JPH064795A

JPH064795A - 交通状況監視方法と装置および交通流監視制御システム

Info

Publication number: JPH064795A
Application number: JP4157771A
Authority: JP
Inventors: Haruki Inoue; 春樹井上; Kenichi Nakamura; 兼一中村; Masakazu Yahiro; 正和八尋; Yoshiyuki Sato; 良幸佐藤
Original assignee: Hitachi Engineering Co Ltd; Hitachi Ltd
Current assignee: Hitachi Engineering Co Ltd; Hitachi Ltd
Priority date: 1992-06-17
Filing date: 1992-06-17
Publication date: 1994-01-14

Abstract

(57)【要約】【目的】交通状況の判断または予測を交通流画像から定
量的，客観的にして交通状況の監視を自動化する装置を
提供する。【構成】交通状況判定手段２はＩＴＶからの交通流画像
情報を入力し、手段２１で対象エリアにおける車両領域
の面積比率による交通量，手段２３で車両を除いた路面
の平均濃度（輝度）による明るさ，手段２２で現時点と
一定微小時間後の交通流画像情報の差分による車両移動
領域の面積比率による移動量をそれぞれ推定する。ニュ
ーラルネットワーク２４は交通量，移動量，明るさを入
力し、交通状況の段階を表す各言語値（「渋滞」，「や
や渋滞」など）の想起度を出力する。交通状況判断手段
２５は想起度が最大になる出力ニューロンの言語値によ
って判定する。【効果】交通状況の監視の自動化が実現でき、設備と人
手を大幅に削減でき、かつ、交通流の円滑な制御を実現
できる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、撮影される交通流画像
信号を用いて道路の交通状況を自動的に判定および予測
する方法及び装置、さらに判定／予測の結果に従って交
通流を制御するシステムに関する。

【０００２】

【従来の技術】交通状況の監視の現状は、路上の各地点
にテレビカメラ（以下、ＩＴＶ）を設置し、これらの情
報を１ヶ所に設置される多数のテレビに映し、多数の監
視員によって常時モニターする。そして、渋滞が発生す
ると、交通信号機の点灯タイミングを変えたり、高速道
路ではゲートの入場制限をする等の交通管制を行なう。
しかし、このような監視の方法は監視員の負担が大きい
のみならず、監視員の主観によって状況判断がばらつき
客観性に欠けるという問題があった。

【０００３】この問題の解決案として、特開昭55−1347
2号公報記載の「交通渋滞判定方法」は、占有率と交通量
から渋滞の客観的判定を行なうものである。また、ＩＴ
Ｖを用いて、交通量，占有率を求める方法（特開昭63−
259798号公報）もある。

【０００４】

【発明が解決しようとする課題】しかし、上記解決案で
は、渋滞の発生はある程度客観的に判定できるが、それ
がどの程度のもので、どのような傾向にあるかは不明で
あり、状況に適した交通管制を行なうには、依然、監視
員の経験と勘に頼らなければならないという問題があっ
た。また、渋滞時には車両が重なって撮影されたり、夜
間などの判定精度に問題があり、交通流画像によって常
に精度良く交通状況を把握するには困難があった。

【０００５】本発明の目的は上記問題点を解決し、交通
状況の正確な判断と予測を定量的，客観的に可能にする
交通状況監視方法及び装置と、これに基づく交通流監視
制御システムを提供することにある。

【０００６】

【課題を解決するための手段】本発明は、撮影された交
通流画像情報に基づき道路の交通状況を監視する方法に
おいて、所定時点の交通流画像情報から交通状況に関係
する少なくとも１の状態変数を求め、該状態変数を入力
として交通状況の段階を表す複数の言語値の想起度合い
を出力する想起処理を実行し、該想起度合いにしたがっ
て交通状況を判断するようにしたことを特徴とする。こ
こで、状態変数は交通量，移動量，路面の明るさなど、
言語値は「渋滞」，「やや渋滞」，「混雑」，「通常走
行」，「空き」などである。

【０００７】本発明はまた、過去から現在に至る複数周
期の状態変数の時系列データより所定時間後の状態変数
の予測値を推定し、これら予測値を入力として言語値の
度合いを出力する想起処理を実行して交通状況を予測す
ることを特徴とする。

【０００８】さらに本発明は、複数地点のテレビカメラ
等によって撮影される交通流画像情報に基づいて道路の
交通状況を監視しながら交通制御機器を制御する交通流
監視制御システムであって、各地点の交通状況の判定お
よび／または予測にしたがって所定の交通制御機器を制
御することを特徴とする。

【０００９】

【作用】本発明は以上のように構成されているので、ニ
ューラルネットワーク想起手段に入力された状態変数や
その予測値によって、「渋滞」，「空き」などの言語値
毎の想起度合いが演算され、交通状況の現状あるいは所
定時間後の予測を言語による定量値（言語値と称する）
によって把握できる。このため、従来、監視員の主観に
頼っていた交通状況の判断を定量的，客観的に行なうこ
とができる。また、状態変数に交通量や移動量と共に明
るさを加えることにより、時間帯や気象条件によるばら
つきを回避し、交通状況を精度よく判定できる。これに
より、交通流の自動制御に大きく寄与できる。

【００１０】本発明による交通流監視制御システムは、
交通の現況とともに、特に予測に基づいて交通制御機器
を制御するので、渋滞に至る直前の交通量制限や通常走
行直前の規制解除などがタイムリーに行なえる。また、
広域の交通状況の把握に基づいて制御を支援または計画
することができる。これらにより、交通流の円滑な制御
を実現できる。

【００１１】

【実施例】以下、本発明の一実施例を図面を用いて説明
する。図１は、本発明による交通流監視制御システムの
構成の概略を示したものである。同図において、対象地
域要所要所の画像情報が得られるように、テレビカメラ
（ＩＴＶ）９が歩道橋等を利用して監視地域の各地点に
設置されている。各地点の交通流画像情報が中央処理装
置とメモリ装置６を含む計算機装置１に取り込まれ、各
地点の交通状況の判定や予測の結果に基づいて、対象地
域の交通状況を表示装置８に表示したり、交通制御機器
（ゲートなど）を制御する。

【００１２】計算機装置１は、図示しない同期タイマに
より所定の周期、たとえば１分間毎に動作して以下のプ
ログラムによる処理を繰返し行なう。

【００１３】まず、各ＩＴＶ９の交通流画像信号が入力
手段７（プログラム）によって周期的に取り込まれ、取
り込まれた画像信号は各地点毎に記憶装置６の交通流画
像記憶部へ格納される。また、入力手段７（あるいは記
憶装置６）からの画像信号は交通状況判断手段２（プロ
グラム）に入力される。判断手段２は、画像情報から抽
出され交通状況の特徴をなす状態変数を求め、状態変数
を入力とする学習済のニューラルネット想起により、交
通状況の各段階を定量的に判定する。また、状態変数は
記憶装置６の状態変数記憶部に時系列に格納される。

【００１４】交通状況予測手段３（プログラム）は、交
通状況判定手段２によって状態変数記憶部に格納されて
いる時系列データに基づき、一定時間後の状態変数を予
測し、この予測値を入力とする想起手段により一定時間
後の交通状況を定量的に予測する。

【００１５】交通流制御手段４（プログラム）は、予測
手段３により出力される交通状況予測値に基づき交通が
円滑に流れるように、信号機やゲート（Ｇ１〜Ｇ６）等
の制御効果器に制御指令を出力する。なお、交通流制御
手段４は交通状況判定手段２の結果、あるいは手段２と
手段３の結果に基づいて制御指令を出力するようにして
もよい。

【００１６】表示制御手段５（プログラム）は、手段２
〜手段４の結果を表示装置８に表示するため、監視員に
一目で判断できるようシンボルマークや色彩等を組合せ
た表示編集を行なう。

【００１７】図２は、交通状況判定手段２の構成を示し
たものである。各地点のＩＴＶ９の画像情報により、状
態変数である交通量，移動量およびエリアの明るさを推
定する。交通量推定手段２１は交通量変数値を、移動量
推定手段２２は移動量変数値を、明るさ推定手段２３は
明るさ変数値をそれぞれ「交通量度合い」，「移動量度
合い」，「明るさ度合い」として０.０〜１.０の値に演
算する。

【００１８】これら３の状態変数は、想起手段であるニ
ューラルネット２４の入力ニューロンに与えられる。ニ
ューラルネット２４の５つの出力ニューロンには、交通
状況の各段階を言語的に定量化した５の言語値、すなわ
ち、「渋滞」，「やや渋滞」，「混雑」，「通常走
行」，「空き」が割当てられ、予め学習制御手段２７に
よって所定の精度になるまで後述のように学習された
後、各ニューロンを結合するシナップスの重みが固定さ
れている。

【００１９】交通状況判断手段２５は各出力ニューロン
の想起度合いの中で最大になるものを選択し、該出力ニ
ューロンに割当てられている言語値を該当時点の交通状
況と判断する。

【００２０】時系列データ保存手段２６は、交通量推定
手段２１，移動量推定手段２２，明るさ推定手段２３の
出力値を一定時間分、時系列に記憶装置６の状態変数記
憶部に記憶する。

【００２１】図３は、交通量推定手段２１の処理を詳細
に示したものである。まず、現在画像情報Ｇ(ｔ)を取込
み（１０１）、微分処理を行なう（１０２）。これによ
りエリア内に存在する車両の輪郭を抽出する。つぎにこ
の微分画像を車両（黒…１）と車両以外の路面（白…
０）に２値化し（１０３）、この２値画像から車両の面
積を求める（１０４）。面積は車両を表す１のビット信
号（画素信号）の総数で示される。最後に対象エリア内
における２値画像の面積比率（１のビット信号の総数／
エリアのビット信号総数）を求め（１０５）、これを
「交通量度合い」とする。この「交通量度合い」は対象
エリアにおける車両の占める割合を示しており、厳密な
意味での台数ではないが、対象エリアの混雑程度を表現
するには好都合な値である。

【００２２】図４は、移動量推定手段２２の処理を示し
たものである。現在画像情報Ｇ(ｔ)を取込み（２０
１）、Δｔ遅延処理し（２０２）、ｔからΔｔ後の画像
情報Ｇ(ｔ＋Δｔ)を取込み（２０３）、Ｇ(ｔ)とＧ(ｔ
＋Δｔ)の差分処理をする（２０４）。Δｔはたとえば
３０(ms)程度の短い時間を設定し、同一車両の移動の程
度を的確に把握できるようにする。このΔｔは、長過ぎ
ると対象エリアの明るさ等に変化が生じて車両のみの差
分が得られず、反対に短すぎると車両の移動量が明確に
把握できない。Δｔは通常、１０〜１００ms程度にとら
れる。しかし、各地点の画像取込みの周期は短くても１
分程度となるので、画像処理上の問題はない。この移動
量によれば、車両の速度が速い場合は差分によって残る
車両の像が多くなり、車両の速度が遅い場合は少なくな
る。この差分画像を２値化して差分車両と路面の２値画
像を得（２０５）、２値画像の面積を求め（２０６）て
対象エリア内での面積比率を計算し（２０７）、これを
「移動量度合い」とする。

【００２３】図５は、明るさ推定手段２３の処理を示し
たものである。屋外の画像情報は、明るい昼間は車両の
輪郭がよく認識できるが、夜間や雨，雪等の場合はコン
トラストが非常に小さくなり、ヘッドライトやテールラ
ンプ等しか認識できない場合もあり、交通量や移動量の
推定に大きな誤差を生じる。これを回避する為、明るさ
情報をニューラルネット想起手段２４に与え解決を図る
ものである。

【００２４】まず、現在画像情報Ｇ(ｔ)を取込み（３０
１）、微分処理（３０２）と２値化処理し（３０３）、
さらに、この２値画像を反転して車両：白，路面：黒の
反転画像を得る（３０４）。つぎに、原画像を反転画像
でマスクして（３０５）、車両を除いた路面領域に相当
する原画像を抽出し（３０６）、路面領域の路面平均濃
度（輝度）を演算し（３０７）、この路面平均濃度を
「明るさ度合い」とする。

【００２５】精度は低下するが車両を含む全エリアの平
均濃度を求めても「明るさ度合い」を得ることはできる
（この場合３０１から直接３０７）。

【００２６】濃度（輝度）は例えば、計測エリアを分割
した分割領域内の黒い（白い）画素数に応じて−１２８
〜１２７の２５６階調に表現する。各領域の濃度を平均
した平均濃度は、０〜１に正規化され「明るさ度合い」
とされる。

【００２７】上記説明においては、画像信号の１ビット
信号を１画素としているが、複数ビット信号によって１
画素を構成する場合であっても同じである。また、白黒
画像のみならず、カラー画像の場合にも微分処理あるい
は差分処理によって、車両と路面を２値化画像として扱
えば、各状態変数は同様に推定可能である。

【００２８】以上のようにして得られた３つの状態変数
は、ラーメルハート型ニューラルネット２４に入力され
る。該想起手段２４は入力情報に対応する３個のニュー
ロンによる入力層，５個のニューロンによる中間層，５
個のニューロンによる出力層の３層からなり、５個の出
力ニューロンはそれぞれ、「渋滞」，「やや渋滞」，
「混雑」，「通常走行」，「空き」という交通状況の各
段階を定量的に表す言語値が割当てられている。なお、
出力層のニューロン数は交通状況を区分する言語値の数
に応じて決定される。

【００２９】ここで、ニューラルネットの想起処理と学
習処理について簡単に説明する。想起処理はニューラル
ネットの実行演算であり、入力情報を定性的に分類し出
力情報を特定する処理である。具体的には入力ニューロ
ンに与えられる入力信号と予め重み付けされたニューロ
ン間を結ぶシナップス値（重み／荷重値）が乗算され、
それぞれの中間ニューロンにて加算が行なわれる。加算
値ｘは、例えば数１に示すシグモイド関数

【００３０】

【数１】

【００３１】等で非線形変換され、中間ニューロンの出
力値となる。中間ニューロンの出力値は、中間ニューロ
ンと出力ニューロンを結合するシナップス値と乗算され
る。これらは上記と同様に各出力ニューロンで加算が行
なわれ、非線形変換されニューラルネットワークの出力
値となる。

【００３２】本例では交通状況の各段階の言語値である
「渋滞」，「やや渋滞」，「混雑」，「通常走行」，
「空き」がそれぞれ各出力ニューロンに割当てられ、入
力情報の交通状況に応じて対応する出力ニューロンに最
大の想起出力値が得られる。

【００３３】学習処理は教師信号に基づき所定の精度が
得られるまでシナップス値を調整する処理である。未学
習時の各シナップス値は不定で通常、最初に乱数値が与
えられる。このシナップス値を入出力情報（教師信号）
間で最適に定める方法は、例えば「パターン認識と学習
のアルゴリズム」（上坂吉則／尾関和彦著，文一総合出
版）に詳細に述べられている。

【００３４】本実施例において学習のための信号として
は、例えば朝，昼，夕，夜等の時間的変化および晴，曇
り，雨，雪等の気象変化の各条件における交通状況の各
段階の代表例を示す交通流画像情報が用意される。学習
のために入力された画像情報から、交通流推定手段２１
により交通量度合い，移動量推定手段２２により移動量
度合い，明るさ推定手段２３により明るさ度合いが各々
求められ、ニューラルネットワーク２４の入力ニューロ
ンに与えられる。一方、出力ニューロンには交通状況の
各段階の言語値すなわち「渋滞」，「やや渋滞」，「混
雑」，「通常走行」，「空き」が割当てられる。未学習
の状態では、入力情報と出力ニューロンの想起値の間に
は何の関係もない。

【００３５】学習のために入力される交通流画像（対象
エリア）は、予めまたはオンラインで監視員によってモ
ニタされ「渋滞」，「やや渋滞」，「混雑」，「通常走
行」，「空き」の状況判断（値)が付与されている。こ
の画像毎の判断(値)が教師信号として学習制御手段２７
に入力される。学習制御手段２７は言語値が割当てられ
ている各出力ニューロンの出力値、すなわち想起度合い
と上記判断(値)を付き合わせ、出力ニューロンに割当て
られている言語値と一致するようにニューラルネット２
４の各シナップス値を修正する。

【００３６】上記操作を様々な条件における交通流画像
情報について繰返し行なうことにより、ある交通状況の
画像情報を入力すると、ニューラルネット２４はそれに
最も適合する言語値の出力ニューロンの出力値が最大と
なるように想起する。これによって学習を終了し、各シ
ナップス値は固定され、ニューラルネット２４は学習済
の想起手段となる。

【００３７】本実施例において、学習／想起の入力とな
る状態変数は、交通量，移動量と共に対象エリアの路面
の明るさが採用されているので、夜間のテールランプの
みの画像情報によっても、交通状況は正確に判断され
る。

【００３８】以上に説明したように本実施例によれば、
交通流画像から「渋滞」，「空き」などの定量化された
言語値を想起できるようにし、かつ、夜間や異なる気象
条件においても精度よく交通状況を判定できるようにし
たので、従来監視員の主観に頼っていた状況判断を客観
的，自動的にでき、監視地域の各地点の交通状況をシン
ボリックな言語値などによって表示装置８に一括表示し
て、監視することも可能になる。

【００３９】次に、交通状況の予測方法について説明す
る。一般に、交通量や移動量の推移は１日単位などある
時間フレームで観察すると、比較的規則性のあることが
知られている。例えば朝のラッシュ時に交通量は徐々に
増加し、昼間は比較的安定して同程度の交通量を維持す
る。また夕方等で渋滞が発生してしまうとすぐには解消
せず、数十分以上継続した後、徐々に解消していく。一
方、渋滞に至るすこし前で交通規制が行なわれると、交
通量は速やかに減少し渋滞を回避できる。

【００４０】また、移動量については、渋滞時は大変少
なくなって交通量との相関が認められるが、交通量が多
くなっても必ずしも移動量が多くなるとは限らない。し
たがって、移動量の推移は交通量の推移から分離し独立
の要素として扱う必要がある。

【００４１】さらに、車両を除いた路面の明るさは主に
時間的変化と気象変化が主要因となる（車両を含める
と、その色や形状による反射で明るさにばらつきがで
る）。したがって、予測も比較的容易である。

【００４２】このような交通流における各状態変数の規
則性や特質に着目すると、交通流の予測はある程度の精
度で実現可能であり、この予測を加味することで交通流
の制御は一層、的確なものとすることができる。

【００４３】図６は、交通状況予測手段３の一実施例を
示したものである。時系列データ取込手段３１は、記憶
手段６の状態変数記憶部に格納されている現在より所定
時間前までの「交通量度合い」，「移動量度合い」，
「明るさ度合い」の各時系列データを取り出す。

【００４４】交通量予測手段３２，移動量予測手段３
３，明るさ予測手段３４は各々の時系列データの推移か
ら、所定時間後の「交通量度合い」，「移動量度合
い」，「明るさ度合い」を予測する。予測の方法は後述
する最小二乗法以外にも、カルマンフィルタ，ニュー
ロ，ファジイなどがある。

【００４５】各予測値は、学習制御手段３７によって学
習済のニューラルネット想起手段３５に入力される。こ
れら想起手段３５や学習制御手段３７は、上記した交通
状況判定手段２の想起手段２４や学習制御手段２７と同
一機能を有し、これらがソフト的に構成される場合には
各々兼用も可能である（シナップス値は異なる）。な
お、想起手段３５の学習は、教師信号として用いる時系
列データのうち、過去の所定期間のデータを入力信号と
し、該期間より後（現在側）の時刻のデータを出力信号
として行なう。

【００４６】交通状況予測手段３６は、想起手段３５の
出力ニューロンのうちで最大の出力値となるものを選択
し、該出力ニューロンに割当てられている予測交通状況
の言語値を、当該地点における所定時間後の交通状況と
して予測する。

【００４７】図７は以上のように構成される交通状況予
測手段３の動作説明図である。同図に示す交通量度合い
時系列データ，移動量度合い時系列データ，明るさ度合
い時系列データのうち、現在（時刻１６の黒まる印）か
ら過去へ７単位時間のデータが交通量予測手段３２，移
動量予測手段３３，明るさ予測手段３４によってそれぞ
れ取り込まれる。各予測値は、まず上記７単位時間の時
系列データの傾きを求め、これより２単位時間後（時刻
の白まる印）の値を求める最小二乗法予測によって演算
される。予測された「交通量度合い」，「移動量度合
い」，「明るさ度合い」はニューラルネット想起手段３
５に入力され、交通状況の各段階を割当てられている出
力ニューロンに予測度合いが想起される。図示例では、
該当地点が時刻１８で渋滞に至ることが予測され、この
予測に基づいて交通流制御手段４は該当ゲートに閉指令
を出力する。

【００４８】ところで、慢性的に渋滞が発生している都
市部では、渋滞の発生に応じ予め定められたいくつかの
ゲートを閉じ、流入交通量を制限して渋滞の解消を図っ
ている。しかしながら、一旦、発生した渋滞はその後に
交通流を制限しても仲々解消されず、数十分〜数時間の
間継続してしまう。しかし、渋滞に至る少し前で交通流
を制限すると、渋滞は比較的に短時間で解消する。本発
明によれば交通状況の正確な把握と予測に基づいて円滑
な交通流の制御が実現できる。

【００４９】図８は、交通流制御手段４の動作を示した
ものである。この例で、制御効果器は高速道路の料金所
に設置されている進入制御ゲートにしている。同図にお
いて、対象地域の全地点に対し次のような処理を行な
う。

【００５０】まず、制御用地点を順次選択し（４０
１）、交通状況予測手段３で予測されている交通状況予
測値を判定する（４０２）。予測値が「渋滞」の場合
は、該当地点の交通流を制限するため予め定められてい
る所定ゲートに対して「閉」指令を出力する（４０
３）。この出力信号に基づき自動的にあるいは操作員に
よって当該ゲートが閉められる。一方、予測値が「通常
走行」、あるいは「空き」の場合は該当ゲートに対して
「開」指令が出力される（４０４）。

【００５１】図９は、本発明による交通流制御の効果を
例示で説明したものである。同図の上部は交通流制御を
行なっていない場合である。時刻８時１０分に渋滞に至
り、その後９時５分まで継続している。これに対し、同
図の下部は本発明による交通流制御を行なった場合であ
る。７時５５分の時点で「渋滞」が予測されたので、該
当するゲートに対し「閉」指令を出力，流入交通量を制
限して渋滞を回避している。このように、本実施例によ
れば、信号機や進入ゲート等の制御効果器を的確に制御
することができる。

【００５２】以上説明した本実施例は比較的，局所的な
交通流の制御である。しかし、１ヶ所の渋滞地点（ボト
ルネックと称される）の改善が、その下流に一層深刻な
トラブルを発生させる場合がある。このため、広域の交
通管制には、広域の交通状況予測値を基に制御計画を決
定すべきである。この場合、所定地点の交通状況予測を
複数地点の交通流データに基づいて予測したり、複数地
点の交通状況予測に基づいて広域の交通状況予測をした
りする必要があり、このような広域の監視，予測および
制御においても本発明が適用可能であることは言うまで
もない。

【００５３】つぎに、交通状況監視のための表示につい
て説明する。従来、交通状況は定量的に表現できなかっ
たので、対象エリアの交通状況は各地点の生映像を示す
多数数のモニターテレビによらざるを得なかった。しか
し、本発明によれば、監視員の主観とマッチする交通状
況の言語値、すなわち「渋滞」，「空き」などによって
客観的，定量的に表現できるので、交通状況の表示も生
映像による必要が無く、１台ないし数台のテレビで全体
の状況を解り易く表示できる。

【００５４】図１０は、表示制御手段５の一動作例を示
したものである。対象エリア各地点の交通状況の現状や
予測を周期的に取り込み（５０１）、交通状況に応じた
シンボルや色を決定し（５０２）、表示装置７によって
図１１や図１２のように表示する（５０３）。

【００５５】図１１は、表示装置８に表示される交通状
況の１例である。対象エリアの道路地図（静止画）にラ
ップさせて、各監視地点の交通状況段階に相応するシン
ボルマークが表示される。シンボルマークは上下半分ず
つの半円が組合わされ上り／下りに割当てられる。カラ
ー表示可能な表示装置では、各状況に対してそれぞれユ
ニークな色を割当て、リアルタイムに色替えをする（動
画）こともできる。この表示により、広い監視地域の交
通状況も一目で判るようになる。

【００５６】図１２は、対象エリアの地点の上り（Ｕ）
／下り（Ｄ）毎に交通状況をグラフィカルに表現したも
のである。各地点のバーは交通状況段階に応じて伸縮
し、色変化するため、交通状況の変化をダイナミックに
捉えられる。もちろん、図１１のように道路地図上にグ
ラフ表示するようにしてもよい。また、現在状態の表示
のみならず予測状況の表示にも有効であり、両者を表示
することも可能である。

【００５７】

【発明の効果】本発明によれば、交通流画像から交通状
況の判断または予測を定量的，客観的に、かつ、夜間や
悪天候でも高精度に行なうことができるので、交通状況
の監視の自動化が実現でき、設備と人手を大幅に削減で
きる効果がある。

【００５８】また、交通状況の定量化によって広域エリ
アの交通状況を集約して表示できるため、広域での状況
把握や判断が的確に行なえる効果がある。

【００５９】さらに、交通状況の現状や予測の定量的，
客観的な監視データに基づいて、広域な交通流推移が把
握できるので、渋滞等を解消するのにタイムリーで、か
つ、広域にわたる交通流の円滑化をはかる交通制御を実
現できる。

【図面の簡単な説明】

【図１】本発明の一実施例を示す交通監視制御システム
の機能と適用例を説明する図。

【図２】本発明の一実施例を示す交通状況判定装置の機
能構成図。

【図３】交通状況判定装置の交通量推定手段の動作を説
明する図。

【図４】交通状況判定装置の移動量推定手段の動作を説
明する図。

【図５】交通状況判定装置の明るさ推定手段の動作を説
明する図。

【図６】本発明の一実施例を示す交通状況予測装置の機
能構成図。

【図７】交通状況予測装置の動作を説明する図。

【図８】図１の交通流制御装置の動作を説明するフロー
チャート。

【図９】図１の交通監視制御システムの動作と効果を説
明する図。

【図１０】図１の表示制御装置の動作を説明するフロー
チャート。

【図１１】図１の表示装置の表示例を説明する図。

【図１２】図１の表示装置の別の表示例を説明する図。

【符号の説明】

１…計算機装置、２…交通状況判定手段、３…交通状況
予測手段、４…交通流制御手段、５…表示制御手段、６
…記憶装置、７…入力手段、８…表示装置、９…ＩＴ
Ｖ、２１…交通量推定手段、２２…移動量推定手段、２
３…明るさ推定手段、２４（３５）…ニューラルネット
ワーク想起手段、２７（３７）…学習制御手段、３１…
時系列データ取り込み手段、３２…交通量予測手段、３
３…移動量予測手段、３４…明るさ予測手段。

フロントページの続き (72)発明者八尋正和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

Claims

【特許請求の範囲】

【請求項１】撮影された交通流画像情報に基づき道路の
交通状況を監視する方法において、所定時点の交通流画像情報から交通状況に関係する少な
くとも１の状態変数を求め、該状態変数を入力として交
通状況の段階を表す複数の言語値の想起度合いを出力す
る処理を実行し、該想起度合いにしたがって交通状況を
判断するようにしたことを特徴とする交通状況監視方
法。
【請求項２】前記言語値は、「渋滞」，「やや渋滞」，
「混雑」，「通常走行」および「空き」を含むことを特
徴とする請求項１記載の交通状況監視方法。
【請求項３】前記状態変数は所定時点の交通流画像情報
から抽出される交通量であることを特徴とする請求項１
記載の交通状況監視方法。
【請求項４】前記状態変数は所定時点の交通流画像情報
と、一定微小時間後の交通流画像情報の差分から抽出さ
れる移動量であることを特徴とする請求項１記載の交通
状況監視方法。
【請求項５】前記状態変数は、所定時点の交通流画像情
報から推定される交通量，明るさ、一定微小時間におけ
る交通流画像情報の差分から推定される移動量のうちの
任意の２つ、または、全部であることを特徴とする請求
項１記載の交通状況監視方法。
【請求項６】前記交通量は前記交通流画像情報から対象
エリアにおける車両領域の面積比率（０.０〜１.０の
値）、前記移動量は前記交通流画像情報と一定微小時間
後の交通流画像情報の差分による対象エリアにおける車
両移動領域の面積比率（０.０〜１.０の値)、前記明る
さは交通流画像情報から車両領域を除いた路面の平均濃
度の正規化値（０.０〜１.０の値）であることを特徴と
する請求項５記載の交通状況監視方法。
【請求項７】撮影される対象エリアの交通流画像情報に
より道路の交通状況を監視する方法において、現時点の交通流画像情報から対象エリアにおける車両領
域の面積比率で示される交通量度合いと、現時点の交通
流画像情報から車両領域を除いた路面の平均濃度で示さ
れる明るさ度合いと、現時点の交通流画像情報と一定微
小時間後の交通流画像情報の差分より対象エリアにおけ
る車両移動領域の面積比率で示される移動量度合いと、
をそれぞれ求め、これら交通量度合い，移動量度合いおよび明るさ度合い
を入力として交通状況の段階を表す複数の言語値（「渋
滞」，「空き」など）の想起度合いを出力する予め学習
済みの想起処理を実行し、前記言語値の想起度合いが最
大になる交通状況の段階を現時点の交通状況と判定する
ことを特徴とする交通状況監視方法。
【請求項８】所定の周期で撮影される交通流画像情報か
ら求められる少なくとも１の状態変数に基づいて道路の
交通状況を予測する交通状況監視方法において、過去から現在に至る複数周期の状態変数の時系列データ
より所定時間後の状態変数の予測値を推定し、予め状態
変数の予測値を入力に交通状況の段階を表す複数の言語
値に分類する学習をなし、前記所定時間後の状態変数の
予測値を入力として該当する前記言語値を出力する前記
学習済みの想起処理を実行し、該想起処理の結果にした
がって交通状況を予測することを特徴とする交通状況監
視方法。
【請求項９】前記言語値は、「渋滞」，「やや渋滞」，
「混雑」，「通常走行」および「空き」を含むことを特
徴とする請求項８記載の交通状況監視方法。
【請求項１０】前記状態変数は、所定時点の交通流画像
情報から推定される交通量，明るさおよび一定微小時間
における交通流画像情報の差分から抽出される移動量の
うちの２つ、または、全部であることを特徴とする請求
項８記載の交通状況監視方法。
【請求項１１】前記一定微小時間は、前記周期よりはる
かに短い時間であることを特徴とする請求項１０記載の
交通状況監視方法。
【請求項１２】所定の周期で撮影される交通流画像情報
に基づいて道路の交通状況を予測する監視方法におい
て、過去から現在に至る複数時点の交通流画像情報から推定
される交通量の時系列データと明るさの時系列データと
前記各交通流画像情報と該各時点から一定微小時間後の
交通流画像情報の差分より推定される移動量の時系列デ
ータとの各々に基づいて、所定時間後の予測交通量，予
測明るさ及び予測移動量を推定し、これら予測交通量，
予測移動量および予測明るさを入力として交通状況の段
階を表す複数の言語値（「渋滞」，「空き」など）の想
起度合いを出力する予め学習済みの想起処理を実行し、
前記想起度合いが最大になる言語値を所定時間後の交通
状況として予測することを特徴とする交通状況監視方
法。
【請求項１３】テレビカメラ等で撮影される交通流画像
情報に基づいて道路の交通状況を監視する装置におい
て、対象エリアの交通流画像情報を取り込む入力手段と、取
り込まれた交通流画像情報をビット情報または画素単位
に記憶する画像情報記憶手段と、交通流画像情報から交
通状況に関係する状態変数を推定する状態変数推定手段
と、入力ニューロンに状態変数を入力し各出力ニューロ
ンに割付けられている交通状況の段階を表す各言語値の
想起度合いを出力するニューラルネットワーク想起手段
と、想起度合いが最大になる出力ニューロンの言語値を
該時点の交通状況と判断する交通状況判定手段を備える
ことを特徴とする交通状況監視装置。
【請求項１４】前記状態変数推定手段は、交通流画像情
報から抽出される対象エリアにおける車両領域の面積比
率で示される交通量度合いの推定手段、現時点の交通流
画像情報から車両領域を除いた路面の平均濃度で示され
る明るさ度合いの推定手段と、現時点の交通流画像情報
と一定微小時間後の交通流画像情報の差分より対象エリ
アにおける車両移動領域の面積比率で示される移動量度
合いの推定手段とを有し、前記ニューラルネットワーク想起手段は、前記交通量度
合い，明るさ度合いおよび移動量度合いを入力する各入
力ニューロンを有していることを特徴とする請求項１２
記載の交通状況監視装置。
【請求項１５】前記状態変数と該変数に対応する前記言
語値の対を教師信号として前記ニューラルネットワーク
想起手段の学習を行なう学習制御手段を具備しているこ
とを特徴とする請求項１２記載の交通状況監視装置。
【請求項１６】テレビカメラ等で撮影される交通流画像
情報に基づいて道路の交通状況を予測する装置におい
て、対象エリアの交通流画像情報を周期的に取り込む入力手
段と、取り込まれた交通流画像情報をビット情報または
画素単位に記憶する画像情報記憶手段と、交通流画像情
報から交通状況に関係する状態変数を推定する状態変数
推定手段と、各周期毎に推定された状態変数を時系列デ
ータとして記憶する状態変数記憶手段と、過去から現在
に至る所定期間の状態変数の時系列データより現時点か
ら所定時間後の状態変数の予測値を推定する状態変数予
測手段と、入力ニューロンに状態変数の予測値を入力し
各出力ニューロンに割付けられている交通状況の段階を
表す言語値の想起度合いを出力するニューラルネットワ
ーク想起手段と、想起度合いが最大になる出力ニューロ
ンの言語値を前記所定時間後の交通状況と予測する交通
状況予測手段を備えることを特徴とする交通状況監視装
置。
【請求項１７】前記状態変数推定手段は、交通流画像情
報から対象エリアにおける車両領域の面積比率で示され
る交通量の推定手段と、交通流画像情報から車両領域を
除いた路面の平均濃度で示される明るさの推定手段と、
所定時点の交通流画像情報と該時点から一定微小時間後
の交通流画像情報の差分より対象エリアにおける車両移
動領域の面積比率で示される移動量の推定手段を有し、前記状態変数予測手段は、前記交通量の時系列データか
ら所定時間後の交通量の予測値を推定する交通量予測手
段と、前記明るさの時系列データから所定時間後の明る
さの予測値を推定する明るさ予測手段と、前記移動量の
時系列データから所定時間後の移動量の予測値を推定す
る移動量予測手段を有し、前記ニューラルネットワーク想起手段は、前記交通量の
予測値，明るさの予測値および移動量の予測値を入力す
る各入力ニューロンを有していることを特徴とする請求
項１６記載の交通状況監視装置。
【請求項１８】複数地点のテレビカメラ等によって撮影
される交通流画像情報に基づいて道路の交通状況を監視
しながら交通制御機器を制御する交通流監視制御システ
ムにおいて、各地点の交通流画像情報を周期的に取り込む入力手段
と、取り込まれた地点毎の交通流画像情報をビット情報
または画素単位に記憶する画像情報記憶手段と、記憶さ
れた交通流画像情報から交通状況に関係する地点毎の状
態変数を求める状態変数推定手段と、入力ニューロンに状態変数を入力し各出力ニューロンに
割付けられている交通状況の段階を表す各言語値の想起
度合いを出力するニューラルネットワーク想起手段と、
該想起度合いが最大になる出力ニューロンの言語値を現
時点の交通状況と判定する交通状況判断手段とを有する
現在交通状況監視装置、および／または、前記状態変数
推定手段により各周期毎に求められる状態変数を時系列
データとして記憶する状態変数記憶手段と、過去から現
在に至る所定期間の状態変数の時系列データより現時点
から所定時間後の状態変数の予測値を求める状態変数予
測手段と、入力ニューロンに状態変数の予測値を入力し
各出力ニューロンに割付けられている交通状況の段階を
表す言語値の想起度合いを出力するニューラルネットワ
ーク想起手段と、想起度合いが最大となる出力ニューロ
ンの言語値を前記所定時間後の交通状況と予測する交通
状況予測手段とを有する交通状況予測装置と、前記現在交通状況監視装置および／または交通状況予測
装置から出力される各地点の交通状況に基づいて所定の
交通制御機器を制御する制御装置を備えることを特徴と
する交通流監視制御システム。
【請求項１９】前記現在交通状況監視装置および／また
は交通状況予測装置から出力される各地点の交通状況
を、前記言語値と対応付けられたシンボルによって道路
地図上に表示する表示装置を具備することを特徴とする
請求項１８記載の交通流監視制御システム。