基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法

大型港口集装箱码头运输车辆调度频繁,堆场过道和交换区等区域视距狭窄,容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力,提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages,BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员,根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标,并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model,IMM）融合视频轨迹信息和车载单元（on-board units,OBU）定位数据,减小了目标机动过程中的观测误差。基于集卡融合轨迹结果,提出了1种新型的轨迹冲突风险评估模型,能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险,该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明：...     

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息.为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法.采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号.将轨迹从图像坐标转换...     

车辆轨迹数据集介绍

正数据是交通工程科学研究的基础。车辆轨迹数据中包含几乎全部宏微观交通流信息,对于揭示交通现象背后机理有重要支撑。美国NGSIM轨迹数据基于路侧建筑物多个摄像机拼接而成,数据存在精度问题,覆盖路段长度、时间范围、道路环境、交通状态、车辆组成等均有限。我国道路交通规律及驾驶特性与国外存在较大差异,高精度交通流数据缺乏制约着我国交通流科学研究开展。     

基于视频识别的互通合流区交通冲突空间分布

为深入研究高速公路互通合流区交通冲突空间分布特征,克服传统数据采集的条件限制,弥补断面数据采集的缺点,利用无人机视频采集高精度、区域连续的多车辆轨迹数据,并运用OpenCV视频自动分析系统和Matlab扩展工具,依据帧间差分法和时空上下文视觉跟踪算法原理,进行车辆识别与跟踪,记录采集范围内车辆每一帧的微观车辆运动数据....     

面向车流量智能检测的YOLOv7算法改进与应用

针对当前机器视觉识别中车流量检测的精度问题,以YOLOv7人工智能算法为基础,通过视觉跟踪并叠加注意力机制,提出一种基于YOLOv7和Deep SORT的改进型车流量智能检测方法。通过将注意力模块GAM与YOLOv7网络进行融合增强检测网络的特征提取能力;同时在改进后的YOLOv7网络中引入Deep SORT跟踪算法以改善车辆间相互遮挡导致复检漏检问题。实验选取重庆市渝中区经纬大道双向六车道为研究对象,在新铺社天桥上采用固定相机连接移动笔记本电脑的方式进行数据采集以及算法验证,为了保证算法的可重复性,分别选取早高峰、午平峰和晚高峰3个时段分别录取了5 min的交通流视频。利用在交通视频中通过设置虚拟检测线,让新算法在车辆检测的同时对车辆运行轨迹进行跟踪,当车辆经过检测线时记录车辆的身份编号,以此来实现交通视频的车流量监测与跟踪计数。实验结果表明：改进后的新算法相比于原YOLOv7算法在车辆检测方面平均精度提高了2.3%,视频车流量统计的精度提高了8.2%。     

基于毫米波雷达组群的全域车辆轨迹检测技术方法

高精度车辆轨迹数据对于高速公路交通管理和智慧服务具有非常重要的研究及应用价值，然而现有的车辆轨迹感知技术难以获得全域全时车辆轨迹数据。为此，提出一种基于毫米波雷达的全域车辆轨迹跟踪技术方法，该方法包括：雷达原始数据获取及适配、轨迹数据清洗及降噪、道路线形感知及还原、车辆轨迹匹配及拼接。其中，雷达原始数据获取及适配通过构建雷达帧数据适配表将雷达数据格式标准化，并通过构建的轨迹可信度评价指标K，剔除镜像车辆轨迹数据，进而基于历史行车轨迹的统计学特征，采用聚类方法还原道路线形，最终通过雷达群组间车辆轨迹特征分析及匹配拼接，实现设备内部及跨设备对车辆轨迹的持续跟踪。利用载波相位差分技术(Real-time Kinematic, RTK)和基于无人机航拍视频定位技术分别对单车及多车轨迹跟踪精度进行检验。研究结果表明：在单目标跟踪状态下，系统的纬度偏差均值为-0.284 m，经度偏差均值为-0.352 m，纬度误差均值为0.712 m，经度误差均值为0.539 m；在多目标跟踪状态下，系统丢车率约为8%，轨迹定位与真实位置偏差均值为0.990 m，具备良好的轨迹跟踪精度。该方法为未来从更加宏观的范围内研究个体驾驶行为风险转移分析、微观水平的驾驶风险的时空演化提供了数据支撑。     

基于深度学习的多目标车辆轨迹自动采集方法

车辆轨迹通常用于驾驶行为建模和交通安全领域.为获取交通视频中车辆轨迹,提出一种基于深度学习的自动采集方法.利用YOLOv5检测器在连续帧中的感兴趣区域进行车辆检测,通过DeepSORT跟踪器进行稳健而快速的车辆跟踪,该追踪器可以有效减少目标ID的跳变,提升跟踪稳定性,通过透视变换得到车辆的真实世界坐标并使用局部加权回归...     

基于自适应阈值DBSCAN的路侧点云分割算法

针对路侧采集的激光雷达点云数据随距离增大而密度下降导致同一目标的点云被分割成多个目标的问题,提出了一种基于自适应阈值DBSCAN的路侧点云分割算法。首先,使用改进GPF和直通滤波对采集的路侧点云进行过滤,提取出道路区域上的非地面点云;然后,基于有效距离和sigmoid函数构建自适应系数函数,对DBSCAN聚类算法集群生长中近邻点搜索时半径阈值的选取规则进行优化;最后,利用自适应阈值DBSCAN聚类算法对非地面点进行聚类,得到隶属于单个目标的点云。采集了1 055帧真实场景的连续数据进行测试,结果显示：C-H系数平均约增加3倍、D-B系数平均减少4.52%、轮廓系数平均增加77.78%,这表明基于自适应阈值DBSCAN的分割算法能提高点云簇的类内一致性和类间差异性,有效减少路侧激光雷达点云的过分割现象,具有较高的工程应用价值。     

城市混合交通场景中的多目标参数检测

针对城市混合交通的复杂场景图像中多目标及其参数的检测问题,提出了一种由改进的帧间差分与边缘提取相结合的算法。利用帧间差分法检测车辆的存在,对帧差图像运用统计滤波算法提取多运动目标,通过形态学方法提取并细化目标边缘,根据主边缘（轮廓）信息完成车辆定位,最终结合摄像机标定结果计算出多目标交通参数。算法避免了复杂场景的背景建模,减少了运算量。实验结果表明,该算法不仅能较为准确地检测多运动目标的参数,而且具有较强的实时性。     

基于双视角学习原理的交通视频车辆事件鲁棒检测

提出了1种基于双视角学习原理的高速公路交通视频车辆事件鲁棒检测算法.针对道路交通结构化特点提出了分车道外极面图(Epipolar Plane Image,简称 EPI),以此反映交通断面车流整体特征.基于双视角学习原理,融合现有广泛应用的反映车辆独立行为的行驶轨迹特征,实现高速公路车辆事件鲁棒检测.针对多种典型车辆事件(包括交通拥堵,车辆逆行,车辆违规停车,交通事故等),本文算法总体检测率为94.09%,误检率为4.51%,漏检率为1.40%,其性能与传统单视角方法比较有较大的提高.      

基于车辆轨迹的高速公路异常事件自动检测算法

高速公路异常事件自动检测是有效保障道路交通安全和运输效率的重要手段,由于监控视频数据量巨大,现有自动检测算法存在实时性、准确性低的问题。为此本文提出了基于轨迹分类的对比性悲观似然（comparative pessimistic likelihood estimation,CPLE）算法。构建了包含车辆检测、车辆跟踪和轨迹分类3种功能的异常事件自动检测模型框架,采用YOLO v3对车辆进行目标检测,获得4类不同车辆类型的相关信息,采用简单在线和实时跟踪算法对车辆进行多目标跟踪,获得不同场景的异常事件车辆轨迹;基于半监督学习,采用极大似然法对车辆轨迹分类进行改进,引入对比性悲观似然估计,围绕其对比和悲观原则进行参数设置和标定,进行异常事件轨迹分类和确认,提出基于车辆轨迹的异常事件自动检测算法。以甘肃省G312线公路智能化检测系统为测试对象,共收集1 300段视频,形成530条测试集轨迹和630条验证集轨迹,测试结果表明：通过对不同场景异常事件进行检测和预警,基于对比性悲观似然估计的轨迹分类算法性能准确率达到89.7%,比自学习和监督学习方法的准确率分别高出23.6%和41.3%,尽管对散落...     

基于多特征融合的高速路车辆多目标跟踪算法研究

针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。     

基于多尺度边缘融合及SURF特征匹配的车辆检测及跟踪方法

为提高交通参数提取的准确性与实时性,研究了基于多尺度边缘融合和SURF特征匹配的车辆检测与跟踪方法,克服了传统基于边缘特征的车辆检测方法易受噪声、背景干扰的问题,实现车辆准确检测.将车辆检测结果作为跟踪样本建立跟踪样本集合,通过建立匹配点对几何约束消除误匹配特征对,提高跟踪样本与待跟踪视频帧的SURF特征匹配准确度.针对车辆驶入、驶离相机视野,车辆间歇性运动,背景缓慢变化等情况提出跟踪样本更新机制,实现车辆的准确、实时跟踪.实验结果显示,所提算法的车辆检测率为88.3%,检测准确度为90.2%;跟踪精确度为86.4%,跟踪准确度为92.7%;检测时间成本为91.8ms,跟踪速率为52.2fps.检测准确度、跟踪准确度、检测速率、跟踪速率均高于光流法、粒子滤波法和SIFT特征匹配法,表明所提算法能较好地满足实时性应用.      

基于三维激光雷达的动态障碍物检测和追踪方法

为解决无人驾驶车辆在城市路况下对多个动态障碍物同时检测和跟踪的关键问题,提出一种基于三维激光雷达的多目标实时检测和跟踪方法。通过对单帧激光雷达点云数据进行聚类,提取障碍物外接矩形轮廓特征;采用多假设跟踪模型(MHT)算法对连续两帧的障碍物信息进行数据关联;利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。试验结果表明,该算法能够在自行搭建的智能车平台上以每帧100 ms的速度准确、稳定地检测和跟踪。     

网联环境下基于速度引导的车辆能耗优化方法

传统的车速引导策略考虑交通信号的信号配时（signal phases and timing,SPAT）信息和到下游交叉口的距离,来对车辆进行速度建议和引导,以提高交叉口通行效率、减少能源消耗。但由于通信设备频率的限制,实时诱导效果欠佳。随着车载设备与路侧基础设施通信技术（vehicle to infrastructure,V2I）的发展,能实时、同步地获取交通流的多维信息,研究了1种符合真实驾驶场景的实时变速引导策略。以信号相位时间和道路通行限制条件为约束,构建三阶段变速诱导模型。提出将车辆通过连续路口的车速引导问题分解为车辆通过多个相邻路口的子问题进行求解。针对任意相邻2个交叉口,求解车辆到达下游交叉口的可通行时间区域,并将到达时间区域离散化,计算车辆到达时间区域内的每1个时间节点的能耗。将连续路口车速引导问题转换为速度轨迹寻优问题进行求解,以车辆能耗为权重,采用Dijkstra算法在所有可通行速度轨迹中寻找能耗最小的速度轨迹。利用交通仿真软件SUMO搭建仿真环境,并用Python对SUMO进行二次开发,以武汉市经济开发区东风大道的3个连续路口为研究对象进行仿真验证。实验结果表明：所...     

克服无人机拍摄扰动的高精度车辆轨迹数据提取方法

受气流、机身震动等因素影响,无人机高空悬停拍摄过程中相机会出现不同程度的扰动,对车辆轨迹数据的精度造成了不可忽视的影响。鉴于此,首先采用YOLOv4和Deepsort算法,实现车辆目标的检测与跟踪,获取车辆图像坐标;其次采用Shi-Tomasi角点检测,完成图像锚点的自动检测与跟踪,获取锚点的图像坐标;再次,基于最大残差淘汰策略,对锚点进行甄别优选,采用单应性变换模型,构建图像坐标系与地面坐标系之间的动态映射关系;最后,根据坐标动态映射关系模型,实施坐标转换,并采用RTS平滑滤波,对车辆轨迹地面坐标实施平滑处理。通过抖动消除前、后的车辆轨迹对比,发现实施抖动去除后的车辆轨迹明显剔除了相机扰动造成的车辆“虚假位移”的影响,提取的车辆轨迹坐标能够达到10 cm级精度水平,表明提出的方法成功克服了无人机相机抖动带来的负面影响,对改善车辆轨迹数据的质量具有积极意义。     

机动车交通冲突技术研究综述

对机动车-机动车交通冲突定义、交通冲突度量指标、冲突严重性判定以及交通冲突评价与预测等的国内外研究进展做了归纳和综述。分析表明,目前交通冲突研究存在以下主要问题:传统的冲突度量指标存在各自的局限性和不一致性,冲突潜在碰撞的后果严重性研究处于初始阶段,交通事件分级模型和相关性需要进一步研究和确认,冲突严重性判定存在一致性问题,交通冲突产生和发展的微观机理研究不足,缺乏真实环境下整个区域相互作用车辆精确连续轨迹追踪的数据获取手段。建议未来从以下方向进行优化:复合的改进度量指标比单一指标更为科学合理,并要考虑冲突潜在碰撞的后果严重性;统一和规范交通冲突度量指标的使用也有一定意义;需要针对多个参与者的"区域连锁冲突"进行更深入的研究;可通过采集区域多车辆连续时空轨迹大数据,得到区域多车辆冲突时空演变模型,并进行交通冲突实时预警和干预研究;另外可通过大量精确数据量化和统一区分各级交通冲突的阈值,并验证交通冲突技术的有效性;在不同设施对象及冲突的空间特征等方面的探索等也会丰富交通冲突研究体系;最后,以上所有的改进方向离不开高精度大范围的采集方法和高效精确的处理手段,故急需真实环境下、长时间的整个区域相互作用车辆精确连续轨迹追踪的大数据获取手段。     

基于Retinex的低光照车位图像增强

针对自动泊车过程中车载鱼眼相机拍摄的车位图像因低光照环境导致图像整体偏暗、车位信息模糊而无法检测出车位的问题，本文中设计了一种融合限制对比度自适应直方图均衡化（CLAHE）和改进单尺度Retinex(SSR)的车位线图像增强算法。首先将鱼眼相机图像畸变矫正后转换生成鸟瞰图；然后使用优化映射函数计算过程的CLAHE算法对鸟瞰图预处理；进而使用基于迭代方框滤波估计入射分量的单尺度Retinex算法增强图像；经过滤波和形态学处理，最后基于亮通道先验将图像灰度化，得到最终的增强结果。本文采集多组低光照场景下单侧鱼眼相机摄取的实际泊车过程视频，截取驶过停车位过程中的单帧图像作为数据输入，并使用一种基础车位检测算法对增强结果进行检测，试验结果表明，经过增强后可被检测出车位的视频帧数量超过90%，且单帧图像增强算法处理时间仅38 ms。     

基于小型化YOLOv3的实时车辆检测及跟踪算法

为了研究现有车辆目标检测算法的检测精度与检测速度相矛盾的问题,提出了一种小型化的改进YOLOv3深度卷积网络的实时车辆检测及跟踪算法。采用构建卷积层数少的网络架构以及进行多目标跟踪的方法,分析了大网络模型结构时正向推理速度慢、小网络模型结构时检测精度低的原因。在不同尺度卷积特征多层次提取车辆特征信息来保证准确率的基础上,利用K-means++算法改进聚类先验框中心点的提取,同时借鉴darknet19骨干网络结构,构建一种网络深度更小的基础卷积网络结构,采用更少的重复残差块结构单元,使网络模型结构小型化。在采用卡尔曼滤波算法对目标检测后下一时刻的车辆位置进行跟踪的基础上,利用匈牙利匹配算法进行分配关联视频相邻帧中的车辆,确定被检测目标唯一标签ID,实现对多个目标的精确定位与跟踪,以此改善检测不连续、漏检、目标被遮挡等检测不稳定的情况。结果表明:在实车自采集数据和公开数据集KITTI上进行测试,相较于YOLOv3网络,在平均准确率基本保持不变情况下,网络参数减小,网络模型大小缩小为1/4,为57.2 MB,检测速度提高一倍,达到101.7 f/s。整体算法检测速度达到11.3 ms/帧,检测率为97.50%。该小型化网络检测跟踪算法在复杂道路环境中有较强的鲁棒性,可以满足实际智能驾驶过程中对车辆检测跟踪的精度、速度的要求。     

路侧感知车辆轨迹数据质量智能评估方法

智慧公路布设了大量路侧智能传感器，可以获取全时空车辆运行轨迹数据。然而，如何实现轨迹数据质量高效便捷的评估一直是困扰行业管理部门的难题。现有评估方法大多存在量化指标维度单一、鲁棒性较差等问题。为此，提出一种通过挖掘轨迹数据多维特征以快速评估轨迹数据质量的方法。首先基于轨迹多元信息从元素特征、时序特征和空间特征3个维度设计轨迹合理性、波动性与交互异常性评估指标，并分析评估指标与轨迹数据质量水平的相关关系；在此基础上提出一种利用多元评估指标实现轨迹质量评估的自适应融合回归模型；最后，结合公开轨迹数据集和实测数据集对指标和模型的可靠性及稳定性进行测试与验证。结果表明：轨迹合理性、波动性指标与数据质量显著相关，可基于此构建指标融合模型评估轨迹质量，且引入提出的交互异常性指标可较好地提升模型评估效果。随着模型得分的降低，轨迹数据的运动与交互特征的异常程度增大，持续时间增加。提出的智能评估模型可以挖掘评估指标与轨迹质量的关系，对不同质量水平的轨迹均保持较好的评估效果且优于传统的单一维度评估指标方法，具有良好的稳定性、鲁棒性和优越性，可为车路协同环境下海量的路侧感知轨迹数据提供可靠的质量评价与监测方法。