行检测获取数据,节约人力成本输出,提高数据的精确度;
(4)本发明数据为实时监测所得,能够动态跟踪该交叉路口的事故隐患黑点,对道路安全隐患排查具有更高的参考价值;
(5)本发明通过圈定包含所有碰撞点的最小区域D,有效减少尺取法操作范围,降低运算量,减少运算成本;
(6)本发明通过尺取法和标色法对判别结果进行分级标色,结果直观明了,更有利于分析;
(7)本发明利用视频监测装置对交叉路口事故隐患黑点进行判定,相比传统黑点判别方法,拥有更广的适用范围,更低的判别成本,更直观的判别结果,具有实际推广价值。
附图说明
图1是本发明的工作流程图;
图2是现有技术事故隐患黑点的判别方法;
图3是本发明的碰撞点分布图;
图4是本发明实施例事故隐患黑点判定及标色图。
具体实施方式
下面结合实施例及附图,对本发明作进一步地详细说明,但本发明的实施方式不限于此。
实施例
如图1、如图3及图4所示,一种城市交叉路口事故隐患黑点的自动判别方法,包括如下步骤:
S1在待检测交叉路口选定任意一点为参考点,以参考点为坐标原点建立坐标系,完成摄像机标定获取交叉路口的视频,识别视频中的车辆,并获取相应的位置信息,摄像机设置在能获取交叉路口视频的位置。
S2对视频内的车辆进行编号i,i为自然数,记录车辆当前时刻t1,和t1-ΔT=t0时刻的位置信息,ΔT为一个步长时间,并根据位置信息计算得出当前车辆速度;
i(i=1,2,...,k),本实施例中选取车辆1和车辆2作为示例车辆对进行计算:
则可由公式计算得出
S3对车辆进行两两匹配估算碰撞时间,将车辆1与车辆2记为车辆对(1,2),则根据公式计算可得出车辆对(1,2)的碰撞时间为
S4由于0≤TTC12=0.5s≤2.5s,则车辆对(1,2)有极大可能碰撞,此时判定车辆对(1,2)冲突。
S5由S4中的计算可知,车辆对(1,2)碰撞,则计算碰撞时间为
t12C=t1+TTC12
车辆1预计碰撞坐标为
车辆2预计碰撞坐标为
则取两车预计碰撞点均值,可得两车实际碰撞点
S6经计算得出该路口在高峰时段的碰撞点坐标为(2,6)(3,2)(4,4)(6,5),计算得出Xmin=2,Xmax=6,Ymin=2,Ymax=6,则最小区域D为四个顶点为(2,2),(2,6),(6,2),(6,6)的矩形区域,见图3。
S7根据所得事故隐患在坐标系上的分布进行标色的,统计表如下,标注图见图4。
分区 | 事故频率f | 黑点等级 | 标识颜色 |
D11 | 2 | I级 | 绿色 |
D12 | 3 | II级 | 黄色 |
D21 | 2 | I级 | 绿色 |
D22 | 2 | II级 | 绿色 |
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受所述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (9)
1.一种城市交叉路口事故隐患黑点的自动判别方法,其特征在于,包括如下步骤:
S1在待检测交叉路口选定任意一点为参考点,以参考点为坐标原点建立坐标系,获取交叉路口的视频,识别视频中的车辆,并获取相应的位置信息;
S2对视频内的车辆进行编号i,i为自然数,记录车辆当前时刻t1,和t1-ΔT=t0时刻的位置信息,ΔT为一个步长时间,并根据位置信息计算得出当前车辆速度;
S3对交叉路口检测范围内的任意车辆两两组合,记为车辆对(i,j),对车辆对(i,j)进行碰撞时间估算,记为TTCij;
S4设定阈值对TTCij进行筛选,判定两车是否冲突;
S6在坐标系中标记两车碰撞点坐标,获取包含所有碰撞点的最小区域D,使用尺取法对区域D划分分区,记录每一分区碰撞点数量;
4.根据权利要求1所述的自动判别方法,其特征在于,所述阈值为:
当0≤TTCij≤2.5s时,车辆i与车辆j有极大可能碰撞,此时判定车辆i与车辆j冲突。
6.根据权利要求1所述的自动判别方法,其特征在于,所述S6中,包含所有碰撞点的最小区域D,具体为:
Xmax=max{xijC},Xmin=min{xijC},Ymax=max{yijC},Ymin=min{yijC}
则包含所有碰撞点的最小区域为矩形区域,其四个顶点分别为
(Xmin,Ymin),(Xmax,Ymin),(Xmin,Ymax),(Xmax,Ymax)。
7.根据权利要求1所述的自动判别方法,其特征在于,所述S6中,使用尺取法对区域D划分分区,记录每一分区碰撞点数量,具体为:
给定面积为a*b的矩形区域Dmn,且设其左下顶点坐标为(xm,yn),m,n=1,2…,且使(x1,y1)=(Xmin,Ymin),将矩形区域向右平移,即保持yn不变,令xm+1=xm+1,记录区域内所包含的碰撞点数量,直至xm+a≤Xmax;再令ym+1=yn+1,xm=Xmin,右移并记录,直至ym≤Ymax,xm+a≤Xmax。
8.根据权利要求1所述的自动判别方法,其特征在于,所述S7中根据频率由低到高对事故隐患黑点划分等级,标定颜色,具体为:
当f≤2,判定事故隐患黑点等级为Ⅰ级,标定为绿色;
当2<f≤6,判定事故隐患黑点等级为Ⅱ级,标定为黄色;
当f>6,等级为III级,颜色为红色。
9.根据权利要求1所述的自动判别方法,其特征在于,步长时间可选取0.5~1s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836887.6A CN108986542B (zh) | 2018-07-26 | 2018-07-26 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810836887.6A CN108986542B (zh) | 2018-07-26 | 2018-07-26 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108986542A CN108986542A (zh) | 2018-12-11 |
CN108986542B true CN108986542B (zh) | 2021-03-30 |
Family
ID=64551308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810836887.6A Active CN108986542B (zh) | 2018-07-26 | 2018-07-26 | 一种城市交叉路口事故隐患黑点的自动判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108986542B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767697B (zh) * | 2021-01-19 | 2021-11-30 | 东南大学 | 基于交通冲突预测的交通安全评价方法、系统及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102359043A (zh) * | 2011-10-15 | 2012-02-22 | 天津市市政工程设计研究院 | 基于二维元胞自动机模型的港区道路出入口间距确定方法 |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN107067781A (zh) * | 2017-04-07 | 2017-08-18 | 叶昊 | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 |
CN108109378A (zh) * | 2018-01-24 | 2018-06-01 | 哈尔滨工业大学 | 一种对路网规划方案进行交通安全评价的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101385525B1 (ko) * | 2012-07-27 | 2014-04-15 | 휴앤에스(주) | 스쿨존 안전통행 시스템 |
-
2018
- 2018-07-26 CN CN201810836887.6A patent/CN108986542B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102359043A (zh) * | 2011-10-15 | 2012-02-22 | 天津市市政工程设计研究院 | 基于二维元胞自动机模型的港区道路出入口间距确定方法 |
CN105825484A (zh) * | 2016-03-23 | 2016-08-03 | 华南理工大学 | 一种基于深度学习的深度图像去噪及增强方法 |
CN107067781A (zh) * | 2017-04-07 | 2017-08-18 | 叶昊 | 一种用于先进驾驶辅助系统应用的gis道路黑点地图生成方法 |
CN108109378A (zh) * | 2018-01-24 | 2018-06-01 | 哈尔滨工业大学 | 一种对路网规划方案进行交通安全评价的方法 |
Non-Patent Citations (3)
Title |
---|
Feedback control strategy of a new car-following model based on reducing traffic accident rates;Zhai Cong;《Transportation Planning and Technology》;20160831;第801-812页 * |
基于GIS的城市道路黑点分析与决策支持研究;任光贤;《中国优秀硕士学位论文全文数据库基础科学辑》;20160815;第A008-27页 * |
基于分形理论与GIS的交通事故黑点预判方法研究;寇立明;《中国优秀硕士学位论文全文数据库基础科学辑》;20140315;第A008-43页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108986542A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109977812B (zh) | 一种基于深度学习的车载视频目标检测方法 | |
CN110135351B (zh) | 基于城市建筑空间数据的建成区边界识别方法及设备 | |
CN108681693B (zh) | 基于可信区域的车牌识别方法 | |
CN108845569A (zh) | 生成三维高清道路图水平弯道行车线的半自动点云方法 | |
CN110619258B (zh) | 一种基于高分辨率遥感影像的道路轨迹核查方法 | |
CN103176185A (zh) | 用于检测道路障碍物的方法及系统 | |
CN110619279A (zh) | 一种基于跟踪的路面交通标志实例分割方法 | |
CN107909012B (zh) | 一种基于视差图的实时车辆跟踪检测方法与装置 | |
CN104183142A (zh) | 一种基于图像视觉处理技术的车流量统计方法 | |
WO2021051863A1 (zh) | 水位预警监控方法、装置、存储介质及电子设备 | |
CN113822285A (zh) | 一种用于复杂应用场景的车辆违停识别方法 | |
CN103310199A (zh) | 基于高分辨率遥感数据的车辆型号识别方法 | |
CN114359181A (zh) | 一种基于图像和点云的智慧交通目标融合检测方法及系统 | |
KR20210067861A (ko) | 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체 | |
CN113505638A (zh) | 车流量的监测方法、监测装置及计算机可读存储介质 | |
CN108986542B (zh) | 一种城市交叉路口事故隐患黑点的自动判别方法 | |
CN103149603A (zh) | 一种基于视频的道路气象检测方法 | |
WO2018042208A1 (en) | Street asset mapping | |
CN114329074A (zh) | 一种匝道路段通行能效检测方法和系统 | |
JP2020160840A (ja) | 路面標示不具合検出装置、路面標示不具合検出方法及び路面標示不具合検出プログラム | |
CN116229396B (zh) | 高速路面病害识别及告警方法 | |
CN103927523A (zh) | 一种基于纵向灰度特征的雾天等级检测方法 | |
CN114529522A (zh) | 一种道路表观病害智能识别方法和系统 | |
Ho et al. | Automatic image recognition of pavement distress for improving pavement inspection | |
WO2021138372A1 (en) | Feature coverage analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |