一種基于軌跡數據的交叉口交通流特性分析及車輛運動預測方法
【專利摘要】本發明公開了一種基于軌跡數據的交叉口交通流特性分析及車輛運動預測方法，屬于智能交通系統及交通流參數采集【技術領域】。本發明從車輛原始軌跡的空間瞬態分析入手，從不同角度描述和分析軌跡的局部幾何特征，形成基于車輛原始粗糙運動軌跡的多層次譜聚類處理框架，自動提取和分析軌跡數據所包含的交叉口多種交通流向模式。以此為基礎，本發明可以獲取交叉口分相位(信號控制交叉口)交通流量以及各運動方向車輛經過交叉口的行程時間等詳細交通特性參數，以此作為傳統交通數據的重要補充。本發明通過跟蹤當前時刻的所有運動車輛的行程軌跡，采用交通流向軌跡模式匹配的方法預測車輛的下一步行為，有助于實時預警交叉口可能存在的安全風險。
【專利說明】一種基于軌跡數據的交叉口交通流特性分析及車輛運動預 測方法

【技術領域】
[0001] 本發明屬于智能交通系統（機器視覺和圖像處理）及交通流參數采集【技術領域】， 具體涉及一種基于車輛原始粗糙軌跡數據的交叉口交通流特性分析及車輛運動預測方法。

【背景技術】
[0002] 道路交叉口是城市道路系統的重要組成部分。針對交叉口交通流運行特性的實測 與分析無疑具有重要的理論及實際意義，它將為交叉口通行能力、延誤與服務水平分析，交 叉口渠化設計與交通組織優化，以及交叉口控制管理應用等提供重要的理論基礎（X.Li,X. Li,D.Tang,X.Xu.Derivingfeaturesoftrafficflowaroundanintersectionfrom trajectoriesofvehicles[C]. 18thInternationalConferenceonGeoinformatics,B eijing，2010:1-5)。同時，隨著當前城市道路交通量的大幅增加，交通違法行為問題日益突 出，道路交叉口秩序往往非常混亂，成為道路交通事故多發地。因此針對交叉口行車安全問 題，必須加強對城市道路車輛運動預測方法的研宄，以備能夠進一步完成車輛安全預警任 務。
[0003] 當前，隨著交通需求的日益增長和交通控制的需要，多種傳感器被廣泛應用于交 通狀態檢測。相比于現場人工測試與地感線圈檢測器等以間接方式記錄車輛的傳統交 通流采集技術，視頻車輛檢測與監控設備以直接的方式來記錄車輛的流動性，能夠詳細 記錄交叉口眾多車輛的運行過程及相互影響。通過交通視頻處理技術所采集的車輛運 動原始軌跡數據，無疑是一項重要的基礎數據源（z.Fu,W.Hu,T.Tan.Similaritybased vehicletrajectoryclusteringandanomalydetection[C].IEEEInternational ConferenceonImageProcessing. 2005, 2:602-605)(X.Li,ff.Hu,ff.Hu.Acoarse-t〇-fine strategyforvehiclemotiontrajectoryclustering[C].Proceedingsofthe18th InternationalConferenceonPatternRecognition. 2006, 1:591-594)。針對特定的 交通環境，傳統軌跡聚類方法假設已經存在或者可以輕易得到無誤差且無間斷的運動物 體軌跡(B.T.Morris,Μ.M.Trivedi.Asurveyofvision-basedtrajectorylearning andanalysisforsurveillance[J].IEEETrans,onCircuitsandSystemsfor VideoTechnology. 2008, 18 (8) : 1114-1127) (S.Atev,G.Miller,N.P.Papanikolopoulos. Clusteringofvehicletrajectories[J].IEEETrans,onIntelligentTransportation Systems. 2010, 11 (3) :674-657)。由于交通環境本身的復雜性，在處理真實視頻流的過程 中，車輛檢測和跟蹤算法的可靠性相對較低，這將導致車輛運動軌跡結果存在一系列嚴重 問題，例如碎片、跟蹤中斷以及誤匹配等。因此，人們往往通過人工校正來改善軌跡質量。然 而由于以下兩點原因使得通過人工校正變得不可能：（1)隨著交通視頻數據的急劇增加， 人工校正非常耗費時間，完全采用人工校正來保證數據質量將會變得不可能；（2)通過人 工操作難以避免引入所不期望的人工偏差。綜上所述，目前的工作更多地依靠非常耗時的 人工校正，從而很難獲得大規模高質量交叉口車輛運動軌跡數據，最終導致不具備開展交 叉口交通流運行特性實測分析及車輛運動預測工作的條件。


【發明內容】

[0004] 本發明將車輛運動軌跡應用于交通參數檢測的研宄，所要解決的根本問題是在沒 有人工校正的情況下，直接從原始粗糙（低質量）的車輛軌跡跟蹤數據中魯棒地發現交叉 口內在交通流模式。基于視頻車輛實測軌跡數據聚類分析獲得的交通流向模式，可以對 道路交叉口交通環境進行識別并加強理解，最終清楚描述交叉口車輛運動模式及車輛通 行的真實行程。為了解決很難獲得大規模高質量交叉口車輛運動軌跡數據的問題，本發 明以局部魯棒特征提取理論為基礎，提出了一種采用分析軌跡微觀幾何特征的分析方法 (S.Huet,E.Karatekin,V.S.Tran,I.Fanget,S.Cribier,J.Henry.Analysisoftransient behaviorincomplextrajectories:applicationtosecretoryvesicledynamics[J]. BiophysicalJournal. 2006, 91 (9) :3542-3559) (J.A.Helmuth,C.J.Burckhardt,P. Koumoutsakos,U.F.Greber,I.F.Sbalzarini.Anovelsupervisedtrajectory segmentationalgorithmidentifiesdistincttypesofhumanadenovirusmotionin hostcells[J]·JournalofStructuralBiology. 2007, 159 (3): 347-358)，從不同角度描 述和分析軌跡的局部幾何特征，直接針對粗糙原始軌跡數據進行處理，提出了一套通用的 基于車輛原始粗糙運動軌跡的多層次譜聚類處理框架，自動提取和分析（數據挖掘）軌跡 數據所包含的交叉口多種交通流向模式。
[0005] 一種基于軌跡數據的交叉口交通流特性分析及車輛運動預測方法，其特征在于， 包括如下步驟：
[0006] 步驟1:基于運動跟蹤的交叉口車輛運動原始粗糙軌跡獲取，建立交叉口大規模 車輛運動軌跡數據集合；
[0007] 步驟I. 1 :交叉口車輛運動原始軌跡采集
[0008] 采用OpenCV中基于圖像塊的跟蹤方法，自動提取交叉口運動車輛原始軌跡數據， 并表示為車輛運動點序列T:
[0009]T= {t"t2,…，h，…，tj
[0010] = {(x1；Y1), (x2,j2),···, (xi；Yi), ···, (xn,yn)}
[0011] 及軌跡步序列S:
[0012] S= {s"s2,…，s"…，sj
[0013] = {(δX1,δyi)，…，（δχ"δyi)，…，（δXirf,δyj}
[0014]其中，h=(χi,y)表示運動車輛第i個采樣點中心的位置，Si= (δχδyi)= (Xw-XpywIi)表示相鄰采樣點中心的偏差，η表示車輛軌跡所包含采樣點的總數；
[0015] 步驟1.2 :原始車輛運動軌跡預處理
[0016] 針對每條軌跡進行如下的平滑處理：（1)考慮到樣本噪聲，如果點之間的距離足 夠小，就將連續的點合并在一起并由第一個點來代替；（2)徹底刪除長度小于預定義閾值 的短軌跡；（3)采用均值濾波進行平滑處理，以便保留原始結構本質特征（實驗中選擇平滑 步數w= 7):
[0017]

【權利要求】
1. 一種基于軌跡數據的交叉口交通流特性分析及車輛運動預測方法，其特征在于，包 括如下步驟： 步驟1:基于運動跟蹤的交叉口車輛運動原始粗糙軌跡獲取，建立交叉口大規模車輛 運動軌跡數據集合； 步驟1.1:交叉口車輛運動原始軌跡采集 采用OpenCV中基于圖像塊的跟蹤方法，自動提取交叉口運動車輛原始軌跡數據，并表 示為車輛運動點序列T: T=It1,t2，…，tp…，tn} -{(Xpy^)，（x2，y2)，".，（Xi，y"i)，".，（xn，yn)} 及軌跡步序列S: S {Si，Sg，--?，Si，--?，Sn-I} ={( 8X1, 8Y1), --?, ( 8Xi, 8Yi), --?, ( 8Xn^1, 8yn_j)} 其中，h=(xi，y)表示運動車輛第i個采樣點中心的位置，Si= ( 5xi，5 yi)= (Xw-Xi,yi+1-yi)表示相鄰采樣點中心的偏差，n表示車輛軌跡所包含采樣點的總數； 步驟1. 2 :原始車輛運動軌跡預處理 針對每條軌跡進行如下的平滑處理：（1)考慮到樣本噪聲，如果點之間的距離足夠小， 就將連續的點合并在一起并由第一個點來代替；（2)徹底刪除長度小于預定義閾值的短軌 跡；（3)采用均值濾波進行平滑處理，以便保留原始結構本質特征（實驗中選擇平滑步數w =7)：
步驟2 :基于車輛原始粗糙軌跡多層譜聚類的交叉口車輛運動模式學習 步驟2. 1 :多層次軌跡特征提取 本發明分別使用直線度與彎曲度、軌跡方向直方圖和中心三種特征來綜合表達軌跡的 局部特征； 所述的直線度和彎曲度是指車輛運行方向平均變化的度量，設ai表示第si與第Si+1 步之間的方向角度變化，同時設向左變化為正方向； 直線度定義如下：
所述的軌跡方向直方圖TDH是一種新型的描述軌跡方向的特征表達方法。首先，按以 下方法計算軌跡中第j個點的方向角0j:
其中，要求（Clxj)Mdyj)2辛O且0jG[-31，+ 31)，然后，將區間[-31，+ 3T)均勻劃分為N個大小相等的方向子區間，并將同一條軌跡中的所有點按照方向角的不同映射到相應的 方向子區間中，最后，根據所有方向子區間中點的總數M來歸一化每個子區間中點的數目Mi 為A=MiZU以此得到方向分布直方圖，軌跡方向直方圖描述了軌跡方向的統計學特征，可 以表示如下： P3=TDH=OpivIv1Jn) 所述的中心指每條軌跡經過平滑處理后的中心點位置：
步驟2. 2 :譜聚類及多層次距離度量 采用基于隨機漫步理論的譜聚類實現方法，給定數據集X= (X1,X2，…，xn)，貝Ij: Wij=exp(_dist(Xi，XjO/2 〇 2) 其中，dist(Xi，Xj)為距離度量，〇為標準方差，譜聚類的關聯矩陣P是由矩陣W和對 角矩陣D轉化得出，計算方法如下： P=D-l72WD-172 其中，對角矩陣D D-diag(D11，...，Dii，...，Djj，...，D麗） 中的元素Dii表示相似度矩陣中第i列元素的求和，而針對P求解其所對應的 特征系統特征值及特征向量就可以完成譜聚類； 針對不同層次譜聚類的需要，本發明根據不同的軌跡特征計算以上公式中的距離矩陣dist(Xi，\)，在第一層和第三層采用歐幾里得距離，方法如下： E(i,j) =IIqi-QjII2 其中，1和qj分別表示第i條和第j條軌跡的特征，在第二層采用計算巴氏距離，方法 如下：
其中TDHil^PTDHjb分別表示第i條和第j條軌跡的相應TDH中的第b個元素； 步驟3 :交叉口交通流特性分析與運動預測 步驟3. 1 :子軌跡表示 本發明采用抽頭延遲線結構，將每條長度不一樣以及點數不同的車輛運動軌跡表示為 多個固定長度I的子軌跡，利用抽頭延遲線結構，通過復制I個連續采樣點，并且每次前 移一位的方式來創建子軌跡，I是一個預定義參數，考慮原始軌跡的穩定描述與低運算量 之間的一個折衷，該值定義如下：
其中，L是軌跡數據集的平均長度，Imin是軌跡數據集的最小長度； 步驟3. 2 :交通流特性分析 不同的車輛運動模式表明一輛駛近交叉口的車輛在經過交叉口時的真實行程，包括它 們所到達的交叉口上游路段以及具體轉向，右轉彎、直行、左轉彎； 交叉口分流向的交通流量采用每種車輛運動聚類中車輛軌跡的總數來表示，由于在所 有的車輛模式下時間信息都是一致的，因此車輛穿過交叉口的平均轉彎時間可以通過子軌 跡表示法計算得到，針對不同轉彎類型的平均轉彎時間可以表示為子軌跡弧長的直方圖； 步驟3. 3 :運動預測 給定部分運動軌跡Tp，本發明使用k近鄰算法（k-NN)將其歸入到12個軌跡類集合K。 內最普遍的運動模式，k-NN中的相似性度量按照歐幾里得距離來定義，方法如下：
將當前車輛行駛軌跡Tp與各種運動模式的相應軌跡子類進行比較，計算車輛將來可能 的運動軌跡概率P。：
通過選擇具有最大概率的軌跡類型來預測當前運動車輛將來可能出現的運動趨勢，同 時完成交叉口當前所有車輛運動趨勢的預測，實現交叉口車輛運動安全預警。
【文檔編號】G08G1/01GK104504897SQ201410505847
【公開日】2015年4月8日 申請日期:2014年9月28日 優先權日:2014年9月28日
【發明者】辛樂, 任建強, 陳陽舟 申請人:北京工業大學