基于时空轨迹跟踪的交通流特性参数检测分析

交通运输系统工程与信息 ›› 2015, Vol. 15 ›› Issue (1): 62-68.

• 智能交通系统与信息技术 • 上一篇下一篇

基于时空轨迹跟踪的交通流特性参数检测分析

任建强^1,2，陈阳舟^*1，辛乐¹，石建军¹

1. 北京工业大学城市交通学院，北京100124；2. 廊坊师范学院计算机系，河北，廊坊065000

收稿日期:2014-10-16 修回日期:2014-12-29 出版日期:2015-02-25 发布日期:2016-02-25
作者简介:任建强（1978-），男，汉族，河北霸州人，副教授，博士生.
基金资助:
国家自然科学基金( 61273006)；国家高技术研究发展计划“( 863”计划)项目(2011AA110301)；河北省科技支撑计划项目(13210807).

Detection and Analysis of Traffic Flow Characteristic Parameters Based on Time-space Trajectory Tracking

REN Jian-qiang^{1, 2}, CHEN Yang-zhou¹, XIN Le¹, SHI Jian-jun¹

1. College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124, China; 2. Department of Computer Science and Technology, Langfang Teachers University, Langfang 065000, Hebei, China

Received:2014-10-16 Revised:2014-12-29 Online:2015-02-25 Published:2016-02-25

摘要/Abstract

摘要：

基于视频的交通流检测在智能交通系统中具有重要意义.本文针对广泛采用的低位摄像机，提出了一种交通流特性参数的检测分析方法.首先基于三级虚拟检测线和自适应更新率局部背景建模来快速提取车辆特征点并消除活动阴影对提取精度的影响；然后基于Adaboost（Adaptive Boosting, 自适应增强）分类器实现特征点按车分组，并在跟踪过程中根据运动特征相关度消除分组误差，获取高精度的车辆轨迹；进而自动生成多车道轨迹时空图并提取各车道交通流的多种特性参数.实验结果验证了算法的高效性；同时，自动生成的多车道轨迹时空图也为更多的交通信息获取和更深入的交通流特性分析提供了有力支持.

关键词: 智能交通, 交通流特性参数检测, 时空轨迹跟踪, 低位摄像机

Abstract:

Video Based detection of traffic flow has great significance in intelligent transportation systems. For the low angle cameras, a novel traffic flow multi-parameters detection method is proposed in this paper. Three virtual detecting lines and a local background modeling with adaptive learning rate are used to quickly extract vehicle feature points and eliminate the influence of activity shadow. Based on a trained Adaboost (Adaptive Boosting) classifier, the feature points are grouped to vehicles. Then the grouping errors are eliminated based on the motion-similarity of feature points in tracking process and the vehicle trajectories are extracted accurately. After that, the multi-lanes time-space diagrams are generated and the multi-parameters of traffic flow are detected automatically. Experimental results prove the efficiency of the method. In addition, the multi-lanes time-space diagrams can provide strong support for more traffic information acquisition and more in-depth analysis of traffic flow characteristics.

Key words: intelligent transportation, detection of traffic flow characteristic parameters, time-space trajectory tracking, low angle cameras

中图分类号:

U495

任建强，陈阳舟，辛乐，石建军. 基于时空轨迹跟踪的交通流特性参数检测分析[J]. 交通运输系统工程与信息, 2015, 15(1): 62-68.

REN Jian-qiang, CHEN Yang-zhou, XIN Le, SHI Jian-jun. Detection and Analysis of Traffic Flow Characteristic Parameters Based on Time-space Trajectory Tracking[J]. Journal of Transportation Systems Engineering and Information Technology, 2015, 15(1): 62-68.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract18924.shtml

http://www.tseit.org.cn/CN/Y2015/V15/I1/62

参考文献

[1] Zhang J P, Wang F Y, Lin K F, et al. Data-driven intelligent transportation systems: a survey[J]. IEEE Transactions on Intelligent Transportation System, 2011, 12(4): 1624-1639.

[2] 杨建国, 刘勇, 贾凡. 从高空摄像中获取车辆瞬态信息和驾驶行为[J]. 西安交通大学学报. 2009, 43(4): 116-120. [YANG J G, LIU Y, JIA F. Obtaining transient information of vehicles and behaviors of drivers from high-altitude photography[J]. Journal of Xi'an Jiaotong University, 2009, 43(4): 116-120.]

[3] Azevedo C L, Cardoso J L, Ben-Akiva M, et al. Automatic vehicle trajectory extraction by aerial remote sensing[J]. Procedia-Social and Behavioral Sciences, 2014, 111: 849-858.

[4] 杜荣义, 彭仲仁. 无人机逆向车辆检测数据时效性分析[J]. 交通运输系统工程与信息. 2014, 14(1): 34-40. [DU R Y, PENG Z R. Time effectiveness analysis of UAV vehicle detection data in reverse direction[J]. Journal of Transportation Systems Engineering and Information Technology, 2014, 14(1): 34-40.]

[5] Saunier N, Sayed T. A feature-based tracking algorithm for vehicles in intersections[C]// The 3rd Canadian Conference on Computer and Robot Vision, IEEE, 2006: 59-65.

[6] Kanhere N K, Birchfield S T. Real-time incremental segmentation and tracking of vehicles at low camera angles using stable features[J]. IEEE Transactions on Intelligent Transportation Systems, 2008, 9(1): 148-160.

[7] Ren J Q, Chen Y Z, Xin L, et al. Lanes detection in video-based intelligent transportation monitoring via fast extracting and clustering of vehicle motion trajectories[J]. Mathematical Problems in Engineering, 2014, (14): 1-12.

[8] Ren J Q, Xin L, Chen Y Z, et al. Highefficient detection of traffic parameters by using two foreground temporal-spatial images[C]// IEEE International Conference on Intelligent Transportation Systems, Netherlands, 2013: 1965-1970.

[9] Shi J, Tomasi C. Good features to track[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 1994: 593-600.

[10] 苏志刚, 王争, 吴仁. 面向移动点的稳健动态 Delaunay 三角剖分技术[J]. 系统工程与电子技术. 2013, 35(8): 1764-1768. [SU Z G, WANG Z, WU R. Robust dynamic Delaunay triangulation technology for moving points[J]. Systems Engineering and Electronics, 2013, 35(8): 1764-1768.]

[11] 宋克臣, 颜云辉, 陈文辉，等. 局部二值模式方法研究与展望[J]. 自动化学报. 2013, 39(6): 730-744. [SONG K C, YAN Y H, CHEN W H, et al. Research and perspective on local binary pattern[J]. ACTA Automatica Sinica, 2013, 39(6): 730-744.]

[1]	郭烈, 胥林立, 秦增科, 王旭. 自动驾驶接管影响因素分析与研究进展[J]. 交通运输系统工程与信息, 2022, 22(2): 72-90.
[2]	徐猛, 刘涛, 钟绍鹏, 姜宇. 城市智慧公交研究综述与展望[J]. 交通运输系统工程与信息, 2022, 22(2): 91-108.
[3]	程君, 张立炎, 陈启宏. 一种基于地图辅助的自动驾驶视-惯融合定位方法[J]. 交通运输系统工程与信息, 2022, 22(2): 117-126.
[4]	王国栋, 刘立, 孟宇, 马智萍, 郑淏清, 顾青, 白国星. 一体式车辆避撞轨迹规划与跟踪控制[J]. 交通运输系统工程与信息, 2022, 22(2): 127-136.
[5]	马东方, 陈曦, 吴晓东, 金盛. 基于强化学习的干线信号混合协同优化方法[J]. 交通运输系统工程与信息, 2022, 22(2): 145-153.
[6]	许波桅, 王玲玲, 李军军. 自动化码头多级作业超网络延误传导特性研究[J]. 交通运输系统工程与信息, 2022, 22(2): 280-289.
[7]	田会娟, 刘嘉伟, 翟佳豪, 邓琳琳. 基于多入侵线的视频车速检测方法[J]. 交通运输系统工程与信息, 2022, 22(1): 49-56.
[8]	贾彦峰, 曲大义, 赵梓旭, 王韬, 宋慧. 基于安全势场的网联自主车辆跟驰行为决策及模型[J]. 交通运输系统工程与信息, 2022, 22(1): 85-97.
[9]	刘文, 汪文博. 基于秩最小化矩阵去噪的船舶轨迹重构方法[J]. 交通运输系统工程与信息, 2022, 22(1): 106-114.
[10]	赵建东, 陈溱, 焦彦利, 张凯丽, 韩明敏. 重点营运车辆的异常驾驶行为识别研究[J]. 交通运输系统工程与信息, 2022, 22(1): 282-291.
[11]	徐东伟, 彭航, 商学天, 魏臣臣, 杨艳芳. 基于图自编码-生成对抗网络的路网数据修复[J]. 交通运输系统工程与信息, 2021, 21(6): 33-41.
[12]	游峰, 梁健中, 曹水金, 肖智豪, 吴镇江, 王海玮. 面向多目标跟踪的密集行人群轨迹提取和运动语义感知[J]. 交通运输系统工程与信息, 2021, 21(6): 42-54.
[13]	王福建, 俞佳浩, 赵锦焕, 梅振宇. 基于站点实时关联度的短时公交客流预测方法[J]. 交通运输系统工程与信息, 2021, 21(6): 131-144.
[14]	张毅, 姚丹亚, 李力, 裴华鑫, 晏松, 葛经纬. 智能车路协同系统关键技术与应用[J]. 交通运输系统工程与信息, 2021, 21(5): 40-51.
[15]	龙建成, 郭嘉琪. 动态交通分配问题研究回顾与展望[J]. 交通运输系统工程与信息, 2021, 21(5): 125-138.

基于时空轨迹跟踪的交通流特性参数检测分析

Detection and Analysis of Traffic Flow Characteristic Parameters Based on Time-space Trajectory Tracking

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics