CN110867077B - 一种基于交通视频结构化数据质量控制的道路优化方法 - Google Patents

一种基于交通视频结构化数据质量控制的道路优化方法 Download PDF

Info

Publication number
CN110867077B
CN110867077B CN201911139292.6A CN201911139292A CN110867077B CN 110867077 B CN110867077 B CN 110867077B CN 201911139292 A CN201911139292 A CN 201911139292A CN 110867077 B CN110867077 B CN 110867077B
Authority
CN
China
Prior art keywords
data
license plate
flow
traffic
video
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
CN201911139292.6A
Other languages
English (en)
Other versions
CN110867077A (zh
Inventor
陈黎
张军民
陈庆安
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.)
Jiangsu Intellitrains Co ltd
Original Assignee
Jiangsu Intellitrains Co ltd
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 Jiangsu Intellitrains Co ltd filed Critical Jiangsu Intellitrains Co ltd
Publication of CN110867077A publication Critical patent/CN110867077A/zh
Application granted granted Critical
Publication of CN110867077B publication Critical patent/CN110867077B/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
    • G08G1/0125—Traffic data processing
    • G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7844—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using original textual content or text extracted from visual content or transcript of audio data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/70—Information retrieval; Database structures therefor; File system structures therefor of video data
    • G06F16/78—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/783—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G06F16/7847—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using low-level visual features of the video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
    • G06V20/625—License plates
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Library & Information Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于交通视频结构化数据质量控制的道路优化方法，包括依据车牌信息剔除错误数据、借助过车时间及车道编号剔除冗余数据、流量异常数据修复、结合道路设计通行能力进行道路优化。流量异常数据修正包括三步，其一，在二次筛选数据集基础上，结通行能力对流量进行控制；其二，借助图基平滑法构建合理动态流量阈值进行流量异常数据的识别；其三，基于历史数据或相邻检测器数据，借助多元线性回归对流量异常数据进行修正，得到有效数据集。本发明能够简单、高效地对交通视频结构化数据进行质量控制，避免噪声数据的干扰，可保障道路优化设计方案的准确性。

Description

一种基于交通视频结构化数据质量控制的道路优化方法
技术领域
本发明属于智能交通领域，涉及一种基于交通视频结构化数据质量控制的道路优化方法。
背景技术
随着城市的不断发展，机动车数量逐年攀升，对有限的城市空间造成了巨大的交通压力，为缓解当前各类交通问题，智能交通系统应运而生。所谓智能交通系统，就是将已有的信息、通信、控制以及传感等诸多技术进行高效率地集成并应用在交通运输系统当中，从而建立起能在大范围内发挥作用的、实时的、准确的交通信息系统。
高质量的动态交通信息反映了实时的交通运行状况及演变趋势，有利于管理部门及时制定更为高效的管理措施以保障交通运行的安全与顺畅。视频检测作为获得机动车交通信息的重要方式，是一种将视频图像和交通模式识别相结合的数据采集技术，通过视频结构化实现对车辆的识别、车辆特征的提取及运行轨迹的获取。目前，对于视频结构化数据的质量控制主要停留在视频结构化模型创新及硬件适应性研究两个方面，虽然这两方面的研究能够降低系统误差的存在，提升视频结构化数据的质量，但在实际的城市交通系统中，交通视频检测受设备故障、通讯故障、交通状态异常及天气异常等诸多随机因素的影响，易出现交通视频结构化数据存在随机误差，进而导致了数据的错误、冗余及异常等情况，大大削弱了视频检测系统的应用效果。对于交通视频结构化数据针对这些误差给交通视频结构化数据带来的异常，仍缺乏一套完整的、能够直接指导数据使用者实际工作的数据质量控制体系。
发明内容
本发明提供了一种能确保交通视频结构化数据的正确性、合理性，实现了对交通视频结构化数据中的错误数据、冗余数据、流量异常数据的修复，确保了交通视频结构化数据的质量，使得数据能够正确的反应真实的交通运行状况的基于交通视频结构化数据质量控制的道路优化方法，为交通管理、规划、设计部门制定有效的管控政策、交通规划、设计方案提供合理的数据支撑。
本发明的基于交通视频结构化数据质量控制的道路优化方法，包括以下步骤：
1)基于车牌号信息，识别并剔除原始视频结构化数据中的错误数据，得到初步筛选数据集；
2)在初步筛选数据集基础上，依据过车时间及车道编号，识别并剔除冗余数据，得到二次筛选数据集；
3)在二次筛选数据集基础上，基于道路通行能力对流量数据进行控制；
4)采用图基平滑法对异常流量数据进行识别，并依据多元线性回归对流量异常数据进行修复，得到有效数据集；
5)在有效数据集基础上，结合道路设计通行能力，进行道路优化。
进一步的，本发明方法中，所述原始视频结构化数据是借助视频结构化技术，对交通视频检测器采集到的车辆信息进行处理来获取的，每条数据包括过车时间、车牌号、车辆车道编号及车流量。
进一步的，本发明方法中，所述步骤1)中按照如下流程识别并剔除原始视频结构化数据中的错误数据：
1.1)判断车牌号字符长度是否等于8，若不等于8，则进入步骤1.2)，否则进入步骤1.4)；
1.2)判断车牌号字符长度是否等于6，若等于6，则将该车牌标记为“车牌未识别错误数据”，进入步骤1.4)，否则进入步骤1.3)；
1.3)判断车牌号字符中是否包含英文字母，若包含英文字母，则表明该车牌已被检测到，但车牌信息识别异常，将该车牌标记为“车牌字符长度异常错误数据”，进入步骤1.4)，否则将该车牌标记为“无牌或污损牌错误数据”，进入步骤1.4)；
1.4)判断是否遍历所有原始交通视频结构化数据，若未遍历所有数据则返回步骤1.1)对下一条数据进行判别，否则输出剔除“车牌未识别错误数据、车牌字符长度异常错误数据及无牌或污损牌错误数据”后的原始交通视频结构化数据，并将其作为初步筛选数据集。
进一步的，本发明方法中，所述步骤2)中按照如下流程识别并剔除冗余数据：
2.1)在初步筛选数据集中，将车道编号相同的过车数据按过车时间进行排序，某车道m包括Tm个过车时间，将其按时间顺序排列为
Figure BDA0002280466350000021
2.2)判断相邻过车时间是否相同，即
Figure BDA0002280466350000022
是否成立，若成立，则留下其中任意一组数据并将剩余数据标记为“冗余数据”，进入步骤2.3)，否则直接进入步骤2.3)，其中n为正整数，取值范围[1,Tm-1]；
2.3)判断是否遍历初步筛选数据集，若未遍历所有数据则返回步骤2.1)对下一条数据进行判别，否则输出剔除冗余数据后的初步筛选数据集，并将其作为二次筛选数据集。
进一步的，本发明方法中，所述步骤3)中按照如下流程对流量数据进行控制：
3.1)在二次筛选数据集中，以T为时间汇集度，统计第t个时段、经视频检测器i、车道j的车辆数qij(t)，并将其换算为标准流量
Figure BDA0002280466350000023
其中，Qij(t)表示第t时段、经视频检测器i、车道j的标准流量，T0为单位标准时间，取1小时，所述时间汇集度即每个时段的时长；
3.2)对视频检测器获取的标准流量数据按照下式进行控制：
Figure BDA0002280466350000031
Figure BDA0002280466350000032
为第t个时段、经视频检测器i、车道j的流量控制数据；
3.3)判断是否遍历所有二次筛选数据集，若未遍历所有数据则返回步骤3.1)对下一条数据进行判别，否则输出流量控制数据集。
进一步的，本发明方法中，所述步骤4)中按照如下流程对流量异常数据进行识别：
4.1)在流量控制数据集中取经视频检测器i、车道j、第t个时段四个相邻时段的流量数据
Figure BDA0002280466350000033
取其中位数构造一次平滑序列
Figure BDA0002280466350000034
4.2)取
Figure BDA0002280466350000035
的中位数构造二次平滑序列
Figure BDA0002280466350000036
4.3)令
Figure BDA0002280466350000037
构造三次平滑序列
Figure BDA0002280466350000038
4.4)计算
Figure BDA0002280466350000039
与
Figure BDA00022804663500000310
的均方根误差
Figure BDA00022804663500000311
其中N表示流量控制数据集的数据量；
4.5)获取第t个时段，经视频检测器i、车道j的最大流量估计阈值Qij(max)(t)、最小流量估计阈值Qij(min)(t)分别为：
Figure BDA00022804663500000312
4.6)若
Figure BDA00022804663500000313
则认为第t时段，经视频检测器i、车道j的流量控制数据异常，并将其记为
Figure BDA00022804663500000314
需要进行修正，否则认为该流量控制数据正常，并将其记为
Figure BDA00022804663500000315
无需进行修正。
进一步的，本发明方法中，所述步骤4)中根据下式对流量异常数据进行修正：
Figure BDA00022804663500000316
其中，Cij(t)为异常流量控制数据
Figure BDA00022804663500000317
修正后的值；
Figure BDA00022804663500000318
为视频检测器i在同一时段t、同一车道j采集的历史上M个正常流量控制数据，或视频检测器i前后相邻的M个视频检测器在同一时段t、同一车道j采集的正常流量控制数据；a0为常数项；a1,a2,...,aM为回归系数；e为随机误差。
本发明主要包含以下四个方面：
1)原始交通视频处理，获取原始视频结构化数据；2)依据车牌号信息建立错误数据检测方法，对原始视频结构化数据中的三类错误数据进行识别及剔除，获取初步筛选数据集；3)借助车道编号及过车时间建立冗余数据检测方法，对初步筛选数据集中的冗余数据进行识别及剔除以获取二次筛选数据集；4)在二次筛选数据集基础上，基于流量阈值，对二次筛选数据集进行流量控制，并基于图基平滑法对流量异常数据进行识别及修复，获取有效数据集。
本发明通过以下技术方案实现：第一方面，原始交通视频处理。原始交通数据为视频格式，需借助交通视频结构化技术实现关键数据的获取，它是一种已有的成熟理论，主要由视频图像采集系统以及图像处理系统两部分组成，图像采集系统用以拍摄车辆的视频图像，视频信号经过图像采集卡转化为数字视频文件并存储到计算机硬盘中，然后借助图像处理技术，在视频图像上设置检测区，当车辆进入检测区时，图像背景灰度值将发生变化，通过图像处理单元分析，即可获取原始交通视频结构化数据，每条数据包含机动车的过车时间、车牌号、车辆车道编号及车流量等关键属性。
第二方面，错误数据识别及剔除。依据车牌号信息建立错误数据的检测方法，定义三类错误数据，并剔除原始交通视频结构化数据中的错误数据以获取初步筛选数据集，方法如下：
Step 1判断车牌号字符长度是否等于8，若不等于8，则进入Step 2)，否则进入Step4；
Step 2判断车牌号字符长度是否等于6，若等于6，则将该车牌标记为“车牌未识别错误数据”，进入Step4，否则进入Step3；
Step 3判断车牌号字符中是否包含英文字母，若包含英文字母，则表明该车牌已被检测到，但车牌信息识别异常，将该车牌标记为“车牌字符长度异常错误数据”，进入Step4，否则将该车牌标记为“无牌或污损牌错误数据”，进入Step4；
Step 4判断是否遍历所有原始交通视频结构化数据，若未遍历所有数据则返回Step1对下一条数据进行判别，否则输出剔除“车牌未识别错误数据、车牌字符长度异常错误数据及无牌或污损牌错误数据”后的原始交通视频结构化数据，并将其称为初步筛选数据集。
第三方面，冗余数据识别及剔除。在初步筛选数据集的基础上，依据车道编号及过车时间建立冗余数据的识别方法，对初步筛选数据集中的冗余数据进行剔除以获取二次筛选数据集，方法如下：
Step 1在初步筛选数据集中，将车道编号相同的过车数据按过车时间进行排序，某车道m包括Tm个过车时间，将其按时间顺序排列为
Figure BDA0002280466350000041
Step 2判断相邻过车时间是否相同，即
Figure BDA0002280466350000051
是否成立，其中n为正整数，取值范围[1,Tm-1]，若成立，则留下其中任意一组数据并将剩余数据标记为“冗余数据”，进入Step3，否则直接进入Step3；
Step 3判断是否遍历初步筛选数据集，若未遍历所有数据则返回Step1对下一条数据进行判别，否则输出剔除冗余数据后的初步筛选数据集，并将其称为二次筛选数据集。
第四方面，在二次筛选数据集基础上，对流量超出数据进行控制、流量异常数据进行识别及修正，获取有效数据集。包括以下三个步骤：1)流量超出数据控制；2)流量异常数据识别；3)流量异常数据修正。
进一步地，流量超出控制是在二次筛选数据集基础上，依据车牌号、车道编号的不同，统计全天各时段经各视频检测器及车道的标准流量，并依据通行能力对标准流量值进行控制，方法如下：
Step 1流量获取。在二次筛选数据集中，以T为时间汇集度(也即每个时段的时长)，统计第t个时段、经视频检测器i、车道j的车辆数qij(t)，并将其换算为标准流量
Figure BDA0002280466350000052
其中，Qij(t)表示第t时段、经视频检测器i、车道j的标准流量，T0为单位标准时间，取1小时；
Step 2流量控制。对视频检测器获取的标准流量数据进行控制：
Figure BDA0002280466350000053
式中，
Figure BDA0002280466350000054
为第t个时段、经视频检测器i、车道j的流量控制数据；
Step 3判断是否遍历所有二次筛选数据集，若未遍历所有数据则返回Step1对下一条数据进行判别，否则输出流量控制数据集。
进一步地，流量异常数据识别是在流量控制数据集基础上，借助图基平滑法实现的，方法如下：Step 1在流量控制数据集中取经视频检测器i、车道j、第t个时段四个相邻时段的流量数据
Figure BDA0002280466350000055
取其中位数构造一次平滑序列
Figure BDA0002280466350000056
Step 2取
Figure BDA0002280466350000057
的中位数构造二次平滑序列
Figure BDA0002280466350000058
Step 3令
Figure BDA0002280466350000059
构造三次平滑序列
Figure BDA00022804663500000510
Step 4计算
Figure BDA0002280466350000061
与
Figure BDA0002280466350000062
的均方根误差
Figure BDA0002280466350000063
其中N表示流量控制数据集的数据量；
Step 5获取第t个时段，经视频检测器i、车道j的最大流量估计阈值Qij(max)(t)、最小流量估计阈值Qij(min)(t)分别为：
Figure BDA0002280466350000064
Step 6若
Figure BDA0002280466350000065
则认为第t时段，经视频检测器i、车道j的流量控制数据异常，并将其记为
Figure BDA0002280466350000066
需要进行修正，否则认为该流量控制数据正常，并将其记为
Figure BDA0002280466350000067
无需进行修正。
进一步地，流量异常数据修正是依据同一视频检测器在同一时段、同一车道的历史流量数据或相邻视频检测器在同一时段、同一车道的流量数据，构建多元线性回归方程进行修正的。对第t个时段，经视频检测器i、车道j的异常流量控制数据
Figure BDA0002280466350000068
可依据视频检测器i在同一时段t、同一车道j采集到的历史上M个正常流量控制数据，或视频检测器i前后相邻的M个视频检测器在同一时段t、同一车道j采集到的正常流量控制数据
Figure BDA0002280466350000069
构建多元线性回归方程对异常数据进行修正：
Figure BDA00022804663500000610
式中，Cij(t)为异常流量控制数据
Figure BDA00022804663500000611
修正后的值；a0为常数项；a1,a2,...,aM为回归系数；e为随机误差。
至此所有流量异常数据均得到了识别及修正，最终得到有效数据。
本发明具有以下有益效果：
本发明能够有效地提升交通视频结构化数据的质量，实现了对原始数据中车牌未识别数据、车牌字符长度异常数据及无牌或污损牌数据三类错误数据及冗余数据的高效率剔除。此外，本发明还依据图基平滑法对异常机动车流量数据进行了识别，并结合历史数据、临近视频检测器数据，构建了基于多元线性回归的流量异常数据修正模型，实现了流量异常数据的识别及修正，从而确保了所获数据符合实际交通流变化规律，可为交通管理、规划、设计部门制定有效的管控政策、交通规划、设计方案提供合理的数据支撑。
附图说明
图1为交通视频结构化数据质量控制总体流程图；
图2为视频错误交通数据检测流程图；
图3为视频冗余交通数据检测流程图；
图4为视频异常交通数据检测流程图；
图5为流量数据控制流程图；
图6为流量异常数据识别流程图；
图7为流量异常数据的修正流程图。
图8为交通视频结构化数据质量控制流程图。
具体实施方式
以下结合附图对本发明作进一步说明。
原始交通数据为视频格式，需借助交通视频结构化技术实现机动车过车时间、车牌号、车辆车道编号及车流量等关键数据的获取。交通视频结构化是一种将视频图像和交通模式识别相结的技术，主要由视频图像采集系统以及图像处理系统两部分组成，图像采集系统用以拍摄车辆的视频图像，视频信号经过图像采集卡转化为数字视频文件并存储到计算机硬盘中，然后借助图像处理技术，在视频图像上设置检测区，当车辆进入检测区时，图像背景灰度值将发生变化，通过图像处理单元分析，即可获取机动车数据，每条数据包含过车时间、车牌号、车辆车道编号及车流量等属性。
如图1所示，交通视频结构化数据的质量控制方法包括错误数据识别及剔除，冗余数据识别及剔除，流量超车数据控制、流量异常数据识别修正三个步骤。首先，基于车牌信息提出错误数据的检测方法，对原始数据中的三类错误数据进行识别及剔除以获取初步筛选数据集；然后，在初步筛选数据集的基础上，依据车道编号及过车时间建立冗余数据的检测方法，对初步筛选数据集中的冗余数据进行识别及剔除以获取二次筛选数据集；最后，在二次筛选数据集的基础上，基于流量阈值，对二次筛选数据集进行流量控制，基于图基平滑法对流量异常数据进行识别，基于多元线性回归对流量异常数据进行修复，获取有效数据集。
如图2所示，交通视频结构化数据的错误数据识别及剔除是依据车牌号信息建立错误数据检测方法实现的，通过该检测方法定义车牌未识别错误数据、车牌字符长度异常错误数据及无牌或污损牌错误数据三类错误数据，剔除原始交通视频结构化数据中的错误数据以获取初步筛选数据集，方法如下：
Step 1判断车牌号字符长度是否等于8，若不等于8，则进入Step 2)，否则进入Step4；
Step 2判断车牌号字符长度是否等于6，若等于6，则将该车牌标记为“车牌未识别错误数据”，进入Step4，否则进入Step3；
Step 3判断车牌号字符中是否包含英文字母，若包含英文字母，则表明该车牌已被检测到，但车牌信息识别异常，将该车牌标记为“车牌字符长度异常错误数据”，进入Step4，否则将该车牌标记为“无牌或污损牌错误数据”，进入Step4；
Step 4判断是否遍历所有原始交通视频结构化数据，若未遍历所有数据则返回Step1对下一条数据进行判别，否则输出剔除“车牌未识别错误数据、车牌字符长度异常错误数据及无牌或污损牌错误数据”后的原始交通视频结构化数据，并将其称为初步筛选数据集。初步筛选数据集确保了数据格式的正确性，但在数据中仍存在不符合实际情况的冗余数据。如图3所示，交通视频结构化数据的冗余数据识别及剔除是依据车道编号及过车时间建立冗余数据检测方法实现的，通过冗余数据的检测方法实现对冗余数据的识别，进而在初步筛选数据集中将冗余数据剔除以获取二次筛选数据集，方法如下：
Step 1在初步筛选数据集中，将车道编号相同的过车数据按过车时间进行排序，某车道m包括Tm个过车时间，将其按时间顺序排列为
Figure BDA0002280466350000081
Step 2判断相邻过车时间是否相同，即tm,n＝tm,n+1是否成立，其中n为正整数，取值范围[1,Tm-1]，若成立，则留下其中任意一组数据并将剩余数据标记为“冗余数据”，进入Step3，否则直接进入Step3；
Step 3判断是否遍历初步筛选数据集，若未遍历所有数据则返回Step1对下一条数据进行判别，否则输出剔除冗余数据后的初步筛选数据集，并将其称为二次筛选数据集。初步筛选数据集剔除了错误数据、二次筛选数据集剔除了冗余数据，一定程度上确保了交通数据的合理性，但交通视频结构化技术受光线、气候、建筑遮挡的影响较大，致使部分流量数据与实际情况差别较大，需依据流量时变规律构建对这部分流量异常数据进行修复。如图4所示，对流量数据的修复包含流量超出数据控制、流量异常数据识别及流量异常数据修正三个步骤。首先，在二次筛选数据集基础上借助通行能力阈值实现流量超出数据的控制；然后，借助图基平滑法计算合理流量窗，依据合理流量窗进行流量异常数据的识别；最后，依据同一视频检测器在同一时段、同一车道的历史数据或相邻视频检测器在同一时段、同一车道的流量数据，通过多元线性回归对流量异常数据进行修复。一般而言，道路的通行能力有限，因此实际流量不应超过道路的容量，将超出容量的流量数据视为流量超出数据进行控制。如图5所示，流量的控制是在二次筛选数据集的基础上，依据车牌号、车道编号的不同，统计全天各时段经各视频检测器及车道的标准流量，并依据通行能力对标准流量值进行控制，方法如下：
Step 1流量获取。在二次筛选数据集中，以T为时间汇集度(也即每个时段的时长)，统计第t个时段、经视频检测器i、车道j的车辆数qij(t)，并将其换算为标准流量
Figure BDA0002280466350000082
其中，Qij(t)表示第t时段、经视频检测器i、车道j的标准流量，T0为单位标准时间，取1小时；
Step 2流量控制。对视频检测器获取的标准流量数据进行控制：
Figure BDA0002280466350000091
式中，
Figure BDA0002280466350000092
为第t个时段、经视频检测器i、车道j的流量控制数据；
Step 3判断是否遍历所有二次筛选数据集，若未遍历所有数据则返回Step1对下一条数据进行判别，否则输出流量控制数据集。
如图6所示，流量异常数据的识别以流量控制数据集为基础，首先借助图基平滑法确定各时段的合理流量窗，然后将各视频检测器、各车道的流量控制数据与对应的合理流量窗进行匹配，，对于不在合理流量窗的数据，即可认定为流量异常数据，流量异常数据的识别方法如下：
Step 1在流量控制数据集中取经视频检测器i、车道j、第t个时段四个相邻时段的流量数据
Figure BDA0002280466350000093
取其中位数构造一次平滑序列
Figure BDA0002280466350000094
Step 2取
Figure BDA0002280466350000095
的中位数构造二次平滑序列
Figure BDA0002280466350000096
Step 3令
Figure BDA0002280466350000097
构造三次平滑序列
Figure BDA0002280466350000098
Step 4计算
Figure BDA0002280466350000099
与
Figure BDA00022804663500000910
的均方根误差
Figure BDA00022804663500000911
其中N表示流量控制数据集的数据量；
Step 5获取第t个时段，经视频检测器i、车道j的最大流量估计阈值Qij(max)(t)、最小流量估计阈值Qij(min)(t)分别为：
Figure BDA00022804663500000912
Step 6若
Figure BDA00022804663500000913
则认为第t时段，经视频检测器i、车道j的流量控制数据异常，并将其记为
Figure BDA00022804663500000914
需要进行修正，否则认为该流量控制数据正常，并将其记为
Figure BDA00022804663500000915
无需进行修正。
如图7所示，流量异常数据修正是依据同一视频检测器在同一时段、同一车道的历史流量数据或相邻视频检测器在同一时段、同一车道的流量数据，构建多元线性回归方程进行修正的：
Figure BDA00022804663500000916
式中，
Figure BDA0002280466350000101
为第t时段，经视频检测器i、车道j的异常流量控制值；Cij(t)为异常流量控制数据
Figure BDA0002280466350000102
修正后的值；
Figure BDA0002280466350000103
为视频检测器i在同一时段t、同一车道j采集到的历史上M个正常流量控制数据，或视频检测器i前后相邻的M个视频检测器在同一时段t、同一车道j采集到的正常流量控制数据；a0为常数项；a1,a2,...,aM为回归系数；e为随机误差。
通过对流量控制数据集中流量异常数据的识别及修正，即可得到交通视频结构化的有效数据集。通过交通视频结构化数据的质量控制，剔除了车牌信息错误的数据，确保了数据的正确性；剔除了相同车辆出现多次记录的冗余数据，精简了数据量；修正了不符合交通流演变规律的流量数据，确保了数据的合理性。通过最终获取的有效数据集可为交通管控措施的制定提供了科学的数据支撑，避免了异常数据造成的干扰、冗余数据带来的庞大工作量。
在城市路段布设交通视频监控实现交通视频的获取，借助已有的视频结构化方法对视频进行处理以获取原始视频结构化数据，结合前述质量控制方法获取的有效数据集，可进行高效合理的道路优化设计，避免了噪声数据带来的干扰，确保了方案的正确性。本发明方法中可以采用如下方法进行道路优化：
Step 1在给定需要进行道路优化设计的路段，依据道路等级、车道数，结合规范获取道路设计通行能力值；
Step 2将道路设计通行能力与有效数据集中各流向的流量进行对比，若某通行方向的设计通行能力大于其流量，则无需进行道路优化；若通行能力小于流量，则现有道路不能满足通行需求，需要进行优化设计，其中，设计通行能力根据规范确定，表示给定服务水平下的道路通行能力；
Step 3对于需要进行优化设计的道路，若有效数据集中各通行方向的流量均大于其设计通行能力，则进入Step8，否则进入Step4；
Step 4将设计通行能力大于流量的通行方向称为次流量方向，计算其剩余通行能力，并将剩余通行能力与单个车道的设计通行能力做比，获取剩余的车道数，其中，剩余通行能力为设计通行能力与流量的差值。将流量大于设计通行能力的通行方向称为主流量方向，计算其过载流量，并将过载流量与单个车道的设计通行能力做比，获取需要扩宽的车道数，其中，过载流量为流量与设计通行能力的差值；
Step 5对于需要进行优化设计的道路，若其为存在潮汐交通或往返方向流量存在差异大的路段，则进入Step6；否则进入Step7；
Step 6若次流量方向剩余车道数大于主流量方向所需扩宽车道数，则将次流量方向内侧的车道划分给主流量方向，划分给对向车道数等于主流量方向所需扩宽车道数。否则，将次流量方向内侧的车道划分给主流量方向，划分给对向车道数等于次流量方向剩余车道数，并对主流量方向进行车道拓宽，拓宽车道数量为主流量方向所需扩宽车道数与次流量方向剩余车道数的差值；
Step 7此时表明需要对主流量的通行方向进行车道拓宽，拓宽车道数量为主流量方向所需扩宽车道数；
Step 8此时表明各通行方向均需要进行车道拓宽。取有效数据集中各通行方向的流量与设计通行能力的差值，将该差值与单个车道的设计通行能力做比，获取各通行方向所需拓宽的车道数。
本发明的主要发明点和创新在于得到交通视频结构化的有效数据集。上述Step 1至Step8对道路进行优化的步骤是现有常规技术手段，本发明的优化方法除了采用这一方式进行道路优化过程外，还可以采用其他现有已知的方法，只要能实现道路优化即可。
最后应说明的是：尽管就本发明方法进行了示意和描述，但本领域的技术人员应当理解，只要不超出本发明的权利要求所限定的范围，可以对本发明进行各种变化和修改，这些对本发明权利要求进行改进的技术方案，均落入本发明的保护范围。

Claims (4)

1.一种基于交通视频结构化数据质量控制的道路优化方法，其特征在于，该方法包括以下步骤：
1)基于车牌号信息，识别并剔除原始视频结构化数据中的错误数据，得到初步筛选数据集，所述原始视频结构化数据是借助视频结构化技术，对交通视频检测器采集到的车辆信息进行处理来获取的，每条数据包括过车时间、车牌号、车辆车道编号及车流量，所述错误数据包括“车牌未识别错误数据、车牌字符长度异常错误数据及无牌或污损牌错误数据”三类；
2)在初步筛选数据集基础上，依据过车时间及车道编号，识别并剔除冗余数据，得到二次筛选数据集；
3)在二次筛选数据集基础上，基于道路通行能力，按照如下流程对流量数据进行控制：
3.1)在二次筛选数据集中，以T为时间汇集度，统计第t个时段、经视频检测器i、车道j的车辆数qij(t)，并将其换算为标准流量
Figure FDA0003353852210000011
其中，Qij(t)表示第t时段、经视频检测器i、车道j的标准流量，T0为单位标准时间，取1小时，所述时间汇集度即每个时段的时长；
3.2)对视频检测器获取的标准流量数据按照下式进行控制：
Figure FDA0003353852210000012
Figure FDA0003353852210000013
为第t个时段、经视频检测器i、车道j的流量控制数据；
3.3)判断是否遍历所有二次筛选数据集，若未遍历所有数据则返回步骤3.1)对下一条数据进行判别，否则输出流量控制数据集；
4)采用图基平滑法对异常流量数据进行识别，并依据多元线性回归，根据下式对流量异常数据进行修复，得到有效数据集：
Figure FDA0003353852210000014
其中，Cij(t)为异常流量控制数据
Figure FDA0003353852210000015
修正后的值；
Figure FDA0003353852210000016
为视频检测器i在同一时段t、同一车道j采集的历史上M个正常流量控制数据，或视频检测器i前后相邻的M个视频检测器在同一时段t、同一车道j采集的正常流量控制数据；a0为常数项；a1,a2,...,aM为回归系数；e为随机误差；
5)在有效数据集基础上，结合道路设计通行能力，进行道路优化。
2.根据权利要求1所述的基于交通视频结构化数据质量控制的道路优化方法，其特征在于，所述步骤1)中按照如下流程识别并剔除原始视频结构化数据中的错误数据：
1.1)判断车牌号字符长度是否等于8，若不等于8，则进入步骤1.2)，否则进入步骤1.4)；
1.2)判断车牌号字符长度是否等于6，若等于6，则将该车牌标记为“车牌未识别错误数据”，进入步骤1.4)，否则进入步骤1.3)；
1.3)判断车牌号字符中是否包含英文字母，若包含英文字母，则表明该车牌已被检测到，但车牌信息识别异常，将该车牌标记为“车牌字符长度异常错误数据”，进入步骤1.4)，否则将该车牌标记为“无牌或污损牌错误数据”，进入步骤1.4)；
1.4)判断是否遍历所有原始交通视频结构化数据，若未遍历所有数据则返回步骤1.1)对下一条数据进行判别，否则输出剔除“车牌未识别错误数据、车牌字符长度异常错误数据及无牌或污损牌错误数据”后的原始交通视频结构化数据，并将其作为初步筛选数据集。
3.根据权利要求1所述的基于交通视频结构化数据质量控制的道路优化方法，其特征在于，所述步骤2)中按照如下流程识别并剔除冗余数据：
2.1)在初步筛选数据集中，将车道编号相同的过车数据按过车时间进行排序，某车道m包括Tm个过车时间，将其按时间顺序排列为
Figure FDA0003353852210000021
2.2)判断相邻过车时间是否相同，即tm,n＝tm,n+1是否成立，若成立，则留下其中任意一组数据并将剩余数据标记为“冗余数据”，进入步骤2.3)，否则直接进入步骤2.3)，其中n为正整数，取值范围[1,Tm-1]；
2.3)判断是否遍历初步筛选数据集，若未遍历所有数据则返回步骤2.1)对下一条数据进行判别，否则输出剔除冗余数据后的初步筛选数据集，并将其作为二次筛选数据集。
4.根据权利要求1、2或3所述的基于交通视频结构化数据质量控制的道路优化方法，其特征在于，所述步骤4)中按照如下流程对流量异常数据进行识别：
4.1)在流量控制数据集中取经视频检测器i、车道j、第t个时段四个相邻时段的流量数据
Figure FDA0003353852210000022
取其中位数构造一次平滑序列
Figure FDA0003353852210000023
4.2)取
Figure FDA0003353852210000024
的中位数构造二次平滑序列
Figure FDA0003353852210000025
4.3)令
Figure FDA0003353852210000031
构造三次平滑序列
Figure FDA0003353852210000032
4.4)计算
Figure FDA0003353852210000033
与
Figure FDA0003353852210000034
的均方根误差
Figure FDA0003353852210000035
其中N表示流量控制数据集的数据量；
4.5)获取第t个时段，经视频检测器i、车道j的最大流量估计阈值Qij(max)(t)、最小流量估计阈值Qij(min)(t)分别为：
Figure FDA0003353852210000036
4.6)若
Figure FDA0003353852210000037
则认为第t时段，经视频检测器i、车道j的流量控制数据异常，并将其记为
Figure FDA0003353852210000038
需要进行修正，否则认为该流量控制数据正常，并将其记为
Figure FDA0003353852210000039
无需进行修正。
CN201911139292.6A 2018-12-03 2019-11-20 一种基于交通视频结构化数据质量控制的道路优化方法 Active CN110867077B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811466718 2018-12-03
CN2018114667184 2018-12-03

Publications (2)

Publication Number Publication Date
CN110867077A CN110867077A (zh) 2020-03-06
CN110867077B true CN110867077B (zh) 2022-06-21

Family

ID=69655102

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911139292.6A Active CN110867077B (zh) 2018-12-03 2019-11-20 一种基于交通视频结构化数据质量控制的道路优化方法

Country Status (1)

Country Link
CN (1) CN110867077B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111553517A (zh) * 2020-04-17 2020-08-18 平安科技（深圳）有限公司 道路优化方法、系统、终端及计算机可读存储介质
CN111695300A (zh) * 2020-06-12 2020-09-22 国网山东省电力公司电力科学研究院 一种汽轮机阀门流量拟合方法及系统
CN111899515B (zh) * 2020-09-29 2021-01-19 深圳市城市交通规划设计研究中心股份有限公司 一种基于智慧道路边缘计算网关的车辆检测系统
US20220189294A1 (en) * 2020-12-10 2022-06-16 Argo AI, LLC Data integrity verification and misbehavior detection and reporting of connected vehicles through smart infrastructure

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034350B (zh) * 2009-09-30 2012-07-25 北京四通智能交通系统集成有限公司 交通流数据短时预测方法及系统
CN102982678B (zh) * 2012-11-28 2015-04-01 青岛海信网络科技股份有限公司 交通数据信息服务系统及实现交通数据信息服务的方法
CN102968901B (zh) * 2012-11-30 2014-11-26 青岛海信网络科技股份有限公司 获取区域拥堵信息的方法及区域拥堵分析装置
CN103971520B (zh) * 2014-04-17 2015-11-18 浙江大学 一种基于时空相关性的交通流量数据恢复方法

Also Published As

Publication number Publication date
CN110867077A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN110867077B (zh) 一种基于交通视频结构化数据质量控制的道路优化方法
EP3349200A1 (en) Method and device for processing traffic road information
WO2017157119A1 (zh) 一种车辆异常行为的识别方法及装置
US20120166080A1 (en) Method, system and computer-readable medium for reconstructing moving path of vehicle
CN110751828A (zh) 一种路段拥堵测量方法、装置、计算机设备及存储介质
CN109213755A (zh) 一种基于时空序列的交通流数据清洗与修复方法
CN110222041A (zh) 一种基于张量恢复的交通数据清洗方法
CN117173913B (zh) 基于不同时段车流量分析的交通控制方法及系统
CN108460481A (zh) 基于循环神经网络的无人机侦察目标演变规律预测方法
CN110598758A (zh) 训练建模方法、车辆收费方法、管理系统及存储介质
CN109830101A (zh) 一种基于异常微波交通数据修复的拥堵区域识别方法
CN111833594A (zh) 车流量预测方法、装置、电子设备及存储介质
CN116109986A (zh) 一种基于激光雷达和视频技术互补的车辆轨迹提取方法
CN114463684A (zh) 一种面向城市高速路网的堵点检测方法
CN117935561A (zh) 一种基于北斗数据的智能交通流分析方法
CN111815973A (zh) 信号交叉口分析方法及相关设备
CN110991442B (zh) 一种高速公路车牌云端高精准识别方法
CN108229473A (zh) 车辆年检标签检测方法及装置
CN116758762A (zh) 基于大数据的控制方法
CN109344903B (zh) 基于车载感知数据的城市道路路面故障实时检测方法
CN114037834A (zh) 一种基于振动信号和rgb图像融合的语义分割方法及装置
CN113781469A (zh) 基于yolo改进模型的安全头盔佩戴检测的方法及系统
CN117079197A (zh) 一种智慧工地管理方法及系统
CN108509576B (zh) 一种基于电子地图的巡查轨迹错误点位的过滤优化方法
CN116580370A (zh) 一种针对道路试验车图像信息的抽帧方法和系统

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