基于毫米波雷达的过街交通识别与特征分析方法与流程

1.本发明属于交通运输工程领域，尤其涉及一种基于毫米波雷达的过街交通识别与特征分析方法。


背景技术：

2.步行和非机动车的慢行交通是人类最基本的交通出行方式，但机动化的快速发展，步行等慢行交通的空间不断被压缩，空间设施不足、与机动车冲突等步行交通问题日渐突出。当前随着社会经济的发展，“低碳”和“可持续”等理念的引入，慢行交通的安全和品质越来越引起重视。慢行交通的管理开始受到关注和重视，管理者与学者从各角度研究“以人为本”来保障行人和非机动车安全。
3.过街设施是慢行交通系统中极为关键的组成部分，也是最易发生交通冲突和事故的地方。过街设施不仅直接影响着慢行交通的安全和品质，也会影响到主线交通系统的运行效率。对于无信号控制的人行横道，则有专家研发了各种基于雷达的行人过街安全警示系统，用闪烁灯或者文字来提醒车辆注意过街行人。对于有信号灯控制的交叉口或者路段过街，有学者研发铺装在人行横道标线两侧辅助灯来同步显示信号灯颜色，提示过街慢行交通加快通行避免和机动车辆冲突；甚至有学者开发的智能行人过街系统还配套了视频系统来抓拍闯红灯的行人。
4.但这些设施往往只在于提醒或者警示作用，并没有分析或者获取行人及非机动车的过街交通特征，如过街交通量、过街速度等。而行人过街交通特征对于慢行交通管理以及慢行交通设施改善是极为重要的。例如只有获取行人过街交通量才能计算或评价人行横道线的宽度是否合适。如果行人过街交通量较多，而人行横道宽度太窄，行人过街路权无法得到充分保护。只有获取基于数据分析的过街交通特征才能针对性的开展过街交通组织优化以及设施完善。现有的慢行交通过街数据的获取方法通常是开展针对性的调查，往往以人工为主，不仅费时费力，而且获取的数据不全、准确度差。也有基于视频的调查，但会受到天气或光线的影响导致结果准确度较差。所以，如果能够利用现有的雷达设备在进行行人过街提醒或警示的同时，进一步提供交通特征以供交通管理者进行决策，则可以更好的为慢行交通服务。本发明不仅可以充分发挥雷达的效益，而且能够提高慢行交通的精细化管理水平。
5.本发明利用现有的毫米波雷达设施采集过街交通数据，利用数据挖掘进行过街交通的识别，并进一步获取过街交通特征如交通流量等，为相关科学研究和政策制定提供数据支撑。


技术实现要素：

6.本发明的目的在于提供一种基于毫米波雷达的过街交通识别与特征分析方法，旨在以较低的成本实时检测交叉口的过街交通情况，当毫米波雷达检测到有目标过街时，分析设备安装地点的过街交通特征，为相关科学研究和政策制定提供数据支撑。
7.为了叙述简便，下文中将一个目标被雷达记录一次位置称作一个事件，一个目标可以被记录多次，那么将同一个目标被记录的所有事件按照发生先后顺序排列便可以还原目标的运动轨迹；下文中将来车方向与雷达法线的垂线方向平行的道路称为沿线道路，而将与沿线道路垂直的道路称之为垂直道路。
8.本发明是这样实现的，所述基于毫米波雷达的过街交通识别与特征分析方法包括以下步骤：
9.步骤一，利用毫米波雷达设备采集过街交通数据，借助无线通信模块将雷达采集的数据上传到服务器；
10.步骤二，在服务器端编译并运行用于接收、处理以及转发数据的c语言程序，得到轨迹数据，并存入数据库；
11.步骤三，解决由于时间戳溢出而造成的混淆问题；
12.步骤四，将轨迹数据转换为直角坐标系下的轨迹；
13.步骤五，利用移动平滑法(ma)降低由最强反射准则造成的测量噪声；
14.步骤六，计算各条轨迹的特征指标；
15.步骤七，筛选并剔除非过街轨迹，得到过街轨迹；
16.步骤八，根据步骤六中得到的特征指标识别轨迹类别；
17.步骤九，统计各类过街交通的交通量和平均速度等运行情况。
18.将价格相对低廉的毫米波雷达安装在过街横道一侧，并将其正对过街横道以采集过街交通数据，并使用无线通信模块建立雷达与服务器之间的通信。总体而言设施成本较低，且由于信息以字符串形式组织，使用4g网络便可满足带宽要求，在基础设施欠发达地区，采用本方法可避免架设光缆成本较高的窘境。
19.与现有技术相比，本发明具有如下优势：
20.1.本发明采用价格相对低廉的毫米波雷达和无线通信模块组合实现，且不受天气干扰，能够全天候运行；
21.2.本发明中设备之间传递的信息为字符串流，而非视频，因此能够达到很高的实时性；
22.3.本发明在安全警示的基础上能够采集过街交通行为的信息，而且能够识别不同类别的过街行为；
23.4.本发明能够提供不同类别的过街交通行为的交通特性，为交通管理提供数据支撑，以改善交通设施和安全。
附图说明
24.图1雷达的扇形探测范围与坐标系
25.图2变换前(左)后(右)的坐标系
26.图3是本发明实施例提供的基于毫米波雷达的过街交通识别与特征分析方法流程图。
27.图4是本发明实施例提供的布设现场示意图示意图。
28.图5是本发明实施例提供的坐标平滑前的某条轨迹图像。
29.图6是本发明实施例提供的坐标平滑后的某条轨迹图像。
具体实施方式
30.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。
31.本发明公开了一种基于毫米波雷达的过街交通识别与特征分析方法。
32.系统组成：利用毫米波雷达测量交通数据，并建立雷达与服务器之间的通信；在服务器端编译并运行高效的点云数据处理程序，并将处理后得到的轨迹数据存入数据库。
33.需要解决的技术问题：由于雷达本身精度限制造成的时间戳溢出问题；轨迹点的坐标旋转与坐标变换，将极坐标系下的轨迹转换为直角坐标系下的轨迹；修复由于最强反射准则造成的测量噪声，并计算各条轨迹的特征指标；根据起止点位置以及运动速度将目标划分为四类，并按类别计算各类目标的特征指标。
34.本发明以价格相对低廉的毫米波雷达探测过街目标，并记录过街交通行为，并进行数据挖掘将过街行为识别划分为四类，按照不同的类别分析特征，降低了相关数据采集的难度，为相关科学研究和政策制定提供数据支撑。
35.进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于采用价格相对便宜的毫米波雷达，并使用4g无线通信模块建立雷达与服务器之间的通信。雷达在工作状态时向以雷达为中心的一片扇形区域发射毫米波，当捕捉到目标反射回的毫米波时，雷达通过计算此毫米波发射时刻与接收时刻的相位差推算目标与雷达之间的镜像距离。由于雷达向以雷达为中心的扇形区域内发射毫米波，因此雷达的有效测量范围也是扇形的，如图1所示。雷达安装时，要求雷达法线平行于过街方向，雷达安装在沿线道路的来车方向一侧。当毫米波雷达检测到有目标尝试过街时，将闪烁安装在地面的道钉，警示上游车辆减速慢行，提高人行横道的安全性。总体而言固定设施成本较低，且由于信息以字符串形式组织，使用4g网络便可满足带宽要求，在基础设施欠发达地区，采用本方法可避免架设光缆成本较高的窘境。
36.进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于实现了一套可高效预处理点云数据的程序，点云数据经过预处理后得到轨迹数据，它们将被存入以当天日期命名数据库表格中。由于目标具有一定的体积，而目标反射的毫米波却不能携带反射点的信息，因此数据库中的每一行都表示在被记录的时刻目标上反射毫米波最强的点与雷达之间的镜像距离。每一条数据具有目标id、设备识别号、时间戳、距离、夹角共计5个字段的信息，它们的含义如表1所示。
37.表1字段含义解释
38.[0039][0040]
进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于修复了由于雷达使用32个字位存储数据而带来的时间戳溢出问题。雷达使用从1970年1月1日到事件发生时刻到毫秒数记录事件发生的时刻，显然雷达不能准确地记录如此大的数值，并且雷达本身不能联网更新当前的准确时刻，因此雷达记录的绝对时间是没有意义的。雷达端能够存储的最大数为2147483647，相应的它能够存储的最小数为-2147483647，这表明雷达大约能够不重复地记录50天的数据，当时间戳达到最大数2147483647后，随后将采用补码模式完成运算。因此如果同一个目标第一次被记录和最后一次被记录的时间戳差值小于2147483647，那么时间戳的差值就是事件发生的时刻差。如果同一个目标被记录的首末时刻的时间差值大于2147483647，此时将此目标轨迹中的负数时间戳加上4294967294，这样按照时间戳降序排列的事件即代表真实的事件发生顺序，此时两个事件的时间戳差值便是事件发生的时刻差，这样便可以实现目标的运动轨迹的还原。
[0041]
进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于通过坐标旋转和坐标变换两个步骤转换成不依赖于雷达安装位置的具有一致含义的直角坐标系，变换前后的坐标系如图2所示。雷达测距采用极坐标记录目标的位置，每一个事件都有距离雷达的距离以及与雷达法线夹角两个表示位置的字段。雷达记录的夹角是以雷达为极点，雷达法线方向为极轴，顺时针方向为正方向的极坐标系。
[0042]
坐标旋转按照以下公式执行：
[0043]
θ
′
＝((90-θ) 360)mod 360
[0044]
式中:
[0045]
θ
′
——坐标旋转后的新夹角；
[0046]
θ——坐标旋转前的夹角；
[0047]
mod——求模运算。
[0048]
在坐标旋转后，可通过极坐标与直角坐标的变换公式计算得到以雷达为原点，来车方向的反方向为x轴正方向，以坐标旋转前的极轴方向为y轴正方向的直角坐标系。极坐标系与直角坐标系的变换公式如下：
[0049]
x＝ρcosθ
′
[0050]
y＝ρsinθ
′
[0051]
式中：
[0052]
x——直角坐标系下横坐标方向的分量；
[0053]
y——直角坐标系下纵坐标方向的分量；
[0054]
θ
′
——坐标旋转后的新夹角值；
[0055]
ρ——极坐标下目标点的极径长。
[0056]
进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于，在特征分析阶段剔除以沿着沿线道路运动的轨迹和记录点过少的轨迹。由于雷达向以雷达为中心的扇形区域内发射毫米波，因此雷达的有效测量范围也是扇形的，这意味着如果目标距离雷达较近，雷达便难以分辨信号是否是由同一个目标反射的，从而造成测量不精准，因此剔除以沿着沿线道路运动的轨迹和记录点过少的轨迹。如果一段轨迹的记录点个数小于20个，
那么便它的参考价值便很低，因此也被剔除。
[0057]
进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于，通过移动平滑模型(ma)缓解由于最强反射点测距准则造成的定位漂移现象。通过ma平滑处理后，轨迹的随机波动性基本被消除，目标的真实运动轨迹更为明显。实践经验表明5阶ma可取得较好效果，因此平滑过程可按照如下公式执行：
[0058][0059]
式中：
[0060]
s——第s条轨迹；
[0061]
x
s，i
——轨迹s中的第i个事件的原始横坐标；
[0062]ys，i
——轨迹s中的第i个事件的原始纵坐标；
[0063]
x
′
s，n
——轨迹s中的第i个事件的平滑后横坐标；
[0064]y′
s，n
——轨迹s中的第i个事件的平滑后纵坐标；
[0065]
n——事件n，它表示轨迹s中第n个被记录的事件。
[0066]
经过平滑处理后的轨迹可用于进一步的特征提取。
[0067]
所述的基于毫米波雷达的过街交通识别与特征分析方法，其特征在于，步骤六中，计算各条轨迹的特征指标，包括起终点坐标、运动方向、平均运动速度和最大运动速度。一段轨迹的起终点是按照时间戳升序排列后的首尾事件的横纵坐标。一段轨迹s中事件i发生的时刻的瞬时速度v
s，i
，平均速度和最大速度按照如下公式计算：
[0068][0069][0070][0071]
式中：
[0072]
s——第s条轨迹；
[0073]ns
——轨迹s中的总事件数；
[0074]
x
′
s，n
——轨迹s中的第i个事件的平滑后横坐标；
[0075]y′
s，n
——轨迹s中的第i个事件的平滑后纵坐标；
[0076]
t
s，i
——轨迹s中的第i个事件的时间戳；
[0077]vs，i
——轨迹s中的第i个事件发生时刻的瞬时速度；
[0078]
——轨迹s的平均速度；
[0079]
——轨迹s的最大速度。
[0080]
进一步，基于毫米波雷达的过街交通识别与特征分析方法，其特征在于，将过街交通划分为四类，并按照类别分析它们的特征。根据实际情况以及运动速度的差异，可以将目
标划分为行人(p)和电动车(e)，根据过街行为的始终点又可以将过街需求划分为来自道路沿线过街需求(h)和来自垂直道路的过街需求(v)。来自道路沿线的过街需求是指目标的起点和终点至少有一个位于沿线道路上的过街需求，而来自垂直道路的过街需求是指起点和终点至少有一个不在沿线道路横断面内的过街需求。依据以上两条分类准则，可以将过街交通划分为四类，分别为来自或前往垂直道路的行人(vp)、来自或前往垂直道路的电动车(ve)、来自或前往沿线道路的电动车(he)和来自或前往沿线道路的行人(hp)。根据实地调查结果，本发明认为最大运动速度小于2.5m/s的目标为行人，平均运动速度大于3m/s的目标为电动车，其他情形下根据轨迹特征与上述两类目标的聚类中心之间的欧氏距离的大小判定。过街需求类别的判定准则由设备安装地道路的几何要素确定。分类完成后便可计算各类别过街交通的交通量和平均速度，以来自或前往垂直道路的行人(vp)为例，其交通量n
vp
和v
vp
按照如下公式计算：
[0081]nvp
＝∑i{s∈vp}
[0082][0083]
式中：
[0084]nvp
——来自或前往垂直道路的行人的交通量；
[0085]vvp
——来自或前往垂直道路的行人的平均速度；
[0086]
vp——集合vp，表示由来自或前往垂直道路的行人产生的轨迹的集合；
[0087]
s——第s条轨迹；
[0088]
i{cond}——示性函数，当条件cond为真时，函数值为1，否则为0；
[0089]
——轨迹s的平均速度。
[0090]
其他类型类似，此处不做赘述，在每个类别中可以根据运动方向进一步划分为两个子类。
[0091]
下面结合附图和实施例，对本发明的应用原理作详细的描述。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0092]
本发明实施例提供的基于毫米波雷达的过街交通识别与特征分析方法以g15沈海高速和盘双公路交叉口为例演示。
[0093]
如图3所示，本发明实施例提供的基于毫米波雷达的过街交通识别与特征分析方法包括以下步骤：
[0094]
步骤一，按照本发明指定的方式在交叉口安装毫米波雷达，并建立与用于接收数据的服务器之间的通信，此实施例中共安装了两套设施，安装位置如图4所示；
[0095]
步骤二，在服务器端编译并运行用于接收、处理以及转发数据的c语言程序，并将经过服务器预处理后得到的轨迹数据并存入数据库，c语言高效的特征适合于处理数据量较大的原始点云数据，处理后的数据具有目标id、设备识别号、时间戳、距离、夹角共计5个字段的信息；
[0096]
步骤三，从数据库中取出轨迹数据，并修复由于雷达存储精度限制而造成的时间溢出问题；
[0097]
步骤四，将用极坐标记录的轨迹通过坐标旋转与变换转换为直角坐标系下的轨迹；
[0098]
步骤五，使用5阶ma模型缓解由于最强反射测距准则造成的定位漂移。图5是坐标平滑前的某条轨迹图像，图6是坐标平滑后的某条轨迹图像，图5与图6中左上角的4个标记分别表示目标id、设备标识号、平均运动速度、最大运动速度，图中红色点表示轨迹起点，原点为雷达所在位置；
[0099]
步骤六，计算各条轨迹的起终点坐标、运动方向、平均运动速度和最大运动速度；
[0100]
步骤七，剔除非过街轨迹，得到过街轨迹；
[0101]
步骤八，根据步骤五中得到的特征将轨迹划分为四类；
[0102]
步骤九，分别统计各类过街交通行为的交通量和平均速度，根据道路几何特征，此实施例中如果某条轨迹的起点或终点的纵坐标大于7.5米，则认为此需求与垂直道路有关。表2是本发明实施例在2021年1月28日15：00-20：00的特征分析结果，从步骤三开始使用以数据分析见长的python实现。
[0103]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
[0104]
表2实施例在2021年1月28日15：00-20：00的特征分析结果
[0105]