CN109544909B - 基于航拍视频车辆轨迹的驾驶员换道行为分析方法 - Google Patents

基于航拍视频车辆轨迹的驾驶员换道行为分析方法 Download PDF

Info

Publication number
CN109544909B
CN109544909B CN201811264926.6A CN201811264926A CN109544909B CN 109544909 B CN109544909 B CN 109544909B CN 201811264926 A CN201811264926 A CN 201811264926A CN 109544909 B CN109544909 B CN 109544909B
Authority
CN
China
Prior art keywords
vehicle
lane
data
track
headway
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
CN201811264926.6A
Other languages
English (en)
Other versions
CN109544909A (zh
Inventor
万千
彭国庆
李志斌
刘倩倩
胡静
梁启宇
陈信强
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.)
Southeast University
Guilin University of Electronic Technology
Original Assignee
Hualan Design Group Co ltd
Southeast University
Guilin University of Electronic Technology
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 Hualan Design Group Co ltd, Southeast University, Guilin University of Electronic Technology filed Critical Hualan Design Group Co ltd
Priority to CN201811264926.6A priority Critical patent/CN109544909B/zh
Publication of CN109544909A publication Critical patent/CN109544909A/zh
Application granted granted Critical
Publication of CN109544909B publication Critical patent/CN109544909B/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
    • G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
    • 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
    • G06T7/20—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
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • G08G1/0125—Traffic data processing
    • 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
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/30181—Earth observation
    • 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
    • G06T2207/30236—Traffic on road, railway or crossing
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于航拍视频车辆轨迹的驾驶员换道行为分析方法，利用图像跟踪技术，对无人机高空航拍所采集到的车辆运动视频数据进行提取和处理，进而通过数据拟合、坐标系的映射和转换，获得相应的运动轨迹图、沿车道方向的位移时空图和垂直于车道方向的车道偏离波动图。本发明提出的车辆轨迹处理和转化方法的能高效、便捷、准确的处理提取出的视频中的车辆轨迹，对基于轨迹分析的相关交通现象与驾驶员特性的研究与存在重要意义。

Description

基于航拍视频车辆轨迹的驾驶员换道行为分析方法
技术领域
本发明涉及交通现象研究分析和计算机先进技术应用领域，针对快速道路由于车辆频繁变道行为引起的拥堵排队和交通事故等常发现象，基于航拍视频的图像跟踪提取技术，提出一种处理车辆轨迹数据以利用该数据进行交通现象与驾驶员换道行为研究的方法。
背景技术
随着城市交通拥堵问题日益突出，有不少学者注意到车辆的车道变换行为对交通运行带来的影响，并将其和交通拥堵联系起来。当交通量较少时，车道变换能使得高速车辆与低速车辆分离行驶，驾驶员通过车道变换能获得期望的空间与速度，并且能提高道路利用率，增加通行能力；当交通量较大时，可变道的条件较差，个别驾驶员强制性的变换车道易引起局部（附近几辆车）的跟驰状态发生震荡，进而甚至引起整个车队的交通拥挤或堵塞，极大影响交通流的运行状态。
在交通流理论研究领域，基于轨迹做分析的方法类型已较为丰富，但对轨迹采集与提取的方式，较为参差与落后。现普遍采用美国的NGSIM的轨迹数据作为研究基础，但众所周知，各国各地区的驾驶员特性与交通环境不同，基于此所做的研究结果难免在实际应用上存在出入。因此，亟待找到一种高效、符合实际状况和精准度高的轨迹提取和分析方法以解决上述问题。在国内，与传统的采用北斗/GPS双模定位方式对车辆进行位置定位以及车载摄像头进行运动跟拍录像不同，本发明利用了航拍视频提取的车辆轨迹与上述方法相比，具有一些典型的、更优越的特征：①航拍拍摄空间范围更广，可覆盖区域面积更大，可提取数百米的车辆轨迹；②俯拍视角更为清晰和稳定，不受如车辆间的遮挡等干扰；③车辆运动轨迹数据精度更高；④相比于基于GPS数据采集的轨迹，航拍视频更能反映出实际交通状况，利于观察交通拥堵的演变过程，基于此采集的轨迹更有研究价值。
在发明方法中，通过利用航拍与计算机图像跟踪技术，进而提取车辆轨迹以探索换道过程中换道前后的规律和特征，从车头时距和车头间距进行分析，对实际工程建设与交通管理、车辆换道研究和智慧交通运输系统等具有一定指导意义。
发明内容
发明目的：为了克服现有轨迹获取技术及分析方法中存在的不足，本发明提供一种基于航拍视频车辆轨迹的驾驶员换道行为分析方法，解决了因现有采集方法对车辆轨迹的提取和处理分析存在局限与难点，简化了轨迹数据处理分析过程，提高了交通流相关现象的研究效率，提供了基于分析车辆轨迹的一种研究交通现象和驾驶员驾驶特性变化特征的方法。
为解决上述技术问题，本发明采用的技术方案是：
一种基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：包括车辆轨迹跟踪提取阶段和轨迹数据处理与分析阶段，具体包含以下步骤：
（1）利用无人机对需要研究的路段或匝道出入口进行高空航拍录像；
（2）将无人机航拍录像拷贝到电脑，通过轨迹跟踪提取技术对视频中的车辆进行轨迹数据提取；
（3）采用数据拟合与可视化软件对原始数据直接进行拟合获得车辆实际运动轨迹图（X-Y图）；
（4）再利用坐标系转换与映射法对原始轨迹数据进行修正与处理，涉及的计算模型及步骤如下：
步骤一：
Figure 12687DEST_PATH_IMAGE002
其中，Xn-1与Xn值为车辆分别在两个时刻的实际位置的X（tn-1与tn为对应的时刻），该式计算出的L为在一段时间间隔内车辆实际移动的空间位移。时间间隔取值不大于1秒，依据实验具体情况进行取值，当时间间隔取值较大时，会对道路与水平X轴的夹角影响较大，故在取值时应做严谨分析考虑。一般的视频每秒为25帧左右，一般取5帧、10帧、15或者20帧甚至25帧为一个单位，也就是1/5秒、2/5秒，看不同交通状态，一般取5帧或者10帧为一个时间单位。但是因为有实验误差或者错误数据等情况，同时每一帧车辆移动距离实在太小，扩大位移距离，可以剔除错误数据。
步骤二：
Figure DEST_PATH_IMAGE004
其中，θ1为L与虚拟坐标系水平X轴的夹角，即tanθ1为L的斜率。
步骤三：
Figure DEST_PATH_IMAGE006
其中，θ2为时间间隔（tn- tn-1）内实际道路（无论是否换道）与虚拟坐标系水平X轴的夹角，即tanθ2为实际道路的斜率。通过融合密集采样与数据拟合法，获得实际道路的拟合曲线函数Y(x)；
Figure DEST_PATH_IMAGE008
为其对应的一阶导函数，X(2n-1)/2为Xn-1与Xn的中点坐标（Xn-1与Xn的适宜间距需针对特定情况进行考究）。
步骤四：θ3=θ1-θ2
其中，θ3为实际位移L与实际道路的相对夹角，即车辆实际运动轨迹偏离原车道的角度（若不换道则
Figure DEST_PATH_IMAGE010
）。
步骤五：
其中，△X为实际位移L在沿车道方向上的投影，即沿车道方向移动的实际距离，若不换道，则
Figure DEST_PATH_IMAGE012
；△Y为实际位移L在车道垂直方向上的投影，及偏离车道的振幅，若不换道，则
Figure DEST_PATH_IMAGE014
。至此，原始数据的转换处理工作完成。
（5）数据拟合与可视化软件将处理后的数据直接进行拟合，可获得车辆沿车道方向的位移轨迹图（
Figure DEST_PATH_IMAGE016
图）和车辆偏离车道方向的波动振幅图（
Figure DEST_PATH_IMAGE018
图），详细过程如下：
将所有处理后的△Xi和△Yi直接导入数据拟合与可视化软件中，以相应的时间间隔T为横轴坐标，
Figure DEST_PATH_IMAGE020
值或△Yi为纵轴坐标，生成相应曲线图，可获得车辆沿车道方向的位移轨迹图（
Figure DEST_PATH_IMAGE021
图）和车辆偏离车道方向的波动振幅图（Yi-T图）。
（6）确定变道行为发生时，原车道上的后车预判时间点（P1）、变道车辆的插入时间点（P2）、变道完成后松弛过程结束的时间点（P3），一般插车变道行为包含三辆车作为一个研究样本，通过上述计算过程生成三辆车各自的轨迹，并组合至一张图表里，详细过程如下：
在
Figure DEST_PATH_IMAGE023
图和
Figure DEST_PATH_IMAGE024
图中，将前车标号为1号车，变道（插入）车辆为2号车，在原车道上跟随前车（1号车）的车辆为3号车。P1为3号车即将开始偏离理想轨迹线（预判到2号车即将有可能插入从而减速）的时间点；P2为2号车变道（插入1、3号车所在的车道）的时间点；P3为2、3车之间的间距逐渐拉大至稳定距离的时间点。
（7）由上述三个时间点可以确定变道前后目标车辆间的车头时距与车头间距具体数值，以及可以计算其变化情况。进一步利用一元（多元）线性回归分析、配对T检验处理变道前后的车头时距与车头间距，对数据进行挖掘和对比，详细过程如下：
从该目标轨迹数据的开始记录时刻至P1时刻定义为“插车前”，从P3至记录结束定义为“插车完成后”。相应的，t1和d1（t2和d2、t3和d3）是插车前（完成后）1、3（1、2车和2、3）号车之间的车头时距和车头间距轨迹。并计算P1前的车头时距和车头间距的平均值
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
用于后续分析。
将t1、t2和t3（d1、d2和d3）进行两辆线性组合，进行一元（多元）线性回归分析以及配对T检验，找出数据之间的相关性与显著性。
（8）研究和对比处理后的数据，带入现有模型进行分析变道行为对驾驶员驾驶特性的影响，并得出研究结果：
①本发明以一元线性回归分析为研究方法，分别采用带入现有模型，构建车头时距和车头间距的一次函数来进行驾驶员特性分析、讨论和研究。
②对插车前后的车头时距进行配对T检验，以探索前后车头时距的相关性和差异显著性，车头间距也采用同样的做法。通过相关性与差异显著性研究变道行为对车头时距t与车头间距d的影响程度，并通过t和d的变化状况，分析驾驶员特性。
数据拟合与可视化软件采用Excel、Python、MATLAB或VB中的任一种或多种结合。
本申请的轨迹跟踪提取技术实现方法：可通过MATLAB或其他处理软件先对视频进行处理，将视频转化为相应帧数的图像。在图像中，程序先对图像进行灰度处理，变成单色以排除跟踪过程中的色彩的干扰，然后进行人工设定检测区域，程序将对进入区域的车辆自动跟踪，由此一个该固定大小的窗口（被跟踪的目标含在该窗口中）在原始标记的位置从所输入图像中被程序（例如通过MATLAB编程）裁剪出来。除了所标记的窗口里的内容之外，在程序的运行中不进行窗口外的特征提取。本质上讲，先通过训练一个跟踪器，然后用此跟踪器去跟踪下一帧的车，并且用跟踪的目标车辆对当前跟踪器进行反馈和重新训练，得到新的跟踪器，再用新的跟踪器对下一帧图像中的目标车辆进行跟踪标记，由此重复直至跟踪完目标车辆的所有帧数。通过傅立叶变换，把图像帧转换为频率数值，利用共轭矩阵性质，加快跟踪器的训练速度。
窗口是通过的评估方程来实现跟踪目标定位的，并找到包含跟踪目标的最大相似区域，从而进行准确跟踪。利用已有的循环矩阵理论，提出了一个基于傅里叶分析的方法，它为快速傅里叶变换提供了极快学习和检测的可能性，这可以在核机器的双重空间中快速地实现，就像线性分类器一样。由此产生的跟踪器实现了与最先进的性能相媲美的性能，只需几行代码就可以实现，每秒运行数百帧。
与现有技术相比，本发明的积极效果是：
1、本发明通过利用无人机高空航拍的视野广度、清晰度与图像识别跟踪技术的准确度和便利度，有利克服了固定于路侧的摄像头、车载摄像头、GPS信号定位等方式对车辆轨迹采集提取的时空局限性和复杂性。
2、本发明将提取的车辆轨迹数据通过数据拟合与计算分析，为换道行为、跟驰行为和驾驶员特性变化等相关交通流领域研究提供了丰富可靠的数据，提高了交通现象研究分析的简约度与权威度，为符合当地交通现象的数据库建立提供了重要方法，对智慧交通、车辆自动驾驶辅助与无人驾驶等交通新科技的应用具有重要意义。
3、与传统的采用北斗/GPS双模定位方式对车辆进行位置定位以及车载摄像头进行运动跟拍录像不同，本发明利用了航拍视频提取的车辆轨迹与上述方法相比，具有一些典型的、更优越的特征：①航拍摄空间范围更广，可覆盖区域面积更大；②俯拍视角更为清晰和稳定，不受如车辆间的遮挡等干扰；③车辆运动轨迹数据精度更高；④航拍视频更能反映出交通状况变化过程。
4、本发明提出的车辆轨迹处理方法能更高效且更精准地将车辆行驶轨迹数据进行处理并拟合出来，填补了快速路交织区车辆轨迹数据的采集与研究方面的空缺。最后，利用轨迹数据对快速路交织区驾驶员特性进行分析与研究：可根据研究需求结合相应的机器学习方法和交通流等模型，并对数据采用分类、检验和线性回归拟合分析等方法，对交通流参数进行深度处理和分析，可获得换道前后驾驶员特性改变的特征与影响。
附图说明
图1为一种基于航拍视频车辆轨迹的驾驶员换道行为分析方法流程图；
图2 为航拍所需研究路段或匝道口示意图；
图3为所实验道路线型拟合曲线；
图4为具体研究案例中某组样本的实际三车辆运动轨迹拟合曲线；
图5为利用采集的车辆运动数据进行坐标系转换与映射分析方法的示意图；
图6为样本案例经转换和映射后的沿车道方向行驶的轨迹图（
Figure 556539DEST_PATH_IMAGE021
图）；
图7为样本案例经转换和映射后的垂直于车道方向的车辆偏离波动图（Yi-T）；
图8为研究案例的车道示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一种基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：包括车辆轨迹跟踪提取阶段和相应轨迹数据处理与分析阶段，具体包含以下步骤：
（1）利用无人机对需要研究的路段或匝道出入口等进行高空拍摄（如图2）；
航空摄像数据采集。如图2，采用无人机航拍方式，对典型交通瓶颈区域进行高空视频拍摄，基于视频对于瓶颈附近交通流运行特征进行分析，并为后续轨迹提取与交通流定量分析提供素材。同时可为详细的道路几何参数勘测与设计提供基础资料。
（2）通过融合密集采样与数据拟合法，对所研究实际道路路段进行线性化处理，并得到实际道路曲线函数Y（x），从而得相对应的一阶导函数
Figure DEST_PATH_IMAGE029
，如图3。
（3）将获得的三辆车的轨迹数据直接导入数据拟合与可视化软件中，以在图像中水平移动X值为横轴坐标，Y值为纵轴坐标，生成相应曲线图，可以重现所跟踪的三辆车在所录视频视角中的实际运动轨迹（如图4）。
（4）利用坐标系转换与映射法对原始轨迹数据进行修正与处理，涉及的计算模型及步骤如下（图5）：
步骤一：
Figure 889431DEST_PATH_IMAGE002
其中，Xn-1与Xn值为车辆分别在两个时刻的实际位置的X（tn-1与tn为对应的时刻），该式计算出的L为在一段时间间隔内车辆实际移动的空间位移。时间间隔依据实验具体情况进行取值，当时间间隔取值较大时，会对道路与水平X轴的夹角影响较大，故在取值时应做严谨分析考虑。
步骤二：
Figure 234962DEST_PATH_IMAGE004
其中，θ1为L与虚拟坐标系水平X轴的夹角，即tanθ1为L的斜率。
步骤三：
Figure DEST_PATH_IMAGE030
其中，θ2为时间间隔（tn- tn-1）内实际道路（无论是否换道）与虚拟坐标系水平X轴的夹角，即tanθ2为实际道路的斜率。通过融合密集采样与数据拟合法，获得实际道路的拟合曲线函数Y(x)；
Figure DEST_PATH_IMAGE031
为其对应的一阶导函数，X(2n-1)/2为Xn-1与Xn的中点坐标（Xn-1与Xn的适宜间距需针对特定情况进行考究）。
步骤四：θ3=θ1-θ2
其中，θ3为实际位移L与实际道路的相对夹角，即车辆实际运动轨迹偏离原车道的角度（若不换道则
Figure 900167DEST_PATH_IMAGE010
）。
步骤五：
Figure DEST_PATH_IMAGE033
其中，△X为实际位移L在沿车道方向上的投影，即沿车道方向移动的实际距离，若不换道，则
Figure DEST_PATH_IMAGE034
；△Y为实际位移L在车道垂直方向上的投影，及偏离车道的振幅，若不换道，则
Figure DEST_PATH_IMAGE035
。至此，原始数据的转换处理工作完成。
（5）运用数据拟合与可视化软件将处理后的数据直接进行拟合，可获得车辆沿车道方向的位移轨迹图（
Figure DEST_PATH_IMAGE036
图）和车辆偏离车道方向的波动振幅图（Yi-T图），详细过程如下（图6和图7）：
将所有处理后的△Xi和△Yi直接导入数据拟合与可视化软件中，以相应的时间间隔T为横轴坐标，值或△Yi为纵轴坐标，生成相应曲线图，可获得车辆沿车道方向的位移轨迹图（
Figure 839305DEST_PATH_IMAGE016
图）和车辆偏离车道方向的波动振幅图（Yi-T图）。
下面以交通流领域的换道（插车）行为研究作为示范，结合具体实施实例对本发明作更进一步的说明：
（1）航拍某路段大约300米，道路几何结构主要分为4个断面（图7），断面1和3为主线，2（4）为入口（出口）匝道断面。通过无人机进行录像时间为17：00，录制时长为15min，晴天。在本次录制的视频中，可得到各断面流量（经换算为高峰小时流量）如下表：
表1 某路段各断面流量统计表
Figure DEST_PATH_IMAGE038
通过视频，可以看到入口处主线交通量约为3336veh/h，匝道约为3072veh/h；出口处主线交通量约为2550veh/h，匝道约为3048veh/h。
表2 各断面间交错行驶流量统计表
Figure DEST_PATH_IMAGE040
通过清点断面1至4与2至3方向的车流量，可看到一个在入口处主线与匝道交汇的车流量大小，根据获得的数据，可以判断交汇车辆较多，并结合实际状况，可定性分析该入口处交汇状况较严重，对实际的交通管制与工程改造具有一定的启发性；
（2）通过融合密集采样与数据拟合法，沿着道路密集取点，将数据导入数据拟合与可视化软件中，通过曲线拟合，可获得对应曲线函数Y（x）和相对应的一阶导函数
Figure DEST_PATH_IMAGE041
，得到图3；
（3）将获得的三辆车的轨迹数据（即为坐标点集）直接导入数据拟合与可视化软件中，以在图像中水平移动X值为横轴坐标，Y值为纵轴坐标，拟合生成相应曲线图4；
图4显示的为本案例中某组样本的三辆车实际行驶路线的轨迹图，图中“变道位置”为2车插入的时间点，由于1、3车始终位于同一个车道上因此其轨迹为重合的一条线。
（4）通过坐标系转换与映射法，采用前述计算模型，图5为计算内容示意图，根据前述步骤计算每辆车每个时刻的△X和△Y；
（5）运用数据拟合与可视化软件将处理后的数据直接进行拟合，可获得车辆沿车道方向的位移轨迹图（
Figure DEST_PATH_IMAGE042
图，即图6）；车辆偏离车道方向的波动振幅图（Yi-T图，即图7）；
图6显示的为本案例中某组样本的三辆车沿车道方向行驶轨迹图，图7为偏离车道方向的波动振幅图。在该组中，2车的预判开始时间点（P1）约为13.4s，2车插入的时间点（P2）约为18.9s，松弛结束的时间点（P3）约为22.3s。即预判时间（△P1P2）为5.5s，松弛时间（△P2P3）为3.4s。
最后，还可以获得其他组的插车行为发生前后的车头间距、车头时距与松弛时间等参数，列于下表：
表3
Figure DEST_PATH_IMAGE044
对这些数据结合试验数据检验与处理，进行配对T检验对两组数据的差异显著性和相关性进行对比分析，单元（多元）回归性拟合以进行数据的方差和离散程度的分析，检验拥堵路段和匝道交织区泊松到达车辆的换道特性分析等，以得出插车行为对两车间车头时距和车头间距的变化情况，进而分析换道行为对局部以及区域车队产生的影响，包括对驾驶员特性的变化情况。本案例提取了部分样本进行分析，若当数量足够多时，采用此方法可以建立相应的数据库。
以上所述仅是本发明的研究案例实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：包括车辆轨迹跟踪提取阶段和轨迹数据处理与分析阶段，具体包含以下步骤：
（1）利用无人机对需要研究的路段或匝道出入口进行高空航拍录像；
（2）将无人机航拍录像拷贝到电脑，通过轨迹跟踪提取技术对视频中的车辆进行轨迹数据提取；
（3）采用数据拟合与可视化软件对原始数据直接进行拟合获得车辆实际运动轨迹图；
（4）再利用坐标系转换与映射法对原始轨迹数据进行修正与处理，涉及的计算模型及步骤如下：
步骤一：
Figure 471844DEST_PATH_IMAGE001
其中，Xn-1与Xn值为车辆分别在两个时刻的实际位置的X，tn-1与tn为对应的时刻，Yn-1与Yn值为车辆分别在两个时刻的实际位置的Y，tn-1与tn为对应的时刻，该式计算出的L为在一段时间间隔内车辆实际移动的空间位移，时间间隔取值不大于1秒，依据实验具体情况进行取值，当时间间隔取值较大时，会对道路与水平X轴的夹角影响较大；
步骤二：
Figure 185722DEST_PATH_IMAGE002
其中，θ1为L与虚拟坐标系水平X轴的夹角，即tanθ1为L的斜率；
步骤三：
Figure DEST_PATH_IMAGE003
其中，θ2为时间间隔“tn- tn-1”内实际道路与虚拟坐标系水平X轴的夹角，即tanθ2为实际道路的斜率；通过融合密集采样与数据拟合法，获得实际道路的拟合曲线函数Y(x)；Y′(x)为其对应的一阶导函数，X(2n-1)/2为Xn-1与Xn的中点坐标；
步骤四：θ3=θ1-θ2
其中，θ3为实际位移L与实际道路的相对夹角，即车辆实际运动轨迹偏离原车道的角度，若不换道则
Figure 106405DEST_PATH_IMAGE004
；
步骤五：△X=L*cosθ3 △Y=L*sinθ3
其中，△X为实际位移L在沿车道方向上的投影，即沿车道方向移动的实际距离，若不换道，则
Figure 298352DEST_PATH_IMAGE005
；△Y为实际位移L在车道垂直方向上的投影，及偏离车道的振幅，若不换道，则
Figure 847145DEST_PATH_IMAGE006
；至此，原始数据的转换处理工作完成；
（5）数据拟合与可视化软件将处理后的数据直接进行拟合，可获得车辆沿车道方向的位移轨迹图和车辆偏离车道方向的波动振幅图；
（6）确定变道行为发生时，原车道上的后车预判时间点“P1”、变道车辆的插入时间点“P2”、变道完成后松弛过程结束的时间点“P3”，插车变道行为包含三辆车作为一个研究样本，通过上述计算过程生成三辆车各自的轨迹，并组合至一张图表里；
（7）由上述三个时间点P1、P2和P3确定变道前后目标车辆间的车头时距与车头间距具体数值，以及可以计算其变化情况，进一步利用一元或多元线性回归分析、配对T检验处理变道前后的车头时距与车头间距，对数据进行挖掘和对比；
（8）研究和对比处理后的数据，带入现有模型进行分析变道行为对驾驶员驾驶特性的影响，并得出研究结果。
2.根据权利要求1所述的基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：所述第（3）点的实现过程如下：
数据拟合与可视化软件以在图像中水平移动X值为横轴坐标，Y值为纵轴坐标，生成相应曲线图，能重现所跟踪的目标在所录视频视角中的实际运动轨迹。
3.根据权利要求1所述的基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：所述第（4）点中步骤五实现过程如下：
将所有处理后的△Xi和△Yi直接导入Excel中，以相应的时间间隔T为横轴坐标，
Figure 341711DEST_PATH_IMAGE007
值或每个时刻的Yi为纵轴坐标，生成相应曲线图，可获得车辆沿车道方向的位移轨迹图和车辆偏离车道方向的波动振幅图。
4.根据权利要求1所述的基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：所述第（6）点的实现过程如下：
在车辆沿车道方向的位移轨迹图和车辆偏离车道方向的波动振幅图的图中，将前车标号为1号车，变道或插入的车辆为2号车，在原车道上跟随1号车的车辆为3号车；P1为3号车即将开始偏离理想轨迹线的时间点；P2为2号车变道的时间点；P3为2号车与3号车之间的间距逐渐拉大至稳定距离的时间点。
5.根据权利要求1所述的基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：所述第（7）点的实现过程如下：
从该目标轨迹数据的开始记录时刻至P1时刻定义为“插车前”，从P3至记录结束定义为“插车完成后”；相应的，t1和d1，t2和d2，t3和d3分别是插车前1号车、3号车，1号车、2号车和2号车、3号车之间的车头时距和车头间距轨迹；并计算P1前的车头时距和车头间距的平均值
Figure 139903DEST_PATH_IMAGE008
和
Figure 73224DEST_PATH_IMAGE009
用于后续分析；
将t1和d1，t2和d2，t3和d3分别进行两辆线性组合，进行一元或多元线性回归分析以及配对T检验，找出数据之间的相关性与显著性。
6.根据权利要求1所述的基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：所述第（8）点的研究结果包括以下结论：
①本发明以一元线性回归分析为研究方法，分别采用带入现有模型，构建车头时距和车头间距的一次函数来进行驾驶员特性分析、讨论和研究；
②对插车前后的车头时距进行配对T检验，以探索前后车头时距的相关性和差异显著性，车头间距也采用同样的做法；通过相关性与差异显著性研究变道行为对车头时距t与车头间距d的影响程度，并通过t和d的变化状况，分析驾驶员换道特性。
7.根据权利要求1所述的基于航拍视频车辆轨迹的驾驶员换道行为分析方法，其特征在于：所述数据拟合与可视化软件采用Excel、Python、MATLAB或VB中的任一种或多种结合。
CN201811264926.6A 2018-10-29 2018-10-29 基于航拍视频车辆轨迹的驾驶员换道行为分析方法 Active CN109544909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811264926.6A CN109544909B (zh) 2018-10-29 2018-10-29 基于航拍视频车辆轨迹的驾驶员换道行为分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811264926.6A CN109544909B (zh) 2018-10-29 2018-10-29 基于航拍视频车辆轨迹的驾驶员换道行为分析方法

Publications (2)

Publication Number Publication Date
CN109544909A CN109544909A (zh) 2019-03-29
CN109544909B true CN109544909B (zh) 2021-06-04

Family

ID=65845165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811264926.6A Active CN109544909B (zh) 2018-10-29 2018-10-29 基于航拍视频车辆轨迹的驾驶员换道行为分析方法

Country Status (1)

Country Link
CN (1) CN109544909B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110299027B (zh) * 2019-07-12 2021-12-14 山东交通学院 基于轨迹数据和地图数据的车辆变道监测与安全预警方法
CN110705484B (zh) * 2019-10-08 2023-05-02 弈人（上海）科技有限公司 利用行车轨迹识别连续变更车道违法行为的方法
CN110728842B (zh) * 2019-10-23 2021-10-08 江苏智通交通科技有限公司 基于路口车辆合理行驶范围的异常行驶预警方法
CN110853377B (zh) * 2019-11-15 2021-08-10 东南大学 基于车头时距的公路车辆换道模型标定与决策方法及装置
CN110874578B (zh) * 2019-11-15 2023-06-20 北京航空航天大学青岛研究院 一种基于强化学习的无人机视角车辆识别追踪方法
CN111833598B (zh) * 2020-05-14 2022-07-05 山东科技大学 一种高速公路无人机交通事件自动监测方法及系统
CN111611918B (zh) * 2020-05-20 2023-07-21 重庆大学 基于航拍数据和深度学习的交通流数据集采集及构建方法
CN111968373A (zh) * 2020-08-27 2020-11-20 哈尔滨工业大学 一种改扩建高速公路交通控制区的换道特性确定方法
CN114413912A (zh) * 2022-01-30 2022-04-29 重庆长安汽车股份有限公司 隧道内辅助车辆定位的车载导航系统及导航方法
CN115935000B (zh) * 2023-02-24 2023-06-30 广东瑞恩科技有限公司 一种物联网数据智能存储方法及系统
CN117994987B (zh) * 2024-04-07 2024-06-11 东南大学 基于目标检测技术的交通参数提取方法及相关装置

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622886B (zh) * 2012-03-23 2014-04-30 长安大学 一种基于视频的车辆违章变道事件检测方法
US9218739B2 (en) * 2012-05-14 2015-12-22 Ford Global Technologies, Llc Method for analyzing traffic flow at an intersection
CN103942960B (zh) * 2014-04-22 2016-09-21 深圳市宏电技术股份有限公司 一种车辆变道检测方法及装置
US9766625B2 (en) * 2014-07-25 2017-09-19 Here Global B.V. Personalized driving of autonomously driven vehicles
CN105206052B (zh) * 2015-09-21 2018-05-11 张力 一种驾驶行为分析方法及设备
US10019805B1 (en) * 2015-09-29 2018-07-10 Waymo Llc Detecting vehicle movement through wheel movement
CN106845364B (zh) * 2016-12-28 2020-06-09 中国航天电子技术研究院 一种快速自动目标检测方法

Also Published As

Publication number Publication date
CN109544909A (zh) 2019-03-29

Similar Documents

Publication Publication Date Title
CN109544909B (zh) 基于航拍视频车辆轨迹的驾驶员换道行为分析方法
CN112700470B (zh) 一种基于交通视频流的目标检测和轨迹提取方法
CN105513349B (zh) 基于双视角学习的山区高速公路车辆事件检测方法
DE102011117585B4 (de) Systeme und Verfahren zum Verfolgen von Objekten
CN107563256A (zh) 辅助驾驶信息产生方法及装置、辅助驾驶系统
CN104050818B (zh) 基于目标跟踪和特征点匹配的运动车辆测速方法
CN105761494B (zh) 基于无人机的异常交通信息采集方法
CN111845787A (zh) 一种基于lstm的换道意图预测方法
DE102014212702B4 (de) Vorrichtung und verfahren zum erkennen eines fahrumfeldes eines fahrzeugs
CN114926984B (zh) 一种实时交通冲突收集与道路安全评价方法
CN106372619A (zh) 一种车辆鲁棒检测及分车道到达累计曲线估计方法
Beck et al. Automated vehicle data pipeline for accident reconstruction: New insights from LiDAR, camera, and radar data
Amrutsamanvar et al. Extraction and analysis of microscopic traffic data in disordered heterogeneous traffic conditions
CN115273005A (zh) 一种基于改进yolo算法的视觉导航车环境感知方法
Zheng Developing a traffic safety diagnostics system for unmanned aerial vehicles usingdeep learning algorithms
Luo et al. A statistical method for parking spaces occupancy detection via automotive radars
Zaki et al. Comprehensive safety diagnosis using automated video analysis: Applications to an urban intersection in Edmonton, Alberta, Canada
JP3235322U (ja) 交通方向転換量調査レポート自動生成システム
US20220172606A1 (en) Systems and Methods for Extracting Data From Autonomous Vehicles
CN115798207A (zh) 基于LiDAR点云的信号交叉口追尾冲突识别方法
CN114241373A (zh) 一种端到端的车辆行为检测方法、系统、设备及存储介质
CN110956072B (zh) 一种基于大数据分析的驾驶技能培训方法
Jensen et al. A framework for automated traffic safety analysis from video using modern computer vision
Hassan et al. ChattSpeed: Toward a New Dataset for Single Camera Visual Speed Estimation for Urban Testbeds
Zhao et al. Decision mechanism of vehicle autonomous lane change based on rough set theory

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20190514

Address after: No. 39 Huadong Road, Nanning City, Guangxi Zhuang Autonomous Region, 530011

Applicant after: Hualan (Group) Co. Ltd.

Applicant after: Guilin University of Electronic Technology

Applicant after: Southeast University

Address before: No. 39 Huadong Road, Nanning City, Guangxi Zhuang Autonomous Region, 530011

Applicant before: Hualan (Group) Co. Ltd.

GR01 Patent grant
GR01 Patent grant