CN115019508B - 基于机器学习的道路监控车流仿真方法、装置、设备及介质 - Google Patents
基于机器学习的道路监控车流仿真方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115019508B CN115019508B CN202210673499.7A CN202210673499A CN115019508B CN 115019508 B CN115019508 B CN 115019508B CN 202210673499 A CN202210673499 A CN 202210673499A CN 115019508 B CN115019508 B CN 115019508B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic flow
- frame
- acceleration
- moving
- 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
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
-
- 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
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
-
- 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
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于机器学习的道路监控车流仿真方法、装置、计算机设备和存储介质,所述方法包括:获取监测道路段的车流监测视频;根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征;根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。本发明提供的方法适用范围广、仿真度高,可以为交通管理部门完善道路管控研究和流量预测提供帮助,有着广阔的行业应用前景。
Description
技术领域
本发明涉及交通仿真分析技术领域,特别是涉及一种基于机器学习的道路监控车流仿真方法、装置、计算机设备和存储介质。
背景技术
交通仿真分析是城市智能交通管控的重要组成部分,交通管控需要针对不同道路段交通流特性采取不同的管理措施。过去因技术条件的限制,往往采用人工计数和实地观测的方式调查道路交通流基本性质,无法随时更新道路交通流状况,特别是车流运行特性。随着科学的发展,交通仿真技术成为刻画交通特性的重要工具,可以分为宏观交通仿真和微观交通仿真两大类,特别是微观仿真对于非集计个体的交通特性都有很好的建模和刻画能力。现有的交通仿真软件,包括Synchro、VISSIM等均采用解析模型仿真的方法,但是获取基础数据例如交通量、信号配时等需要实地调查,且不具备随时更新道路交通数据的条件。近年来,随着机器视觉技术的普及,基于道路监控视频提取路段交通流特性的技术为城市交通仿真带来了新的可能。
目前交通仿真的跟驰模型中,刺激-反应类、安全距离类和心理-生理类主要采用运动学或动力学公式描述车辆运行轨迹,其参数根据统计方法或经验公式给出,存在无法体现不同道路段特性的问题。机器学习能够提取非集计个体的交通运行特征,结合元胞自动机的简便适用优点,能够较好地模拟仿真交通流状态。综上,急需建立一种简洁、基于机器学习的道路监控车流仿真方法。
发明内容
为了解决上述现有技术的不足,本发明提供了一种基于机器学习的道路监控车流仿真方法、装置、计算机设备和存储介质,该方法根据道路段监控视频记录交通流中车辆的运行轨迹,利用机器学习模拟跟驰行为特征,并通过元胞自动机对所监测路段进行仿真模拟。本发明旨在针对不同道路段的车流进行模拟描述,为交通管理部门完善道路管控研究和流量预测提供帮助。
本发明的第一个目的在于提供一种基于机器学习的道路监控车流仿真方法。
本发明的第二个目的在于提供一种基于机器学习的道路监控车流仿真装置。
本发明的第三个目的在于提供一种计算机设备。
本发明的第四个目的在于提供一种存储介质。
本发明的第一个目的可以通过采取如下技术方案达到:
一种基于机器学习的道路监控车流仿真方法,所述方法包括:
获取监测道路段的车流监测视频;
根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征;
根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。
进一步的,所述根据所述车流监测视频,利用帧间差分法分离出每帧图像中的移动前景和背景,包括:
将所述车流监测视频拆分成多帧图像,并按照时间顺序排序;
运用帧间差分法从相邻两帧图像中分离出每帧图像的移动前景和背景。
进一步的,所述帧间差分法的公式如下:
其中,It和It-Δm分别为相邻两帧图像中同一位置点的像素值,Th为设定阈值,当S取值为0时,该像素点为背景;当S取值为1时,该像素点为移动前景。
进一步的,所述根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓,包括:
N1(p)={(x3+1,y3),(x3-1,y3),(x3,y3+1),(x3,y3-1)}
其中,p为帧图像中移动前景对应的像素点中任一像素点,x3、y3分别为像素点p的横、纵坐标;N1(p)为像素点p的上下左右4个邻域点;
若邻域点N1(p)中任一邻域点为移动前景,则与像素点p构成连通域;
寻找新加入连通域的像素点的邻域点,若所述邻域点为移动前景,则加入连通域,重复此过程,直至新加入连通域的像素点的邻域点不是移动前景,则停止寻找,并获得像素点p的连通域;
根据所述像素点p的连通域,找出所述连通域的最小外接矩形,所述最小外接矩形为运动车辆标记的轮廓。
进一步的,设t时刻的帧图像为I;
所述根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征,包括:
根据所述移动车辆的轮廓,计算每辆车的形心坐标;
根据所述形心坐标,计算每辆车的车头间距;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内进入道路段的车辆数,计算帧图像I的车流流量;帧图像I的车流流量即为t时刻的车流流量,作为帧图像I中每辆车的车流流量;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内车辆的移动距离,计算帧图像I中每辆车的运行速度;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内车辆速度的变化量,计算帧图像I中每辆车的加速度;
根据每辆车的车头间距、车流流量、运行速度和加速度,利用梯度提升的机器学习得到车辆跟驰的加减速度最佳预测模型。
进一步的,对所有帧图像中的车辆进行编号,对于任意一辆车j,对应的车头间距为dj、车流流量为qj、运行速度为vj和加速度aj,其中,j=1,…n,n为所有帧图像中的总车辆数;
根据每辆车的车头间距、车流流量、运行速度和加速度,利用梯度提升的机器学习得到车辆跟驰的加减速度最佳预测模型,包括:
根据车头间距为dj、车流流量为qj和运行速度为vj建立加速度预测的回归模型为:
f(yj)=m1dj+m2qj+m3vj+c
其中,f(yj)为预测的加速度值,yj=(dj,qj,vj),mi为回归系数,i=1,2,3;c为常数;
根据加速度aj和预测的加速度值f(yj)求解回归模型的回归系数,进而得到加减速度最佳预测模型。
进一步的,所述根据加速度aj和预测的加速度值f(yj)求解回归模型的回归系数,进而得到加减速度最佳预测模型,包括:
定义损失函数l和目标函数L0:
采用XGBoost算法对目标函数进行求解,构建学习回归树后,目标函数变为L1:
其中,fc-1(yj)为现有构建的c-1棵树最优解,为第c棵树预测的残差值,Ω(fc)为树的复杂度;
XGBoost根据特定的准则选取最优分裂,通过将计算出的预测值代入损失函数,得到损失函数的最小值为:
其中,Gj为叶子节点j所包含样本(yj,aj)的一阶偏导数累加之和,Hj为叶子节点j所包含样本(yj,aj)的二阶偏导数累加之和,λ为正则化项的系数,γ为一个叶子节点的复杂度,T为叶子节点的数量,叶子节点代表不同回归树上yj的权重;
通过最大化损失函数L′差值的方法遍历f(yj)的回归系数,形成最终的决策树,从而得到车辆跟驰的加减速度最佳预测模型。
进一步的,所述λ取值为0.1。
进一步的,所述根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度,包括:
根据交通流特征,用元胞代表运行运动车辆;根据t时刻的车流流量,确定元胞自动机中输入的元胞数;
设定仿真的间隔时间Δt和元胞初始速度v0;
根据当前图像中的元胞位置计算每辆车的车头间距;
基于每辆车的车头间距、车流流量和速度v0,根据所述加减速度最佳预测模型计算t时刻的加速度a t,进而由车辆当前位置推算出在间隔时间Δt的位置,公式如下:
at=f*(yt)
vt+Δt=v0+atΔt
S1=S0+ΔSt
其中,S0为当前位置;S1为Δt时间后车辆所在的位置;
在元胞自动机中按照t时刻的车流流量依据仿真间隔依次对应输入元胞,每个元胞根据上述公式自动更新位置;
将每一次更新后得到的仿真图像按照时间顺序拼接播放,能够观察到模拟交通流的动态运行过程和道路拥堵情况。
本发明的第二个目的可以通过采取如下技术方案达到:
一种基于机器学习的道路监控车流仿真装置,所述装置包括:
获取模块,用于获取监测道路段的车流监测视频;
分离模块,用于根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
区分模块,用于根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
提取模块,用于根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征,所述跟驰行为特征包括车流流量、速度、车头间距和加减速度之间的关系;
仿真模块,用于根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。
本发明的第三个目的可以通过采取如下技术方案达到:
一种计算机设备,包括处理器以及用于存储处理器可执行程序的存储器,所述处理器执行存储器存储的程序时,实现上述的道路监控车流仿真方法。
本发明的第四个目的可以通过采取如下技术方案达到:
一种存储介质,存储有程序,所述程序被处理器执行时,实现上述的道路监控车流仿真方法。
本发明相对于现有技术具有如下的有益效果:
本发明提供的方法,利用帧间差分算法得到车辆的出行轨迹,通过机器学习提取交通流的跟驰行为特征,利用元胞自动机进行车流仿真模拟,能有效记录道路段的动态运行状况和拥堵程度以及对监测路段交通流进行预测分析。该方法能够较为准确、快速地识别出移动车辆;且适用范围广、仿真度高,可以为交通管理部门完善道路管控研究和流量预测提供帮助,有着广阔的行业应用前景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例1的基于机器学习的道路监控车流仿真方法的流程图。
图2为本发明实施例1的监测道路前一帧的监控截取图像。
图3为本发明实施例1的监测道路后一帧的监控截取图像。
图4为本发明实施例1的图像提取的移动前景。
图5为本发明实施例1的目标匹配算法标记出车辆的截取图像。
图6为本发明实施例1的车流跟驰行为的机器学习的流程图。
图7为本发明实施例1的正则化参数调整曲线的图像。
图8为本发明实施例1的车流模拟仿真过程截取的图像。
图9为本发明实施例2的基于机器学习的道路监控车流仿真装置的结构框图。
图10为本发明实施例3的计算机设备的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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作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。应当理解,描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
实施例1:
如图1所示,本实施例提供的基于机器学习的道路监控车流仿真方法,包括以下步骤:
S101、获取监测道路段的车流监测视频。
通过在监测道路段布置的固定监控设备,可以采集到的该路段的车流监测视频。通过选取采集视频中某一段视频做分辨率调整和切片抽帧处理,得到多张帧图像(切片图像),并按照时间顺序排序,并且每相邻两帧图像之间间隔时长设为Δm。
S102、根据车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景。
为了计算视频中运动的车辆坐标位置,需要从视频中分离出移动前景(运动像素区域)和背景(静止像素区域)。
将处理好的切片图像运用帧间差分法处理,该算法利用截取到的相邻两张图像像素之间的对比关系分离出图像的运动前景和场景背景,公式如下:
式中,It为t时刻截取的图像I中的任一像素点的值;It-Δm为与图像I相邻的图像中的像素点的值,并且It-Δm与It对应的像素点在两帧图像中的位置相同;Th为区分运动区域的阈值,当S取值为0时,该像素点为背景;当S取值为1时,该像素点为移动(运动)前景,判断完成后,将场景背景区域隐藏,只在图像中显示运动前景。
以本实施例中的监控图像为例,随机抽取相邻的两帧图像,如图2、图3所示,图2为前一帧图像、图3为后一帧图像,该路段包括一条双向六车道,通过帧间差分法对该路段的图像做运动前景提取,通过将两帧图像中的像素进行对比后,得到图2中包含的运动前景,并将其中的场景背景区域隐藏,得到的图像如图4所示。
S103、根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓。
将步骤S101中所有切片图像分离出运动前景和背景后,由于图像中显示的车辆形状是不规则和不均匀的,导致对于多辆车的重叠图像难以区分,因此利用目标匹配算法准确区分不同车辆,并根据其判断结果用矩形框将车辆轮廓标记出来,具体包括:
像素领域连通的计算公式为:
N1(p)={(x3+1,y3),(x3-1,y3),(x3,y3+1),(x3,y3-1)}
式中,p为移动前景中任一像素点,x3、y3分别为像素点p的横、纵坐标;N1(p)为像素点p的上下左右邻域点;
(1)若邻域点N1(p)中任一邻域点为移动前景,则与像素点p构成连通域;
(2)继续寻找新加入连通域的像素点的邻域点,若邻域点为移动前景,则加入连通域,重复步骤(2),直至新加入连通域的像素点的邻域点不是移动前景,则执行步骤(3);
(3)根据获得的像素点p的连通域,找出连通域的最小外接矩形,将最小外接矩形标记为运动车辆的轮廓。
根据步骤S102得到的处理后图像,利用目标匹配算法识别车辆,分析右侧三条行车道的过往车流,将每一辆车用矩形框在视频中标记出来,如图5所示。
S104、根据移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征。
跟驰行为特征为车流流量、速度、车头间距和加减速度之间的关系。
交通仿真分析最核心的部分是模拟所调查路段的车流跟驰行为特征,从而保证仿真结果更接近实际情况。
如图6所示,通过车辆的矩形标记框,计算出车辆形心坐标、车头间距、车流流量和运行速度;根据车辆形心坐标、车头间距、车流流量和运行速度,采用梯度提升的机器学习提取跟驰行为中加减速度的预测模型,得到加减速度的最佳预测模型,具体包括:
(1)根据车辆轮廓标记坐标,计算步骤S101中截取到的各个时刻图像(各帧图像)中车辆的形心坐标、车头间距、车流流量和速度,为跟驰模型中的加速度训练学习提供回归的自变量。
进一步的,步骤(1)包括:
(1-1)计算每辆车的形心坐标。
根据标记的运动车辆矩形框,计算运动车辆的形心坐标,公式如下:
其中,GL,GR,GU,GD分别对应移动车辆轮廓的矩形框的左、右、上、下边界的坐标,Vx、Vy分别为运动车辆的形心横坐标、形心纵坐标。
(1-2)计算每辆车的车头间距。
车头间距dt用两点间的像素形心直线距离乘以监控视频与实际相比的比例尺进行估算,公式如下:
其中,为t时刻图像中第i辆车与前一辆车的车头间距,若前方无车则令其等于一固定值d1,pro为监控视频与实际相比的比例尺。
(1-3)计算每辆车的车流流量。
车流流量qt可以反映一定时间内车辆数目变化的特征,t时刻的车流流量可以用与当前相比的下一帧图像中进入路段的车辆数Amt和两帧图像之间的间隔时长为Δm计算得到,计算公式如下:
得到的车流流量为t时刻帧图像的车流流量,即作为t时刻帧图像中每辆车的车流流量;
(1-4)计算每辆车的运行速度。
关于t时刻图像中第i辆车的行驶速度利用与当前相比的下一帧图像中的该车辆移动距离ΔSt和两帧图像之间的间隔时长为Δm计算得到,公式如下:
(1-5)计算每辆车的实际加速度。
t时刻图像中第i辆车的行驶加速度利用与当前相比的下一帧图像中的该车辆速度变化量/>和两帧图像之间的间隔时长为Δm计算得到,公式如下:
根据上述计算,可以得到所有帧图像中每辆车的车头间距、车流流量、运行速度和加速度。按照帧图像的排列顺序,对所有帧图像中的车辆进行编号,对于任意一辆车辆j,对应的车头间距为dj、车流流量为qj、运行速度为vj和加速度值aj;其中,j=1,…n,n为所有帧图像中的总车辆数。
(2)根据每辆车的车头间距、车流流量、运行速度和和加速度值,利用梯度提升的机器学习得到车辆跟驰的加减速度预测模型。
(2-1)建立加速度预测的回归模型:
f(yj)=m1dj+m2qj+m3vj+c
其中,f(yj)为预测的加速度值,yj=(dj,qj,vj),mi为回归系数,i=1,2,3;c为常数。
(2-2)利用实际的加速度值aj和预测的加速度值f(yj)求解回归模型的回归系数,进而得到加减速度最佳预测模型。
定义损失函数l和目标函数L0:
本实施例采用XGBoost算法对目标函数进行求解,构建学习回归树后,目标函数变为L1:
其中,fc-1(yj)为现有构建的c-1棵树最优解,为第c棵树预测的残差值,Ω(fc)为树的复杂度。
求解过程包括:
XGBoost根据特定的准则来选取最优分裂,通过将计算得到的预测值f(yj)代入损失函数求得损失函数的最小值为:
其中,Gj为叶子节点j所包含样本(yj,aj)的一阶偏导数累加之和,Hj为叶子节点j所包含样本(yj,aj)的二阶偏导数累加之和,λ为正则化项的系数,γ为一个叶子节点的复杂度,T为叶子节点的数量,叶子节点代表不同回归树上yj的权重。
通过最大化L′差值的方法遍历全部特征(车头间距、车辆速度和流量)的所有取值(f(yj)的回归系数),目的是构成的回归树能够最大程度地贴合实际,使误差达到最小。误差达到最小时确定最佳的回归系数mi,从而得到车辆跟驰的加减速度最佳预测模型f*(yj)。
在本实施例中,需要调整机器学习的正则化参数,合适的正则化参数能够使仿真结果更贴合实际。本实施例通过比较预测加速度f(yj)与实际加速度aj的平均误差来选择正则化参数,绘制误差和正则化参数λ的关系曲线,如图7所示,当误差达到最小时,确定正则项参数λ取0.1为最佳。
S105、根据跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。
基于监测车流跟驰行为建立的加减速度预测模型,利用模拟仿真场景中的车头间距df、车流流量qf和车辆速度vf,预测车流的运行情况,利用元胞自动机进行车流仿真分析,用元胞代表运行运动车辆。
结合微分原理,每一次仿真的间隔时间Δt越小,仿真结果就越接近连续变化的情况,但是当间隔时间过小时会对程序运算造成负担,因此需要选择合适的仿真频率,本实施例中选取的频率为10次/秒。
仿真开始时,根据步骤S104中计算出的当前时刻的流量放入相应的元胞数,例如:仿真间隔时间为1秒,步骤S104中计算的实际车流流量分别是第1秒=3辆、第1.5秒=4辆、第2秒=5辆、第2.5秒=4辆、第3秒=7辆;在仿真时,第1秒输入的元胞数=3、第2秒输入的元胞数=5、第3秒输入的元胞数=7。
并给定元胞初始速度为v0,然后根据当前图像中的元胞位置计算车头间距;已知当前车辆的车头间距、车流量和当前速度v0,根据f*(yj)计算出间隔时间后的加速度,进而由车辆当前位置可以推算出在经过较短时间Δt的位置,公式如下:
at=f*(yt)
vt+Δt=v0+atΔt
S1=S0+ΔSt
其中,S0为t时刻的元胞(车辆)位置,为当前位置;S1为t+Δt时刻元胞(车辆)的位置。
本实施例在元胞自动机中,按照步骤S104计算的车流流量qt依据仿真间隔依次对应输入元胞,每个元胞就会按照上述公式更新其移动的位置,将每一次更新后的仿真图像按照顺序拼接播放,就可以观察到模拟交通流的动态运行过程和道路拥堵情况。本实施例获取的监控视频,经过步骤S101至S104后,利用元胞自动机进行车流仿真,其运行过程截图如图8所示,图中白色块表示该路段当前时刻的运行车辆。
应当注意,尽管在附图中以特定顺序描述了上述实施例的方法操作,但是这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,描绘的步骤可以改变执行顺序。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
实施例2:
如图9所示,本实施例提供了一种基于机器学习的道路监控车流仿真装置,该装置包括获取模块901、分离模块902、区分模块903、提取模块904和仿真模块905,其中:
获取模块901,用于获取监测道路段的车流监测视频;
分离模块902,用于根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
区分模块903,用于根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
提取模块904,用于根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征,所述跟驰行为特征包括车流流量、速度、车头间距和加减速度之间的关系;
仿真模块905,用于根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。
本实施例中各个模块的具体实现可以参见上述实施例1,在此不再一一赘述;需要说明的是,本实施例提供的装置仅以上述各功能模块的划分进行举例说明,在实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
实施例3:
本实施例提供了一种计算机设备,该计算机设备可以为计算机,如图10所示,其通过系统总线1001连接的处理器1002、存储器、输入装置1003、显示器1004和网络接口1005,该处理器用于提供计算和控制能力,该存储器包括非易失性存储介质1006和内存储器1007,该非易失性存储介质1006存储有操作系统、计算机程序和数据库,该内存储器1007为非易失性存储介质中的操作系统和计算机程序的运行提供环境,处理器1002执行存储器存储的计算机程序时,实现上述实施例1的道路监控车流仿真方法,如下:
获取监测道路段的车流监测视频;
根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征;
根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。
实施例4:
本实施例提供了一种存储介质,该存储介质为计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时,实现上述实施例1的道路监控车流仿真方法,如下:
获取监测道路段的车流监测视频;
根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征;
根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度。
需要说明的是,本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
综上所述,本发明根据道路监控设备得到路段的车流监测视频,并通过帧间差分法计算出移动车辆的坐标位置;利用目标匹配算法标记出移动车辆的轮廓;结合移动车辆轮廓的坐标利用机器学习提取该监测路段车辆跟驰的行为特征,计算出跟驰行为的加速度回归模型;基于元胞自动机进行该监测路段车流的仿真;基于仿真结果进行交通流评价。本发明提供的方法,通过利用帧间差分法和目标匹配算法能够较为准确、快速地识别出移动车辆;基于车头间距、车流流量和速度,采用梯度提升的机器学习训练跟驰行为中加减速度的预测模型,得到加减速度的最佳预测模型;基于最佳预测模型,利用元胞自动机进行车流仿真,能够实时了解道路段的动态运行状况和拥堵程度。该方法具有算法复杂度低、适用范围广、识别类型多和仿真度高的优势,可针对不同道路段的车流进行模拟描述,为交通管理部门完善道路管控研究和流量预测提供帮助。
以上所述,仅为本发明专利较佳的实施例,但本发明专利的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明专利所公开的范围内,根据本发明专利的技术方案及其发明构思加以等同替换或改变,都属于本发明专利的保护范围。
Claims (8)
1.一种基于机器学习的道路监控车流仿真方法,其特征在于,所述方法包括:
获取监测道路段的车流监测视频;
根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征;
根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度;
其中,设t时刻的帧图像为I;
所述根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征,包括:
根据所述移动车辆的轮廓,计算每辆车的形心坐标;
根据所述形心坐标,计算每辆车的车头间距;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内进入道路段的车辆数,计算帧图像I的车流流量;帧图像I的车流流量即为t时刻的车流流量,作为帧图像I中每辆车的车流流量;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内车辆的移动距离,计算帧图像I中每辆车的运行速度;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内车辆速度的变化量,计算帧图像I中每辆车的加速度;
根据每辆车的车头间距、车流流量、运行速度和加速度,利用梯度提升的机器学习得到车辆跟驰的加减速度最佳预测模型;
其中,对所有帧图像中的车辆进行编号,对于任意一辆车j,对应的车头间距为dj、车流流量为qj、运行速度为vj和加速度aj,j=1,…n,n为所有帧图像中的总车辆数;
所述根据每辆车的车头间距、车流流量、运行速度和加速度,利用梯度提升的机器学习得到车辆跟驰的加减速度最佳预测模型,包括:
根据车头间距为dj、车流流量为qj和运行速度为vj建立加速度预测的回归模型为:
f(yj)=m1dj+m2qj+m3vj+c
其中,f(yj)为预测的加速度值,yj=(dj,qj,vj),mi为回归系数,i=1,2,3;c为常数;
根据加速度aj和预测的加速度值f(yj)求解回归模型的回归系数,进而得到加减速度最佳预测模型。
2.根据权利要求1所述的道路监控车流仿真方法,其特征在于,所述根据所述车流监测视频,利用帧间差分法分离出每帧图像中的移动前景和背景,包括:
将所述车流监测视频拆分成多帧图像,并按照时间顺序排序;
运用帧间差分法从相邻两帧图像中分离出每帧图像的移动前景和背景。
3.根据权利要求2所述的道路监控车流仿真方法,其特征在于,所述帧间差分法的公式如下:
其中,It和It-Δm分别为相邻两帧图像中同一位置点的像素值,Th为设定阈值,当S取值为0时,该像素点为背景;当S取值为1时,该像素点为移动前景。
4.根据权利要求1所述的道路监控车流仿真方法,其特征在于,所述根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓,包括:
N1(p)={(x3+1,y3),(x3-1,y3),(x3,y3+1),(x3,y3-1)}
其中,p为帧图像中移动前景对应的像素点中任一像素点,x3、y3分别为像素点p的横、纵坐标,N1(p)为像素点p的上下左右4个邻域点;
若邻域点N1(p)中任一邻域点为移动前景,则与像素点p构成连通域;
寻找新加入连通域的像素点的邻域点,若所述邻域点为移动前景,则加入连通域,重复此过程,直至新加入连通域的像素点的邻域点不是移动前景,则停止寻找,并获得像素点p的连通域;
根据所述像素点p的连通域,找出所述连通域的最小外接矩形,所述最小外接矩形为运动车辆标记的轮廓。
5.根据权利要求1所述的道路监控车流仿真方法,其特征在于,所述根据加速度aj和预测的加速度值f(yj)求解回归模型的回归系数,进而得到加减速度最佳预测模型,包括:
定义损失函数l和目标函数L0:
采用XGBoost算法对目标函数进行求解,构建学习回归树后,目标函数变为L1:
其中,fc-1(yj)为现有构建的c-1棵树最优解,为第c棵树预测的残差值,Ω(fc)为树的复杂度;
XGBoost根据特定的准则选取最优分裂,通过将计算出的预测值代入损失函数,得到损失函数的最小值为:
其中,Gj为叶子节点j所包含样本(yj,aj)的一阶偏导数累加之和,Hj为叶子节点j所包含样本(yj,aj)的二阶偏导数累加之和,λ为正则化项的系数,γ为一个叶子节点的复杂度,T为叶子节点的数量,叶子节点代表不同回归树上yj的权重;
通过最大化损失函数L′差值的方法遍历f(yj)的回归系数,形成最终的决策树,从而得到车辆跟驰的加减速度最佳预测模型。
6.根据权利要求5所述的道路监控车流仿真方法,其特征在于,所述λ取值为0.1。
7.根据权利要求1所述的道路监控车流仿真方法,其特征在于,所述根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度,包括:
根据交通流特征,用元胞代表运行运动车辆;根据t时刻的车流流量,确定元胞自动机中输入的元胞数;
设定仿真的间隔时间Δt和元胞初始速度v0;
根据当前图像中的元胞位置计算每辆车的车头间距;
基于每辆车的车头间距、车流流量和速度v0,根据所述加减速度最佳预测模型计算t时刻的加速度at,进而由车辆当前位置推算出在间隔时间Δt的位置,公式如下:
at=f*(yt)
vt+Δt=v0+atΔt
S1=S0+ΔSt
其中,S0为当前位置;S1为Δt时间后车辆所在的位置,f*(yt)为加减速度最佳预测模型;
在元胞自动机中按照t时刻的车流流量依据仿真间隔依次对应输入元胞,每个元胞根据上述公式自动更新位置;
将每一次更新后得到的仿真图像按照时间顺序拼接播放,能够观察到模拟交通流的动态运行过程和道路拥堵情况。
8.一种基于机器学习的道路监控车流仿真装置,其特征在于,所述装置包括:
获取模块,用于获取监测道路段的车流监测视频;
分离模块,用于根据所述车流监测视频,利用帧间差分法分离出每帧图像的移动前景和背景;
区分模块,用于根据每帧图像中的移动前景对应的像素点,利用目标匹配算法准确区分不同车辆,并用矩形框标记移动车辆的轮廓;
提取模块,用于根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征,所述跟驰行为特征包括车流流量、速度、车头间距和加减速度之间的关系;
仿真模块,用于根据所述跟驰行为特征,利用元胞自动机进行车流仿真分析,通过仿真结果能够实时了解道路段的动态运行状况和拥堵程度;
其中,设t时刻的帧图像为I;
所述根据所述移动车辆的轮廓,利用梯度提升的机器学习提取跟驰行为特征,包括:
根据所述移动车辆的轮廓,计算每辆车的形心坐标;
根据所述形心坐标,计算每辆车的车头间距;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内进入道路段的车辆数,计算帧图像I的车流流量;帧图像I的车流流量即为t时刻的车流流量,作为帧图像I中每辆车的车流流量;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内车辆的移动距离,计算帧图像I中每辆车的运行速度;
根据帧图像I与相邻帧图像的间隔时长以及在间隔时长内车辆速度的变化量,计算帧图像I中每辆车的加速度;
根据每辆车的车头间距、车流流量、运行速度和加速度,利用梯度提升的机器学习得到车辆跟驰的加减速度最佳预测模型;
其中,对所有帧图像中的车辆进行编号,对于任意一辆车j,对应的车头间距为dj、车流流量为qj、运行速度为vj和加速度aj,j=1,…n,n为所有帧图像中的总车辆数;
所述根据每辆车的车头间距、车流流量、运行速度和加速度,利用梯度提升的机器学习得到车辆跟驰的加减速度最佳预测模型,包括:
根据车头间距为dj、车流流量为qj和运行速度为vj建立加速度预测的回归模型为:
f(yj)=m1dj+m2qj+m3vj+c
其中,f(yj)为预测的加速度值,yj=(dj,qj,vj),mi为回归系数,i=1,2,3;c为常数;
根据加速度aj和预测的加速度值f(yj)求解回归模型的回归系数,进而得到加减速度最佳预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673499.7A CN115019508B (zh) | 2022-06-13 | 2022-06-13 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210673499.7A CN115019508B (zh) | 2022-06-13 | 2022-06-13 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115019508A CN115019508A (zh) | 2022-09-06 |
CN115019508B true CN115019508B (zh) | 2023-09-29 |
Family
ID=83075755
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210673499.7A Active CN115019508B (zh) | 2022-06-13 | 2022-06-13 | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115019508B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116311922B (zh) * | 2023-02-28 | 2024-03-01 | 江苏长天智远数字智能科技有限公司 | 一种基于元胞自动机的交通运行态势预测方法以及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561836A (zh) * | 2009-01-05 | 2009-10-21 | 天津大学 | 基于元胞机的城市微观交通流仿真系统 |
JP2011154481A (ja) * | 2010-01-26 | 2011-08-11 | Toshiba Corp | 道路交通状況解析システム及び方法 |
CN102622516A (zh) * | 2012-02-22 | 2012-08-01 | 天津港(集团)有限公司 | 面向道路安全评价的微观交通流仿真方法 |
CN104599502A (zh) * | 2015-02-13 | 2015-05-06 | 重庆邮电大学 | 一种基于视频监控的车流量统计方法 |
CN106846812A (zh) * | 2017-03-14 | 2017-06-13 | 北京航空航天大学 | 一种十字路口的交通流量评估方法 |
CN106991251A (zh) * | 2017-04-27 | 2017-07-28 | 东南大学 | 一种高速公路交通流元胞机仿真方法 |
CN108573601A (zh) * | 2018-03-26 | 2018-09-25 | 同济大学 | 一种基于wim数据的交通安全风险场构建方法 |
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN112330135A (zh) * | 2020-11-02 | 2021-02-05 | 苏州工业园区测绘地理信息有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
WO2021208275A1 (zh) * | 2020-04-12 | 2021-10-21 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
CN114328448A (zh) * | 2021-12-01 | 2022-04-12 | 中交第二公路勘察设计研究院有限公司 | 基于模仿学习算法的高速公路车辆跟驰行为重构方法 |
CN114463390A (zh) * | 2022-01-11 | 2022-05-10 | 东南大学 | 耦合车队跟驰强化的多孪生对抗网络跨相机车辆追踪方法 |
CN114582127A (zh) * | 2022-03-07 | 2022-06-03 | 中国公路工程咨询集团有限公司 | 一种交通流模型仿真方法、系统和异常交通事件预测方法 |
-
2022
- 2022-06-13 CN CN202210673499.7A patent/CN115019508B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101561836A (zh) * | 2009-01-05 | 2009-10-21 | 天津大学 | 基于元胞机的城市微观交通流仿真系统 |
JP2011154481A (ja) * | 2010-01-26 | 2011-08-11 | Toshiba Corp | 道路交通状況解析システム及び方法 |
CN102622516A (zh) * | 2012-02-22 | 2012-08-01 | 天津港(集团)有限公司 | 面向道路安全评价的微观交通流仿真方法 |
CN104599502A (zh) * | 2015-02-13 | 2015-05-06 | 重庆邮电大学 | 一种基于视频监控的车流量统计方法 |
CN106846812A (zh) * | 2017-03-14 | 2017-06-13 | 北京航空航天大学 | 一种十字路口的交通流量评估方法 |
CN106991251A (zh) * | 2017-04-27 | 2017-07-28 | 东南大学 | 一种高速公路交通流元胞机仿真方法 |
CN108573601A (zh) * | 2018-03-26 | 2018-09-25 | 同济大学 | 一种基于wim数据的交通安全风险场构建方法 |
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
WO2021208275A1 (zh) * | 2020-04-12 | 2021-10-21 | 南京理工大学 | 一种交通视频背景建模方法及系统 |
CN112330135A (zh) * | 2020-11-02 | 2021-02-05 | 苏州工业园区测绘地理信息有限公司 | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 |
CN114328448A (zh) * | 2021-12-01 | 2022-04-12 | 中交第二公路勘察设计研究院有限公司 | 基于模仿学习算法的高速公路车辆跟驰行为重构方法 |
CN114463390A (zh) * | 2022-01-11 | 2022-05-10 | 东南大学 | 耦合车队跟驰强化的多孪生对抗网络跨相机车辆追踪方法 |
CN114582127A (zh) * | 2022-03-07 | 2022-06-03 | 中国公路工程咨询集团有限公司 | 一种交通流模型仿真方法、系统和异常交通事件预测方法 |
Non-Patent Citations (1)
Title |
---|
基于安全参数的双车道元胞自动机交通流模型及两种交通规则下的模拟分析;卫妮娜 等;《公路与汽运》;第40-43、56页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115019508A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN110084095B (zh) | 车道线检测方法、车道线检测装置和计算机存储介质 | |
CN108898085B (zh) | 一种基于手机视频的道路病害智能检测方法 | |
CN110443969B (zh) | 一种火点检测方法、装置、电子设备及存储介质 | |
CN110751099B (zh) | 一种基于深度学习的无人机航拍视频轨迹高精度提取方法 | |
CN105956632B (zh) | 一种检测目标的方法和装置 | |
CN111126399A (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
EP2927871A1 (en) | Method and device for calculating number of pedestrians and crowd movement directions | |
CN109190488B (zh) | 基于深度学习YOLOv3算法的前车车门打开检测方法及装置 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN109974722A (zh) | 一种视觉机器人的地图更新控制方法及地图更新控制系统 | |
CN111242015A (zh) | 一种基于运动轮廓语义图预测行车危险场景的方法 | |
CN110991397B (zh) | 一种行进方向确定方法及相关设备 | |
CN115019508B (zh) | 基于机器学习的道路监控车流仿真方法、装置、设备及介质 | |
CN107808524A (zh) | 一种基于无人机的道路交叉口车辆检测方法 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN114089330B (zh) | 一种基于深度图像修复的室内移动机器人玻璃检测与地图更新方法 | |
CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
CN115620518B (zh) | 基于深度学习的交叉口交通冲突判别方法 | |
CN112329645A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
CN110517285B (zh) | 基于运动估计me-cnn网络的大场景极小目标跟踪 | |
CN113065431A (zh) | 一种基于隐马尔可夫模型和循环神经网络的人体违规行为预测方法 | |
CN112818935A (zh) | 基于深度学习的多车道拥堵检测及持续时间预测方法及系统 | |
CN112001453B (zh) | 一种视频事件检测算法的准确率计算方法及装置 |
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 |