基于特征匹配的交叉口运行状态智能诊断系统及方法

技术领域

本发明涉及交叉口运行状态智能诊断领域，尤其是一种基于特征匹配的交叉口运行状态智能诊断系统及方法。

背景技术

随着我国城市化水平加快，道路交通体系的不断完善以及社会经济的快速发展，目前各地发达城市路网运行压力越来越大，部分道路已经不能满足交通运行需求。交叉口作为路网的重要组成部分，而非机动车的数量日益增多，对交叉口产生的影响日益严重，交叉口运行状态的优化提升对城市交通体系的完善有重要影响。

目前已有的交叉口运行状态诊断方法，主要通过对两到三个指标的评价结果的量化，输出宏观层面上的交叉口运行状态诊断等级，以此来确定多个交叉口治理的顺序，微观层面上的交叉口运行状态问题诊断及优化仍停留在人工阶段。一方面，前期的交通调查需要耗费大量的人力财力以及时间；另一方面，在后期交叉口的问题诊断及优化上不够全面和智能。因此需要一种能结合高精度的道路交通检测技术的智能化交叉口运行状态诊断系统。

发明内容

本发明的目的在于提供一种基于特征匹配的交叉口运行状态智能诊断系统及方法，可有效提高现有非机动车检测精度和检测效率低的问题，对不同规格的交叉口自适应诊断评价，自主在建立的交叉口影响因素库中匹配生成交叉口存在的运行问题，并关联得到相应的改善措施。

实现本发明目的的技术解决方案为：第一方面，本发明提供一种基于特征匹配的交叉口运行状态智能诊断系统，包括：

视频输入模块，用于将无人机采集的交叉口上空不同高度视频，输入交叉口运行状态智能诊断系统；

参数提取模块，用于对输入的视频进行深度学习目标检测和轨迹追踪，提取动态交通参数和静态交通参数；

指标构建模块，根据提取到的交通参数构建多元融合指标体系；

诊断评价模块，根据不同规格的交叉口采用不同的多元融合指标集进行自适应评价得到评价集；

因素生成模块，对融合得到的指标集构建交叉口影响因素库，利用异构体分解-多特征匹配算法自主生成最合适的影响因素；

措施匹配模块，根据交叉口影响因素库，按需求优化建立交叉口改善措施库，通过多维Apriori关联规则在交叉口影响因素数据库和改善措施数据库建立关联，采用KMP算法实现一对一匹配；

可视化输出模块，搭载UI对诊断、评价、匹配结果输出，SUMO仿真平台对交叉口实际运行状态可视化。

第二方面，本发明提供一种基于特征匹配的交叉口运行状态智能诊断方法，包括如下步骤：

步骤1、无人机采集交叉口上空不同高度的视频，输入交叉口运行状态智能诊断系统；

步骤2、对输入的视频进行深度学习目标检测和轨迹追踪，提取动态交通参数和静态交通参数；动态交通参数包括机动车速度、车头时距、车流密度、流量、时间占有率以及非机动车流量、速度，静态交通参数包括交叉口内部、进口道静态标线；

步骤3、根据提取到的交通参数构建多元融合指标体系；

步骤4、根据不同规格的交叉口采用不同的多元融合指标集进行自适应评价得到评价集；

步骤5、对融合得到的指标集构建交叉口影响因素库，利用异构体分解-多特征匹配算法自主生成最合适的影响因素；

步骤6、根据交叉口影响因素库，按需求优化建立交叉口改善措施库，通过多维Apriori关联规则在交叉口影响因素数据库和改善措施数据库建立关联，采用KMP算法实现一对一匹配；

步骤7、搭载UI对诊断、评价、匹配结果输出，SUMO仿真平台对交叉口实际运行状态可视化。

本发明与现有技术相比，其显著优点为：

(1)采用改进的JDE追踪算法，对1800张非机动车图像数据集检测，非机动车检测追踪精度达到了95.11％，运行时间为189s；

(2)基于图像分割算法自主获取交叉口静态参数，并划分不同规格的交叉口，构建多元融合指标体系，实现不同规格交叉口运行状态的自适应评价；

(3)构建了涵盖交通运行特征、交叉口几何设计、交通管理设施和交通行为特征等多维度的交叉口影响因素数据库；

(4)提出一种新的异构体分解-多特征匹配(ID-MFM)算法，实现了目标交叉口运行特征与数据库的多维关联；实现了交叉口运行状态的智能诊断。

附图说明

图1为本发明的工作流程图。

图2为异构体分解-多特征匹配算法流程图。

图3为多元融合指标体系图。

图4为实施例中的交叉口示意图。

图5为系统展示示例图。

具体实施方式

无人机技术发展迅速，它的应用范围广泛，可以对城市道路各种交通场景进行信息采集；不同于路侧摄像头视角，无人机能够从城市道路垂直上方向下俯拍获取高清视频，能够获取机动车与非机动车的运行轨迹和关键运动参数。数字化建模技术从数据接入层到计算仿真层再到应用层，对获取到的静态和动态数据的语义知识，构筑交通仿真场景仿真演算，推演交通运行情况，进一步运用各类智能优化技术，不断迭代改进策略和决策，将决策方案反馈到现实，指导交通运行。将无人机技术和数字化建模技术融入到智能化交叉口运行状态诊断系统中，能有效提高交叉口改造过程中输入输出的效率，但交叉口自主诊断还需要大量数据训练自动适应不同交通场景以及保证诊断评价的可靠性。

本发明提出一种基于特征匹配的交叉口运行状态智能诊断系统及方法，具体为：在交叉口上空通过无人机采集高峰和平峰视频；所述视频通过YOLOv5-X和改进的JDE多目标追踪算法，融合高精度定位技术检测交叉口机动车和非机动车流量、速度等动态参数以及交叉口内部和进口道标线、导向箭头坐标等静态参数；构建多元融合指标体系，实现不同规格交叉口运行状态的自适应评价和交通问题的诊断。建立交叉口影响因素数据库和改善措施数据库；基于数字孪生技术对静态建模和动态感知得到的数据仿真推演，获取交叉口影响因素数据库不同交通场景的数据特征；通过多维Apriori关联规则实现影响因素库与改善措施库一对一强规则关联。所述交叉口运行状态智能诊断，提出异构体分解-多特征匹配算法ID-MFM(Isomers Decompose-Multiple Feature Matching)实现与数据库特征匹配，自主生成影响因素，最后通过Knuth-Morris-Pratt(KMP)算法实现影响因素和改善措施的高效连接，输出诊断结果，基于SUMO可视化交叉口运行状态。

本发明拟解决以下问题：

(1)交叉口部分非机动车行驶杂乱无章，难以追踪，本发明基于YOLOv5-X和改进的JDE算法改进对于非机动车的检测追踪的精度和效率。

(2)现有交叉口运行状态评价指标分类和诊断分析方法较单一，本发明依托高精度地图技术刻画交叉口全貌，构建多元融合指标体系，实现不同规格交叉口运行状态的自适应评价。

(3)交叉口运行状态智能诊断需要大量数据训练，本发明基于SUMO平台建立了不同交通场景的仿真模型，弥补现有交叉口影响因素数据库的空缺。

(4)交叉口自主诊断生成交叉口运行状态的影响因素，该领域还未有具体到特征级的匹配方法，本发明提出一种多特征匹配算法(ID-MFM)，以期为交叉口智能诊断和保证诊断的可靠性提供技术支持。

为达成上述目的，本发明提供一种基于特征匹配的交叉口运行状态智能诊断系统，如图1所示，包括：

视频输入模块：无人机采集交叉口上空60米、80米或100米高度的视频，输入交叉口运行状态智能诊断系统；

参数提取模块：对输入的视频进行深度学习目标检测和轨迹追踪，提取动态交通参数：机动车速度、车头时距、车流密度、流量、时间占有率以及非机动车流量、速度和静态交通参数：交叉口内部、进口道静态标线；

指标构建模块：根据提取到的交通参数按提升运行效率类和保证运行可靠类构建多元融合指标体系；

诊断评价模块：根据不同规格的交叉口采用不同的多元融合指标集U

因素生成模块：对融合得到的指标集V

措施匹配模块：根据交叉口影响因素库，按需求优化建立交叉口改善措施库，通过多维Apriori关联规则在交叉口影响因素数据库和改善措施数据库建立关联，采用KMP算法实现一对一匹配；

可视化输出模块：搭载UI对诊断、评价、匹配结果输出，SUMO仿真平台对交叉口实际运行状态可视化。

基于同样的发明构思，本发明还提供一种基于特征匹配的交叉口运行状态智能诊断方法，包括：

S1、无人机采集交叉口上空60米、80米或100米高度的视频，输入交叉口运行状态智能诊断系统。

S2、对输入的视频进行深度学习目标检测和轨迹追踪，提取机动车速度、车头时距、车流密度、流量以及非机动车流量、速度等动态交通参数和交叉口内部、进口道静态标线等静态交通参数。

S3、根据提取到的交通参数按提升运行效率类和保证运行可靠类构建多元融合指标体系。

S4、根据不同规格的交叉口采用不同的多元融合指标集U

S5、对融合得到的指标集V

S6、根据交叉口影响因素库，按需求优化建立交叉口改善措施库，通过多维Apriori关联规则在交叉口影响因素数据库和改善措施数据库建立关联，采用KMP算法实现一对一匹配。

S7、搭载UI对诊断、评价、匹配结果输出，SUMO仿真平台对交叉口实际运行状态可视化。

所述步骤S1中，包括：

S101、所述交叉口运行状态智能诊断定义为：对不同规格的交叉口经多元融合指标体系评价诊断后自主生成运行状态的影响因素和相应的改善措施。

S102、无人机采用大疆公司生产的DJ Mini 2四轴飞行器，该飞行器可拍摄4K高清视频，帧速为30帧/s，最大抗风等级为5级。

所述步骤S2中，包括：

S201、采用YOLOv5-X算法对机动车、非机动车进行检测，改进的JDE多目标追踪算法对机动车和非机动车追踪并提取相关交通参数，具体如下：

(1)从实地采集的交叉口无人机视频，将视频按帧拆分成图片并保存在文件夹，获得不同时刻的若干张图片作为目标检测的训练集；

(2)使用Labelimg对采集图片中的车辆和标线进行画框，标签为其车型；

(3)将Labelimg标注生成的xml格式文件转换成YOLOv5-X使用的txt格式文件；

(4)修改YOLOv5-X算法的参数，运行算法训练部分对数据集进行训练，得到机动车与非机动车检测算法；

(5)运行(4)的检测算法得到检测结果，使用改进的JDE追踪算法进行再训练，提取轨迹；

(6)利用训练后的追踪模型对交叉口无人机视频中的的机动车与电动自行车进行追踪，提取相关参数：机动车速度、车头时距、车流密度、流量和非机动车流量、速度。

S202、运用DeepLab图像分割算法，获取机动车道、人行道、斑马线区域等场景语义数据，依托高精度电子地图，获取交叉口车道线、人行横道线、分隔线和导向箭头等静态交通参数的经纬度。

所述步骤S3中，包括：

S301、多元融合指标体系以提升交叉口运行效率和保证运行可靠为结果导向，对提取到的交叉口评价指标：机动车流量Q

S302、用于反映交叉口诊断评价改善前后变化幅度的指标定义为相对指标，用于反映交叉口诊断评价改善运行效果的直接指标定义为绝对指标，具体多元融合指标体系构建见图3。

所述步骤S4中，包括：

S401、根据S202获取的静态交通参数的经纬度，计算交叉口的双向车道数，判断交叉口的规格，≤4车道为小型交叉口，4-12车道为中型交叉口，＞12车道为大型交叉口。

S402、针对S401中不同规格的交叉口，小型交叉口以保证运行可靠为结果导向，所以提出融合指标集U

S403、采用模糊综合评价法得到指标集U

Z＝B

式中，

所述步骤S5中，包括：

S501、基于数字化建模SUMO仿真平台，根据设定的各指标阈值训练不同规格交叉口在不同交通场景下的运行特征，建立交叉口影响因素库，因素集采用6、8、10个评价指标来描述。

S502、提出一种新的特征匹配方法——异构体分解-多特征匹配IsomersDecompose-Multiple Feature Matching(ID-MFM)，记输入指标集U

1)输入交叉口运行状态评价集U

2)对U

3)将P与P`比较，计算P`的匹配精度q，如公式(4、5、6)：

m＝n

r＝n

q＝m×r

式中，m为精度值，r为召回值，n

4)当q≠100％时，迭代重新匹配，否则将匹配到的因素N保存至因素池，a+＝1；

5)根据实际需求，设定终止条件为a∈[6x,10x]；

6)将属于异构体的评价集或因素集分解，转换为齐次，在因素池中匹配得到均方误差最小的最优解因素N`，记其特征数为T`

7)计算因素N的匹配可靠性，若T`

式中：q为匹配精度，0

8)若N`的个数Count(N`)

9)否则输出所有的N`。

所述步骤S6中，包括：

S601、设定最小支持度与最小置信度，将影响因素库中的某个影响因素X与改善措施库中的某个改善措施Y，通过多维Apriori关联规则建立强规则，以此类推，实现交叉口运行状态影响因素库和改善措施库的有序连接。

S602、快速模式匹配算法(KMP)的实现过程接近人工进行模式匹配，KMP模式串后移相当于对指针重定位，由于关联规则的存在，next数组的匹配会大大加快。

所述步骤S7中，包括：

S701、系统UI界面可以将提取到的交叉口运行状态评价指标集U

下面结合附图及具体实施例子对本发明作进一步详细说明。

实施例

附图4为本发明应用的一个场景，该交叉口为十字形信号控制交叉口，下面基于该交叉口运行场景做实际应用步骤说明。

S1、无人机采集交叉口上空60米视频，输入交叉口运行状态智能诊断系统。

S2、对输入的视频进行深度学习目标检测和轨迹追踪，提取交通参数。

S201、采用YOLOv5-X和改进的JDE多目标追踪算法对机动车和非机动车检测追踪并提取相关动态交通参数；

S202、运用DeepLab图像分割算法，依托高精度电子地图，获取交叉口静态交通参数。

S3、根据提取到的交通参数构建多元融合指标体系。

S4、对该交叉口进行自适应评价得到评价集W

S401、交叉口为小型交叉口，采用融合指标集U

S402、自适应评价得到交叉口运行状态的评价集为W

S5、输入U

S6、通过多维Apriori关联规则和KMP算法一对一匹配相应的2个改善措施，具体见图5。

S7、系统输出自主诊断、评价、匹配结果，通过SUMO仿真平台对交叉口实际运行状态可视化。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制；尽管参照较佳实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换，比如数据库的建立以及多特征匹配算法等；以上不应脱离本发明技术方案的精神，其均应涵盖在本发明请求保护的技术方案范围当中。