2.2　新型交通流实时采集技术与方法

2.2.1　基于浮动车数据的交通流实时采集技术

FCD（Floating Car Data）意为“浮动车数据”，是一种交通流信息的来源。FCD交通流检测技术就是将机动车作为移动检测器，依靠车上安装的GPS模块和通信模块，定期向信息中心发送车辆位置、速度、时间或状态信息，通过对这些信息的分析和处理获取交通流信息。

2.2.1.1 FCD交通流检测技术

（1） 基本结构

FCD交通流检测系统主要由车载设备、无线通信网络、FCD数据中心和FCD数据接收或显示终端等组成，如图2-1所示。

车载设备主要包括GPS数据接收器和无线通信终端，其中GPS数据接收器负责接收GPS卫星信号，并收集GPS卫星定位状态、GPS坐标信息、地表运动方向与速度、GPS时间和日期；无线通信终端负责与数据中心进行通信并将上述信息传输给数据中心，同时还接收数据中心发送的命令。

无线通信网络主要是指无线通信ASP提供的通信服务和通信设备，如GPRS、SMS服务和通信基站、通信交换机、通信终端等。

FCD数据中心主要由FCD数据分析处理服务器和FCD数据提供服务器组成，FCD数据分析处理服务器主要负责将GPS原始数据转换为FCD交通流数据并进行存储，FCD数据提供服务器负责读取FCD交通流数据并向外发布数据，发布的方式为Intranet、Internet和GPRS/GSM等。

FCD数据接收或显示终端主要包括PC终端、车载导航设备、手机或移动设备等，这些设备负责接收FCD交通流信息并进行显示，FCD数据还可进一步处理，最终可以实现交通状态检测、路径诱导、信息预测等更加重要的功能。

（2） 检测过程

FCD交通流检测的一般过程包括FCD数据采集、FCD地图匹配和FCD交通流分析等过程，如图2-2所示。

①FCD数据采集。FCD数据采集是通过安装在车辆上面的GPS装置收集以下参数：车辆ID、时间、经度、纬度、速度、方位角、车辆状态（停驶、运行等）。采集频率一般为每30s采集一次，上传中心的频率通常为每60s上传一次。

②FCD地图匹配。通过FCD数据采集可以获得原始坐标信息，然而要进行交通流分析就必须将这些坐标信息定位在道路路段上，FCD地图匹配就是将GPS数据关联到道路路段的过程。GPS数据本身存在一定的误差，主要是由卫星测量误差和几何位置造成的误差所组成，引起该误差的主要原因有卫星时钟误差、电离层或对流层的附加延时误差、多路径误差、接收机本身噪声等。地图匹配是一种将获取的GPS定位数据与GIS-T中的道路数据以一定的算法进行匹配，达到减少或消除各种误差产生的目的，使目标点精确定位在道路层上的方法。

③FCD交通流分析。浮动车在道路上的覆盖率达不到百分之百，浮动车数据并不能直接换算为交通流参数，因此在获取了浮动车数据和地图匹配数据以后，需根据这些数据进行建模，利用模型对整条道路上的交通流参数进行估计，这就是FCD交通流分析。FCD交通流分析包括路段平均速度分析、行程时间分析和交通流量估计。

（3） 地图匹配技术

FCD地图匹配技术就是运用一定的算法将GPS数据和GIS数据进行匹配，以减少或消除GPS误差为目的，使浮动车GPS数据能够精确定位在道路上，为后面进行的交通流分析作准备。

目前常用的地图匹配算法有点到点匹配法、点到曲线匹配法、结合GPS航向的点到曲线匹配法、曲线到曲线匹配法、改进的点到曲线匹配法、改进的曲线到曲线匹配法、概率统计法、类似权重系统的匹配法等，各种算法的原理和缺点如表2-1所示。

这些算法都具有比较成熟的理论，在GPS定位和导航中的应用也非常广泛，但是由于各种算法都存在一定的缺陷。Mohammed A.Quddus等人提出了一种新的地图匹配算法——基于要素加权的地图匹配算法，这种算法经过验证，其匹配效果较好，本书对该算法进行了修正。

①基于要素加权的地图匹配算法。要得到正确的地图匹配就必须充分利用几何信息、历史信息、方向信息以及道路拓扑信息。要素加权法就是充分利用这些信息综合考虑，从而得到正确的匹配。使用要素加权法进行地图匹配的过程如图2-3所示。

a.从候选路段中选择匹配路段。地图匹配最关键的一步是选择正确的行驶路段，影响路段选择的因素有很多，主要归纳为四个因素，即GPS航向与路段方向的相似性、GPS点到路段的接近程度、GPS点轨迹与路段的接近程度、GPS点与路段的相对位置关系。对这四个因素分别赋予一定的权重，然后进行加权，选择权重最大的路段为匹配路段。各个权重计算方法如下。

■GPS航向与路段方向相似性的权重采用以下公式

WS _H = A _H ·cosΔ β′ （2-1）

其中

式中， WS _H 表示GPS航向与路段方向的相似性权重；Δ β 表示GPS航向与路段方向的角度差，如图2-4所示； A _H 表示GPS航向与路段方向的相似性权重系数。

■GPS点到路段的接近程度的权重采用以下公式

WS _PD = A _P / D （2-2）

式中， WS _PD 表示GPS点到路段的接近程度权重； A _P 表示GPS点到路段的接近程度的权重系数； D 表示GPS点到路段的距离，如图2-5所示。

■GPS点轨迹与路段的接近程度的权重采用以下公式

WS _PI = A _P ·cos θ （2-3）

式中， WS _PI 表示连续两个GPS点轨迹与路段的接近程度权重； θ 表示GPS点轨迹与路段的夹角，如图2-6所示。

■GPS点与路段的相对位置关系权重计算公式

WS _RP = A _RP ·cos α （2-4）

式中， WS _RP 表示GPS点与路段的相对位置权重； A _RP 表示GPS点与路段的相对位置权重系数； α （≤180）表示GPS点与最近一个节点的连线与路段的夹角，如图2-7所示。

总的权重计算公式

TWS = WS _H +（ WS _PD + WS _PI ）+ W _RP （2-5）

几个权重之间的重要性， WS _H 比 WS _RP 重要， WS _RP 比（ WS _PD + WS _PI ）重要，各权重系数按照下面公式进行计算

在匹配路段上确定车辆位置。有两种方法确定车辆位置坐标，一种是使用路段方向和车辆速度，如图2-8所示。

P _t 和 P _{t+ 1} 表示车辆在 t 时刻和 t +1时刻位置，假设 P _t 点已经匹配在路段上，通过路段的方向角和 P _{t+ 1} 点的瞬时速度，可以计算出东、北方向的偏移

于是 P _{t+ 1} 点的坐标就可以得到

另外一种方法是投影法，如图2-9所示。图中， P _S （ E _S ， N _S ）为原始位置点， C _P （ PE _S ， PN _S ）为采用投影法匹配的点位， A （ x ₁ ， y ₁ ）和 B （ x ₂ ， y ₂ ）为匹配路段的起点和终点。

位置点的坐标为

通过两种方法确定的位置点 P _map （ E _map ， N _map ）和 C _P （ PE _S ， PN _S ）来对车辆实际位置坐标进行估计，估计值按照以下公式计算：

式中， ， 表示估计值； 表示 E _map 的计算偏差； 表示 E _S 的测量偏差； 表示 N _S 的测量偏差。

判断车辆是否仍在前面的匹配路段上。在前两个GPS点定位在正确的路段上以后，算法的下一步就是要判断车辆是否仍行驶在前面的路段上，在判断的过程中，需要考虑两个因素。

第一，连续两个GPS点组成的连线的方向差［如点 P _i （ E _i ， N _i ）、 P _{i+ 1} （ E _{i+ 1} ， N _{i+ 1} ）组成的连线和点 P _{i+ 1} （ E _{i+ 1} ， N _{i+ 1} ）、 P _{i+ 2} （ E _{i+ 2} ， N _{i+ 2} ）组成的连线的方向差］大于45°。

第二，连续两个GPS点的航向差大于45°并且GPS点与最近一个节点的连线的方向角与当前路段的方向角差大于90°。

如果上述两个条件中的任何一个条件不满足，说明车辆正行驶在交叉口附近，此时需要重新选择匹配路段，否则继续使用先前的匹配路段，新的车辆位置使用式（2-10）计算。

b.离群点的识别。在GPS数据采集过程中，由于设备原因或其他原因会造成一些离群点，这些离群点，如图2-10所示，当Δ δ 大于45°，则点 P （ x _{i+ 1} ， y _{i+ 1} ）为离群点。

离群点会造成匹配误差，为了消除这些误差，必须先将离群点的下一个点进行匹配，然后再匹配离群点，详细见参考文献［1］。

②算法的修正。要素加权法在实际应用中还存在以下问题。

候选路段的选择范围太小而导致正确的路段没有包含在里面，在原算法中候选路段选择是以离GPS点距离最近的节点为中心，通过该节点的所有路段即为候选路段，然而实际中路段交叉比较多，通过节点的路段不一定包含了匹配路段，如图2-11所示，按照原算法选择候选路段为1、2、3、5，如果路段7为车辆行驶路段，则未包含到候选路段中，会导致匹配错误。

原算法在确定匹配路段的过程中需要给定权重系数，这些权重系数很难确定，一旦使用了错误的权重系数会导致匹配错误。

如图2-12所示，在交叉口附近由于干扰路段的存在，而导致一些点匹配出错，其原因为：在交叉口附近GPS航向与道路方向相似性远比点到路段靠近程度重要，经测试权重设置前者至少要大于后者12倍才能保证匹配不出错。

如图2-13所示，车辆停止时，原算法会出现匹配错误，其原因为：车辆速度为0时，GPS航向误差很大，此时使用权重系数设置已经失去意义。

采用以下修正方法来解决上述问题。

a.候选路段选择的修正。由于原算法候选路段的选择范围过窄，只包含经过最近节点的路段，这导致正确路段未能包含在候选路段中，因此我们采用扩大候选路段范围的方法，就是在原范围基础上，增加离GPS点较近的一些路段，这样就能确保正确路段包含在候选路段范围中。

b.匹配路段选择的修正。由于原算法需要设置权重系数，而权重系数比较难确定，采用多属性决策方法代替简单加权法，这样可以避免设置权重。采用多属性决策方法的步骤如下。

第一步：将每一条候选路段作为一个决策方案，每个方案具有四个属性，分别为GPS点位与路段的接近程度、GPS航向与路段方向的相似性、GPS轨迹与路段的接近程度、GPS点与路段的相对位置关系。

第二步：根据式（2-1）、式（2-4）分别计算出每个决策方案的属性值，并组成决策矩阵。

第三步：采用信息熵方法确定基础权重系数。

假设决策矩阵 D 为 m ×4矩阵， m 为方案（候选路段）数，其中元素 x _ij 表示第 i 个方案的第 j 个属性值，则方案（候选路段）关于属性 j 的评价定义为

方案关于属性 j 的熵为

这里的 k 为一个常量， k =1/ln m 。

信息偏差度定义为： d _j =1- E _j

定义第j个属性权重系数为：

式中， n 为属性的数目，本方法中取4。

第四步：采用简单加权法进行决策。

使用简单加权和方法计算每个方案（候选路段）的权重

取具有最大权重的方案（候选路段）作为最优方案（匹配路段）

2.2.1.2 FCD交通流分析技术

FCD交通流分析技术是指利用一定的模型或算法对匹配好的浮动车GPS数据进行分析和处理，从而得到行程时间、平均速度、交通流量等交通流信息。FCD交通流分析分为样本数据预处理和交通流数据分析两个步骤。

（1） FCD样本数据预处理

首先，用来分析的样本数据包含了多个浮动车的数据，必须将这些数据按照车辆进行区分（即区分独立车辆）。在前面采集的浮动车GPS数据中包含了车辆ID信息，每个浮动车的ID在系统中是唯一的，因此可以根据车辆ID将数据进行分类，从而得到每辆车的GPS数据。

其次，为了获得准确的数据，需要剔除一些不符合要求的独立车辆数据。由于地图匹配错误或其他错误带来的异常数据会影响数据分析的准确度，因此在进行数据分析之前首先要对这些数据进行预处理，通常这种匹配出错的数据点不会很多，将这些数据剔除不会对最终结果造成很大影响。对异常数据剔除的方法为：当路段上某车辆的GPS数据点数小于一定阈值时则认为是干扰数据，此时该车辆的数据就应该被剔除。

再次，将各独立车辆的GPS数据按照时间先后进行排序，以方便计算各独立车辆的行程时间。

最后，根据排序好的数据计算每辆独立车辆的行程时间和平均速度。

（2） FCD交通流数据分析

经过上面的样本数据预处理后，得到了各个独立车辆的行程时间和平均速度，然而独立车辆的交通数据并不代表整个交通流数据，因此必须对上面的数据进一步分析。在分析的过程中，首先必须要确定需要多少浮动车的样本才能保证达到一定的准确度，然后才能从中抽样进行交通流分析。

①最小浮动车样本数确定。在参考文献［3］中的研究表明，当样本数较小（小于30）的时候，浮动车数据估计的误差概率服从 t 分布，假设要达到置信度为100×（1- α ）％，那么需要的浮动车样本数为 n ，满足以下不等式：

式中， t 表示概率分布变量； s 为标准偏差； ε 表示最大允许误差；变量 cv 和相对误差 e 可以通过以下公式计算：

在参考文献［3］中的研究表明，当样本数较大（大于30）的时候的误差概率服从标准正态分布，假设要达到置信度为100×（1- α ）％，那么需要的浮动车样本数为 n ，满足以下不等式：

式中， z 为给定置信水平的标准正态分布值，给定置信水平为1- α ，那么对应 z 值的概率值为1- α /2; cv 为变化系数，用式（2 - 16）计算； e 为允许出现的相对误差。

允许的误差大小取决于研究的意图，如果是作为交通实施、趋势分析、经济研究，那么可以允许的平均速度误差为（±2～±4）mph ，一般的研究，置信度取95％（ α =0.05），最大允许平均速度误差为±3mph。

②交通流数据分析。确定了最小浮动车样本数后，就可以根据独立车辆的交通参数来获得交通流参数。

a.当独立车辆数目大于最小浮动车样本数时可采用以下方法计算交通流参数。

·平均速度估计。平均速度可以用两种方法来计算，即时间平均速度和空间平均速度。时间平均速度是指道路某一断面车速分布的平均值，即断面上所有车辆点速度的算术平均值。空间平均速度是指在给定路段上，同一瞬间车速分布的平均值。

时间平均速度。设某一条道路上浮动车辆数为 n ，每辆车的瞬时速度为 v _i （ i =1，2，3，…， n ），则所有车辆平均速度为

空间平均速度。空间平均速度的一般计算公式

式中， l _i 表示第 i 辆车的行驶距离； t _i 表示第 i 辆车的行驶时间。

上面的公式是通用的计算公式，对于FCD来说很难测得每辆车的实际行驶距离，因为所有车辆在路上并不按照直线行驶，下面的方法采用估计距离代替实测距离。

设所测区间总长度为 s ，第 i 辆车的行程时间为 t _i （ i =1，2，…， n ），则车辆的空间平均车速为

·行程时间估计。一般行程时间估计的方法有两种，第一种是直接测量法，把观测路段分成小段，计算浮动车在每一小段的行程时间，然后把这些行程时间进行相加，得到总的行程时间；第二种是间接测量法，根据上面计算出来的路段平均速度，用路段长度除以路段平均速度，得到行程时间。这两种方法的优劣性都很明显，第一种方法当路段端点附近的GPS点位丢失的时候，就很难获取行程时间。第二种方法使用的是平均速度估计值，误差较大。

·交通流量估计。交通流量又称交通量，是指在单位时间内，通过道路某一地点、某一断面或某一条道路的车辆数，一般流量和空间平均速度具有以下关系

式中， Q 为交通量，辆/小时； V 为空间平均车速，km/h； V _f 为密度 K =0时的自由行驶车速； K _j 为密度很大车辆无法行驶时的阻塞密度。

根据式（2-22）和上面计算的空间平均速度值，可以获得交通流量数据。

b.当独立车辆数目小于最小浮动车样本数时，继续采用以上方法计算交通流参数势必造成很大误差，根据参考文献［5］的描述，当样本数少的时候我们倾向于使用单个GPS浮动车的数据进行数据估计。

·行程时间估计。

第一步：获取单个浮动车的数据，可利用上述预处理好的独立车辆数据。

第二步：进行驾驶模式识别，驾驶模式来自于车辆的速度趋势图，按照浮动车的行程时间和平均行程时间（MTT）之差进行分类，分为“fast”、“medium”、“slow”三类。“fast”表示行程时间比平均行程时间短，“slow”表示行程时间比平均行程时间长，“medium”意味着行程时间接近于平均行程时间。与传统的驾驶行为不同，驾驶模式只与浮动车行程时间和平均行程时间之差有关，而与驾驶员无任何关系。

第三步：估计模型。

非拥挤情况下的行程时间估计。

根据模糊集的输出结果，如果驾驶模式为“medium”，则估计行程时间和浮动车行程时间相同，即

T _estimated = T _pv （2-23）

如果模糊集的输出结果 k 在［0.9，1］之间，可以认为驾驶模式为“Fast”，则浮动车行程时间比估计行程时间短

如果模糊集的输出结果 k 小于0.9，则可认为驾驶模式为“very fast”，浮动车行程时间比估计行程时间短很多，在这种情况下需要引入另外一个变量 v _L1 ，67％的低速度值的平均值。将所有的速度值进行排序，按照从小到大的顺序挑选出所有数据中的67％的数据值进行平均，另外一个变量 v _L2 ，用来作事件检测的，33％的低速度值的平均值，于是就有

如果 k 大于1，则可认为驾驶模式为“slow”，则浮动车行程时间比估计行程时间长。

如果 k 大于1.1，则可认为驾驶模式为“very slow”，浮动车行程时间比估计行程时间长很多，则需要引进变量 v _H ，67％的高速度值的平均值，则

拥挤情况下的行程时间估计。

拥挤的检测：在有拥挤的情况下，浮动车的速度图式变化很大，当速度的标准偏差大于3， v _L2 ，33％的低速度值的平均值小于16m/s的时候，可认为发生拥挤。

在拥挤情况下，模糊集的输出 k 在［0.82，1.18］之间，因此不能采用非拥挤情形下的驾驶模型，在这种情况下需要更多的浮动车数据进行估计。

·平均速度估计。利用路段长度除以上述获得的行程时间就可以得到平均速度。

·交通流量估计。根据式（1-22）和上述计算的平均速度值，可以获得交通流量数据。

2.2.2　基于视频图像处理的交叉口交通流实时采集技术

在交通检测中，视频检测是重要的手段。一般的视频检测系统，由相机、计算机组成。相机只进行拍摄，然后将图像传送至计算机进行处理。本技术采用基于ARM处理器的嵌入式相机，直接在相机内部进行交通参数的分析，将由视频中提取的交通参数，由相机串口或者电平输出。这样的系统可以降低系统成本。

（1） 背景更新算法

在交通流检测中，对视频的处理一般采用背景差减法，先生成背景图像，再利用视频中的图像与背景图像相减，从而得到图像中感兴趣的前景目标，从而实现所需的功能。但是，实际中的背景是随着外界环境的变化而变化的，因此背景图像需要随时间的推移而进行动态更新，这就涉及了背景的生成及更新方法。因此，背景图像的生成质量和速度都成为影响检测系统性能的重要因素。若背景生成的质量过差，则在与当前输入图像作差减运算后，会在差减图像上存有大量噪声，影响对前景目标的检测；若背景生成速度过慢，则无法达到检测系统实时性的要求，限制系统的实际应用。所以一种在生成质量和速度方面都有良好性能的背景生成及更新算法，对提高整个视频检测系统的性能有着重要作用。

目前常见的背景图像生成方法有灰度均值法、图像序列差减法等。灰度均值法虽然简单，但在生成背景图像时需要大量的图像序列，并且受前景干扰较大。图像序列差减法在应用时要选取合适的阈值。

背景更新算法是在视频处理中生成及更新背景图像的方法，通过对视频中每一帧图像的统计，寻找图像序列中出现最频繁的灰度作为背景图像灰度，即灰度时间序列中面积最大的单峰均值灰度作为背景图像的灰度，对背景图像进行持续更新，从而实现在视频中生成背景图像。

算法的基本流程如图2-14所示，该算法的流程包括：在当前帧中选至少一个像素，将其中每个像素分别作为当前像素，进行：计算第一差值并判断其绝对值是否小于背景阈值的外边界；如果小于，计算第一候选像素值，并将次数COUNT_A增1；如果不小于，将第一像素值与第三像素值相减，得到第二差值；判断第二差值绝对值是否小于前景阈值的外边界；如果小于，计算第二候选像素值，并将COUNT_B增1；否则计算第三候选像素值，并将COUNT_C增1；比较COUNT_A、COUNT_B和COUNT_C的大小，将次数最大者对应的候选像素值作为背景图像的相应像素的更新像素值。

算法应用如下。

首先将视频中的任一帧设为初始背景图像，并将临时前景图像和吸收图像设为空。随后，将当前帧图像与背景图像和临时前景图像分别相减并取绝对值。与背景图像接近的像素置入背景图像取平均值，并记录其频数，同时更新背景阈值；与临时前景图像接近的像素置入临时前景图像取平均值，并记录其频数，同时更新临时前景阈值；其他像素置入吸收图像取平均值。对三幅图像中的频数进行比较，频数最大的置入背景图像，频数次之的置于临时前景图像；计数值最小的灰度丢弃。处理完该帧图像后，对下一帧图像进行处理，对背景进行持续更新，直至系统运行结束。本算法解决了现有技术中无法从视频中快速生成高质量背景图像的问题。

在两幅图像做相减运算时，指的是将两幅图像中的像素分别相减，如果图像有多于一个的通道，则每个通道也要分别相减。

背景阈值的作用用来判断当前帧图像中的像素是否与背景图像接近。在阈值之内的像素说明与背景图像接近，可以认为是背景像素，对这些像素求平均运算就可以得到背景像素。这些像素在时间序列上表现为一个单峰，该单峰可以认为是一个高斯分布。

临时前景阈值的作用与上同。

为了实现背景阈值的自适应调整，并不单纯的以阈值固定不变，同时，这一阈值还有一定的扩展空间。实验证明，以Threshold+a灰度值为外边界，Threshold-a灰度值为内边界，a可以根据实际需要选取，在图像动态范围变化较大时，a可以适当选的大一些，如10；在图像动态范围变化较小时，a可以适当选的小一些，如5。

若某个灰度值落在了阈值和外边界之间，虽然其灰度值距离背景灰度值较远，但仍认为其落在背景区域中，同时这说明，现在的阈值有可能较小，需要加大，所以令Threshold=Threshold+1。同样的，若某个灰度值落在了背景灰度值和内边界之间，虽然其落在背景区域中，但也说明，现在的阈值有可能较大，需要减小，所以令Threshold=Threshold-1。这样就实现了背景阈值的自适应调整。

每次处理完一帧图像后，逐像素比较背景图像、临时前景图像和吸收图像中的频数，取频数最大的平均灰度作为背景图像的灰度，频数次之的置于临时前景图像；计数值最小的灰度丢弃。此时完成对一帧图像的所有处理，随后对下一帧图像进行处理，对背景进行持续更新，直至处理完最后一帧图像。

（2） 相机内程序的结构

相机内的程序分为4个线程，如图2-15所示。