一种交通事件检测与定位方法与流程

本发明涉及一种能够全自动在线检测并定位道路交通事件的方法，属于监测技术领域。

背景技术：

道路出现交通事故、车辆抛锚或物品撒落等交通事件时，交通流的演化特性往往与正常交通状态时出现较大差异，其演化连续性往往会被打破。如果不能及时准确地发现并定位这些事件，则会导致上游路段的大面积拥堵甚至二次事故的发生。人工报警方式是目前应用最多的方式，但是存在报警时间长、地点定位精度低的明显缺点。虽然近年来手机定位等技术在电话报警中的引入明显提高了事故定位精度，也大大消除了人工描述事故位置所耗费的时间，但是这种报警方式容易受到事件所致的设备损毁、人员伤亡等因素的影响，在很多情况下会大大延误事故救援和事件处理的及时性。另外，如果基于该报警信息向上游车辆进行警告和交通疏导信息的发布，信息的中转延迟时间也会较长。如果能够充分利用道路上布设的监控摄像机及时发现交通事件并准确定位出事件点的具体位置，然后自动将信息传送给交通管理中心并同时通过可变信息板及车辆协同设备等把事件点的精确信息广播给上游车辆，则必将有利于交通事件的及时救援和处理、交通疏导信息及时发布以及二次事故的有效预防，以及为车联网、人车路协同及未来无人驾驶技术提供有力支持。

技术实现要素：

本发明的目的在于针对现有技术之弊端，提供一种交通事件检测与定位方法，为交通事件的及时发现和处理以及二次事故的预防提供有力支持。

本发明所述问题是以下述技术方案实现的：

一种交通事件检测与定位方法，所述方法首先以车道为单位按照一定的时间间隔进行换道特征参数的统计，然后在计算车道的原属车辆换出率的基础上，采用阈值法判断车道内是否发生了交通事件，对于被判定为发生了交通事件的车道，将车辆变道的换入点和换出点分别视为正样本和负样本，通过计算两类样本的最优分类面来实现事件点位置的精确计算。

上述交通事件检测与定位方法，所述方法包括以下步骤：

a.对每条车道均按一定时间间隔记录其换道点数据；

b.基于车辆换出率的交通事件检测

①原属车辆换出率的计算

计算当前车道i在当前时段j内的原属车辆换出率rco(i,j)：

式中，n(i,j)为当前车道i在当前时段j内的原属车辆数，nco(i,j)为原属车辆中在监测路段范围内换出本车道的车辆数；

②交通事件的判定

当前车道i在当前时段j内是否发生了交通事件的判断公式如下：

式中，τ为判定阈值，f(i,j)为二值判定结果，f(i,j)＝0表示无交通事件发生，f(i,j)＝1表示有交通事件发生；

c.基于换道点分类的交通事件定位

对于被判定为发生了交通事件的车道，将车辆变道的换入点和换出点分别视为正样本和负样本，计算两类样本的多个最优分类面w0，记录最小分类面w0min和最大分类面w0max，则交通事件点的位置w通过下式计算得到：

上述交通事件检测与定位方法，两类样本的最优分类面的计算方法如下：

①定义判定函数如下：

g(x)＝x-w0

式中，x为样本的空间坐标；

②引入一个准则函数j(w)：

式中，c1和c0分别为当前时段内收集的换道点正样本集和负样本集；

③采用搜索策略来搜索两类样本的最优分类面w0：

迭代搜索公式为：

w(k+1)＝w(k)+ρkd(j(w(k)))

式中，ρk为修正系数；d(j(w(k)))为动态修正量，是关于j(w(k))的某种函数值。

上述交通事件检测与定位方法，迭代搜索公式中，迭代初值w(1)、修正系数ρk和动态修正量d(j(w(k)))的选定方案可有多种，其中一种方案如下：

(w(1)＝wmin)∧(ρk＞0)∧(d(j(w(k)))＝1)。

上述交通事件检测与定位方法，所述准则函数j(w)也可以是：

式中，为被当前w错分的样本子集，为中的样本个数。

本发明把事件点定位问题创新性地转化为换道点的样本分类问题，从换道特性分析的角度解决了交通事件的精确定位问题，具有检测时间短、定位精度高、信息传输速度快等优点，可为交通事件的及时发现和处理以及二次事故的预防提供有力支持。

此外，本发明采用的算法不但适用于基于视频的交通监控系统，也适用于基于激光雷达或未来可能出现的任何能够获取车辆换道信息的交通监控技术系统，算法具有较高的实用性。

附图说明

图1(a)-图1(b)是车辆换道及换道点分布特性，其中图1(a)为无交通事件影响的换道点分布特性；图1(b)为有交通事件影响的换道点分布特性；

图2本方法所述方法的流程框图；

图3(a)-图3(b)为准则函数示意图，其中图3(a)为理想情况下的w-j(w)关系；图3(b)为实际情况下的w-j(w)关系；

图4(a)-图4(g)为采用准则函数(10.1)时各时段的事件点定位结果，其中，图4(a)为时段4的事件点定位结果；图4(b)为时段5的事件点定位结果；图4(c)为时段6的事件点定位结果；图4(d)为时段7的事件点定位结果；图4(e)为时段8的事件点定位结果；图4(f)为时段9的事件点定位结果；图4(g)为时段10的事件点定位结果；

图5(a)-图5(g)是采用准则函数(10.2)时各时段的事件点定位结果，其中，图5(a)为时段4的事件点定位结果；图5(b)为时段5的事件点定位结果；图5(c)为时段6的事件点定位结果；图5(d)为时段7的事件点定位结果；图5(e)为时段8的事件点定位结果；图5(f)为时段9的事件点定位结果；图5(g)为时段10的事件点定位结果；

图6采用基于准则函数(10.1)的改进算法时各时段的事件点定位结果，其中，图6(a)为时段4的事件点定位结果；图6(b)为时段5的事件点定位结果；图6(c)为时段6的事件点定位结果；图6(d)为时段7的事件点定位结果；图6(e)为时段8的事件点定位结果；图6(f)为时段9的事件点定位结果；图6(g)为时段10的事件点定位结果。

文中各符号分别表示为：rco(i,j)表示当前车道i在当前时段j内的原属车辆换出率，n(i,j)为当前车道i在当前时段j内的原属车辆数，nco(i,j)为原属车辆中在监测路段范围内换出本车道的车辆数，τ为判定阈值，f(i,j)为二值判定结果，g(x)为判定函数，c1和c0分别为当前时段内收集的换道点正样本集和负样本集，w0为最优分类面，w0min为最小分类面，w0max为最大分类面，w为交通事件点的位置，j(w)为准则函数，为被当前w错分的样本子集，为中的样本个数，ρk为修正系数；d(j(w(k)))为动态修正量，是关于j(w(k))的某种函数值。

具体实施方式

下面结合附图对本发明作进一步详述。

本发明在对交通事故、车辆抛锚或物品撒落等车道局部拥塞型交通事件影响下的车辆换道统计特性进行详细分析的基础上，提取了在有/无交通事件影响下具有显著差异的两种换道统计特征，然后充分利用这两种特征提出了一种路段交通事件的检测和定位新方法。

当交通事故、车辆抛锚及物品撒落等车道局部阻塞型交通事件在一个多车道监控路段的某条车道上发生时，该车道上游车辆会被迫换入相邻车道以便绕开事件点继续前行，很多车辆在绕过事件点行驶到下游位置时又重新疏散回原来车道行驶。基于分析及实验，以车道为单位，提取如下两个换道特征来有效实现交通事件的检测与定位：

(1)车道的原属车辆换出率异常升高。所谓车道的原属车辆是与半途换入本车道的车辆对应而言的概念，是指从监控路段上游边界处驶入本车道行驶的车辆。当一条车道内有交通事件发生时，由于车辆被迫换道绕行而使得该车道的原属车辆换出率比无交通事件条件下显著升高。同时，对于事件车道的相邻车道而言，虽然对其所有车辆进行统计得到的换出率也会升高，但升高的原因主要是由于事件车道的车辆在绕过事件点后重新换回原车道而造成，其原属车辆的换出率明显低于事件车道。方法基于这一特性有效实现交通事件的检测。

(2)交通事件影响下的换道点空间分布特性与无交通事件影响时的分布特性具有明显差异。该分布特性主要表现在道路方向上。为便于观察和分析，采用如图1(a)和图1(b)所示的换道点分布时空图来描述这一特性。图中，横轴(t-坐标轴)为时间轴，纵轴(x-坐标轴)为空间轴。时空图中的和“×”分别为换入点(当某一车辆驶离原车道并换入新车道时，车辆轨迹线与车道分割线的交点称为新车道的一个换入点)和换出点(当某一车辆换出原车道并进入相邻车道时，车辆轨迹线与车道边界分割线的交点称为原车道的一个换出点)的时空坐标点，并且各个时空点的空间坐标(x-坐标)值为对应的换道点与监控路段区域上游边界的道路方向空间距离。需要指出的是，在不加特殊声明的情况下，后面提到的换入点和换出点指的是它们在时空图中的时空坐标点。在正常交通条件下，车辆的换道行为具有偶发性、换道点的分布具有分散性和随机性，如图1(a)所示。然而，当车道内发生了交通事件造成车道拥塞时，如图1(b)所示，事件点上游的换出点和事件点下游的换入点都会显著增加，并且事件点及其上下游附近一段距离内没有车辆换入/换出、不存在任何换道点，从而形成一个换入/换出空白区域，后面称之为“决策区”。

如果我们将换入点和换出点分别看做正样本和负样本，虽然事件点上游车道区域可能存在少量的负样本(主要包括随机换道点和干扰点等)、下游区域也同样可能存在少量的正样本，但是绝大多数的正样本都集中在下游、绝大多数的负样本都集中在上游，并且交通事件点恰好形成这两类样本的分布分界点，如图1(b)所示。因此，把交通事件定位问题转化为换道点的两类分类问题，更详细地说，转化为换入点和换出点的最优分类面的求解问题，很好地实现了事件点位置的精确计算。实际应用中，我们只需考虑换道点在时空图中的空间分布，也就是说，该两类分类问题的样本空间本质上为一维空间。

基于上述两个换道特征，本发明所述的事件点检测和定位算法流程如图2所示。具体实施方法如下：对监控路段内的每一条车道，均采用第一个特征判断车道内是否发生了交通事件；进而，对有事件发生的车道应用第二个特征定位出事件点的精确位置。下面分三部分进行阐述：(1)交通场景自动标定。作为后继步骤的基础，该模块主要包括路段监控区域和车道位置的提取及标定；(2)各车道换道信息的提取。监控系统工作过程中该模块始终循环执行。首先，通过车辆检测与跟踪技术来获取车辆的轨迹时空信息，然后提取换道车辆并记录其换道点的时间和空间信息；(3)对各条车道进行事件点检测与定位。该模块以一定的时间间隔运行，其主要思想如下：每经过一定的时间间隔，对每条车道分别计算其在当前时段内的原属车辆换出率并采用阈值法判断车道内是否发生交通事件。当某车道被判定为事件车道后，算法将该时段内该车道的换入点和换出点分别作为正样本和负样本，通过求解这两类样本的最优分类面来确定事件点的具体位置。

1基于车辆换出率的交通事件检测

如上所述，对每条车道均按一定时间间隔记录其换道点数据，并判断该车道在当前时段内是否发生交通事件。

1.1原属车辆换出率的计算

以rco(i,j)表示当前车道i在当前时段j内的原属车辆换出率，其具体计算方法如下：

式中，n(i,j)为当前车道i在当前时段j内的原属车辆数，nco(i,j)为原属车辆中在监测路段范围内换出本车道的车辆数。当n(i,j)＝0时，rco(i,j)将被设置为-1，

1.2交通事件的判定

采用阈值法根据上述求得的原属车道换出率来判定当前车道在当前时段内是否发生了交通事件，判断公式如下：

式中，i为车道号，j为时段号，τ为判定阈值，f(i,j)为二值判定结果(0表示无交通事件发生、1表示有交通事件发生)。

当rco(i,j)的值为-1时，表示该车道在当前时段内无原属车辆通过，此时无法根据当前时段内的数据判定车道内是否有交通事件发生。在这种情况下，算法按无交通事件处理。

2基于换道点分类的交通事件定位

在某时段内，当检测到某车道内发生了交通事件时，方法将立即由该时段开始根据换道点的统计数据进行事件点定位。

2.1理想条件下的交通事件定位模型

如上所述，我们将事件点定位问题转化为一个两类分类问题，即正样本(换入点)和负样本(换出点)在一维样本空间中的最优分类面(点)的求解问题。对任意时段，定义判定函数如下：

g(x)＝x-w0(3)

式中，x为样本的空间坐标，w0为决策权重。

在忽略随机换道点和干扰点样本的理想条件下，换道点的两类分类问题为线性可分问题，判定规则可表示为：

式中，c1和c0分别为当前时段内收集的换道点正样本集和负样本集。

则分类决策面方程为：

g(x)＝x-w0＝0(5)

因此，在忽略随机换道点和干扰点的前提下，最优分类面的求解过程实质上就是求解能使所有样本都满足公式(4)(即都被正确分类)的w0的过程。由图1(b)可见，决策区内的任何x都可被选做最优分类面w0，也就是说，对于本发明二分类问题，存在多个最优分类面w0，这些分类面构成了决策区[w0min,w0max]。文献及实验表明，交通事件点的位置(此处表示为w)基本位于决策区的中间位置，可通过下式计算得到：

通过引入一个准则函数j(w)并采用搜索策略来实现最优决策面求解。j(w)的w-j(w)函数关系示意图如图3(a)所示。使得j(w)取极小值的任何w解均可作为最优决策面。迭代搜索公式如下：

w(k+1)＝w(k)+ρkd(j(w(k)))(7)

式中，ρk为修正系数；d(j(w(k)))为动态修正量，是关于j(w(k))的某种函数值。根据d(j(w(k)))的具体形式，可构造不同的迭代算法来计算准则函数的极小值，进而可确定最优决策面w0使得所有样本都被正确分类：

w0＝w|j(w)＝0(8)

然后，由所有w0确定出决策区[w0min,w0max]并根据公式(6)计算出交通事件点的具体位置。

2.2实际条件下的交通事件定位模型

在实际问题中，样本集中的随机换道点和干扰点样本不可忽略。因此，w-j(w)实际映射关系并非如图3(a)，而是如图3(b)所示。如果仍采用(8)式来确定最优决策面，则迭代过程会因为发生震荡而无法终止。因此，将迭代算法的终止条件放宽，用式(9)代替式(8)来搜索最优分类面w0：

在最优分类面的搜索过程中，记录满足条件的最小和最大分类面w0min和w0max，进而代入公式(6)完成交通事件点的精确定位。

2.3应用过程中关键因素的确定

在实际应用中，基于上述分类模型进行事件点定位时，要事先根据具体应用场合来确定两个关键因素：(1)准则函数j(w)；(2)具体的迭代算法。

(1)准则函数j(w)的选定。给出如下两种简单易用的准则函数方案：

式中，为被当前w错分的样本子集，为中的样本个数，sgn(x)为如下二值函数：

式中，c1和c0分别为当前时段内收集的换道点正样本集和负样本集。

准则函数(10.1)是从错分样本数量最小化角度设计，其含义简单直观。准则函数(10.2)则是从错分样本到分类面的距离之和最小化角度出发，是常规模式分类中常用的方法。当样本集里不存在随机换道点和干扰点样本时，两函数均能达到理想的效果。然而对于实际的事件点定位问题，准则函数(10.2)容易受到干扰点的影响，函数(10.1)更加有效，我们将在实验部分中对二者性能进行详细的对比分析。

(2)具体迭代算法的确定。该问题主要包括迭代初值w(1)的选定、修正系数ρk和动态修正量d(j(w(k)))的确定，本文给出一种有效方案如下：

(w(1)＝wmin)∧(ρk＞0)∧(d(j(w(k)))＝1)(12)

进而，迭代搜索过程如下：

上述迭代算法实质上是一种全局增量搜索策略并且采用的搜索步长为1米。在实际工程中，还可根据实际需求采用其他搜索策略。

实施效果

以一次车辆抛锚事件的600秒素材为例介绍本发明的实施效果。该事件自素材的第200秒时发生，事件点位置的人工测量数据为距离其所在车道监控区域上游边界起始点356米处。分别采用(10.1)和(10.2)两种准则函数进行本发明算法进行测试。图4和图5分别给出了采用这两种准则函数进行事件点定位时的各个时段详细数据。事件在素材的第4时段发生并被检测到，定位程序由此时段开始启动。可以看出，准则函数(10.1)的定位性能明显优于(10.2)，并且相对而言(10.1)通过最小化错分样本数来寻优分类面的思想更加直观。

分析可见，噪声点对定位精度的影响不可忽略，但这种影响会随着有效样本数量的增加而削弱。因此，如果将准则函数中的取为检测到事件后一直到现在的所有时段样本集内被错分的样本数，则必将有助于提高算法性能。基于该思想，我们对准则函数及搜索算法进行了改造，通过时段积分方法快速实现新意义下的各个时段值。在此，把修改前的算法称为“原始算法”、修改后的算法称为“改进算法”。以准则函数(10.1)对应的改进算法为例，各时段的定位结果如图6所示。与图4对比可见，各时段因噪声干扰而引起的定位结果的波动得到了有效抑制。综合分析可见，本发明算法高效实用。