JPH0540896A

JPH0540896A - 交通渋滞度計測装置

Info

Publication number: JPH0540896A
Application number: JP19772691A
Authority: JP
Inventors: Tadaaki Kitamura; 忠明北村; Masao Takato; 政雄高藤; Masakazu Yahiro; 正和八尋; Yoshiyuki Sato; 良幸佐藤; Kuniyuki Kikuchi; 邦行菊地
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1991-08-07
Filing date: 1991-08-07
Publication date: 1993-02-19

Abstract

(57)【要約】【目的】道路をテレビカメラで撮影し、渋滞度を数段階
に細かく判定する方法及び装置を提供するにある。【構成】道路を俯瞰撮影するテレビカメラとこの画像を
処理する画像処理装置で構成し、画像処理装置には交通
量に関する特徴量計測手段と、車両の移動量に関する特
徴量計測手段とを設け、得られた各特徴量を、ニューラ
ルネットワーク２８で構成される渋滞度判定処理部２６
に入力して渋滞度を出力するようにしたもの。【効果】道路の特徴量を計測するだけで、渋滞度を精度
よく判定できる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は交通渋滞判定方法に関
し、特に道路をテレビカメラで撮影し渋滞度を求める装
置に関する。

【０００２】

【従来の技術】従来から道路の各地点に車両感知器を備
え、各車両感知器から中央の演算装置に車両感知出力を
送出して各地点ごとの渋滞状況を判定している。この場
合、渋滞判定は占有率（時間占有率）に基づいて行われ
るのが普通であるが、占有率が大きくても交通量もそれ
に伴って大きい場合があり、占有率が大きいだけでは一
概に渋滞とはいえない。そこで、これを解決するため
に、特開昭55−13472 号「交通渋滞判定方法」に記載の
方法は、占有率と交通量を求めて上記問題点を解決した
ものである。

【０００３】また、テレビカメラで道路を監視するもの
としては特開昭63−259798号などのように道路をテレビ
カメラで俯瞰撮影し、占有率，交通量を求めるものが開
示されている。

【０００４】

【発明が解決しようとする課題】上記第１の従来技術は
車両を車両感知器で検出し占有率，交通量を計測するも
のであるが、車両感知器は複数車線を計測するためには
取付け方法が難しい，美観上見苦しいなどの問題があ
る。更に、渋滞が発生していると計測したとしても人間
がそれを確認するためには現地に足を運ばなければなら
ないという問題がある。

【０００５】また、上記第２の従来技術では、道路に対
して俯瞰撮影しているため、車が渋滞してくると車両が
重なって見えるため、正確な交通量，占有率を求めるこ
とが困難となり、正確な渋滞判定ができていなかった。

【０００６】また、上記方法は渋滞しているかしていな
いかを判断するだけであるため、どの程度の渋滞なのか
を区別することが出来ない問題がある。即ち、渋滞を例
えば１０段階のレベルに分けたいと思ってもこれを実現
することが難しい。

【０００７】また、渋滞の程度（以下渋滞度と称す）を
数段階に判定するために問題となることは、渋滞度その
ものがあいまいなデータであるため、道路の特徴量（例
えば、交通量、平均速度など）と渋滞度の関係をどのよ
うに定義するかが難しいことにある。すなわち、渋滞度
はその場所ごとに道路の状況が異なるため、同じ特徴量
でも渋滞度が異なってしまい、一意に関係式を導けな
い。また、同じ道路状況でも、道路管理者が変わると渋
滞度の評価も変わってしまい適正に判断することが困難
である。

【０００８】本発明の目的は、細かな渋滞判定を可能と
する渋滞度計測装置を提供するにある。

【０００９】

【課題を解決するための手段】上記目的を達成するた
め、本発明では、入力画像の交通量に関する特徴量をマ
クロに求める交通量計測手段と、時刻ｔと時刻ｔ＋Δｔ
の入力画像から車両の移動量に関する特徴量をマクロに
求める移動量計測手段と、交通量に関する特徴量と移動
量に関する特徴量とから渋滞度を計測する渋滞判定処理
部とを設けたものである。

【００１０】

【作用】交通量計測手段及び移動量計測手段により、車
が多いまたは少ない、また、移動が多いまたは少ないと
いうマクロな特徴量が求められるため、道路領域全体の
状態がマクロに計測され、車両の重なりの問題は解消さ
れる。また、マクロに計測された情報に基づきニューラ
ルネットワーク等を有する渋滞判定処理部が渋滞度を計
測することにより、道路の特徴量と渋滞度との関係が得
られるものである。

【００１１】

【実施例】

〔実施例１〕以下、本発明の一実施例を図を用いて説明
する。

【００１２】道路をテレビカメラで俯瞰撮影し交通渋滞
度を計測するシステム構成を図１に示す。１はテレビカ
メラであり、その出力が交通渋滞度計測システム１８に
入力される。交通渋滞度計測システム１８は、テレビカ
メラ１からの映像信号をディジタル化するＡ／Ｄ変換器
１１と、この出力を格納する画像メモリ１２（この画像
メモリは濃淡画像メモリと２値画像メモリの２種類を持
っている）と、この画像メモリ１２の画像から交通量に
関する特徴量を抽出する特徴量抽出回路２０と移動量に
関する特徴量を抽出する特徴量抽出回路２１とこれらで
抽出した特徴量を用いて渋滞度を判定する渋滞度判定処
理部２６からなる。交通量に関する特徴量抽出回路２０
は図２のように、画像メモリ１２に取り込まれた画像に
対し輪郭を強調する微分回路１３，微分画像をある所定
のしきい値で２値化処理する２値化回路１５，２値画像
の面積を計測する面積計測回路１６を備える。また、移
動量に関する特徴量抽出回路２１は図３のように、画像
メモリ１２に取り込まれた複数の画像に対し画像間での
差分処理などを行う画像間演算回路１４，この結果の濃
淡画像をある所定のしきい値で２値化処理する２値化回
路１５，２値画像の面積を計測する面積計測回路１６を
備える。上記２値化回路１５及び面積計測回路１６は通
常同じ回路を共有する。これらの要素は全てＣＰＵ２で
制御される。道路の渋滞度を求めるためには、これまで
は車の通過台数や占有率，平均速度などを求めることが
実施されていたが、渋滞した場合は車両が重なってしま
うため、これらの計測精度が低下する。このため、図４
に示すように特徴量抽出回路は得られた画像に対し車両
が重なっている状態でも道路の状態をある程度把握でき
るようにマクロに計測するようにしている。渋滞度は車
の通行量と車の走行速度によってほぼ定まるため、交通
量，走行速度（移動量）に関する状態量を求めている。

【００１３】図４（ａ）は交通量に関する特徴量の求め
方の一例であるが、入力画像を微分回路１３で微分処理
し、この微分画像を２値化回路１５を用いてある所定の
しきい値で２値化処理し、得られる２値画像の面積を面
積計測回路１６で求める。この面積は車の輪郭を抽出し
ているため、車の台数に比例した量となるが、渋滞が生
じて車の重なりが多くなっても正確な台数を求めるので
はないため、十分道路の交通量の状態を表すことが出来
る。

【００１４】また、走行速度（移動量）に関する特徴量
は、個別の車両の走行速度を求めるのではなく、図４
（ｂ）に示すように入力画像ｆ(ｔ)と、ある時間経過し
た入力画像ｆ(ｔ＋Δｔ)との差分から求める。走行速度
が速ければ車の前後に差分値が大きい領域が多くなる
が、遅ければ差分値が大きい領域は少なくなる。したが
って、ある時間間隔で入力した画像ｆ(ｔ)，ｆ(ｔ＋Δ
ｔ)の差分画像を画像間演算回路１４で求め、これを２
値化回路１５を用いてある所定のしきい値で２値化処理
し、得られる２値画像の面積を面積計測回路１６で求め
る。これを移動量に関する特徴量として用いる。図５に
実際に道路の画像を処理して上記交通量，移動量に関す
る特徴量を求めた結果の一例を示す。信号機の変化に見
合った車の流れを良く捕えていることが判る。

【００１５】この２つの特徴量から渋滞度を渋滞度判定
処理部２６で判定する。このとき、特徴量とそのときの
渋滞度を実際に計測して図６のようなマップを作成し、
特徴量と渋滞度の関係を求める方法もあるが、特徴量の
値と渋滞度の関係は必ずしも線形的に決定出来ない場合
が多く、特徴量と渋滞度との関係を一意に表すことが困
難な場合がある。

【００１６】そこで、これを解決するために図１の渋滞
度判定処理部２６を、ニューロコンピュータにて構成
し、これを用いて渋滞度を判定し出力するように構成し
た。図７にニューロコンピュータ２７の構成を示す。

【００１７】ニューロコンピュータ２７はニューラルネ
ットワーク２８，入力切り替え部２９，学習機構３１か
ら構成されている。また、学習機構３１は学習時の各要
素を制御する学習制御機構３２，入力信号発生機構３
４，教師信号発生機構３５，ニューラルネットワークの
荷重を変更するパラメータ変更機構３３，ニューラルネ
ットワーク２８の出力と教師信号発生機構３５からの教
師信号との突き合わせを行う突き合わせ部３７から構成
されている。ここで用いるニューラルネットワーク２８
は、図８のように入力層４０，中間層４１，出力層４２
から構成されるRumelhart型ニューラルネットワーク
で、各層のニューロン３６の出力は自層内でフィードバ
ックが無く、入力層４０から出力層４２へ向かうフィー
ドフォワード的に情報が伝達される構成となっている。
なお、中間層４１の層数が複数の場合もある。このニュ
ーロコンピュータ２７を用いるときの動作について以下
説明する。

【００１８】（１）想起処理想起処理は入力データから出力データを求める処理であ
る。図９にニューラルネットワーク２８を構成するニュ
ーロン３６の構成を示す。ニューロン３６の入力信号ｘ
(ｉ)は荷重の値ｗ(ｉ)が乗算され、加算器においてニュ
ーロンの入力された入力信号ｘ(ｉ)と荷重の値ｗ(ｉ)の
積が加算される（積和演算）３８。そして、積和演算し
た結果は関数変換器３９に入力される。関数変換器では
SIGMOID関数のような連続微分可能な関数変換を行い、
関数変換後のデータがニューロン３６から出力される。

【００１９】図９におけるニューロン３６を簡素化して
表すと図１０のようになり、信号の流れは入力から出力
の方向へ流れる。

【００２０】図８において具体的な動作は、複数のニュ
ーロンから構成される入力層４０にデータｘ(ｉ)を入力
する。入力層４０のニューロン３６の出力は複数のニュ
ーロン３６から構成される中間層４１に前記積和演算を
経て入力され、中間層４１のニューロン３６の出力は同
様に出力層４２のニューロン３６の入力となり、出力層
４２のニューロン３６の出力がニューラルネットワーク
２８の最終出力となる。なお、ニューラルネットワーク
２８が未学習の時はニューロン３６の荷重ｗ(ｉ)は不定
であるため、入力層４０に入力されたデータに対し、出
力層４２の出力は不定となる。このため、学習を行い荷
重を最適にする必要がある。以下、ニューロン３６の荷
重を決定する学習方法について簡単に説明する。

【００２１】（２）学習処理学習処理はニューラルネットワーク２８を構成するニュ
ーロン３６の荷重ｗ(ｉ)を決定する処理である。ニュー
ラルネットワーク２８が未学習の時はニューロン３６の
荷重ｗ(ｉ)は不定であり、通常は乱数で与えている。そ
の結果、入力層４０に入力されたデータに対し、出力層
４２の出力は不定となる。このため、学習を行い荷重を
最適化する必要がある。この荷重ｗ(ｉ)を決める方法と
しては、例えば「電子情報通信学会誌」第７１巻，１１
号，第１２４１から１２４７頁に記載されている「ニュ
ーロンの可能性」の第２節「誤差逆伝搬学習法」に詳細
に述べられている。

【００２２】図１１を用いてその動作を簡単に説明す
る。ニューラルネットワーク２８の入力層４０に入力す
るデータを入力し（学習時はニューラルネットワークの
入力データは、入力切り替え部２９で入力信号発生機構
３４からのデータを入力する）、前記想起処理を行う。
一方、その入力データに対応した出力させたいデータ４
７を、教師信号発生機構３５から発生させ突合せ部３７
に入力する。突合せ部３７では、教師信号４７とニュー
ラルネットワーク２８の出力４５との２乗誤差が減少方
向に向かうように出力層４２の荷重を変える。出力層４
２の荷重を変更後、同様に中間層４１の荷重を変更す
る。

【００２３】具体的な例を図１２で示すと、道路の交通
量，移動量に関する特徴量を求め、ｘ(１)，ｘ(２)とし
て入力層４０に入力する。このときの渋滞度（教師デー
タ）をＫとすると、未学習のときは出力層４２の出力は
Ｋとはならないため、この出力値と教師データ（期待
値）Ｋとの２乗誤差を小さくするように出力層４２，中
間層４１の荷重を変更する。この操作を色々なデータで
繰返し学習することによって、ある特徴量の組を入力す
るとそのデータに見合った出力（渋滞度を０から１の実
数値で表す）が得られるようになる。以上の操作（学
習）を行うことで、道路の特徴量と渋滞度の関係を明確
にすることが可能となる。

【００２４】ところで、渋滞度はあいまいなデータであ
るため、上記のように教師データを１つの渋滞度で与え
る方法では良好な判定を行うネットワークができるとは
限らない。すなわち、あるときには渋滞度が０.５であ
ると教えたにも係らず、同じような道路状況のときに
０.６であると教えたりしてしまうため、収束判定を甘
く設定しなければ収束しない。このため、判定精度が悪
くなってしまう。

【００２５】そこで、渋滞度の教師データ自体をあいま
いな与え方にする。すなわち、教師データの与え方を図
１３のように分類したい渋滞度の数だけ用意し、与える
データはそれぞれの渋滞度の確信度で与えるようにす
る。

【００２６】具体的な処理は図１４のように、まず教師
データを人間の判断で与える。例えば渋滞度が０.５で
あったとすると、分布データ作成手段で渋滞度０.３は
０％，渋滞度０.４は５０％（０.５），０.５は１００
％(１.０）などといった分布データを作成する。これを
図１３のように教師データとして与え、入力データで想
起したときに得られる出力層の出力と分布した教師デー
タとの２乗誤差を最小にするように学習すれば学習をス
ムーズに行うことができる。全ての学習が終了し、実際
に渋滞度を求めるときは出力データが分布データとなる
ため、例えばその分布データの重心を求め、最終的な渋
滞度を求めれば良い。このようにすることで、あいまい
な渋滞度を良好に学習することができる。なお、分布デ
ータの与え方は図１５のようにテーブルで管理し、例え
ば０.５の渋滞度を与えたとするとＴ３のパターンを分
布データとすれば良い。

【００２７】（３）具体的渋滞判定方法具体的渋滞判定方法は、まず、図１のようにテレビカメ
ラで道路を俯瞰撮影し、この画像ｆ(ｔ)を入力する。交
通渋滞度計測システムでは、図４のように画像の微分処
理を微分回路１３で行い、これを２値化回路１５を用い
ある所定のしきい値で２値化する。この２値画像の面積
を面積計測回路１６で計測し交通量に関する特徴量とす
る。更に、ある時間経過した画像ｆ(ｔ＋△ｔ)を入力し
先に入力した画像ｆ(ｔ)との間で画像間演算回路１４で
差分を求める。この差分画像に対し２値化回路１５を用
い、ある所定のしきい値で２値化処理し同様に面積を計
測し移動量に関する特徴量とする。これら特徴量は例え
ば２０００，３０００といった値となるが、ニューラル
ネットワーク２８では入力データは０から１の範囲とな
っているため、例えば、計測領域の全面積で正規化し、
特徴量を０から１の範囲にする。そして、これを図１６
のニューラルネットワーク２８の入力層４０に入力し前
記した学習，想起処理を行う。本実施例のネットワーク
構成は入力層４０のニューロン２個，中間層４１のニュ
ーロン３個，出力層４２のニューロン５個である（中間
層のニューロン数は特に３個でなくてもよい）。出力層
は渋滞度を１から５に分類する場合を示す。学習すると
きは特徴量を与えたときの、その時の渋滞度を教師デー
タとして与え、これを分布データ作成手段で教師データ
を分布データに変換する。これと想起結果との２乗誤差
を減少するように荷重データを修正する。こうして出来
上がったネットワークは道路の特徴量と渋滞度の関係を
記憶しているため、前記特徴量をネットワークに入力す
るだけでそれぞれの渋滞度に対応した出力ニューロンに
確信度が出力される。この出力分布から例えば出力分布
の重心位置や、出力値が最大となるニューロンの位置を
求めれば渋滞度を求めることができる。なお、出力層の
ニューロン数は状況に応じて変えることがある。又、渋
滞度は瞬間瞬間の計測では誤計測する可能性があるた
め、求めた渋滞度を数回平均化処理することでなだらか
に変化する道路状況を良好に計測することができる。

【００２８】ここで、交通量に関する特徴量は上記のほ
かに次のようなものを採用することもできる。

【００２９】（１）入力画像を微分処理し、この微分画
像の平均濃度を用いる。

【００３０】（２）入力画像を微分処理し、この微分画
像の平均濃度，濃度の分散を用いる。

【００３１】（３）入力画像をある所定のしきい値で２
値化し、この２値画像の面積と周囲長を求め複雑度を求
める。

【００３２】（４）図１７のように入力画像を微分処理
し、ある所定のしきい値で２値化し（図１７（ｂ））、
この２値画像の各物体の水平方向の長さがあるしきい値
より長い物体の数を求める（図１７（ｃ））。図１８に
処理フローを示す。（５）上記微分処理は道路の白線が強調されないよう
に、垂直方向（道路の方向）の微分処理とする。

【００３３】（６）画像処理でなく車両感知器によって
得られる単位時間当たりの交通量を用いる（ただし、広
域を監視出来ないためある地点の渋滞度しか計測出来な
い）。

【００３４】（７）入力画像から車両を抽出し、抽出し
た車両がその画像中に何台存在しているかあるいは単位
時間当りに通過した台数を用いる。または、占有率を用
いる。ただし、カメラを高所に設置する場合以外は、渋
滞時に精度が低下する。

【００３５】などがある。

【００３６】また、移動度に関する特徴量は上記のほか
に次のようなものを採用することもできる。

【００３７】（１）図１９のように時刻ｔの入力画像と
時刻ｔ＋△ｔの入力画像で画像間の差分を取り、この差
分画像をあるしきい値で２値化し（図１９（ｂ））、こ
の２値画像の投影分布から各物体の移動方向の幅ｗｄ
(ｉ)を求め（図１９（ｃ））、これを実際の距離に換算
して平均化処理する。図２０に処理フローを示す。ま
た、図２１のように２値化処理し、ラベリングで各物体
を切り出し、ｘ幅，ｙ幅が所定の値を満足する物体のｙ
幅を距離に変換しその平均値を求めても良い。

【００３８】（２）時刻ｔの入力画像と時刻ｔ＋△ｔの
入力画像で画像間の差分をとり、この差分画像の平均濃
度を用いる。

【００３９】（３）時刻ｔの入力画像と時刻ｔ＋△ｔの
入力画像で画像間の差分をとり、この差分画像の平均濃
度，濃度の分散を用いる。

【００４０】（４）図２２のように時刻ｔの入力画像と
時刻ｔ＋△ｔの入力画像のそれぞれで道路の進行方向に
対して垂直方向の投影分布（濃度の累積または、それぞ
れの画像をある所定のしきい値で２値化したときの画素
の累積）を求める。この投影分布は△ｔが微小時間であ
れば２つの画像で相関があるため、この投影分布間のず
れ量を求めれば２画像での移動量を求めることが出来
る。このため、このずれ量を用いる。

【００４１】（５）画像処理でなく車両感知器によって
得られる単位時間当たりの平均走行速度を用いる（ただ
し、広域を監視出来ないためある地点の渋滞度しか計測
出来ない）。

【００４２】（６）入力画像から車両を抽出しその車両
の走行速度を求め、複数台の車両の速度から単位時間当
りの平均速度を求めこれを用いる。ただし、カメラを高
所に設置する場合以外は、渋滞時に精度が低下する。

【００４３】などがある。ここで、特徴量を画像の面積
を用いない場合は、例えば濃度値を用いるなら最大濃度
で正規化するなどの処理が必要である。

【００４４】以上の交通量，移動量に関する特徴量計測
手段はある１つの値を画像から求める方法であるが、図
２３のように画像データそのものを特徴量データとする
ことも可能である。図２３は交通量に関する画像データ
の求め方であるが、図２３（ａ）は入力した画像データ
に計測領域５０を設定し、この領域の投影分布から分布
データを求める。車が多ければ、分布の波形は複雑にな
り、少なければ分布の波形は平坦になる。この違いを認
識するために、図のようなニューラルネットワークで学
習し、車の量が「多い」「中くらい」「少ない」などに
分類する。図２３（ｂ）は入力画像を微分処理した画像
に対し上記と同様に分布データを求めたものである。微
分画像の方が車の輪郭を抽出しやすいので通常この方法
を用いる。

【００４５】一方、移動量に関する特徴量は時刻ｔと時
刻ｔ＋Δｔの画像で差分処理し、この画像について上記
と同様に分布データを求め、車の移動量が多いか否かを
ネットワークで学習することで例えば、車の移動量が
「多い」「中くらい」「少ない」などに分類できる。この
データを図２４のように前述の渋滞度判定処理部２６に
入力し、渋滞を計測することができる。

【００４６】また、以上は、ニューラルネットワークを
利用して分布データからそれぞれの特徴量を求め渋滞度
判定処理部２６に入力したが、図２５のように渋滞度判
定処理部２６に直接上記分布データを入力し、渋滞度を
計測しても良い。このような方法を用いることで複雑な
画像処理で面積などの特徴量を求めなくても渋滞度を計
測可能となる。なお、計測領域を複数本設け、それぞれ
の領域で求めた濃度投影分布の平均値を分布データとす
るとノイズの影響を少なくすることができる。〔実施例２〕ところで、画像処理で前記特徴量を求める
場合、対象の明るさが変化すると同じ道路の交通量や移
動量でも、前記特徴量の値が変化する。例えば昼間の微
分画像と夜の微分画像では、昼間は車両の輪郭が見える
が、夜は車両を前面から撮影するとヘッドライトしか見
えないため、車の台数が同じ場合でも特徴量は小さくな
ってしまう（車両を後方から撮影する場合は、テールラ
ンプしか見えないため更に小さくなる）。このため、夜
の渋滞判定は昼の場合と異なるニューラルネットワーク
を構築する必要がある。しかし、薄暮時には昼と夜の両
方の画像が存在する時間帯であるため、ニューラルネッ
トワークを２つ用意するだけではこれを解決出来ない。

【００４７】そこで、昼と夜等の区別を自動的に行うた
め、ニューラルネットワーク２８の入力データとして、
入力画像の明るさ情報を加えて学習するようにする。即
ち、図２６のようにニューラルネットワーク２８の入力
層４０のニューロン３６の数を３個にし、２個の特徴量
（交通量，移動量に関する特徴量）と入力画像の明るさ
情報（路面輝度）を入力する。このようにすると、例え
ば昼間の交通量，移動量に関する特徴量がそれぞれ０.
３，０.５、明るさが０.７の時の渋滞度を０.３、同様
に夜の特徴量がそれぞれ０.１，０.２、明るさが０.２
の時の渋滞度を同じ０.３とすることが出来る（入力デ
ータは正規化したデータ）。ここで、明るさ情報は、入
力画像の平均濃度を用いることも考えられるが、出来る
だけ路面の明るさだけを抽出することが望ましいため、
以下の２つの方法が望ましい。

【００４８】（１）入力画像を微分処理し、微分値が小
さい領域に相当する入力画像の平均濃度とする（車両以
外の画像データの平均濃度）。これにより、車両部分の
明るさをほとんど除去できる。

【００４９】（２）入力画像を微分処理し、微分値が小
さい領域に相当する入力画像のうち、ある明るさ以下の
濃度の平均濃度とする(道路は車両より暗いことを利
用)。これにより、微分値が小さくても明るい車両領域
の濃度については無視することができる。

【００５０】〔実施例３〕渋滞度は交差点のある一般の
道路では信号機の現示信号と密接に関係する。すなわ
ち、図２７のように計測している領域の渋滞状況は走行
する先の信号機Ｓ１の状態に依存する。信号が赤で停滞
していても次の青信号で車が捌ければ渋滞ではない。信
号機が青になっているのに車が停滞しているときが渋滞
であると判断しなければならない。このような判断をす
るためには、この信号機の状態を共に監視できることが
望ましい。このため、図２８のようにニューラルネット
ワーク２８の入力層４０の入力データに信号機の状態
「青」「黄色」「赤」（例えば青を０.２，黄色を０.
５，赤を０.７とする）を入力し、先に述べた道路の特
徴量と共に学習すれば的確に渋滞度を判定することが可
能となる。

【００５１】ところで、この信号機の状態を交通信号制
御機や交通管制システムなどから渋滞計測システムに伝
送できるとは限らない。このため、画像処理で信号機の
状態を認識することも必要な場合がある。通常道路を撮
影する場合、図２７のように計測領域の手前側の信号機
Ｓ２は撮影できるが計測領域の先の信号機Ｓ１の状態ま
では撮影できないことが多い。このため、Ｓ２の状態を
認識する。図２９に信号機のモデルを示すが、例えば
「青」が点灯している場合のＡ−Ａ′ラインの濃度（明
るさ）の分布は図２９−(ａ)のようになる。この分布か
ら最大濃度の座標ｘｍａｘを求め、色判別すれば良い。
また、ノイズに対して影響を受けないように図２９−
(ｂ)のように信号機存在領域全体について垂直方向の濃
度の累積分布を求める。

【００５２】この濃度累積分布の最大濃度を求めれば最
も明るく点灯している水平方向の座標が求まるため、こ
の座標の位置によって、信号機のどの色が点灯している
かが判る。ここで、タイミングによっては「青」から
「黄色」などに信号機が変わる瞬間の画像を処理してい
る可能性があるため、ある時間間隔で数枚画像を入力
し、それぞれの画像で求まった信号機の状態の平均値を
用いることが良い。この時、「黄色」の状態は渋滞度に
はほとんど影響を与えないと考えられるので、黄色の信
号と判断した場合は「赤」の状態であると判断しても良
い。図３０に処理フローを示す。判定部６３は画像を入
力する回数分繰り返すことを意味する。また、図３１の
方法は青，赤それぞれの領域を設定し、それぞれの領域
で平均濃度を算出し、その平均濃度を比較することで点
灯色を判断するものである。更に、カラー処理が可能な
画像処理装置を用いれば「青」「赤」それぞれの色を抽
出し、例えば青色が点灯しているか否かを判断すれば良
い。または、図３２のように「青」色成分だけを白黒画
像処理装置に入力し、青領域の明るさ変化から（点灯し
ているときと別の色に変わっているときでは青色領域の
明るさが異なる）青色が点灯しているかどうかの判断を
行っても良い。

【００５３】このようにして手前側の信号機Ｓ２の状態
を認識できるが、通常信号機と信号機の間には切り替え
時間のオフセット値が設定されているのでこのオフセッ
ト値から信号機Ｓ１の状態を推定し、先のネットワーク
に入力データとして与える。そして、信号機の状態と道
路の特徴量を共に学習すれば信号待ちなのか本当の渋滞
なのかを判断することが可能となる。当然ながら、Ｓ１
の信号機を認識できれば、これを認識すれば良い。

【００５４】〔実施例４〕上記した実施例では、ある時
間に於ける道路の特徴量のみを入力したが、図３３のよ
うに時系列データとして入力すれば更に効果がある。即
ち、ある時刻ｔの特徴量と時刻ｔ−△ｔ，時刻ｔ−２△
ｔ，…を入力データとして用いれば渋滞判定の精度向上
が可能となる。この時、過去のデータを入力しているた
め、時系列データの変動パターンから将来の渋滞発生状
況の推定も可能となる。図３３のように出力層に現時点
（時刻ｔ）の渋滞度の出力と△ｔ′時間後(例えば５分
後)の渋滞度推定出力を設け、過去数日のデータを用い
て学習すれば、現時点ｔの渋滞度とｔ１時間後の渋滞度
を出力することが可能となる。出力は２つ以上設けても
よい。これによって、将来渋滞が起きるであると推定さ
れる場合は、予め信号機のタイミングを変更するなどの
対策を実行できる。

【００５５】また、時系列データには特徴量入力画像の
明るさ情報を入れても良い。そのようにした場合には上
述の実施例２の効果も加わるものである。

【００５６】また、求まった渋滞度を時系列に捉え、こ
れを入力データとすることもできる。図３４に構成を示
すが、渋滞度を例えば１０秒おきに計測し、その渋滞度
を数分間時系列に並べ、これを渋滞度推定用のニューロ
コンピュータの入力層４０に入力する。そして、現在時
刻ｔに対しｔ＋ｎ・△ｔ′（ｎは自然数）後の渋滞度を
教師データとして与えれば渋滞度推定用の学習が可能で
ある。図３３との違いはネットワークの規模を小さくで
きる効果がある。

【００５７】〔実施例５〕道路の状況を計測するシステ
ムには渋滞監視だけでなく「特開平2−83799号」に記載
のような車番認識システムや「特開昭63−259798号」に
記載のような交通流計測システムなどがある。これらは
いずれも道路を俯瞰撮影して車両のナンバープレートを
認識したり、車自体を抽出して通過台数や、走行速度を
計測するものである。このようなシステムは、車が混ん
でくると車間距離が詰まるためにカメラの画像は車両が
重なって見えてしまい、特に車番認識システムでは認識
ができない場合が発生しやすくなる。このようなシステ
ムは通常複数の地点で計測した結果を中央処理装置に、
例えば車番認識の場合は、認識したナンバープレートの
番号を伝送し管理している。この時、渋滞によって認識
精度が悪くなっていても中央処理装置には何も情報はな
いためそのまま伝送されてきたデータを利用してしま
い、信頼性の悪いシステムになってしまっていた。

【００５８】そこで、渋滞計測システムと上記車番認識
や交通流計測システムとを組み合わせてシステム性能を
向上することが考えられる。図３５に車番認識システム
と渋滞計測システムを組み合わせた構成を示す。車番認
識システムのデータが正しいか否かを渋滞度によって判
断し、渋滞している場合は認識番号の精度は信用できな
いものとして扱うようにする。車番認識システムはカメ
ラの視野を車両前面部だけが写る程度に設定しているた
め、渋滞計測システムの視野と異なる。このため、カメ
ラ２台を用いて処理する。図３５のように画像処理装置
（車番認識システム）にはカメラ入力部を２系統設け車
番認識用と、渋滞計測用にそれぞれ用いる。そして、車
番認識部で認識した結果を伝送部に送り、渋滞計測部で
はその時の渋滞度を計測して同様に伝送部に送る。伝送
部では車番認識結果と渋滞度を判定し、認識率が低下す
るときの渋滞度を予めテストしておけば渋滞度がある値
を超えたときには、例えば、認識結果を不定値として中
央処理装置に伝送する。または、中央処理装置に車番認
識結果と渋滞度を伝送し、中央部で最終判断しても良
い。いずれにしても、渋滞度を計測しその渋滞度によっ
て車番認識結果を制御する。このようにすることで、車
番認識システムの信頼性を向上することが可能となる。
また、図３６は渋滞計測システムと車番認識システムを
通信手段で接続した例を示す。この方式の運用方法は上
記と同様であるが、１つの渋滞計測システムの結果を複
数の車番認識システムに伝送可能なこと、及び既存の車
番認識システムに簡単に接続可能なことである。

【００５９】また、交通流計測システムと渋滞計測シス
テムを組み合わせた構成を図３７に示す。交通流計測シ
ステムは車番認識システムと違いカメラの視野が渋滞計
測システムとほぼ同じであるのでカメラは共通に使うこ
とができる。しかしながら、交通流計測システムは通過
する車両の全てを監視する必要があるため、同じ画像処
理装置で処理するわけにはいかない。すなわち、渋滞計
測している間に通過する車を見逃すことはできない。そ
こで、図３５と同様に交通流計測と渋滞計測は別のハー
ドウエアで処理する。そして、それぞれで認識した結果
を伝送部に送り、車番認識システムの場合と同じように
渋滞度を基に信頼性があるか否かを判断し、中央処理装
置に伝送する。この場合も、計測結果を全て伝送し、中
央処理装置で最終判断させることも可能である。また、
図３６のような構成も勿論可能である。

【００６０】以上は車番認識システム，交通流計測シス
テムの場合について述べたが道路をカメラで撮影して車
両の情報について計測するシステムは全て同じような応
用が可能である。また、上記した組合せ方式は現状の画
像処理スピードが遅いためであり、近い将来画像処理性
能は１０倍あるいは１００倍高速化される可能性が有
り、１つのハードウエアで両機能を計測することも可能
となる。すなわち、各種道路画像計測システムの１つの
機能として渋滞計測を組み入れることが可能となる。

【００６１】〔実施例６〕以上の実施例は画像全体を処
理するものであるが、図３８のような構成をとれば領域
を限定して前記特徴量を求めることが可能となり、細か
い渋滞判定が出来る。図１の画像処理装置に領域設定手
段２３を追加したものであり、例えば、図３９のように
道路を撮影した場合、上り，下りレーン毎に渋滞度を計
測するためには上り，下りのレーン領域を設定する必要
があるが、これを実行できるようにしたものである。処
理の流れとしては、まず、予めレーン領域を画面に対し
てマウスやキーボードを用いて設定し（図３９
（ｂ））、レーンのマスク画像を作成する（図３９
（ｃ））。このマスク画像は処理したい領域だけを
‘１’にそれ以外を‘０’にした画像である。そして、
このマスク画像と入力画像の論理積を実行して例えば、
上りレーンだけの画像を切り出し（図３９（ｄ））、図
４のような微分処理などの特徴量の計測を行い（図３９
（ｅ））、正規化データを作成してニューラルネットワ
ークで渋滞判定を行う（図３９（ｆ））。この場合、特
徴量は設定したレーン領域の面積で正規化することにな
る。この結果、例えば、上りは渋滞度が低く、下りは渋
滞度が高いなどと判断することが出来る。本例では上
り，下りに分けたが、車線ごとに分けたりすることも容
易に可能である。

【００６２】以上述べた方法は、求めた渋滞度判定処理
部２６は特徴量をニューロコンピュータを用いて渋滞度
を判定するようにしたものであるが、ファジィコンピュ
ータを用いても同様の効果があることは明らかである。
すなわち、複数の特徴量の組合せを予め計測し、ＩＦ特徴量１がだいたい３００で、特徴量２がだ
いたい５００ならＴＨＥＮ渋滞度が小さい。

【００６３】と言った推論ルールを作成すれば同じこと
になる。ただし、しきい値の決定方法が難しい。

【００６４】このようなルールの作成方法は以下の文献
に明記されているので説明は省略する。

【００６５】（１）「ファジィモデリング」：計測自動
制御学会論文誌：Ｖol.２３，Ｎo.６，ｐｐ．６５０−
６５２（２）「ファジィ・ニューロコンピューティング」：ト
リケップス出版部：Ｎo.８，ｐｐ．１０４−１１３以上実施例を複数説明したが、当然ながらそれぞれを組
み合わせる方法も考えられる。

【００６６】

【発明の効果】多層ニューラルネットワークやファジィ
コンピュータに道路をマクロに計測した特徴量を入力し
て、学習することで特徴量と渋滞度との関係を明らかに
することができるため、細かい渋滞判定が可能となる。
また、時系列データを入力すれば将来の渋滞状況を推定
できるため、予め渋滞が生じないように信号機の制御な
どを行うことも可能となる。また、道路を監視する他の
システムと渋滞計測システムを組み合わせることで総合
的なシステム性能を向上することが可能である。

【図面の簡単な説明】

【図１】本発明の構成を説明する図である。

【図２】道路の交通量に関する特徴量を画像処理で求め
る方法を示す図である。

【図３】道路の移動量に関する特徴量を画像処理で求め
る方法を示す図である。

【図４】特徴量抽出の具体的処理を示す図である。

【図５】特徴量を実測した例を示す図である。

【図６】各特徴量をマップ化した図である。

【図７】ニューロコンピュータを説明する図である。

【図８】ニューラルネットワークの構成例を示す図であ
る。

【図９】ニューロンのしくみを説明する図である。

【図１０】ニューロンのしくみをモデル化した図であ
る。

【図１１】ニューロコンピュータの学習方法を説明する
図である。

【図１２】渋滞判定のための学習方法を説明する図であ
る。

【図１３】教師データを分布データとする場合の学習方
法を説明する図である。

【図１４】教師データから分布データを作成し学習する
方法を示す図である。

【図１５】分布データの一例を示す図である。

【図１６】渋滞判定方法を具体例で示す図である。

【図１７】交通量に関する特徴量の抽出方法を示す図で
ある。

【図１８】交通量に関する特徴量の抽出処理フローを示
す図である。

【図１９】移動量に関する特徴量の抽出方法を示す図で
ある。

【図２０】移動量に関する特徴量の抽出処理フローを示
す図である。

【図２１】移動量に関する特徴量の抽出処理フローの他
の例を示す図である。

【図２２】移動量に関する特徴量の抽出方法の他の例を
示す図である。

【図２３】交通量に関する特徴量を画像データそのもの
からニューラルネットワークで求める場合の一例を示す
図である。

【図２４】交通量，移動量を画像データからニューラル
ネットワークを用いて計測し、これを渋滞判定用のニュ
ーラルネットワークで渋滞を計測する場合の構成を示す
図である。

【図２５】交通量，移動量に関する画像分布データを渋
滞判定用ニューラルネットワークに直接入力して渋滞を
計測する場合の構成を示す図である。

【図２６】明るさ情報をニューラルネットワークに入力
する場合のネットワーク構成を示す図である。

【図２７】テレビカメラで撮影する場合の信号機の位置
関係を示す図である。

【図２８】信号機情報をニューラルネットワークに入力
する場合のネットワーク構成を示す図である。

【図２９】信号機の点灯状態を認識する方法を示す図で
ある。

【図３０】信号機の点灯状態を認識する処理フローを示
す図である。

【図３１】信号機の点灯状態を認識する他の方法を示す
図である。

【図３２】カラーカメラを用いて信号機の点灯状態を認
識する方法を示す図である。

【図３３】道路の特徴量を時系列データとしてニューラ
ルネットワークに入力する場合のネットワーク構成を示
す図である。

【図３４】渋滞度を時系列データとしてニューラルネッ
トワークに入力して渋滞度を推定する場合のネットワー
ク構成を示す図である。

【図３５】ナンバープレートを認識する車番認識部と渋
滞度計測部を設けた車番認識システムの構成を示す図で
ある。

【図３６】渋滞計測システムと車番認識システムを伝送
系で接続する場合の構成を示す図である。

【図３７】車の流れを計測する交通流計測部と渋滞計測
部を設けた交通流計測システムの構成を示す図である。

【図３８】画像処理装置に領域設定手段を設けた構成図
である。

【図３９】領域設定を用いてレーン毎に処理する手順を
説明する図である。

【符号の説明】

１０…画像処理装置、１３…微分回路、１４…画像間演
算回路、１５…２値化回路、１６…面積抽出回路、２７
…ニューロコンピュータ、２８…ニューラルネットワー
ク、３６…ニューロン。

───────────────────────────────────────────────────── フロントページの続き (72)発明者佐藤良幸茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内 (72)発明者菊地邦行茨城県日立市大みか町五丁目２番１号株式会社日立製作所大みか工場内

Claims

【特許請求の範囲】

【請求項１】道路の渋滞度を計測するシステムにおい
て、道路を俯瞰撮影するテレビカメラと、このテレビカ
メラの画像を処理して道路の各種特徴量を計測する画像
処理部と渋滞を判定する渋滞判定処理部を設け、該画像
処理部は入力画像の交通量に関する特徴量をマクロに求
める交通量計測手段と、時刻ｔと時刻ｔ＋Δｔの入力画
像から車両の移動量に関する特徴量をマクロに求める移
動量計測手段とを有し、該交通量計測手段と移動量計測
手段で求めた道路の交通量に関する特徴量と車両の移動
量に関する特徴量を該渋滞判定処理部に入力して渋滞度
を計測することを特徴とする交通渋滞度計測装置。
【請求項２】請求項１において、該画像処理部に入力画
像の明るさを計測する路面輝度計測手段を設け、前記画
像処理部で求めた道路の交通量に関する特徴量と、車両
の移動量に関する特徴量、及び該路面輝度計測回路で求
めた明るさを該渋滞判定処理部に入力し、渋滞度を計測
することを特徴とする交通渋滞度計測装置。
【請求項３】請求項１において、交通信号制御機あるい
は交通管制コンピュータから交差点の信号の点灯状態を
受取る信号機点灯状態入力手段を設け、この入力手段か
ら得られる点灯状態と前記画像処理部で求めた特徴量を
前記渋滞判定処理部に入力し、渋滞度を計測することを
特徴とする交通渋滞度計測装置。
【請求項４】請求項１において、前記画像処理部に入力
画像から信号機の点灯状態を認識する信号機認識回路を
設け、画像処理部で求めた特徴量と該信号機認識回路で
認識した信号機の点灯状態を前記渋滞判定処理部に入力
し、渋滞度を計測することを特徴とする交通渋滞度計測
装置。
【請求項５】請求項１において、前記渋滞判定処理部を
学習手段を有するニューロコンピュータとし、この入力
層に前記画像処理部で求めた特徴量や信号機の点灯状態
などを入力し、出力層には渋滞の度合いを出力するニュ
ーロンを１つ設け、学習時には渋滞度に対する割合であ
る確信度を教師データとして与え、想起時には出力層ニ
ューロンの出力値から渋滞度を算出することを特徴とす
る交通渋滞度計測装置。
【請求項６】請求項１において、該渋滞判定処理部に推
論機構を有するファジィコンピュータを用いることを特
徴とする交通渋滞度計測装置。
【請求項７】請求項１において、該画像処理部に画像を
微分する微分回路と濃淡画像の投影分布を求める投影分
布回路を設け、入力した画像を微分処理し、この画像の
車線領域の濃度分布を求め、この分布データを交通量に
関する特徴量として渋滞判定処理部に入力し、更に時刻
ｔと時刻ｔ＋Δｔの画像を入力し、これらの画像で差分
処理し、この差分画像の車線領域の濃度分布を求め、こ
の分布データを移動量に関する特徴量として渋滞判定処
理部に入力し、渋滞度を計測することを特徴とする交通
渋滞度計測装置。
【請求項８】請求項１において、渋滞判定処理部をニュ
ーロコンピュータとし、前記画像処理部で現在の時刻ｔ
と時刻ｔ−ｎ・Δｔ（ｎは自然数）における特徴量をそ
れぞれ求め、これらの時系列データを該渋滞判定処理部
に入力し、渋滞度を計測することを特徴とする交通渋滞
度計測装置。
【請求項９】請求項１において、ある時間後の渋滞度を
推定する渋滞度推定部を設け、渋滞判定処理部で求まっ
た、現在の時刻ｔと時刻ｔ−ｎ・Δｔ（ｎは自然数）に
おける渋滞度を該渋滞度推定部に入力し、時刻ｔ＋ｎ・
△ｔ′（ｎは自然数）の渋滞度を推定計測することを特
徴とする交通渋滞度計測装置。
【請求項１０】請求項１において、前記渋滞判定処理部
をニューロコンピュータとし、この入力層に前記画像処
理部で求めた特徴量や信号機の点灯状態などを入力し、
出力層には渋滞の度合いに対応する数だけのニューロン
を設け、学習時には各渋滞度に対する割合である確信度
を教師データとして与え、想起時には出力層ニューロン
の各出力値の分布から渋滞度を算出することを特徴とす
る交通渋滞度計測装置。
【請求項１１】道路を俯瞰撮影して道路状況を画像処理
で計測する各種道路状況計測システムにおいて、該道路
状況計測システムと前記渋滞度を計測する渋滞度計測シ
ステムを接続または該道路状況計測システムに渋滞計測
機能を設け、該道路状況計測システムで計測した結果を
渋滞計測機能で計測した渋滞度によって制御することを
特徴とする道路状況計測システム。
【請求項１２】請求項１において、該画像処理部に画像
を微分する微分回路と濃淡画像の投影分布を求める投影
分布回路を設け、入力した画像を微分処理し、この画像
の車線領域の濃度分布を求め、この分布データを出力層
に交通量の分類数だけ出力ニューロンを設けたニューラ
ルネットワークに入力し、交通量を学習することで交通
量の度合いを求め、これを交通量に関する特徴量とする
交通渋滞度計測装置。
【請求項１３】請求項１において、該画像処理部に画像
を微分する微分回路と濃淡画像をある所定のしきい値で
２値画像に変換する２値化回路と２値画像の面積を求め
る面積計測回路を設け、前記交通量計測手段は入力画像
を微分処理し、ある所定のしきい値で該微分画像を２値
化し、この２値の面積を求め、これを交通量に関する特
徴量とする交通渋滞度計測装置。
【請求項１４】請求項１において、該画像処理部に画像
を微分する微分回路と濃淡画像をある所定のしきい値で
２値画像に変換する２値化回路と２値画像のそれぞれの
幅を求める幅計測回路を設け、前記交通量計測手段は入
力画像を微分処理し、ある所定のしきい値で該微分画像
を２値化し、この２値画像の各物体の幅がある所定の値
を越えている物体の数を計測し、これを交通量に関する
特徴量とする交通渋滞度計測装置。
【請求項１５】請求項１において、該画像処理部に画像
を微分する微分回路と濃淡画像の平均濃度，分散などを
求める特徴抽出回路を設け、前記交通量計測手段は入力
画像を微分処理し、該微分画像の平均濃度，分散などを
求め、これを交通量に関する特徴量とする交通渋滞度計
測装置。
【請求項１６】交通渋滞度計測装置において、前記画像
処理部の微分回路は車の進行方向に対して垂直方向のエ
ッジを強調する微分処理を行うことを特徴とする交通渋
滞度計測装置。
【請求項１７】請求項１において、該画像処理部に濃淡
画像をある所定のしきい値で２値画像に変換する２値化
回路と２値画像の面積を求める面積計測回路と２値画像
の周囲長を求める特徴抽出回路を設け、前記交通量計測
手段は入力画像をある所定のしきい値で２値化し、該２
値画像の面積と周囲長から形状係数を求め、これを交通
量に関する特徴量とする交通渋滞度計測装置。
【請求項１８】請求項１において、前記交通量計測手段
は画像処理で求めた入力画像に存在する車両の台数や単
位時間あたりの通過交通量あるいは、単位時間あたりの
占有率を求め、これを交通量に関する特徴量とする交通
渋滞度計測装置。
【請求項１９】請求項１において、該画像処理部に２画
像間の差分演算などを行う画像間演算回路と濃淡画像を
ある所定のしきい値で２値画像に変換する２値化回路と
２値画像の面積を求める面積計測回路を設け、前記移動
量計測手段は時刻ｔと時刻ｔ＋Δｔの入力画像で画像間
の差分をとり、該差分画像をある所定のしきい値で２値
化したときの面積を求め、これを移動量に関する特徴量
とする交通渋滞度計測装置。
【請求項２０】請求項１において、該画像処理部に画像
間の演算を実行する画像間演算回路を設け、時刻ｔと時
刻ｔ＋Δｔの画像を入力し、これらの画像で差分処理
し、この差分画像の車線領域の濃度分布を求め、この分
布データをニューラルネットワークに入力し、移動量を
学習することで移動量を求めることを特徴とする交通渋
滞度計測装置。
【請求項２１】請求項１において、該画像処理部に２画
像間の差分演算などを行う画像間演算回路と濃淡画像を
ある所定のしきい値で２値画像に変換する２値化回路と
２値画像の面積を求める面積計測回路を設け、前記移動
量計測手段は時刻ｔと時刻ｔ＋Δｔの入力画像で画像間
の差分をとり、該差分画像をある所定のしきい値で２値
化し、この２値画像の各物体の進行方向の幅から実距離
を算出し、この距離の平均値を移動量に関する特徴量と
する交通渋滞度計測装置。
【請求項２２】請求項１において、該画像処理部に２画
像間の差分演算などを行う画像間演算回路と濃淡画像の
平均濃度を求める特徴抽出回路を設け、前記移動量計測
手段は時刻ｔと時刻ｔ＋Δｔの入力画像で画像間の差分
をとり、該差分画像の平均濃度を求め、これを移動量に
関する特徴量とする交通渋滞度計測装置。
【請求項２３】請求項１において、該画像処理部に画像
の投影分布を求める投影分布計測回路を設け、前記移動
量計測手段は時刻ｔと時刻ｔ＋Δｔの入力画像のそれぞ
れで道路の進行方向に対して垂直方向の投影分布（濃度
の累積または、２値化したときの画素の累積）を求め、
この投影分布間のずれ量を求め、この値を移動量に関す
る特徴量とする交通渋滞度計測装置。
【請求項２４】請求項１において、前記移動量計測手段
は画像処理で求めた単位時間あたりの平均速度を求め、
これを移動量に関する特徴量とする交通渋滞度計測装
置。
【請求項２５】請求項２において、前記路面輝度計測手
段は入力した画像のうち微分値が小さく、かつ、ある所
定の明るさよりも暗い部分の平均濃度を求めるようにし
たことを特徴とする交通渋滞度計測装置。