交通量采集（精选8篇）
交通量采集 篇1
行人交通信息数据采集对象是行人,行人相对于机动车具有特殊性,因为行人的行走具有随意性、不同于机动车普遍必须按车道行驶的规律性,即行人的运动轨迹明显不同于机动车。传统的数据采集方式是基于车道的、主要是针对机动车数据采集的,比如波频数据采集、磁频数据采集用在获取机动车的交通流量、速度等交通参数的具有很好的效果,但用在采集行人交通数据上,效果并不理想。所以,如果想实现自动采集行人数据,必须具有针对行人特性的设备。本文从行人的交通特性出发,介绍行人的4种数据采集方法。
1 行人交通特征表现
行人交通特征表现在行人的速度、对个人的空间要求、步行时的注意力等方面。这些与行人的年龄、性别、教养、心境、体质及出行目的等因素有关,也与行人所处的区域、周围的环境、街景、交通状况等有关。具体表现在:如果不是赶时间尽快到达目的地,行人都倾向于以自己最舒适的步行速度来行走;行人总是与其它行人和边界保持一定距离,这个距离在人们匆忙行走的时侯就会变小,也会随着人流密度的增大而递减;当行人密度增加时,步速和步幅都会明显减小;年青人步幅较大,步速较快,老年人则步幅较小,步速较慢。
2 行人交通信息的组成
行人交通信息包括行人流量、步频、步幅、速度、加速度、密度、行人可接受间隙等,按照行人交通设施的不同,将行人交通分为步行道纵向交通和过街横向交通,在步行道交通条件下,行人交通信息主要包括行人流量、速度、步频、步幅等;在人行横道条件下,行人交通信息主要包括集结密度、过街等待时间、过街速度、行人可接受间隙等。
3 行人交通信息采集方法
行人交通信息的采集可以借鉴机动车交通信息采集方法,分为人工采集法和自动采集法。人工采集法,为手动计数,在劳动强度大的场合,人工采集法有一个易疲劳的突出问题,精度得不到保证,花费人力多,人工成本大,不宜长时间信息采集。自动采集法是指利用红外检测器、微波检测器、超声波检测器、视频检测器和GPS检测器等设备来自动采集行人交通数据的方法;由于行人所固有的物理特性,地感线圈检测器和压电式检测器等方法不起作用。
3.1 人工采集法
人工采集法是一种运用广泛的数据采集方法,采集方法所使用的常用工具有:秒表、尺子、纸张等,需要的采集工具十分简单。人工采集方法具有机动灵活、易于掌握的特点。但人工采集法有一个易疲劳的突出问题,单位人工成本高也是一个不容忽视的问题,不适宜进行长时间的观察。因此,人工采集法常用于短期行人交通信息的采集,如可进行短期行人交通流量调查、记录行人的性别、年龄等参数。
3.2 视频采集法
视频采集法就是对行人交通进行摄影录相,对采集到的视频图像再进行图像识别从而得到行人数据的方法,具有可重现、长时间数据采集的特点。西北工业大学空中交通管理系统研究所,对行人检测与跟踪进行系统研究,对行人的运动加以跟踪,提取出了行人的运动轨迹。北京工业大学的何民开发出的交通视频数据采集软件Track,它不单对车辆和自行车有好的识别效果,他还对行人数据采集性能进行了大量提升,能通过鼠标点击行人的特征点,如头部等进行方便地数据采集,能测量行人在不同时刻的交通数据:速度、加速度、位置以及运动轨迹等。根据实测,在70 m×70 m的现场中精度获得了低于0.4%的误差。
3.3 GPS采集法
GPS数据采集系统可以对单个人的启动过程和行进过程进行连续的数据采集,这时GPS系统就比人工观测法更加适合于个人微观行为的数据采集了,GPS用于行人交通的数据采集具备以下优势:①全天侯数据采集,且不受天气的影响;②可以提供连续的、实时的行人三维坐标位置、速度和时间;③定位精度高,精度可达10 m,经过基准基站调准并采用差分定位等方法,精度可以进一步提升达到厘米和毫米级;④体积小,行人方便携带。GPS数据采集方法对行人的启动过程和行进中的微观数据采集具有很好的效果。由于GPS采集设备不具备普及的特点,所以当需要对不同的行人进行大量的数据采集时GPS采集方法并不适用。
3.4 无线定位采集法
无线定位技术即手机定位技术,是利用已经建成的各通讯网络资源和移动通讯设备这些日常生活中已有的资源来实现的定位技术,这种定位方式比GPS定位方式,最大的优势是投资少,不需要购买新的设备,只需要行人拥有一个手机再辅以手机无线定位软件,或者基站在定位上升级硬件和软件就可以实现获取行人坐标位置和时刻数据。对位置加以坐标变换,过滤掉噪声数据,再辅以地图匹配技术来修正行人位置推算出行人的运动轨迹,就可以得到实时的行人基础交通数据,如速度和行程时间等。无线定位已经得到了越来越广泛的关注,特别是自美国联邦通讯委员会通过的E911法案,强制运营商要在紧急情况下需知用户的位置信息,运营商和技术研发部门就大力在提升无线定位服务精度了,定位服务质量在逐渐的提升,满足一定的行人交通数据获取的精度要求,随着无线网络的优化和技术的发展,无线定位精度是有进一步提升的可能。无线定位技术目前比较流行的有TDOA,A-GPS和GPSONE。
3.4.1 地图匹配技术
由于无线定位获取的行人位置存在误差,将导致行人的运动轨迹偏离实际的道路,因此通过地图匹配技术来校准行人位置,达到减少误差的目的,才可以进行行人交通数据的获取,匹配前需要进行坐标转换和过滤噪声。
无线定位一般所采用的坐标体系是WGS-84经纬度坐标,而我国的地图坐标体系采用的是北京54坐标系,两个坐标系统存在一定的误差,必须转换统一才能应用。转换步骤如下:①将WGS-84的经纬度坐标(B84,L84,H84)转换为以地心为中心点的大地坐标(X84,Y84,Z84);②通过坐标平移、缩放、旋转,将地心大地坐标(X84,Y84,Z84)转换为54坐标系下的地心坐标(X54,Y54,Z54);③将地心坐标(X54,Y54,Z54)转换为54坐标系下的大地坐标(B54,L54,H54);④利用高斯克吕格规则对(B54,L54,H54)进行投影得到投影坐标(x,y)。
转换后的数据包含噪声数据(机动车和非机动车使用者手机传回的数据),必须把这些噪声数据过滤掉,保留行人正常在道路上行走的数据,才能进行地图匹配。过滤噪声数据可以根据一定的判断准则和统计方法来进行,如可基于位置的变换率来判断,数据在道路左右,且移动迅速的,可判断为机动车辆;位置变换率低于车辆但高于行人的,一般可判断为非机动车或者拥堵状态下的车辆。保留下来的行人数据还要进一步剔除,有可能缓慢移动的车辆和非机动车数据在有些情况下(如拥堵情况下)是接近于行人数据的,这时要结合该移动台的历史数据进行判别。
地图匹配的效果和精度受多种因素的影响,如匹配算法的类型、手机位置更新的周期、电子地图的和手机定位的精度等,以下分别讨论点到点、点到线的地图匹配。
1)点到点地图匹配。 在电子地图数据库存储的点中搜索离无线定位位置最近的点作为匹配点,假设无线定位点为W(x0,y0),该点位于道路外面,且该点离电子地图上临近的路线为Li(i =1,2,…,n),Li由若干点构成,点坐标为P
求得i=I,j=J,则匹配的点为P(xp,yp)。
2)点到线地图匹配。 把待匹配的无线定位点向电子地图上附近的道路做投影,计算它们之间的距离为d,在所有侯选道路中选择距离值最小的作为匹配道路,且道路上的投影点即为匹配点P(xp,yp)(见图1)。
3.4.2 实时行人交通信息获取
利用经电子地图匹配后的无线定位数据,可获得行人的流量、地点速度,平均速度。
1)行人流量。行人流量是指单位时间内,通过道路某一点、某一断面的行人数量,常用单位为人/15 min。行人流量是对运动目标跟踪,获得进入目标区域的行人数量来获取的,公式为
式中:q为流量; N为数据采集间隔内的人数; T为数据统计采用的时间间隔。
2)步行速度。步行速度是指行人某一时刻的地点速度
式中:vi为采样间隔内第i个行人的地点速度;Δti为采样间隔内第i个行人通过前后采样点的时间差; D为前后采样点之间的距离。
3)平均速度。行人平均速度即为一段观测时间内,通过某区间道路的单位距离,设平面坐标依次为p0(x0,y0),p1(x1,y1),p2(x2,y2)…pq(xq,yq)…,总时间间隔为td=tq-t0,则通过手机数据推算行人路段平均速度为
式中:d为区间道路总位移; td为行人行走区间道路所费时间。
4 结束语
本文从行人的交通特性出发,分别介绍了行人的4种数据采集方法:人工采集法、视频采集法、GPS采集法和无线定位采集法。人工采集法简单易行,但不适宜进行长时间的采集,常用于短期行人交通信息的采集;视频采集法具有可重现、长时间数据采集的特点,随着图像识别技术的发展,行人视频采集技术具有广阔的发展前景;GPS数据采集方法对行人的启动过程和行进中的微观数据采集具有很好的效果,但不足之处是无法进行大样本的数据采集。重点介绍了无线定位采集法,无线定位采集法可以利用手机普及的优势开展大量行人数据调查,随着无线手机技术的发展,手机定位精度不太精确的劣势得到克服,行人无线定位数据采集是有着无限的运用前景。
摘要：从行人的交通特性出发,分别介绍人工采集法、视频采集法、GPS采集法和无线定位采集法等行人交通信息采集方法。详细分析无线定位采集法在行人交通信息采集中的运用,对研究行人交通具有重要意义。
关键词：行人交通,视频采集技术,GPS技术,无线定位
参考文献
[1]杨晓光,陈白磊,彭国雄.行人交通控制信号设置方法研究[J].中国公路学报,2001,14(1):73-76.
[2]陈然,董力耘.中国大都市行人交通特征的实测和初步分析[J].上海大学学报(自然科学版),2005,11(1):93-97.
[3]廖明军,李克平,王凯英,等.行人交通微观仿真研究综述[J].武汉理工大学学报(交通科学与工程版),2010,34(1):180-183.
[4]邵春福,李娟,赵熠,等.行人交通的视频检测方法综述[J].交通运输系统工程与信息,2008,8(4):23-28.
[5]何民.混合交通流微观仿真关键技术研究[D].北京:北京工业大学,2003.
[6]孙智勇,葛书芳,荣建,等.行人交通的数据采集方法研究[J].北京工业大学学报,2006,32(6):530-533.
[7]胡明伟.无线定位技术应用于实时交通信息采集研究[J].深圳大学学报(理工版),2007,24(3):246-250.
[8]范平志,邓平,刘林.蜂窝网无线定位[M].北京:电子工业出版社,2002.
[9]赵亦林.车辆定位与导航系统[M].谭国真,译.北京:电子工业出版社,1999.
交通量采集 篇2
项目名称：城市交通信息采集系统项目建议书** 申报单位：xxx 联系人：xxx 电话：xxxx 传真：xxxx 编写时间：xxxx 主管部门：xxxx
撰稿单位：郑州经略智成企业管理咨询有限公司
撰稿时间：2013年5月2日
第一部分 系统定义
一、杭州市城市交通信息采集系统构成
二、系统定义
第二部分 城市交通信息采集系统建设设置标准
一、城市交通信息采集系统设置标准相关定义
（一）关于设置的定义
（二）关于道路的定义
二、城市交通信息采集系统设置标准
（一）交通信号控制系统
（二）交通监视系统
（三）交通违法监测系统
（四）交通信息屏发布系统
（五）交通流视频检测系统
（六）行程时间检测系统（OD系统）
（七）停车诱导系统
（八）智能卡口系
第三部分 道路城市交通信息采集系统技术标准
一、SCATS信号控制系统
（一）系统构成
（二）功能要求
（三）主要设备技术指标
二、单点远程控制交通信号系统 第四部分 交通信息屏发布系统技术指标
一、系统构成
二、功能要求
三、主要设备技术指标 第五部分 交通流视频检测系统技术指标
一、系统构成二、功能要求
三、主要设备技术指导
四、中心平台
第六部分 行程时间检测系统（OD系统）技术指标
一、行程时间检测系统（OD系统）的标准模式
二、行程时间检测系统（OD系统）的标准结构和功能
三、行程时间检测系统（OD系统）的技术标准
四、行程时间检测系统（OD系统）主要设备性能指标 第七部分 停车诱导系统技术指标
一、系统组成二、功能要求
三、主要设备技术指标
四、中心平台.48 第八部分 智能卡口系统技术指标
一、智能卡口系统的标准模式
二、智能卡口系统的标准结构和功能
三、智能卡口系统的技术标准.四、智能卡口系统主要设备性能指标
第九部分 城市交通信息采集系统数据接口规范
一、交通违法监测系统接口.二、交通诱导系统中心平台.三、三、行程时间检测系统（OD系统）接口.1、外来黑名单接入
2、数据格式
3、数据流程
四、智能卡口系统接口.第十部分 交通违法监测系统技术指标
一、交通信号违法监测系统
（一）中心接入要求
（二）路口设备要求
二、违法超速行为监测系统.第十一部分 技术方案、设备方案和工程方案
（一）主要设备方案
（二）工程方案
（三）技术方案、生产工艺流程及装备水平
（四）项目招标内容
第十二部分 主要原材料供应、资源开发及综合利用分析
（一）主要原材料供应
（二）资源开发和利用方案
（三）资源节约措施
第十三部分 总图、运输与公用辅助工程
（一）总图布置
（二）场内外运输
（三）公用辅助工程 第十四部分 环境影响分析
（一）厂址环境条件和现状
（二）项目建设和生产对环境的影响
（三）环境保护措施方案
（四）环境保护投资
（五）环境影响评价 第十五部分 投资估算及资金筹措
（一）投资估算表
（二）资本金筹措
（三）债务资金筹措
（四）中请专项资金的主要原因和政策依据 第十六部分 财务分析及评价结论
（一）不确定性分析
交通量采集 篇3
智能交通系统 (Intelligent Transportation System, 简称ITS) 能够有效地发挥作用的一个重要基础和前提是及时准确地获取动态变化的交通信息。目前常用的方式有感应线圈、视频、GPS浮动车等, 相对于这些传统的采集技术, 利用车辆用户手机在移动通信网络中的定位信息来分析推算动态交通状况是一种新兴的动态交通探测技术[1,2]。该技术利用普通手机作为检测器, 同其它采集技术相比, 节约了大量的前期基础设施投入, 而随着手机普及率的增长, 也使得手机采集技术获取的交通信息能够得到更为广泛的应用。值得注意的是, 随着现代交通管理对实时交通信息质量与数量的需求, 使用单一类型的交通信息采集方式已经不能充分满足应用的需要, 多源交通信息融合在数据种类以及时空覆盖的互补性上逐渐吸引了人们的关注[3,4]。
文章采用两种交通信息采集方式, 即手机采集和车载GPS采集, 获取道路的交通状态信息。这两种采集方式均属于浮动车采集方式, 但是前者受环境的限制, 在某些情况下会对精度造成影响, 而后者存在空间覆盖范围较为局限的问题。为改善上述情况, 结合两种交通信息采集方式的优点, 本文引入Dempster-Shafer数据融合方法, 建立了道路交通状态的估计模型, 通过对两种采集方式的结果进行合理的分配、组合, 从而获取对交通状态更合理、更准确的认识。实地验证结果表明:相比于单一数据源来说, 该模型能够提供时空覆盖面更广, 精度更高的实时道路交通状态信息。
2 数据采集方式简介
交通信息的服务和应用旨在为社会公众提供满足出行所需的信息, 其中包括了道路交通的拥堵信息。交通状态是对道路交通拥堵情况的一种直观描述, 通常分为畅通、拥挤和阻塞三种情形, 在每种情形下, 道路交通具有不同的拥堵表现形式, 并通过交通参数反应出来。
不同出行者对道路交通拥堵程度的感受是不一样的, 从广义的角度上来说, 通常对道路交通拥堵情况的描述为:
畅通, 表示道路交通流处于自由流或者无阻碍状况, 交通流中的车辆操纵受到的阻碍不明显。
拥挤, 此时道路交通流量稍有增加就会引起延误的明显增大、行程速度的大幅下降, 交通流中的车辆操纵受到较大限制, 交通流的一些波动, 例如车辆插入或者变换车道等, 都会引起排队现象。
阻塞, 道路交通流中的车辆处于持续的排队状况。
2.1基于手机采集
利用手机移动通信网络中的定位信息来分析推算动态交通状况是一种新兴的广域动态交通探测技术, 该技术在覆盖范围和成本两方面都有着显著的优势。此类技术通常分为模糊定位和精确定位两种, 模糊定位的精度一般介于50到300米之间, 精确定位的精度可以达到5到30米。
基于手机的交通信息采集处理系统, 利用移动通信信令采集卡在GSM网络信息平台的相关接口上采集移动通信系统的交换机信令信息, 从中提取出含有手机位置信息的数据, 对提取的手机原始数据进行过滤、去噪、地图匹配等处理, 最后经过处理得到道路交通信息。
基于手机的交通信息采集处理技术的流程如图1所示:
2.2 基于车载GPS采集
车载GPS利用安装了GPS系统的行驶车辆, 获得车辆运行状态数据, 以反映实际道路的交通状态。GPS数据处理算法主要分为三个环节:GPS数据过滤、地图匹配、模型计算。首先, 原始GPS数据 (包含了每个上报GPS点的位置信息、角度、速度、车辆状态等信息) 和交通路网基础数据作为GPS算法的输入, 算法先要对原始GPS数据进行过滤处理, 滤除那些不满足后续处理需求的无效GPS数据。其次, 经过过滤处理后的GPS数据将被地图匹配算法匹配到现实的交通路网的具体路段、具体位置上, 这一环节是GPS数据处理算法的关键技术之一, 地图匹配的效率与精度直接决定了系统对路网交通状态判断的效率与准确性。最后, 算法将在经过地图匹配后的GPS点中, 挑选满足算法需要的样本, 进行路段行程时间和行程速度的计算。
基于车载GPS的交通信息采集技术的算法流程如图2所示。
3 基于DS融合方法的交通状态估计
信息融合, 或者又称为数据融合, 是一种多源信息的协调处理技术, 在不同的问题领域, 其实现方法、步骤和准则都不相同, 需要根据具体的系统来理解并提出相应的方法。其基本原理是充分利用不同的信息来源, 按照某种准则进行合理分配、组合, 以获取对被观测目标的更合理或者更准确的认识。
3.1 Dempster-Shafer证据推理方法
Dempster-Shafer证据推理方法 (简称DS方法) 是一种给予不确定性和未知因素更多关注的理论。其基本原理是Dempster合并法则:多个数据源可以根据自己定义的证据函数, 在同一识别框架下做出各自的判断, 并且可以通过一定的方法将合理的判断合并在一起。DS融合方法具有运算简便、可靠性高、实用性强的特点, 在交通数据融合中得到广泛的应用[5]。
DS方法中有4个基本概念, 即识别框架、证据函数、信任函数和似然函数, 分别定义如下:
识别框架:关于融合对象分类的所有互斥且完备的基本属性值空间, 记为: 的幂集合, 即的所有子集的集合记为U。F证据函数:, 具有性质:
证据函数: 具有性质: φ表示空集;
m () 的值表示赋予的信任程度。对证据函数的定义还没有一个通用的方法。
信任函数: 表示所有直接支持的信任程度之和。
似然函数: 表示所有不直接反对的信任程度之和。
假设两个数据源的可靠性都是一样的, 定义合并法则为:
DS输出的决策方法通常有两种, 即: (1) 最大信任函数法:融合的输出即为使得信任函数最大的Λi: 以及 (2) 最大似然函数法:融合的输出即为使得似然函数最大的Λi 两种方法任选其一即可。
3.2 交通状态融合技术
道路交通状态划分为拥堵、缓行和畅通三类, 因此定义其识别框架表示为:Ω- (1, 2, 3) 。其中数字1表示畅通, 2表示缓行, 3表示拥堵。计算证据函数的方法描述如下:对两个数据源, 通过比较各自的输出状态与实际状态 (通过实地观察获取) 得到各自的混淆矩阵:
其中 表示第k个数据源提供的交通状态为j, 而实际交通状态为i的个数。这样, 第k个数据源输出数据的总体精度可以通过下式给出:
第k个数据源输出第j种交通状态数据时, 推测该数据源输出状态为r, r=1, 2, 3的可信度, 即证据函数可以根据混淆矩阵定义:
在实际计算中, 要将各证据函数归一化, 即
然后根据Dempster合并法则, 即式 (1) 计算融合后的证据函数, 并计算信任函数Bel。最后比较信任函数, 融合的输出即为使得信任函数最大的那一个状态。
3.3 实证分析
挑选上海市徐汇区小木桥路上的三个路段作为分析路段, 即:清真路到斜土路、斜土路到零陵路和零陵路到中山南二路。计算混淆矩阵的数据采自于2009年7月15日早上8点整到11点20分和下午4点30分到5点40分的交通信息采集系统输出结果;验证模型的时间段为2009年7月16日早上10点16分到11点18分。
两个数据源的混淆矩阵如表1所示。
选取验证时间段内三个路段的GPS和手机交通状态数据作为融合的输入。根据表1中的混淆矩阵计算各数据源的归一化证据函数, 然后按照公式 (1) 进行融合, 最终输出结果如表2所示。
从表2中看出:在融合的时间段内, 路段1的融合输出避免了手机不可靠数据的干扰;路段2融合后的结果准确度比GPS结果高出19.36个百分点, 比手机结果高出6.46个百分点, 同时, 当其中一个数据源 (手机采集数据) 缺失时, 能够从另外一个数据源 (GPS采集) 获得可靠的数据进行补充, 从而保证了时空的覆盖率。路段3上的手机数据有很高的准确度, 而GPS数据的准确度却非常低, 但是融合后的结果并没有受到GPS数据源的影响, 仍然比手机数据的准确度高出了3.23个百分点, 提高了最终输出结果的精度。
4 结论
随着现代城市的高速发展, 人口和机动车的激增带来世界性的城市交通拥挤问题。ITS能够有效地利用现有交通设施改善交通环境、降低环境污染、提高交通安全、提高运输效率, 而交通智能化的前提则是交通信息化。在充分发挥现有交通信息采集技术工作能力的同时, 开发运用新型的交通信息检测技术, 并利用多源交通信息检测技术的互补性, 通过数据融合的方式对实时交通信息进行高效整合, 挖掘出更加有价值的实时交通状态信息似乎是一项可行的研究方向。
文章采用一种新兴的交通信息采集方式:基于手机的采集方式, 获取道路的交通信息, 利用Dempster-Shafer证据推理方法, 融合了GPS浮动车采集的交通数据, 提供覆盖面更广, 准确度更高的道路交通状态估计。挑选上海市徐汇区小木桥路上的三个路段进行估计模型的验证检验, 结果如表2所示, 从中可以看出:采用文中给出的方法, 保障了道路状态信息输出的准确度和覆盖度。
参考文献
[1]Qiu, Z., Cheng, P.and Ran, B..Investigatethe Feasibility of Traffic Speed EstimationUsing Cell Phones as Probes.InternationalJournal of Services Operations and Informatics, 2007, 2 (1) :53-64.
[2]Qiu, Z., Jin, J., Cheng, P.and Ran, B..State of the art and practice:Cellular ProbeTechnology Applied In Advanced TravelerInformation System, the 86th TransportationResearch Board Annual Meeting, WashingtonDC, USA, 2007.
[3]吴小俊, 曹奇英, 陈保香, 刘同明.基于Bayes估计和加权数据融合算法的交通量检测方法.系统工程理论与实践, 2000 (, 7) :45-48.
[4]任英伟, 陆键, 王海燕, 项乔君.交通量观测数据处理的模糊融合算法[J.]公路交通科技, Vol.23, 2006 (9) :85-89.
干线交通流量采集传感器布局研究 篇4
交通问题现在已经成为世界很多城市所面对的问题,很多研究者都投身到交通工程研究中,以寻求更好的交通方案来解决现在所面对的交通拥堵、交通事故频发的问题。同时,随着现代交通以及电子技术的发展,交通控制也得到了迅速地发展,已经由先前的手动控制系统转变为全自动的控制系统。此时为了提高交通控制的精度,以及对交通控制信号的很好配时和提高整个交通系统的运行效率,交通流量的采集就起着至关重要的作用。
对于交通流量的采集,早期人们是通过人工统计的方式进行的,通过对一时间段中经过路口的车辆数的统计,分析出交叉口车流量的大致规律,但是此种方式既耗费人力,又效率极低。于是人们就考虑了利用传感器来采集交通流量,如CCD摄像的采集、GPS探测器的采集、地感线圈的采集等等。这些传感器的采集提高了采集流量也提高了控制系统的精度,假如传感器布局合理,可以在提高整个交通控制系统性能的同时减少费用,从而提高交通控制的性能。在本文中是以地感线圈来研究传感器布局的。
1 干线中速度检测对传感器的布局影响
在干线交通中,交通流量采集传感器的布局合理与否决定着干线协调控制的实现。在干线中,为了对干线交通的信号配时,需要对干线的车流量q的采集,以及对车辆速度的检测。
由于在干线交通控制中,为了测量车辆的速度,要在车道的上游和下游都要考虑布置传感器。在此设干线两交叉口之间距离是L,车辆在直行的方向从启动到加速到匀速行驶一般会需要一段时间t的,同时,当车辆遇见红灯的时候也要减速行驶,也需要一段时间t,那么可知道要车辆出车子的行驶速度,在干线直行方向传感器的布置离交叉口必须要有一段距离S,可以通过经验统计值给出车辆的行驶速度v,同时设交叉口的宽度为d,那么可以得到加减速的路段距离S1为:
则有式(1)可知,要使传感器布置在干道的L-S1之内才能很好测量车辆的速度,同时布置在上游L-S1+d+s以内的干道中,如图1所示,在文献[1]中,一般情况下设置两个传感器之间的距离为5m左右,同时要使S>S1。
2 干线中传感器的可靠性处理
由于车流量较大,当布置传感器时就要考虑传感器的可靠性,如一个车道的传感器损坏时,对此车道的车流量就无法采集。而此时我们就可以通过先前对每个车道的车流量采集数据进行分析,得到每个车道上的传感器的利用率和车道上车流量之间的相似度,进而可以通过利用率和相似度来进行传感器之间的融合处理。
依据文献[5]中对路段上车辆的转向比研究结果分析,可知干线路段上的车流量,在一定时间中是有一定的转向比的,在此假定左转、直行、右转的转向比为n1:n2:n3,一般情况下n2会大于n1和n3,此时,交通干线上此三个方向上的车流量相对来说就有一定的比例关系。由此可以知道三个方向的车道上传感器利用率就有很大不同。
2.1 车道中传感器的利用率
在主干线上,根据实际经验及文献[5]中对实际交通流量采集得到的数据,并对转向比的分析,可知每个车道上的传感器使用次数相对于车道而言可以看作是一个分段函数,可以表示为如图2所示的情况。图中的纵坐标表示传感器在此车道上的平均使用次数,以此表示传感器的利用率。横坐标L表示车道分布,在O到L1是处在隔离带与左转车道之间,此距离一般很小,L1到L2之间是车辆左转的车道,L2到L3之间是车辆直行的车道,L3到L4之间表示车辆右转的车道。
本文考虑一个左转车道,两个直行车道,一个右转车道,由图可知:
(1)在O到L1之间靠近隔离带处,车辆一般很少经过,此处的传感器利用率Y近似为零。
(2)在L1和L2之间为一个左转的车道,相对于直行的车流量来说,左转的车流量不是很大,传感器的利用率也不是很高。
(3)对于行车的干线中央处也就是直行的两个车道L2到L3之间,由于车流量较大,传感器的平均利用率最高。
(4)L3和L4之间是一个右转的车道,因为在此交叉口处不管是遇见红灯还是绿灯,一般情况下此车道都是允许车辆通行的,相对而言此车道的车流量就比左转车流量大而小于直行道的车流量。在这种情况下,传感器的平均利用率就如图所示,比直行的低而比左转的要高。
由以上的讨论分析,可知干线车道与传感器利用率之间的关系,可以近似地用式(2)表示:
综合以上的讨论,并由式(2)可知,干线中在左转、直行和右转车道的交通流量采集传感器利用率是很大不同的,其中直行的车道上较大。因此直行方向上传感器损坏的可能性也相对较大,为保证传感器准确地采集车流量,就要对车道上车流量的相似度进行讨论。
2.2 车道之间交通流量的相似度
由2.1节的讨论,可知不同车道上传感器的利用率是有很大不同的,那么为了保证干线上车流量采集没有误差,在其中一车道上传感器损坏的情况下我们考虑是不是可以通过相邻的传感器得到的数据来近似地给出此车道上交通参数呢?此时我们就需要考虑车道之间的车流量的相似度。
对于本文中所讨论的干线车道,可表示如图3所示,图中,1表示左转的车道,2和3表示直行的车道,4表示右转的车道。为了得到车道之间的车流量的相似度,我们首先要对车流量进行检测,在此假设没有布置地感线圈之前,我们可先利用CCD摄像来采集交通流量。
对于干线,每天的交通流量一般情况下是保持在一定的范围,即可以表示为,于是我们可以采集一天的交通流量数据来进行估算。
由图1规定的车道,此时首先通过CCD摄像可以分别测出其在每一时间段中的三个车道的车流量。在此假设采集到车道1的车流量为Xi,车道2的车流量Yi,车道3的车流量为Zi,车道4的车流量为Wi其中i=1,2,…,n,n为所取的时间段数。那么可以分别求出这四个车道的车流量相似度为:ρ12、ρ13、ρ14、ρ23、ρ24、ρ34,此个相似度可表示为如下:
其中分别为三个车道的每个时间段的车流量的总和,E(X)、E(Y)、E(Z)、E(W)分别为X、Y、Z、W的数学期望,代表车道上车流量的平均值。E(XY)、E(XZ)、E(XW)、E(YZ)、E(YW)、E(ZW)分别为车流量两两乘积的期望,σX、σY、σZ、σW分别为四个车道上车流量的标准差,由此可以得到在不同车道上的车流量之间的相似度程度,为传感器可靠性分析和传感器融合提供前提。
2.3 干线传感器可靠性与布局的分析
由于干线上不同车道的传感器的利用率是不同的,那么在布局传感器时就要考虑当有传感器的损坏时,怎么对其进行处理。此时就要考虑布局传感器时,在利用率较高的车道上加强传感器可靠性处理技术,以提高检测的准确性。于是2.2节分析了通过CCD摄像得到车道上的交通流量的相似度,当其中车道上利用率高的传感器损坏时,可能传感器得到的数据是错误的。那么我们就可以通过车道车流量相似度,利用其他的车道上传感器采集的车流量来近似得出此车道上的车流量,即此车道上的车流量可表示为:
,其中i、j分别代表前文讨论的车道号(9)
由式(9)可知,此车道上的车流量是可以通过相似度表示为其余车道上的函数。这样,我们可以在布局传感器时多考虑直行道上的传感器的融合性处理,为保证整个布局传感器采集的可靠性,来降低误差,提高精度,可表示为如图4所示。
经过这种处理,可以近似推算出有传感器损坏的车道上交通车流量q1,同时对于车道上的其他一些参数的估计也可以近似地用此估计出来,确保了干线上传感器采集的可靠性。
3 交通流量采集传感器布局的总结
综合以上的讨论,分析传感器优化布局的整体思路可以描述为如图5所示,以此得到传感器的布局的合理性。并且在保证流量采集精确的情况下,最大限度地降低传感器布局的消耗。
4 结束语
本文依据现代交通的发展需求,以及交通控制的发展与改进,给出了干线交通中交通流量采集传感器优化布局的一些影响因素。首先在干线交通中,车道上的车速也是一个控制参数,为此要考虑合理布局传感器来测量车速度和加速度。然后考虑了提高传感器的可靠性,分析各车道车流量之间的相似度和传感器利用率,当流量采集传感器损坏时利用临近车道的传感器估计出此车道的车流量以及一些信号参数;最后由这些因素给出了传感器的合理布局整体思路。文章中对有些考虑因素的讨论可能还不是很全面合理,如传感器采集之间产生冲突交叉等会影响测量的准确性,这些都可归结对传感器融合处理的研究,同时对每种情况还需要具体做进一步研究验证,这些都还有待以后研究工作的深入。
摘要：交通流量采集传感器在交通控制中起着极其重要的作用,它是交通控制系统中控制参数采集的主要工具,它为干线协调控制提供基础数据,是决定交通信号控制精度的主要部件。本文通过对干线交通的研究,研究了干线交通中交通流量采集传感器布局。首先,讨论了干线中测速对传感器在车道上布局的影响。其次,考虑传感器的采集可靠性,给出了干线不同车道上车流量之间的相似度估算公式,讨论车道上传感器利用率的情况。最后给出了干线交通流量采集传感器的优化布局的整体思路。
关键词：交通控制,车道,相似度,利用率,可靠性,布局
参考文献
[1]Klein L A.Sensor technologies and data requirements for ITS[M].Arrech House Boston&London,2001.
[2]Washington D.C.Transportation Research Board.[C].76th Annual Meeting.1997.
[3]Ahmed S A,Hussain T M,Saadawi T N.Active and passive infrared sensors for vehicular traffic control[C]//IEEE44th Vehicular Technology Conference,New York,1994:1393-1397.
[4]Linauer M,Mrakotsky E.Method to generate floating car data for use in traffic telematics systems[C].Nagoya:11th World Congress on ITS.2004.
[5]尹宏宾,徐建闽.道路交通控制技术[M].广州:华南理工大学出版社.
[6]张航,田冬军,曾宪宝,等.城市道路交通检测器优化配置方法研究[J].武汉理工大学学报,2008,32(6):1161-1164.
[7]王树欣,伍湘彬.地感线圈在交通控制领域中的应用[J].电子世界,2005(8):48.
[8]伍建国,王峰.城市道路交通数据采集系统检测器优化布点研究[J].公路交通科技,2004(2):90-93,100.
[9]韦达利,陈锋,卞凯,等.基于数据融合的交通流量数据在线校正[J].中南大学学报(自然科学版),2009,40(S1):344-349.
交通量采集 篇5
随着移动互联网的迅猛发展,各种移动终端的普及率一直在攀升,而且功能日益丰富,他们都集成了丰富的硬件资源,如GPS模块,而手机APP的出现则扩展了这些硬件功能,譬如高德地图就利用了手机中的GPS资源实现了定位和路线规划等功能。
1 正文
本文提出一种基于车联网的交通信息采集系统,利用手机获取数据并发送到服务端进行处理,并且为用户提供实时交通引导信息。在手机端开发一款APP应用软件,利用高德地图API进行定位,将当前位置信息发送给服务器端,服务器端在汇总信息后进行数据的分析,进行用户行车路线的动态规划。同时可以动态提供交通信息,例如路况信息,公交车运行状态等。这样可以方便用户选择合理的出现方式及路线。本系统引入智能手机作为信息发送端和接收端,利用现有的城市交通控制中心作为服务器中心。
2 工作流程
车联网环境下通过车载手机实现对车辆信息的定位,通过对车辆信息与相应APP的绑定实现对车辆属性信息的获取,通过对联网车辆位置信息的分析得出路况信息,并反馈给联网车辆。
1)手机客户端
手机客户端利用现有的智能手机作为平台,利用他们自带的编程接口构建手机客户端。如苹果的IOS和谷歌的Android平台。编写相应的APP程序,实现客户端的搭建,手机端可以绑定用户车辆信息,可以将自己的位置信息发送给城市交通监测与信息服务中心,并获得反馈的交通信息。
2)服务器端
服务器端包含控制中心,运算分析中心,信息数据库,前台控制端以及web服务器。
控制中心负责系统逻辑,包括对用户的管理,对数据流的导向以及信息的发布。
运算分析中心主要负责对客户端传送来的信息进行分析计算,主要有地图的匹配,用户识别以及交通状态分析和预测等。由运算能力强劲的计算机组成。
路网数据库主要负责存储路况信息,包含当前路况信息和一段时间的历史信息,这些信息是运算分析中心分析和预测路况信息的主要依据。
前台控制端显示实时路况信息,以及进行一些人工操作。
Web服务器主要负责客户端和服务器端的通信,并完成用户的认证及管理。
3 关键技术
针对目前移动互联网以及车联网基本特征,对本文所涉及的系统进行分析和研究,所用到的关键技术有:
1)交通数据采集技术
利用移动互联网,对手机终端的GPS定位信息进行采集和处理。需要对手机的GPS定位模块进行开发。以Android手机为例来说明如何获取到GPS经纬度。
GPS是Android中重要的组成部分,通过它可以开发出许多与之相关的手机应用,高德地图就是其中一个。利用GPS进行定位,利用高德地图进行道路信息的获取,是本系统采用的主要信息采集方法。
2)地图匹配技术
利用高德地图的API进行开发,获取车辆行驶的当前路段,并根据交通控制中心返回的路况信息进行路线规划。
在本系统中使用了Android SDK进行当前位置的获取以及路线的动态规划。高德地图Android SDK是一套地图开发调用接口,供开发者在自己的Android应用中加入地图相关的功能。开发者可以轻松地开发出地图显示与操作、室内外一体化地图查看、兴趣点搜索、地理编码、离线地图等功能。
3)交通状态判别技术
交通判别的主要内容是准确掌握道路交通的运行现状,方便用户的出行和交通管理部门制定相应的解决办法,提高道路使用率和交通安全性。早起交通判别状态方法主要依靠人工进行,在道路上发现拥堵或者事故进行人为的疏散。在当时道路结构简单,交通流量小的情况下,人工方式可以解决交通问题。但随着车辆的增加和路网的不断扩大,交通拥堵和交通事故越来越多,传统的人工方式已经无法满足对交通状态的实时监控。
本系统在交通数据采集和地图匹配技术的基础上,对路网各个路段交通状态进行判别,获得各个路段的交通状态,并及时发布路况信息,方便用户出行。
4)行程所需时间预测技术
在整个基于移动互联网车联网的系统中,数据运行处理中心通过对采集到实时交通数据,通过手机APP和地图匹配,可以获得车辆在具体路段上行驶的交通状态、当前行驶速度和相应的历史速度信息。通过对某路段中使用GPS定位技术采集到的所有入网车辆的速度信息进行处理,可以得到该路段的平均速度,在与路段长度相结合可以得到路段的行程时间;根据各路段在相似交通状态下的历史平均速度,对请求引导服务的车辆在未来时刻在该路段的行驶时间进行预测。
5)交通实时引导技术
最优路径是交通引导技术的核心,利用采集到的交通数据,利用运算分析中心分析出各个路段的路况信息,对有拥堵现象的道路进行实时发布,根据路况信息实时调整地图匹配技术中的规划路线,有利于用户避开拥堵路段,减少出行时间并使得道路的交通流均衡化。在本系统中使用了高德地图的路径规划API,如果某路段发生车祸或其他因素导致交通拥堵,则服务器将会返回发生拥堵路段名称,并提供建议的规划路径。
交通引导技术主要是综合利用计算机网络、移动通信,高德地图,随时监测用户车辆的位置,根据实时交通状况,为用户提供最优路径。
4 系统设计与实现
针对用户对车联网信息的需求,对系统做了功能划分,分为服务器端和手机客户端两部分,如图2所示,服务器端功能可以分为数据接收和数据处理、交通状态信息查询模块、动态交通信息推送模块,用户数据管理模块和历史数据查询模块。
数据接收和数据处理模块:服务器的核心部分,负责GP定位数据的处理,地图匹配、交通状态判别、行程时间预测和最优路径计算技术。
交通信息查询:用户在出行前利用手机客户端向服务器端询问特定道路的路况信息。
动态信息推送模块:对于道路发生紧急事故等信息进行动态推送,方便用户避开出事路段。
用户数据管理模块:对入网用户进行管理,对离线用户及时处理,实现用户的动态管理。
历史数据查询:对交通状态,交通引导信息的历史查询。
客户端的功能模块包括了位置获取模块、通信模块、动态信息提醒模块。具体结构如图3所示。
其中位置信息获取模块利用GPS定位和高德地图API获取当前位置及路段信息,并通过通信模块传递给服务器,通信模块的通信模式以http为主,以TCP为辅,与服务器保持高速稳定的网络连接,服务器可以推送实时路况信息给客户端的动态信息提醒模块。
5 总结
车联网是当前缓解城市交通压力,促进城市交通协调运作的有效手段,本文在车联网基础上提出一种可以实现动态交通提醒,动态规划行车路径的系统,使得车路实现一体化,对车辆网的发展具有重大意义。
参考文献
[1]刘小洋,伍民友.车联网:物联网在城市交通网络中的应用[J].计算机应用,2012(4):900-904.
[2]武晓钊.车联网技术体系与产业链分析[J].中国流通经济,2012(8):47-52.
[3]王群,钱焕延.车联网体系结构及感知层关键技术研究[J].电信科学,2012(12):1-9.
[4]王建强,吴辰文,李晓军.车联网架构与关键技术研究[J].微计算机信息,2011(4):156-158+130.
[5]诸彤宇,王家川,陈智宏.车联网技术初探[J].公路交通科技(应用技术版),2011(5):266-268.
[6]须超,王新红,刘富强.车联网网络架构与媒质接入机制研究[J].中兴通讯技术,2011(3):16-20.
[7]程刚,郭达.车联网现状与发展研究[J].移动通信,2011(17):23-26.
[8]王建强,李世威,曾俊伟.车联网发展模式探析[J].计算机技术与发展,2011(12):235-238.
[9]段宗涛,康军,唐蕾,樊娜,刘研,代记婷.车联网大数据环境下的交通信息服务协同体系[J].长安大学学报(自然科学版),2014(2):108-114.
交通量采集 篇6
交通事故是由人、车、路之间发生的冲突所引起的事件。所有交通事故的发生都处在一定的道路位置,这是交通事故案件区别于其他刑事案件的重要特征。交通事故现场留有大量、真实的事故证据,是判定事故发生过程、分析事故成因、认定事故责任的基础。
由于道路交通日益繁忙,事故现场情况复杂,不可能长时间的封闭现场。在短时间内进行现场勘查存在较大困难。目前,国内交通事故现场信息采集系统性的研究处于起步状态,有的是从定位的角度提出了现场的测量方法[1]。雅典科技大学(NTUA)Maria博士在2006年基于Leica HDS2500系统对事故现场信息做过系统性的研究[2]。新西兰奥塔哥大学Chris Hyslop运用Rigl LMS Z210系统从事故调查的角度进行进行比较研究[4]。
交通事故现场3D激光扫描技术是运用激光扫描仪对事故现场进行三维扫描,对事故现场的三维扫描图像进行分析研究,通过现场扫描图像采集事故现场数据。由于现场三维扫描所需的时间短,现场所有的信息可以记录在扫描的图像上,对事故现场勘查有着重要的作用。
1 三维激光扫描系统的原理
采用激光进行高精度的定位、测量已经有30多年的历史。随着相关技术的发展,使得激光扫描技术成为现实。激光扫描的过程,实际上就是一个不断地进行数据采集和处理的过程。通过具有一定分辨率的点(坐标x,y,z)与激光扫描设备构成一个坐标系。
通过激光扫描仪的测角和测距从而计算出测点的三维坐标(x,y,z),见图1所示。
图中P点为地面扫描点,O点为扫描仪中心位置。
地面三维激光扫描仪通过数据采集获得测距观测值S,时钟编码控制器同步实时的测量出每个激光脉冲的横向扫描角度观测值α和纵向扫描观测值θ。扫描仪在内部坐系统内,计算出P点的三维坐标。
激光扫描仪通过对扫描对象的点对点的扫描,实时高速的计算出被扫描点的三维坐标,被扫描的每个点组成点云图。通过对点云图的分析处理就可以采集被扫描对象的数据信息。
2 系统的构成和特点
2.1 系统构成
激光扫描系统主要由3部分组成:发射与接收、控制与处理系统。
发射与接受系统的主要功能是发射和接收激光束。一个激光脉冲发射体在触发脉冲的作用下,激光发出一个极窄的高速激光脉冲,通过扫描镜的转动射向被扫描点,同时,激光信号被取样而得到激光主波脉冲。扫描系统的扫描镜收集被测点发射回的激光回波信号并将其转变为电信号。控制系统主要功能是通过内置驱动电机精确控制扫描镜的转动,使得激光束沿着横轴方向和纵轴方向快速扫描。处理系统的功能是根据目标测距的时间延时与扫描镜的横、纵向角度计算出目标点的三维坐标。处理系统还可以根据点云图输出扫描场景的信息。
2.2 系统特点
三维激光扫描系统是一种非接触式主动测量系统,可以进行大面积高密度三维数据采集。具有点位测量精度高、采集空间点的密度大、速度快、不需要建立控制点就可以建立模型的特点。三维激光影像数据可以提供首次回波脉冲和尾次回波脉冲测量数据,同时也融合了激光反射强度和物体色彩等信息,为扫描目标的分析提供了进一步的研究内容。三维扫描获得的数据点云图可以建立高精度的数字现场模型。通过对建立模型的分析,采集事故现场的信息。
图2、3分别为事故现场扫描和由扫描数据生成的平面图。
目前无棱镜反射激光扫描的射程已经达到1 500 m,测距精度达到毫米级,完全符合事故现场勘查的精度要求。
3 事故现场的应用
交通事故现场扫描有4个步骤,①是确定事故现场的测量范围;②是进行现场扫描生成点云图;③是进行场景拼接;④是进行三维建模。
3.1 现场扫描范围确定
事故现场的范围不仅仅是车辆碰撞的区域,还应包括车辆在事故形成过程中的痕迹以及物证的区域。例如,在车辆制动的过程中留下的制动痕迹。这类印迹往往距离较长,在确定扫描范围的过程中应包括在内。
对于事故现场范围不大,可以以伤亡人员和车辆以及各种痕迹比较集中的点为中心向外扩展,由中心向外推进。
对于事故现场范围较大,各种现场痕迹比较分散的现场,为了防止远处痕迹被破坏,应从周围向中心,由外向内进行扫描。
对于造成重特大伤亡的事故现场,可以从事故起点向终点进行分段扫描还或从容易被破坏的位置开始进行扫描。
3.2 现场点云图
点云图是在扫描范围内对目标实施逐点测距、测角, 所有测量点组成的集合。图4为车辆轮胎地面痕迹点云图。
点云图中包含的信息有:激光束的水平角度和垂直角度,根据脉冲传播时间技术得到的扫描原点到被扫描点的距离,扫描点的反射强度。根据扫描得到的角度和距离可以计算出扫描点的三维坐标。根据反射强度可以匹配扫描点的颜色。
3.3 三维建模
三维建模是通过软件提供的坐标登记功能,将各测站测得的点云图数据组成一个完整的点云模型。利用自动分段处理功能、抽取功能、模型构造功能,将事故现场细节模型化,最终完成事故现场三维建模。
根据事故现场扫描的点云图建立三维地面数字模型,将事故现场的场景再现。通过对现场三维模型的分析,提取事故现场的相关信息。
事故现场模型是使用DEM的数据表达,DEM数据由有规则的格网或不规则的三角形TIN组成,规则的格网模型结构适合进行空间结构分析应用,但是其采样点规则分布,造成此类DEM的数据冗余量很大,当对格网DEM进行重新采样时,会造成地面模型失真,TIN模型能够保留地面的特征点,可以防止数据重新采样时造成的失真,所以TIN模型更适合与事故现场建模。
TIN建模的关键是,那3个离散的数据点构成一个最佳的三角形,并使得每个离散采样点均成为三角形定点。
在二维数据建模中,道路地面属于线状数据,由一系列连续的点组成,在三维数据建模中要将其转换成面状数据。实现的方法为:以线上点为中心,以一定宽度为半径,在点的两侧插入新的数据点,组成新的数据点集,其点集为道路的面状点集。在产生新的数据点的同时,采用逐点插入法构建Delaunay三角网。当勘测现场较大或需多方位勘测时, 可移动扫描仪实施另一场景的场景扫描,移站重扫时应注意相邻两扫描范围间应有一定重叠, 并尽量包括场景特征点, 以便系统现场景的无缝拼接。场景拼接是利用相邻2个场景,以相邻2场景的重叠部分共有的特征点为控制点,拼接成为一幅更大范围的现场。
场景拼接实际问题就是把不同坐标系场景转换到一个坐标系下。不同空间直角坐标系中,需要解决坐标转换的参数共有7个:3个平移参数,3个旋转参数以及1个尺度参数。拼接规划坐标系的方法有3种:配对方式、全局方式和绝对方式。配对方式和全局方式都是以某一幅场景扫描图的坐标系为基准,其他扫描场景的坐标系都转换规划到该场景扫描图的坐标系下。这2种方式的特点是:场景重叠区域内的控制点的坐标值在扫描前是未知的。绝对方式的拼接,其中控制点的坐标值是已知的,在处理扫描数据时,所有的坐标系都规划到控制点的坐标系中。在以绝对方式拼接的过程中不需要2幅扫描的区域内有重叠的部分。
4 结 论
提高扫描精度是事故现场应用的关键。事故现场特征明显的信息,如车辆、树木、交通安全设施等,在扫描过程中可以明确判断。但事故现场中的微量物证,如玻璃碎片、轻微的刹车痕迹等,在扫描精度较低的情况下,判断识别存在困难,还需要进一步的研究开发。随着信息技术、图像技术的发展,通过事故现场图像处理采集信息应成为事故现场勘查技术的发展方向。
摘要：论述了道路交通事故现场三维扫描技术的原理,针对三维扫描中存在的问题提出改进意见。在吸取国外道路交通事故现场三维扫描的基础上,结合我国道路交通的实际情况,对运用三维扫描技术现场采集交通事故信息的方法进行探讨。
关键词：道路,事故,交通安全,三维扫描
参考文献
[1]郑德华,雷伟刚.地面三维激光扫描技术[J].铁路航测,2003(2):26-28
[2]陈宪冬.基于VRS的交通事故现场三维激光扫描系统研究[J].测绘科学,2006,31(6):153-155
[3]Vassilios Pagounis Maria Tsakiri,Spridon Palaskas,et al.3D Laser Scanning For Road Safety and Acci-dent Rconstraction[D].Shaping the Change XXXIIIFIG Congress Munich:Germany,2006
交通量采集 篇7
1.1 振动与声波
由于声音产生于物体的振动, 没有振动就没有声音, 声音的传播主要是在某种弹性介质中的一种振荡传播过程。常规介质的基本类型有3种:①气体, 通常为空气 (空气传声) ;②液体, 通常指水;③固体。本文研究的汽车行驶噪声在空气中传播, 而其引起的地面振动信号则是固体传声。声音产生于振动, 但不是所有的振动产生的声音都能听见, 因为人耳能到的声音频率范围为20～20 000 Hz, 低于20 Hz的声波为次声波, 高于20 000 Hz的声波为超声波。振动发声的物体称为“声源”, 实际声源的形状是多种多样的, 要想从数学上严格求解不规则声源产生的声场是十分困难的, 因此, 在理论上处理时往往理想化, 当观察点与声源距离很远时, 或声源尺寸远小于波长时, 可按点声源处理问题[2]。
1.2 交通噪声
交通噪声是指运载工具运行时产生的噪声, 由行驶的汽车所产生的这种综合的声辐射称为汽车噪声。在工程研究中将汽车噪声分为车内噪声和车外噪声。汽车的噪声分为发动机噪声、电器系统噪声和底盘噪声等。对于行驶中的汽车、发动机噪声、轮胎噪声和空气动力噪声表现比较明显, 在干燥的路面上行驶的车辆由中速变到高速过程中, 车速每增加1倍, 轮胎噪声增加6～12 dB。空气动力噪声是车辆行驶时由于局部气流分离而产生的, 在车速小于100 km/h时, 空气动力噪声不是很明显;当车速超过100 km/h时其影响越来越显著, 且其随车速增加的趋势比轮胎噪声快[3]。
2 交通流数据采集原理
2.1 声强表述方法
声波引起空气质点的振动, 使大气压产生迅速的起伏, 产生的压强称为声压。平时听到的最弱的声音声压为2×10-5 Pa, 最强声音的声压为20 Pa。为计算方便, 且符合人耳听觉分辨能力的灵敏度要求, 将最弱的声音 (2×10-5 Pa) 到最强的声音 (20 Pa) 按对数方式分成等级, 作为衡量声音大小的常用单位, 有声压P的声压级LP=20lg (P/Po) , 从此, 将声压信号转化为声压级Lp描述声强。
2.2 数据采集系统
为采集与分析车辆的声学信号特征, 必须设计数据采集系统。以汽车噪声分析为基础, 设计数据采集系统。系统采用元件是商品化元件, 在满足研究需求的基础上降低实验室搭建费用, 节约系统构建时间。
2.2.1 硬件部分
系统的硬件部分包括杭州爱华有限公司的AWA14423型传声器与一台便携式笔记本电脑相连接, 两台便携式DV录像机。
2.2.2 软件部分
本系统软件包括:①AvantLite动态信号分析系统, 如图1所示。这是一套基于DSP的高精度动态信号分析系统, 主要由数据实时处理箱和运行在计算机的基于Windows的应用软件两部分组成。数据实时处理箱负责数据采集和实时分析, 包括信号采集、抽取、滤波、实时分析、信号源输出等。基于Windows的应用软件主要完成用户测试设置、操作命令、信号及数据的显示和存储等工作, 两部分通过USB电缆相接, 实现相互间的高速数据通讯。②基于声强的交通流分析系统。系统使用VISUAL STUDIO 2005编制, 程序在Framework 2.0或以上版本运行。将传声器测得的声音通过AvantLite动态信号分析系统, 进行数据记录和分析。图2为在750 Hz的频率下记录90 112个数据, 然后, 将数据导入该系统进行声音和交通状态分析。先将数据转换成声压级, 由于数据较多, 采用每50个点位为一组, 分别取其最大值。波峰选择时, 采用降噪滤波处理方法:①采用多点取降噪算法, 获取一条含有高脉冲的由始至终平稳曲线数组;②根据一定的频宽得出波峰曲线数组;③将数组进行运算, 得出最终的所需波峰曲线数组, 排除背景噪声干扰, 符合条件的波峰数即为通过的车辆数, 最后根据α=|QAi-QBi|/ QAi计算差值比为交通状态判定提供依据。
3 数据采集方案及交通状态分析
3.1检测点位置
检测点应该选择在城市快速路或高速公路中间路段上, 车辆运行为随机达到, 车流密度较小, 检测点离车行道的路沿2～5 m处, 检测器的安装位置一般距地面1.2 m处, 与车辆的质心高度基本相同, 具体设置方式见图3。若在高速公路上, 则可设置在中央分隔带并通过一定的技术对反方向的声强信息进行屏蔽。由于进出口处均有收费站或其他办公人员, 对于附近出现的交通非正常状况很容易观察, 而对于中间路段, 可根据具体需求情况, 一般每隔800～1 000 m设置一个检测器。
3.2背景噪声修正
背景噪声会对实际测量噪声级产生影响, 应从测得的总噪声中减去。在测量之前, 对背景噪声单独做检测, 并与所欲测量声源的噪声进行比较。如果两者差值大于10 dB, 背景噪声对噪声源测量的影响可以忽略。通过测量得出道路上背景噪声与欲测量声源的噪声差值大于10 dB, 背景噪声对噪声源测量的影响可以忽略。
3.3数据采集分析
1) 测量基本情况。虽然, 本系统设计主要适用高速公路中间路段, 但考虑到试验进行的具体条件和安全问题, 试验选择了一条城市快速路。①测量时间:2009-12-12T9:00～9:30, 采样总时间30 min, 取样间隔时间2 min, 天气晴朗。②测量地点:浙江师范大学东大门迎宾路。
2) 测量数据处理。同时, 采集监测点A与监测点B的数据, 两监测点相距200 m, 通过AvantLite动态信号分析系统在750 Hz的频率下记录所有声强的数据各90 112个, 将其导入基于声强的交通流分析系统, 以第一组数据为例, 将检测点B数据导入文件1, 将检测点A数据导入文件2, 如图4所示。然后点击计算差值比。
将15组数据分别进行分析, 得到以下数据, 如表1所示。其中, Ai为监测点A的数据, Bi为监测点B的数据。
3.4 交通状态分析
由于道路上交通流的复杂性, 在路网中车流运行状态随着时间的变化而时刻改变。在运行过程中, 用正常、拥挤和消散3 个状态简单描述。通常采用车流的排队队长L 、平均排队延误D、速度的变化率Δv 等指标反映车流拥挤和消散过程。这些指标在一定程度上确实反映出车流的运行状态, 但不能快速地反映出交通的瞬息变化[4,5]。
由于城市交通拥挤现象的复杂性, 必须对拥挤行为的特征变量进行深入分析, 才能提出及时、准确、可靠性高的自动检测方法。本方法主要针对城市快速路网中典型的两交叉口之间的路段, 结合交通流的时间和空间分布规律, 考虑交通拥挤条件下车流的运行特征, 以流量差值的检测指标为基础, 通过理论推导和统计分析, 构建出适当的拥挤判别指标, 从而实现对拥挤事件的自动检测, 为交通管理部门提供及时、准确的决策依据[6]。本方法以路段两相邻点数据融合, 通过计算差值比α确定该路段的交通状态, 根据实际交通情况将交通流划分为4个状态, 如表2所示。由于实际检测路段的α<0.5, 则判定该路段在检测时间段内交通流状态为正常, 未拥挤。
4 结束语
交通流特征参数的检测数据是交通管理部门制定管理规则、采取措施和对交通设施进行规划、设计的。使交通流特征参数检测成为高速公路智能交通系统的关键技术。本文通过声强数据处理分析, 构建数据采集系统, 提出交通流状态判定方法, 可供城市快速路和高速公路交通管理部门参考和借鉴。交通流特征参数声学检测技术是典型的多学科交叉研究项目, 涉及诸多学科知识, 还可有以下改进空间:应对汽车噪声信号产生机理和传播特性进行深入研究, 本文研究的噪声信号是作为点目标产生的信号, 实际上噪声应该是来自车辆不同位置, 包含车型分类的信息。
参考文献
[1]姜桂艳, 温慧敏, 杨兆升.高速公路交通事件自动检测系统与算法设计[J].交通运输工程学报, 2001, 1 (1) :77-81.
[2]马大猷.噪声与振动控制手册[M], 1版.北京:机械工业出版社, 2002, 9:18-24, 102-108, 222-226.
[3]洪宗辉.环境噪声控制工程[M].北京:高等教育出版社, 2002.
[4]庄斌, 杨晓光, 李克平.道路交通拥挤事件判别准则与检测算法[J].中国公路学报:自然科学版, 2006, 19 (3) :82-87.
[5]邓卫, 李峻利.高速公路常发性与偶发性交通拥挤的判别[J].东南大学学报:自然科学版, 1994, 24 (2) :60-65.
交通量采集 篇8
交通信息采集是智能交通系统 (ITS) 得以顺利实施的基础。与其他检测技术相比, 视频技术最显著的优点是具有丰富的信息量, 因此为复杂检测任务的执行、为细粒度交通信息的获取提供了可能[1]。背景差分法是最常用、最有效的交通视频处理模式, 而背景估计正是背景差分法的基础和核心环节。
常用的背景估计方法有统计学模型[2,3]、卡尔曼滤波法[4]、混合高斯分布模型[5,6]等。统计学模型中最常用的方法为序列均值法[3], 该方法将运动对象的像素纳入背景估计, 存在一定的偏差, 适用于背景大部分时间未被遮挡的情况, 即交通占有率很低的情况。基于卡尔曼滤波的背景估计模型能够适应光线均匀、有序的变化, 文献[4]对其进行研究和应用。卡尔曼滤波法在光线不稳定的情况下难以建立有效的状态转移矩阵, 对于目标像素常被遮挡 (如交通繁忙时) 的情况也难以适应。基于混合高斯分布的背景估计模型可以很好地适应光线的变化, 对于缓慢移动的目标有较好的鲁棒性, 但该方法对每个像素点都需要用相应的模型来描述, 每个模型由多个高斯函数加权得到, 因此模型的建立、参数的确定相当困难, 算法的时空复杂度很高, 对照明突变 (如在公路隧道中) 的应变能力较弱。
背景估计是视频交通信息采集领域的研究热点, 近年来有大量的新方法被提出来, 但目前仍没有一种被普遍接受的方法。在这种情况下, 本文综合考察现有方法的优缺点, 并充分考虑算法的实时性, 提出一种基于单高斯分布假设、图像分块处理、利用帧差法进行样本选取的混合模型对图像背景进行快速估计。
1 方法描述
1.1 像素亮度高斯分布假设
高斯分布满足自然界的许多现象, 文献[5,6]等认为混合高斯分布符合像素亮度值分布的特点。多高斯混合分布的缺陷是模型参数获取困难, 样本需求量大, 不能满足实时交通信息采集的要求。有鉴于此, 本文在前期研究成果[7]的基础上提出了如下模型假设:在主照明光源没有明显变化, 且无遮挡的时间段内, 数字图像上任意像素点的亮度值满足单高斯分布, 即:
式中:p (x) 为像素取某个亮度值x的概率;标准差σ>0, 最大概率
由上述假设可知, 若无遮挡, 要获取背景图像某像素点在一段时间内的真实值, 可用数学期望E (N (μ, σ2) ) 来表示, 此时的方法与序列均值法[3]一致。但是实际道路常常会被车辆遮挡, 单高斯分布假设并不存在, 此时若直接按照此方法进行计算, 误差将会很大。
为了处理干扰信息, 认为车辆对背景上某像素点的遮挡为随机干扰, 由于车辆本身颜色、反射度等光学特征的差异, 这些随机干扰一般不构成单一的高斯分布。记车辆遮挡下背景像素的亮度概率函数为:
那么, 对于车道上任意点的像素, 其亮度值概率函数可描述为:
式中:O为系数, 对应交通工程中的占有率指标。一般来说, O越小, 数学期望方法估计出来的结果越接近于真实值。因此, 在进行样本采集时, 尽量不采用像素点被遮挡的图像。
采用数学期望作为估计值的做法将干扰信息纳入背景值中, 而若采用最大后验法, 则可有效避免这种情况的发生, 此时的背景估计模型为:
式 (4) 成立的前提是“真实背景值出现概率最大”的情况不被遮挡像素所改变。当观测时间内车辆遮挡的情况较少时, 即占有率O较小时 (极端情况下当O=0时式 (3) 等于式 (1) ) , 式 (4) 亦能够成立。
但是, 当经过的车辆大部分与路面的颜色、反射度等光学特性相近时, 此时可能会稍微改变
在以上分析的基础上, 综合考虑光源突变时 (如隧道照明改变、多云天气等情况) 能够实时更新背景, 最终的算法如下:
式中:a为累加器;T为最大累加次数;D为亮度突变阈值;t为第t次进行背景图像获取;t从0开始取值,
1.2 基于帧差法的样本分块选取
在求取
假如将图像 (高H、宽W) 平均划分为r行、c列, 那么共有r×c个分块, 任意像素 (x, y) 所属的区域为
式中:WLS为
1.3 算法流程
在以上分析的基础上, 可得到一种快速的、融合了高斯分布模型和帧差样本选取的背景估计方法, 其流程如图2所示。其中图像输入按照一定的采样间隔来进行, 常用的频率有25帧/s, 为了降低算法的复杂度, 也可以设为10～15帧/s;图像分块数量与具体的道路环境有关, 一般取40～70比较适宜;统计样本数直接决定了背景估计的效果, 为同时兼顾精度和速度2个指标, 一般取30～50个比较适合。
图2中, 获得最新的图像背景后, 清空样本集继续进行图像采集。背景图像根据一定的周期不停地进行更新, 因此算法对于环境变化的适应能力较强。
2 实 验
实验地点为广州市广园东快速路, 分别对白天和夜间的交通场景进行背景估计, 采用文献[3]所介绍的序列均值法、文献[10]所介绍的多颜色模型法以及本文提出的样本选择高斯估计模型分别进行实验, 结果如图3所示。
采用本文方法时, 背景更新间隔是5 s, 背景估计所采用的样本数为30个。
实验结果表明, 序列均值法、本文方法均能在10 s内获取图像背景, 而多颜色模型法需要约25 s才能做到。对于白天的背景图像估计, 序列均值法受运动车辆的影响较大;对于夜间的背景图像估计, 序列均值法、多颜色模型法均在一定程度上受到车头灯照明的干扰, 所估计的背景图像存在块状亮斑。
3 结束语
笔者提出了一种基于单高斯分布假设, 图像分块处理, 利用帧差法进行样本选取的背景图像混合估计方法。单高斯估计模型符合像素在无遮挡情况下的亮度分布特性, 与现有多数方法相比该模型参数简单, 算法的实时性好;为了提高单高斯估计模型的应用效果, 对图像进行帧差分块选取, 从而提高了样本的纯度, 削弱了运动物体和噪声对于像素分布的影响。实际道路环境下通过与序列均值法、多颜色模型法进行实验比较, 证明了所提出的方法的正确性和有效性。
摘要：为适应交通环境多变情况下实时交通信息采集的要求, 提出一种快速高效的背景估计方法。该方法以单高斯估计模型为基础, 参数简单, 算法实时性好;在采集样本时通过帧差法对图像进行分块选取, 从而保证了样本的纯度, 有效地削弱了运动物体和噪声对于背景估计的影响。通过实际道路环境下多种方法的实验比较, 证明所提出的方法的正确性和有效性。
关键词：智能交通系统,交通信息采集,图像处理,背景估计,高斯分布
参考文献
[1]林培群.道路交通参数及交通事件智能检测关键技术研究[D].广州:华南理工大学, 2008
[2]Triantafyllidis G A, Tzovaras D, Strintzis M G.Occlusion and visible background andforeground ar-eas in stereo:a bayesian approach[J].IEEE Trans-actions on Circuits and Systems for Video Technolo-gy, 2000, 10 (4) :563-575
[3]Jung Y K.Ho Y S.Traffic parameter extraction u-sing video-based vehicle tracking[C]//.Proceedingsof IEEE International Conference on IntelligentTransportation Systems, 1999:764-769
[4]Copeland B R, Chen M, Wade B D, et al.A Noise-driven strategy for background esti mation and eventsetection in data streams[J].Signal Processing, 2006, 12 (86) :3 739-3 751
[5]李全民, 张运楚.自适应混合高斯背景模型的改进[J].计算机应用, 2007, 27 (8) :2 014-2 017
[6]Bailo G, Bariani M, Ijas P, et al.Background esti-mation with gaussian distributionfor i mage segmen-tation, a fast approach[C]//.Proceedings of IEEEInternational Workshop on Measurement Systemsfor Homeland Security, 2005:2-5
[7]Lin P Q, Xu J M, Bian J Y.Robust vehicle detec-tion in vision systems based on fast wavelet trans-form and texture analysis[C]//.Proceedings ofIEEE International Conference on Automation andLogistics, 2007:2 958-2 963
[8]Lucke R L, Stocker A D.Filteringinterpolators forframe differencing signal processors[J].IEEETransactions on Signal Processing, 1993, 41 (8) :2574-2 582
[9]Tanaka K, Saji H.Vehicle extraction from aeriali mages using voting process and frame matching[C]//Proceedings of IEEE Intelligent VehiclesSymposium, 2007:433-437
【交通量采集】推荐阅读：
交通信息采集方法05-10
交通数据采集10-08
交通流数据采集06-03
交通与交通拥挤06-22
交通量分析05-20
交通量分布06-07
交通计量与交通经济07-07
公路交通量预测07-25
交通规划交通站点设置06-08
山东交通学院交通工程08-14