[发明专利]无信号交叉口机非人实时轨迹预测与冲突识别方法

说明书

本发明公开了一种无信号交叉口机非人实时轨迹预测与冲突识别方法，包括：利用建立的历史轨迹数据库训练ARMA模型和极限学习预测机；利用ARMA模型预测进口道机非人轨迹；根据进口道机非人预测轨迹进行进口道冲突预警；利用极限学习预测机预测交叉口机非人轨迹；根据交叉口机非人预测轨迹进行交叉口冲突预警。本发明分为进口道内机非人轨迹预测和冲突识别，以及交叉口内机非人轨迹预测和冲突识别两部分，能实现整个交叉口的实时动态轨迹预测和冲突识别，具有较好的鲁棒性，实时性非常高。

技术领域

本发明涉及智能交通技术领域，更具体的说是涉及无信号交叉口机非人实时轨迹预测与冲突识别方法。

背景技术

现有交通冲突识别研究多基于历史轨迹数据进行静态车车冲突的检测和判别，且多针对车车冲突较严重的个别行车方向，很少涉及到行人与非机动车的安全控制技术，也很少从整个实际交通场景角度考虑机非人混合冲突识别和预警总体方案。实时冲突识别及预警研究目前主要集中在车车、车路协同框架下的车车冲突预警，由于受到车载检测器检测盲区、检测视野范围、检测技术等影响，其中行人和非机动车的检测与识别还是一个研究难点。

其中，无信号交叉口机非人实时轨迹预测和冲突识别面临一些困难和挑战，根据提取的交叉口历史轨迹特点，在建立轨迹预测模型时主要有以下两个问题：(1)同时空下交叉口内的机非人轨迹较多，且具有方向不确定性特征，尤其是转弯车辆难以建模；(2)车辆进入进口道还未转向前，需与过街行人和非机动车进行冲突预警，而过街行人轨迹样本较少，因而不能与交叉口内轨迹预测统一建模。分析同时空下整个交叉口预测的轨迹特征，发现在冲突判别时存在以下问题：(1)同时刻存在多股交互冲突轨迹，在判别的先后顺序上较为棘手；(2)根据以往的冲突判别方式，往往会陷于两两冲突的思维局限性中。

因此，如何提供一种合理有效的无信号交叉口机非人轨迹预测模型及冲突识别方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种无信号交叉口机非人实时轨迹预测与冲突识别方法，该算法基于交叉口视频图像实时轨迹提取，能实现整个交叉口的实时动态轨迹预测和冲突识别，具有较好的鲁棒性，实时性非常高。

为了实现上述目的，本发明采用如下技术方案：

无信号交叉口机非人实时轨迹预测与冲突识别方法，包括以下步骤：

S1进口道机非人轨迹预测：将视频提取的实时进口道机非人轨迹输入至预先训练好的ARMA模型中，得到进口道机非人预测轨迹；

S2进口道冲突预警：根据所述进口道机非人预测轨迹判断进口道内机非人是否存在冲突，如存在，发布进口道冲突预警信息；

S3交叉口机非人轨迹预测：将视频提取的实时交叉口内机非人轨迹输入至预先训练好的极限学习机中，得到交叉口机非人预测轨迹；

S4交叉口冲突预警：根据所述交叉口机非人预测轨迹判断交叉口内机非人是否存在冲突，如存在，发布交叉口冲突预警信息。

进一步，在S1之前还包括以下步骤：

历史轨迹数据库的建立：提取历史交通视频图像的机非人轨迹数据，建立历史轨迹数据库，所述历史轨迹数据库包括进口道机非人历史轨迹和交叉口内机非人历史轨迹；

轨迹训练：利用所述进口道机非人历史轨迹训练ARMA模型，利用所述交叉口内机非人历史轨迹训练极限学习机。

进一步，所述进口道机非人历史轨迹包括进口道机动车历史轨迹、进口道过街行人历史轨迹与进口道过街非机动车历史轨迹；

所述交叉口内机非人历史轨迹包括交叉口机动车历史轨迹和交叉口非机动车历史轨迹。

进一步，利用所述进口道机非人历史轨迹训练ARMA模型的具体步骤为：