[发明专利]基于视频监控数据的信号灯交叉路口排队长度估计方法

说明书

一种基于视频监控数据的信号灯交叉路口排队长度估计方法，监控视频来自于交叉路口的监控摄像头；监控视频经过处理返回监控范围内的车辆信息；利用一个信号周期内获取的车辆信息来学习所设计的车辆跟驰模型的参数，学习后的跟驰模型重建车辆在视频范围外的行驶轨迹，通过分析一个信号周期内的所有车辆在所调查路段上的轨迹从而估计出排队长度超出视频监控范围时随时间的演变过程。本发明有效地降低了累计误差在信号周期间的传播，提高了排队长度估计的准确性。

技术领域

本发明涉及交通信息估计领域，具体地，涉及一种基于视频监控数据的信号灯交叉路口排队长度估计方法。

背景技术

交通拥堵已成为城市交通网络中一个日益严重的问题，而有信号灯交叉路口的排队长度对交通性能指标和信号优化都至关重要。因此，准确估计排队长度对于缓解交通拥堵、提高交叉路口通行效率具有重要意义。

作为智能交通系统的重要组成部分，近年来，随着检测手段的提升，排队长度估计得到了飞速发展。目前，基于不同的交通传感器，如环路检测器和移动传感器，排队长度估计都有相应的研究。环路检测器通常提供总体水平的交通信息(例如交通流和密度)，通过把这些信息与交通流理论结合来估计队列长度。但是，环路检测器的覆盖范围有限，并且无法捕获车辆级别的信息(例如行驶时间和轨迹)。与环路检测器相比，车载传感器能够提供车辆级信息，覆盖范围相对较大。然而，车载传感器的渗透率较低，在实际应用中存在一定的局限性。对于环路探测器和移动传感器，安装和维护都会产生较高的额外成本。

监控摄像头具有成本低、方便安装的优点，而且在智能交通系统中得到了广泛的应用。现有的利用监控摄像机估计排队长度的方法可分为基于图像的方法和基于视频的方法。基于图像的方法通过提取车牌号和时间戳等断面数据，推断出行驶时间，然后估计排队长度。然而，这种方法只是把监控摄像头作为其他交通传感器的替代品，摄像头的独特功能并未得到充分利用。与图像相比，视频可以同时记录多个车辆的运动，从而可以从视频中获取相邻车辆的相互作用，并通过车辆跟驰模型进行学习。但是，目前基于视频的方法通常是通过对车辆的识别和跟踪将车辆分为运动车辆和静止车辆。通过分析静止车辆的位置，可以估计视频中的排队长度。然而，由于监控摄像头的安装高度和拍摄范围的限制，无法检测到超出监控摄像的监控范围的排队车辆，因此无法估计此时的排队长度。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种基于视频监控数据的信号灯交叉路口排队长度估计方法，该方法利用监控视频提供的车辆信息重建车辆在视频范围外的轨迹，估算出排队长度超出视频监控范围时的演变过程。

本发明是通过以下技术方案实现的。

一种基于视频监控数据的信号灯交叉路口排队长度估计方法，其特点在于，所述方法包括以下步骤：

S1，收集视频监控范围内每辆车的车辆类型、车牌号和轨迹，建立数据库；

S2，设计三层神经网络模型，将每个信号灯周期的相关特征作为输入进行训练，用训练好的模型判断前一个周期是否有残余队列滞留到当前周期；

S3，以下游车辆的离开时间作为基准对车辆进行编号，利用上下游车牌号可以匹配的车辆的上游到达时间和序号建立高斯过程模型，从下游获取不匹配车辆的序号作为高斯过程模型的输入，得到此车辆最有可能的上游到达时间；

S4，把当前周期视频监控范围内每辆车的车辆轨迹划分为车辆从驶入监控范围到停车加入队列的轨迹以及车辆开始从队列中行驶到驶出监控范围的轨迹，利用所有车辆划分后的轨迹分别学习所设计车辆跟驰模型的参数，从而重建车辆在视频范围外的轨迹；

S5，利用三次埃尔米特插值算法融合跟驰模型重建的轨迹和视频中对应的轨迹减小累计误差，分析轨迹得到每辆车何时加入队列，何时从队列中出来，从而得到排队长度演变的估计结果。

优选地，所述S2中，设计三层神经网络模型包括如下内容：