论文部分内容阅读
行人交通作为城市交通的一个重要组成部分,是目前交通研究的一大热点。但相对于车辆交通,行人交通个体性更强,行为更多样化,易受多种外界因素影响,很多特性还具有很强的时空域特性。以往受检测手段的限制,对行人信息的提取多局限于人工调查或视频截面的人工处理,无法获取完整的全时空行人过街信息,严重影响了对行人过街宏观及微观参数特性的深入分析,这使得对行人过街运行特征表达描述更加困难,相应的机理建模也更加落后和不完善。为了更加准确地阐释行人过街运行机理,实现对机理的建模,需要提取准确性更高、更全面的行人全时空信息。因此,本文首先采用视频图像处理技术,对城市环境下的行人单体及群体进行检测、识别及跟踪,进而实现对行人过街全时空信息的提取。其次,分析了大量行人交通运行的多种宏观和微观表征特性,研究了与其对应的外部影响因素和各特征内部间的相互作用关系。再次,在宏观及微观特性分析的基础上,参考当前最新的生理学及心理学研究成果,构建了相应的行人过街规划-执行机理模型。最后,结合实际交通环境参数,对模型进行仿真验证。结果表明,基于全时空信息的行人过街机理能够更准确地表达行人过街行为,为行人交通的时空资源优化提供了理论依据。具体来说,本文的主要研究内容包括以下几方面:(1)优化了城市道路环境下的行人个体与群体全时空信息检测提取技术本文针对城市环境下的行人检测问题,根据城市道路监控中的单目相机特点,首先提出了基于标定约束的C-HOG算子,即在传统HOG特征检测提取的基础上引入像素-像素角映射模型标定检测区域,限制了HOG匹配的尺度缩放范围并减少了缩放次数,建立行人模板库,从而在不影响精度的前提下,提高了行人个体的检测速度和训练库的针对性。其次,利用相机标定的区域投影特性,在HOG检测基础上利用矩形投影分割行人群体,通过最优回归法,完成行人群体的检测识别。再次,针对城市交通中行人多目标跟踪及遮挡处理的难题,提出了多模态特征集结合滤波跟踪预测的方法,在行人检测识别的基础上,将检测出的行人目标录入检索信息库,并利用改进SURF算子、动态边缘和纹理分析等方法,提取相应的特征子集,通过模糊归一化的方法,建立该信息的多模态特征集,之后,利用?-?滤波预测分析和多模态特征库匹配分割相结合的方法,实现多目标跟踪和遮挡处理。最后,结合考虑中心偏移的场景重建算法,有效地在复杂的城市道路中完成多目标时空轨迹的准确提取,为全时空宏观及微观特性的分析奠定了良好基础。(2)开展了基于全时空信息的行人过街宏观特性分析在全时空参数提取的基础上,利用数据挖掘、模式辨识等方法,通过行人交通流运行轨迹获取了流量、速度以及密度等宏观参数。首先并对流量的时空分布、到达分布等特性进行了深入分析,分析了特性的成因,并建立了相应的到达分布模型。其次对行人的速度特性进行了分析,研究性别、年龄、职业、出行目的等多种因素对速度时空分布的影响规律,给出了相应的特性表达模型。再次,研究了行人过街的密度及空间占有量的宏观特性,从静态及动态需求角度分析密度特性的成因。在对3大宏观特性独立分析的基础上,进一步研究了特性之间的相互作用影响关系,通过参考其他环境下的宏观交通基本图,构建符合国内城市交通环境的行人过街宏观基本图,并利用全时空信息数据对基本图进行了标定,以密度作为影响基本图变化的主要变量,给出引起相变的密度临界指标。(3)开展了基于全时空信息的行人过街微观特性分析分析基于全时空信息的行人过街个体及群体微观特性并深入构建了典型的过街行人微观基本特性描述模型。在宏观特性分析的基础上,进一步通过对行人全时空运行轨迹的数据挖掘并结合问卷调查等形式,对瞬时速度、加速度、启动时间、空间需求、临界穿越间隙以及忍耐极限等微观特性进行分析,研究了微观参数的作用关系及受生理及心理影响的情况,分析了可穿越间隙与忍耐时间等特性的临界极限,总结了行人个体及群体间避让、超越及跟随的时空特性,进而实现对典型过街行人基本特性的描述,为行人的组织和控制、交通信号和道路的设置提供理论支持,为后续完整的行人过街机理建模奠定了基础。(4)建立了行人过街行为机理模型并进行了仿真验证通过层级行为作用机制,构建行人过街行为机理模型并进行仿真对比验证。利用宏观及微观的特性及相关影响因素研究,结合当前生理学及心理学的研究成果,首先对行人过街机理的框架进行了研究,提出了分层级的作用机制模型框架;再对其进行细化从两个层级即感知规划-决策执行分解行人的过街行为过程,通过数据分析与归纳,形成基于非完备信息的Dijkstra时空主观效益最优选择模型和有限空间感知的社会力行为模型,对行人的过街行为机理进行全面解答。最后结合实际场景建立相应的模拟环境,进行仿真测试,并将测试结果与真实环境提取的数据进行对比,验证本文基于全时空信息采集及特性分析下的过街机理模型的准确有效性。最后,对全文研究内容进行了总结,对研究成果和创新点进行了归纳,并对后续研究进行了展望。