基于道路超高事故预防的限高警报器设计

为减少由车辆阻塞或碰撞桥洞引起的交通事故,设计了适应不同路况需求的智能限高警报系统。采用激光技术对车辆高度进行超高检测,将光信号转换为电信号,通过单片机对检测信号集中处理并无线传输,超高车辆接收警报信号后改变路线避免事故。智能限高警报器有效警示驾驶员注意货车高度,大幅度减少卡桥、撞桥交通安全事故。     

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。