道路交通信息采集系統解決方案

交通信息采集是智能交通系統中相對基礎且重要的一環，交通信息的采集可為指揮調度、交通信号控制、交通誘導等、道路路網規劃提供決策依據。

在我國大力發展道路基礎設施建設的大環境背景下，交通信息采集變得尤為重要。

交通流檢測方式有很多種，包括線圈、地磁、微波、視頻等。傳統的流量檢測設備以線圈、地磁為主，但這兩種檢測方式存在着布設麻煩、維護成本高，需要破開路面的問題；而微波檢測方式受限于産品價格和應用環境的苛刻要求，沒有得到大範圍的使用。

随着視頻技術的發展，基于視頻動态的交通信息采集得到了逐步的完善。由于其直觀、安裝方便、費用低等優點，越來越多的得到了廠家和業主的認可。

通過在城市道路上的某些關鍵路口、路段建設交通信息采集系統，為交通管理部門提供一個輔助管理的手段：

1、基于視頻流進行車道流量、車道平均車速、排隊長度、車頭時距等交通數據的檢測采集，為交通規劃和指揮調度提供數據支持；

2、對城市道路重點路段進行24小時全天候監控覆蓋，視頻流可用于實時監控或存儲。

本系統建設以“統一标準、技術先進、穩定可靠、信息安全、方便實用、便捷擴容、易于維護”為原則，以相關行業标準作為設計依據，結合我國道路特點，同時綜合考慮車輛檢測技術的發展趨勢，确保系統的設計和建設滿足當今交通管理部門對交通信息采集系統的應用和擴展需求：

1、統一标準：本系統的數據格式嚴格按照相關的标準規範要求進行設計，所有數據格式與接口均符合國家标準，并提供功能定制以适應地方應用差異。

2、技術先進：充分利用科技進步成果，采用當今先進成熟的技術，在相當長的時間内保持國内外先進水準。

3、穩定可靠：本系統具有防盜、耐高溫、抗寒、散熱排風等功能設計，使用的各類電氣接線端子、過載、漏電及斷路保護裝置、避雷裝置等裝置均符合國家有關電氣安全标準要求，保證系統能夠可靠地、連續地運行。

4、信息安全：系統具有防非法接入、防誤操作、防病毒等特性，通過合理的硬件結構設計、有效的外場保護措施以及完善的内部管理機制有效避免系統遭到惡意攻擊和數據被非法提取的現象出現，保障系統的信息安全。

5、方便實用：系統提供清晰、簡潔、友好的中文操作界面，操控簡便、靈活，易學易用，便于管理和維護，能自動糾錯和系統恢複，整個系統的操作簡單、快捷、環節少，以保證不同的操作者都能熟練操作系統，具有高度友好的界面和使用性。

6、便捷擴容：随着業務的拓展以及技術的進步，用戶的需求将會不斷增加，系統的規模也将随之擴大，故在設計時，既應保證技術的先進性，又要兼顧與原有系統的兼容。因此，我們采用模塊化結構設計，系統接口具備良好的擴展性，能夠很好的完成系統的平滑升級，實現軟硬件産品升級的系列化和模塊化。

實現基于雷達和視頻的車輛檢測功能，在城市常規杆件上安裝檢測設備，支持最多4個車道的流量檢測。支持車流量、平均車速、車頭間距、車頭時距、車道空間占有率、車道時間占有率、車輛類型、車輛排隊長度、交通狀态等信息的檢測和統計。在支持交通信息采集的同時，兼顧視頻監控的功能。

原有海康抓拍機系列通過将近5年的不斷開發、優化，在車牌識别、違章捕獲方面已經取得了很好的效果，無論是市場占有率還是客戶評價均比較好。但随着城市交通的發展，交通場景日益複雜，對攝像機自動分析的要求更為苛刻，原有ARM DSP的硬件架構在性能上逐漸成為瓶頸，這也成為制約闖紅燈自動記錄系統進一步精細化探索和優化的瓶頸。

本系統使用的“海康神捕”攝像機硬件架構由原來的ARM DSP更新為基于“高性能AI硬件平台 深度學習算法”的架構，将圖形、圖像處理方面的獨特優勢集成到前端攝像機内，在整體硬件性能與圖像處理速度上提高了5-10倍。

主要的技術路線：

一體化抓拍單元中的“海康神捕”攝像機采用“高清能AI硬件平台 深度學習算法” 的架構方案，基于全新的高性能平台設計，融合深度學習智能算法，優化硬件結構，針對道路交通參與者（人、車、物）特征及行為進行準确檢測和提取；通過目标的分析從而給出道路信息。

而由于傳統算法的局限性，部分指标的準确率不高，而采用“深度學習”的算法後，這些指标準确率将得到大幅度的提升，并且随着訓練樣本的增加，其準确率會越來越高。

1. 交通信息采集系統架構

雷視一體機可通過網絡或485信号将交通參數信息傳輸至前端應用設備（如信号機、交通誘導屏等），也可通過IO解析設備轉換為IO信号再傳輸到前端應用設備上使用；也可通過網絡信号将周期統計的交通參數信息上傳到中心平台，供其他應用系統調用。

單台視頻雷視一體機最多覆蓋4車道，檢測縱深約200米，布點時不宜選擇在彎道附近；點位數量根據數據應用的實際需求部署。

雷達視頻車檢器檢測車道數最大支持六車道，檢測目标數不小于64/128個。

現場可根據最終數據的要求靈活布設視頻雷視一體機。如正裝、側裝；正向檢測、背向檢測等。

1)最佳安裝布局

安裝L型杆件，高度為6-8米，最多覆蓋6個車道，雷視一體機安裝于檢測區域的中間位置。雷視一體機視場下沿調整至距立杆15米處，挑臂長度依據現場路寬來确定，保證車流檢測率≥95%；如選配補光燈，補光燈建議的安裝距離大于3米。以下為現場布局示意圖：

1. 正裝正向安裝布設

視頻雷視一體機選用低照度高性能攝像機，在夜間的環境适應性較強。如現場有路燈等其他環境照明，則不需額外配置環境補光燈；如現場環境照明條件較差，建議配置一盞常亮燈用于夜間補光。

在規定的單位時間内通過車道上檢測斷面的車輛數。

應用邏輯：

基于雷達視頻車檢器高精度的車道級車流量檢測，在數據準确度以及完整度上有較好的的提升，數據發送給信号機或者平台後。

單點感應控制：雷達視頻車檢器可較好的實時檢測進口道來車方向車輛需求，路口方向以及時段上車輛波動較大時，可較好的貼合實際交通需求，實時調整當前周期各相位綠燈放行時間，減少綠燈空放，提升交叉口通行效率。

基于流量的動态幹線協調、單點自适應：雷達視頻車檢器可較好檢測車道級流量和排隊長度數據，根據曆史以及上周期數據拟合周期級交通到達需求實現動态幹線協調以及單點自适應。減少繁複的方案的設計工作，主動檢測均衡流量壓力，提升信号控制智能化治理水平。

測試方法：

通過架設雷視路段或者路口測試點位，采集30分鐘或者每條車道斷面經過100輛以上過車對應的打印信息和錄像。

• 檢測值：通過雷視端實時輸出信息，提取對應時間段每個車道的過車流量。
• 實際值：通過雷視相機錄像，人工統計經過每個車道的過車流量。

計算公式：

式中：A1為單位時間内人工統計的車流量實際值，A2為單位時間雷視檢測的車流量檢測值。

測試要求：

測試車流量需要滿足以下要求：

測試時段：應包括平峰期（流量小）、高峰期（流量大）。

測試數量：每個方向，每條車道，平峰期、高峰期各時段至少半小時或100輛過車。

準确率要求：每條車道車流量準确率≥95%。

在規定的單位時間内，車輛離開停止線進入路口繼續直行、左轉或者右轉的車輛數。

應用邏輯：

雷達視頻車檢器能對每個進口道的轉向流量進行精确獲取，應用于覆蓋停車線附近的場景，包括配時優化、效果評估；能對交通需求實現更精細化的采集和分析，轉向流量數據可較好的反應交通狀态，充分考慮路口關聯關系，區域協調控制能避免以往僅局部最優的窘況，使得區域綜合通行效益最大化。

測試方法：

通過架設雷視路口測試點位，采集30分鐘或者每條車道斷面經過100輛以上過車對應的輸出結果和錄像。

• 檢測值：通過雷視端實時輸出信息，提取對應時間段直行、左轉、右轉的過車流量。
• 實際值：通過雷視相機錄像，人工統計經過每一輛車進入路口後繼續直行、左轉、右轉的車輛個數。

計算公式：

式中：A1為單位時間内人工統計的轉向流量實際值，A2為單位時間雷視檢測的轉向流量檢測值。

測試要求：

測試轉向流量需要滿足以下要求：

測試時段：可選擇平峰期或者高峰期。

測試數量：每條車道各時段至少半小時或100輛過車。

準确率要求：路口直行、左轉、右轉車流量準确率≥90%。

時間占有率：在某一時間間隔内，單車道上檢測斷面被車輛占有的時間與該時間間隔之比。

空間占有率：在某一時間間隔内，車道檢測範圍内被車道占有的空間與檢測車道範圍之比。

應用邏輯：

根據雷達視頻車檢器獲取路段實時時間占有率等信息，判斷車輛排隊長度是否已達到預設瓶頸斷面，結合速度等其他參數判斷擁堵狀态。達到一定阈值條件啟動或終止瓶頸控制功能。瓶頸控制的總體思路為“截流疏導”。截流即對路段上遊路口進行截流，減少進入瓶頸路段車流的綠燈時間；疏導即對路段下遊路口進行疏導，增加駛離瓶頸路段車流的綠燈時間，達到快速消散瓶頸路段排隊車流的目的。根據瓶頸控制“截流疏導”的思想，對瓶頸路段的上下遊路口運行方案進行一定程度的調整，消減排隊滞留長度。瓶頸控制以“單位周期或固定時間”為時間間隔進行判斷，若當前周期或時段結束時瓶頸點擁堵問題得到解決，則下一周期或時段恢複原策略，否則将繼續執行瓶頸控制策略，最終消除瓶頸點擁堵現象。

時間占有率測試方法：

通過架設雷視路段或者路口測試點位，采集30分鐘或者每條車道斷面經過100輛以上過車對應的打印信息和錄像。

• 檢測值：通過雷視端實時輸出信息，提取對應時間段每個車道的時間占有率。
• 實際值：通過雷視相機錄像，使用播放器逐幀播放，人工觀察并記錄每輛車車頭進入虛拟線圈A上方斷面的視頻幀數Z1，轉化為毫秒值，輸出時刻t1；車尾駛離虛拟線圈A下方斷面的的視頻幀數Z2，轉化為毫秒值，輸出時刻t2；那麼t2 -t1即為該車的占有時間T占有。如下圖所示：

在一定的統計時間段T内，該時段内所有過車的車輛占有時間依次為T占有1，T占有2……T占有n，則該段時間時間段T内的時間占有率可計算為：

時間占有率 =

* 100%

計算公式：

式中：A1為單位時間内人工統計的時間占有率實際值，A2為單位時間雷視檢測的時間占有率檢測值。

測試要求：

測試時間占有率需要滿足以下要求：

測試時段：應包括平峰期（流量小）、高峰期（流量大）。

測試數量：每個方向，每條車道，平峰期、高峰期各時段至少半小時或100輛過車。

準确率要求：每條車道時間占有率準确率≥95%。

車頭時距表示前後兩輛車通過同一斷面時的時間差值，單位以秒計算。

應用邏輯：

車頭時距檢測，适用于城市道路基礎參數标定，例如對交叉口車道飽和流量的動态精細化标定，為精細化信控配時優化提供數據依據。

測試方法：

通過架設雷視路段或者路口測試點位，采集30分鐘或者每條車道斷面經過100輛以上過車對應的打印信息和錄像。

• 檢測值：通過雷視端實時輸出信息，提取對應時間段每個車道的車頭平均時距。
• 實際值：通過雷視相機錄像，使用播放器逐幀播放，人工觀察并記錄車輛1車頭進入虛拟線圈A上方斷面的視頻幀數Z1，轉化為毫秒值，輸出時刻t1；車輛2車頭進入虛拟線圈A上方斷面的的視頻幀數Z2，轉化為毫秒值，輸出時刻t2；那麼t2 -t1即為兩輛車的車頭時距，如下圖所示：

統計時間段時間為T，在T時段内經過線圈A的車輛數為n，經過線圈A的前後車輛的車頭時距依次為T1，T2……Tn ，則T時段的車頭平均時距計算方法為：

車頭平均時距=

計算公式：

式中：A1為單位時間内人工統計的車頭平均時距實際值，A2為單位時間雷視檢測的車頭平均時距檢測值。

測試要求：

測試車頭平均時距需要滿足以下要求：

測試時段：應包括平峰期（流量小）、高峰期（流量大）。

測試數量：每個方向，每條車道，平峰期、高峰期各時段至少半小時或100輛過車。

準确率要求：每條車道車頭平均時距準确率≥95%。

在某時刻，車輛通過道路上檢測斷面時的車速，以千米／小時為單位。

應用邏輯：

車輛行駛速度是控制優化和效果評價的重要參數可用于綠波控制優化時的設計速度提取，道路及路網運行效果評價。。

測試方法：

安排一輛配備數字碼表或者定速巡航的測試車輛，分别以10km/h、30km/h、50km/h、70km/h保持恒定的速度在相機視場裡的車道中行駛并通過距離雷視60米處的斷面，每一組速度值對應的測試輪次可以視情況而定。

• 檢測值：通過雷視端實時輸出信息，觀察并記錄測試車輛經過60米斷面時設備檢測的車輛速度。
• 實際值：測試車輛按照預設的速度為10km/h、30km/h、50km/h、70km/h。

計算公式：

式中：V1為車輛速度實際值，V2為車輛速度測量值。

注：一般車輛碼表會比實際車速慢2KM/H，需要減去這個誤差值後進行計算。

測試要求：

測試瞬時速度需要滿足以下要求：

測試時段：車流量低谷時段。

測試數量：車流量較少的車道，保證測試動作不受阻礙。

準确率要求：瞬時速度相對誤差≤10%。

排隊長度是車輛排隊隊列從交叉口停止線或排隊起點至隊列末尾之間的長度。當為路口模式時，排隊長度從停止線開始計算，到排隊最後一輛車車尾位置為止；當為路段模式時，排隊長度從雷達安裝位置開始計算，到排隊最後一輛車車尾位置為止。

應用邏輯：

雷達視頻車檢器在車道級車輛排隊長度檢測上最遠可達100/200米，彌補基于流量數據控制算法的不足，較好的适應路口過飽和的現象，進行精細化交通信号控制，提升單點、幹線通行效率。

排隊長度是反應道路交通需求的參數之一，可與交通離開流量結合共同拟合較為真實的交通到達需求。同時，排隊長度也是較為直觀反映瓶頸路段交通狀态的參數之一。傳統檢測器的束縛導緻排隊長度檢測準确率較低，一直未能做為控制算法的數據輸入來源。雷達視頻車檢器在瓶頸控制中可通過不同的架設方式實現進口道、路段以及出口道交通狀态動态感知，采取截流疏導策略快速實現瓶頸路段交通流疏散，緩解城市交通擁堵。

雷視一體機可通過對進口道不同轉向、路段不同方向車輛排隊長度、流量動态感知，通過信号機、平台實時調整車道功能以及信号配時方案，實現城市道路時空資源統一調配，最大化道路時空資源利用率。

測試方法：

通過架設雷視路段或者路口測試點位，使用路錐間隔10米，在20米、30米、40米、、、、、、200米分别設置路面長度标記。

• 檢測值：通過雷視端實時輸出信息，提取擁堵時刻的排隊長度。
• 實際值：通過雷視相機預覽、錄像，借助在路面使用路錐設置的間隔10米的長度标記，人工确認擁堵時刻排隊長度落在哪個長度區間。

計算公式：

如果|L2-L1|≤10，則排隊長度準确率=100%

如果|L2-L1|≤20，則排隊長度準确率=100%

式中：L1為排隊長度實際值，L2為排隊長度測量值。

測試要求：

測試排隊長度需要滿足以下要求：

測試時段：應包括平峰期、高峰期，平峰期應與高峰期區分，高峰期排隊較長。

測試數量：每個方向，每條車道，平峰期、高峰期各時段至少半小時，各時段至少随機抽驗100個時刻。

準确率要求：100米以内相對誤差10米以内的準确率要大于90%；100-200米相對誤差20米以内的準确率大于90%。

區域車輛數是指在某一時刻，統計在檢測區域範圍内的車輛數目。

應用邏輯：

根據實時檢測到的區域車輛數及變化情況，結合車速、占有率等參數研判區域擁堵狀态及變化趨勢，指導交通擁堵等特殊場景下的信号臨時調控等交通管控策略生成，直觀完成效果評估。

測試方法：

通過架設雷視路段或者路口測試點位，采集30分鐘或者每條車道斷面經過100輛以上過車對應的打印信息和錄像。

• 檢測值：通過雷視端實時輸出信息，提取某時刻每個車道的區域車輛數。
• 實際值：通過雷視相機預覽、錄像，人工統計某時刻每個車道的車輛個數。

計算公式：

式中：A1為某時刻車道内區域車輛數實際值，A2為某時刻車道内區域車輛數測量值。

測試要求：

測試區域車輛數需要滿足以下要求：

測試時段：應包括平峰期、高峰期，平峰期應與高峰期區分。

測試數量：每個方向，每條車道，平峰期、高峰期各時段至少半小時，各時段至少随機抽驗100個時刻。

準确率要求：區域車輛數準确率≥90%。

行駛軌迹是指在一個時間段内，記錄在檢測區域範圍内的車輛行駛跟蹤軌迹。

應用邏輯：

通過對路段/路口車輛軌迹分析，鑒定道路進出口道車輛變道、機非沖突、出入口或公交站車輛分合流。通過交叉口内部軌迹沖突、停滞、對向左轉軌迹間距較近等判斷路口内部車輛異常停車、碰撞或潛在沖突風險。同時通過精細的車輛軌迹數據和豐富的局部交通流檢測數據，為全面的交通運行評價體系建立、交叉口運行監控診斷提供可落地實施的數據基礎。

測試方法：

通過架設雷視測試點位，采集顯示軟件10分鐘或者每條車道斷面經過20輛以上過車對應的軌迹顯示信息。

車型識别是指對車輛進行大車、小車區分。大車是指大巴、公交、大貨車、渣土車等，小車是指轎車、SUV、面包車等。

測試方法：

通過架設雷視路段或者路口測試點位，采集30分鐘或者每條車道斷面經過100輛以上過車對應的輸出結果和錄像。

• 檢測值：通過雷視端實時輸出信息，提取對應時間段每個車道的大車流量和小車流量。
• 實際值：通過雷視相機錄像，人工統計對應時段經過每個車道虛拟線圈雷視捕獲到的車輛數，對此數據再統計出實際大車數量和小車數量。

計算公式：

式中：A1為單位時間内人工統計雷視捕獲到的大車流量實際值，A2為單位時間内人工統計雷視捕獲到的小車流量實際值；A3為單位時間雷視檢測的大車流量檢測值，A4為單位時間雷視檢測的小車流量檢測值。

測試要求：

測試車流量需要滿足以下要求：

測試時段：可選擇平峰期或者高峰期。

測試數量：每條車道各時段至少半小時或100輛過車。

準确率要求：每條車道車型識别準确率≥90%。

事故是指車輛在道路上發生故障停車或者多輛車出現碰撞停車的事件。

測試方法：

通過架設雷視路段或者路口測試點位，雷視啟用事故檢測，配置關聯行人。測試人員1駕駛車輛A從雷視相機視場上方行駛過停止線後直行進入路口中央停車，測試人員2駕駛車輛B行駛至車輛A的後方，并且與車輛A的間距小于0.5米後停車，測試人員1和測試人員2分别下車并在車輛周圍觀察走動持續30秒，檢查雷視是否抓拍事故圖片。

測試要求：

測試事故需要滿足以下要求：

測試時段：選擇平峰期，需要封閉路口進行測試。

測試數量：模拟事故次數不限，雷視可檢出事故即可。

視頻雷視一體機支持分車道統計交通數據信息，統計周期可根據實際需求靈活設置。交通數據信息如下表：

1. 交通數據信息

1. 交通參數信息

視頻雷視一體機支持根據車道分别輸出實時交通數據，包括車輛到達、車輛離開、車輛類型數據的輸出。這類實時的車輛數據可提供到交通信号控制系統用作路口級的實時信号配時調整。

在數據傳輸方式上，支持RS485、網絡等方式，同時也可配合IO解析設備實現IO數據的輸出，能更好的适應不同設備對接的要求。

設備支持對道路交通狀态的檢測，可提供“暢通、緩行、擁堵”的狀态判斷，可提供檢測結果在中心平台處做聯動報警等提醒功能。

可利用高清攝像機實現視頻監控功能，視頻雷視一體機采用200萬高清CMOS攝像機，畫面場景與一般監控攝像機差異不大，可完全滿足常規道路監控的要求。

1. 常規道路監控

提供完善的SDK開發包以供業主按需集成、定制。

系統應用管理軟件的數據格式、通訊接口與通訊協議均采用标準方式或公開通訊協議和控制接口，便于集成。系統預留擴展接口與其他系統互聯，向用戶完全公開所有接口協議和數據格式，全面支持系統的集成和二次開發。通過接口開發，系統可以生成相關的數據信息導出給其它公安信息系統數據庫。

向用戶完全開放本系統相關的接口及協議，并可以根據用戶需要進行修改，滿足客戶二次開發要求。

1. 系統性能

攝像機硬件架構層面，由原來的ARM DSP更新為基于“高清能AI硬件平台 深度學習算法”的架構，将圖形、圖像處理方面的獨特優勢集成到前端攝像機内，在整體硬件性能與圖像處理速度上提高了5-10倍。

攝像機采用深度學習的智能算法，替換掉了原模式識别算法，去除了原算法層面的人工目标挑選過程，由前端攝像機來承擔進行目标自主挑選，摒除人工挑選對識别模式的限制，利用計算機精細化的運算、幾何圖形、幾何比例特殊的處理方式，通過大量過車目标的自主學習從而來提高車輛特征、号牌的識别準确率，達到精細化識别的目的。

1. 深度學習VS傳統算法

由于深度學習算法相對傳統模式識别算法，對硬件性能的要求更高，因此從側面印證了新平台在處理性能上的提升。

“海康神捕”攝像機與原攝像機一樣采用鳍型式散熱結構設計，不同的是新系列攝像機的散熱結構、鳍型外觀重新做了優化，其散熱效率與均勻性進一步提高，從而提高了系統魯棒性、環境适應性。

基于“高性能AI硬件平台 深度學習算法”的“神捕系列攝像機”相對原有攝像機系列在相對場景、參數配置下指标率有大幅提升。

可同時進行車流量、平均車速、車頭間距、車頭時距、車道空間占有率、車道時間占有率、車輛類型、車輛排隊長度、交通狀态等數據的采集處理；在保證架設高度足夠高的情況下，單路視頻可實現一個完整斷面的交通數據采集。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!