CN109389826B - 一种信号交叉口饱和流率的实时计算方法 - Google Patents

一种信号交叉口饱和流率的实时计算方法 Download PDF

Info

Publication number
CN109389826B
CN109389826B CN201811532816.3A CN201811532816A CN109389826B CN 109389826 B CN109389826 B CN 109389826B CN 201811532816 A CN201811532816 A CN 201811532816A CN 109389826 B CN109389826 B CN 109389826B
Authority
CN
China
Prior art keywords
saturated
vehicle
period
headway
vehicles
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
Application number
CN201811532816.3A
Other languages
English (en)
Other versions
CN109389826A (zh
Inventor
徐良杰
曹辉
郝艳萍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN201811532816.3A priority Critical patent/CN109389826B/zh
Publication of CN109389826A publication Critical patent/CN109389826A/zh
Application granted granted Critical
Publication of CN109389826B publication Critical patent/CN109389826B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/015—Detecting movement of traffic to be counted or controlled with provision for distinguishing between two or more types of vehicles, e.g. between motor-cars and cycles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明公开了一种信号交叉口饱和流率的实时计算方法，本发明计算周期内进口道车辆的车头时距；若周期内进口道车辆的数量小于车辆阈值，采用经验饱和车头时距计算周期内进口道的饱和流率；若周期内进口道车辆的数量大于等于车辆阈值，根据车型设定饱和车头时距阈值区间，以得到饱和状态的车头时距；若周期内进口道饱和状态下的车辆的数量小于饱和状态车辆阈值，通过经验饱和车头时距计算周期内进口道的饱和流率；若周期内进口道饱和状态下的车辆的数量大于等于饱和状态车辆阈值，计算周期内进口道的饱和车头时距，通过平均值修正法得到修正后周期内进口道的的饱和流率。本发明提高了计算准确性，且满足动态提取饱和流率的需求。

Description

一种信号交叉口饱和流率的实时计算方法
技术领域
本发明属于交通信号控制技术领域，特别涉及一种信号交叉口饱和流率的实时计算方法。
背景技术
随着城市人口以及机动车保有量的持续增加，路网不畅、设施不足、交通拥堵等问题越来越突出，对城市交通管理造成的冲击和压力也越来越大，城市道路交通拥堵问题已成为指月经济发展、降低人民生活质量、削弱经济活力的瓶颈之一。交叉口作为城市道路网络的结点，是制约整个道路网络通行能力的咽喉。在交叉口范围内存在不同方向机动车、非机动车和行人之间的冲突，因此交叉口处容易出行拥堵甚至于交通事故等问题。交通信号控制系统是指利用交通信号灯，对孤立交叉口运行的车辆和行人进行通行权的分配，相比于交通设计改善的方法更容易让交通参与者适应，且对交通妨碍少，成本低。
饱和流率是计算信号配时和通行能力的关键参数之一，是指某一车道或车道组在一次连续的绿灯信号时间内能够通过的最大流率值。饱和流率可以通过模型或者实测的方式来获得，模型的计算方法是采用基本饱和流率乘以各影响因素的修正系数以获得饱和流率，但是这些修正系数难以获得，并且计算复杂，因此饱和流率多是通过实测的方法获得，除了新建交叉口之外。饱和流率一般不直接进行观测，而是通过观测实际饱和车头时距进行推算获得的。目前，饱和车头时距的测量是通过前后两辆车到达停止线的时间差获得，为了避免绿灯初期的启动延误，从第4辆车开始计算车头时距，至绿灯亮时停在停车线后的最后一辆车，取饱和车头时距的均值的倒数乘以3600作为饱和流率，但是通过该方法获得的饱和流率并不能满足对饱和流率准确性的要求，因为在实际应用中存在不同车型和非饱和交通流状态的车头时距对实测饱和车头时距的影响。
因此，如何提高饱和流率的准确性成为本领域亟待解决的技术问题。
发明内容
为了解决当前面临的技术问题，本发明提出了一种信号交叉口饱和流率的实时计算方法。
本发明的技术方案为一种信号交叉口饱和流率的实时计算方法，其特征在于，包括以下步骤：
步骤1：记录周期内进口道第一辆车辆的绿灯开启时间，通过感应线圈检测器测量高峰期周期内进口道车辆离开线圈的时间，计算周期内进口道车辆的车头时距；
步骤2：若周期内进口道车辆的数量小于车辆阈值，采用经验饱和车头时距计算周期内周期内进口道的饱和流率；
步骤3：若周期内进口道车辆的数量大于等于车辆阈值，根据监控视频图像技术将车辆分为大型车和小型车两种类别，根据车型设定饱和车头时距阈值区间，根据饱和车头时距阈值剔除非饱和状态的车头时距，得到饱和状态的车头时距；
步骤4：若周期内进口道饱和状态下的车辆的数量小于饱和状态车辆阈值，通过经验饱和车头时距计算周期内进口道的饱和流率；
步骤5：若周期内进口道饱和状态下的车辆的数量大于等于饱和状态车辆阈值，计算周期内进口道的饱和车头时距，将周期内进口道的饱和流率通过平均值修正法得到修正后周期内进口道的的饱和流率；
作为优选，步骤1中所述绿灯开启时间为ti,j,0，为第i个周期第j个进口道第1辆车辆的绿灯开启时间为ti,j,0；
步骤1中所述周期内进口道车辆的车头时距为：
hi,j,1＝Ti,j,1-ti,j,0(i∈[1,M],j∈[1,N])
hi,j,k＝Ti,j,k-Ti,j,k-1(k∈[2,Di,j])
其中，M为周期的数量，N为进口道的数量，Di,j为第i个周期第j个进口道车辆的数量，hi,j,1为第i个周期第j个进口道第1辆车辆的车头时距，hi,j,k为第i个周期第j个进口道第k辆车辆的车头时距，Ti,j,1为通过感应线圈检测器测量高峰期第i个周期第j个进口道第1辆车辆离开线圈的时间，Ti,j,k为通过感应线圈检测器测量高峰期第i周期内第j个进口道第k辆车辆离开线圈的时间；
作为优选，步骤2中所述周期内进口道车辆的数量为第i个周期第j个进口道车辆的数量Di,j，步骤2中所述车辆阈值为α，i∈[1,M],j∈[1,N]，M为周期的数量，N为进口道的数量；
若Di,j<α，步骤2中所述经验饱和车头时距为hr，则周期内进口道的饱和流率为：第i个周期第j个车道的饱和车头时距为
Figure BDA0001906119750000031
作为优选，步骤3中所述周期内进口道车辆的数量为第i个周期第j个进口道车辆的数量Di,j，步骤3中所述车辆阈值为α，i∈[1,M],j∈[1,N]，M为周期的数量，N为进口道的数量；
若Di,j≥α，则步骤3中所述监控视频图像技术为：
在视频图像中设置虚拟线圈作为相应机动车道的检测区域，运用背景差分提取前景目标，并采用基于颜色和纹理的阴影检测方法去除所检测目标中的阴影部分，然后采用两步法进行车型识别，即先通过提取目标车辆轮廓的外接最小矩形框面积初步识别车型，然后引入扩展Kalman滤波的跟踪模型统计车辆轮廓目标经过检测区域的帧数，进一步判断所属车型为大型车或小型车；
步骤3中所述设定饱和车头时距阈值区间的方法为：
车头时距总体近似服从正态分布(u,σ2)，选取区间[u-σ，u+σ]为小型车的饱和车头时距阈值区间、[u-σ+3，u+σ+3]为大型车的饱和车头时距阈值区间；
将步骤1中所述第i个周期第j个进口道第k辆车辆的车头时距hi,j,k；
i∈[1,M],j∈[1,N],k∈[1,Di,j]，M为周期的数量，N为进口道的数量，Di,j为第i个周期第j个进口道车辆的数量；
步骤3中所述根据饱和车头时距阈值剔除非饱和状态的车头时距：
若第k辆车辆为小型车，当hi,j,k属于[u-σ，u+σ]则hi,j,k为饱和状态下的车头时距，否则为非饱和状态的车头时距并予以删除；
若第k辆车辆为大型车，当hi,j,k属于[u-σ+3，u+σ+3]则hi,j,k为饱和状态下的车头时距，否则为非饱和状态的车头时距并予以删除；
步骤3中所述饱和状态的车头时距为：
通过小型车的饱和车头时距阈值区间以及大型车的饱和车头时距阈值区间判断，得到饱和状态下的第i个周期第j个车道第l辆车辆的饱和车头时距
Figure BDA0001906119750000032
i∈[1,M],j∈[1,N],l∈[1,Pi,j]，M为周期的数量，N为进口道的数量，Pi,j为第i个周期第j个进口道饱和状体下的车辆的数量；
作为优选，步骤4中所述周期内进口道饱和状态下的车辆的数量为第i个周期第j个进口道饱和状体下的车辆的数量Pi,j，步骤4中所述饱和状态车辆阈值为β，i∈[1,M],j∈[1,N],l∈[1,Pi,j]，M为周期的数量，N为进口道的数量；
若Pi,j<β，则步骤4中所述经验饱和车头时距为hr，计算第i个周期第j个车道的饱和流率为
Figure BDA0001906119750000041
作为优选，步骤5中所述周期内进口道饱和状态下的车辆的数量为第i个周期第j个进口道饱和状体下的车辆的数量Pi,j，步骤5中所述饱和状态车辆阈值为β，i∈[1,M],j∈[1,N],l∈[1,Pi,j]，M为周期的数量，N为进口道的数量；
若Pi,j≥β，则步骤5中所述计算周期内进口道的饱和车头时距为：
以饱和状态下第β辆车的车头时距至饱和状态下最后一辆车辆的车头时距的平均值为第i个周期第j个进口道的饱和车头时距；
计算第i个周期第j个车道的饱和车头时距hi,j为：
Figure BDA0001906119750000042
其中，M为周期的数量，N为进口道的数量，Pi,j为第i个周期第j个进口道饱和状体下的车辆的数量；
步骤5中所述周期内进口道的饱和流率为第i个周期第j个车道的饱和流率Si,j为：
Figure BDA0001906119750000043
步骤5中所述平均值修正法为取前W个周期的饱和流率的平均值修正第i个周期第j个车道的饱和流率；
步骤5中所述修正后周期内进口道的的饱和流率为修正后第i个周期第j个车道的饱和流率
Figure BDA0001906119750000044
Figure BDA0001906119750000051
其中，M为周期的数量，N为进口道的数量。
本发明提供的信号交叉口动态饱和流率的计算方法，排除了绿灯启亮时的车辆启动延误，车辆类型以及非饱和交通流状态的车头时距对饱和流率计算造成的偏差。相比于传统人工测量饱和车头时距的方法更为方便可靠，且可动态提取饱和流率。
附图说明
图1：本发明方法流程图
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明以武汉市常青路与青年路交叉口作为实施方式中的交叉口，结合图1所示，本发明实施方式为一种信号交叉口饱和流率的实时计算方法，具体包括如下步骤：
步骤1：记录周期内进口道第一辆车辆的绿灯开启时间，通过感应线圈检测器测量高峰期周期内进口道车辆离开线圈的时间，计算周期内进口道车辆的车头时距；
步骤1中所述绿灯开启时间为ti,j,0，为第i个周期第j个进口道第1辆车辆的绿灯开启时间为ti,j,0；
步骤1中所述周期内进口道车辆的车头时距为：
hi,j,1＝Ti,j,1-ti,j,0(i∈[1,M],j∈[1,N])
hi,j,k＝Ti,j,k-Ti,j,k-1(k∈[2,Di,j])
其中，M＝30为周期的数量，N＝15为进口道的数量，Di,j为第i个周期第j个进口道车辆的数量，hi,j,1为第i个周期第j个进口道第1辆车辆的车头时距，hi,j,k为第i个周期第j个进口道第k辆车辆的车头时距，Ti,j,1为通过感应线圈检测器测量高峰期第i个周期第j个进口道第1辆车辆离开线圈的时间，Ti,j,k为通过感应线圈检测器测量高峰期第i周期内第j个进口道第k辆车辆离开线圈的时间；
步骤2：若周期内进口道车辆的数量小于车辆阈值，采用经验饱和车头时距计算周期内进口道的饱和流率；
步骤2中所述周期内进口道车辆的数量为第i个周期第j个进口道车辆的数量Di,j，步骤2中所述车辆阈值为α＝7，i∈[1,M],j∈[1,N]，M＝30为周期的数量，N＝15为进口道的数量；
若Di,j<α，步骤2中所述经验饱和车头时距为hr＝2.5s，则周期内进口道的饱和车头时距为：第i个周期第j个车道的饱和车头时距为
Figure BDA0001906119750000061
步骤3：若周期内进口道车辆的数量大于等于车辆阈值，根据监控视频图像技术将车辆分为大型车和小型车两种类别，根据车型设定饱和车头时距阈值区间，根据饱和车头时距阈值剔除非饱和状态的车头时距，得到饱和状态的车头时距；
步骤3中所述周期内进口道车辆的数量为第i个周期第j个进口道车辆的数量Di,j，步骤3中所述车辆阈值为α＝7，i∈[1,M],j∈[1,N]，M＝30为周期的数量，N＝15为进口道的数量；
若Di,j≥α，则步骤3中所述监控视频图像技术为：
在视频图像中设置虚拟线圈作为相应机动车道的检测区域，运用背景差分提取前景目标，并采用基于颜色和纹理的阴影检测方法去除所检测目标中的阴影部分，然后采用两步法进行车型识别，即先通过提取目标车辆轮廓的外接最小矩形框面积初步识别车型，然后引入扩展Kalman滤波的跟踪模型统计车辆轮廓目标经过检测区域的帧数，进一步判断所属车型为大型车或小型车；
步骤3中所述设定饱和车头时距阈值区间的方法为：
车头时距总体近似服从正态分布(u＝2.2836,σ2＝0.5607)，选取区间[u-σ，u+σ]为小型车的饱和车头时距阈值区间、[u-σ+3，u+σ+3]为大型车的饱和车头时距阈值区间；
将步骤1中所述第i个周期第j个进口道第k辆车辆的车头时距hi,j,k；
i∈[1,M],j∈[1,N],k∈[1,Di,j]，M＝30为周期的数量，N＝15为进口道的数量，Di,j为第i个周期第j个进口道车辆的数量；
步骤3中所述根据饱和车头时距阈值剔除非饱和状态的车头时距：
若第k辆车辆为小型车，当hi,j,k属于[u-σ，u+σ]则hi,j,k为饱和状态下的车头时距，否则为非饱和状态的车头时距并予以删除；
若第k辆车辆为大型车，当hi,j,k属于[u-σ+3，u+σ+3]则hi,j,k为饱和状态下的车头时距，否则为非饱和状态的车头时距并予以删除；
步骤3中所述饱和状态的车头时距为：
通过小型车的饱和车头时距阈值区间以及大型车的饱和车头时距阈值区间判断，得到饱和状态下的第i个周期第j个车道第l辆车辆的饱和车头时距
Figure BDA0001906119750000071
i∈[1,M],j∈[1,N],l∈[1,Pi,j]，M＝30为周期的数量，N＝15为进口道的数量，Pi,j为第i个周期第j个进口道饱和状体下的车辆的数量；
步骤4：若周期内进口道饱和状态下的车辆的数量小于饱和状态车辆阈值，通过经验饱和车头时距计算周期内进口道的饱和流率；
步骤4中所述周期内进口道饱和状态下的车辆的数量为第i个周期第j个进口道饱和状体下的车辆的数量Pi,j，步骤4中所述饱和状态车辆阈值为β＝4，i∈[1,M],j∈[1,N],l∈[1,Pi,j]，M＝30为周期的数量，N＝15为进口道的数量；
若Pi,j<β，则步骤4中所述经验饱和车头时距为hr＝2.5s，计算第i个周期第j个车道的饱和流率为
Figure BDA0001906119750000072
步骤5：若周期内进口道饱和状态下的车辆的数量大于等于饱和状态车辆阈值，计算周期内进口道的饱和车头时距，将周期内进口道的饱和流率通过平均值修正法得到修正后周期内进口道的的饱和流率；
步骤5中所述周期内进口道饱和状态下的车辆的数量为第i个周期第j个进口道饱和状体下的车辆的数量Pi,j，步骤5中所述饱和状态车辆阈值为β＝4，i∈[1,M],j∈[1,N],l∈[1,Pi,j]，M＝30为周期的数量，N＝15为进口道的数量；
若Pi,j≥β，则步骤5中所述计算周期内进口道的饱和车头时距为：
以饱和状态下第β＝4辆车的车头时距至饱和状态下最后一辆车辆的车头时距的平均值为第i个周期第j个进口道的饱和车头时距；
计算第i个周期第j个车道的饱和车头时距hi,j为：
Figure BDA0001906119750000081
其中，M＝30为周期的数量，N＝15为进口道的数量，Pi,j为第i个周期第j个进口道饱和状体下的车辆的数量；
步骤5中所述周期内进口道的饱和流率为第i个周期第j个车道的饱和流率Si,j为：
Figure BDA0001906119750000082
步骤5中所述平均值修正法为取前W＝4个周期的饱和流率的平均值修正第i个周期第j个车道的饱和流率；
步骤5中所述修正后周期内进口道的的饱和流率为修正后第i个周期第j个车道的饱和流率
Figure BDA0001906119750000083
Figure BDA0001906119750000084
其中，M＝30为周期的数量，N＝15为进口道的数量。
本发明的重要一环在于如何剔除非饱和状态车辆的车头时距，为此根据不同车型设定判断车辆是否处于饱和状态的饱和车头时距阈值，对于阈值的选择，可以通过调查不同道路情况、不同交通条件下各种车型饱和车头时距分布情况进行综合分析，以获得一个合理的饱和车头时距阈值。
本发明提供的信号交叉口动态饱和流率的计算方法，排除了绿灯启亮时的车辆启动延误，车辆类型以及非饱和交通流状态的车头时距对饱和流率计算造成的偏差。该方法利用感应线圈采集原始数据，基于监控视频识别车辆类型，提高了饱和流率的准确性，并且避免了高昂的人工调查成本。相比于传统人工测量饱和车头时距的方法也更为方便可靠，且可动态提取饱和流率。
本文中所描述的具体实施案例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施案例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种信号交叉口饱和流率的实时计算方法，其特征在于，包括以下步骤：
步骤1：记录周期内进口道第一辆车辆的绿灯开启时间，通过感应线圈检测器测量高峰期周期内进口道车辆离开线圈的时间，计算周期内进口道车辆的车头时距；
步骤2：若周期内进口道车辆的数量小于车辆阈值，采用经验饱和车头时距计算周期内进口道的饱和流率；
步骤3：若周期内进口道车辆的数量大于等于车辆阈值，根据监控视频图像技术将车辆分为大型车和小型车两种类别，根据车型设定饱和车头时距阈值区间，根据饱和车头时距阈值剔除非饱和状态的车头时距，得到饱和状态的车头时距；
步骤3中所述周期内进口道车辆的数量为第i个周期第j个进口道车辆的数量Di，j，步骤3中所述车辆阈值为α，i∈[1，M]，j∈[1，N]，M为周期的数量，N为进口道的数量；
若Di，j≥α，则步骤3中所述监控视频图像技术为：
在视频图像中设置虚拟线圈作为相应机动车道的检测区域，运用背景差分提取前景目标，并采用基于颜色和纹理的阴影检测方法去除所检测目标中的阴影部分，然后采用两步法进行车型识别，即先通过提取目标车辆轮廓的外接最小矩形框面积初步识别车型，然后引入扩展Kalman滤波的跟踪模型统计车辆轮廓目标经过检测区域的帧数，进一步判断所属车型为大型车或小型车；
步骤3中所述设定饱和车头时距阈值区间的方法为：
车头时距总体近似服从正态分布(u，σ2)，选取区间[u-σ，u+σ]为小型车的饱和车头时距阈值区间、[u-σ+3，u+σ+3]为大型车的饱和车头时距阈值区间；
将步骤1中所述第i个周期第j个进口道第k辆车辆的车头时距hi，j，k；
i∈[1，M]，j∈[1，N]，k∈[1，Di，j]，M为周期的数量，N为进口道的数量，Di，j为第i个周期第j个进口道车辆的数量；
步骤3中所述根据饱和车头时距阈值剔除非饱和状态的车头时距：
若第k辆车辆为小型车，当hi，j，k属于[u-σ，u+σ]则hi，j，k为饱和状态下的车头时距，否则为非饱和状态的车头时距并予以删除；
若第k辆车辆为大型车，当hi，j，k属于[u-σ+3，u+σ+3]则hi，j，k为饱和状态下的车头时距，否则为非饱和状态的车头时距并予以删除；
步骤3中所述饱和状态的车头时距为：
通过小型车的饱和车头时距阈值区间以及大型车的饱和车头时距阈值区间判断，得到饱和状态下的第i个周期第j个车道第l辆车辆的饱和车头时距
Figure FDA0002902229880000021
i∈[1，M]，j∈[1，N]，l∈[1，Pi，j]，M为周期的数量，N为进口道的数量，Pi，j为第i个周期第j个进口道饱和状体下的车辆的数量；
步骤4：若周期内进口道饱和状态下的车辆的数量小于饱和状态车辆阈值，通过经验饱和车头时距计算周期内进口道的饱和流率；
步骤5：若周期内进口道饱和状态下的车辆的数量大于等于饱和状态车辆阈值，计算周期内进口道的饱和车头时距，将周期内进口道的饱和流率通过平均值修正法得到修正后周期内进口道的饱和流率；
步骤5中所述周期内进口道饱和状态下的车辆的数量为第i个周期第j个进口道饱和状体下的车辆的数量Pi，j，步骤5中所述饱和状态车辆阈值为β，i∈[1，M]，j∈[1，N]，l∈[1，Pi，j]，M为周期的数量，N为进口道的数量；
若Pi，j≥β，则步骤5中所述计算周期内进口道的饱和车头时距为：
以饱和状态下第β辆车的车头时距至饱和状态下最后一辆车辆的车头时距的平均值为第i个周期第j个进口道的饱和车头时距；
计算第i个周期第j个车道的饱和车头时距hi，j为：
Figure FDA0002902229880000022
其中，M为周期的数量，N为进口道的数量，Pi，j为第i个周期第j个进口道饱和状体下的车辆的数量；
步骤5中所述周期内进口道的饱和流率为第i个周期第j个车道的饱和流率Si，j为：
Figure FDA0002902229880000023
步骤5中所述平均值修正法为取前W个周期的饱和流率的平均值修正第i 个周期第j个车道的饱和流率；
步骤5中所述修正后周期内进口道的饱和流率为修正后第i个周期第j个车道的饱和流率
Figure FDA0002902229880000031
Figure FDA0002902229880000032
其中，M为周期的数量，N为进口道的数量。
2.根据权利要求1所述的信号交叉口饱和流率的实时计算方法，其特征在于：步骤1中所述绿灯开启时间为ti，j，0，为第i个周期第j个进口道第1辆车辆的绿灯开启时间为ti，j，0；
步骤1中所述周期内进口道车辆的车头时距为：
hi，j，1＝Ti，j，1-ti，j，0
hi，j，k＝Ti，j，k-Ti，j，k-1
i∈[1，M]，j∈[1，N]，k∈[2，Di，j]
其中，M为周期的数量，N为进口道的数量，Di，j为第i个周期第j个进口道车辆的数量，hi，j，1为第i个周期第j个进口道第1辆车辆的车头时距，hi，j，k为第i个周期第j个进口道第k辆车辆的车头时距，Ti，j，1为通过感应线圈检测器测量高峰期第i个周期第j个进口道第1辆车辆离开线圈的时间，Ti，j，k为通过感应线圈检测器测量高峰期第i周期内第j个进口道第k辆车辆离开线圈的时间。
3.根据权利要求1所述的信号交叉口饱和流率的实时计算方法，其特征在于：步骤2中所述周期内进口道车辆的数量为第i个周期第j个进口道车辆的数量Di，j，步骤2中所述车辆阈值为α，i∈[1，M]，j∈[1，N]，M为周期的数量，N为进口道的数量；
若Di，j＜α，步骤2中所述经验饱和车头时距为hr，则周期内进口道的饱和流率为：第i个周期第j个车道的饱和车头时距为
Figure FDA0002902229880000033
4.根据权利要求1所述的信号交叉口饱和流率的实时计算方法，其特征在于：步骤4中所述周期内进口道饱和状态下的车辆的数量为第i个周期第j个进口道饱和状体下的车辆的数量Pi，j，步骤4中所述饱和状态车辆阈值为β，i∈[1，M]，j∈[1，N]，l∈[1，Pi，j]，M为周期的数量，N为进口道的数量；
若Pi，j＜β，则步骤4中所述经验饱和车头时距为hr，计算第i个周期第j个车道的饱和流率为
Figure FDA0002902229880000041
CN201811532816.3A 2018-12-14 2018-12-14 一种信号交叉口饱和流率的实时计算方法 Active CN109389826B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811532816.3A CN109389826B (zh) 2018-12-14 2018-12-14 一种信号交叉口饱和流率的实时计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811532816.3A CN109389826B (zh) 2018-12-14 2018-12-14 一种信号交叉口饱和流率的实时计算方法

Publications (2)

Publication Number Publication Date
CN109389826A CN109389826A (zh) 2019-02-26
CN109389826B true CN109389826B (zh) 2021-03-16

Family

ID=65429298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811532816.3A Active CN109389826B (zh) 2018-12-14 2018-12-14 一种信号交叉口饱和流率的实时计算方法

Country Status (1)

Country Link
CN (1) CN109389826B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110379169B (zh) * 2019-03-21 2021-08-17 江苏智通交通科技有限公司 基于视频号牌设备的待转区车道饱和车头时距计算方法
CN110070734B (zh) * 2019-05-14 2022-01-28 东南大学 基于高斯混合模型的信号交叉口饱和车头时距估计方法
CN110865361B (zh) * 2019-11-29 2022-05-13 南京慧尔视智能科技有限公司 一种基于雷达数据的饱和车头时距检测方法
CN111028509B (zh) * 2019-12-19 2020-12-15 河北万方中天科技有限公司 交通饱和流量获取方法、装置及终端设备
CN111882860B (zh) * 2020-06-05 2022-03-04 阿波罗智联(北京)科技有限公司 车道调整方法和装置
CN112037508B (zh) * 2020-08-13 2022-06-17 山东理工大学 基于动态饱和流率的交叉口信号配时优化方法
CN113129594A (zh) * 2021-04-23 2021-07-16 武汉科技大学 一种基于卡口数据的交叉口饱和流率计算方法
CN113643531B (zh) * 2021-07-20 2022-09-20 东北大学 一种基于细小时区划分统计的交叉口车道饱和流率计算方法
CN114155724B (zh) * 2021-12-23 2022-11-22 连云港杰瑞电子有限公司 一种车联网环境下的交叉口交通信号控制方法
CN115116217B (zh) * 2022-05-26 2023-09-26 东北林业大学 车道饱和流率与启动损失时间的动态测算方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509456A (zh) * 2011-11-21 2012-06-20 青岛海信网络科技股份有限公司 饱和流量确定方法和装置
JP2012155769A (ja) * 2007-06-07 2012-08-16 Sumitomo Electric Ind Ltd 停止位置判定装置、方法及びコンピュータプログラム、並びに、交通指標算出装置、方法及びコンピュータプログラム
CN106846804A (zh) * 2017-03-03 2017-06-13 浙江大学 基于隐马尔科夫链的交叉口实时饱和流率估计方法
CN107564290A (zh) * 2017-10-13 2018-01-09 公安部交通管理科学研究所 一种城市道路交叉口饱和流率计算方法
CN107909825A (zh) * 2017-11-03 2018-04-13 浙江广信智能建筑研究院有限公司 一种高斯过程回归饱和流率检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012155769A (ja) * 2007-06-07 2012-08-16 Sumitomo Electric Ind Ltd 停止位置判定装置、方法及びコンピュータプログラム、並びに、交通指標算出装置、方法及びコンピュータプログラム
CN102509456A (zh) * 2011-11-21 2012-06-20 青岛海信网络科技股份有限公司 饱和流量确定方法和装置
CN106846804A (zh) * 2017-03-03 2017-06-13 浙江大学 基于隐马尔科夫链的交叉口实时饱和流率估计方法
CN107564290A (zh) * 2017-10-13 2018-01-09 公安部交通管理科学研究所 一种城市道路交叉口饱和流率计算方法
CN107909825A (zh) * 2017-11-03 2018-04-13 浙江广信智能建筑研究院有限公司 一种高斯过程回归饱和流率检测方法

Also Published As

Publication number Publication date
CN109389826A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
CN109389826B (zh) 一种信号交叉口饱和流率的实时计算方法
CN109191830B (zh) 一种基于视频图像处理的道路拥堵检测方法
CN108510758B (zh) 基于视频实时信息的城市快速路入口匝道信号控制方法
US20180336781A1 (en) Road traffic control system, method, and electronic device
CN108765981B (zh) 一种分车道实时排队长度预测方法
CN107204115B (zh) 干线车流停车率估计方法
CN107331170B (zh) 基于绿灯损失时间的交叉口信号配时评价方法及系统
CN107248296B (zh) 一种基于无人机和时序特征的视频交通流量统计方法
CN110070734B (zh) 基于高斯混合模型的信号交叉口饱和车头时距估计方法
CN108629971B (zh) 一种交通灯控制方法及最佳车速确定方法
CN106408554A (zh) 遗留物检测装置、方法和系统
CN105336169A (zh) 一种基于视频判断交通拥堵的方法和系统
CN108765985B (zh) 基于第一辆车辆到达的信号交叉口进口道延误计算方法
WO2020186764A1 (zh) 基于视频号牌设备的待转区车道饱和车头时距计算方法
CN109754598B (zh) 一种拥堵组团识别方法及系统
CN106846804A (zh) 基于隐马尔科夫链的交叉口实时饱和流率估计方法
CN103810854B (zh) 一种基于人工标定的智能交通参数检测方法
CN103413046A (zh) 车流量统计方法
CN109684986B (zh) 一种基于车辆检测跟踪的车辆分析方法及系统
CN111445700B (zh) 一种基于车牌识别数据的区域行停车辆的监测方法
CN111046773A (zh) 一种基于图像技术判定路面积滞水的方法
CN103778790B (zh) 一种基于视频序列的车流量方波统计法
WO2018209470A1 (zh) 一种车牌辨识方法和系统
CN109410608B (zh) 基于卷积神经网络的图片自学习交通信号控制方法
CN111524345A (zh) 一种车辆实时排队长度约束下多目标优化的感应控制方法

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