路况详细资料大全

发布网友发布时间：2023-04-10 12:52

共1个回答

热心网友时间：2023-09-15 07:26

路况【road condition】指的是现有道路路基、路面、构造物及附属设施等的技术状况。一般也指路面及附属设施损坏情况。

在路上行驶时，经常会有人不遵守交通规则，随意穿行道路，这种情况在城市中尤为常见。如果驾驶员遇到这种情况处理不当，就很容易造成交通事故。在城市中的闹市区或交叉路口，特别是机动车道和非机动车道没有明确划分的路段，行人和机动车强行的情况十分普遍。根据新《道路交通安全法》的规定，在没有明确交通信号标志的路段，机动车应主动让行行人和非机动车，因此新手要学会避让行人，切不可意气用事，开赌气车。在一些交叉路口，由于一些建筑或树木的原因影响了驾驶员的视线，这时应使车辆缓慢行驶，注意观察，防止从路口突然窜出行人或其他车辆。

基本介绍

中文名：路况外文名：road condition 概念：附属设施等的技术状况注意：复杂路况注意观察所属类别：交通涉及领域：交通运输背景简介,路况分类处理,

背景简介

交通拥堵问题已经在中国各大城市日益凸显，最好的解决方法已经不是无*地修建或扩建道路缓解交通拥堵，而是要发展智慧型交通．作为智慧型交通的一个领域，路况信息的实时获取显得尤为重要．通过图像处理与模式识别等信息处理技术手段进行路况信息的实时采集，对当前道路拥堵状况做出真实、准确地描述，是智慧型交通系统(ITS)中最基本和最重要的工作．传统的检测方法如线圈检测需要占用道路埋入感应线圈，这无疑增大了该条道路的交通压力．视频检测是现在发展很快的一项检测方法运用图像分割和目标跟踪识别可以提取道路机动车数量、速度，作为路况特征参数对路况进行分类使用了基于帧间差分方法更新道路背景模型，统计出现频率最大的灰度值，得到初始背景数据．该方法在帧图像较大时，计算量大，实时性不够好．通过对大量路况图像的研究，发现路况灰度图像中的道路区域是一近似灰度平坦区，对于畅通、缓行、拥堵3 种典型路况，由于道路区域被车辆遮挡的原因，使得该区域灰度直方图发生明显变化．基于该种特性，提出采用路况图像的灰度直方图作为特征，使用LDA 算法对直方图采样点进行降维，并结合改进K-近邻算法对路况进行分类．实践证明，由于直方图特征获取的快速性以及LDA 算法降维减少了高维向量计算，该方法对于实时路况分类是行之有效的．

路况分类处理

1灰度直方图处理1．1 图像预处理路况图像中道路区域的提取是必要的．实际场景中的路况图像，由于采集的地点不同，造成图像灰度分布极其不均，但是同一地点中道路区域的灰度分布会呈现出一定规律，因此首先要分割出路况图像中的道路区域．方便起见． 1． 2 直方图重采样与均值滤波路况图像完成道路区域的提取后，得到只含有道路与车辆的图像，统计该区域的灰度直方图，．在大量统计中发现所有道路区域灰度直方图的右端几乎为 0，因此，在 0 ～ 255 灰度级内保留 1 ～ 200 的灰度级，形成一个 200 维的特征向量．图像采集过程中，即使使用同一监控探头，也会发生相邻两帧图像灰度突变的情况，这种突变来自于探头自身噪声，因此需要对路况图像进行滤波．本文将 1 ～ 200 灰度级内的统计量进行重采样与均值滤波一体化处理: 将相邻 5 个灰度级的统计量取平均值，在保留图像灰度特性的同时，平滑灰度突变干扰，降低直方图特征向量维度． 2 基于 LDA 的高维向量降维处理后的灰度直方图反映了路况图像的车流量特征，但作为特征向量其分度偏高，不利于了解特征空间样本的拓扑结构．线性判别分析 linear dis-criminant *** ysis，LDA) 是一种用于分类的有效特征降维方法，其核心思想是通过已知的样本分类信息，构造使判别矢量集达到极大值的最佳降维向量，将输入的高维向量投影到低维空间以实现数据降维，并使降维后的样本达到最大类间离散度和最小类内离散度，具有最佳可分离性，从而帮助样本在低维空间实现最优分类． LDA 套用设计将路况图像的40 维向量看作高维向量，使用LDA 算法对该向量进行降维．由于已知路况类别为3 类，降维后，该向量被降到二维空间．在降维后的二维空间(图4)中，可以看到数据分布具有最佳可分离性．使用LDA 算法时，训练样本个数选取不应过少．当输入训练样本个数小于样本维数时，会使类内离散度S _w非奇异，而无法构造降维向量W;如果训练样本个数过多，会增大计算复杂度，影响LDA 降维速度．综合考虑如上问题，选取120 幅典型路况图像作为训练样本，这些路况图像为同一地点、不同时段、不同路况的样本，并标定每幅样本的路况，即已知样本分类信息为:畅通样本40 幅，缓行样本40 幅，拥堵样本40 幅．将每幅样本灰度直方图的40 个采样点作为40 维向量，进行LDA 降维．由已知的样本分类信息为3 类，构造列数为2 的最佳降维向量W，图4 给出了120 幅训练样本经LDA 降维到2 维空间的分布情况．图4 表明，输入的120 幅40 维向量训练样本经LDA 降维到二维空间后，分类特征明显．因此，在二维空间设计分类器便可对未标定路况的样本进行分类． 3基于K-近邻改进算法的分类3．1 K-近邻(K-NN)算法 K-近邻(K-nearest neighborhood)算法是分类未知数据最直接的方法，其基本思想是: 找到和待分类样本最相似的k 个已分类样本，根据这k 个样本所属类别判断待分类样本所属类别，如图5 所示．对于一个待分类样本，计算其与训练样本中每一样本的欧式距离，找出与待分类样本最近的k 个近邻，依据k 个近邻在每类中所占比重，将待分类样本归入所占比重最大的类别．本文选取与训练样本不同的120 幅标定路况样本作为待分类样本进行测试．其中，畅通样本40 幅，缓行样本40 幅，拥堵样本40 幅，使用传统K-近邻算法对路况样本进行分类，比较分类结果与标定结果． 3．2 对 K-近邻( K-NN) 算法的改进 K-近邻算法中计算了待分类样本与所有训练样本的欧式距离，事实上仅使用了其中较小的k 个样本作为分类依据．为了充分利用训练样本，本文将统计3 类别内所有距离和作为分类依据，将当前样本归入距离和最小的类别．表2 给出了相同测试样本使用改进K-近邻算法的分类结果统计．由于充分利用了类别内所有训练样本，改进K-近邻算法使分类结果准确率有所提升．此外，由于路况评价因人而异，本文在使用改进K-近邻算法得到的3 个距离和的同时，去除距离和最大者，计算待分类样本属于另外2 类的百分比，作为当前分类结果的可信度，为孤立的分类结果添加人性化的参考．看出，分类结果与标定结果相符合，可信度52．9% 表明尽管当前路况分类结果为畅通，但畅通和缓行的可信度比例已经接近1:1，这为人们对路况分类结果的理解提供了参考，帮助理解当前路况的畅通程度;对比表中的第2、3 行可以看出，当可信度较低时，分类结果不能代表当前实际路况，实际路况介于畅通和缓行之间．由此可见，可信度反映了分类结果与实际路况的相似程度． 4 结论实践证明，使用路况图像灰度直方图统计特征，结合LDA 降维与改进K-近邻的分类器能够良好地进行实时路况分类，分类效果与交管局实时发布路况信息相当．主要优越性概括如下． 1)无需二次投入与占用道路，有效利用现有监控摄像头资源． 2)路况图像灰度直方图提取与LDA 降维算法计算复杂度低、效率高、分类效果良好． 3)改变了传统的孤立分类，分类结果人性化．虽然LDA 算法对灰度特征向量降维效果良好，但是由于3 种典型路况训练样本的选取因人而异，即同一幅路况图像，不同人会给出不同分类结果，因此在实际套用中，要合理选取标定的训练样本．此外，由于路况图像中灰度特性只反应了静止场景特征，且这种特征会因光照影响而发生变化; 因此，在今后的研究工作中，应结合前后帧图像考虑动态场景，并研究去除光照影响的方法．