CN112926387B - 一种基于全景影像的慢行交通评估方法 - Google Patents
一种基于全景影像的慢行交通评估方法 Download PDFInfo
- Publication number
- CN112926387B CN112926387B CN202110092908.XA CN202110092908A CN112926387B CN 112926387 B CN112926387 B CN 112926387B CN 202110092908 A CN202110092908 A CN 202110092908A CN 112926387 B CN112926387 B CN 112926387B
- Authority
- CN
- China
- Prior art keywords
- bicycle
- index
- road
- slow
- facilities
- 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
- 238000000034 method Methods 0.000 title claims description 20
- 238000010276 construction Methods 0.000 claims abstract description 9
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000013135 deep learning Methods 0.000 claims abstract description 7
- 238000003709 image segmentation Methods 0.000 claims abstract description 6
- 238000013461 design Methods 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000002955 isolation Methods 0.000 claims description 12
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000011161 development Methods 0.000 abstract description 2
- 230000018109 developmental process Effects 0.000 abstract description 2
- 238000007726 management method Methods 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000001737 promoting effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
- G06V20/38—Outdoor scenes
- G06V20/39—Urban scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/20081—Training; Learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Multimedia (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于全景影像的慢行交通评价方法,利用全景相机获取慢行交通全景影像数据;对慢行交通全景影像轨迹数据进行预处理;通过深度学习算法实现慢行交通全景影像的目标检测和图像分割;获得慢行交通全景影像多种目标,获取慢行交通设施种类、位置、长度、面积、数量、准确率等数据;针对自行车和行人分别计算便捷、安全、舒适指数;针对自行车和行人分别加权计算综合指数;加权计算慢行交通综合指数,对城市慢行交通设施设计建设与改造进行优化调整,改善城市交通。本发明有利于为城市管理部门、城市交通规划与设施建设提供技术参考依据,为大众提供优质的慢行交通出行环境,进而促进城市居民出行生态化和城市交通系统的可持续发展。
Description
技术领域
本发明涉及智能交通系统技术领域,特别是涉及一种基于全景影像的慢行交通评估方法。
背景技术
步行与自行车出行是绝大多数中小城市最普遍的出行方式,21世纪初慢行交通的概念引入国内。虽部分中小城市已编制慢行交通规划,但到目前为止慢行者仍处于基本安全缺乏保障阶段。在中小城市慢行出行仍面临出行基数大、问题多、规划不到位的难题。随着机动化交通带来的问题日趋严重,上海、武汉、杭州等城市陆续开展了慢行交通系统规划,由此也促进了慢行交通系统的理论研究。由于我国慢行交通的研究尚处于初级阶段,目前主要集中在系统规划策略及规划方法层面,缺乏一套系统的评价标准。
在数据采集方面,因传统的数据采集依靠问卷调研与测量等手段,采集效率低,实时性差,采集数据较为粗略,仅能反映一定情况。但是,随着高质量慢行交通的发展以及大数据、深度学习算法的出现,使建成环境与慢行交通数据容易获取,以“”
因此,亟需设计一种新的基于全景影像的慢行交通评估方法,其可兼顾评估或估算的精度和效率,同时有助于全面、一致地对区域内不同地区的区域交通可达性进行对比评估或研究,帮助做出更好的公共决策。构建“以人为本”的慢行空间,支撑人行道净化行动。
发明内容
本发明要解决的技术问题是为了克服现有技术缺乏,能够兼顾精度和效率,同时能够针对区域慢行交通可达性进行评估或研究的系统性方法的缺陷,提出一种新的基于全景影像的慢行交通评估方法。
本发明是通过采用下述技术方案来解决上述技术问题的:
本发明提供了一种基于全景影像的慢行交通评估方法,其中研究的区域存在多个集中区比如城市和城镇,其特点在于,所述评估方法包括:
步骤一、对慢行交通全景影像轨迹数据进行预处理;
步骤二、通过深度学习算法实现慢行交通全景影像的目标检测和图像分割;
步骤三、获得慢行交通全景影像多种目标,获取慢行交通设施种类、位置、长度、面积、数量、准确率等数据;
步骤四、针对自行车和行人分别计算便捷、安全、舒适指数;
步骤五、针对自行车和行人分别加权计算综合指数;
步骤六、根据S5、S6中计算出的自行车和行人便捷、安全、舒适指数加权计算慢行交通综合指数,对城市慢行交通设施设计建设与改造进行优化调整,改善城市交通。
在符合本领域常识的基础上,上述各优选条件,可任意组合,即得本发明各较佳实例。
本发明的积极进步效果在于:
根据本发明的基于全景影像的慢行交通评估方法,其可兼顾评估或估算的精度和计算效率,能够有助于高效、全面、一致地对区域内不同地区的区域慢行交通环境进行对比评估或研究,帮助做出更好的公共决策,例如,帮助综合考虑慢行交通设施的衔接并发现改善区域慢行交通环境的可行途径等。因此,在区域交通、国土空间以及城市慢行交通等规划和管理中具有广泛的应用前景。
附图说明
图1为根据本发明优选实施例的基于全景影像的慢行交通评估方法的流程示意图。
具体实施方式
下面结合说明书附图,进一步对本发明的优选实施例进行详细描述,以下的描述为示例性的,并非对本发明的限制,任何的其他类似情形也都将落入本发明的保护范围之中。
在以下的具体描述中,方向性的术语,例如“左”、“右”、“上”、“下”、“前”、“后”等,参考附图中描述的方向使用。本发明各实施例中的部件可被置于多种不同的方向,方向性的术语是用于示例的目的而非限制性的。
为便于理解下文对于例举的本发明的实施方式的说明和描述,现对于下文涉及的术语、变量做定义或说明如下,其中部分变量的定义仅出于便于理解下文说明中涉及的公式。并且,应当理解的是,下述定义或说明应做说明性而非限制性的理解。
一种基于全景影像的慢行交通评价方法,其特征在于,包括以下步骤:
S1、对慢行交通全景影像轨迹数据进行预处理;
S2、通过深度学习算法实现慢行交通全景影像的目标检测和图像分割;
S3、获得慢行交通全景影像多种目标,获取慢行交通设施种类、位置、长度、面积、数量、准确率等数据;
S4、针对自行车和行人分别计算便捷、安全、舒适指数;
S5、针对自行车和行人分别加权计算综合指数;
S6、根据S5、S6中计算出的自行车和行人便捷、安全、舒适指数加权计算慢行交通综合指数,对城市慢行交通设施设计建设与改造进行优化调整,改善城市交通。
所述步骤S1中,所述行驶状态参数是利用全景影像轨迹数据,结合坐标系转换法对全景影像进行行驶轨迹重构,即将WGS-84坐标系下的全景影像GPS经纬度转化为笛卡尔平面坐标,由此计算出该路段一个统计周期内每个定位点上全景影像的瞬时速度和瞬时加速度,其中,瞬时速度已包含在GPS回传数据中,瞬时加速度为瞬时速度差与时间差的比值。
所述步骤S2中,通过深度学习算法实现慢行交通全景影像的目标检测和图像分割,图像输入到训练好的yolo和SegNet框架中实现检测。
所述步骤S4中,针对自行车和行人分别计算便捷、安全、舒适指数,所述自行车便捷指数综合了地面过街中未设标线占比和过街设施平均间距,自行车便捷指数计算公式如下:
y1=0.5*x1/x2
其中,y1为地面过街中未设标线占比,y2为过街设施平均间距,α11为地面过街中未设标线占比权重0.075,β11为过街设施平均间距占比权重0.075,x1为未布设自行车的过街点位数,x2为总地面过街点位数。
自行车安全指数综合了铺装平整度、占道比例、自行车道隔离形式占比和通道饱和度,自行车安全指数计算公式如下:
y3=x3/x4
y4=x5/x4
y5=(1*x6+0.8*x7+0.5*x8)/x4
y6=x9/x4
其中,y3为铺装平整度,y4为占道比例,y5为自行车道隔离形式占比,y6为通道饱和度,α21为铺装平整度占比权重0.05,β21为占道比例占比权重0.05,γ21为自行车道隔离形式占比权重0.05,δ21为通道饱和度占比权重0.05,x3为平整路面的长度,x4为总路段长度,x5为自行车道被摆摊、报刊亭、施工停车设施占用的点位数,x6为物理隔离长度,x7为设施带、铺装隔离长度,x8为划线隔离长度,x9为自行车数量。
自行车舒适指数综合了自行车道宽度、自行车停车设施占比、自行车道遮荫率和路面坡度,自行车舒适指数计算公式如下:
y8=x10/x4
y9=0.5*x11/x4
y10=x12/x4
其中,y7为自行车道宽度,y8为自行车停车设施占比,y9为自行车道遮荫率,y10为路面坡度,α31为自行车道宽度占比权重0.0375,β31为自行车停车设施占比权重0.0375,γ31为自行车道遮荫率占比权重0.0375,δ31为路面坡度占比权重0.0375,x10为停车设施数,x11为有遮挡的自行车道路长度,x12为路面高程。
所述步骤S4中行人便捷指数综合了人行道间断率、地面过街中未设标线占比、简洁度、过街设施平均间距、人行横道设施占总过街比和无障碍设施占比,行人便捷指数计算公式如下:
y11=x13/x14
y12=0.5*x15/x16
y13=x17/x14
y15=x18/x19
y16=x20/x16
其中,y11为人行道间断率,y12为地面过街中未设标线占比,y13为简洁度,y14为过街设施平均间距,y15为人行横道设施占总过街比,y16为无障碍设施占比,α41为人行道间断率占比权重0.025,β41为地面过街中未设标线占比权重0.025,γ41为简洁度占比权重0.025,δ41为过街设施平均间距占比权重0.025,ε41为人行横道设施占总过街比占比权重0.025,θ41为无障碍设施占比占比权重0.025,x13为被打断的慢行出入口点位数,x14为人行道总长,x15为未布设人行的过街点位数,x16为总地面过街点位数,x17为人行道上电力、电信、环卫等设施数量,x18为人行横道过街点位数,x19为总过街设施,x20为设置了无障碍坡道的过街点位数量。
行人安全指数综合了过街设施阻车桩占比、占道比例、中央岛设置占比、通道饱和度、路口指示标识占比、慢行通道指示标识清晰度和铺装平整度,行人安全指数计算公式如下:
y17=x21/x16
y18=x22/x14
y19=/x16
y21=x24/x14
y22=x25/x16
y23=x26/x14
其中,y17为过街设施阻车桩占比,y18为占道比例,y19为中央岛设置占比,y20为通道饱和度,y21为路口指示标识占比,y22为慢行通道指示标识清晰度,y23为铺装平整度,α51为过街设施阻车桩占比权重0.0286,β51为占道比例占比权重0.0286,γ51为中央岛设置占比权重0.0286,δ51为通道饱和度占比权重0.0286,ε51为路口指示标识占比权重0.0286,θ51为慢行通道指示标识清晰度占比权重0.0286,μ51为铺装平整度占比权重0.0286,x21为设置阻车桩的过街点位数,x22为人行道被摆摊、报刊亭、施工停车设施占用的点位数,x23为设置中央岛的过街点位数,x24为设置了路口指示标识点位数,x25为设置了行标识的过街点位数,x26为平整路面的长度。
行人舒适指数综合了宽度、遮荫率、建筑贴线率、底商密度、路侧建筑距离和休憩设施占比,行人舒适指数计算公式如下:
y25=x27/x14
y26=x28/x29
y27=x30/x31
y28=x32/x31
y29=x33/x16
其中,y24为人行道宽度,y25为人行道遮荫率,y26为建筑贴线率,y27为底商密度,y28为路侧建筑距离,y29为休憩设施占比,α61为人行道宽度占比权重0.025,β61为人行道遮荫率占比权重0.025,γ61为建筑贴线率占比权重0.025,δ61为底商密度占比权重0.025,ε61为路侧建筑距离占比权重0.025,061为休憩设施占比占比权重0.025,x27为遮挡的人行道长度,x28为街墙立面线长度,x29为建筑控制线长度,x30为店面长度,x31为街道长度,x32为路侧建筑长度,x33为设置了休憩设施的点位数量。
所述步骤S5中,自行车指数基于自行车便捷指数、自行车安全指数和自行车舒适指数,自行车指数计算公式如下:
其中,自行车便捷指数占比权重为0.15,自行车安全指数占比权重为0.2,自行车舒适指数占比权重为0.15。
所述步骤S5中,行人指数基于行人便捷指数、行人安全指数和行人舒适指数,行人指数计算公式如下:
其中,行人便捷指数占比权重为0.15,行人安全指数占比权重为0.2,行人舒适指数占比权重为0.15。
所述步骤S6中,慢行交通指数基于自行车指数和行人指数,慢行交通指数计算公式如下:
Indexslow traffic=Indexpedestrian+Indexbicycle。
Claims (6)
1.一种基于全景影像的慢行交通评估方法,其特征在于,包括以下步骤:
S1、对慢行交通全景影像轨迹数据进行预处理;
S2、通过深度学习算法实现慢行交通全景影像的目标检测和图像分割;
S3、获得慢行交通全景影像多种目标,获取慢行交通设施种类、位置、长度、面积、数量、准确率数据;
S4、针对自行车和行人分别计算便捷、安全、舒适指数;
S5、针对自行车和行人分别加权计算综合指数;
S6、根据S5、S6中计算出的自行车和行人便捷、安全、舒适指数加权计算慢行交通综合指数,对城市慢行交通设施设计建设与改造进行优化调整,改善城市交通;所述步骤S4中,针对自行车和行人分别计算便捷、安全、舒适指数,所述自行车便捷指数综合了地面过街中未设标线占比和过街设施平均间距,自行车便捷指数计算公式如下:
y1=0.5*x1/x2
其中,y1为地面过街中未设标线占比,y2为过街设施平均间距,α11为地面过街中未设标线占比权重0.075,β11为过街设施平均间距占比权重0.075,x1为未布设自行车的过街点位数,x2为总地面过街点位数;
自行车安全指数综合了铺装平整度、占道比例、自行车道隔离形式占比和通道饱和度,自行车安全指数计算公式如下:
y3=x3/x4
y4=x5/x4
y5=(1*x6+0.8*x7+0.5*x8)/x4
y6=x9/x4
其中,y3为铺装平整度,y4为占道比例,y5为自行车道隔离形式占比,y6为通道饱和度,α21为铺装平整度占比权重0.05,β21为占道比例占比权重0.05,γ21为自行车道隔离形式占比权重0.05,δ21为通道饱和度占比权重0.05,x3为平整路面的长度,x4为总路段长度,x5为自行车道被摆摊、报刊亭、施工停车设施占用的点位数,x6为物理隔离长度,x7为设施带、铺装隔离长度,x8为划线隔离长度,x9为自行车数量;
自行车舒适指数综合了自行车道宽度、自行车停车设施占比、自行车道遮荫率和路面坡度,自行车舒适指数计算公式如下:
y8=x10/x4
y9=0.5*x11/x4
y10=x12/x4
其中,y7为自行车道宽度,y8为自行车停车设施占比,y9为自行车道遮荫率,y10为路面坡度,α31为自行车道宽度占比权重0.0375,β31为自行车停车设施占比权重0.0375,γ31为自行车道遮荫率占比权重0.0375,δ31为路面坡度占比权重0.0375,x10为停车设施数,x11为有遮挡的自行车道路长度,x12为路面高程;
所述步骤S4中行人便捷指数综合了人行道间断率、地面过街中未设标线占比、简洁度、过街设施平均间距、人行横道设施占总过街比和无障碍设施占比,行人便捷指数计算公式如下:
y11=x13/x14
y12=0.5*x15/x16
y13=x17/x14
y15=x18/x19
y16=x20/x16
其中,y11为人行道间断率,y12为地面过街中未设标线占比,y13为简洁度,y14为过街设施平均间距,y15为人行横道设施占总过街比,y16为无障碍设施占比,α41为人行道间断率占比权重0.025,β41为地面过街中未设标线占比权重0.025,γ41为简洁度占比权重0.025,δ41为过街设施平均间距占比权重0.025,ε41为人行横道设施占总过街比占比权重0.025,θ41为无障碍设施占比占比权重0.025,x13为被打断的慢行出入口点位数,x14为人行道总长,x15为未布设人行的过街点位数,x16为总地面过街点位数,x17为人行道上电力、电信、环卫等设施数量,x18为人行横道过街点位数,x19为总过街设施,x20为设置了无障碍坡道的过街点位数量;
行人安全指数综合了过街设施阻车桩占比、占道比例、中央岛设置占比、通道饱和度、路口指示标识占比、慢行通道指示标识清晰度和铺装平整度,行人安全指数计算公式如下:
y17=x21/x16
y18=x22/x14
y19=/x16
y21=x24/x14
y22=x25/x16
y23=x26/x14
其中,y17为过街设施阻车桩占比,y18为占道比例,y19为中央岛设置占比,y20为通道饱和度,y21为路口指示标识占比,y22为慢行通道指示标识清晰度,y23为铺装平整度,α51为过街设施阻车桩占比权重0.0286,β51为占道比例占比权重0.0286,γ51为中央岛设置占比权重0.0286,δ51为通道饱和度占比权重0.0286,ε51为路口指示标识占比权重0.0286,θ5i为慢行通道指示标识清晰度占比权重0.0286,μ51为铺装平整度占比权重0.0286,x21为设置阻车桩的过街点位数,x22为人行道被摆摊、报刊亭、施工停车设施占用的点位数,x23为设置中央岛的过街点位数,x24为设置了路口指示标识点位数,x25为设置了行标识的过街点位数,x26为平整路面的长度;
行人舒适指数综合了宽度、遮荫率、建筑贴线率、底商密度、路侧建筑距离和休憩设施占比,行人舒适指数计算公式如下:
y25=x27/x14
y26=x28/x29
y27=x30/x31
y28=x32/x31
y29=x33/x16
其中,y24为人行道宽度,y25为人行道遮荫率,y26为建筑贴线率,y27为底商密度,y28为路侧建筑距离,y29为休憩设施占比,α61为人行道宽度占比权重0.025,β61为人行道遮荫率占比权重0.025,γ61为建筑贴线率占比权重0.025,δ61为底商密度占比权重0.025,ε61为路侧建筑距离占比权重0.025,θ61为休憩设施占比占比权重0.025,x27为遮挡的人行道长度,x28为街墙立面线长度,x29为建筑控制线长度,x30为店面长度,x31为街道长度,x32为路侧建筑长度,x33为设置了休憩设施的点位数量。
2.根据权利要求1所述的一种基于全景影像的慢行交通评估方法,其特征在于,所述步骤S1中,行驶状态参数是利用全景影像轨迹数据,结合坐标系转换法对全景影像进行行驶轨迹重构,即将WGS-84坐标系下的全景影像GPS经纬度转化为笛卡尔平面坐标,由此计算出路段一个统计周期内每个定位点上全景影像的瞬时速度和瞬时加速度,其中,瞬时速度已包含在GPS回传数据中,瞬时加速度为瞬时速度差与时间差的比值。
3.根据权利要求1所述的一种基于全景影像的慢行交通评估方法,其特征在于,所述步骤S2中,通过深度学习算法实现慢行交通全景影像的目标检测和图像分割,图像输入到训练好的yolo和SegNet框架中实现检测。
4.根据权利要求1所述的一种基于全景影像的慢行交通评估方法,其特征在于,所述步骤S5中,自行车指数基于自行车便捷指数、自行车安全指数和自行车舒适指数,自行车指数计算公式如下:
其中,自行车便捷指数占比权重为0.15,自行车安全指数占比权重为0.2,自行车舒适指数占比权重为0.15。
5.根据权利要求1所述的一种基于全景影像的慢行交通评估方法,其特征在于,所述步骤S5中,行人指数基于行人便捷指数、行人安全指数和行人舒适指数,行人指数计算公式如下:
其中,行人便捷指数占比权重为0.15,行人安全指数占比权重为0.2,行人舒适指数占比权重为0.15。
6.根据权利要求5所述的一种基于全景影像的慢行交通评估方法,其特征在于,所述步骤S6中,慢行交通指数基于自行车指数和行人指数,慢行交通指数计算公式如下:
Indexslow traffic=Indexpedestrian+Indexbicycle。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092908.XA CN112926387B (zh) | 2021-01-25 | 2021-01-25 | 一种基于全景影像的慢行交通评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110092908.XA CN112926387B (zh) | 2021-01-25 | 2021-01-25 | 一种基于全景影像的慢行交通评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112926387A CN112926387A (zh) | 2021-06-08 |
CN112926387B true CN112926387B (zh) | 2024-05-28 |
Family
ID=76165538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110092908.XA Active CN112926387B (zh) | 2021-01-25 | 2021-01-25 | 一种基于全景影像的慢行交通评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112926387B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115620165B (zh) * | 2022-11-07 | 2023-03-28 | 中国科学院空天信息创新研究院 | 城市建成区慢行系统设施评价方法、装置、设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000061867A1 (en) * | 1999-04-12 | 2000-10-19 | Gustafson Thomas F Jr | Ergonomic hybrid transit access corridor |
CN106651083A (zh) * | 2016-06-29 | 2017-05-10 | 东南大学 | 一种城市路段的行人-非机动车隔离设施设置方法 |
CN109460937A (zh) * | 2018-11-23 | 2019-03-12 | 东南大学 | 评价轨道站点周边慢行交通系统接驳水平的流程与方法 |
-
2021
- 2021-01-25 CN CN202110092908.XA patent/CN112926387B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2000061867A1 (en) * | 1999-04-12 | 2000-10-19 | Gustafson Thomas F Jr | Ergonomic hybrid transit access corridor |
CN106651083A (zh) * | 2016-06-29 | 2017-05-10 | 东南大学 | 一种城市路段的行人-非机动车隔离设施设置方法 |
CN109460937A (zh) * | 2018-11-23 | 2019-03-12 | 东南大学 | 评价轨道站点周边慢行交通系统接驳水平的流程与方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112926387A (zh) | 2021-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105608505B (zh) | 一种基于手机信令数据的居民轨道交通出行方式识别方法 | |
Canepa | Bursting the bubble: Determining the transit-oriented development's walkable limits | |
Karndacharuk et al. | Analysis of pedestrian performance in shared-space environments | |
CN102708698A (zh) | 基于车联网的车辆最优路径导航方法 | |
CN110992233B (zh) | 一种针对城市聚集事件的应急疏散方法与系统 | |
CN109460937B (zh) | 评价轨道站点周边慢行交通系统接驳水平的流程与方法 | |
CN112926387B (zh) | 一种基于全景影像的慢行交通评估方法 | |
CN104282142B (zh) | 一种基于出租车gps数据的公交站台设置方法 | |
CN103942952B (zh) | 一种路网功能层次状态等级评估方法 | |
CN108876075B (zh) | 城市轨道交通站点地区宜步行性评价方法 | |
CN108985616A (zh) | 一种公交专用道布局评价方法 | |
Gandhi et al. | On-Street Parking Problems in CBD Area & Remedial Measures-A Case Study of Godhra City | |
CN110188953A (zh) | 一种基于空间杜宾模型的o-d时空分布预测方法 | |
Molino et al. | Pedestrian and bicyclist exposure to risk: Methodology for estimation in an urban environment | |
Amer et al. | Urban densification through roof stacking: Case study | |
CN114819633B (zh) | 一种应用于国土空间规划的交通设施布局评价方法 | |
Sabbir | Traffic Volume in Dhaka City at Selected Priority Junctions | |
CN109215345B (zh) | 一种消除交叉口困境区的停车线位置确定方法 | |
CN113947719A (zh) | 基于多源数据的轨道站点骑行接驳综合活力评估方法 | |
Mahdy | Speed calming using vertical deflections in road alignment | |
Kassim et al. | Investigation of the effect of super sharrows on cyclist and vehicle behavior | |
CN114579884B (zh) | 城市建成区内共享单车出行展示方法及系统 | |
CN115100858B (zh) | 一种共享单车与私人单车出行方式识别方法和系统 | |
Steiner et al. | Refinement of the roadway segment level of service | |
Sun et al. | Impact on pedestrian flow of bends in passenger access tunnels |
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 |