CN117877272A - 一种基于无人机检测的交叉口安全评价方法 - Google Patents

Abstract

本发明公开了一种基于无人机检测的交叉口安全评价方法。包括以下步骤：一、将无人机飞至交叉口上方合适高度，对交叉口进行视频拍摄。二、构建交叉口区域直角坐标系，使用Tracker软件对视频中车辆的轨迹进行追踪与记录。三、统计出后侵入时间PET、停车距离比例PSD、避免碰撞的最大减速度maxDRAC三个指标数据。四、利用灰色聚类方法对三个指标的样本数据进行聚类分析，并划分4个等级评判目标交叉口的运行安全情况。以往的方法有数据获取不准确，评价指标宏观，单一等缺陷。本发明通过无人机检测获取精准的车辆时空轨迹数据，采用灰色聚类方法对交叉口多个微观运行指标进行安全评价，能够实现考虑交叉口时间、空间要素指标的综合化交通安全评价。

Description

一种基于无人机检测的交叉口安全评价方法

技术领域

本发明涉及智能交通检测技术领域，具体为一种基于无人机检测的交叉口安全评价方法。

背景技术

在交通场景瞬息万变的交叉口，传统的检测手段（地磁、线圈、挂杆视频）已经无法满足精确、无遮挡的检测要求，无人机检测技术能够很好地克服这一缺陷，无人机视频能够提供大范围、高清、无遮挡的交叉口车流视频信息。

目前，有许多研究人员在交叉口交通安全评价领域投入了大量精力，这些研究要么采用相对宏观的交通运行指标（如交叉口几何结构、视距等），要么采取的指标过于单一（如仅用冲突率指标）。这些相对宏观的交通安全评价中，细微和动态的变化很容易被忽视（比如，与交通流相关的安全指标可以在一个很小的时空单位内迅速波动），导致其无法捕捉危险驾驶行为，带来的安全评价结果不可靠。这些对单一指标进行的评价，因其无法整合交叉口运行的时间、空间要素，亦无法准确衡量交叉口运行的安全程度。以上研究均未对交叉口进行微观层面的，且综合考虑交叉口时间、空间要素的安全评价。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种基于无人机检测的交叉口安全评价方法。该方法从微观层面上整合时、空要素信息，基于交通冲突理论，利用车流的轨迹数据提取交叉口时间接近度指标——后侵入时间（PET）；提取空间接近度指标——停车距离比例（PSD）；提取运动学指标——避免碰撞的最大减速度（maxDRAC）指标，该指标能够在一定程度上反映出冲突的严重程度。基于以上3个指标，对交叉口的运行安全性进行综合评价。

一种基于无人机检测的交叉口安全评价方法，包括以下步骤：

S1：将无人机飞至交叉口上方合适高度，对交叉口进行视频拍摄；

S2：构建交叉口区域直角坐标系，使用Tracker软件对视频中车辆的轨迹进行追踪与记录；

S3：统计计算得出：后侵入时间PET、停车距离比例PSD、避免碰撞的最大减速度maxDRAC三个指标数据；

S4：利用灰色聚类方法对三个指标的样本数据进行聚类分析，并划分非常安全、安全、临界安全、不安全4个等级评判目标交叉口的运行安全情况。

优选的，步骤S1具体包括如下步骤：

S11：选取最能代表交叉口交通运行复杂性的早晚高峰时段，对目标交叉口进行飞行操作；

S12：将无人机飞至适当高度，调整无人机俯仰角度，调焦，保证无人机的相机画面能够覆盖交叉口进口道实线段，对交叉口进行视频摄录。

优选的，步骤S2中使用Tracker软件对视频中车辆的轨迹进行追踪与记录，具体包括如下步骤：

S21：构建交叉口区域直角坐标系，将视频画面左上方设为原点，沿着人行横道方向设置x轴；

S22：设置定标杆，标定视频画面上的长度；选取图像上的交叉口长度，输入其实际长度值；

S23：设定轨迹提取的间隔步长；视频帧率设定为30帧/s，帧数设定为6，即轨迹提取的间隔步长为0.2s；

S24：创建追踪对象的质心；为每一次发生交通冲突的两个对象分别创建质心，通过名称和颜色进行区分；

S25：追踪记录所有冲突对象的轨迹；对于颜色鲜艳，容易识别区分的冲突对象，使用自动追踪功能，记录其轨迹数据；对于不容易识别的冲突对象，采用手动标定法跟踪记录其轨迹数据；对于自动追踪过程中出现部分点位有误差的情况，可以通过手动拾取正确的位置来进行修改；

S26：数据提取，将每一条轨迹数据分别输出到txt文件中，再导出到excle表中，用于后续的研究分析。

优选的，步骤S3统计计算三个指标数据具体包括如下步骤：

S31：统计时间接近度指标——后侵入时间PET的数据；定义两个冲突对象间的后侵入时间PET小于5s为一次冲突发生；统计所有冲突的后侵入时间PET数据；PET的计算公式为：

PET=t₂-t₁；

其中，t₁为前车通过冲突点的时刻，t₂为后车到达冲突点的时刻；

S32：统计空间接近度指标——停车距离比例PSD的数据；PSD的计算公式为：

；

其中，SD为冲突对象距离冲突点的剩余距离、MSD为可接受的最小停车距离；为车辆遭遇冲突前的行驶速度，d为车辆可接受的最大减速度；

S33：统计运动学指标——避免碰撞的最大减速度maxDRAC；maxDRAC的计算公式为：

；

其中，DRAC_n为n时刻时冲突对象的避免碰撞的最大减速度。

优选的，步骤S4中的利用灰色聚类方法对三个指标的样本数据进行聚类计算步骤如下：

S41：建立样本矩阵；评价对象样本为i，评价指标为j，j∈{1,2,3}，分别是后侵入时间PET、停车距离比例PSD、避免碰撞的最大减速度maxDRAC；灰类为聚类数k，j∈{1,2,3,4}，代表4个安全等级，分别为非常安全k=1、安全k=2、临界安全k=3、不安全k=4；使用实测的样本数据构建矩阵D₀：

；

S42：无量纲化处理；因为评价指标的含义不同，为避免评价指标量纲带来的聚类误差，需要对各个指标的样本数据进行无量纲化处理；将每个指标的样本数据x_ij除以各个指标j中的样本最大值max_j，d_ij=x_ij/max_j，无量纲化处理结果如下：

；

S43：构建白化权函数；将交叉口安全等级划分为4个等级，分别取各个评价指标样本数据累计频率的15%、40%、60%、85%所对应的样本值作为其4个灰类的白化值；

S44：构造白化权函数—中心点混合正弦可能度函数；在确定四个灰类的白化值指标的基础上建立白化权函数，以分析各样本划分入四个安全等级的可能性，四个灰类的白化权函数如下：

；

；

式中，表示以分析指标j的取值为依据，把n个分析对象分别划分到k灰类中的白化权函数。

S45：确定聚类权。为以分析指标j的取值为依据，把n个分析对象分别划分到k灰 类的临界值。为依据指标归为k灰类的聚类权，和根据下公式求解：

；

S46：对样本进行灰色聚类，划定评价风险等级。设对象i的聚类系数向量，/>为第i个聚类对象在第k个灰类的聚类系数，根据以下公式可求解：

；

综合运算结果，可得灰色聚类系数矩阵，k代表聚类后的目标类别，若，聚类对象i归为第K类。

本发明的优点和技术效果是：

本发明较好地解决了交叉口运行评价过程中评价指标过于单一的问题，通过无人机探测技术，获取大范围、高清、无遮挡的交叉口车流视频数据，摒弃了传统检测设备检测不准确，有遮挡等弊端，通过对交叉口进行微观层面的轨迹数据提取，获取交叉口时间要素、空间要素以及运动学评价指标，实现交叉口的综合交通安全评价。

附图说明

图1为本发明提供的一种基于无人机检测的交叉口安全评价方法的流程图；

图2为使用Tracker软件构建交叉口区域直角坐标系的示意图；

图3为PET计算的示意图；

图4为调查地点无人机航拍图；

图5为一次交通冲突的轨迹提取示意图；

图6为中心点混合正弦白化权可能度函数图。

具体实施方式

为能进一步了解本发明的内容、特点及功效，兹例举以下实施例，并配合附图详细说明如下。需要说明的是，本实施例是描述性的，不是限定性的，不能由此限定本发明的保护范围。

下面结合具体实施例和附图，进一步阐述本发明。

以天津市市区5个交叉口进为例，如图1所示，本发明所述的一种基于雷视融合探测的信号交叉口运行评价方法，包括以下步骤：

（一）首先对5个交叉口进行无人机视频拍摄，完成交叉口交通冲突调查。

利用无人机在工作日早高峰、晚高峰时段，对天津市洞庭路－郁江道，长江道-南开三马路，黄河道-红旗路，南京路-新华路，南京路-鞍山道5个交叉口进行视频拍摄，调查点位见附图4。

（二）使用Tracker软件对视频中车辆的轨迹进行追踪与记录，完成基础数据获取工作。通过轨迹追踪获取交通对象的PET、速度、距离以及流量等交通参数，具体交通冲突的轨迹提取及PET指标的获取见附图5。

（三）通过统计分析，得出后侵入时间（PET）、停车距离比例（PSD）、避免碰撞的最大减速度（maxDRAC）三个指标数据。

具体地，统计时间接近度指标——后侵入时间（PET）的数据。定义两个冲突对象间的后侵入时间（PET）小于5s为一次冲突发生。统计所有冲突的后侵入时间（PET）数据。PET的产生过程见附图3。PET的计算公式为：

PET=t₂-t₁

其中，t₁为前车通过冲突点的时刻，t₂为后车到达冲突点的时刻。

具体地，统计空间接近度指标——停车距离比例（PSD）的数据。PSD的计算公式为：

其中，SD为冲突对象距离冲突点的剩余距离、MSD为可接受的最小停车距离；为车辆遭遇冲突前的行驶速度，d为车辆可接受的最大减速度。

具体地，统计运动学指标——避免碰撞的最大减速度（maxDRAC）。maxDRAC的计算公式为：

其中，DRAC_n为n时刻时冲突对象的避免碰撞的最大减速度。

（四）利用灰色聚类方法对5个交叉口，三个指标的样本数据进行聚类分析，并划分非常安全、安全、临界安全、不安全4个等级评判目标交叉口的运行安全情况。

具体地，建立样本矩阵。评价对象样本为i，评价指标为j，j∈{1,2,3}，分别是后侵入时间（PET）、停车距离比例（PSD）、避免碰撞的最大减速度（maxDRAC）。灰类为聚类数k，j∈{1,2,3,4}，代表4个安全等级，分别为非常安全（k=1）、安全（k=2）、临界安全（k=3）、不安全（k=4）。使用31段无人机视频数据构建矩阵D₀：

具体地，无量纲化处理。因为评价指标的含义不同，为避免评价指标量纲带来的聚类误差，需要对各个指标的样本数据进行无量纲化处理。将每个指标的样本数据x_ij除以各个指标j中的样本最大值max_j，d_ij=x_ij/max_j，无量纲化处理结果如下：

具体地，构建白化权函数。将交叉口安全等级划分为4个等级，分别取各个评价指标样本数据累计频率的15%、40%、60%、85%所对应的样本值作为其4个灰类的白化值。

后侵入时间（PET）指标的灰类白化值为：

停车距离比例（PSD）指标的灰类白化值为：

避免碰撞的最大减速度（maxDRAC）指标的灰类白化值为：

具体地，构造中心点混合正弦白化权可能度函数，见附图6。在确定四个灰类的白化值指标的基础上建立白化权函数，以分析各样本划分入四个安全等级的可能性，四个灰类的白化权函数如下：

式中，表示以分析指标j的取值为依据，把n个分析对象分别划分到k灰类中的白化权函数。

具体地，确定聚类权。为以分析指标j的取值为依据，把n个分析对象分别划分到k灰类的临界值。/>为依据j指标归为k灰类的聚类权，/>和/>根据下公式求解：

临界值的计算结果如下：

聚类权的计算结果如下：

具体地，对样本进行灰色聚类，划定评价风险等级。设对象i的聚类系数向量，/>为第i个聚类对象在第k个灰类的聚类系数，根据以下公式可求解：

综合运算结果，可得灰色聚类系数矩阵，k代表聚类后的目标类别，若，聚类对象i归为第K类。

当时，可得：

同理可得全部，综合运算结果，可得灰色聚类系数矩阵/>。

k代表聚类后的目标类别，若，聚类对象i归为第K类。即在矩阵的每一行样本数据中，哪一列聚类系数最大，就将该样本聚类为第K类所对应的安全等级中，矩阵/>中加粗的数据为最大值数据。

观察矩阵可以得出灰色聚类的聚类结果，如表1所示，将31个样本划分至4个安全等级中，其中样本4，5，6，10，15，31属于不安全的类别，样本所属的交叉口存在一定的安全隐患。

表1灰色聚类结果

31组数据样本与5个交叉口的对应情况如表2所示，将每个交叉口所有样本的安全等级取平均得到整个交叉口的综合安全等级，安全评价的最终结果是，洞庭路－郁江道交叉口不安全，长江道-南开三马路交叉口临界安全，黄河道-红旗路交叉口较安全，南京路-新华路交叉口临界安全，南京路-鞍山道交叉口非常安全。将洞庭路-郁江道交叉口评价为不安全状态，这是因为，该交叉口南北向车辆轨迹不畅，且存在“多进少出”的车道分配，东进口右转半径过小，合流冲突严重，聚类结果与交叉口现状问题一致，说明这种基于无人机检测的交叉口安全评价方法具备可靠性。

表2交叉口综合安全评价等级

应当指出，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也在本申请权利要求的保护范围内。

Claims (5)

1.一种基于无人机检测的交叉口安全评价方法，其特征在于，包括以下步骤：

S1：将无人机飞至交叉口上方合适高度，对交叉口进行视频拍摄；

S2：构建交叉口区域直角坐标系，使用Tracker软件对视频中车辆的轨迹进行追踪与记录；

S3：统计计算得出：后侵入时间PET、停车距离比例PSD、避免碰撞的最大减速度maxDRAC三个指标数据；

S4：利用灰色聚类方法对三个指标的样本数据进行聚类分析，并划分非常安全、安全、临界安全、不安全4个等级评判目标交叉口的运行安全情况。

2.根据权利要求1所述的一种基于无人机检测的交叉口安全评价方法，其特征在于：所述步骤S1具体包括如下步骤：

S11：选取最能代表交叉口交通运行复杂性的早晚高峰时段，对目标交叉口进行飞行操作；

S12：将无人机飞至适当高度，调整无人机俯仰角度，调焦，保证无人机的相机画面能够覆盖交叉口进口道实线段，对交叉口进行视频摄录。

3.根据权利要求1所述的一种基于无人机检测的交叉口安全评价方法，其特征在于：所述步骤S2中使用Tracker软件对视频中车辆的轨迹进行追踪与记录，具体包括如下步骤：

S21：构建交叉口区域直角坐标系，将视频画面左上方设为原点，沿着人行横道方向设置x轴；

S22：设置定标杆，标定视频画面上的长度；选取图像上的交叉口长度，输入其实际长度值；

S23：设定轨迹提取的间隔步长；视频帧率设定为30帧/s，帧数设定为6，即轨迹提取的间隔步长为0.2s；

S24：创建追踪对象的质心；为每一次发生交通冲突的两个对象分别创建质心，通过名称和颜色进行区分；

S25：追踪记录所有冲突对象的轨迹；对于颜色鲜艳，容易识别区分的冲突对象，使用自动追踪功能，记录其轨迹数据；对于不容易识别的冲突对象，采用手动标定法跟踪记录其轨迹数据；对于自动追踪过程中出现部分点位有误差的情况，可以通过手动拾取正确的位置来进行修改；

S26：数据提取，将每一条轨迹数据分别输出到txt文件中，再导出到excle表中，用于后续的研究分析。

4.根据权利要求1所述的一种基于无人机检测的交叉口安全评价方法，其特征在于：所述步骤S3统计计算三个指标数据具体包括如下步骤：

S31：统计时间接近度指标——后侵入时间PET的数据；定义两个冲突对象间的后侵入时间PET小于5s为一次冲突发生；统计所有冲突的后侵入时间PET数据；PET的计算公式为：

PET=t₂-t₁；

其中，t₁为前车通过冲突点的时刻，t₂为后车到达冲突点的时刻；

S32：统计空间接近度指标——停车距离比例PSD的数据；PSD的计算公式为：

；

其中，SD为冲突对象距离冲突点的剩余距离、MSD为可接受的最小停车距离；为车辆遭遇冲突前的行驶速度，d为车辆可接受的最大减速度；

S33：统计运动学指标——避免碰撞的最大减速度maxDRAC；maxDRAC的计算公式为：

；

其中，DRAC_n为n时刻时冲突对象的避免碰撞的最大减速度。

5.根据权利要求1所述的一种基于无人机检测的交叉口安全评价方法，其特征在于：所述步骤S4中的利用灰色聚类方法对三个指标的样本数据进行聚类计算步骤如下：

S41：建立样本矩阵；评价对象样本为i，评价指标为j，j∈{1,2,3}，分别是后侵入时间PET、停车距离比例PSD、避免碰撞的最大减速度maxDRAC；灰类为聚类数k，j∈{1,2,3,4}，代表4个安全等级，分别为非常安全k=1、安全k=2、临界安全k=3、不安全k=4；使用实测的样本数据构建矩阵D₀：

；

S42：无量纲化处理；因为评价指标的含义不同，为避免评价指标量纲带来的聚类误差，需要对各个指标的样本数据进行无量纲化处理；将每个指标的样本数据x_ij除以各个指标j中的样本最大值max_j，d_ij=x_ij/max_j，无量纲化处理结果如下：

；

S43：构建白化权函数；将交叉口安全等级划分为4个等级，分别取各个评价指标样本数据累计频率的15%、40%、60%、85%所对应的样本值作为其4个灰类的白化值；

S44：构造白化权函数—中心点混合正弦可能度函数；在确定四个灰类的白化值指标的基础上建立白化权函数，以分析各样本划分入四个安全等级的可能性，四个灰类的白化权函数如下：

；

；

式中，表示以分析指标j的取值为依据，把n个分析对象分别划分到k灰类中的白化权函数;

S45：确定聚类权;为以分析指标j的取值为依据，把n个分析对象分别划分到k灰类的临界值;/>为依据/>指标归为k灰类的聚类权，/>和/>根据下公式求解：

；

S46：对样本进行灰色聚类，划定评价风险等级;设对象i的聚类系数向量，/>为第i个聚类对象在第k个灰类的聚类系数，根据以下公式可求解：

；

综合运算结果，可得灰色聚类系数矩阵，k代表聚类后的目标类别，若，聚类对象i归为第K类。