本發明涉及一種能夠全自動在線檢測并定位道路交通事件的方法，屬于監測技術領域。

背景技術：

道路出現交通事故、車輛拋錨或物品撒落等交通事件時，交通流的演化特性往往與正常交通狀態時出現較大差異，其演化連續性往往會被打破。如果不能及時準確地發現并定位這些事件，則會導致上游路段的大面積擁堵甚至二次事故的發生。人工報警方式是目前應用最多的方式，但是存在報警時間長、地點定位精度低的明顯缺點。雖然近年來手機定位等技術在電話報警中的引入明顯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費的時間，但是這種報警方式容易受到事件所致的設備損毀、人員傷亡等因素的影響，在很多情況下會大大延誤事故救援和事件處理的及時性。另外，如果基于該報警信息向上游車輛進行警告和交通疏導信息的發布，信息的中轉延遲時間也會較長。如果能夠充分利用道路上布設的監控攝像機及時發現交通事件并準確定位出事件點的具體位置，然后自動將信息傳送給交通管理中心并同時通過可變信息板及車輛協同設備等把事件點的精確信息廣播給上游車輛，則必將有利于交通事件的及時救援和處理、交通疏導信息及時發布以及二次事故的有效預防，以及為車聯網、人車路協同及未來無人駕駛技術提供有力支持。

技術實現要素：

本發明的目的在于針對現有技術之弊端，提供一種交通事件檢測與定位方法，為交通事件的及時發現和處理以及二次事故的預防提供有力支持。

本發明所述問題是以下述技術方案實現的：

一種交通事件檢測與定位方法，所述方法首先以車道為單位按照一定的時間間隔進行換道特征參數的統計，然后在計算車道的原屬車輛換出率的基礎上，采用閾值法判斷車道內是否發生了交通事件，對于被判定為發生了交通事件的車道，將車輛變道的換入點和換出點分別視為正樣本和負樣本，通過計算兩類樣本的最優分類面來實現事件點位置的精確計算。

上述交通事件檢測與定位方法，所述方法包括以下步驟：

a.對每條車道均按一定時間間隔記錄其換道點數據；

b.基于車輛換出率的交通事件檢測

①原屬車輛換出率的計算

計算當前車道i在當前時段j內的原屬車輛換出率rco(i,j)：

式中，n(i,j)為當前車道i在當前時段j內的原屬車輛數，nco(i,j)為原屬車輛中在監測路段范圍內換出本車道的車輛數；

②交通事件的判定

當前車道i在當前時段j內是否發生了交通事件的判斷公式如下：

式中，τ為判定閾值，f(i,j)為二值判定結果，f(i,j)＝0表示無交通事件發生，f(i,j)＝1表示有交通事件發生；

c.基于換道點分類的交通事件定位

對于被判定為發生了交通事件的車道，將車輛變道的換入點和換出點分別視為正樣本和負樣本，計算兩類樣本的多個最優分類面w0，記錄最小分類面w0min和最大分類面w0max，則交通事件點的位置w通過下式計算得到：

上述交通事件檢測與定位方法，兩類樣本的最優分類面的計算方法如下：

①定義判定函數如下：

g(x)＝x-w0

式中，x為樣本的空間坐標；

②引入一個準則函數j(w)：

式中，c1和c0分別為當前時段內收集的換道點正樣本集和負樣本集；

③采用搜索策略來搜索兩類樣本的最優分類面w0：

迭代搜索公式為：

w(k+1)＝w(k)+ρkd(j(w(k)))

式中，ρk為修正系數；d(j(w(k)))為動態修正量，是關于j(w(k))的某種函數值。

上述交通事件檢測與定位方法，迭代搜索公式中，迭代初值w(1)、修正系數ρk和動態修正量d(j(w(k)))的選定方案可有多種，其中一種方案如下：

(w(1)＝wmin)∧(ρk＞0)∧(d(j(w(k)))＝1)。

上述交通事件檢測與定位方法，所述準則函數j(w)也可以是：

式中，為被當前w錯分的樣本子集，為中的樣本個數。

本發明把事件點定位問題創新性地轉化為換道點的樣本分類問題，從換道特性分析的角度解決了交通事件的精確定位問題，具有檢測時間短、定位精度高、信息傳輸速度快等優點，可為交通事件的及時發現和處理以及二次事故的預防提供有力支持。

此外，本發明采用的算法不但適用于基于視頻的交通監控系統，也適用于基于激光雷達或未來可能出現的任何能夠獲取車輛換道信息的交通監控技術系統，算法具有較高的實用性。

附圖說明

圖1(a)-圖1(b)是車輛換道及換道點分布特性，其中圖1(a)為無交通事件影響的換道點分布特性；圖1(b)為有交通事件影響的換道點分布特性；

圖2本方法所述方法的流程框圖；

圖3(a)-圖3(b)為準則函數示意圖，其中圖3(a)為理想情況下的w-j(w)關系；圖3(b)為實際情況下的w-j(w)關系；

圖4(a)-圖4(g)為采用準則函數(10.1)時各時段的事件點定位結果，其中，圖4(a)為時段4的事件點定位結果；圖4(b)為時段5的事件點定位結果；圖4(c)為時段6的事件點定位結果；圖4(d)為時段7的事件點定位結果；圖4(e)為時段8的事件點定位結果；圖4(f)為時段9的事件點定位結果；圖4(g)為時段10的事件點定位結果；

圖5(a)-圖5(g)是采用準則函數(10.2)時各時段的事件點定位結果，其中，圖5(a)為時段4的事件點定位結果；圖5(b)為時段5的事件點定位結果；圖5(c)為時段6的事件點定位結果；圖5(d)為時段7的事件點定位結果；圖5(e)為時段8的事件點定位結果；圖5(f)為時段9的事件點定位結果；圖5(g)為時段10的事件點定位結果；

圖6采用基于準則函數(10.1)的改進算法時各時段的事件點定位結果，其中，圖6(a)為時段4的事件點定位結果；圖6(b)為時段5的事件點定位結果；圖6(c)為時段6的事件點定位結果；圖6(d)為時段7的事件點定位結果；圖6(e)為時段8的事件點定位結果；圖6(f)為時段9的事件點定位結果；圖6(g)為時段10的事件點定位結果。

文中各符號分別表示為：rco(i,j)表示當前車道i在當前時段j內的原屬車輛換出率，n(i,j)為當前車道i在當前時段j內的原屬車輛數，nco(i,j)為原屬車輛中在監測路段范圍內換出本車道的車輛數，τ為判定閾值，f(i,j)為二值判定結果，g(x)為判定函數，c1和c0分別為當前時段內收集的換道點正樣本集和負樣本集，w0為最優分類面，w0min為最小分類面，w0max為最大分類面，w為交通事件點的位置，j(w)為準則函數，為被當前w錯分的樣本子集，為中的樣本個數，ρk為修正系數；d(j(w(k)))為動態修正量，是關于j(w(k))的某種函數值。

具體實施方式

下面結合附圖對本發明作進一步詳述。

本發明在對交通事故、車輛拋錨或物品撒落等車道局部擁塞型交通事件影響下的車輛換道統計特性進行詳細分析的基礎上，提取了在有/無交通事件影響下具有顯著差異的兩種換道統計特征，然后充分利用這兩種特征提出了一種路段交通事件的檢測和定位新方法。

當交通事故、車輛拋錨及物品撒落等車道局部阻塞型交通事件在一個多車道監控路段的某條車道上發生時，該車道上游車輛會被迫換入相鄰車道以便繞開事件點繼續前行，很多車輛在繞過事件點行駛到下游位置時又重新疏散回原來車道行駛。基于分析及實驗，以車道為單位，提取如下兩個換道特征來有效實現交通事件的檢測與定位：

(1)車道的原屬車輛換出率異常升高。所謂車道的原屬車輛是與半途換入本車道的車輛對應而言的概念，是指從監控路段上游邊界處駛入本車道行駛的車輛。當一條車道內有交通事件發生時，由于車輛被迫換道繞行而使得該車道的原屬車輛換出率比無交通事件條件下顯著升高。同時，對于事件車道的相鄰車道而言，雖然對其所有車輛進行統計得到的換出率也會升高，但升高的原因主要是由于事件車道的車輛在繞過事件點后重新換回原車道而造成，其原屬車輛的換出率明顯低于事件車道。方法基于這一特性有效實現交通事件的檢測。

(2)交通事件影響下的換道點空間分布特性與無交通事件影響時的分布特性具有明顯差異。該分布特性主要表現在道路方向上。為便于觀察和分析，采用如圖1(a)和圖1(b)所示的換道點分布時空圖來描述這一特性。圖中，橫軸(t-坐標軸)為時間軸，縱軸(x-坐標軸)為空間軸。時空圖中的和“×”分別為換入點(當某一車輛駛離原車道并換入新車道時，車輛軌跡線與車道分割線的交點稱為新車道的一個換入點)和換出點(當某一車輛換出原車道并進入相鄰車道時，車輛軌跡線與車道邊界分割線的交點稱為原車道的一個換出點)的時空坐標點，并且各個時空點的空間坐標(x-坐標)值為對應的換道點與監控路段區域上游邊界的道路方向空間距離。需要指出的是，在不加特殊聲明的情況下，后面提到的換入點和換出點指的是它們在時空圖中的時空坐標點。在正常交通條件下，車輛的換道行為具有偶發性、換道點的分布具有分散性和隨機性，如圖1(a)所示。然而，當車道內發生了交通事件造成車道擁塞時，如圖1(b)所示，事件點上游的換出點和事件點下游的換入點都會顯著增加，并且事件點及其上下游附近一段距離內沒有車輛換入/換出、不存在任何換道點，從而形成一個換入/換出空白區域，后面稱之為“決策區”。

如果我們將換入點和換出點分別看做正樣本和負樣本，雖然事件點上游車道區域可能存在少量的負樣本(主要包括隨機換道點和干擾點等)、下游區域也同樣可能存在少量的正樣本，但是絕大多數的正樣本都集中在下游、絕大多數的負樣本都集中在上游，并且交通事件點恰好形成這兩類樣本的分布分界點，如圖1(b)所示。因此，把交通事件定位問題轉化為換道點的兩類分類問題，更詳細地說，轉化為換入點和換出點的最優分類面的求解問題，很好地實現了事件點位置的精確計算。實際應用中，我們只需考慮換道點在時空圖中的空間分布，也就是說，該兩類分類問題的樣本空間本質上為一維空間。

基于上述兩個換道特征，本發明所述的事件點檢測和定位算法流程如圖2所示。具體實施方法如下：對監控路段內的每一條車道，均采用第一個特征判斷車道內是否發生了交通事件；進而，對有事件發生的車道應用第二個特征定位出事件點的精確位置。下面分三部分進行闡述：(1)交通場景自動標定。作為后繼步驟的基礎，該模塊主要包括路段監控區域和車道位置的提取及標定；(2)各車道換道信息的提取。監控系統工作過程中該模塊始終循環執行。首先，通過車輛檢測與跟蹤技術來獲取車輛的軌跡時空信息，然后提取換道車輛并記錄其換道點的時間和空間信息；(3)對各條車道進行事件點檢測與定位。該模塊以一定的時間間隔運行，其主要思想如下：每經過一定的時間間隔，對每條車道分別計算其在當前時段內的原屬車輛換出率并采用閾值法判斷車道內是否發生交通事件。當某車道被判定為事件車道后，算法將該時段內該車道的換入點和換出點分別作為正樣本和負樣本，通過求解這兩類樣本的最優分類面來確定事件點的具體位置。

1基于車輛換出率的交通事件檢測

如上所述，對每條車道均按一定時間間隔記錄其換道點數據，并判斷該車道在當前時段內是否發生交通事件。

1.1原屬車輛換出率的計算

以rco(i,j)表示當前車道i在當前時段j內的原屬車輛換出率，其具體計算方法如下：

式中，n(i,j)為當前車道i在當前時段j內的原屬車輛數，nco(i,j)為原屬車輛中在監測路段范圍內換出本車道的車輛數。當n(i,j)＝0時，rco(i,j)將被設置為-1，

1.2交通事件的判定

采用閾值法根據上述求得的原屬車道換出率來判定當前車道在當前時段內是否發生了交通事件，判斷公式如下：

式中，i為車道號，j為時段號，τ為判定閾值，f(i,j)為二值判定結果(0表示無交通事件發生、1表示有交通事件發生)。

當rco(i,j)的值為-1時，表示該車道在當前時段內無原屬車輛通過，此時無法根據當前時段內的數據判定車道內是否有交通事件發生。在這種情況下，算法按無交通事件處理。

2基于換道點分類的交通事件定位

在某時段內，當檢測到某車道內發生了交通事件時，方法將立即由該時段開始根據換道點的統計數據進行事件點定位。

2.1理想條件下的交通事件定位模型

如上所述，我們將事件點定位問題轉化為一個兩類分類問題，即正樣本(換入點)和負樣本(換出點)在一維樣本空間中的最優分類面(點)的求解問題。對任意時段，定義判定函數如下：

g(x)＝x-w0(3)

式中，x為樣本的空間坐標，w0為決策權重。

在忽略隨機換道點和干擾點樣本的理想條件下，換道點的兩類分類問題為線性可分問題，判定規則可表示為：

式中，c1和c0分別為當前時段內收集的換道點正樣本集和負樣本集。

則分類決策面方程為：

g(x)＝x-w0＝0(5)

因此，在忽略隨機換道點和干擾點的前提下，最優分類面的求解過程實質上就是求解能使所有樣本都滿足公式(4)(即都被正確分類)的w0的過程。由圖1(b)可見，決策區內的任何x都可被選做最優分類面w0，也就是說，對于本發明二分類問題，存在多個最優分類面w0，這些分類面構成了決策區[w0min,w0max]。文獻及實驗表明，交通事件點的位置(此處表示為w)基本位于決策區的中間位置，可通過下式計算得到：

通過引入一個準則函數j(w)并采用搜索策略來實現最優決策面求解。j(w)的w-j(w)函數關系示意圖如圖3(a)所示。使得j(w)取極小值的任何w解均可作為最優決策面。迭代搜索公式如下：

w(k+1)＝w(k)+ρkd(j(w(k)))(7)

式中，ρk為修正系數；d(j(w(k)))為動態修正量，是關于j(w(k))的某種函數值。根據d(j(w(k)))的具體形式，可構造不同的迭代算法來計算準則函數的極小值，進而可確定最優決策面w0使得所有樣本都被正確分類：

w0＝w|j(w)＝0(8)

然后，由所有w0確定出決策區[w0min,w0max]并根據公式(6)計算出交通事件點的具體位置。

2.2實際條件下的交通事件定位模型

在實際問題中，樣本集中的隨機換道點和干擾點樣本不可忽略。因此，w-j(w)實際映射關系并非如圖3(a)，而是如圖3(b)所示。如果仍采用(8)式來確定最優決策面，則迭代過程會因為發生震蕩而無法終止。因此，將迭代算法的終止條件放寬，用式(9)代替式(8)來搜索最優分類面w0：

在最優分類面的搜索過程中，記錄滿足條件的最小和最大分類面w0min和w0max，進而代入公式(6)完成交通事件點的精確定位。

2.3應用過程中關鍵因素的確定

在實際應用中，基于上述分類模型進行事件點定位時，要事先根據具體應用場合來確定兩個關鍵因素：(1)準則函數j(w)；(2)具體的迭代算法。

(1)準則函數j(w)的選定。給出如下兩種簡單易用的準則函數方案：

式中，為被當前w錯分的樣本子集，為中的樣本個數，sgn(x)為如下二值函數：

式中，c1和c0分別為當前時段內收集的換道點正樣本集和負樣本集。

準則函數(10.1)是從錯分樣本數量最小化角度設計，其含義簡單直觀。準則函數(10.2)則是從錯分樣本到分類面的距離之和最小化角度出發，是常規模式分類中常用的方法。當樣本集里不存在隨機換道點和干擾點樣本時，兩函數均能達到理想的效果。然而對于實際的事件點定位問題，準則函數(10.2)容易受到干擾點的影響，函數(10.1)更加有效，我們將在實驗部分中對二者性能進行詳細的對比分析。

(2)具體迭代算法的確定。該問題主要包括迭代初值w(1)的選定、修正系數ρk和動態修正量d(j(w(k)))的確定，本文給出一種有效方案如下：

(w(1)＝wmin)∧(ρk＞0)∧(d(j(w(k)))＝1)(12)

進而，迭代搜索過程如下：

上述迭代算法實質上是一種全局增量搜索策略并且采用的搜索步長為1米。在實際工程中，還可根據實際需求采用其他搜索策略。

實施效果

以一次車輛拋錨事件的600秒素材為例介紹本發明的實施效果。該事件自素材的第200秒時發生，事件點位置的人工測量數據為距離其所在車道監控區域上游邊界起始點356米處。分別采用(10.1)和(10.2)兩種準則函數進行本發明算法進行測試。圖4和圖5分別給出了采用這兩種準則函數進行事件點定位時的各個時段詳細數據。事件在素材的第4時段發生并被檢測到，定位程序由此時段開始啟動。可以看出，準則函數(10.1)的定位性能明顯優于(10.2)，并且相對而言(10.1)通過最小化錯分樣本數來尋優分類面的思想更加直觀。

分析可見，噪聲點對定位精度的影響不可忽略，但這種影響會隨著有效樣本數量的增加而削弱。因此，如果將準則函數中的取為檢測到事件后一直到現在的所有時段樣本集內被錯分的樣本數，則必將有助于提高算法性能。基于該思想，我們對準則函數及搜索算法進行了改造，通過時段積分方法快速實現新意義下的各個時段值。在此，把修改前的算法稱為“原始算法”、修改后的算法稱為“改進算法”。以準則函數(10.1)對應的改進算法為例，各時段的定位結果如圖6所示。與圖4對比可見，各時段因噪聲干擾而引起的定位結果的波動得到了有效抑制。綜合分析可見，本發明算法高效實用。