一种基于深度学习的高速公路合流区车辆冲突预警方法与流程
本发明属于交通安全控制领域，具体涉及一种高速公路合流区车辆冲突预警方法，旨在通过使用深度学习方法对高速公路合流区冲突车辆进行预警及控制以避免合流区发生车辆冲突的方法。
背景技术：
随着我国汽车保有量及高速公路客货运总量逐年增加，高速公路上，尤其是匝道出入口处的交通事故发生率也在逐年提高，当车辆由加速车道汇入高速公路主线车流时，会影响到主线车辆的正常通行，在主线车流较为密集或车辆速度较快时，容易发生难以避免的冲突。同时，在高速公路合流区，由于一部分大型客货车辆的行驶速度，车身长度与小型车辆相差较大，当其与小型车辆进行合流时，会产生较大的冲突隐患，根据统计，高速公路上发生的交通事故有超过50％是由于大型货车超重造成的。因此，迫切需要开发一种可以结合车辆长度，车辆速度等合流车辆信息的高速公路合流预警方法用于对高速公路合流区中存在冲突隐患的车辆进行预警，并提供控制建议。
目前，在现有的交通安全领域，常用于道路上的检测器主要有环型感应线圈、超声波检测器、红外检测器、雷达检测器及视频检测器，其中超声波检测器，红外检测器，雷达检测器无法准确地测得行驶于道路上的车辆长度或车辆速度，环形感应线圈检测器虽可以获得车辆的长度及速度信息，但环形感应线圈多采用埋设式设置，当埋设于地下的线圈发生故障时，系统无法正常工作且维修较为困难。而随着视频检测技术及计算机视觉领域的发展，道路上使用视频检测器作为采集交通信息主要检测器的应用场景越来越多。基于视频检测器对高速公路合流区发生的冲突进行预警的方法得到越来越多的关注。目前，深度学习在车辆主动安全控制方面取得了非常好的效果，因此本发明提出使用基于深度学习的方法对高速公路合流区发生的车辆冲突进行预警。
技术实现要素：
为了解决上述问题，本发明提出一种基于深度学习的高速公路合流区车辆冲突预警方法，该方法基于道路视频检测器获取的实时交通数据，采用深度学习的方法，实现对高速公路合流区车辆冲突进行预警的效果。
数据来源于设置于主路及匝道上的车辆信息采集设备，包括车辆信息检测器及车辆信息处理单元，车辆信息检测器由设置于高速公路合流区入口前主路最外侧车道距合流区入口距离为x1距离处的主路车辆信息检测器及设置于高速公路合流区前匝道距合流区入口距离为x2处的匝道车辆信息检测器构成，其距离x1,x2分别根据高速公路主路及匝道设计车速预设，并可根据实际主路外侧车道及匝道车辆行驶平均速度调整，采用视频检测器，用于对主路最外侧车道及匝道进行持续拍摄，当车辆通过在视频图像上设置的虚拟线圈时，记录车辆通过虚拟线圈时的连续n帧图片；车辆信息处理单元，用于结合车辆识别算法对视频检测器获取的图片进行识别，提取图片中主路最外侧车道及匝道上通过车辆的车辆长度及车辆速度信息，即主路最左侧车道的车辆i通过检测器时间ti，车辆速度vi及车辆长度li；用于采集匝道车辆a通过检测器时间ta，车辆速度va及车辆长度la。
本发明使用的深度学习方法设置于冲突信息处理设备中，其包括信息通信单元，用于接收位于主路最外侧车道，匝道的视频检测器记录下并经过车辆信息处理单元处理后获得的车辆通过主路及匝道指定位置处的时间及车辆长度，速度信息；车辆信息存储单元，用于存储主路合流区内行驶的车辆的通过视频检测器检测区域的时间及车辆长度，速度信息，匝道即将进入合流区的车辆通过视频检测器检测区域的时间及车辆长度，速度信息；冲突状态判断单元，用于根据车辆信息存储单元中存储的主路及匝道上即将进入合流区的车辆相关数据，加入使用已有高速公路合流区车流数据进行训练的深度前馈神经网络判断即将由匝道进入合流区的车辆是否会与主路上最外侧车道上行驶的车辆发生冲突，并计算匝道车辆的安全合流速度，将预警信息提供给路测预警及引导设备。
最终对高速公路合流区车辆的预警效果使用路侧预警及引导设备实现，包括设置于匝道上并且距合流区入口处距离为x3处的显示屏及设置于高速公路主路路侧的合流指示灯，距离x3需要保证驾驶员反应时间及车辆内驾驶员或乘客可接受减速度，即需要保障匝道上即将合流的车辆在接受预警信息后有足够的时间将速度降低至安全合流速度。
基于以上，本发明提出的一种基于深度学习的高速公路合流区车辆冲突预警方法的具体实施过程包括两个部分：
(一)：基于深度学习的冲突状态判断单元构建及训练
本发明提出的一种基于深度学习的高速公路合流区交通冲突预警方法的核心在于使用深度前馈神经网络作为算法核心方法的冲突状态判断单元。根据深度学习算法的特点，冲突状态判断单元中使用的深度前馈神经网络需要使用大量已有交通数据作为模型的输入，并执行反向传播算法对网络中参数进行训练，因此深度神经网络虽然在训练过程中需要使用大量实测数据并消耗大量的计算资源，而在实际使用的过程中，可以直接移植已经训练到所需预测精度的网络参数，即将训练后网络整体结构导入冲突信息处理设备的冲突状态判断单元中。基于深度学习的这一特性，本发明提出的一种基于深度学习的高速公路合流区车辆冲突预警方法对设置于高速公路路侧的冲突信息处理设备的运算能力要求不高，且在实际冲突判断时只需要极短的时间即可实现冲突状态及建议车速的计算。
本发明提出的基于深度学习的冲突状态判断单元使用的深度前馈神经网络的输入需要包含的车辆信息包括主路车辆i进入视频检测器检测范围的时间ti，车辆长度li，车辆速度vi及匝道车辆a进入视频检测器检测范围的时间ta，车辆长度la，车辆速度va。由于深度学习中每一次对模型的输入的维度需要保持一致，因此，在将主路及匝道车辆信息加入神经网络模型进行训练前，需要对视频检测器获得的数据进行预处理，即提取出最有可能与匝道车辆发生碰撞的k辆主路车辆，并分别计算匝道车辆与最可能发生冲突的k辆主路车辆的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′，最后将匝道车辆a通过匝道指定位置的时间ta及车辆长度la，速度信息va及已经计算得到的k辆主路车辆相对于匝道车辆的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′作为深度神经网络的输入。由于本发明中提出的一种基于深度学习的高速公路合流区车辆冲突预警方法需要实现的功能为对每一辆匝道车辆在合流区的冲突状态进行预警。因此设置于冲突信息处理设备的冲突状态判断单元中使用的深度神经网络的输出包括对冲突状态的二元判断(0表示无潜在冲突危险，1表示有潜在冲突危险)。
具体的，本发明中使用的深度前馈神经网络包括：输入层，隐藏层及输出层。其中输入层输入经过预处理后匝道及主路车辆信息构成的向量，输入层神经元个数与输入向量维度相同；隐藏层采用6层全连接层结构，隐藏层神经元个数根据输入向量维度确定，位于网络结构中部的神经层采用较多的神经元个数，接近于输入层及输出层的神经层使用与输入及输出向量大小相匹配的神经元个数，隐藏层神经元采用relu函数作为隐藏层神经元的激活函数，用来增加模型对非线性数据的理解能力；输出层仅包含单个神经元，使用sigmoid函数作为激活函数，根据sigmoid函数将输入层矩阵计算后得到的位于[0,1]之间的结果通过与阈值进行比较，最终输出的结构为0或1。同时为了避免训练过程中模型可以达到较高的冲突预测准确率而实际使用过程中模型出现预测错误的现象，在深度神经网络中增加了dropout正则化机制以减少深度学习模型在训练过程中的过拟合现象。
(二)：基于深度学习的高速公路合流区车辆冲突预警方法实施步骤
步骤1：初始化系统，将冲突预警标志记为0。
步骤2：使用设置于主路及匝道的视频车辆信息检测器对主路最外侧车道及匝道持续拍摄，并将视频检测器拍摄范围内适当位置作为视频检测器虚拟线圈位置，当主路及匝道车辆通过虚拟线圈位置时，记录车辆通过虚拟线圈时的连续n帧图片，并结合已有的高精度图像处理算法提取图像中的行驶车辆。
步骤3：根据视频检测器拍摄下各帧图像中包含主路车辆i及匝道车辆a的时间
步骤4：根据车辆在各帧图像上主路车辆位置
步骤5：根据车辆在第j帧图像上测量出的主路车辆长度
步骤6：结合步骤3，步骤4求得的主路车辆i进入主路视频检测器检测范围时间ti，车辆速度vi及匝道车辆a进入匝道视频检测器检测范围时间ta,车辆速度va，计算主路及匝道各车辆进入合流区时间，则主路车辆进入合流区时间tic，匝道车辆进入合流区时间tac为：
步骤7：根据步骤6中计算得到的各主路车辆进入合流区时间tic，选择与匝道车辆a进入合流区时间最接近的k辆主路车辆作为可能与匝道车辆a发生冲突的候选车辆，计算最可能发生冲突的k辆主路车辆相对于匝道车辆a的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′：
tk′＝tk-ta
vk′＝vk-va
lk'＝max{lk,la}
步骤8：将由步骤7求得的最可能与匝道车辆发生冲突k辆主路车辆相对于匝道车辆a的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′及匝道车辆a车辆速度va构建为输入向量，即(va，tk′，vk′，lk′)。
步骤9：将步骤8得到的输入向量加入训练后深度神经网络进行计算，最终输出基于深度前馈神经网络预测的冲突状态，若存在冲突隐患，则输出结果为1，若不存在冲突隐患，则输出结果为0，将深度前馈神经网络的输出值作为新的冲突预警标志状态，对冲突预警标志的状态进行更新，并将更新后的冲突预警标志传递给路侧预警及引导设备。
步骤10：路侧预警及引导设备读取冲突预警标志的状态，若冲突预警标志状态为0，则说明在冲突判断的过程中，通过算法判断匝道车辆a在通过匝道入口合流区时不会与主路上车辆发生冲突，即不对匝道车辆进行冲突预警，则信息处理单元将无冲突隐患，不对匝道车辆进行预警的信息通过冲突预警标志传递给路侧预警及引导设备，路侧预警及引导设备接收到状态为0的冲突预警标志后，在设置于匝道的显示屏上显示“无冲突危险，请保持当前车速”，同时指示灯显示为绿色；若路侧预警及引导设备读取的冲突预警标志状态为1，则说明冲突判断的过程中，通过算法判断匝道车辆a在通过匝道入口合流区时存在与主路车辆发生冲突的可能性，则路侧预警及引导设备接收到状态为1的冲突预警标志后，在设置于匝道的显示屏上显示“存在冲突危险，请减速行驶”，同时指示灯显示为红色。
本发明的优点在于：
(1)使用视频检测器获取主路及匝道即将进入高速公路合流区的车辆信息，可以得到较高的检测准确率，并且可同时得到车辆驶入检测器检测范围的时间，车辆长度，车辆速度的信息，在现有的冲突判断中采用的数据的基础上增加车辆长度信息，本发明可以考虑合流区中出现的大型车辆对冲突状态的影响，对于高速公路合流区中可能发生的交通冲突的预测可以取得更高的准确率。
(2)使用深度学习的方法作为高速公路合流区冲突状态判断的方法，基于大量实测交通数据对网络进行训练，在深度学习模型架构构建合理的基础下，可以取得较高的准确率。同时，使用深度学习作为核心算法，大量的计算过程发生在设备架设之间，在实际使用中，本方法所采用的计算单元不需要进行大规模数学运算，对路侧设备的计算能力要求较低，且计算速度快，即本方法对实时交通状态的反应十分灵敏，滞后性小。
附图说明
图1为本发明的高速公路合流区车辆冲突预警方法的数据传递图
图2为本发明的高速公路合流区车辆冲突预警方法的深度前馈神经网络结构图
图3为本发明高速公路合流区车辆冲突预警方法的设施示意图
具体实施方式
下面结合具体事例和附图对本发明作进一步说明。
本发明提出一种基于深度学习的高速公路合流区车辆冲突预警方法，该方法基于道路视频检测器获取的实时交通数据，采用深度学习的方法，实现对高速公路合流区车辆冲突进行预警的效果。在具体实例中，高速公路合流区加速车道长度采用200m。
本发明中提出的方法中数据来源于设置于主路及匝道上的车辆信息采集设备，包括车辆信息检测器及车辆信息处理单元，车辆信息检测器由设置于高速公路合流区入口前主路最外侧车道距合流区入口距离为x1＝200m距离处的主路车辆信息检测器及设置于高速公路合流区前匝道距合流区入口距离为x2＝200m处的匝道车辆信息检测器构成，采用25帧每秒的视频检测器，用于对主路最外侧车道及匝道进行持续拍摄，当车辆通过在视频图像上设置的虚拟线圈时，记录车辆通过虚拟线圈时的连续25帧图片，即n＝25；车辆信息处理单元，用于结合车辆识别算法对视频检测器获取的图片进行识别，提取图片中主路最外侧车道及匝道上通过车辆的车辆长度及车辆速度信息，即主路最左侧车道的车辆i通过检测器时间ti，车辆速度vi及车辆长度li；用于采集匝道车辆a通过检测器时间ta，车辆速度va及车辆长度la。
本发明使用的深度学习方法设置于冲突信息处理设备上，其包括信息通信单元，用于接收位于主路最外侧车道，匝道的视频检测器记录下并经过车辆信息处理单元处理后获得的车辆通过主路及匝道指定位置处的时间及车辆长度，速度信息；车辆信息存储单元，用于存储主路合流区内行驶的车辆的通过视频检测器检测区域的时间及车辆长度，速度信息，匝道即将进入合流区的车辆通过视频检测器检测区域的时间及车辆长度，速度信息；冲突状态判断单元，用于根据车辆信息存储单元中存储的主路及匝道上即将进入合流区的车辆相关数据，加入使用已有高速公路合流区车流数据进行训练的深度前馈神经网络判断即将由匝道进入合流区的车辆是否会与主路上最外侧车道上行驶的车辆发生冲突，并计算匝道车辆的安全合流速度，将预警信息提供给路测预警及引导设备。
最终对高速公路合流区车辆的预警效果使用路侧预警及引导设备实现，包括设置于匝道上并且距合流区入口处距离为x3＝150m处的显示屏及设置于高速公路主路路侧的合流指示灯，距离x3需要保证驾驶员反应时间及车辆内驾驶员或乘客可接受减速度，即需要保障匝道上即将合流的车辆在接受预警信息后有足够的时间将速度降低安全合流速度。
基于以上设计，本发明提出的一种基于深度学习的高速公路合流区车辆冲突预警方法的具体实施过程包括两个部分：
(一)：基于深度学习的冲突状态判断单元构建及训练
本发明提出的一种基于深度学习的高速公路合流区交通冲突预警方法的核心在于使用深度前馈神经网络作为算法核心方法的冲突状态判断单元。根据深度学习算法的特点，冲突状态判断单元中使用的深度前馈神经网络需要使用大量已有交通数据作为模型的输入，并执行反向传播算法对网络中参数进行训练，因此深度神经网络虽然在训练过程中需要使用大量实测数据并消耗大量的计算资源，而在实际使用的过程中，可以直接移植已经训练到所需预测精度的网络参数，即将训练后网络整体结构导入冲突信息处理设备的冲突状态判断单元中。基于深度学习的这一特性，本发明提出的一种基于深度学习的高速公路合流区车辆冲突预警方法对设置于高速公路路侧的冲突信息处理设备的运算能力要求不高，且在实际冲突判断时只需要极短的时间即可实现冲突状态及建议车速的计算。
本发明提出的基于深度学习的冲突状态判断单元使用的深度前馈神经网络的输入需要包含的车辆信息包括主路车辆i进入视频检测器检测范围的时间ti，车辆长度li，车辆速度vi及匝道车辆a进入视频检测器检测范围的时间ta，车辆长度la，车辆速度va。由于深度学习中每一次对模型的输入的维度需要保持一致，因此，在将主路及匝道车辆信息加入神经网络模型进行训练前，需要对视频检测器获得的数据进行预处理，即提取出最有可能与匝道车辆发生碰撞的k辆主路车辆，并分别计算匝道车辆与最可能发生冲突的3辆主路车辆的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′，其中k＝1,2,3，最后将匝道车辆a通过匝道指定位置的时间ta及车辆长度la，速度信息va及已经计算得到的3辆主路车辆相对于匝道车辆的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′作为深度神经网络的输入。由于本发明中提出的一种基于深度学习的高速公路合流区车辆冲突预警方法需要实现的功能为对每一辆匝道车辆在合流区的冲突状态进行预警。因此设置于冲突信息处理设备的冲突状态判断单元中使用的深度神经网络的输出包括对冲突状态的二元判断(0表示无潜在冲突危险，1表示有潜在冲突危险)。
具体的，本发明中使用的深度前馈神经网络包括：输入层，隐藏层及输出层。其中输入层输入经过预处理后匝道及主路车辆信息构成的向量，输入层神经元个数与输入向量维度相同；隐藏层采用6层全连接层结构，隐藏层神经元个数根据输入向量维度确定，位于网络结构中部的神经层采用较多的神经元个数，接近于输入层及输出层的神经层使用与输入及输出向量大小相匹配的神经元个数，隐藏层神经元并采用relu函数作为隐藏层神经元的激活函数，用来增加模型对非线性数据的理解能力；输出层仅包含单个神经元，使用sigmoid函数作为激活函数，根据sigmoid函数将输入层矩阵计算后得到的位于[0,1]之间的结果通过与阈值进行比较，最终输出的结构为0或1。同时为了避免训练过程中模型可以达到较高的冲突预测准确率而实际使用过程中模型出现预测错误的现象，在深度神经网络中增加了dropout正则化机制以减少深度学习模型在训练过程中的过拟合现象。
(二)：基于深度学习的高速公路合流区车辆冲突预警方法实施步骤
步骤1：初始化系统，将冲突预警标志记为0。
步骤2：使用设置于主路及匝道的视频车辆信息检测器对主路最外侧车道及匝道持续拍摄，并将视频检测器拍摄范围内适当位置作为视频检测器虚拟线圈位置，当主路及匝道车辆通过虚拟线圈位置时，记录车辆通过虚拟线圈时的连续n帧图片，并结合已有的高精度图像处理算法提取图像中的行驶车辆。
步骤3：根据视频检测器拍摄下各帧图像中包含主路车辆i及匝道车辆a的时间
步骤4：根据车辆在各帧图像上主路车辆位置
步骤5：根据车辆在第j帧图像上测量出的主路车辆长度
步骤6：结合步骤3，步骤4求得的主路车辆i进入主路视频检测器检测范围时间ti，车辆速度vi及匝道车辆a进入匝道视频检测器检测范围时间ta,车辆速度va，计算主路及匝道各车辆进入合流区时间，则主路车辆进入合流区时间tic，匝道车辆进入合流区时间tac为：
步骤7：根据步骤6中计算得到的各主路车辆进入合流区时间tic，选择与匝道车辆a进入合流区时间最接近的3辆主路车辆作为可能与匝道车辆a发生冲突的候选车辆，计算最可能发生冲突的3辆主路车辆相对于匝道车辆a的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′：
tk′＝tk-ta
vk′＝vk-va
lk'＝max{lk,la}
步骤8：将由步骤7求得的最可能与匝道车辆发生冲突k辆主路车辆相对于匝道车辆a的相对进入时间tk′，相对车辆速度vk′，较大车辆长度lk′及匝道车辆a车辆速度va构建为输入向量，即(va，tk′，vk′，lk′)，其中k＝1,2,3，即输入向量的长度为10。
步骤9：将步骤8得到的输入向量加入训练后深度神经网络进行计算，最终输出基于深度前馈神经网络预测的冲突状态，若存在冲突隐患，则输出结果为1，若不存在冲突隐患，则输出结果为0，将深度前馈神经网络的输出值作为新的冲突预警标志状态，对冲突预警标志的状态进行更新，并将更新后的冲突预警标志传递给路侧预警及引导设备。
步骤10：路侧预警及引导设备读取冲突预警标志的状态，若冲突预警标志状态为0，则说明在冲突判断的过程中，通过算法判断匝道车辆a在通过匝道入口合流区时不会与主路上车辆发生冲突，即不对匝道车辆进行冲突预警，则信息处理单元将无冲突隐患，不对匝道车辆进行预警的信息通过冲突预警标志传递给路侧预警及引导设备，路侧预警及引导设备接收到状态为0的冲突预警标志后，在设置于匝道的显示屏上显示“无冲突危险，请保持当前车速”，同时指示灯显示为绿色；若路侧预警及引导设备读取的冲突预警标志状态为1，则说明冲突判断的过程中，通过算法判断匝道车辆a在通过匝道入口合流区时存在与主路车辆发生冲突的可能性，则路侧预警及引导设备接收到状态为1的冲突预警标志后，在设置于匝道的显示屏上显示“存在冲突危险，请减速行驶”，同时指示灯显示为红色。
- 还没有人留言评论。精彩留言会获得点赞！