CN113256965A - 基于智慧城市的交通风险感知系统及方法 - Google Patents

Abstract

本发明公开了一种基于智慧城市的交通风险感知系统及方法，包括：道路数据采集模块、路面数据分析模块、路段情况采集模块、路段情况决策处理模块，所述道路数据采集模块，用于采集道路的车道数、坑洼数目及相应的坑洼程度；所述路段情况采集模块，用于采集该路段单位时间内的人流量、车流量及相应的车辆类型、相邻俩交通灯的距离。本发明不仅能够从多方面因素综合考虑，进而对道路情况进行分析，并根据实际道路情况对该路段的限制车速进行控制调整，同时在可能发生拥堵或者事故的情况下，可及时提醒交通部门尽快安排人员进行指挥疏散。

Description

基于智慧城市的交通风险感知系统及方法

技术领域

本发明涉及城市安全管理技术领域，具体为一种基于智慧城市的交通风险感知系统及方法。

背景技术

随着互联网及物联网的发展，当前社会逐渐像数据化、智能化迈进，给人们带来了很大的便利，同时也推动了智慧城市的进程，加强了城市的管理。

当前城市对交通的管理方式是通过对路段进行限速，或者设置摄像头进行抓拍、监控的方式，此种方式虽然恩能够在一定程度上加强对交通的管理，但是太一成不变了，比较机械呆板，因为路段的限速不仅要考虑到该路段的车流量、人流量，还要考虑到该路段自身的受损程度等因素，因此，这个限速是需要根据实际情况进行调整的。

针对上述情况，我们提出了一种基于智慧城市的交通风险感知系统及方法，不仅能够从多方面因素综合考虑，进而对道路情况进行分析，并根据实际道路情况对该路段的限制车速进行控制调整，同时在可能发生拥堵或者事故的情况下，可及时提醒交通部门尽快安排人员进行指挥疏散。

发明内容

本发明的目的在于提供一种基于智慧城市的交通风险感知系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于智慧城市的交通风险感知系统，包括：道路数据采集模块、路面数据分析模块、路段情况采集模块、路段情况决策处理模块，

所述道路数据采集模块，用于采集道路的车道数、坑洼数目及相应的坑洼程度；

所述路面数据分析模块，用于分析道路情况对不同车型的影响程度，求取不同类型车辆的合理限速；

所述路段情况采集模块，用于采集该路段单位时间内的人流量、车流量及相应的车辆类型、车道数、平均车长与车距和、相邻俩交通灯的距离、交通灯绿灯时间及红、黄、绿三灯的总时间；

所述路段情况决策处理模块，用于判断该路段交通情况是否会出现拥堵或事故情况，并根据判断结果执行相应的措施。

本发明通过多个模块的协同合作，共同实现了对城市交通的管控，通过道路数据采集模块采集道路受损程度，通过路面数据分析模块分析该道路受损程度对不同类型车辆造成的影响，并根据影响结果求取对不同类型车辆的合理限速，通过路段情况采集模块对该路段的外界因素进行采集，路段情况决策处理模块结合该路段不同类型车辆的合理限速及该路段的外界因素进行综合分析，确定该路段的实际车辆限速，并在可能出现拥堵或者交通事故的情况下，紧急调动执勤交警尽快前往该路段进行指挥疏散。

一种基于智慧城市的交通风险感知方法，具体步骤如下：

S1、通过道路数据采集模块采集道路的长度、坑洼数目及相应的坑洼程度；

S2、通过路面数据分析模块分析道路情况对不同车型的影响程度，求取不同类型车辆的合理限速；

S3、通过路段情况采集模块采集该路段单位时间内的人流量、车流量及相应的车辆类型、车道数、平均车长与车距和、相邻俩交通灯的距离、交通灯绿灯时间及红、黄、绿三灯的总时间；

S4、通过路段情况决策处理模块判断该路段交通情况是否会出现拥堵或事故情况，并根据判断结果执行相应的措施。

进一步的，所述道路数据采集模块是通过无人机拍摄进行图像采集的，无人机在同一位置采集该路段间隔第一单位时间的两段视频图像，通过对拍摄道路的视频信息进行灰度处理，筛选画面道路中灰度值的变化量，

首先通过相邻两像素点灰度值之间的差值与第一预设值进行比较，将灰度值差值大于第一预设值的相邻两像素点进行标记，然后将标记的像素点轮廓与预制的道路轮廓进行比较，提取出画面中的道路信息，排除道路周边环境对采集结果的影响，

然后在提取出的画面道路信息中，进一步比较相邻两像素点的灰度值差值，并将其与第二预设值进行比较，将灰度值差值大于第二预设值的相邻两像素点进行标记，标记的像素点轮廓就是坑的表面轮廓，以该道路作为参照，记录坑的相对位置及面积大小，

无人机在同一位置采集该路段间隔第一单位时间的两段视频图像，接着对这两段视屏图像的处理结果进行比较，判断坑的位置是否一致，

若不一致，则判定错误数据，该位置不是坑，

若一致，则判定数据正常，该位置是坑，

最后，判断坑的面积大小是否合理，排除道路上下坡情况导致的灰度值变化，采用的方式为：将坑的面积大小与第三预设值进行比较，

若坑的面积大于等于第三预设值，则判定数据错误，该位置是由于道路的坡度原因造成的，

若坑的面积小于第三预设值，则判定数据正常，该位置是坑，

所述第一预设值与第二预设值不同，第二预设值的大小与采集结果的精度有关，第二预设值越小，采集结果的精度越高，

根据视频画面中车辆过坑时的车速及对应的车头的颠簸幅度来获取坑的深度，所述车头的颠簸幅度是由视频图像中车辆过坑时车头向下倾斜与向上倾斜时的最大夹角来表示的。

本发明道路数据采集模块通过无人机采集道路的视频图像信息，然后对视频图像进行灰度值处理，先通过比较相邻两像素点的灰度值差值来筛选除去道路周边环境对采集结果的影响，然后进一步根据两视频图像分析的坑的位置信息进行对比，将位置不重合的坑进行排除，避免因视频图像中错将车身认为是路面上的坑导致的误差，接着通过坑的面积对坑进一步筛选，防止因路面坡度原因导致的灰度值变化，从而对采集结果造成影响。

进一步的，所述无人机视频画面中车辆过坑时速度的获取方式为：先获取第二单位时间内车辆在视频画面中的移动距离，然后用视频画面中的移动距离除以比例尺得到车辆实际行驶的距离，将车辆实际行驶的距离除以第二单位时间即可得到车辆过坑时的速度，所述比例尺为视频画面中道路的宽度除以该道路实际的宽度。

本发明通过画面与实际道路的比例尺关系，通过第二单位时间内视频图像中车辆的移动距离求得车辆在道路上实际的移动距离，进而计算出车辆的速度。

进一步的，所述道路情况可由采集的数据呈现出来，单位长度的道路，坑越多且越深，反馈出道路的情况越差，越不方便车辆通行，因此，道路的情况k可由道路的长度L、坑的数目n及相应的坑的深度h_n表示出来，即

所述a为道路情况常数。

本发明从道路的长度L、坑的数目n及相应的坑的深度h_n这几个方面综合考虑道路的情况，由于道路的长度不一样，因此我们需要制定统一标准，即单位长度的道路上的坑的数目及相应的深度来表示。

进一步的，所述不同类型车辆的合理限速需要考虑到不同车辆的底盘高度不同，同一深度的坑，在过坑速度相同的情况下，不同底盘高度的车辆收到的影响不同，底盘越低，车辆受到的损伤越大，因此，在确保车辆能够正常通行该道路且不会受到损伤的情况下，需要针对底盘的高度h1对不同类型的车辆进行合理限速，

即限速

所述h2为该道路上最深的坑的深度，

所述b为合理限速的单位变量调控速度值，

所述v0为该道路上最深坑的深度与车辆底盘等高时，车辆能够正常通行时的限速。

本发明从不同类型车辆的底盘高度不同这个方向考虑，不同底盘高度的车辆过同一深度的坑，正常通行的速度是不一样的，受到的影响也不相同，因此我们可以通过车辆底盘高度与坑深度的差值对车速进行调整限制，车辆底盘高度与坑深度的差值越大，限制后的车速越大；反之越小。

进一步的，在求取针对底盘的高度h1的合理限速后，还需要对得到的限速进行分析处理，

该处理过程需要考虑到该路段单位时间的车流量及对应的各类型车辆的数量，

先求取单位时间内各类型车辆占车流量总数的百分比，然后将底盘高度相同的车辆类型百分比进行累加，得到各底盘高度的车辆占车流量总数的百分比m，并将m值按从大到小的顺序进行排序，将最小的m值与第一阈值进行对比，

若m值小于等于第一阈值，则将该m值对应底盘高度的车辆从车流量总数中剔除，重新计算其他底盘高度的车辆占车流量总数的百分比，然后继续将得到的最小的百分比与第一阈值进行对比；

若m值大于第一阈值，则该m值所属车辆类型对应的合理限速即为针对该道路情况的所有车辆限速v1，此时排序中最大的百分比所属车辆类型对应的合理限速为v2。

本发明需要根据该路段通行的所有种类车辆的限速来制定一个综合且公共的车辆限速v1，因此需要考虑到车流量的问题，计算各底盘高度的车辆占车流量总数的百分比m，将最小的m值与第一阈值进行对比，若m值小于第一阈值，则说明该底盘高度的车辆占比太少，对整体结果影响不大，可以将其剔除，忽略不计。

进一步的，所述人流量能够直观的反馈出该路段的复杂程度，单位时间内的人流量越多，则该路段的情况越复杂，相应的需要对车辆限速进一步控制，将v2及单位时间的人流量p代入公式

中，得到调整后的速度v4，所述c为人流量相对常数，所述该路段的规定限速为v5，

将v4、v5与v进行对比，将三者中的最小值作为该路段的实际车辆限速v6。

本发明通过将v4、v5与v进行对比，从这三方面综合考虑，选取其中的最小值作为该路段的实际车辆限速，这样对车辆的限速更加精准、监管效果更好。

进一步的，所述路段情况决策处理模块会根据该路段单位时间t1的车流量p1及红、黄、绿三灯的总时间t2计算该路段通行的总车辆

根据该路段的实际限速v6、平均车长与车距和f、交通灯绿灯时间t3及车道数d计算该路段绿灯时穿过的车辆数

本发明路段情况决策处理模块对该路段通行的总车辆q1及该路段绿灯时穿过的车辆数q2进行计算，通过两者的值的大小，能够较为直观的反馈出该路段的通行情况，当q1大于q2时，说明该路段绿灯时穿过的车辆数少于该路段通行的总车辆，因此会有一部分车辆会在交通灯位置积压，未通过交通灯，待时间较长后，会造成大量车辆积压在交通灯位置，造成道路拥堵，甚至容易发生意外。

进一步的，所述判断该路段交通情况是否会出现拥堵或事故情况的方式为：

比较该路段通行的总车辆q1与该路段绿灯时穿过的车辆数q2，

若q1小于等于q2时，则判定该路段正常，车辆通行顺畅；

若q1大于q2时，则判定该路段交通无法满足交通通畅的需求，该路段通行的总车辆在绿灯时无法全部穿过交通灯，会造成交通拥堵，甚至会造成交通事故，需紧急调动执勤交警尽快前往该路段进行指挥疏散。

与现有技术相比，本发明所达到的有益效果是：本发明不仅能够从多方面因素综合考虑，进而对道路情况进行分析，并根据实际道路情况对该路段的限制车速进行控制调整，同时在可能发生拥堵或者事故的情况下，可及时提醒交通部门尽快安排人员进行指挥疏散。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明基于智慧城市的交通风险感知系统的组成示意图；

图2是本发明基于智慧城市的交通风险感知系统道路数据采集模块中判断道路上坑的流程示意图；

图3是本发明基于智慧城市的交通风险感知系统中路段情况决策处理模块对所得限速分析处理的流程示意图；

图4是本发明基于智慧城市的交通风险感知系统路段情况决策处理模块判断路段是否拥堵的流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1-4，本发明提供技术方案：一种基于智慧城市的交通风险感知系统，包括：道路数据采集模块、路面数据分析模块、路段情况采集模块、路段情况决策处理模块，

所述道路数据采集模块，用于采集道路的车道数、坑洼数目及相应的坑洼程度；

所述路面数据分析模块，用于分析道路情况对不同车型的影响程度，求取不同类型车辆的合理限速；

所述路段情况采集模块，用于采集该路段单位时间内的人流量、车流量及相应的车辆类型、车道数、平均车长与车距和、相邻俩交通灯的距离、交通灯绿灯时间及红、黄、绿三灯的总时间；

所述路段情况决策处理模块，用于判断该路段交通情况是否会出现拥堵或事故情况，并根据判断结果执行相应的措施。

本发明通过多个模块的协同合作，共同实现了对城市交通的管控，通过道路数据采集模块采集道路受损程度，通过路面数据分析模块分析该道路受损程度对不同类型车辆造成的影响，并根据影响结果求取对不同类型车辆的合理限速，通过路段情况采集模块对该路段的外界因素进行采集，路段情况决策处理模块结合该路段不同类型车辆的合理限速及该路段的外界因素进行综合分析，确定该路段的实际车辆限速，并在可能出现拥堵或者交通事故的情况下，紧急调动执勤交警尽快前往该路段进行指挥疏散。

一种基于智慧城市的交通风险感知方法，具体步骤如下：

S1、通过道路数据采集模块采集道路的长度、坑洼数目及相应的坑洼程度；

S2、通过路面数据分析模块分析道路情况对不同车型的影响程度，求取不同类型车辆的合理限速；

S3、通过路段情况采集模块采集该路段单位时间内的人流量、车流量及相应的车辆类型、车道数、平均车长与车距和、相邻俩交通灯的距离、交通灯绿灯时间及红、黄、绿三灯的总时间；

S4、通过路段情况决策处理模块判断该路段交通情况是否会出现拥堵或事故情况，并根据判断结果执行相应的措施。

所述道路数据采集模块是通过无人机拍摄进行图像采集的，无人机在同一位置采集该路段间隔第一单位时间的两段视频图像，通过对拍摄道路的视频信息进行灰度处理，筛选画面道路中灰度值的变化量，

首先通过相邻两像素点灰度值之间的差值与第一预设值进行比较，将灰度值差值大于第一预设值的相邻两像素点进行标记，然后将标记的像素点轮廓与预制的道路轮廓进行比较，提取出画面中的道路信息，排除道路周边环境对采集结果的影响，

然后在提取出的画面道路信息中，进一步比较相邻两像素点的灰度值差值，并将其与第二预设值进行比较，将灰度值差值大于第二预设值的相邻两像素点进行标记，标记的像素点轮廓就是坑的表面轮廓，以该道路作为参照，记录坑的相对位置及面积大小，

无人机在同一位置采集该路段间隔第一单位时间的两段视频图像，接着对这两段视屏图像的处理结果进行比较，判断坑的位置是否一致，

若不一致，则判定错误数据，该位置不是坑，

若一致，则判定数据正常，该位置是坑，

最后，判断坑的面积大小是否合理，排除道路上下坡情况导致的灰度值变化，采用的方式为：将坑的面积大小与第三预设值进行比较，

若坑的面积大于等于第三预设值，则判定数据错误，该位置是由于道路的坡度原因造成的，

若坑的面积小于第三预设值，则判定数据正常，该位置是坑，

所述第一预设值与第二预设值不同，第二预设值的大小与采集结果的精度有关，第二预设值越小，采集结果的精度越高，

根据视频画面中车辆过坑时的车速及对应的车头的颠簸幅度来获取坑的深度，所述车头的颠簸幅度是由视频图像中车辆过坑时车头向下倾斜与向上倾斜时的最大夹角来表示的。

本发明道路数据采集模块通过无人机采集道路的视频图像信息，然后对视频图像进行灰度值处理，先通过比较相邻两像素点的灰度值差值来筛选除去道路周边环境对采集结果的影响，然后进一步根据两视频图像分析的坑的位置信息进行对比，将位置不重合的坑进行排除，避免因视频图像中错将车身认为是路面上的坑导致的误差，接着通过坑的面积对坑进一步筛选，防止因路面坡度原因导致的灰度值变化，从而对采集结果造成影响。

本实施例中第一预设值为25，第二预设值为15，第三预设值为10，

则当处理后的视频图像中相邻两像素点的灰度值差值大于25时，将该像素点标记出来，并提取出画面中的道路信息，

进一步对道路信息中相邻两像素点的灰度值差值进行判断，若差值大于15，则将该像素点标记出来，标记的像素点轮廓就是坑的表面轮廓，

比较两段视屏图像的处理结果，判断坑的位置是否一致，若不一致，则排除该像素点轮廓是坑的可能性，

同时计算标记点轮廓对应的实际道路面积大小，判断求得的面积大小是否大于10，若大于10，则排除该像素点轮廓是坑的可能性。

所述无人机视频画面中车辆过坑时速度的获取方式为：先获取第二单位时间内车辆在视频画面中的移动距离，然后用视频画面中的移动距离除以比例尺得到车辆实际行驶的距离，将车辆实际行驶的距离除以第二单位时间即可得到车辆过坑时的速度，所述比例尺为视频画面中道路的宽度除以该道路实际的宽度。

本发明通过画面与实际道路的比例尺关系，通过第二单位时间内视频图像中车辆的移动距离求得车辆在道路上实际的移动距离，进而计算出车辆的速度。

本实施例中第二单位时间为1秒，若第二单位时间内视频图像中车辆的移动距离为2厘米，视频画面中道路的宽度为1.5厘米，该道路实际的宽度7.5米，

则视频图像中车辆的移动距离与车辆在道路上实际移动距离的比例尺为

则车辆在道路上实际的移动距离为：

则车辆过坑的速度为：

所述道路情况可由采集的数据呈现出来，单位长度的道路，坑越多且越深，反馈出道路的情况越差，越不方便车辆通行，因此，道路的情况k可由道路的长度L、坑的数目n及相应的坑的深度h_n表示出来，即

所述a为道路情况常数。

本发明从道路的长度L、坑的数目n及相应的坑的深度h_n这几个方面综合考虑道路的情况，由于道路的长度不一样，因此我们需要制定统一标准，即单位长度的道路上的坑的数目及相应的深度来表示。

本实施例中道路长度为1.5千米，有两个坑，坑深分别为0.2米和0.1米，道路情况常数为，则道路情况

所述不同类型车辆的合理限速需要考虑到不同车辆的底盘高度不同，同一深度的坑，在过坑速度相同的情况下，不同底盘高度的车辆收到的影响不同，底盘越低，车辆受到的损伤越大，因此，在确保车辆能够正常通行该道路且不会受到损伤的情况下，需要针对底盘的高度h1对不同类型的车辆进行合理限速，

即限速

所述h2为该道路上最深的坑的深度，

所述b为合理限速的单位变量调控速度值，

所述v0为该道路上最深坑的深度与车辆底盘等高时，车辆能够正常通行时的限速。

本发明从不同类型车辆的底盘高度不同这个方向考虑，不同底盘高度的车辆过同一深度的坑，正常通行的速度是不一样的，受到的影响也不相同，因此我们可以通过车辆底盘高度与坑深度的差值对车速进行调整限制，车辆底盘高度与坑深度的差值越大，限制后的车速越大；反之越小。

在求取针对底盘的高度h1的合理限速后，还需要对得到的限速进行分析处理，

该处理过程需要考虑到该路段单位时间的车流量及对应的各类型车辆的数量，

先求取单位时间内各类型车辆占车流量总数的百分比，然后将底盘高度相同的车辆类型百分比进行累加，得到各底盘高度的车辆占车流量总数的百分比m，并将m值按从大到小的顺序进行排序，将最小的m值与第一阈值进行对比，

若m值小于等于第一阈值，则将该m值对应底盘高度的车辆从车流量总数中剔除，重新计算其他底盘高度的车辆占车流量总数的百分比，然后继续将得到的最小的百分比与第一阈值进行对比；

若m值大于第一阈值，则该m值所属车辆类型对应的合理限速即为针对该道路情况的所有车辆限速v1，此时排序中最大的百分比所属车辆类型对应的合理限速为v2。

本发明需要根据该路段通行的所有种类车辆的限速来制定一个综合且公共的车辆限速v1，因此需要考虑到车流量的问题，计算各底盘高度的车辆占车流量总数的百分比m，将最小的m值与第一阈值进行对比，若m值小于第一阈值，则说明该底盘高度的车辆占比太少，对整体结果影响不大，可以将其剔除，忽略不计。

所述人流量能够直观的反馈出该路段的复杂程度，单位时间内的人流量越多，则该路段的情况越复杂，相应的需要对车辆限速进一步控制，将v2及单位时间的人流量p代入公式

中，得到调整后的速度v4，所述c为人流量相对常数，所述该路段的规定限速为v5，

将v4、v5与v进行对比，将三者中的最小值作为该路段的实际车辆限速v6。

本发明通过将v4、v5与v进行对比，从这三方面综合考虑，选取其中的最小值作为该路段的实际车辆限速，这样对车辆的限速更加精准、监管效果更好。

所述路段情况决策处理模块会根据该路段单位时间t1的车流量p1及红、黄、绿三灯的总时间t2计算该路段通行的总车辆

根据该路段的实际限速v6、平均车长与车距和f、交通灯绿灯时间t3及车道数d计算该路段绿灯时穿过的车辆数

本实施例中若单位时间t1为10秒，车流量为8量，红、黄、绿三灯的总时间t2为60秒，车道数为4，该路段的实际限速v6为10米/秒、平均车长与车距和20米、交通灯绿灯时间t3为30秒，

则该路段通行的总车辆

该路段绿灯时穿过的车辆数

本发明路段情况决策处理模块对该路段通行的总车辆q1及该路段绿灯时穿过的车辆数q2进行计算，通过两者的值的大小，能够较为直观的反馈出该路段的通行情况，当q1大于q2时，说明该路段绿灯时穿过的车辆数少于该路段通行的总车辆，因此会有一部分车辆会在交通灯位置积压，未通过交通灯，待时间较长后，会造成大量车辆积压在交通灯位置，造成道路拥堵，甚至容易发生意外。

所述判断该路段交通情况是否会出现拥堵或事故情况的方式为：

比较该路段通行的总车辆q1与该路段绿灯时穿过的车辆数q2，

若q1小于等于q2时，则判定该路段正常，车辆通行顺畅；

若q1大于q2时，则判定该路段交通无法满足交通通畅的需求，该路段通行的总车辆在绿灯时无法全部穿过交通灯，会造成交通拥堵，甚至会造成交通事故，需紧急调动执勤交警尽快前往该路段进行指挥疏散。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本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施例所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。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于智慧城市的交通风险感知系统，其特征在于，包括：道路数据采集模块、路面数据分析模块、路段情况采集模块、路段情况决策处理模块，

所述道路数据采集模块，用于采集道路的车道数、坑洼数目及相应的坑洼程度；

所述路面数据分析模块，用于分析道路情况对不同车型的影响程度，求取不同类型车辆的合理限速；

所述路段情况采集模块，用于采集该路段单位时间内的人流量、车流量及相应的车辆类型、车道数、平均车长与车距和、相邻俩交通灯的距离、交通灯绿灯时间及红、黄、绿三灯的总时间；

所述路段情况决策处理模块，用于判断该路段交通情况是否会出现拥堵或事故情况，并根据判断结果执行相应的措施。

2.一种基于智慧城市的交通风险感知方法，其特征在于，具体步骤如下：

S1、通过道路数据采集模块采集道路的长度、坑洼数目及相应的坑洼程度；

S2、通过路面数据分析模块分析道路情况对不同车型的影响程度，求取不同类型车辆的合理限速；

S3、通过路段情况采集模块采集该路段单位时间内的人流量、车流量及相应的车辆类型、车道数、平均车长与车距和、相邻俩交通灯的距离、交通灯绿灯时间及红、黄、绿三灯的总时间；

S4、通过路段情况决策处理模块判断该路段交通情况是否会出现拥堵或事故情况，并根据判断结果执行相应的措施。

3.根据权利要求2所述的一种基于智慧城市的交通风险感知方法，其特征在于：所述道路数据采集模块是通过无人机拍摄进行图像采集的，无人机在同一位置采集该路段间隔第一单位时间的两段视频图像，通过对拍摄道路的视频信息进行灰度处理，筛选画面道路中灰度值的变化量，

首先通过相邻两像素点灰度值之间的差值与第一预设值进行比较，将灰度值差值大于第一预设值的相邻两像素点进行标记，然后将标记的像素点轮廓与预制的道路轮廓进行比较，提取出画面中的道路信息，排除道路周边环境对采集结果的影响，

然后在提取出的画面道路信息中，进一步比较相邻两像素点的灰度值差值，并将其与第二预设值进行比较，将灰度值差值大于第二预设值的相邻两像素点进行标记，标记的像素点轮廓就是坑的表面轮廓，以该道路作为参照，记录坑的相对位置及面积大小，

无人机在同一位置采集该路段间隔第一单位时间的两段视频图像，接着对这两段视屏图像的处理结果进行比较，判断坑的位置是否一致，

若不一致，则判定错误数据，该位置不是坑，

若一致，则判定数据正常，该位置是坑，

最后，判断坑的面积大小是否合理，排除道路上下坡情况导致的灰度值变化，采用的方式为：将坑的面积大小与第三预设值进行比较，

若坑的面积大于等于第三预设值，则判定数据错误，该位置是由于道路的坡度原因造成的，

若坑的面积小于第三预设值，则判定数据正常，该位置是坑，

所述第一预设值与第二预设值不同，第二预设值的大小与采集结果的精度有关，第二预设值越小，采集结果的精度越高，

根据视频画面中车辆过坑时的车速及对应的车头的颠簸幅度来获取坑的深度，所述车头的颠簸幅度是由视频图像中车辆过坑时车头向下倾斜与向上倾斜时的最大夹角来表示的。

4.根据权利要求3所述的一种基于智慧城市的交通风险感知方法，其特征在于：所述无人机视频画面中车辆过坑时速度的获取方式为：先获取第二单位时间内车辆在视频画面中的移动距离，然后用视频画面中的移动距离除以比例尺得到车辆实际行驶的距离，将车辆实际行驶的距离除以第二单位时间即可得到车辆过坑时的速度，所述比例尺为视频画面中道路的宽度除以该道路实际的宽度。

5.根据权利要求2所述的一种基于智慧城市的交通风险感知方法，其特征在于：所述道路情况可由采集的数据呈现出来，单位长度的道路，坑越多且越深，反馈出道路的情况越差，越不方便车辆通行，因此，道路的情况k可由道路的长度L、坑的数目n及相应的坑的深度h_n表示出来，即

所述a为道路情况常数。

6.根据权利要求5所述的一种基于智慧城市的交通风险感知方法，其特征在于：所述不同类型车辆的合理限速需要考虑到不同车辆的底盘高度不同，同一深度的坑，在过坑速度相同的情况下，不同底盘高度的车辆收到的影响不同，底盘越低，车辆受到的损伤越大，因此，在确保车辆能够正常通行该道路且不会受到损伤的情况下，需要针对底盘的高度h1对不同类型的车辆进行合理限速，

即限速

所述h2为该道路上最深的坑的深度，

所述b为合理限速的单位变量调控速度值，

所述v0为该道路上最深坑的深度与车辆底盘等高时，车辆能够正常通行时的限速。

7.根据权利要求6所述的一种基于智慧城市的交通风险感知方法，其特征在于：在求取针对底盘的高度h1的合理限速后，还需要对得到的限速进行分析处理，

该处理过程需要考虑到该路段单位时间的车流量及对应的各类型车辆的数量，

先求取单位时间内各类型车辆占车流量总数的百分比，然后将底盘高度相同的车辆类型百分比进行累加，得到各底盘高度的车辆占车流量总数的百分比m，并将m值按从大到小的顺序进行排序，将最小的m值与第一阈值进行对比，

若m值小于等于第一阈值，则将该m值对应底盘高度的车辆从车流量总数中剔除，重新计算其他底盘高度的车辆占车流量总数的百分比，然后继续将得到的最小的百分比与第一阈值进行对比；

若m值大于第一阈值，则该m值所属车辆类型对应的合理限速即为针对该道路情况的所有车辆限速v1，此时排序中最大的百分比所属车辆类型对应的合理限速为v2。

8.根据权利要求7所述的一种基于智慧城市的交通风险感知方法，其特征在于：所述人流量能够直观的反馈出该路段的复杂程度，单位时间内的人流量越多，则该路段的情况越复杂，相应的需要对车辆限速进一步控制，将v2及单位时间的人流量p代入公式

中，得到调整后的速度v4，所述c为人流量相对常数，所述该路段的规定限速为v5，

将v4、v5与v进行对比，将三者中的最小值作为该路段的实际车辆限速v6。

9.根据权利要求8所述的一种基于智慧城市的交通风险感知方法，其特征在于：所述路段情况决策处理模块会根据该路段单位时间t1的车流量p1及红、黄、绿三灯的总时间t2计算该路段通行的总车辆

根据该路段的实际限速v6、平均车长与车距和f、交通灯绿灯时间t3及车道数d计算该路段绿灯时穿过的车辆数

10.根据权利要求9所述的一种基于智慧城市的交通风险感知方法，其特征在于，所述判断该路段交通情况是否会出现拥堵或事故情况的方式为：

比较该路段通行的总车辆q1与该路段绿灯时穿过的车辆数q2，

若q1小于等于q2时，则判定该路段正常，车辆通行顺畅；

若q1大于q2时，则判定该路段交通无法满足交通通畅的需求，该路段通行的总车辆在绿灯时无法全部穿过交通灯，会造成交通拥堵，甚至会造成交通事故，需紧急调动执勤交警尽快前往该路段进行指挥疏散。

Images