CN116151619A - 一种基于视频分析的路内停车安全评价方法 - Google Patents

一种基于视频分析的路内停车安全评价方法 Download PDF

Info

Publication number
CN116151619A
CN116151619A CN202310115203.4A CN202310115203A CN116151619A CN 116151619 A CN116151619 A CN 116151619A CN 202310115203 A CN202310115203 A CN 202310115203A CN 116151619 A CN116151619 A CN 116151619A
Authority
CN
China
Prior art keywords
parking
collision
road
vehicle
parked
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.)
Pending
Application number
CN202310115203.4A
Other languages
English (en)
Inventor
汪春
张卫华
丁俊美
吴丛
朱文佳
赵世
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.)
Intelligent Manufacturing Institute of Hefei University Technology
Original Assignee
Intelligent Manufacturing Institute of Hefei University Technology
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 Intelligent Manufacturing Institute of Hefei University Technology filed Critical Intelligent Manufacturing Institute of Hefei University Technology
Priority to CN202310115203.4A priority Critical patent/CN116151619A/zh
Publication of CN116151619A publication Critical patent/CN116151619A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
    • 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

Abstract

本发明公开了一种基于视频分析的路内停车安全评价方法，属于道路交通技术领域，具体方法包括：步骤一：采集路内停车的高清停车视频，对获得的高清停车视频进行特征分析，获得对应的特征数据；步骤二：将获得的特征数据拆分为过程数据和驻停数据；步骤三：对过程数据进行量化分析；步骤四：对驻停数据进行量化分析；步骤五：根据步骤三和步骤四中分析得到的TTC值建立碰撞风险评价模型，对路内停车泊位进行交通安全评价，并将评价结果作为路内泊位设置和取消的依据；通过设置路内泊位评价方法，对路内停车泊位进行评价，为后续路内泊位的设置和取消提供依据，并在评价的过程中不局限于道路等级、车道数、非机动车道宽度等静态特征来进行评价。

Description

一种基于视频分析的路内停车安全评价方法
技术领域
本发明属于道路交通技术领域，具体是一种基于视频分析的路内停车安全评价方法。
背景技术
随着机动车保有量持续增加，停车难问题日益突出，目前各大城市普遍存在路内停车泊位比例高、路外停车泊位比例低的泊位供给结构不均衡的特征。路内停车泊位一般结合非机动车道和人行道设置，有效满足了城市临时停车需求，同时也由于大幅挤压城市慢行空间，在车辆驶入、驶出和驻停期间，与行人和非机动车产生非常大的交通冲突，由此引发的交通事故多，交通安全隐患大，因此需要对路内停车泊位进行评价，为了解决上述问题，本发明提供了一种基于视频分析的路内停车安全评价方法。
发明内容
为了解决上述方案存在的问题，本发明提供了一种基于视频分析的路内停车安全评价方法。
本发明的目的可以通过以下技术方案实现：
一种基于视频分析的路内停车安全评价方法，具体方法包括：
步骤一：采集路内停车的高清停车视频，对获得的高清停车视频进行特征分析，获得对应的特征数据；
步骤二：将获得的特征数据拆分为过程数据和驻停数据；
步骤三：对过程数据进行量化分析；
步骤四：对驻停数据进行量化分析；
步骤五：根据步骤三和步骤四中分析得到的TTC值建立碰撞风险评价模型，对路内停车泊位进行交通安全评价，并将评价结果作为路内泊位设置和取消的依据。
进一步地，对过程数据进行量化分析的方法包括：
提取过程数据中的特征参数，选取碰撞时间TTC作为交通冲突判定指标，建立交通冲突计算模型，对机动车在驶入和驶出泊位、车辆开门过程进行碰撞冲突量化计算。
进一步地，建立交通冲突计算模型，对机动车在驶入和驶出泊位、车辆开门过程进行碰撞冲突量化计算的方法包括：
以非机动车道的道路边缘为X轴，垂直于道路边缘为Y轴，构建全局坐标系；基于待停车车辆视角建立以待停车车辆为原点的局部坐标系；进行交通冲突类型判断，交通冲突类型包括待停车车辆与周围个体存在正面碰撞冲突、待停车车辆与周围个体存在追尾碰撞冲突和待停车车辆与周围个体存在侧向碰撞冲突；进行交通冲突类型的冲突评价指标计算，获得对应的TTC值。
进一步地，交通冲突类型判断：
根据待停车车辆的运动方向、位置信息和驾驶人视野范围内的个体的运动方向、位置信息，确定待停车车辆与周围个体的冲突类型；
若tanθ＝0且yna≥0，则待停车车辆与周围个体存在正面碰撞冲突；
若tanθ＝0且yna＜0，则待停车车辆与周围个体存在追尾碰撞冲突；
若tanθ≠0，则待停车车辆与周围个体存在侧向碰撞冲突；
其中，
Figure BDA0004078403740000021
θ为冲突角度，xna和yna为冲突个体在局部坐标系中的横向和纵向位置。
进一步地，正面碰撞冲突和追尾碰撞冲突的TTC值计算方法：
对于待停车车辆i在t时刻其视野范围内存在正面碰撞或追尾碰撞冲突的个体j，安全碰撞时间TTCij(t)为：
Figure BDA0004078403740000031
其中，dij(t)为t时刻待停车车辆i与其视野范围内的冲突个体j的距离，dij(t)＝|yj(t)|；yj(t)为t时刻驾驶人视野范围内的冲突个体j的纵向位置；vi(t)和vj(t)分别为t时刻待停车车辆i与其视野范围内的冲突个体j的速度。
进一步地，对驻停数据进行量化分析的方法包括：
将车辆驻停期间机动车和非机动车混行交通冲突数据集AB1进行归类分析，根据路内泊位设置后剩余的非机动车道宽度、是否有机动车和非机动车隔离带，判断是否是因为路内停车泊位设置而引起的交通冲突，并形成新的交通冲突数据集，构建交通冲突分析模型，通过交通冲突分析模型对车辆驻停期的交通冲突分析进行量化分析。
与现有技术相比，本发明的有益效果是：
通过设置路内泊位评价方法，实现对路内停车泊位进行评价，为后续路内泊位的设置和取消提供依据，并在评价的过程中不局限于道路等级、车道数、非机动车道宽度等静态特征来进行评价，通过提出相关设置标准，对路内停车泊位设置引起的动态的交通安全方面的问题进行量化分析和评价。
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的介绍，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获得其他的附图。
图1为本发明方法流程图；
图2为本发明全局坐标系示意图；
图3为本发明局部坐标系示意图；
图4为本发明局部坐标系下的侧向碰撞冲突示意图；
图5为本发明基于故障树的停车碰撞风险评价结构图。
具体实施方式
下面将结合实施例对本发明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。
如图1至图5所示，一种基于视频分析的路内停车安全评价方法，具体方法包括：
步骤一：采集路内停车的高清停车视频，对获得的高清停车视频进行特征分析，获得对应的特征数据，特征数据包括车辆、非机动车、行人的轨迹数据以及车辆开关门动作的结构化数据；
具体的，可以通过停车位数据采集的相关的智慧停车高位视频、电警、交通监控等采集路内停车驶入泊位、驻停期间和驶出泊位时的高清视频，即高清停车视频；
对获得的高清停车视频进行特征分析的方法为：第一种方法可以直接利用现有的视频解析软件提取视频中车辆和非机动车、行人的轨迹数据，提取车辆开关门动作的视频结构化数据；还可通过共享单车平台提取共享单车运行轨迹数据和运行特征数据(如急刹车、急变道等)；但是通过共享单车数据进行分析，虽然具有代表作业，但是具有一定的局限性；第二种方法为：基于CNN网络或DNN网络建立对应的特征分析模型，通过人工的方式对历史相关的停车视频进行处理，建立对应的训练集，通过设置的训练集对高清停车视频进行分析，获得对应的特征数据。
如高清停车视频中车辆轨迹数据A，非机动车轨迹数据B，行人轨迹数据C，提取车辆开关门动作的动作数据D；通过共享单车平台提取共享单车运行轨迹数据E和运行特征数据F(如急刹车、急变道等)。对各数据集进行数据处理，根据时间和空间重合特征，提取停车车辆与非机动车交通冲突数据集AB1，驻停期间机非混行交通冲突数据集AB2，车辆与行人交通冲突数据集AC，车辆开关门与非机动车和行人交通冲突数据集BCD，共享单车受停车影响的占道行驶数据集AE，共享单车受停车影响的行驶异常数据集AF。
步骤二：将获得的特征数据拆分为过程数据和驻停数据；
过程数据指的是车辆驶入和驶出泊位过程的数据；驻停数据指的是车辆在车位上驻停阶段的数据，通过现有的数据识别分割技术可以将特征数据拆分为过程数据和驻停数据，因此不进行详细叙述。
步骤三：对过程数据进行量化分析；
提取过程数据中的特征参数，特征参数是通过人工的方式设置对应的参数项进行组合的，包括机动车、非机动车、行人、车辆开门运作的位置、速度、方向等参数，选取碰撞时间TTC作为交通冲突判定指标，建立交通冲突计算模型，对机动车在驶入和驶出泊位、车辆开门过程进行碰撞冲突量化计算。
具体方法为：如图2所示，以非机动车道的道路边缘为X轴，垂直于道路边缘为Y轴，构建全局坐标系；
基于待停车车辆视角，可以建立以待停车车辆为原点的局部坐标系；其中，X轴为待停车车辆的运动方向，Y轴为垂直于待停车车辆的运动方向。停车驾驶人的前视野范围和后视野范围决定了其可以感知到的周围个体，即：在停车驾驶人视野范围内的个体可能与待停车车辆存在交通冲突。其中，驾驶人的前视野范围与车辆当前的速度有关，驾驶人的后视野范围与车辆后视镜的位置有关，如图3所示；
交通冲突类型判断：
根据待停车车辆的运动方向、位置信息和驾驶人视野范围内的个体的运动方向、位置信息，确定待停车车辆与周围个体的冲突类型。
若tanθ＝0且yna≥0，则待停车车辆与周围个体存在正面碰撞冲突；
若tanθ＝0且yna＜0，则待停车车辆与周围个体存在追尾碰撞冲突；
若tanθ≠0，则待停车车辆与周围个体存在侧向碰撞冲突。
其中，
Figure BDA0004078403740000061
θ为冲突角度，xna和yna为冲突个体在局部坐标系中的横向和纵向位置。
冲突评价指标计算：
选取安全碰撞时间(Time-To-Collision,TTC)作为冲突评价指标，TTC的含义为：从某时刻t开始，前后两车不采取任何措施直至发生追尾碰撞所需要的时间。不同冲突类型下的TCC计算方法如下：
1)正面碰撞冲突和追尾碰撞冲突的TTC计算方法：
对于待停车车辆i在t时刻其视野范围内存在正面碰撞或追尾碰撞冲突的个体j，安全碰撞时间TTCij(t)为：
Figure BDA0004078403740000062
其中，dij(t)为t时刻待停车车辆i与其视野范围内的冲突个体j的距离，dij(t)＝|yj(t)|；yj(t)为t时刻驾驶人视野范围内的冲突个体j的纵向位置；vi(t)和vj(t)分别为t时刻待停车车辆i与其视野范围内的冲突个体j的速度。
2)侧面碰撞冲突TTC计算方法：
图4为局部坐标系下的侧向碰撞冲突示意图。对于待停车车辆i在t时刻其视野范围内存在侧面碰撞冲突的个体j，安全碰撞时间TTCij(t)为：
Figure BDA0004078403740000071
其中，TTCx(t)为横向碰撞时间，
Figure BDA0004078403740000072
其中，dic,x(t)为t时刻i车和碰撞冲突点之间的横向距离，xc(t)为碰撞冲突点的横向位置，碰撞冲突点是冲突个体j与车辆i的距离最近的点；W为i车的宽度；vj,x(t)为t时刻冲突个体j的速度在x轴方向上的分量；θ为两者之间的碰撞角度，/>
Figure BDA0004078403740000073
TTCy(t)为纵向碰撞时间，
Figure BDA0004078403740000074
其中，dic,y(t)为t时刻i车和碰撞冲突点之间的纵向距离，yc(t)为碰撞冲突点的纵向位置，Li为i车的长度；vi(t)为t时刻待停车辆i的速度，vj,y(t)为t时刻冲突个体j的速度在Y轴方向上的分量。
TTCy,min(t)和TTCy,max(t)分别为纵向碰撞的最小和最大时间；
Figure BDA0004078403740000081
Figure BDA0004078403740000082
其中，dij,y(t)为t时刻i车和冲突个体j之间的纵向距离Lj；yj(t)为冲突个体的纵向位置；Lj为冲突个体j的长度，Lj与冲突个体的类型(电动车、自行车、行人)有关。
在一个实施例中，在进行量化分析前需要确定对应的量化区域，具体方法包括：
获取预设量化数量区间，预设量化数量区间是通过人工的方式进行设置，主要是根据对应的代表性进行设置的，即对应分析的数量需要达到的需求数量；获取当前的道路规划图，在获得的道路规划图中标记符合当前道路要求的待选道路，识别各个待续道路的道路参数，将待选道路进行组合，获得若干个待选组合，对获得的待选组合进行筛选，获得目标组合，将目标组合的待选道路对应的道路区域标记为量化区域。
道路要求即为需要件分析的道路种类等要求，如道路规格，即标记的待选道路是可以进行同时分析的，具有相同的代表作用，具体的根据人工或者现有的路内分析原理可以进行相应的待选道路标记，且根据常识各个待选道路的间隔距离并不会很远。
识别各个待续道路的道路参数的方法包括：
制定参数统计表，参数统计表包括路内车位数项、采集清晰度项、车流量项、历史状态项，根据设置的参数统计表中的各个采集项获取对应待选道路的参数数据，并将获得的参数数据对应补充到参数统计表中。
根据设置的参数统计表中的各个采集项获取对应待选道路的参数数据，其中路内车位数项、采集清晰度项、车流量项对应的数据通过对应道路规划图可以直接获取对应的信息，车流量可以按照需要统计一段时间内的平均值，采集清晰度值指的是对应高位视频、电警、交通监控等采集方式对应的采集清晰度和采集全面性，通过人工的方式设置对应的权重比例，再通过对应的视频分析可以获得，或者训练对应的深度神经网络进行智能分析；
获取历史状态项对应的参数数据的方法包括：
获取待选道路一段时间内的交通状态数据，如可以通过对接一些导航软件或者其他方式获取该道路一段时间的交通行驶状况，如拥堵状况、次数等数据，一段时间可以为一周，具体的可以根据实际需要进行调整，建立交通状态分析模型，将获得的交通状态数据输入到交通状态分析模型中进行分析，获得对应的交通状态值。其中，交通状态分析模型是基于CNN网络或DNN网络进行建立的，通过人工的方式设置对应的训练集进行训练。
将待选道路进行组合，通过现有的组合方式在满足预设量化数量区间的要求下进行组合，具体的为本领域常识。
对获得的待选组合进行筛选的方法包括：
获取待选组合内各个待选道路对应的道路参数，将待选组合内对应的待选道路标记为i，其中i＝1、2、……、n，n为正整数；识别待选道路对应的车位数，根据识别的车位数匹配对应的车位值，具体的为通过人工的方式建立对应的车位数匹配表，通过对应的车位数匹配对应的车位区间，进而获得对应的车位值，将获得的车位值标记为CWi，识别待选道路对应的采集清晰度值，将获得的采集清晰度值标记为CXi，识别待选道路对应的车流量和交通状态值，根据获得的车流量和交通状态值匹配对应的调整系数，将获得的调整系数标记为αi，根据公式
Figure BDA0004078403740000091
计算对应的优先值，其中b1、b2均为比例系数，取值范围为0<b1≤1，0<b2≤1，选择优先值最高的待选组合为目标组合。
根据获得的车流量和交通状态值匹配对应的调整系数的方法包括：
基于历史交通数据进行分析，获得可能具有的车流量和交通状态值组合，通过上述获取对应数据的方法，根据对应的历史数据可以获得在道路中可能具有的车流量和交通状态值组合，将车流量和交通状态值组合转化为对应的系数坐标，如车流量和交通状态值组合1和2，则系数坐标为(1，2)；将获得的系数坐标输入到坐标空间中，通过人工的方式基于调整系数设置原理设置聚类限制条件，根据设置的聚类限制条件在坐标空间中进行聚类，获得若干个聚类，确定各个聚类边界，获得匹配区域，为每个匹配区域设置对应的调整系数；
将获得的车流量和交通状态值转化为匹配坐标，将匹配坐标输入到坐标空间中，识别匹配坐标位于的匹配区域，获得对应的调整系数。
步骤四：对驻停数据进行量化分析；
将车辆驻停期间机动车和非机动车混行交通冲突数据集AB1进行归类分析，根据路内泊位设置后剩余的非机动车道宽度、是否有机动车和非机动车隔离带，判断是否是因为路内停车泊位设置而引起的交通冲突，并形成新的交通冲突数据集，构建交通冲突分析模型，通过交通冲突分析模型对车辆驻停期的交通冲突分析进行量化分析。
停车车辆处于驻停状态时，此时，车辆的速度为0，即vi(t)＝0。同理，根据步骤三中的冲突类型判断及冲突指标计算方法，可以求出车辆驻停期间的TTC。
步骤五：根据步骤三和步骤四中分析得到的TTC值建立碰撞风险评价模型，对路内停车泊位进行交通安全评价，并将评价结果作为路内泊位设置和取消的依据。
(1)碰撞风险评价模型
待停车车辆在驶入车位、驶出车位及驻停期间的交通风险水平与碰撞发生概率和碰撞严重程度有关。为了在碰撞风险水平中同时考虑这两个因素，我们选用故障树分析法计算待停车车辆在驶入车位、驶出车位及驻停期间的碰撞风险水平。基于故障树分析法的停车碰撞风险评价模型具体步骤如下：
1)图5为基于故障树的停车碰撞风险评价结构，其中，停车碰撞风险水平为顶事件，待停车车辆与周围个体发生碰撞为中间事件，待停车车辆与周围个体之间的碰撞风险暴露水平和风险严重程度为底事件。
2)风险暴露水平
风险暴露水平反映的是停车过程中的碰撞发生概率。车辆碰撞发生概率与TTC密切相关。一般来说，TTC越大，驾驶人存在更多时间调整车辆运动以降低碰撞发生概率。反之，TTC越小，驾驶人可操纵车辆的时间越短。我们根据停车过程中的TTC判别高风险碰撞事件，并根据高风险碰撞事件的持续时间计算风险暴露水平。
高风险碰撞事件定义如下：当TTC大于5s时，此时待停车车辆与周围个体发生碰撞的概率较大，我们认为此时为高风险碰撞事件。
风险暴露水平TRL的计算方法如下：
Figure BDA0004078403740000111
其中，Tunsafe,j为停车车辆j在统计时间段内存在高风险碰撞概率的持续时间，T为统计时间周期。统计时间周期包括：车辆驶入泊位时间段，车辆驻停时间段和车辆驶出泊位时间段。
3)风险严重程度
风险严重程度反映的是停车过程中的风险导致的碰撞事故的严重程度。我们用利用TTC值表征变道风险潜在碰撞严重程度SRL。
Figure BDA0004078403740000121
TTCj，,max为统计周期内停车车辆j与周围冲突个体的最大TTC值。
4)碰撞风险水平
通过风险暴露水平和风险严重程度可以计算停车车辆i与周围个体j发生碰撞的风险水平ηj，计算方法如下：
ηj＝TRLj×SRLj；
其中，TRLj表示停车车辆j与周围个体之间的交通冲突导致碰撞发生的概率；SRLj表示停车车辆j与周围个体之间的交通冲突导致碰撞的严重程度。
通过计算停车车辆j与周围个体的碰撞风险水平，可以得到停车车辆j的整体碰撞风险水平
Figure BDA0004078403740000122
Figure BDA0004078403740000123
的计算公式如下：
Figure BDA0004078403740000124
(2)停车过程中的整体碰撞风险计算
对于某一停车车辆j来说，其在驶入泊位、驶出泊位和驻停期间可能存在碰撞风险。分别计算该停车车辆j在驶入泊位、驻停期间和驶出泊位三个时间段的碰撞风险水平
Figure BDA0004078403740000125
和/>
Figure BDA0004078403740000126
则该车辆j在停车过程中的整体碰撞风险/>
Figure BDA0004078403740000127
为：
Figure BDA0004078403740000128
/>
其中，α1、α2和α3分别为三个时间段的碰撞风险权重系数，可根据人工经验或专家打分法确定。
(3)碰撞风险阈值确定
根据现有的数据集，计算所有泊位的停车车辆的碰撞风险水平，并绘制碰撞风险水平频率分布直方图。将累计频率的50％分位和85％分位作为停车碰撞风险阈值点，50％累计频率以下的碰撞风险水平等级为“一般风险”，50％-85％累计频率之间的碰撞风险水平等级为“高风险”，85％累计频率以上的碰撞风险水平等级为“较高风险”。
(4)基于碰撞风险等级的泊位设置与取消判断方法
以一周为观测周期，统计观测周期内驶入某一泊位的所有车辆的碰撞冲突水平
Figure BDA0004078403740000131
Figure BDA0004078403740000132
其中，NT为观测周期内某一停车泊位的总停车数量。
若某泊位的碰撞风险水平为一般风险，则该泊位的设置不会引起较大的交通冲突，因此建议设置该泊位。若某泊位的碰撞风险水平为高风险和较高风险，则该泊位的设置可能会存在较大安全隐患，因此建议取消该泊位的设置。
上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (6)

1.一种基于视频分析的路内停车安全评价方法，其特征在于，具体方法包括：
步骤一：采集路内停车的高清停车视频，对获得的高清停车视频进行特征分析，获得对应的特征数据；
步骤二：将获得的特征数据拆分为过程数据和驻停数据；
步骤三：对过程数据进行量化分析；
步骤四：对驻停数据进行量化分析；
步骤五：根据步骤三和步骤四中分析得到的TTC值建立碰撞风险评价模型，对路内停车泊位进行交通安全评价，并将评价结果作为路内泊位设置和取消的依据。
2.根据权利要求1所述的一种基于视频分析的路内停车安全评价方法，其特征在于，对过程数据进行量化分析的方法包括：
提取过程数据中的特征参数，选取碰撞时间TTC作为交通冲突判定指标，建立交通冲突计算模型，对机动车在驶入和驶出泊位、车辆开门过程进行碰撞冲突量化计算。
3.根据权利要求2所述的一种基于视频分析的路内停车安全评价方法，其特征在于，建立交通冲突计算模型，对机动车在驶入和驶出泊位、车辆开门过程进行碰撞冲突量化计算的方法包括：
以非机动车道的道路边缘为X轴，垂直于道路边缘为Y轴，构建全局坐标系；基于待停车车辆视角建立以待停车车辆为原点的局部坐标系；进行交通冲突类型判断，交通冲突类型包括待停车车辆与周围个体存在正面碰撞冲突、待停车车辆与周围个体存在追尾碰撞冲突和待停车车辆与周围个体存在侧向碰撞冲突；进行交通冲突类型的冲突评价指标计算，获得对应的TTC值。
4.根据权利要求3所述的一种基于视频分析的路内停车安全评价方法，其特征在于，交通冲突类型判断：
根据待停车车辆的运动方向、位置信息和驾驶人视野范围内的个体的运动方向、位置信息，确定待停车车辆与周围个体的冲突类型；
若tanθ＝0且yna≥0，则待停车车辆与周围个体存在正面碰撞冲突；
若tanθ＝0且yna＜0，则待停车车辆与周围个体存在追尾碰撞冲突；
若tanθ≠0，则待停车车辆与周围个体存在侧向碰撞冲突；
其中，
Figure FDA0004078403730000021
θ为冲突角度，xna和yna为冲突个体在局部坐标系中的横向和纵向位置。
5.根据权利要求3所述的一种基于视频分析的路内停车安全评价方法，其特征在于，正面碰撞冲突和追尾碰撞冲突的TTC值计算方法：
对于待停车车辆i在t时刻其视野范围内存在正面碰撞或追尾碰撞冲突的个体j，安全碰撞时间TTCij(t)为：
Figure FDA0004078403730000022
其中，dij(t)为t时刻待停车车辆i与其视野范围内的冲突个体j的距离，dij(t)＝|yj(t)|；yj(t)为t时刻驾驶人视野范围内的冲突个体j的纵向位置；vi(t)和vj(t)分别为t时刻待停车车辆i与其视野范围内的冲突个体j的速度。
6.根据权利要求1所述的一种基于视频分析的路内停车安全评价方法，其特征在于，对驻停数据进行量化分析的方法包括：
将车辆驻停期间机动车和非机动车混行交通冲突数据集AB1进行归类分析，根据路内泊位设置后剩余的非机动车道宽度、是否有机动车和非机动车隔离带，判断是否是因为路内停车泊位设置而引起的交通冲突，并形成新的交通冲突数据集，构建交通冲突分析模型，通过交通冲突分析模型对车辆驻停期的交通冲突分析进行量化分析。
CN202310115203.4A 2023-02-03 2023-02-03 一种基于视频分析的路内停车安全评价方法 Pending CN116151619A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310115203.4A CN116151619A (zh) 2023-02-03 2023-02-03 一种基于视频分析的路内停车安全评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310115203.4A CN116151619A (zh) 2023-02-03 2023-02-03 一种基于视频分析的路内停车安全评价方法

Publications (1)

Publication Number Publication Date
CN116151619A true CN116151619A (zh) 2023-05-23

Family

ID=86338658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310115203.4A Pending CN116151619A (zh) 2023-02-03 2023-02-03 一种基于视频分析的路内停车安全评价方法

Country Status (1)

Country Link
CN (1) CN116151619A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530697A (zh) * 2016-11-22 2017-03-22 宁波大学 一种城市非机动车专用道上路内停车系统的设置方法
CN107248290A (zh) * 2017-07-14 2017-10-13 东南大学 基于车辆视频识别的混合式主线收费站交通冲突评价方法
CN112927509A (zh) * 2021-02-05 2021-06-08 长安大学 一种基于交通冲突技术的道路行车安全风险评估系统
CN114419894A (zh) * 2022-01-30 2022-04-29 公安部道路交通安全研究中心 一种路内停车泊位设置与使用监测的方法与系统
CN114549075A (zh) * 2022-02-21 2022-05-27 合肥工业大学设计院(集团)有限公司 一种基于停车和视频大数据的区域停车评价方法
CN114926984A (zh) * 2022-05-17 2022-08-19 华南理工大学 一种实时交通冲突收集与道路安全评价方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106530697A (zh) * 2016-11-22 2017-03-22 宁波大学 一种城市非机动车专用道上路内停车系统的设置方法
CN107248290A (zh) * 2017-07-14 2017-10-13 东南大学 基于车辆视频识别的混合式主线收费站交通冲突评价方法
CN112927509A (zh) * 2021-02-05 2021-06-08 长安大学 一种基于交通冲突技术的道路行车安全风险评估系统
CN114419894A (zh) * 2022-01-30 2022-04-29 公安部道路交通安全研究中心 一种路内停车泊位设置与使用监测的方法与系统
CN114549075A (zh) * 2022-02-21 2022-05-27 合肥工业大学设计院(集团)有限公司 一种基于停车和视频大数据的区域停车评价方法
CN114926984A (zh) * 2022-05-17 2022-08-19 华南理工大学 一种实时交通冲突收集与道路安全评价方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卓玺梅: "基于交通冲突的路内停车区域非机动车安全影响因素研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑, pages 034 - 739 *
卓玺梅；: "基于交通冲突的路内停车区域非机动车安全影响因素研究", 万方数据库, pages 24 - 83 *
孟祥海等: "基于TTC及DRAC的高速公路施工区追尾冲突研究", 交通信息与安全, vol. 30, no. 06, pages 6 - 10 *

Similar Documents

Publication Publication Date Title
CN110488802B (zh) 一种网联环境下的自动驾驶车辆动态行为决策方法
CN109345020B (zh) 一种完全信息下的无信号交叉口车辆驾驶行为预测方法
CN105225500B (zh) 一种交通控制辅助决策方法及装置
Gates et al. Analysis of dilemma zone driver behavior at signalized intersections
CN111243338A (zh) 基于车辆加速度的碰撞风险评价方法
CA2245185A1 (en) Traffic safety prediction model
CN107784832A (zh) 一种用于识别交通道路中的事故黑点的方法与设备
US20220383738A1 (en) Method for short-term traffic risk prediction of road sections using roadside observation data
CN115035491A (zh) 一种基于联邦学习的驾驶行为路况预警方法
Vedagiri et al. Evaluation of pedestrian–vehicle conflict severity at unprotected midblock crosswalks in India
CN111401414A (zh) 一种基于自然驾驶数据的危险场景提取及分类方法
CN113635897A (zh) 一种基于风险场的安全驾驶预警方法
CN110766940A (zh) 道路信号交叉口运行状况评估方法
EP3770879A1 (de) Verfahren, vorrichtung und computerprogramm zum aufbereiten von daten über eine ampelanlage
DE102019211098B4 (de) Verfahren, Vorrichtung und Computerprogramm zum Bestimmen einer Ampelphase einer Ampel einer Ampelanlage
Sil et al. Merging process of U-turns at uncontrolled median openings under mixed traffic conditions
Toledo et al. Alternative definitions of passing critical gaps
Wang et al. Estimating rear-end accident probabilities with different driving tendencies at signalized intersections in China
DE102019205017B3 (de) Intentionsbestimmung eines Personenverkehrsmittels
CN116151619A (zh) 一种基于视频分析的路内停车安全评价方法
Archer et al. The traffic safety problem in urban areas
Chu et al. Modeling gap choice behavior at urban expressway merging sections
CN115440071A (zh) 一种自动驾驶违规停车检测方法
Joseph et al. Analysis of surrogate safety performance parameters for an interurban corridor
CN113128847A (zh) 一种基于激光雷达的出入口匝道实时风险预警系统及方法

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