TWI761863B

TWI761863B - 交通狀況偵測方法

Info

Publication number: TWI761863B
Application number: TW109120700A
Authority: TW
Inventors: 陳幼剛; 鍾俊魁
Original assignee: 英業達股份有限公司
Priority date: 2020-06-19
Filing date: 2020-06-19
Publication date: 2022-04-21
Also published as: TW202201360A

Abstract

一種交通狀況偵測方法，包含：取得關聯於監控區域的多個交通參數，並基於該些交通參數取得常態參數範圍，其中至少該些交通參數的一半係落在常態參數範圍內，以及對監控區域執行監控程序。監控程序包含：判斷監控區域內的即時交通參數是否落在常態參數範圍內，以及當即時交通參數不落在常態參數範圍內時，輸出關聯於監控區域的交通異常通知。

Description

交通狀況偵測方法

本發明係關於一種交通狀況偵測方法，特別係關於一種可以針對不同監控區域運用不同的監控標準的交通狀況偵測方法。

在交通場域越加複雜的情況下，為了更加有效率地監控各個交通場域，廠商無不逐一開發各種監控交通場域的系統。舉例而言，現有的監控方法包含先在監控畫面上選取感興趣區域（Region of Interest，ROI），並再針對感興趣區域內的車輛、機車等物件進行追蹤，以輸出該些物件在感興趣區域內的交通參數（例如，車速、行徑方向、車流量等），交通監控中心的監控人員便可藉由所述的交通參數判斷是否有交通異常的狀況。

然而，依據現有的監控方法，仍需仰賴監控人員判讀交通參數以判斷是否有交通異常的狀況。此外，儘管可以設定基本的交通參數的標準值，以由系統基於標準值對較簡單的交通參數進行判讀，然不同的路段的標準值亦不相同，因此標準值仍需由人為設定，不僅使得監控系統在架設初期以及後續實際的監控過程仍需耗費人力以完成上述工作，且在架設初期及監控過程更可能因人為失誤導致監控的結果不夠準確。

鑒於上述，本發明提供一種以滿足上述需求的交通狀況偵測方法。

依據本發明一實施例的交通狀況偵測方法，包含：取得關聯於一監控區域的多個交通參數，並基於該些交通參數取得一常態參數範圍，其中至少該些交通參數的一半係落在該常態參數範圍內；以及對該監控區域執行一監控程序，其中該監控程序包含：判斷該監控區域內的一即時交通參數是否落在該常態參數範圍內；以及當該即時交通參數不落在該常態參數範圍內時，輸出關聯於該監控區域的一交通異常通知。

綜上所述，依據本發明一或多個實施例所示的交通狀況偵測方法，可以對不同的監控區域建立適合的常態參數範圍以針對不同的監控區域運用不同的監控標準，並且可以針對不同的時段（例如，尖峰時刻、離峰時刻）運用不同的監控標準。而當監控區域的環境改變時，更可以以適當的交通參數更新常態參數範圍，以將常態參數範圍維持在符合監控區域的當前狀態。並且，當交通狀況感測器在設置初期即可對監控區域執行監控程序。此外，當判斷監控區域有異常狀況時，更可以及時通知監控人員以執行應變措施，並同時可以避免藉由人為判定交通參數是否異常而導致監控結果失準。

以上之關於本揭露內容之說明及以下之實施方式之說明係用以示範與解釋本發明之精神與原理，並且提供本發明之專利申請範圍更進一步之解釋。

以下在實施方式中詳細敘述本發明之詳細特徵以及優點，其內容足以使任何熟習相關技藝者了解本發明之技術內容並據以實施，且根據本說明書所揭露之內容、申請專利範圍及圖式，任何熟習相關技藝者可輕易地理解本發明相關之目的及優點。以下之實施例係進一步詳細說明本發明之觀點，但非以任何觀點限制本發明之範疇。

本發明所示的交通狀況偵測方法例如係以交通監控中心的中央處理器、伺服器等具有運算能力的裝置執行。為便於理解，以下將以伺服器做為執行交通狀況偵測方法的裝置進行說明，然本發明不對此予以限制。

請參考圖1，圖1係依據本發明一實施例所繪示的交通狀況偵測方法的流程圖。

步驟S10：取得關聯於監控區域的多個交通參數。

所述的交通參數例如是基於交通狀況感測器所測得的感測資料所取得，其中交通狀況感測器例如為攝影機或測速儀等。舉例而言，當交通狀況感測器為攝影機時，則監控區域可以是該攝影機的拍攝範圍內的整個區域，或是該攝影機的拍攝範圍內的一部份區域（例如其中一條道路、停車格、人行道或是道路的一部份等），因此交通狀況感測器測得的感測資料例如為攝影機所拍攝到的影像。

伺服器通訊連接於交通狀況感測器以取得例如為影像的感測資料，伺服器在取得影像後，即對影像中位在監控區域內的物件進行影像辨識，並對辨識出的物件進行追蹤以判知物件的移動速度、移動方向、在監控區域內的停留時間、監控區域內物件數量對監控區域面積的比例及在一段時間內行經監控區域的物件數量等的參數，並且所述的該些參數即可做為所述的交通參數。

相似地，當交通狀況感測器為測速儀時，則測速儀所感測到的物件移動速度亦可做為所述的交通參數，本發明不對此予以限制。

步驟S20：基於該些交通參數取得常態參數範圍。

伺服器在取得該些交通參數後，即可將該些交通參數的至少一半集成為一參數範圍，並以此參數範圍做為常態參數範圍。換言之，該些交通參數的至少一半會落在常態參數範圍內，其中基於該些交通參數取得常態參數範圍的詳細實施方式將於圖3A及4A的實施例詳加說明。

步驟S30：對監控區域執行監控程序。

伺服器在取得常態參數範圍後，便可藉由判斷對應監控區域內的一或多個物件的即時交通參數是否落在常態參數範圍內，以對監控區域內的物件進行即時監控，並據以執行對應的措施，其中所述的監控程序將於圖5的實施例詳加說明。

請先參考圖2，圖2係依據本發明一實施例所繪示的取得多個交通參數的方法的流程圖。亦即，圖1的步驟S10的取得多個交通參數的方法除了如前述以交通狀況感測器取得之外，更可以由圖2所示的方法所取得，讓一場域的交通狀況感測器可以在架設初期便開始進行監控，以省去先行收集多筆感測資料再據以進行分析的時間。

步驟S101：計算第一監控區域中關聯於第一交通物件的第一交通參數與第二監控區域中關聯於第二交通物件的第二交通參數之間的差異度。

需先說明的是，第一監控區域與第二監控區域係為不同的監控區域，第一監控區域例如為始架設交通狀況感測器的監控區域，而第二監控區域例如為伺服器已基於從第二監控區域感測得的交通參數對其執行監控程序的監控區域。第一交通物件的類型相近於第二交通物件的類型，舉例而言，第一交通物件及第二交通物件可以同為車子、機車或是行人，亦可以是同為具有輪子的交通工具。亦即，第一交通物件與第二交通物件較佳係相同或相似類型的交通物件，然本發明不對第一交通物件及第二交通物件的類型予以限制。

詳言之，就伺服器判斷第一監控區域與第二監控區域的交通狀況的差異度而言，其實施方式可以例如為：伺服器在取得第一監控區域中第一交通物件的第一交通參數，以及第二監控區域中第二交通物件的第二交通參數後，計算出第一交通參數與第二交通參數之間的差異度，以作為前述的差異度。

舉例而言，第一交通物件及第二交通物件例如皆為車子；第一交通參數例如為80km/h的車速，第二交通參數例如為85km/h的車速，則伺服器可以將80km/h的第一交通參數及85km/h第二交通參數相減以取得5km/h的差異度，其中藉由相減以取得差異度僅為示例，差異度亦可以是將兩交通參數的相減值除以第一或第二交通參數而取得，甚或是以更為複雜的運算式取得差異度，本發明不對差異度的形式予以限制。

需特別注意的是，前述的車速係以單筆的第一交通參數及單筆的第二交通參數作為示例，伺服器取得的第二交通參數的數量較佳是大於第一交通參數的數量，因此所述的差異度較佳是基於第一交通參數的集合及第二交通參數的集合（例如多筆第一交通參數的平均值以及多筆第二交通參數的平均值）計算而得。

步驟S102：判斷差異度是否不大於閥值。

在計算出差異度之後，伺服器可以判斷第一監控區域的第一交通參數及第二監控區域的第二交通參數之間的差異度是否不大於閥值，其中閥值係用以代表兩交通參數之間可接受的差異度。

步驟S103：以該些第一交通參數做為該些交通參數。

當差異度大於閥值時，則表示第一監控區域與第二監控區域的交通狀況的差異度過高（相似度低），因此伺服器不參考第二監控區域的交通參數，而是以設置在第一監控區域的交通狀況感測器感測得的第一交通參數做為該些交通參數，並且在取得該些交通參數後執行如圖1所示的步驟S20。

步驟S104：以對應第二監控區域的多個第二交通參數做為該些交通參數。

換言之，當判斷差異度不大於閥值時，表示第二監控區域的交通狀況相似於第一監控區域的交通狀況，因此在第一監控區域的第一交通參數的數量仍不足的情況下，伺服器即可將第二監控區域的該些第二交通參數做為該些交通參數，並且在取得該些交通參數後執行如圖1所示的步驟S20。

綜上所述，圖2所示的取得多個交通參數的方法可以用於在交通狀況感測器的架設初期的第一監控區域，因此儘管取得的第一交通參數的數量仍不足供後續步驟S20取得對應的常態參數範圍，或是第一交通參數的數量仍不足以取得參考度較高的常態參數範圍，仍能夠以具有相似交通狀況的第二監控區域的第二交通參數做為用以建立第一監控區域的常態參數範圍的交通參數，以讓伺服器可以盡速對第一監控區域執行監控程序，進而降低從收集足夠的第一交通參數到取得對應第一監控區的常態參數範圍的時間。並且，藉由先行比較第一交通參數及第二交通參數之間的差異量，更可以於將第二監控區域的第二交通參數或常態參數範圍套用到第一監控區域時，有效地降低執行監控程序時的誤差。

請先參考圖3A，圖3A係依據本發明一實施例所繪示的取得常態參數範圍的方法的流程圖。亦即，圖3A為實現圖1的步驟S20的方式之一。

步驟S201：依據時段分隔參數從該些交通參數中篩選出關聯於時段分隔參數的多個時段交通參數。

所述的時段分隔參數係用以分隔不同時段的參數，以篩選出對應不同時段的交通參數。舉例而言，時段分隔參數例如為早上8點及早上10點兩個時間點，則伺服器即可以依據時段分隔參數從該些交通參數中篩選出係在早上8點到10點之間感測而得的交通參數，並以落在早上8點到10點之間的該些交通參數做為多個時段交通參數。

步驟S202：以該些時段交通參數組成常態分佈模型。

伺服器可以將早上8點到10點之間的時段分割成多個子時段，並以該些時段交通參數對應該些子時段建立一直方圖，再以直線或曲線連接直方圖中每一方塊的頂邊的中點以形成常態分佈模型，則此常態分佈模型即為由早上8點到10點的時段交通參數所組成的模型。

步驟S203：以常態分佈模型的信賴區間做為常態參數範圍。

請一併參考圖3B，圖3B係依據圖3A所繪示的常態分佈模型ND的示例圖，其中常態分佈模型ND的橫軸例如為時段交通參數在一時段的分布範圍；常態分佈模型ND的縱軸例如為每一區間的時段交通參數的物件累計數量。舉例而言，當交通參數為車速時，則常態分佈模型ND的橫軸例如為早上8點到早上10點的車速的分布範圍（例如，時速15公里到時速40公里）；而常態分佈模型ND的縱軸則例如為車速落在各個時速區間的車輛的累計數量（例如，時速落在15公里到20公里之間的車輛的累計數量、時速落在20公里到25公里之間的車輛的累計數量等，以此類推）。

在建立完如圖3B所示的常態分佈模型ND後，伺服器可以將常態分佈模型ND的信賴區間CI1到CI3做為常態參數範圍，其中所述的信賴區間CI1到CI3例如為該些時段交通參數的平均數AVG加減一或多個標準差S的時速區間（為便於理解平均數AVG係未加減標準差S之值，故圖3B的平均數AVG以值「0」表示，本發明不對平均數AVG的實際值予以限制）。換言之，所述的常態參數範圍例如為平均數AVG加減三個標準差（+3S及-3S）的68%信賴區間CI1、平均數AVG加減兩個標準差（+2S及-2S）的95%信賴區間CI2或平均數AVG加減一個標準差（+1S及-1S）的99.7%信賴區間CI3，本發明不對信賴區間的數值予以限制。

請參考圖4A，圖4A係依據本發明另一實施例所繪示的取得常態參數範圍的方法的流程圖。亦即，圖4A為實現圖1的步驟S20的方式之一。

步驟S201’：依據該些交通參數對應該些時間參數的分布狀態從該些交通參數中篩選出關聯於時段的多個時段交通參數。

換言之，在取得該些交通參數的同時，伺服器更會一併記錄對應每一該些交通參數的時間參數（即感測得每一該些交通參數的時間）。因此，伺服器可以先建立該些交通參數對應該些時間參數的分布狀態。

請先一併參考圖4B，圖4B係依據圖4A所繪示的分布狀態的示例圖。以圖4B為例，時間參數的單位為「時刻」，而交通參數係單位為「公里/時」的時速，亦即分布狀態的橫軸的範圍例如為早上6點到晚上20點；而縱軸的範圍例如為時速25公里到時速55公里。

伺服器可以依據如圖4B所示的分布狀態，藉由每個時刻或時段的斜率變化判斷出早上8點到10的交通狀況不同於早上10點到下午17的交通狀況，因此伺服器便可進一步篩選出對應早上8點到10的時段T1的多個時段交通參數，以及篩選出對應早上10點到下午17的時段T2的多個時段交通參數。

請回到圖4A並參考步驟S202’：以該些時段交通參數組成常態分佈模型；以及步驟S203’：以常態分佈模型的信賴區間做為常態參數範圍。

在篩選出對應不同時段的時段交通參數後，伺服器即可接著執行步驟S202’及S203’以取得常態參數範圍，其中步驟S202’及S203’的實現方式相同於圖3A的步驟S202及S203，故步驟S202’及S203’的實現方式不再於此贅述。

此外，相似於圖2的實施例，當第一監控區域的交通狀況感測器係在架設初期而使第一交通參數的數量仍不足以建立具有參考度的常態參數範圍時，伺服器亦可以執行如圖2所示的步驟S101到S102，並且於判斷差異度不大於閥值時，直接將第二監控區域的常態參數範圍做為第一監控區域的常態參數範圍。

請先參考圖5A，圖5A係依據本發明一實施例所繪示的監控程序的流程圖。亦即，圖5A為實現圖1的步驟S30的方式之一。

步驟S301：判斷監控區域內的即時交通參數是否落在常態參數範圍內。

當伺服器藉由交通狀況感測器對監控區域內的物件進行即時感測以取得即時交通參數後，伺服器可以接著判斷即時交通參數是否落在常態參數範圍內。舉例而言，監控區域例如為路口的紅綠燈前，常態參數範圍例如為車輛在該紅綠燈呈現紅燈燈號時平均停留40秒到60秒的時間，而即時交通參數則為當紅綠燈呈現紅燈燈號時被感測物件在紅綠燈前的停留時間。

步驟S303：以即時交通參數更新常態參數範圍。

當伺服器判斷即時交通參數落在常態參數範圍內時，表示物件在監控區域內的狀態符合監控區域的通常狀態，伺服器便可以即時交通參數更新常態參數範圍。

以上述在紅綠燈前的停留時間為例，當伺服器於步驟S301判斷55秒的即時交通參數係落在40秒到60秒的常態參數範圍內時，伺服器便可進一步以55秒更新常態參數範圍，此時常態參數範圍的中間值及/或平均值便會以些微的幅度增加，並且當常態參數範圍的信賴區間比例不變時，則常態參數範圍的40秒的邊界值亦會在更新後增加，藉此使常態參數範圍持續維持在符合監控區域的當前交通狀態。

此外，伺服器可以是以貝氏推論法（Bayesian Inference）基於該即時交通參數更新該常態參數分佈，以預測其範圍。需特別說明的是，貝氏推論法可以用於對人工智慧網絡（Artificial Neural Network，ANN）進行訓練，以使伺服器預測出更準確的值；且此述的貝氏推論法僅為示例，伺服器亦可以其它推論方法如頻率推論（Frequentist inference）、似然性推論（Likelihood-based inference）、赤池信息量（Akaike information criterion）等及其分枝方法預測常態參數範圍，本發明不對預測得常態參數範圍的方式予以限制。以交通參數為監控區域中車輛的佔有率為例，預測對應佔有率的常態參數範圍的公式可以如下：

其中，

為偵測到監控區域中實際存在車輛的時間的總和；

為監控區域中假定的車輛的佔有率，且

可以為如圖2的實施例所示，依據其他相似的監控區域的佔有率所假設得的佔有率。換言之，

為給定

後

成立的機率；

為

成立時觀察到

的機率（即在假定

的情況下

成立的機率）；

為監控區域中實際存在車輛的時間的總和(

)對應總偵測時間的值（亦即，若總偵測時間為

，則

即為

）；

為觀察到

前，

成立的機率（即在不考慮

的情況下，

成立的機率）。

因此，伺服器在取得

及

後，可以先據以計算出

、

，以及

，並接著如上述公式計算出

，而此述的

即為伺服器所預測得對應佔有率的常態參數範圍。因此，當伺服器計算出

後，伺服器即可進一步判斷

是否大於一預設值，並且當

大於該預設值時，則以

做為監控區域中的車輛的佔有率；若

小於該預設值時，則以另一假定

再次進行預測。

步驟S305：輸出關聯於監控區域的交通異常通知。

亦即，當伺服器於步驟S301判斷即時交通參數落在常態參數範圍外時，表示物件在監控區域內的交通狀態不符合監控區域的通常狀態，伺服器便可以輸出交通異常通知，其中交通異常通知較佳包含監控區域的位置資訊。

以上述在紅綠燈前的停留時間為例，當伺服器於步驟S301判斷70秒的即時交通參數係落在40秒到60秒的常態參數範圍外時，表示紅綠燈前可能有車輛拋錨或是車禍等異常事件，因此伺服器便可輸出交通異常通知至交通監控中心的終端裝置，其中交通異常通知較佳包含紅綠燈（監控區域）的位置資訊以及物件在紅綠燈前的停留時間（即時交通參數）等，以提醒監控人員可能有異常的交通狀況待排除。

此外，在判斷即時交通參數落在常態參數範圍內（步驟S301）後，並在以即時交通參數更新常態參數範圍（步驟S305）之前，伺服器更可以將落在常態參數範圍內的即時交通參數乘上大於1的一權重值，再以乘上權重值的即時交通參數更新常態參數範圍，以使更新後的常態參數範圍更符合監控區域的當前交通狀況。

請參考圖5B，圖5B係依據本發明一實施例所繪示的監控程序的流程圖（步驟S30’），其中圖5B的步驟S301’、S303’及S305’相同於圖5A的步驟S301、S303及S305，故相同之處不再於此贅述。惟圖5B與圖5A的不同處在於，當於步驟S301’判斷即時交通參數不落在常態參數範圍內時，伺服器係執行步驟S304’。

步驟S304’：判斷即時交通參數是否落在緩衝區間內。

常態參數範圍外可以具有緩衝區間，且緩衝區間鄰接常態參數範圍的邊界值。換言之，當伺服器於步驟S301’判斷即時交通參數不落在常態參數範圍內時，伺服器亦可以執行步驟S304’以進一步判斷即時交通參數是否落在緩衝區間內。

以上述在紅綠燈前的停留時間為例，常態參數範圍的邊界值為40秒及60秒，而對應40秒邊界值的緩衝區間例如為35秒到40秒；對應60秒邊界值的緩衝區間例如為60秒到65秒，因此當伺服器判斷例如為63秒的即時交通參數落在60秒到65秒的緩衝區內時，則伺服器可以執行步驟S303’；反之，當伺服器判斷例如為30秒的即時交通參數不落在35秒到40秒的緩衝區內時，則伺服器可以執行步驟S305’。亦即，伺服器在判斷即時交通參數不落在常態參數範圍內時，便可進一步判斷即時交通參數是否落在兩個緩衝區的其中之一。

簡言之，伺服器在判斷即時交通參數不落在常態參數範圍內時，可以如圖5A直接執行步驟S305以輸出交通異常通知，亦可以如圖5B執行步驟S304’以先判斷即時交通參數是否落在緩衝區內，再依據步驟S304’的判斷結果選擇執行步驟S303’或S305’，進而避免交通監控中心不斷收到交通異常通知導致監控人員的工作量增加。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明。在不脫離本發明之精神和範圍內，所為之更動與潤飾，均屬本發明之專利保護範圍。關於本發明所界定之保護範圍請參考所附之申請專利範圍。

ND:常態分佈模型 CI1、CI2、CI3:信賴區間 AVG:平均數 S:標準差 T1、T2:時段

圖1係依據本發明一實施例所繪示的交通狀況偵測方法的流程圖。圖2係依據本發明一實施例所繪示的取得多個交通參數的方法的流程圖。圖3A係依據本發明一實施例所繪示的取得常態參數範圍的方法的流程圖。圖3B係依據圖3A所繪示的常態分佈模型的示例圖。圖4A係依據本發明另一實施例所繪示的取得常態參數範圍的方法的流程圖。圖4B係依據圖4A所繪示的分布狀態的示例圖。圖5A及5B係依據本發明一或多個實施例所繪示的監控程序的流程圖。

S10、S20、S30:

Claims

一種交通狀況偵測方法，包含：取得關聯於一監控區域的多個交通參數，並基於該些交通參數取得一常態參數範圍，其中至少該些交通參數的一半係落在該常態參數範圍內，該常態參數範圍外具有一緩衝區間，且該緩衝區間鄰接該常態參數範圍的一邊界值；以及對該監控區域執行一監控程序，其中該監控程序包含：判斷該監控區域內的一即時交通參數是否落在該常態參數範圍內；當該即時交通參數不落在該常態參數範圍內時，輸出關聯於該監控區域的一交通異常通知；以及當該即時交通參數落在該常態參數範圍內時，以該即時交通參數更新該常態參數範圍，其中當該即時交通參數不落在該常態參數範圍內時，該監控程序更包含：判斷該即時交通參數是否落在該緩衝區間內；以及當判斷該即時交通參數落在該緩衝區間時，以該即時交通參數更新該常態參數範圍。
如請求項1所述的偵測方法，其中在判斷該即時交通參數落在該常態參數範圍內之後，並且以該即時交通參數更新該常態參數範圍之前，該監控程序更包含：將該即時交通參數乘上大於1的一權重值。
如請求項1所述的偵測方法，其中該監控區域係一第一監控區域，取得關聯於該監控區域的該些交通參數包含：計算該第一監控區域中關聯於一第一交通物件的一第一交通參數與一第二監控區域中關聯於一第二交通物件的一第二交通參數之間的一差異度，其中該第一交通物件的類型相近於該第二交通物件的類型，該第一交通參數與該第二交通參數係同類型的參數；判斷該差異度是否不大於一閥值；以及當判斷該差異度不大於該閥值時，以對應該第二監控區域所累計的多個該第二交通參數做為該些交通參數。
如請求項1所述的偵測方法，其中基於該些交通參數取得該常態參數範圍包含：以該些交通參數組成一常態分佈模型；以及以該常態分佈模型的一信賴區間做為該常態參數範圍。
如請求項1所述的偵測方法，其中基於該些交通參數取得該常態參數範圍包含：依據一時段分隔參數從該些交通參數中篩選出關聯於該時段分隔參數的多個時段交通參數；以該些時段交通參數組成一常態分佈模型；以及以該常態分佈模型的一信賴區間做為該常態參數範圍。
如請求項1所述的偵測方法，其中在取得該些交通參數時，該偵測方法更包含：記錄對應每一該些交通參數的一時間參數，基於該些交通參數取得該常態參數範圍包含：依據該些交通參數對應該些時間參數的一分布狀態從該些交通參數中篩選出關聯於一時段的多個時段交通參數；以該些時段交通參數組成一常態分佈模型；以及以該常態分佈模型的一信賴區間做為該常態參數範圍。
如請求項1所述的偵測方法，其中該交通異常通知包含該監控區域的一位置資訊。
如請求項1所述的偵測方法，其中以該即時交通參數更新該常態參數範圍係：以貝氏推論法基於該即時交通參數更新該常態參數範圍。