基于机器视觉的高速公路服务区违法上下客识别应用研究

为加强管控高速公路服务区违法上下客行为,提升执法效率,保障交通安全。本文基于违法上下客行为伴随的携带行李箱、背包等携物特征,利用高速公路服务区已有视频监控,基于检测区域的目标车辆识别与跟踪,采用Codcbook算法提取目标行人轮廓,通过人体骨骼关键点检测算法实现行人携物检测,结合行人移动方向与车辆停靠位置的相对分析,判别违法上下客行为。开发一套基于机器视觉的违法上下客识别原型系统,在试点服务区得到有效应用,对提升执法稽查效率及非现场执法智能化水平具有重要意义。

基于网络核密度的网约车上下客热点识别

为分析网约车上下客热点的时空分布特性,利用网约车订单数据,构建基于网络核密度估计的上下客热点识别模型,采用回归模型对热点进行聚类和分级。通过研究区域划定、数据清洗和筛选,引入以路网距离为度量的网络核密度估计方法,基于非均质网络方向延展和网络距离衰减效应,对工作日和非工作日的特征时段内网约车上下客点的核密度值进行估计。采用零膨胀负二项回归模型对核密度值进行聚类,识别出研究区域的热点路段分布及其等级。通过与平面核密度估计结果对比分析,本文提出的网络核密度估计方法体现了上下客热点在路段和交叉口的分布特点,表征了实际的交通需求与路网结构的关系。研究结论为优化城市网约车的运营管理、提高城市居民出行效率提供理论依据。

基于人车交互行为模型的上下客行为识别

上下客行为是常见的人车交互交通行为,但随意地在路边或者禁停区域上下客,不但容易干扰道路交通秩序,还可能造成人员伤亡的恶性交通安全事故,需要及时检出以便疏导管理。受益于智慧灯杆的开发和部署,全路段的上下客行为检测成为可能。设计了一种基于智慧灯杆监控视频的人车交互行为模型HVIB(Human-Vehicle Interaction Behavior)及上下客行为识别方法,实现路边停车和上下客行为的检测。人车交互行为模型HVIB由车辆运动状态检测模块和人车关系检测模块组成。在车辆运动状态检测模块中,利用YOLOv4(You Only Look Once,Version 4)目标检测模型和SORT(Simple Online and Realtime Tracking)跟踪算法输出高置信度目标信息,并抽取车辆时空位置特征表达。在人车关系检测模块中,结合人与车辆的空间位置变化和相对运动方向,形成人车关系的时空特征表达。通过计算视频中人车时空位置特征,基于车辆运动状态判别函数和人车关系判别函数输出车辆运动状态和人车关系类别,并依据不同人车交互行为的定义,可以实现上下客行为识别。使用真实城市交通场景视频数据,对多种天气条件(晴天、阴天、雨天)下的不同人车行为进行了识别试验。试验结果表明:所提出的方法可以全天候工作,其中在白天多种天气条件下,停车和上下客行为的检测准确率能达到90%和87%以上,夜晚正常天气条件下分别为82.5%和77.5%;同时,检测速度在每秒30帧以上,满足实际应用的实时性要求。