一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法技术

本发明专利技术公开了一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法，该发明专利技术属于智能交通领域。该方法采用俯瞰摄像头获取图像信息，利用深度卷积神经网络识别车辆并利用车辆在交叉口的行为特征对车辆轨迹进行分析，计算车辆之间的碰撞概率，最后对交叉口安全风险进行评估。本发明专利技术适用于交叉口环境下的车辆在线安全预警，同时适用于潜在交通安全隐患的实时检测和预警，可提高路口运行的安全等级，提高交通事故预测的准确率。

【技术实现步骤摘要】
一种基于深度卷积神经网络和交叉口行为特征模型的交叉口安全风险评估方法
本专利技术涉及智能交通领域，特别是涉及交叉口安全风险评估方法。
技术介绍
随着我国经济的迅速发展与人民生活水平的提高，私家车的数量急剧增加。增加的小汽车拥有量不但增加了交通拥堵，交通事故的发生数也在上升，交叉口安全风险不断增加。车辆交叉口安全风险评估方法可以在一定程度上提高道路的管理效率，使管理者和驾驶员可以及时获得交通流和车辆的运行状态以及风险水平，在一定程度上提高了车辆运行的安全性。目前的交叉口安全风险评估方法主要有：专利号201810996078.1的《一种道路交叉口安全状态评估方法》，该方法的主要基于交叉口的静态参数，无法动态的评价交叉口当前的风险状态。专利号201810063488.0的《一种基于轨迹数据的交叉口行人过街风险评估方法》，该方法的轨迹提取主要基于人工标定所得，需要耗费大量人力物体对轨迹进行获取，并且无法实时反映交叉口的风险水平。专利号201810472867.5的《一种基于车路协同的交叉口车辆碰撞风险预测方法及系统》，该方法需要搭载车载设备，通过车载设备对车辆轨迹进行预测，若未搭载车载设备则无法对风险进行预测，无法在未搭载车载设备的情况下现有交叉口进行实时评价。现有主要检测手段往往难以实行，无法自动化获取交叉口当前的风险状态。使得管理者和驾驶员无法及时获取交叉口的风险信息，例如是否有车辆出现危险驾驶、有无事故、交通流量等。
技术实现思路
本专利技术主要解决的技术问题是提供一种自动化的交叉口安全风险评估方法，能够解决交叉口安全与效率水平难以自动化动态获取的问题。该方法由三个部分组成：图像检测与轨迹跟踪部分，轨迹数据预处理部分，交叉口的安全性与效率分析部分。所述图像检测与轨迹跟踪部分分为两个子部分，图像检测部分基于YOLOv3算法，结合人工标定数据与PascalVOC数据集进行训练，将训练的结果运用于提取车辆在画面中的位置。所述轨迹跟踪部分基于卡尔曼滤波的多目标跟踪算法，对检测到的车辆进行位置跟踪并赋予车辆编号，编号采用整数形式，由车辆在画面中出现的顺序决定。所述轨迹数据预处理部分有两个子部分，第一子部分是对数据进行清洗操作，包含噪声滤除、语义分割和感兴趣区域发现，第二子部分是对轨迹进行聚类操作，包含轨迹聚类、合并聚类和破碎轨迹处理。所述交叉口的安全性与效率分析部分，主要包含交叉口效率与安全性相关数据提取，路口冲突点统计部分对安全性进行评价，停止点时间统计部分对路口通行效率进行评价。本专利技术所提出的交叉口安全风险评估方法就是在上述的基础上实现的，其步骤包括如下：所述图像检测部分采用YOLOv3深度卷积神经网络算法属于公知技术，目的是对目标车辆在图像中的位置进行提取；由于车辆检测对准确率和实时性都有较高要求，现有FasterR-CNN等二阶段(two-stage)算法大多数都需要对图像进行区域提名,虽然能够保证准确率,但检测速度往往只有3fps左右，达不到视频检测的需求；原有的YOLOv2、SSD等单阶段(one-stage)算法虽然检测速度较快，但其准确率不足，对小目标检测能力不佳，达不到高视角车辆轨迹跟踪的要求；YOLOv3算法则有效的平衡了深度卷积神经网络在目标检测领域的准确率问题。YOLOv3算法采用106层的darknet-53网络，网络由残差单元叠加而成，网络结构如图1所示，分为三个尺度，即图1中predictone、two、three，每个尺度内，通过卷积核的方式实现局部的特征交互；其基本思想是通过特征提取网络对输入的图像提取特征，得到一定大小的特征图(featuremap)比如13X13，然后将输入的图像分为13X13个网格单元，然后如果标注数据(groundtruth)中的某个物体的中心坐标落到某个网格单元中，就由该网格单元预测该物体,每个网格单元都会预测固定数量的边界框，这几个边界框只使用标注数据的交并比(IOU)最大的边界框用来预测该物体。步骤1：获取训练数据并训练车辆识别模型：在实现过程中采用两类样本进行联合训练，一类是从交叉口高点视频数据集中截取并标定的数据集，二是pascalVOC2007+2012公开数据集；实验中在交叉口高点视频中抽取了170帧，采用labelImg软件(图2)对抽取出帧以VOC数据集的格式人工标定的方式建立目标检测数据集，与pascalVOC数据集结合以提高目标检测的泛用性；将pascalVOC数据集中带有bus和car标签的数据筛选出来，将自有人工标定数据集与筛选后的pascalVOC数据集按训练集:测试集8:2的比例进行混合，转换为YOLOv3网络接受的格式，送入网络进行训练，得到其网络权重；将视频送入YOLOv3网络中结合训练得到的网络权重进行检测，获得车辆在视频图像中所在的位置，如图2所示以车辆的外接矩形表示，表示方式是该车辆所在的帧数、车辆左上角位置x、车辆左上角位置y、车辆边界框宽度w、车辆边界框高度h。步骤2：车辆检测值提取：将待分析视频图像输入训练好的车辆识别模型中，获得每帧图像中的所有车辆位置；步骤3：车辆目标跟踪：使用基于卡尔曼滤波多目标跟踪与匈牙利算法对步骤2中获得的车辆位置，根据车辆出现的时序进行编号，每个车辆在所有帧中的位置以及位置对应的编号构成每个车辆的轨迹数据。下面对该算法进行展开描述：首先使用步骤2检测得到边界框和卡尔曼滤波所预测的边界框的交并比来计算匹配代价矩阵，所述的卡尔曼滤波多目标跟踪算法属于公知技术，当预测边界框和画面中任何一个检测边界框之间的匹配代价达到一定阈值时(例如边框交并比大于0.5)，可以认为预测边界框已经跟踪上，将预测边界框与匹配代价最小的检测边界框使用匈牙利算法进行匹配，所述的匈牙利算法属于公知技术。当预测边界框与检测边界框能够匹配时，检测边界框将更新状态(赋予编号)；如果预测边界框没有匹配上检测边界框，就用线性速度模型对预测目标边界框的参数继续进行预测；如果在一定时间内(此处结合交通检测场景设定为25帧)没有对应的检测边界框与预测边界框匹配，就将此预测边界框删除；最后输出所有帧内带有车辆编号的车辆边界框信息。步骤4：轨迹数据预处理：对步骤3得到的所有车辆的轨迹数据进行数据清洗，对清洗之后的数据进行聚类，得到根据起止点获取的路径聚类、轨迹的车辆停滞点标记，其中所述路径为从某一轨迹开始点到某一轨迹结束点的轨迹；当路径聚类产生之后，采用滑动窗口法对每个路径聚类内所有轨迹的各点依次进行平均操作，由此生成待分析路口的多个路径聚类代表；计算每一条车辆轨迹和所有路径聚类代表之间的相似度，相似度最高的路径聚类代表即为该车辆轨迹对应的标签；步骤4的输入是通过步骤3目标跟踪算法采集而来的轨迹。首先，对步骤3得到的所有车辆的轨迹数据进行数据清洗，所述的数据清洗包括：对轨迹点方向特征进行特征提取以剔除轨迹数据中的噪声；通过人为标定的方式划分出路口人行横道线的范围，剔除未经过人行横道线的轨迹数据；将轨迹开始点本文档来自技高网...

【技术保护点】
1.一种基于深度卷积神经网络和交叉口行为特征建模的交叉口安全风险评估方法，其特征在于包括以下步骤：/n步骤1：获取训练数据并训练车辆识别模型；/n步骤2：车辆检测值提取：将待分析视频图像输入训练好的车辆识别模型中，获得每帧图像中的所有车辆位置；/n步骤3：车辆目标跟踪：对步骤2中获得的车辆位置，根据各帧的时序进行编号，每个车辆在所有帧中的位置以及位置对应的编号构成每个车辆的轨迹数据；/n步骤4：轨迹数据预处理：对步骤3得到的所有车辆的轨迹数据进行数据清洗，对清洗之后的数据进行聚类，得到根据起止点获取的路径聚类、轨迹的车辆停滞点标记，其中所述路径为从某一轨迹开始点到某一轨迹结束点的轨迹；当路径聚类产生之后，采用滑动窗口法对每个路径聚类内所有轨迹的各点依次进行平均操作，由此生成待分析路口的多个路径聚类代表；计算每一条车辆轨迹和所有路径聚类代表之间的相似度，相似度最高的路径聚类代表即为该车辆轨迹对应的标签；/n步骤5：交叉口效率与安全性数据提取：交通效率数据包含统计交叉口交通流量、通过时间、总延误时间，其中，总延误时间指一条路径上所有停滞点处的停滞时间之和；安全性数据指碰撞概率。/n

【技术特征摘要】
1.一种基于深度卷积神经网络和交叉口行为特征建模的交叉口安全风险评估方法，其特征在于包括以下步骤：
步骤1：获取训练数据并训练车辆识别模型；
步骤2：车辆检测值提取：将待分析视频图像输入训练好的车辆识别模型中，获得每帧图像中的所有车辆位置；
步骤3：车辆目标跟踪：对步骤2中获得的车辆位置，根据各帧的时序进行编号，每个车辆在所有帧中的位置以及位置对应的编号构成每个车辆的轨迹数据；
步骤4：轨迹数据预处理：对步骤3得到的所有车辆的轨迹数据进行数据清洗，对清洗之后的数据进行聚类，得到根据起止点获取的路径聚类、轨迹的车辆停滞点标记，其中所述路径为从某一轨迹开始点到某一轨迹结束点的轨迹；当路径聚类产生之后，采用滑动窗口法对每个路径聚类内所有轨迹的各点依次进行平均操作，由此生成待分析路口的多个路径聚类代表；计算每一条车辆轨迹和所有路径聚类代表之间的相似度，相似度最高的路径聚类代表即为该车辆轨迹对应的标签；
步骤5：交叉口效率与安全性数据提取：交通效率数据包含统计交叉口交通流量、通过时间、总延误时间，其中，总延误时间指一条路径上所有停滞点处的停滞时间之和；安全性数据指碰撞概率。


2.根据权利要求1所述的安全风险评估方法，其特征在于：所述的车辆识别模型为YOLOv3深度卷积网络模型。


3.根据权利要求1所述的安全风险评估方法，其特征在于：步骤3所述的车辆目标跟踪采用了卡尔曼滤波和匈牙利算法。


4.根据权利要求1所述的安...

【专利技术属性】
技术研发人员：陈阳舟，卢佳程，许甜，尹卓，王佐，邓涵月，
申请(专利权)人：北京工业大学，中交第一公路勘察设计研究院有限公司，
类型：发明
国别省市：北京;11