【技术实现步骤摘要】
本专利技术涉及道路安全，具体涉及一种基于街景空间多模态融合的路口场景安全风险量化方法。
技术介绍
1、道路安全风险指标的量化计算需要考虑城市物理环境、建成环境、交通情况(包括：人、车、物流等)等诸多要素，是城市感知和智慧交通领域的难点问题。传统方法依赖专家打分和基于历史交通事故数据进行局部的事故高发区域的安全风险评估。而现有基于机器学习和人工提取指标特征的方法缺乏考虑城市空间的多模态语义信息，且依赖标签数据和指标特征数据，无法适应标签数据和指标特征数据有限或缺失的情况。
2、路口是城市道路的一种典型特征场景，是导航寻路等任务中的关键位置，也是高安全风险区域。已知建成环境特征、路面环境特征、路网结构特征和交通流量特征等都是影响路口安全风险的主要因素。因此，可利用多源城市观测数据和地理数据来表征路口场景并支持路口场景安全风险的量化模型构建。
技术实现思路
1、本专利技术涉及一种基于街景空间多模态融合的路口场景安全风险量化方法，可实现量化计算路口场景的安全风险指标，为道路安全风险评估、交通安全风险预警、低风险导航路径规划等提供基础数据支持。
2、本专利技术具体包括以下步骤：
3、步骤一、基于历史交通事故数据，并考虑距离衰减效应，计算路口场景区域的交通事故发生强度指标；
4、步骤二、路口场景区域的多模态信息提取，具体步骤如下：
5、步骤1.基于街景全景影像和路网数据，计算路口场景区域的视觉特征，包括视觉开阔度和全景投影下的道路语义
6、步骤2.基于路网数据，计算路口场景区域的空间结构特征，包括路口的道路分支数量和路网的整合度指标；
7、步骤3.基于兴趣点和交通流量数据，计算路口场景区域的语义特征，包括兴趣点密度和路口交通流量指标；
8、步骤三、利用函数归一化处理步骤二得到的视觉特征、空间结构特征和语义特征，构建路口场景安全风险特征向量；
9、步骤四、基于交通事故发生强度指标和路口场景安全风险特征矩阵，结合随机森林回归算法建立路口安全风险量化模型，从而得到目标路口场景的安全风险指数。
10、所述步骤一具体为：
11、首先，计算历史交通事故taij的发生位置与最邻近路口rii的路网距离distaij,rii；
12、然后，基于高斯核函数计算历史交通事故taij对最邻近路口rii的影响因子
13、式中：taij∈{tai1,tai2…,taij}表示一个路口区域rii内有j例历史交通事故数据；buf表示预设的路口缓冲区半径。
14、最后，计算路口区域rii的交通事故强度tasi：
15、所述步骤1具体为：
16、首先，获取街景全景影像的语义分割图，然后利用等面积圆柱投影模型对语义分割图进行投影转换，计算重投影语义分割图中的天空语义像素集pix_skik，计算街景全景图panoik的位置与最邻近路口rii的距离衰减因子
17、
18、式中：panoik∈{panoi1,panoi2…,panoik}表示一个路口区域rii内有k幅街景全景影像，buf表示预设的路口缓冲区半径；
19、所述语义分割图为经语义分割处理的街景全景影像；所述重投影语义分割图为经等面积圆柱投影模型处理后的语义分割图。
20、然后，计算视觉开阔度
21、
22、式中：pix_skyik表示重投影语义分割图中的天空语义像素集合，pixsum表示重投影语义分割图的分辨率；
23、最后，计算重投影语义分割图中的道路语义像素集pix_rdik，计算全景投影下的道路语义面积
24、
25、式中：pix_rdik表示重投影语义分割图中的天空语义像素集合，pixsum表示重投影语义分割图的分辨率。
26、所述步骤2具体为：
27、基于路网数据计算各路口的道路分支数量路口的道路分支数量为：与路口节点rii相交的路段数量；基于空间句法计算路口区域rii的整合度指标
28、所述步骤3具体为：
29、首先，基于交通流量大小，分割各路口单位时间内的交通流量语义指标；
30、然后，筛选目标单位时间的交通流量作为交通流量指标，具体计算方法为：该目标单位时间内通过路口的流量大小；
31、然后，筛除语义信息不显著的兴趣点数据，具体过程如下：根据兴趣点的行业分类目录和分类属性，筛除下列类目的兴趣点数据，包括：门址、自然地物、行政地标；
32、最后，计算兴趣点poiim的位置与最邻近路口rii的距离衰减因子
33、式中：poiim∈{poii1,poii2…,poiim}表示一个路口区域rii内有m个兴趣点，buf表示预设的路口缓冲区半径。
34、计算兴趣点密度
35、所述步骤三具体为：
36、首先，利用min-max函数归一化所有视觉特征、空间结构特征和语义特征；
37、然后，构建路口场景安全风险特征向量xrii；
38、
39、式中，符号～表示经归一化后的特征。
40、所述步骤四具体为：
41、首先，组合数据集并划分训练机和测试集，数据集由交通事故发生强度指标和路口场景安全风险矩阵组成；然后，利用随机森林回归算法进行训练，得到路口场景安全风险量化模型。
42、本专利技术的有益效果是：
43、第一，本专利技术综合考虑了街景场景中影响路口安全风险的视觉信息、空间结构信息、语义信息，可更全面、准确地描述安全风险因素。
44、第二，本专利技术利用历史交通安全事故数据来间接描述安全风险，一定程度上解决了道路安全风险建模任务中标签数据缺失的问题。并且设计了一种交通事故发生强度指标，考虑距离衰减效应，间接、有效地量化了路口区域的安全风险因素。
45、第三，本专利技术利用低算力、轻量化的机器学习方法进行建模，并充分利用了多类型的开源城市观测数据和开源地理数据，具有较强的可移植性和操作性。
本文档来自技高网...【技术保护点】
1.一种街景空间多模态融合的路口场景安全风险量化方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于：以历史交通事故发生强度TASi指标来间接表征路口区域的安全风险，并将TASi作为标签数据进行建模；将路网的节点视为路口中心以识别路口，路口区域为：以路口为中心，以buf为半径划定的缓冲区。
3.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于，所述步骤一具体为：
4.根据权利要求1所述的一种街景空间多模态融合的路口场景安全风险量化方法，其特征在于：所述步骤1具体为：
5.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于：所述步骤2具体为：
6.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于：所述步骤3具体为：
7.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于：所述步骤三具体为：
8.根据权利要求1所述的街景空间多模态
...【技术特征摘要】
1.一种街景空间多模态融合的路口场景安全风险量化方法，其特征在于，具体包括如下步骤：
2.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于：以历史交通事故发生强度tasi指标来间接表征路口区域的安全风险，并将tasi作为标签数据进行建模；将路网的节点视为路口中心以识别路口，路口区域为：以路口为中心，以buf为半径划定的缓冲区。
3.根据权利要求1所述的街景空间多模态融合的路口场景安全风险量化方法，其特征在于，所述步骤一具体为：
4.根据权利要求1所述的一种街景...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。