JPH0991586A

JPH0991586A - 道路状態監視方法と装置

Info

Publication number: JPH0991586A
Application number: JP24751595A
Authority: JP
Inventors: Tetsuo Ouchi; 哲夫大内; Katsumi Konaka; 克己小中; Tomohiro Arasawa; 友浩荒澤; Hiroyasu Enomoto; 博康榎本
Original assignee: Babcock Hitachi KK
Current assignee: Mitsubishi Power Ltd
Priority date: 1995-09-26
Filing date: 1995-09-26
Publication date: 1997-04-04

Abstract

(57)【要約】【課題】より安価で高性能な車両台数を推定する道路
状態監視方法と装置を提供すること。【解決手段】車両台数を推定する場合はＩＴＶカメラ
２より路面の画像を取り込み、画像処理部１０において
車両速度データと路面条件データを得る。路面条件判定
部１１は温度計３と風遠計４から得られる気象データと
画像処理部１０から得られる路面条件データから路面条
件を判定し、路面条件に応じた交通量−平均速度グラフ
を交通量と平均速度のデータベース１３から選択する。
車両台数推定部１２では画像処理部１０により算出され
た車両速度データを路面条件判定部１１により選択され
た交通量−平均速度グラフに代入し、車両台数推定結果
１４を図示しない中央監視部へ出力する。天候条件によ
り車両台数計測精度が著しく低下した場合に既作成の交
通量−平均速度の関係を表すグラフと測定可能な車両の
走行速度から車両台数が推定可能となる。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、画像式交通流計測
において交通量−平均速度グラフを使用して検出漏れ車
両台数を推定する道路状態監視方法と装置に関する。

【０００２】

【従来の技術】一般に車両感知器は、大きく分けて存在
検出型、速度検出型、密度検出型の３種がある。これら
の各種感知器の代表的なものとして存在検出型ではルー
プ式、超音波パルス式、速度検出型ではドップラレーダ
式、密度検出型では長大ループ式があげられ、国内の交
通管制システムにおいては車両速度と密度が間接的に測
定できるループ式と超音波パルス式が用いられることが
多い。

【０００３】ループ式車両感知器は路面に埋設したルー
プコイル上に金属物体が接近した際の電気的常数変化を
利用するものであり、本方式にはループコイルを路面に
埋設する際に車両通行を妨げること、ループコイルの断
線が多いことあるいは交通密度が高い状態で車両を誤認
することなどの問題点がある。

【０００４】超音波パルス式車両感知器は車両からの超
音波ビームの反射波を利用するものであり、本方式も交
通密度が高い状態で感知パルスの割れが発生するなどの
問題点がある。ここで、感知パルスの割れについて述べ
る。送受波器から送出されるパルスは計測される車両に
当たり反射パルスとして戻ってくるが、反射パルスは１
台の車両から複数個が得られるため、これを１つにまと
めたものを感知パルスと言う。複数の反射パルスを１つ
の感知パルスにまとめるためには、反射パルス１つに対
してパルス送出周期の３倍程度の保持時間を用いている
が、交通密度が高い状態で、走行車両が感知領域ギリギ
リに停車した時の超音波反射波レベルのゆらぎにより、
車両が存在していても反射パルスが現れないことがあ
る。反射パルスが２個以上連続して欠けた場合は、パル
ス消失時間が前述の保持時間を超過するために感知パル
スが複数個に分割されてしまう。この状態を感知パルス
の割れと言い、結果として１台の車両を２台以上の車両
として誤認することになる。

【０００５】このような欠点のない車両感知器としてＩ
ＴＶカメラを用いた画像式車両感知器が知られている
が、ＩＴＶカメラを用いた画像式車両感知器は初期画像
を基に収集画像を２値化して車両を検出するもので、１
台のＩＴＶカメラから得られる情報で車両の存在検出、
速度検出、密度検出が可能であることや、埋設作業など
の大規模な設置工事が不要であること、交通密度が高い
状態でも高精度な車両台数検出が可能であることなどの
利点がある。しかし、その反面、収集画像が不明瞭とな
る降雨時、降雪時、路面と車両の明度差が小さくなる夜
間などは車両検出漏れが増加することや、画像処理を高
速で行うための高価な演算装置が必要であることなどが
問題点としてあげられ、実用性に乏しかった。

【０００６】

【発明が解決しようとする問題点】上記ＩＴＶカメラを
用いた画像式車両感知器を用いる方式は、以下の問題が
あった。（１）画像式車両感知器は悪天候下での実用性が乏し
い。（２）画像式車両感知器は高速な画像処理装置と演算処
理装置を必要とするため、高価である。本発明の目的は、より安価で高性能な車両台数を推定す
る道路状態監視方法と装置を提供する事にある。

【０００７】

【問題点を解決するための手段】本発明の上記目的は、
次の構成によって達成される。すなわち、道路上の画像
データから車両速度データと路面条件データを得て、さ
らに少なくとも道路上の画像データから路面条件を判定
して、各路面条件に応じて予め得られている交通量−平
均速度グラフの中から最適な交通量−平均速度グラフを
選択して、該選択された交通量−平均速度グラフに前記
車両速度データを代入して車両台数を推定する道路状態
監視方法、または、撮像装置と該撮像装置から得た道路
上の画像データを処理して車両速度データと路面条件デ
ータを得る画像処理部と、少なくとも画像処理部から得
られる路面条件データから路面条件を判定して各路面条
件に応じて予め得られている交通量−平均速度グラフの
中から最適な交通量−平均速度グラフを選択する路面条
件判定部と、画像処理部で得られた車両速度データを前
記選択された交通量−平均速度グラフに代入して車両台
数を推定する車両台数推定部を備えた道路状態監視装置
である。

【０００８】本発明の道路状態監視方法または装置二お
いて、交通量−平均速度グラフは時刻または気象条件の
違いに応じて自動的に最適な交通量−平均速度グラフを
選択する機能を有する構成とすることができる。

【０００９】車両速度データは、例えば本発明者らが先
に出願した発明（特願平６−５８８４号）に開示した方
法で計測する。その方法の一つは、カメラなどの撮像装
置で道路および道路上の車両を撮影し、路面との対比に
おいて車両の特徴点の検出を路面との明度差を利用して
行う２値化画像、同一画像での時間の異なる２画像の明
度の差の画像、上記２値化画像と差画像の輪郭線抽出画
像及び路面上の特徴点の隠ぺいの少なくともいずれかの
検出により車両を検出した後、差画像の空間微分による
ピーク個数、車両位置の一致度または複数の検出ライン
毎、または車線幅方向に積算した値の道路長手方向の一
次元分布の特徴の比較により車両位置の一致度から所定
の時間経過後の車両の同定を行い、同一車両であると同
定された場合には該両車両検出位置間の単位時間当たり
の移動量を算出して車両速度を検出する車両速度計測方
法である。

【００１０】次に、路面条件データとしては、例えば本
発明者らの出願発明（特願平６−６３１９８号）に開示
した入力画像の放射強度ヒストグラムの特徴量（ピーク
の高さと輝度など）を用いる。この方法はカメラなどの
撮像装置から入力した画像の放射強度によるヒストグラ
ムの統計量が天候変化、昼夜などの時間帯の違いによる
路面条件データがそれぞれ異なる点に着目したものであ
る。

【００１１】具体的には、それぞれの場合の放射強度に
よるヒストグラムの統計量から、当該ヒストグラムの頻
度を累積加算して得られる累積ヒストグラム、その累積
ヒストグラムにおいて放射強度の頻度を平均処理して得
られる平均ヒストグラム、所定時間内に得られたヒスト
グラムの各放射強度に対する頻度において最小値を選択
して得られる最小ヒストグラム、同様に頻度の最大値を
選択して得られる最大ヒストグラム、累積・平均・最大
・最小の各ヒストグラムのそれぞれ単独あるいは前記各
ヒストグラム間で行われる演算結果により得られるヒス
トグラム（例えば平均ヒストグラムと累積ヒストグラム
との残差ヒストグラム）の特徴量を用いる。また、放射
強度によるヒストグラムの他に、色フィルター処理画像
などにより得られるヒストグラムの特徴量を用いてもよ
い。次いで、これらの値を路面条件判定部にあるニュー
ラルネットワークに入力して、路面条件の判定を行う。

【００１２】また、本発明は統計処理前の画像の放射強
度によるヒストグラムをニューラルネットワークに入力
する方法を用いることもできる。この場合には、あらか
じめ統計処理した放射強度のヒストグラム等を教師信号
としてあらかじめ学習しておくことで交通流計測が可能
になる。

【００１３】また、ニューラルネットワークへの入力と
して、上記した画像の放射強度によるヒストグラムの他
に、現地時刻や当該ヒストグラム作成時の時刻などの時
間データ、緯度・経度などの位置情報、該位置情報から
類推される日の出と日の入り時刻情報、照度計・雨量計
などの気象センサからのデータなども与えることができ
る。

【００１４】ヒストグラムのデータそのものをニューラ
ルネットワークに入力して良い。具体的にはヒストグラ
ムのパターンを認識させるために必要なデータ（例えば
図９の横軸：輝度、明度など、縦軸：頻度）を入力す
る。その場合、図９の例で、横軸が２５６階調の放射強
度であるとすると、２５６階調のすべてのデータをニュ
ーラルネットワークに入力する必要はなく、ヒストグラ
ムのパターンが認識可能であれば、２５６階調の中の１
／２、１／３のデータ数を入力する方法でも良い。

【００１５】ニューラルネットワークの出力として車両
台数推定部で利用するデータは、晴れ・曇りなどの天候
状態、昼・夜などの時間帯、一次微分・二次微分・ラプ
ラシアンなど微分処理に用いるしきい値やリファレンス
などの画像処理パラメータを用いることもできる。この
場合はニューラルネットワークの出力として、晴れ・曇
りなどの天候状態、昼・夜などの時間帯、一次微分・二
次微分・ラプシアンなどの微分処理に用いるしきい値ま
たはリファレンスなどの画像処理パラメータなど、車両
台数推定部で利用する情報が得られるため、上記天候変
化、昼夜などの時間帯の問題による車両台数の推定への
影響は解決される。

【００１６】本発明で用いるニューラルネットワーク
は、バックプロパゲーションによる学習機能と３層以上
かつ中間層が１層以上から構成される多層ニューラルネ
ットワークなどである。

【００１７】また、本発明のニューラルネットワーク
は、データを外部から教師情報として、ある一定間隔で
自動的にもしくは意図的に加えることができ、教師情報
と近似する出力が得られるようにニューラルネットワー
クの各層の重み情報を更新する自動学習機能を有するた
め、教師データ、教師画像などによる各路面状況の自動
学習が可能となる。従って、計測結果（車両台数）が適
切に判断されるよう予め調整できるので、現地での調整
が容易にできる。また、上記ヒストグラムの放射強度と
は可視光、赤外光、紫外光を対象とした輝度、明度、彩
度、色相などの頻度を指している。

【００１８】前記統計処理後のヒストグラムの中では累
積値＞最大値＞平均値＞最小値ヒストグラムの順でデー
タ量が少なくなるため、処理速度もこの順序で早くな
る。これら統計処理後の値を用いて演算すると、路面パ
ターンと車両パターンの分離が容易にできるヒストグラ
ムが得られるので、路面を示すヒストグラムのパターン
と車両を示すパターンから天候、時間帯などの路面条件
を容易に判断できる。

【００１９】また、ニューラルネットワークの出力が交
通流を判断するのではなく、あくまで車両台数推定部の
画像処理で必要とするパラメータだけを出力し、車両台
数の推定は車両台数推定部において行う。

【００２０】次に、路面条件データに加えて温度計や風
速計から得られる気象データなどを場合によっては加え
て、路面条件を路面条件判定部で判定し、さらに、画像
処理部での車両速度データとともに路面条件に応じた交
通量−平均速度データをデータベースから選択する。

【００２１】

【作用】本発明によれば、天候条件により車両台数計測
精度が著しく低下した場合に既作成の交通量−平均速度
の関係を表すグラフと測定可能な車両の走行速度から車
両台数が推定可能となる。また、本発明によれば画像処
理装置として低速の演算装置が用いることが可能とな
り、画像データの取り込み間隔が長い場合においてもリ
アルタイムに演算を実施した場合と類似した測定結果を
得ることが可能となる。また、演算装置内に路面条件に
応じて個別の交通量−平均速度グラフを持たせることに
より、路面状態に対応した高精度な車両台数推定が可能
となる。

【００２２】

【発明の実施の形態】以下、本発明の実施例を図面に基
づき具体的に説明する。図１において架台１上にＩＴＶ
カメラ２を設置している。ＩＴＶカメラ２は路面走行中
の走行車両６を側面上方から捉えることができ、かつ車
線が重ならない架台１上の位置に設置する。ＩＴＶカメ
ラ２で撮影された画像は画像式車両検出器５に送信され
る。画像式車両検出器５は画像データの処理機能と画像
データと計測データの伝送機能を有し、中央監視部との
交信を行う。温度計３と風速計４は画像式車両検出器５
に対して気象データを提供する。

【００２３】交通需要が少ない状態では自由速度で走行
可能であるが、交通需要が増えてくると互いに影響し合
って自由な走行ができなくなり、平均速度はしだいに低
下してくる。平均速度がある値の時に交通量が最大にな
り、その後は平均速度の低下と共に交通量も低下する。
この最大交通量を交通容量と名づけ、交通容量の出現す
る平均速度を臨界速度と言う。したがって、ある地点に
おける臨界速度は単位時間当たりの通過車両台数が最も
多いときの速度と言える。

【００２４】図２に交通量−平均速度グラフを示す。図
２において自由流領域７、臨界速度８、渋滞流領域９が
表示されているが、一般に交通流を臨界速度８で分割
し、臨界速度８より速い交通流の出現する状態を自由
流、遅い交通流が出現する状態を渋滞流と呼称し、自由
流領域７は直線で表され、渋滞流領域９は２次式などの
曲線で表されると言われている。

【００２５】本実施例は検出した車両の走行速度を路面
条件に応じた交通量−平均速度グラフに代入し、車両台
数を推定しようというものである。車両台数推定時のデ
ータの流れを図３に示す。車両台数を推定する場合はＩ
ＴＶカメラ２より路面の画像を取り込み、画像処理部１
０において車両速度データと路面条件データを得る。こ
こで、車両の速度データは、本出願人の先の発明（特願
平６−５８８４号）に開示した方法で得ることができ
る。

【００２６】ＴＶカメラ２で撮影された画像から車両を
認識し、また道路の路面状態を認識するものである。車
両速度計測の最高値を、時速１６０ｋｍ（１００マイル
／時）とすると、３０フレーム／秒のＮＴＳＣ方式画像
では、１６０，０００ｍ／（３，６００ｓ×３０フレーム）＝
約１.５ｍ／フレームとなる。

【００２７】カメラ２の撮像できる道路長手方向の視野
は、画像の縦横比が３：４である場合には２０ｍであ
り、道路長手方向の２０ｍの視野では１３フレーム（＝
０．４３秒）の間、車両をカバーできる。この視野の範
囲は片側３車線を１画像でリアルタイムに処理する実用
的な処理速度での限界値である。また、これを精度面か
ら検討すると、横方向（道路長手方向）が５１２ドット
の画像処理装置を用いた場合、１ドットが約０．０４ｍ
に相当する。この５１２ドット分解能はＮＴＳＣ方式画
像の解像度が、これと同程度であることから考えて最良
である。カメラ１のシャッター速度を１／１００秒とす
ると時速１６０ｋｍの車両は、この間に０．４４ｍ進む
ため、１１ドット（＝０．４４ｍ／０．４ｍ）の幅で撮
像される。

【００２８】次に、△ｔ時間隔った２画像の距離の差△
Ｌから速度Ｖを求める。Ｖ＝△Ｌ／△ｔ（１） △Ｌを画像処理により位置を求めた場合の寸法誤差△Ｌ
ｅは、経験より５ドット程度である。画像取り込み時間
の誤差はほぼゼロのため、速度誤差は寸法誤差から生じ
るといえる。１３フレーム中に確実に２回同じ車両の画
像を取り込むためには、遅くとも６フレーム（≒１３フ
レーム／２回）毎に画像を取り込む必要があるが、余裕
をもたせて車両画像の取り込みは５フレーム毎とする。
この間に車両は７．５ｍ（＝１．５ｍ／フレーム×５フ
レーム）進む。

【００２９】図５車両検出器５での車頭検出の説明画面
例である。撮像画面の視野２０ｍに対し、右（車両の流
入側）から３〜７ｍのゾーンを車頭検出領域、０〜３ｍ
を補助領域とする。車両が車頭検出領域に入ったとき
に、補助領域も含めて判定し、車頭識別をする。このと
き、処理データ量を少なくするため、図５中で１３本の
検出ラインを設ける。前記１３本の検出ライン中の検出
ライン（４）、（８）、（１２）を除く１０本の検出ラ
インで実際の車両の検出ラインとする。ここで、検出ラ
イン（４）、（８）、（１２）は車線分離線および中央
分離帯に対応させる。また、他の検出ラインは車線中央
と車線分離線からそれぞれ５０ｃｍ程度離れた所に設け
る。そして、車線１は検出ライン（１）から（５）、車
線２は検出ライン（５）から（９）、車線３は検出ライ
ン（９）から（１３）を判定に割り当てる。

【００３０】以下、車線２を車両検出例に説明する。ま
ず、第１の手法として、路面上の特徴点の隠ぺいを検出
する。具体的には検出ライン（８）において、車線分離
線が隠ぺいされたか否かを検出する。車線分離線は明る
い白色または黄色のため、いかなる天候や時間において
も、これを車両が隠ぺいした場合の検出は比較的容易で
あり、白色または黄色の明度が変化する始まりが車頭で
あると考えられる。

【００３１】第２の手法として、路面との明度差をとり
検出する。ここで、曇天ならば道路が一様の明度であ
り、路面明度と車両明度の差で車両を検出できる。しか
し、晴天では路面に建物の影が伸び、雨天では水たまり
に風景が映るので、これらの場合には路面明度が一様で
ないため、車両検出が困難となる。そこで、図６で説明
するように、時間的に異なる画像の明度差により、一様
でない路面明度分布をキャンセルする。すなわち、図６
において、例えばライン（５）から（９）において、路
面明度を１点検出ではなく、道路長手方向の分布として
とらえ、時間１における建物の影と水たまりに影響され
る路面の明度分布（図６（ａ））と、車両が水たまりの
上に来る時間２における路面明度分布（図６（ｂ））と
の明度差（図６（ｃ））をとることで車両検出ができ
る。これは路面明度の時間変化をキャンセルするのに有
効である。特に雨天で路面が濡れている場合、周囲の風
景からの影と反射部の明度差が大きくでて、単純に明度
の微分をとると車両はなくとも多くの輪郭線が現れるた
め、車両の検出が困難であるのとは対照的である。この
結果から、路面明度からの変化点、すなわち前記明度差
を取った結果がほぼゼロではないかたまりのエッジが車
頭の候補となる。

【００３２】第３の手法は輪郭線抽出画像、例えば空間
微分により検出する方法である。図７（ａ）（図６
（ｃ）と同一図面）に示すように時間１と時間２との明
度差を得るところまでは前記第２の手法と同じである。
その結果を微分し（図７（ｂ））、その絶対値を得る
（図７（ｃ））。これにより明度の変化点がピークとな
って現れる。これらのピークの内、路面のみを微分した
場合と一致するピークを除外したピークが車両に相当
し、その先頭が車頭の候補となる。以上３つの手法のい
ずれかで車頭が現れたと判定される場合は、それを車頭
候補とする。そして、次に車両判定に入る。

【００３３】車両として軽自動車以上を対象とし、オー
トバイは含まない。そこで図５の手前の車線１に車両が
ない場合は、車線２の検出ライン（５）から（９）にお
いて、（５）から（７）など、３ライン以上連続して車
頭が認められない場合は車両と判定しない。２ライン以
下では幅が狭すぎて車両と考えられない。車長が３ｍ以
下では車両と判定しない。

【００３４】次に、手前の車線１に車両が有る場合は、
検出ライン（５）から（９）の内、車線１の車両との相
関が高いデータの得られたラインを除外し、残りのライ
ンで判定する。検出ライン（８）と（９）は、車線３と
の相関を判定し、相関が低ければ車線２の車頭と判定す
る。

【００３５】このようにして車頭が検出されると、この
車両に識別のための識別番号を割り付け、車頭検出時刻
と共に上記の特徴量を共通メモリ領域に格納する。ま
た、ＷＡＩＴタイマを起動し、速度検出を△ｔ_ｖ時間後
に起動する。先の検討では、これは５フレーム（５／３
０＝０．１６７秒）後である。

【００３６】５フレームで、速度０から時速１６０ｋｍ
までを対象とする場合、初めに車頭が検出された位置か
ら０〜７．５ｍの範囲を対象として設定する。実際は車
両の特徴を照合し、同定するために、またバックする可
能性も考慮して、−１ｍから８ｍの範囲のデータをと
り、この範囲で車頭検出を行い、検出車両が遅延タイマ
起動のイベントとなった車両であると同定すると、上記
（１）式より速度計算を実行し、結果を識別番号の同じ
車両に対応したデータベース１３に格納する。

【００３７】以上の実施例で、検出ラインを１３本設定
したが、これはあくまでも本実施例に固有のものであ
り、ＩＴＶカメラ２の設置状況や、画像処理部１０の処
理能力によって決定されるものである。

【００３８】図８は本実施例のヒストグラムを用いるニ
ューラルネットワークシステム構成図である。ＩＴＶカ
メラ２から入力された画像に対し、車両検出器５のヒス
トグラム検出部１０２で輝度によるヒストグラムの検出
が行われる。この処理は一定間隔時間あるいは連続的に
処理される。輝度によるヒストグラムＨｎの検出の結果
は統計処理部１０３で統計処理され、統計ヒストグラム
として出力される。統計ヒストグラムとしては、平均ヒ
ストグラムＨａｖｅ、最小ヒストグラムＨｍｉｎ、最大
ヒストグラムＨｍａｘの３種類を取り出している。平均
ヒストグラムＨａｖｅは、輝度によるヒストグラムＨｎ
の累積加算をとった累積ヒストグラムのそれぞれの輝度
における頻度の平均をとってヒストグラムに置き換えた
ものであり、最小ヒストグラムＨｍｉｎ、最大ヒストグ
ラムＨｍａｘは、サンプリングデータの各輝度における
頻度の最大値と最小値からなるヒストグラムである。

【００３９】ここで、統計ヒストグラムとしては、平均
ヒストグラムＨａｖｅ、最小ヒストグラムＨｍｉｎ、最
大ヒストグラムＨｍａｘの３種類を用いる理由を説明す
ると、例えば原画像に大きなトラック等が検出された場
合に、ヒストグラムのパターンが大きく変動するので、
それを避けるためである。例えば、路面のヒストグラム
Ｈｎは車両通過時に大きく変動するが、普通車の場合に
比較して大型車が通過する場合には、原画像内の大部分
が車両画像になるため、路面のヒストグラムＨｎのピー
クが消えてしまい、路面の輝度のピーク値の値が大きく
ずれるために、ニューラルネットワーク１１１でも判断
の確度が低下する。

【００４０】そこで、統計処理後のヒストグラムを用い
れば、輝度ヒストグラムＨｎを取得したときの原画像に
判断結果が左右されずに、上記した変動分は吸収される
ため、判断の確度がより向上し、検出確度の高い交通流
計測が可能となる。そして、統計処理後のヒストグラム
として平均ヒストグラムＨａｖｅ、最小ヒストグラムＨ
ｍｉｎ、最大ヒストグラムＨｍａｘを用いる。その理由
は、これらの値が統計処理の中で処理速度の比較的早い
演算であるためである。これら統計処理後の値を用いて
演算すると、図１１に示すように、路面と車両の分離が
容易にできるヒストグラムが得られるので、路面を示す
ヒストグラムのパターンと車両を示すパターンから天
候、時間帯などを容易に判断できる。

【００４１】なお、図１１には、輝度によるヒストグラ
ムＨｎの演算結果例（日中の一般形）を示すが、サンプ
リングしたヒストグラムＨｎを累積加算した累積ヒスト
グラムＨｃｕｒ５０１も用いる例を示している。図１１
において、最小ヒストグラムＨｍｉｎ５０２では路面ピ
ーク値５０５と路面上の白線５０４の輝度が顕著に現れ
るため、これは路面を示すヒストグラムと言える。ま
た、累積ヒストグラムＨｃｕｒ５０１と最小ヒストグラ
ムＨｍｉｎ５０２の差分を表す残差ヒストグラムＨｒｅ
ｓ５０３が移動体、この場合には車両５０６を示すヒス
トグラムと言える。また、残差ヒストグラムＨｒｅｓ５
０３には車両の影５０７によるピークも現れる。

【００４２】ここで、統計処理の結果得られる統計ヒス
トグラムとしては、上記ヒストグラムの他にある特定部
分のみを部分抽出したヒストグラムや、サンプリングし
た輝度によるヒストグラム間で演算処理を施した結果得
られたヒストグラムを利用することもできる。

【００４３】図９には、日中における輝度によるヒスト
グラムＨｎの一般形を示す。実線は路面のヒストグラム
Ｈｎであり、路面輝度ａにおいて大きなピーク値となっ
て現れる。また、道路にある白線や車両の反射などが輝
度ｂにおいて第２のピーク値となって現れる。破線の部
分が車両による変動部分を表す。車両は路面輝度ａのピ
ーク値の両端になだらかな形で現れる。また、図１０に
は、夜間における輝度によるヒストグラムＨｎの一般形
を示す。夜間の場合は画像の暗さが目立つため、ヒスト
グラムＨｎは暗い部分になだらかな傾斜のピーク値をも
つ輝度ａが得られる。この部分が路面と車両との両方の
輝度によるヒストグラムＨｎである。さらに、車のライ
トなどの輝度ｂが第２のピーク値となって現れる。

【００４４】これらの輝度によるヒストグラムＨｎを統
計処理部１０３で統計処理して得られた各々のヒストグ
ラムＨａｖｅ、Ｈｍｉｎ、Ｈｍａｘをニューラルネット
ワーク１１１に入力する。ニューラルネットワーク１１
１では、入力データをもとに判断処理を行い、例えば日
中、夜、朝、夕方などの時間帯、晴れ、曇り、雨、雪な
どの天候状態、微分処理に用いる最適しきい値などの画
像認識処理パラメータなどを出力する。

【００４５】最適しきい値は、図９では上限しきい値１
３８、下限しきい値１２８の２種類が得られ、図１０で
は、１つのしきい値１１８が得られる。また、オペレー
タが実際の画像をモニタして、判断の誤りがあった場合
には、教師データによりニューラルネットワーク１１１
に教示することもできる。その際には誤りが発生したと
きのヒストグラムＨｎも重み変更処理部１０５に入力さ
れ学習の参考にされる。例えばニューラルネットワーク
１１１の判断結果と実際の画像をオペレータがモニタ
し、晴れ．日中の画像の時に、ニューラルネットワーク
１１１が曇り．朝（夕）方と判断した場合には、あらか
じめ決められた固定値を教師データとしてニューラルネ
ットワーク１１１に教示することができる。

【００４６】路面条件判定部１１のニューラルネットワ
ーク１１１の路面条件の判定結果は、車両台数推定部１
２に送られる。別途、車両台数推定部１２には画像処理
部１０からの車両速度データも送られる。

【００４７】路面条件判定部１１（図３）は温度計３と
風遠計４から得られる気象データと画像処理部１０から
得られる路面条件データから路面条件を判定し、路面条
件に応じた交通量−平均速度グラフを交通量と平均速度
のデータベース１３から選択する。車両台数推定部１２
では画像処理部１０により算出された車両速度データを
路面条件判定部１１により選択された交通量−平均速度
グラフに代入し、車両台数推定結果１４を図示しない中
央監視部へ出力する。

【００４８】図４に交通量−平均速度グラフ選択の一例
を示す。図４において標準時の交通量−平均速度曲線１
５、標準時の臨界速度点１６、同時刻の降雨時に予想さ
れる交通量−平均速度曲線１７、降雨時の臨界速度点１
８が表示されている。路面条件毎の交通量−平均速度曲
線は交通量をＸ軸、平均速度をＹ軸とした座標平面にお
いて臨界速度点の出現位置の違いにより表されるため、
路面条件が入力された時点で臨界速度点の位置を算出
し、算出した点の付近に臨界速度点をもつ交通量−平均
速度グラフを選択する。

【００４９】交通量−平均速度グラフ用データは装置を
設置する場所にＩＴＶカメラ２、温度計３、風速計４を
設置して１〜２カ月の期間をかけて収集する。このとき
ＩＴＶカメラ２を実際に車両検出を行う位置より遠い位
置に設置するか、またはズーム機能を有するＩＴＶカメ
ラ２を使用して監視画像として取り込む範囲を拡大する
ことによりサンプリング回数を増加し、路面条件が悪化
した場合の車両検出精度の低下を防ぐことが可能とな
る。このようにして収集したデータを時刻や天候別にま
とめて数種類の交通量−平均速度グラフを作成してデー
タベース化する。交通量−平均速度グラフは路面条件デ
ータを基に選択するため、温度計３、風速計４などの各
種センサから得られる気象データと画像より得られる路
面データを随時収集する。このような機能を画像式車両
検出器５に付加することにより悪天侯下で交通密度が高
い場合においても高精度な車両台数推定が実施可能とな
る。さらに低速な画像処理装置と演算処理装置の使用を
可能とし、装置の低価格化を実現できる。

【００５０】

【発明の効果】本発明によれば、画像式車両感知装置に
おいて装置の内部メモリに路面条件に応じた交通量−平
均速度グラフをもたせることにより、画像データの収集
が困難な場合における車両台数の推定を可能とすると共
に、画像式車両検知器単体での路面状態監視を実現す
る。また、下記効果も期待できる。（１）車両の走行速度を交通量−平均速度グラフに代入
し車両台数を推定することにより複雑な演算を省略で
き、処理速度を短縮する点で有利である。（２）上記に伴い車両台数推定を低速な画像処理装置と
演算処理装置で実現でき、装置の低価格化が可能となる
点で有利である。

【図面の簡単な説明】

【図１】本発明による一実施例の車両台数推定装置の
概略図である。

【図２】交通量−平均速度グラフデータを示す図であ
る。

【図３】本発明による一実施例の車両台数推定装置の
車両台数推定時のデータの流れを示す図である。

【図４】本発明による一実施例の交通量−平均速度グ
ラフ選択の一例を示す図である。

【図５】本発明の一実施例の車頭検出説明画面例を示
す図である。

【図６】本発明の一実施例の車頭検出の一例を説明す
る図である。

【図７】本発明の一実施例の車頭検出の一例を説明す
る図である。

【図８】本発明の実施例のニューラルネットワークを
用いた交通流自動計測方法のシステムを示すブロック図
である。

【図９】本発明の実施例の日中における輝度によるヒ
ストグラムの一般形を示す図である。

【図１０】本発明の実施例の夜間における輝度による
ヒストグラムの一般形を示す図である。

【図１１】本発明の実施例の輝度によるヒストグラム
の演算結果例（日中の一般形）を示す図である。

【符号の説明】

１架台２ＩＴＶカメラ３温度計４風速計５画像式車両検出器６走行車両７自由流領域８臨界速度９渋滞流領域１０画像処理部１１路面条件判定部１２車両台数推
定部１３データベース１４車両台数推
定結果１５標準時の交通量−平均速度曲線１６標準時の臨界速度点１７標準時の降雨時に予想される交通量−平均速度曲
線１８降雨時の臨界速度点１０２ヒストグラム検出部１０３統計処理部１０５重み変更処理部１１１ニューラルネットワーク

───────────────────────────────────────────────────── フロントページの続き (72)発明者荒澤友浩神奈川県横浜市磯子区磯子一丁目２番10号バブコック日立株式会社横浜エンジニアリングセンタ内 (72)発明者榎本博康神奈川県横浜市磯子区磯子一丁目２番10号バブコック日立株式会社横浜エンジニアリングセンタ内

Claims

【特許請求の範囲】

【請求項１】道路上の画像データから車両速度データ
と路面条件データを得て、さらに少なくとも道路上の画
像データから路面条件を判定して、各路面条件に応じて
予め得られている交通量−平均速度グラフの中から最適
な交通量−平均速度グラフを選択して、該選択された交
通量−平均速度グラフに前記車両速度データを代入して
車両台数を推定することを特徴とする道路状態監視方
法。
【請求項２】時刻または気象条件の違いに応じて自動
的に最適な交通量−平均速度グラフを選択する機能を有
することを特徴とする請求項１記載の道路状態監視方
法。
【請求項３】撮像装置と該撮像装置から得た道路上の
画像データを処理して車両速度データと路面条件データ
を得る画像処理部と、少なくとも画像処理部から得られる路面条件データから
路面条件を判定して各路面条件に応じて予め得られてい
る交通量−平均速度グラフの中から最適な交通量−平均
速度グラフを選択する路面条件判定部と、画像処理部で得られた車両速度データを前記選択された
交通量−平均速度グラフに代入して車両台数を推定する
車両台数推定部を備えた道路状態監視装置。
【請求項４】交通量−平均速度グラフは時刻または気
象条件の違いに応じて自動的に最適な交通量−平均速度
グラフを選択する機能を有することを特徴とする請求項
３記載の道路状態監視装置。