本發(fā)明涉及智能交通領(lǐng)域，尤其涉及一種低能見度環(huán)境下的公路通行管控方法及系統(tǒng)。

背景技術(shù)：

1、隨著交通網(wǎng)絡(luò)的不斷擴(kuò)展和車輛數(shù)量的持續(xù)增長，公路交通安全問題日益受到社會(huì)各界的關(guān)注。其中，低能見度環(huán)境，如大霧、雨雪等惡劣天氣條件，對(duì)公路通行安全構(gòu)成了威脅。特別是在低能見度環(huán)境下，駕駛員的視線受限，反應(yīng)時(shí)間延長，極易發(fā)生追尾、偏離車道等事故。

2、目前，限速和限行措施會(huì)影響公路的通行效率，增加交通擁堵的風(fēng)險(xiǎn)；而警示標(biāo)志的設(shè)置雖然能在一定程度上提醒駕駛員注意安全，但在能見度極低的情況下，駕駛員可能無法及時(shí)發(fā)現(xiàn)警示標(biāo)志，導(dǎo)致事故的發(fā)生。國內(nèi)外在低能見度環(huán)境下公路通行管控方面的研究已取得了一些進(jìn)展。

3、然而，現(xiàn)有技術(shù)仍存在一些不足之處。一方面，大多數(shù)技術(shù)主要關(guān)注于對(duì)交通狀態(tài)的監(jiān)測和預(yù)警，而缺乏對(duì)交通管控的深入研究；另一方面，現(xiàn)有技術(shù)在應(yīng)用過程中可能受到硬件設(shè)備的限制，如傳感器精度不足、數(shù)據(jù)處理能力有限等，導(dǎo)致監(jiān)控效果不佳。因此，寇待開發(fā)一種更為有效、智能的低能見度環(huán)境下公路通行管控方法，提高公路的通行效率和安全性。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是要提供一種低能見度環(huán)境下的公路通行管控方法。

2、為達(dá)到上述目的，本發(fā)明是按照以下技術(shù)方案實(shí)施的：

3、本發(fā)明包括以下步驟：

4、采集低能見度環(huán)境下公路的通行數(shù)據(jù)和圖像數(shù)據(jù)，對(duì)所述通行數(shù)據(jù)和所述圖像數(shù)據(jù)進(jìn)行預(yù)處理；

5、根據(jù)所述通行數(shù)據(jù)構(gòu)建高可靠感知矩陣，按照公路車道對(duì)所述高可靠感知矩陣進(jìn)行分區(qū)編碼獲得區(qū)域編碼，對(duì)所述圖像數(shù)據(jù)進(jìn)行定位識(shí)別獲得定位數(shù)據(jù)；

6、根據(jù)相似度采用感知網(wǎng)絡(luò)對(duì)所述區(qū)域編碼進(jìn)行運(yùn)動(dòng)檢測獲得運(yùn)動(dòng)數(shù)據(jù)，才用所述定位數(shù)據(jù)校正所述運(yùn)動(dòng)數(shù)據(jù)獲得修正數(shù)據(jù)，將所述修正數(shù)據(jù)輸入軌跡演算預(yù)測模型獲得行駛運(yùn)動(dòng)軌跡；包括：

7、

8、其中第s個(gè)運(yùn)動(dòng)數(shù)據(jù)的感應(yīng)角度為θs，定位數(shù)據(jù)的數(shù)量為第s個(gè)定位數(shù)據(jù)的實(shí)測角度為θo，第s個(gè)運(yùn)動(dòng)數(shù)據(jù)為ks，第s個(gè)影響因子為第t個(gè)時(shí)刻的第s個(gè)運(yùn)動(dòng)數(shù)據(jù)為ks,t，第t+1個(gè)時(shí)刻的第s個(gè)運(yùn)動(dòng)數(shù)據(jù)為ks,t+1，觀測時(shí)刻上限為t，第s個(gè)偏差權(quán)重為δs，第s個(gè)定位數(shù)據(jù)為ls，第s個(gè)修正數(shù)據(jù)為ζs，調(diào)控因子為ε；

9、采用邊緣檢測根據(jù)所述行駛運(yùn)動(dòng)軌跡獲取車輛間數(shù)據(jù)，根據(jù)所述車輛間數(shù)據(jù)構(gòu)建低能見度公路通行管控模型，將待管控?cái)?shù)據(jù)輸入所述低能見度公路通行管控模型，輸出管控結(jié)果。

10、進(jìn)一步的，按照公路車道對(duì)所述高可靠感知矩陣進(jìn)行分區(qū)編碼獲得區(qū)域編碼的方法，包括：

11、通過公路上的傳感器位置將高可靠感知矩陣劃分為多個(gè)感知區(qū)域；

12、計(jì)算感知區(qū)域與編碼數(shù)據(jù)的差錯(cuò)概率上限：

13、

14、其中信道矩陣為r，預(yù)編碼矩陣為k，差錯(cuò)概率為h(·)，感知區(qū)域?yàn)閏，感知區(qū)域的編碼數(shù)據(jù)為誤差率為η，范數(shù)函數(shù)為‖·‖；

15、計(jì)算信道概率密度：

16、

17、其中信道r的概率密度為信道均值為rτ，傳輸協(xié)方差為vt，傳輸逆矩陣為v-1，矩陣的秩為tr[·]，信道矢量數(shù)量為n，行列式為dt(·)，第f個(gè)信號(hào)矢量的數(shù)量為nf；

18、計(jì)算最小目標(biāo)函數(shù)：

19、

20、tr(kkr)＝1

21、其中目標(biāo)函數(shù)為傳輸協(xié)方差的逆矩陣為顯著性權(quán)重為λ，信道r的預(yù)編碼矩陣為kr，預(yù)編碼矩陣最優(yōu)時(shí)矩陣的碼距為μo；

22、計(jì)算顯著性權(quán)重：

23、

24、其中顯著常數(shù)分別為l，自然常數(shù)為e，當(dāng)前編碼圖像的平均顯著性為第v個(gè)編碼區(qū)域uv的平均顯著性為k(uv)；

25、給出約束目標(biāo)函數(shù)，表達(dá)式為：

26、

27、其中拉格朗日系數(shù)為信道調(diào)整矩陣z和拉格朗日系數(shù)的約束目標(biāo)函數(shù)為預(yù)編碼矩陣為

28、計(jì)算最優(yōu)編碼矩陣：

29、

30、其中最優(yōu)編碼矩陣為ko，調(diào)整參數(shù)為右奇異向量為x，左奇異向量為y，根據(jù)最優(yōu)編碼矩陣輸出區(qū)域編碼。

31、進(jìn)一步的，根據(jù)相似度采用感知網(wǎng)絡(luò)對(duì)所述區(qū)域編碼進(jìn)行運(yùn)動(dòng)檢測獲得運(yùn)動(dòng)數(shù)據(jù)的方法，包括：

32、根據(jù)編碼區(qū)域獲得區(qū)域圖像，采用卷積神經(jīng)網(wǎng)絡(luò)提取區(qū)域圖像的時(shí)變特征；

33、將時(shí)變特征輸入感知網(wǎng)絡(luò)，對(duì)輸入的特征層通道進(jìn)行全局平均化處理，將空間特征信息壓縮到通道維度中，表達(dá)式為：

34、

35、其中第a個(gè)統(tǒng)計(jì)量為區(qū)域圖像的高度為s，區(qū)域圖像的寬度為d，第a個(gè)特征圖層為ea，第c個(gè)高度第y個(gè)寬度的特征圖當(dāng)前位置數(shù)值為(c,y)；

36、通過兩次全連接操作擬合通道間的相關(guān)性，根據(jù)相關(guān)性確定通道重要程度，表達(dá)式為：

37、

38、其中區(qū)域圖像的縮放參數(shù)為β，區(qū)域圖像的平移參數(shù)為r1，輸出權(quán)重為ψ，自然常數(shù)為e，偏移量為δ；

39、對(duì)感知網(wǎng)絡(luò)進(jìn)行剪枝操作，表達(dá)式為：

40、

41、其中第a個(gè)批量標(biāo)準(zhǔn)層的輸出為第a個(gè)批量標(biāo)準(zhǔn)層的輸入為va，位移為縮放因子為ρ，訓(xùn)練數(shù)據(jù)最小批次的均值為訓(xùn)練數(shù)據(jù)最小批次的方差為σw，誤差因子為τ；

42、改進(jìn)感知網(wǎng)絡(luò)的損失函數(shù)，表達(dá)式為：

43、

44、其中正則系數(shù)為α，在第b個(gè)網(wǎng)絡(luò)層的特征表示為在第b個(gè)網(wǎng)絡(luò)層的預(yù)測特征表示為位移的約束函數(shù)為

45、通過感知網(wǎng)絡(luò)進(jìn)行運(yùn)動(dòng)目標(biāo)標(biāo)注，計(jì)算運(yùn)動(dòng)目標(biāo)的相似度：

46、

47、其中余弦權(quán)重為χ2，外形權(quán)重為χ1，余弦函數(shù)為cos(·)，第p個(gè)運(yùn)動(dòng)目標(biāo)的第i個(gè)外形特征為zp,i，第p個(gè)運(yùn)動(dòng)目標(biāo)外形特征zp,i的對(duì)照車輛外形特征為zp,o，調(diào)節(jié)因子為φ，影響程度為外形特征的數(shù)量為

48、將相似度大于0.718的運(yùn)動(dòng)目標(biāo)作為行駛車輛，提取行駛車輛的運(yùn)動(dòng)數(shù)據(jù)輸出為運(yùn)動(dòng)數(shù)據(jù)。

49、進(jìn)一步的，將所述修正數(shù)據(jù)輸入軌跡演算預(yù)測模型獲得行駛運(yùn)動(dòng)軌跡的方法，包括：

50、采用通過從修正數(shù)據(jù)中學(xué)習(xí)動(dòng)態(tài)模型和統(tǒng)計(jì)行為模式，引入基于譜聚類的駕駛模式聚類機(jī)制，通過時(shí)空注意力機(jī)制獲得影響軌跡的特征權(quán)重分布，根據(jù)動(dòng)態(tài)模型、行為模式和特征權(quán)重分布預(yù)測車輛的行駛運(yùn)動(dòng)軌跡。

51、進(jìn)一步的，采用邊緣檢測根據(jù)所述行駛運(yùn)動(dòng)軌跡獲取車輛間數(shù)據(jù)的方法，包括：

52、根據(jù)行駛運(yùn)動(dòng)軌跡獲取圖像，表達(dá)式為：

53、

54、其中圖像的像素坐標(biāo)為(w,j)，灰度圖像為g(w,j)，卷積運(yùn)算符為*，高斯分布的標(biāo)準(zhǔn)差為ξ，偏差常數(shù)為控制因子為ω，圖像像素的橫坐標(biāo)為w，圖像像素的縱坐標(biāo)為j；

55、統(tǒng)計(jì)圖像的最大灰度值和最小灰度值，計(jì)算初始閾值：

56、

57、其中初始閾值為q0，圖像的最大灰度值為wmax，圖像的最小灰度值為wmin；

58、將大于初始閾值的圖像作為背景，小于初始閾值的作為前景，根據(jù)前景灰度均值和背景灰度均值更新初始閾值，表達(dá)式為：

59、

60、其中前景灰度均值為背景灰度均值為更新后的閾值為q1；

61、根據(jù)更新后的閾值對(duì)圖像進(jìn)行分割，對(duì)行駛車輛進(jìn)行定位，計(jì)算圖像中行駛車輛的梯度幅度和相位：

62、

63、其中梯度幅度為qr，相位為u，圖像梯度的水平分量為qrw，圖像梯度的垂直分量為qrj；

64、根據(jù)梯度幅度和相位計(jì)算車輛行駛車道前后方車輛間距，將車輛間距輸出為車輛間數(shù)據(jù)。

65、進(jìn)一步的，根據(jù)所述車輛間數(shù)據(jù)構(gòu)建低能見度公路通行管控模型的方法，包括：

66、將車輛間數(shù)據(jù)中車輛間的距離與間距閾值進(jìn)行比較，當(dāng)車輛行駛車道前后方車輛間距小于閾值時(shí)，緊急安全預(yù)警；

67、低能見度公路通行管控模型包括隨機(jī)森林算法、目標(biāo)檢測算法、譜聚類算法、bp神經(jīng)網(wǎng)絡(luò)算法；

68、隨機(jī)森林算法按照7:2的比例將輸入數(shù)據(jù)隨機(jī)劃分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)；

69、目標(biāo)檢測算法通過訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)提取訓(xùn)練數(shù)據(jù)的圖像特征，使用圖像特征來識(shí)別和定位圖像中的目標(biāo)車輛；

70、譜聚類算法利用目標(biāo)車輛的駕駛習(xí)慣相似性矩陣來構(gòu)建圖的拉普拉斯矩陣，通過駕駛特征向量進(jìn)行聚類，獲得習(xí)慣聚類；

71、bp神經(jīng)網(wǎng)絡(luò)算法在低能見度公路通行監(jiān)測中通過學(xué)習(xí)車輛間數(shù)據(jù)的模式，對(duì)習(xí)慣聚類進(jìn)行非線性映射，識(shí)別預(yù)測交通狀況進(jìn)行通行監(jiān)測；

72、將測試數(shù)據(jù)輸入低能見度公路通行管控模型獲得預(yù)測車輛間數(shù)據(jù)，根據(jù)預(yù)測車輛間數(shù)據(jù)和實(shí)際預(yù)測車輛間數(shù)據(jù)的均方差調(diào)整低能見度公路通行管控模型的超參數(shù)，直到均方差小于0.11。

73、第二方面，一種低能見度環(huán)境下的公路通行管控系統(tǒng)，包括：

74、數(shù)據(jù)采集模塊：用于采集低能見度環(huán)境下公路的通行數(shù)據(jù)和圖像數(shù)據(jù)，對(duì)所述通行數(shù)據(jù)和所述圖像數(shù)據(jù)進(jìn)行預(yù)處理；

75、數(shù)據(jù)處理模塊：用于根據(jù)所述通行數(shù)據(jù)構(gòu)建高可靠感知矩陣，按照公路車道對(duì)所述高可靠感知矩陣進(jìn)行分區(qū)編碼獲得區(qū)域編碼，對(duì)所述圖像數(shù)據(jù)進(jìn)行定位識(shí)別獲得定位數(shù)據(jù)；

76、軌跡演算模塊：用于根據(jù)相似度采用感知網(wǎng)絡(luò)對(duì)所述區(qū)域編碼進(jìn)行運(yùn)動(dòng)檢測獲得運(yùn)動(dòng)數(shù)據(jù)，才用所述定位數(shù)據(jù)校正所述運(yùn)動(dòng)數(shù)據(jù)獲得修正數(shù)據(jù)，將所述修正數(shù)據(jù)輸入軌跡演算預(yù)測模型獲得行駛運(yùn)動(dòng)軌跡；包括：

77、

78、其中第s個(gè)運(yùn)動(dòng)數(shù)據(jù)的感應(yīng)角度為θs，定位數(shù)據(jù)的數(shù)量為第s個(gè)定位數(shù)據(jù)的實(shí)測角度為θo，第s個(gè)運(yùn)動(dòng)數(shù)據(jù)為ks，第s個(gè)影響因子為第t個(gè)時(shí)刻的第s個(gè)運(yùn)動(dòng)數(shù)據(jù)為ks,t，第t+1個(gè)時(shí)刻的第s個(gè)運(yùn)動(dòng)數(shù)據(jù)為ks,t+1，觀測時(shí)刻上限為t，第s個(gè)偏差權(quán)重為δs，第s個(gè)定位數(shù)據(jù)為ls，第s個(gè)修正數(shù)據(jù)為ζs，調(diào)控因子為ε；

79、車輛管控模塊：用于采用邊緣檢測根據(jù)所述行駛運(yùn)動(dòng)軌跡獲取車輛間數(shù)據(jù)，根據(jù)所述車輛間數(shù)據(jù)構(gòu)建低能見度公路通行管控模型，將待管控?cái)?shù)據(jù)輸入所述低能見度公路通行管控模型，輸出管控結(jié)果。

80、本發(fā)明的有益效果是：

81、本發(fā)明是一種低能見度環(huán)境下的公路通行管控方法及系統(tǒng)，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下技術(shù)效果：

82、本發(fā)明通過預(yù)處理、分區(qū)編碼、定位識(shí)別、運(yùn)動(dòng)檢測、數(shù)據(jù)校正、軌跡演算、邊緣檢測和模型構(gòu)建步驟，可以提高低能見度環(huán)境下的公路通行管控的準(zhǔn)確性，從而提高低能見度環(huán)境下的公路通行管控的精度，將低能見度環(huán)境下的公路通行管控的定位優(yōu)化，可以大大節(jié)省資源，提高工作效率，可以實(shí)現(xiàn)對(duì)低能見度環(huán)境下的公路通行的智能管控，實(shí)時(shí)對(duì)低能見度環(huán)境下的公路通行管控進(jìn)行定位修正和軌跡演算，對(duì)低能見度環(huán)境下的公路通行管控具有重要意義，可以適應(yīng)不同標(biāo)準(zhǔn)的多低能見度環(huán)境下的公路通行管控、不同低能見度環(huán)境下的公路通行管控需求，具有一定的普適性。