[发明专利]一种视频轨迹数据集车道全域跟驰车对匹配及提取方法

说明书

一种视频轨迹数据集车道全域跟驰车对匹配及提取方法，车辆轨迹数据集，包含所采集道路上每条车每时刻的轨迹点信息，不论对于宏观交通现象还是微观驾驶行为，如跟驰、换道的研究均具有重要的作用。本方法旨在建立一套标准化的跟驰车对匹配及提取方法，针对轨迹数据集，对每条轨迹存在的驾驶行为进行检测及分类，并可以高效、快捷识别出整个车道长度范围内，处于跟驰状态的跟驰车对，从而为驾驶行为的深入研究打下基础。

技术领域

本发明涉及微观交通流数据处理领域，尤其是涉及一种基于轨迹数据集车道全域跟驰车对匹配及提取方法。

背景技术

车辆跟驰行为是最基本的微观驾驶行为，描述了在限制超车的单行道上行驶车队中相邻两车之间的相互作用。跟驰模型的建立，是交通流理论的基础，而交通流研究聚焦于解析人、车、路、环境等要素相互关系，是一门基于实证研究的学科，十分需要高精度的真实数据支撑^[1]。车辆轨迹数据集，包含所采集道路上每条车每时刻的轨迹点信息，不论对于宏观交通现象还是微观驾驶行为，如跟驰、换道的研究均具有重要的作用。当前，最被广泛应用的轨迹数据集或许为NGSIM(Next Generation Simulation program dataset)，其采集于美国高速公路及城市道路，采集手段为安装于道路高处的摄像头拍摄，时间为2006年。随着研究的深入，NGSIM由于采集时间、自身精度、场景局限等，已无法满足更加多样化的研究。而近年来，随着无人机、车载设备等采集技术的发展，越来越多场景更加丰富的交通轨迹数据集开源，如2018年采集于德国高速公路的highD数据集，同年，采集于日本阪神高速公路的Zen Traffic Data数据集等。这些数据集的原始形式或为视频、图像等。为进行交通流研究，研究者首先需要基于各种图像处理技术将视频、图像中车辆的轨迹信息提取出来。Chen^[2]提出了一个车辆轨迹提取方法框架，可以从无人机采集的视频数据中提取出车辆的轨迹数据，并进行去噪操作；Shi^[3]基于深度学习方法，对原始视频数据进行视频标定、车辆检测及跟踪、车道识别、车辆运动特征计算，最终获得高精度的HIGH-SIM(High-Granularity Highway Simulation)数据集。虽然这些轨迹提取算法越来越先进，提取的轨迹数据精度也越来越高，但是，许多仍旧无法直接应用于最基本的驾驶行为——跟驰行为的研究。以Zen Traffic Data数据集为例，其数据集中，每条车辆信息均缺乏前后车辆信息，由于车辆存在汇入、换道、超车等行为，对于跟驰行为的提取造成很大干扰；此外，直接通过深度学习方法获取的轨迹信息有时不符合实际驾驶行为，如仅依靠该数据中的“Traffic_lane”字段来判别换道行为的话，最短的换道时长仅为0.2s。

综上，相信今后学者通过无人机采集轨迹数据将越加普遍，而这类数据集将遇到Zen Traffic Data数据集中同样的问题，基于此，本方法旨在建立一套标准化的跟驰车对匹配及提取方法，针对上述原始的轨迹数据集，对每条轨迹存在的驾驶行为进行检测及分类，并可以高效、快捷识别出整个车道长度范围内，处于跟驰状态的跟驰车对，从而为驾驶行为的深入研究打下基础。

发明内容

本发明的目的就是为了克服上述现有存在技术的缺陷而提供一种视频轨迹数据集车道全域跟驰车对匹配及提取方法。

本发明的目的可以通过以下技术方案来实现：

一种视频轨迹数据集车道全域跟驰车对匹配及提取方法，该方法包括如下步骤：

S1、明确所提取跟驰车对所在的车道，提取出数据集中轨迹点曾存在于该车道的轨迹数据集EE(Ever Existed)，并识别每条轨迹所存在的驾驶行为，分类为：CF(Car-following)类(该类所有轨迹点均在该车道)，LC(Lane-changing)类(该类轨迹存在换道行为)，OT(Overtaking)类(该类轨迹点存在超车行为)；进一步，对CF类按轨迹长度是否满足要求，分为满足要求的FCF类(Full CF)以及不满足要求的PCF类(Partial CF)；