考虑连锁冲突的城市公交车行车风险量化分析方法

为了量化城市公交车给区域混合交通带来的安全风险，通过提取交通冲突数据并识别连锁冲突，研究了公交车行车风险的量化分析方法。在数据采集上，采用了航拍图像并基于YOLOv4网络学习航拍目标的外观特征，检测并跟踪航拍车辆，从而提取带精细属性的车辆轨迹数据。在冲突识别上，将不同车道上可能发生横向碰撞的车辆对之间的相对位置作为约束条件，在跟驰模型的基础上补充了匹配相邻车道上车辆对的动态关系，从而将经典碰撞时间(TTC)模型扩展至可同时识别侧向冲突的二维TTC模型；基于车辆刺激-反应理论标定每个冲突车辆对区域交通造成连续干扰的时空范围，根据干扰范围的动态变化建立冲突间的作用关系并形成时序性的冲突树模型，从而识别连锁冲突并追溯连续风险形成的因果过程。在风险研究上，从3个方面量化不同状态下城市公交车的行车风险:①基于二维TTC模型解析冲突频率；②在此基础上结合累积频率法解析冲突严重性；③通过连锁冲突比例及冲突树长度解析冲突聚集的概率和范围大小。采集广州大桥路段航拍视频进行实验研究，结果表明:城市公交车在拥堵常发路段不仅冲突风险高，且带有较高的冲突严重性和区域聚集性；拥堵流中公交车的冲突频率超过9次(/ veh·min)；公交车的严重冲突率为33.39%，远远高于小汽车的16.61%；公交车的区域连锁冲突发生率为30.75%，达到了小汽车(14.67%)的2倍。      

基于人车交互行为模型的上下客行为识别

上下客行为是常见的人车交互交通行为，但随意地在路边或者禁停区域上下客，不但容易干扰道路交通秩序，还可能造成人员伤亡的恶性交通安全事故，需要及时检出以便疏导管理。受益于智慧灯杆的开发和部署，全路段的上下客行为检测成为可能。设计了一种基于智慧灯杆监控视频的人车交互行为模型HVIB（Human-Vehicle Interaction Behavior）及上下客行为识别方法，实现路边停车和上下客行为的检测。人车交互行为模型HVIB由车辆运动状态检测模块和人车关系检测模块组成。在车辆运动状态检测模块中，利用YOLOv4（You Only Look Once，Version 4）目标检测模型和SORT（Simple Online and Realtime Tracking）跟踪算法输出高置信度目标信息，并抽取车辆时空位置特征表达。在人车关系检测模块中，结合人与车辆的空间位置变化和相对运动方向，形成人车关系的时空特征表达。通过计算视频中人车时空位置特征，基于车辆运动状态判别函数和人车关系判别函数输出车辆运动状态和人车关系类别，并依据不同人车交互行为的定义，可以实现上下客行为识别。使用真实城市交通场景视频数据，对多种天气条件（晴天、阴天、雨天）下的不同人车行为进行了识别试验。试验结果表明：所提出的方法可以全天候工作，其中在白天多种天气条件下，停车和上下客行为的检测准确率能达到90%和87%以上，夜晚正常天气条件下分别为82.5%和77.5%；同时，检测速度在每秒30帧以上，满足实际应用的实时性要求。     

基于轨迹数据的单交叉口信号配时优化方法

随着城市化的发展,城市路网变得更加复杂,交通量日益增多.传统的数据采集方式如线圈、卡口存在铺设难度大、维护成本高、数据缺失等缺点.随着网络出租车的兴起,海量的轨迹数据被收集起来.本文整合了基于轨迹数据的交叉口排队模型和交叉口启动波模型,估计路口各相位排队长度,并应用交通波理论对交叉口各相位配时进行优化,建立了基于轨迹数据的单交叉口信号配时模型.该模型采用交叉口SCATS系统实际数据进行路口建模,经仿真验证,相较于原配时方案与Webster配时方法,该模型能够将交叉口延误分别降低61.37%和36.95%,验证了该模型的有效性.      

融合实时交通状态信息的道路背景更新模型

针对道路背景的提取和更新效果受实时交通流状态影响的问题,提出了一种用于交通视频监控场景下的融合实时交通状态信息的道路背景更新模型和实现方法.该方法通过构建宏观交通状态参数特征集估计道路实时的交通状态信息,在传统方法基础上融合交通状态信息建立选择性背景帧提取模型,改进背景更新候选帧的选取条件,通过光照变化来估测道路背景的更新频率并自适应地提取背景更新区域.试验表明:该方法在道路交通顺畅和拥堵状态时,均能有效地提取道路背景,大大地提高背景更新的收敛速度.     

一种视频交通流检测场景中的自适应道路结构提取算法

为了保证视频交通流检测系统在检测场景变动时检测结果的正确性和有效性,文章提出了一种视频交通流检测场景中的自适应道路结构提取算法,以便适时调整检测区域的位置和大小。算法选用直线拟合车道线,并以车道线组合构造道路结构模型。在场景变化时,算法通过霍夫变换检测变化后的车道线,然后利用匹配误差和消失点约束对检测结果进行校验和修正,最终提取出正确的道路结构信息。实验结果表明,该算法在白天正常天气下提取正确率达99.1%,是一种有效可行的道路结构提取算法。     

基于车辆轮廓特征的非混合交通状态评级方法

提出了利用车辆轮廓分块计算结果作为参数对非混合交通流状态进行分析评级的方法。结合非混合交通流的特征,将其划分为稳定流和非混合流2种类型。方法首先对车辆轮廓特征进行提取、跟踪,并进行纵向等距分块处理,然后利用计算结果,对交通流状态度进行评级。实例表明,新方法能够有效处理非混合交通流视频,合理估测交通状态等级。此外,新方法运算量小、简单高校、可扩展性强、实时性高,可用于需要对交通信息进行实时处理的应用。     

一种基于融合网络的慢行交通速度计算方法

慢行交通速度是慢行交通参数不可或缺的一部分，现有的通过目标检测从视频中提取目标速度的方法不能兼具检测准确率与目标框的稳定性，且选取的速度计算基准点(简称基准点)波动大，存在速度不准确、不稳定的问题。为解决此问题，本文提出一种基于 YOLOv5(You Only Look Once Version 5)的融合检测跟踪网络及速度计算方法，获取更准确、稳定的速度。首先，使用目标检测与目标跟踪单元得到目标的检测框与ID信息，并根据检测框获取目标感兴趣区域送入头部检测单元，进一步获取头部检测框；其次，根据场景下的目标特征判断头部检测框所属，并根 据判断结果提供两种基准点计算方法；最后，对二维基准点坐标进行三维映射，并将结果代入速度计算公式获得速度；同时，提出准确度( MA )、稳定度( MS )两个评价指标以量化评价方法。本文在公开数据集PETS09-S2L1与TUD-Stadtmitte上验证融合网络的检测、跟踪效果，在自建双视角协同数据集上验证基准点计算和速度计算方法的效果。实验结果显示，融合网络的目标检测和跟踪准确率(MOTA)比单一网络高25%以上，本文速度计算方法比常用速度计算方法的准确度提高了30%，稳定度提高了6.28%。本文方法可兼具检测准确率与目标框的稳定性，选取的基准点波动更小，获得的速度更准确、稳定。     

基于视频的交叉口排队过程感知及预测

在研究交叉口排队过程中，全面、精细地感知及预测方法一直是难点. 传统的排队过程感知方法缺乏不同排队阶段的精细感知和关联，无法得到全面、精细的交通参数. 对此，提出一种基于视频、分阶段感知再关联的排队过程感知及预测方法. 该方法包括3 部分：第一，通过目标检测和边缘检测提取道路和车辆信息；第二，对道路和车辆边缘信息进行卷积融合，检测排队区域和排队长度；第三，利用车辆位置重构和KCF跟踪等方法感知并关联不同排队阶段，重构并预测交叉口车辆运行轨迹，得到精准到车辆个体的排队车辆数和停车延误等参数. 实验结果表明，所提方法在检测正确的情况下，平均95.7%的排队车辆轨迹重构结果是准确的；并且在实际应用场景测试中，在不同车流量和光照条件下均可取得满意的效果.