CN112562337A - 一种基于深度学习的高速公路实时交通事故风险评估方法 - Google Patents

Abstract

本发明公开一种基于深度学习的高速公路实时交通事故风险评估方法，该方法首先使用ETC门架、高速互通、收费站的基础信息，为高速公路划分路段，并建立路段间的上下游关联关系；并分别计算各路段的车流量、车流速度与车流密度，获取道路信息、气象信息和事故信息，并将其转换为独热编码，然后对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化；再根据获取的数据，区分其中的时序特征和非时序特征，构建并训练深度学习模型；最后根据训练好的深度学习模型，对高速公路各路段发生交通事故的风险水平进行实时评估，计算获得事故风险水平指标。本发明可及时准确地对高速公路交通事故风险水平进行评估。

Description

一种基于深度学习的高速公路实时交通事故风险评估方法

技术领域

本发明涉及智能交通技术领域，具体涉及一种基于深度学习的高速公路实时交通事故风险评估方法。

背景技术

高速公路作为连接重要城市和地区的骨干公路，在公路运输中发挥着不可替代的重要作用。交通事故是高速公路中导致道路拥堵，降低道路通行效率与安全性的根本原因，如何降低交通事故数是全球高速公路管理者面临的重大安全挑战。实时快速评估各道路的交通事故风险可以帮助预防交通事故的发生，提升道路安全水平，提高道路通行效率。当前，高速公路事故风险评估通常使用人工评估。然而，使用人工评估无法做到对不同路段的实时评估，人工评估存在时延较长与部分路段漏报现象。

目前，随着交通检测和信息技术的快速发展，ETC门架与高清视频卡口的全面覆盖，实时、准确、大量的交通流、天气以及事故数据越来越容易采集和获取。近年来，深度学习的快速发展也提供了拟合能力更强、准确性更高的模型。因此，使用包含道路信息、交通流、天气及历史事故数据，利用深度学习进行高速公路交通事故风险评估能够满足准确性和实时性的需求。本发明提出一种基于深度学习的高速公路实时交通事故风险评估方法，解决快速准确地评估高速公路事故风险水平的问题。

发明内容

针对高速公路的特点以及现有技术的不足，本发明提出一种基于深度学习的高速公路实时交通事故风险评估方法，旨在解决现有技术中高速公路交通事故风险评估一般通过人工评估，评估结果不及时、不准确，而且不能实现全路段实时交通事故风险评估的技术问题。

一种基于深度学习的高速公路实时交通事故风险评估方法，该方法具体包括如下步骤：

S1：根据高速公路中的ETC门架、高速互通、收费站，将高速公路划分为L个路段，并建立路段间的上下游关联关系；

S2：根据S1划分的路段，分别计算或者获取如下四类信息：

(1)获取高速公路上ETC门架与收费站的车辆通行数据，包括ETC门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间，并计算得到各路段的车流量、车流速度与车流密度；

(2)根据高速公路拓扑信息获取各路段的道路信息，包括路段类型、限速信息，并转化为独热编码；

(3)获取高速公路各路段的气象信息，包括天气类型、可见程度、湿度等级，并转化为独热编码；

(4)获取各路段历史发生的事故信息，包括事故等级、发生时间、发生地点，并将事故等级转化为独热编码；

S3：对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化；

S4：根据S3获得的数据，区分其中的时序特征和非时序特征，构建并训练深度学习模型；

S5：根据S4训练好的深度学习模型，对高速公路各路段发生交通事故的风险水平进行实时评估，计算获得事故风险水平指标。

进一步地，所述的S1具体通过以下步骤来实现：

对于高速公路中的ETC门架集合V，其中的ETC门架u_v∈V，若对于两个ETC门架u_α与u_β，车量可以从u_α出发到达u_β且不经过其他门架，则构成一个路段(u_α，u_β)∈A，若路段中包含高速互通，则路段为(u_α，u_β，c_αβ)∈A，c_αβ表示u_α与u_β之间的高速互通；若路段中包含收费站，则路段为(u_α，u_β，s_αβ)∈A，s_αβ表示u_α与u_β之间的收费站；其中A为路段的集合，最终构成有向图D＝(V，A)。

进一步地，所述的S2中的各路段的车流量、车流速度与车流密度计算方式如下：

获取高速公路上ETC门架与收费站的车辆通行数据，包括门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间，设定时间窗口t以及步长a，t≥a，获取路段距离d(u_α，u_β)，车道数为L(u_α，u_β)，每经过一个步长，对路段的车流量、车速、车流密度进行一次计算：

车速计算如下：

t时间窗口内，u_β检测到且曾经过u_α的车辆数为n，令第i个车辆通过路段(u_α，u_β)的时间αt_i，则路段间的车速为

车流量与车流密度计算如下：

若路段间不包含高速互通及收费站，则计算t时间窗口内经过u_α但不经过u_β的车辆数q_t,令车流量q＝q_t，令车流密度k＝q/L(u_α，u_β)；

若路段间包含高速互通，则计算t*10时间段内经过u_α的车辆数q_α，以及同时经过u_α，u_β的车辆数q_α，β；再计算t时间窗口内经过u_α但不经过以u_α为起点的其他路段的车辆数q_t，令车流量

令车流密度k＝q/L(u_α，u_β)；

若路段间包含收费站，则计算t*10时间段内经过收费站s_αβ的车辆数q_s，以及同时经过s_αβ、u_β的车辆数q_s，β；再计算t时间窗口内经过u_α但不经过以u_β以及s_αβ的车辆数q_t，以及经过s_αβ但不经过包含s_αβ的所有路段中其他节点的车辆数q_e，令车流量

令车流密度k＝q/L(u_α，u_β)。

进一步地，所述的S3具体通过以下子步骤来实现：

S3.1：根据S1，获取事故发生点的上游n个路段、下游m个路段在事故发生前i个步长的车流量、车速和密度，记为：

其中，

分别表示路段j在事故发生前第i个步长的车流量、车流速度与车流密度，j∈{U₁,…,U_n,D₁,…,D_n}，其他依次类推，并将所有数据组成为一个向量S_i，并令向量S＝[S₁,S₂,…]；

S3.2：根据S2，获取事故发生点上游n个路段、下游m个路段在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码并整合，记为：

其中，C_j表示路段j在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码，其他依次类推，并将所有路段数据组合成为一个向量C；

S3.3：融合向量S和向量C作为特征，以该路段发生事故的数据为正样本，未发生事故的数据为负样本，构建融合数据集；

S3.4：利用随机过采样，将所述的融合数据集作为总样本，从M个总样本中，随机的复制、重复正样本，最终取出N个样本，使得正样本和负样本的个数相同；

S3.5：对样本中的向量S的部分按如下公式进行标准化，得到均值为0，方差为1的数据

x_norm＝(x-μ)/σ

其中，μ为均值，σ为方差。

进一步地，所述的S4具体通过以下子步骤来实现：

S4.1：将S3中的特征区分为时序特征和非时序特征，时序特征为S3.5中标准化后的向量S，非时序特征为S3.2中的向量C；

S4.2：分别构建基于GRU的时序模块、全连接模块FC1、全连接模块FC2，设计模型损失函数为L2损失函数，优化器为Adam优化器；

所述的基于GRU的时序模块包括两层GRU模型，输入维度为H₁，输出维度为O₁，且该模块的输入为数据集中的向量S部分；

所述的全连接模块FC1包含2个全连接层，输入维度为H₂，输出维度为O₁，该模块的输入为数据集中的向量C部分；

所述的全连接模块FC2的模型层数为4层，隐藏层个数为2层，输入维度为2*O₁，输出维度为2；所述的基于GRU的时序模块和全连接模块FC1的输出的向量合并后作为所述的全连接模块FC2的输入；

S4.3：将S4.1中的时序特征输入基于GRU的时序模块，非时序特征输入全连接模块FC1，并训练深度学习模型使得损失函数最小，反复迭代直至模型收敛。

进一步地，所述的S5具体通过以下子步骤来实现：

S5.1：实时获取高速公路各个路段的车流量、车流速度、车流密度、天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级，构建各路段的数据向量D；

S5.2：将向量D输入S4中训练好的深度学习模型，并获得不同路段发生事故的概率p(u_α，u_β)，p(u_α，u_β)∈[0,1]，(u_α，u_β)∈A；

当p(u_α，u_β)∈[0,Th_low)时，定义风险程度为低风险，风险等级为零级；

当p(u_α，u_β)∈[Th_low,Th_median)时，定义风险程度为中风险，风险等级为一级；

当p(u_α，u_β)∈[Th_median,Th_high)时，定义风险程度为高风险，风险等级为二级；

当p(u_α，u_β)∈[Th_high,1]时，定义风险程度为极高风险，风险等级为三级；

其中，Th_low∈[0,1]，Th_median∈[0,1]，Th_high∈[0,1]，Th_low≤Th_median≤Th_high。

本发明的有益效果如下：

本发明的方法基于现有的高速公路道路拓扑数据、交通流数据、天气数据以及高速公路事故数据，无需安装新的设备，构建深度学习模型，实现及时准确地对高速公路事故风险水平进行评估，为道路安全管控、交通事故预防提供新的支撑手段，有效地提升道路安全水平和通行效率。

附图说明

图1为本发明方法的总体流程图。

图2为本发明涉及的道路路段分布示意图。

图3为本发明涉及的神经网络模型示意图。

具体实施方式

下面根据附图和优选实施例详细描述本发明，本发明的目的和效果将变得更加明白，应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明的基于深度学习的高速公路实时交通事故风险评估方法，包括如下步骤：

S1：根据高速公路中的ETC门架、高速互通、收费站，将其划分为L个路段，并建立路段间的上下游关联关系；

S2：根据S1所划分的路段，分别计算或者获取如下四类信息：

(1)获取高速公路上ETC门架与收费站的车辆通行数据，包括门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间，设定时间窗口t以及步长a，t≥a，获取路段距离d(u_α，u_β)，车道数为L(u_α，u_β)，每经过一个步长，对路段的车流量，车速，车流密度进行一次计算：

车速计算如下：

t时间窗口内，u_β检测到，且曾经过u_α的车辆数为n，令某车辆通过路段(u_α，u_β)的时间Δt_i，则路段间的车速为

令车流量与车流密度计算如下：

若路段间不包含高速互通及收费站，则计算t时间窗口内经过u_α但不经过u_β的车辆数q_t,令车流量q＝q_t，令车流密度k＝q/L(u_α，u_β)；

若路段间包含高速互通，则计算t*10时间段内经过u_α的车辆数q_α，以及同时经过u_α，u_β的车辆数q_α，β；再计算t时间窗口内经过v_α但不经过以v_α为起点的其他路段的车辆数q_t，令车流量

令车流密度k＝q/L(u_α，u_β)；

若路段间包含收费站，则计算t*10时间段内经过收费站s_αβ的车辆数q_s，以及同时经过s_αβ，u_β的车辆数q_s，β；再计算t时间窗口内经过u_α但不经过以v_β以及s_αβ的车辆数q_t，以及经过s_αβ但不经过包含s_αβ的所有路段中其他节点的车辆数q_e，令车流量

令车流密度k＝q/L(u_α，u_β)；

(2)根据高速公路拓扑信息获取道路信息，包括路段类型、限速信息，并转化为独热编码(one-hot)；所述的高速公路拓扑信息中，包含A种不同的路段类型、B种不同的限速类型，则将某路段的路段类型和限速类型分别转化为长度为A和B的独热编码，即，只有一位是1，其余都是零值。然后将两个独热编码合并为长度为A+B的向量。

以图2作为一个实施例，发生事故的区域，路段类型为A₃，限速类型为B₅，则转化后的独热编码分别为

[0,0,1,0,…,0]，长度为A；

[0,0,0,0,1,0,…,0]，长度为B；

合并后的向量为[0,0,1,0,…,0，0,0,0,0,1,0,…,0]，长度为A+B；

(3)获取高速公路气象信息，包括天气类型、可见程度、湿度等级，并转化为独热编码(one-hot)；所述的高速公路气象信息中，包含A种不同的天气类型、B种不同的可见程度以及C种不同的湿度等级，则将某路段的天气类型、可见长度和湿度分别转化为长度为A、B和C的独热编码，即，只有一位是1，其余都是零值。然后将两个独热编码合并为长度为A+B+C的向量。

以图2作为一个实施例，发生事故的区域，天气类型为A₁，可见程度为B₃，湿度等级为C₂，则转化后的独热编码分别为

[1,0,0,…,0]，长度为A；

[0,0,1,0,…,0]，长度为B；

[0,1,0,0,…,0]，长度为C；

合并后的向量为[1,0,0,…,0,0,1,0,…,0,1,0,0,…,0]，长度为A+B+C。

(4)获取历史发生的事故信息，包括事故等级，发生时间，发生地点等信息，并将事故等级转化为独热编码(one-hot)；所述的历史发生的事故信息中，包含A种不同的事故等级(包含无事故)、将某路段的事故等级分别转化为长度为A的独热编码，即，只有一位是1，其余都是零值。

以图2作为一个实施例，发生事故的区域，事故等级为A₂，则转化后的独热编码分别为[0,1,0,0,…,0]，长度为A。

S3：对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化；具体通过如下的子步骤来实现：

S3.1：根据S2，获取事故发生点的上游n个路段、下游m个路段在事故发生前i个步长的车流量、车流速度和车流密度，记为：

其中，

分别表示路段j在事故发生前第i个步长的车流量、车速和密度，j∈{U₁,…,U_n,D₁,…,D_n}，其他依次类推，并将所有数据组成为一个向量S_i，并令向量S＝[S₁,S₂,…]；

S3.2：根据S2，获取事故发生点上游n个路段、下游m个路段在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码并整合，记为：

其中，C_j表示路段j在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码，其他依次类推，并将所有路段数据组合成为一个向量C；

S3.3：融合向量S和向量C作为特征，以该路段发生事故的数据为正样本，未发生事故的数据为负样本，构建融合数据集；

S3.4：利用随机过采样，将所述的融合数据集作为总样本，从M个总样本中，随机的复制、重复正样本，最终取出N个样本，使得正样本和负样本的个数相同；

S3.5：对样本中的向量S的部分按如下公式进行标准化，得到均值为0，方差为1的数据

x_norm＝(x-μ)/σ

其中，μ为均值，σ为方差。

S4：根据S3获得的数据，区分其中的时序特征和非时序特征，构建并训练深度学习模型；具体如下：

S4.1：将S3中的特征区分为时序特征和非时序特征，时序特征为S3.5中标准化后的向量S，非时序特征为S3.2中的向量C

S4.2：分别构建基于GRU的时序模块、全连接模块FC1、全连接模块FC2，设计模型损失函数为L2损失函数，优化器为Adam优化器；如图3所示。

所述的基于GRU的时序模块包括两层GRU模型，输入维度为H₁，输出维度为128，且该模块的输入为数据集中的向量S部分；

所述的全连接模块FC1包含2个全连接层，输入维度为H₂，输出维度为128，该模块的输入为数据集中的向量C部分；

所述的全连接模块FC2的模型层数为4层，隐藏层个数为2层，输入维度为256，输出维度为2；所述的基于GRU的时序模块和全连接模块FC1的输出的向量合并后作为所述的全连接模块FC2的输入；

S4.3：训练深度学习模型使得损失函数最小，反复迭代直至模型收敛。

S5：根据S4训练好的深度学习模型，对高速公路各路段发生交通事故的风险水平进行实时评估，计算获得事故风险水平指标。具体通过以下子步骤来实现：

S5.1：实时获取高速公路各个路段的车流量、车流速度、车流密度、天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级，构建各路段的数据向量D；

S5.2：将向量D输入S3中训练好的深度学习模型，并获得不同路段发生事故的概率p(u_α，u_β)，p(u_α，u_β)∈[0,1]，(u_α，u_β)∈A；

当p(u_α，u_β)∈[0,Th_low)时，定义风险程度为低风险，风险等级为零级；

当p(u_α，u_β)∈[Th_low,Th_median)时，定义风险程度为中风险，风险等级为一级；

当p(u_α，u_β)∈[Th_median,Th_high)时，定义风险程度为高风险，风险等级为二级；

当p(u_α，u_β)∈[Th_high,1]时，定义风险程度为极高风险，风险等级为三级；

其中，Th_low∈[0,1]，Th_median∈[0,1]，Th_high∈[0,1]，Th_low≤Th_median≤Th_high。

本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (6)

1.一种基于深度学习的高速公路实时交通事故风险评估方法，其特征在于，该方法具体包括如下步骤：

S1：根据高速公路中的ETC门架、高速互通、收费站，将高速公路划分为L个路段，并建立路段间的上下游关联关系。

S2：根据S1划分的路段，分别计算或者获取如下四类信息：

(1)获取高速公路上ETC门架与收费站的车辆通行数据，包括ETC门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间，并计算得到各路段的车流量、车流速度与车流密度；

(2)根据高速公路拓扑信息获取各路段的道路信息，包括路段类型、限速信息，并转化为独热编码；

(3)获取高速公路各路段的气象信息，包括天气类型、可见程度、湿度等级，并转化为独热编码；

(4)获取各路段历史发生的事故信息，包括事故等级、发生时间、发生地点，并将事故等级转化为独热编码；

S3：对事故发生点的上下游路段对应的四类信息进行数据融合、数据重采样和标准化；

S4：根据S3获得的数据，区分其中的时序特征和非时序特征，构建并训练深度学习模型；

S5：根据S4训练好的深度学习模型，对高速公路各路段发生交通事故的风险水平进行实时评估，计算获得事故风险水平指标。

2.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法，其特征在于，所述的S1具体通过以下步骤来实现：

对于高速公路中的ETC门架集合V，其中的ETC门架u_v∈V，若对于两个ETC门架u_α与u_β，车量可以从u_α出发到达u_β且不经过其他门架，则构成一个路段(u_α，u_β)∈A，若路段中包含高速互通，则路段为(u_α，u_β，c_αβ)∈A，c_αβ表示u_α与u_β之间的高速互通；若路段中包含收费站，则路段为(u_α，u_β，s_αβ)∈A，s_αβ表示u_α与u_β之间的收费站；其中A为路段的集合，最终构成有向图D＝(V，A)。

3.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法，其特征在于，所述的S2中的各路段的车流量、车流速度与车流密度计算方式如下：

获取高速公路上ETC门架与收费站的车辆通行数据，包括门架或者收费站的编号与位置、经过车辆的车牌与车辆经过的时间，设定时间窗口t以及步长a，t≥a，获取路段距离d(u_α，u_β)，车道数为L(u_α，u_β)，每经过一个步长，对路段的车流量、车速、车流密度进行一次计算：

车速计算如下：

t时间窗口内，u_β检测到且曾经过u_α的车辆数为n，令第i个车辆通过路段(u_α，u_β)的时间Δt_i，则路段间的车速为

车流量与车流密度计算如下：

若路段间不包含高速互通及收费站，则计算t时间窗口内经过u_α但不经过u_β的车辆数q_t，令车流量q＝q_t，令车流密度k＝q/L(u_α，u_β)；

若路段间包含高速互通，则计算t*10时间段内经过u_α的车辆数q_α，以及同时经过u_α，u_β的车辆数q_α，β；再计算t时间窗口内经过u_α但不经过以u_α为起点的其他路段的车辆数q_t，令车流量

令车流密度k＝q/L(u_α，u_β)；

若路段间包含收费站，则计算t*10时间段内经过收费站s_αβ的车辆数q_s，以及同时经过s_αβ、u_β的车辆数q_s，β；再计算t时间窗口内经过u_α但不经过以u_β以及s_αβ的车辆数q_t，以及经过s_αβ但不经过包含s_αβ的所有路段中其他节点的车辆数q_e，令车流量

令车流密度k＝q/L(u_α，u_β)。

4.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法，其特征在于，所述的S3具体通过以下子步骤来实现：

S3.1：根据S1，获取事故发生点的上游n个路段、下游m个路段在事故发生前i个步长的车流量、车速和密度，记为：

其中，

分别表示路段j在事故发生前第i个步长的车流量、车流速度与车流密度，j∈{U₁，...，U_n，D₁，...，D_n}，其他依次类推，并将所有数据组成为一个向量S_i，并令向量S＝[S₁，S₂，...]；

S3.2：根据S2，获取事故发生点上游n个路段、下游m个路段在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码并整合，记为：

其中，C_j表示路段j在事故发生前的天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级的独热编码，其他依次类推，并将所有路段数据组合成为一个向量C；

S3.3：融合向量S和向量C作为特征，以该路段发生事故的数据为正样本，未发生事故的数据为负样本，构建融合数据集；

S3.4：利用随机过采样，将所述的融合数据集作为总样本，从M个总样本中，随机的复制、重复正样本，最终取出N个样本，使得正样本和负样本的个数相同；

S3.5：对样本中的向量S的部分按如下公式进行标准化，得到均值为0，方差为1的数据

x_norm＝(x-μ)/σ

其中，μ为均值，σ为方差。

5.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法，其特征在于，所述的S4具体通过以下子步骤来实现：

S4.1：将S3中的特征区分为时序特征和非时序特征，时序特征为S3.5中标准化后的向量S，非时序特征为S3.2中的向量C；

S4.2：分别构建基于GRU的时序模块、全连接模块FC1、全连接模块FC2，设计模型损失函数为L2损失函数，优化器为Adam优化器；

所述的基于GRU的时序模块包括两层GRU模型，输入维度为H₁，输出维度为O₁，且该模块的输入为数据集中的向量S部分；

所述的全连接模块FC1包含2个全连接层，输入维度为H₂，输出维度为O₁，该模块的输入为数据集中的向量C部分；

所述的全连接模块FC2的模型层数为4层，隐藏层个数为2层，输入维度为2*O₁，输出维度为2；所述的基于GRU的时序模块和全连接模块FC1的输出的向量合并后作为所述的全连接模块FC2的输入；

S4.3：将S4.1中的时序特征输入基于GRU的时序模块，非时序特征输入全连接模块FC1，并训练深度学习模型使得损失函数最小，反复迭代直至模型收敛。

6.根据权利要求1所述的基于深度学习的高速公路实时交通事故风险评估方法，其特征在于，所述的S5具体通过以下子步骤来实现：

S5.1：实时获取高速公路各个路段的车流量、车流速度、车流密度、天气类型、可见程度、湿度等级、路段类型、限速信息、事故等级，构建各路段的数据向量D；

S5.2：将向量D输入S4中训练好的深度学习模型，并获得不同路段发生事故的概率p(u_α，u_β)，p(u_α，u_β)∈[0，1]，(u_α，u_β)∈A；

当p(u_α，u_β)∈[0，Th_low)时，定义风险程度为低风险，风险等级为零级；

当p(u_α，u_β)∈[Th_low，Th_median)时，定义风险程度为中风险，风险等级为一级；

当p(u_α，u_β)∈[Th_median，Th_high)时，定义风险程度为高风险，风险等级为二级；

当p(u_α，u_β)∈[Th_high，1]时，定义风险程度为极高风险，风险等级为三级；

其中，Th_low∈[0，1]，Th_median∈[0，1]，Th_high∈[0，1]，Th_low≤Th_median≤Th_high。

Images