英语原文共 10 页，剩余内容已隐藏，支付完成后下载完整资料

附录一 译文

用于道路安全分析的车载监控系统

摘要

本文提出了一个道路交通安全分析框架。它是基于一个立体视觉系统，安装在公共交通工具上后，可以收集行驶车辆前方发生的情况的数据。在获取原始GPS信息、视频序列和基于立体声的深度图的过程中，对收集到的数据进行分析，以计算替代安全措施。这些措施是利用交通冲突技术结合计算机视觉算法和级联分类器获得的。然后，安全措施被用于进一步分析，以确定需要干预以提高安全水平和防止事故的危险位置。在真实城市环境中进行的实验验证了该框架的有效性。

1. 介绍

道路事故是造成死亡的主要原因之一，因此，道路安全是各国政府需要解决的一个关键和微妙的问题。过去几年中，各国政府推出了一系列倡议，旨在通过直接针对道路的三个基本相互作用要素：人类行为、车辆安全特性和道路基础设施，大幅减少道路事故。人类行为是最难处理的，因为它只能在有限的范围内被预测。汽车安全的改善依赖于制造商实施的新技术和安全特性。最后，道路基础设施在影响人类行为和车辆性能的安全方面发挥着关键作用。有关道路基础设施的因素包括道路照明的质量、标志和道路标记的存在性和可读性，以及铺路[1]的质量。因此，道路安全是以上述三个基本要素为基础，使道路更加安全的规章和预防技术的最终结果。一种客观测量道路安全水平的方法有助于选择最有效的干预措施。对这一措施的研究激发了许多研究。主要分为两大类：基于交通事故统计数据[1]的分析和基于道路使用者分析和互操作的分析，这个项目叫做自然研究。大多数统计研究都是通过评估长期收集到的坠机数据来进行的。它们专注于严格的统计模型，只有在一定数量的事件已经发生之后，它们才能告诉我们有关安全水平的一些事情。然而，自然主义研究可以找到导致事故的原因，以防止事故的发生。在自然主义研究中，实际的困难是收集和获取良好输出所需的数据。目前的技术通过摄像机网络、无线传感器网络和车载监控系统提供了持续收集数据的机会。本文提出的框架可以在车辆行驶时自动收集数据，并为道路使用者定位危险位置，从而向专家发送警报，并允许及时干预，提高该位置的安全水平。为此，该框架由基于视频的车载监控系统组成，利用交通冲突技术(TCT)模型，结合计算机视觉技术和分类算法计算安全措施。这个框架适当地安装在每天运行在相同道路上的公共汽车交通系统上，可以创建一个分布式的移动传感器网络，直接在现场持续收集数据。与其他最先进的解决方案相比，所提出的方法提供了更多有关坠机前和坠机事件的信息，比现有的方法更便宜。此外，它允许用很少的传感器调查一个非常大的领域，它具有实时的安全风险检测能力。最后，它不是基于对驾驶员行为的分析，而是只关注道路使用者之间的互动，从而减少了对隐私问题的干扰。

本文的组织结构如下。第2节将讨论与流量分析方法相关的最新技术的现状。然后我们在第三节向读者介绍交通冲突技术基础。第4节描述了拟议的框架。第5节讨论了在意大利卡塔尼亚市收集的真实数据所得到的实验结果。最后，第六部分给出了结论和未来工作的方向。

1. 相关工作

减少道路风险和提高道路安全的努力是通过许多战略进行的，这些战略通常包括驾驶员筛选和选择过程、驾驶员培训、车辆维护和道路安全检查，以及事故数据的统计分析。

虽然这些方法取得了一些成功，但它们很慢，而且非常昂贵，而且往往不能对现实有足够广泛和反应性的观点，以便迅速识别道路安全问题，从而防止事故[1]。自然研究已经证明，在识别安全问题时，[2]的反应性更强，而如今的技术提供了更好的机会，可以检测安全问题，并自动触发干预来解决它。有可能区分基于静态定位传感器(单个或多个)的系统和基于安装在车辆上的传感器的系统。

在[3,4]中提出了许多技术，主要集中在驾驶员行为分析上。他们的研究为所有分析技术可能的广泛分类提供了灵感：实时技术，能够识别当前的安全问题和非实时技术，能够从大量样本中收集和分析数据。

基于所开发的设备，可以进一步将最先进的技术分类为：固定位置传感器网络和车载系统。

大量的研究使用放置在关键位置的传感器网络，专门研究交通流或车辆行为[5-8]。这些研究通过各种技术来收集和分析视频数据，利用TTC模型[6-8]，以识别撞车前的情况。它们非常可靠，而且成本有限。然而，定位因素是至关重要的，因为这些系统只允许你监测已经被认为是危险的区域，因此不能帮助识别未知的高风险区域。此外，道路和交通流量不断变化，因此固定的解决方案也需要不断升级和重新定位。

机载系统可以让我们知道在与飞行器一起移动时，周围发生了什么。大多数系统是基于车辆本身的传感器[9](速度、加速度、GPS等)，而其他[10]是基于视频的，可以在识别司机行为方面达到很高的准确性。Horrey等人[11]对机载监控系统的现状进行了详细的回顾。然而，尽管它们在识别驾驶员行为方面具有良好的准确性，但它们的解决方案在检测道路安全受到威胁的位置方面却缺乏能力。

在车载系统方面，基于移动电话的解决方案很有前景，因为它能够利用人们广泛使用的移动设备收集大量数据。在[12]手机传感器(GPS接收器和方向传感器)中，将手机视为方向盘，用于检测超车导致的不稳定驾驶行为。[13]开发了另一项有趣的研究，使用智能手机的三轴加速度传感器。作者提出的系统声称可以用来检测和分析各种外部道路条件和司机行为，这些可能会对司机、汽车和周围公众的健康造成危险。在[14]中，作者提出了一种基于驾驶员驾驶质量为驾驶员提供安全指标的车载系统。android设备固定在挡风玻璃上，捕捉音频和视频信号(事件前后10秒)，为了检测驾驶操纵，如激进转弯和突然刹车等，加速度计在每个方向上都定义了阈值。[15]也进行了类似的研究，作者提出了一个手机应用程序，它结合了手机的传感器，如GPS，加速计和麦克风，以检测司机的行为，交通和道路状况。

而有前途的基于移动的研究工作在极其不受限制的条件和各种数量的低质量传感器。因此，收集的数据的整体质量非常低。此外，由于数据量大，分析和洞察提取需要离线进行。

在[16]进行的研究表明，使用基于立体视觉的机载监控系统自动计算出在检测到的坠机前事件中有用的风险级别的有效性。

正如[17]所讨论的，机载监测系统的研究和开发应理想地：(a)识别和验证可能导致事故或受伤的行为;(b)以成本效益高的方式监测行为;(c)建立管理和驾驶员验收程序。

在本文中,我们目前的实现道路安全分析框架,满足所有上述条件和填补这些差距自动道路安全分析领域的结合高质量的实时视频和传感器数据收集和分析技术在实时和非实时分析的混合物。

1. 交通冲突技术

“海因里希三角”理论[18]为道路事故的推理提供了一个概念框架(图1)。它是建立在“无伤害事故”与“轻伤”(即“无伤害事故”)之间的关系之上的。，靠近三角形底部的事件先于靠近三角形顶部的事件)。此外，靠近底部的“海因里希三角”事件比靠近顶部的事件发生得更频繁。

交通冲突技术(Traffic Conflict Technique, TCT)从“海因里希三角”理论出发，假设适当的交通冲突(Traffic Conflict, TC)因子可以被定义为近碰撞事件的度量。TC被定义为一个可观测的情况下,两个或两个以上的道路使用者的方法在空间和时间到了这样一种程度,存在碰撞的危险,如果他们的行为[19]维持不变(如一个行人过马路,一辆车接近不刹车或改变方向)。

TCT基于空间和时间变量的测量，这些变量描述了涉及安全关键事件的两个道路使用者(如汽车和行人)之间的相互作用。碰撞时间(TTC)是交通冲突技术使用的主要指标，计算车辆(TTCv)和障碍物(TTCo)的碰撞时间。TTC的正式定义如下[20,16]：

其中D为主体到冲突点的距离，V为道路使用者(车辆或一般障碍物)的速度。

考虑到事件动态，可以通过相关的TTC措施将交通冲突划分为三大类(图2：行人冲突、车辆跟随冲突和交叉口冲突。

如果障碍是行人过马路，我们就会发生行人冲突。与此冲突相关的TTC措施，在时间i为两个参与者(即：(车辆和行人)的定义如下：

考虑到以车辆为中心的三维参考系统，表示车辆与行人沿Z轴和D轴的距离表示车辆与行人沿X轴的距离(见图2c)。让定义的车辆在某一时刻停车所需时间为：

其中是反应时间，是在时刻i时的车速， 制动时的减速。考虑到前面的情况，可以区分以下情况，它们定义了图2中标记的区域：

：车辆可在冲突区域前停车，

：车辆经过冲突地区之前行人走到那里，

：行人产生冲突

如果冲突存在，则可以评估其持续时间()作为最终时间和初始时间()，满足交通冲突条件。

第二种交通冲突类型是汽车跟随(图2b)，其中有两辆车沿同一方向行驶。冲突发生在前方车辆(v1)另一车辆的(v2)急速刹车或快速减速。如果v车实际停车的距离1 等于或小于车辆v的距离2 在它面前，崩溃就会发生。第二辆车v在时刻i的TTC值2 定义如[21]所示：

是在时刻i 车辆沿Y轴的距离，和分别为前车在i时刻的速度和和减速度，和分别为后车在第i时刻的速度和减速度。

如果, 定义为式(4)中，车辆v2 不能及时停止，冲突发生，可以评估。

第三类交通冲突是交叉口冲突(图2a)。这个类与行人冲突非常相似，假设涉及的参与者现在是两辆车。不同的是，在这类中涉及的速度要高得多。因此，必须考虑 在此假设下，两辆车的TTC值定义为:

考虑一个以所考虑的车辆v为中心的3D参考系统:表示第一辆车与第二辆车沿Y轴的距离表示第二辆车与第一辆车沿X轴的距离，和分别表示第一辆车和第二辆车沿其行驶方向的速度。

如果两者都符合 同时发生，冲突发生时有可能被评估。

鉴于根据下式可以计算第i时刻冲突的严重程度为风险影响(RI):

是时刻i时的速度而且，也有可能评估整个冲突的RI如下(根据[16]):

这三类冲突的区分可以自动完成。通过分析两辆车的速度大小和方向，可以很容易地将汽车尾随的情况与其他情况区分开来。另一方面，为了区分十字路口和行人类别，仅靠TTC措施是不够的，需要足够的视觉信息。TC类的自动分类将在4.5节中介绍。

1. 框架的描述

拟议的框架由在不同阶段运作的几个模块组成。为了清晰起见，我们首先在第4.1节中描述硬件组件，然后在后面的小节中描述在它们之上运行的软件模块。

4.1 硬件组件

该架构所采用的硬件由若干传感器、处理器和网络组件组成，如图3所示连接在一起。

TYZX DeepSea G3嵌入式视觉系统[22](图3中的EVS)是一款嵌入式立体图像处理器，用于计算车前场景的深度图。电动汽车的设计基于一个实现人口普查立体视觉算法[23]的体系结构。当输入像素进入EVS时，根据局部邻域对每个像素进行普查变换，得到一串普查位向量。对于立体系统的一个图像的每个像素，使用求和的汉明距离来比较像素周围和其他图像中窗口位置的人口普查向量。这些比较是流水线的，并且是同时进行的。最佳匹配，即距离最短，以5位亚像素精度定位。EVS处理器使用立体摄像机校准参数和用户指定的深度单位将计算出的像素视差转换为度量距离测量值。为了让系统能够从驾驶者的角度计算物体的距离，我们需要考虑电动汽车的工作范围和HFOV。我们在实验中使用了33厘米的基线和83度HFOV镜头。该配置的工作距离范围为2.5 ~ 50米。我们实验中使用的电动汽车规格如表1所示。

图3显示了如何将电动汽车与路由器、GPS模块和笔记本电脑连接起来。路由器解决了EVS数据访问问题。千兆以太网WLAN路由器管理一个网络，在这个网络中，EVS可以通过笔记本电脑访问。客户机可以通过连接到发送每个图像和计算的深度数据的TCP服务来访问EVS。由于所需的立体声视频必须有地理参考，我们还将电动汽车连接到蓝牙GPS接收模块。为了解决信号卫星问题，无线设备的选择是必须的，因为我们的实验使用的是城市巴士。城市公共汽车的形状迫使我们把GPS模块放在车顶上，以获得最好的信号质量。最后，一台笔记本电脑连接到局域网作为数据采集器。

电脑控制电动汽车，接收来自电动汽车和GPS模块的数据。所有的后续处理都在笔记本上完成。上述硬件组件的总成本低于2000美元，其中最昂贵的组件是立体声相机和笔记本电脑。摄像机在车内的正确安装和定位对系统的正常运行至关重要。相机定位是一个相关的问题，因为它必须在视野中没有任何遮挡的情况下工作，不应该对驾驶员造成干扰。在图4a中，摄像机在公交车上的正确定位被显示:这个位置与司机的视野是不可分割的，对他来说并没有干扰。

安装后，需要一个校准程序。标定过程包括在车辆外部和前方放置两个与车辆轴线正交的目标，距离摄像机3米。目标被放置使用高精度激光测距仪定位在车辆顶点并指向目标。此时，利用EVS可以评估两个目标的距离，并记录左右目标的距离差。估计的差异取决于相机相对于车辆的轴的倾斜。这些值被存储并用于完全指定相机的参考系统。图4a说明了摄像机在公共汽车上的位置。图4b为我们实验中数据采集系统。

4.2 软件模块

该框架的软件分析由硬件传感器提供的所有数据，以计算TCT措施，并检测存在安全风险的位置。为了便于理解，我们将把整个过程划分为逻辑阶段，如图5所示。

整个过程从收集传感器的数据开始。为进一步处理收集的数据包括:GPS坐标、RGB视频帧和车前

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[405903]，资料为PDF文档或Word文档，PDF文档可免费转换为Word