基于模糊邏輯的信號(hào)交叉口人車沖突判別方法

胡宏宇，李志慧，魏 巍，曲昭偉，陳正全

混合交通是我國交通的主要特點(diǎn)，即使在有信號(hào)控制的交叉口，行人也常常與機(jī)動(dòng)車發(fā)生沖突。構(gòu)建合理的交叉口人車沖突分析方法，是保障交叉口通行效率及通行安全的基本途徑。近年來，國內(nèi)外研究學(xué)者就交叉口人車沖突進(jìn)行了相關(guān)研究并取得了一定的成果［1－3］。Ashton采用人車之間的碰撞速度來評價(jià)沖突的嚴(yán)重性程度［4］；Hay ward［5］提出了經(jīng)典的碰撞預(yù)計(jì)時(shí)間（TTC），并以此作為判別交通沖突臨界狀態(tài)的指標(biāo)。在TTC概念的基礎(chǔ)上，研究人員針對人車沖突問題，從不同的研究角度相繼提出了行人過街沖突時(shí)間［6］、后侵犯時(shí)間［7］、安全減速時(shí)間［8］以及行人過街風(fēng)險(xiǎn)指數(shù)［9］等以沖突時(shí)間為評價(jià)指標(biāo)的沖突辨識(shí)模型。Zhang等［10］提出了基于沖突時(shí)間差（TDTC）的混合交通條件下人車沖突辨別方法，通過試驗(yàn)表明：該方法在評價(jià)行人安全的應(yīng)用中取得了較好的效果。

由于影響人車沖突嚴(yán)重程度的因素較多，難以用模型精確量化，且人車沖突是一個(gè)復(fù)雜的變化過程，安全、危險(xiǎn)的概念本身是模糊的，沖突情況不同，危險(xiǎn)程度也不同。因此本文基于模糊理論，利用視頻圖像自動(dòng)處理技術(shù)提取行人、機(jī)動(dòng)車運(yùn)動(dòng)軌跡，對人車沖突安全性進(jìn)行判別和分析。

1 模型構(gòu)建

1.1 信號(hào)交叉口人車沖突分析

本文以典型四相位信號(hào)交叉口為例進(jìn)行人車沖突情形分析。在進(jìn)口道處由于信號(hào)配時(shí)中較少設(shè)置專用右轉(zhuǎn)信號(hào)相位，故右轉(zhuǎn)機(jī)動(dòng)車與過街行人發(fā)生沖突的情況較多；在左轉(zhuǎn)車流放行時(shí)，理論上行人是不被允許通過交叉口的，但是行人往往難以接受過長的紅燈等待時(shí)間，尋找對向左轉(zhuǎn)車可穿越間隙違章過街，由此導(dǎo)致沖突發(fā)生；而在出口道位置，源自相鄰進(jìn)口道的右轉(zhuǎn)車流與過街行人的沖突發(fā)生頻次也較高，另一相鄰進(jìn)口道的左轉(zhuǎn)車流通過該處人行橫道時(shí)也會(huì)與行人發(fā)生沖突，危險(xiǎn)性較大。

1.2 模型指標(biāo)選取

由于行人比車輛要小得多，當(dāng)一個(gè)車輛通過，盡管行人沒有侵占通行權(quán)，但行人仍將被影響（或處于危險(xiǎn)中）。盡管行人沒有在車輛的前方，這個(gè)行人仍可能處于危險(xiǎn)中。因此，為了分析人車沖突相互影響的過程，本文引入沖突時(shí)間差［10］（TDTC）作為人車沖突的安全評價(jià)指標(biāo)。該參數(shù)的定義為：如果行人、車輛保持速度不變，他們到達(dá)潛在沖突點(diǎn)的時(shí)間差。其中潛在沖突點(diǎn)是行人與車輛運(yùn)行軌跡的交點(diǎn)。TDTC可以被表示為：

TDTC可以是大于零或小于零的數(shù)。如果TDTC大于零意味著車輛先到達(dá)潛在沖突點(diǎn)；如果TDTC小于零則意味著行人先到達(dá)潛在沖突點(diǎn)。TDTC越接近于0，表明沖突越嚴(yán)重，行人的危險(xiǎn)程度越高。為了顯示人車相互影響的整個(gè)過程，本文將臨近沖突前的時(shí)間劃分為若干間隔，分別測量其TDTC值，若TDTC值連續(xù)處于判別閾值范圍內(nèi)，則表明人車沖突嚴(yán)重程度更大。同時(shí)由于TDTC參數(shù)是一個(gè)相對的值，單純依賴它不能精確地評價(jià)人車沖突的嚴(yán)重性。例如，如果行人和車輛都以很小的速度并朝著同樣的位置運(yùn)動(dòng)，TDTC值也會(huì)很接近0，而行人的危險(xiǎn)程度卻沒有那么高。因此，需要結(jié)合其他指標(biāo)進(jìn)行評價(jià)。本文結(jié)合人車相對速度參數(shù)進(jìn)一步判別。但由于實(shí)際情況行人速度相對車輛速度來說很小，因此行人速度可以忽略。進(jìn)而選取車速參數(shù)與臨近沖突前連續(xù)TDTC參數(shù)值進(jìn)行人車沖突嚴(yán)重程度的判別。

1.3 模糊規(guī)則確定

本文基于模糊理論，利用Matlab模糊邏輯工具箱實(shí)現(xiàn)人車沖突判別。通過建立模糊邏輯規(guī)則預(yù)測可能出現(xiàn)的人車沖突情況。該規(guī)則包括兩個(gè)輸入變量：

（1）TDTC值。利用一個(gè)梯形函數(shù)獲得具有模糊概念的“接近0的TDTC值”的隸屬程度w0，如圖1（a）所示。根據(jù)文獻(xiàn)［10］對TDTC值的觀察，當(dāng)TDTC值落入［－1，0.5］s時(shí)，行人的危險(xiǎn)程度會(huì)很高。而人車沖突的發(fā)生往往是一個(gè)過程，不僅僅限于一個(gè)時(shí)間點(diǎn)，當(dāng)TDTC值在接近0的一個(gè)時(shí)間范圍內(nèi)，人車沖突的危險(xiǎn)性都是很高的；當(dāng)TDTC值遠(yuǎn)離0時(shí)（TDTC→±∞），人車沖突的危險(xiǎn)程度降低。因此，采用如圖1（a）所示的梯形函數(shù)對TDTC值進(jìn)行模糊化，其中IA，IB，IC，ID為梯形函數(shù)的控制閾值參數(shù)。

（2）車速值。使用一個(gè)S型函數(shù)來表示模糊概念“很快”的隸屬度（w1），如圖1（b）所示。當(dāng)車速變快，超過指定閾值時(shí)，即使TDTC值未在危險(xiǎn)范圍內(nèi)，人車發(fā)生沖突的可能性依然很大。因此用閾值參數(shù)Lsup、Linf來控制車速過快或過慢所產(chǎn)生的沖突嚴(yán)重程度。這里采用S型函數(shù)對車速參數(shù)進(jìn)行模糊化控制。

圖1 人車沖突判別模型中變量的隸屬度函數(shù)Fig.1 Membership f unctions of parameters in the model

1.4 人車沖突安全等級(jí)判別

基于該判別模型的模糊邏輯規(guī)則，輸出變量為人車沖突的等級(jí)。本文將人車沖突安全等級(jí)分為3個(gè)等級(jí)。通過視頻處理軟件獲得關(guān)鍵時(shí)刻（沖突雙方其中一方先到達(dá)潛在沖突點(diǎn)的時(shí)刻）以及關(guān)鍵時(shí)刻之前兩個(gè)采集時(shí)刻的數(shù)據(jù)，及獲得3個(gè)連續(xù)時(shí)刻的TDTC值，即TDTC1，TDTC2，TDTC3。并提取這3個(gè)時(shí)刻的最大速度，作為速度評價(jià)參數(shù)。如果3個(gè)連續(xù)的TDTC值都處在危險(xiǎn)區(qū)域外，該事件就是安全的（等級(jí)A）；如果1或2個(gè)TDTC值落入危險(xiǎn)區(qū)域，則需進(jìn)行車速判別。如果車速相對較慢，該事件是可能危險(xiǎn)的（等級(jí)B）。但如果車速很快，或者TDTC連續(xù)落入危險(xiǎn)區(qū)域，車輛、行人相撞的幾率非常大，該事件是非常危險(xiǎn)的（等級(jí)C）。

依據(jù)上述判別思想，可相應(yīng)構(gòu)建14條模糊邏輯規(guī)則，模型基于這些規(guī)則實(shí)現(xiàn)對人車沖突安全等級(jí)的辨識(shí)，如圖2所示。輸出變量output的論域?yàn)椋?，3］，沖突安全等級(jí)判別函數(shù)為：

圖2 人車沖突判別模糊邏輯規(guī)則Fig.2 Fuzzy logic rules of pedestrian-vehicle conflicts

2 試驗(yàn)分析

本文選取長春市人民大街與自由大路四相位信號(hào)交叉口為研究對象，利用攝像機(jī)在高處對交叉口人車沖突過程進(jìn)行拍攝。在數(shù)據(jù)采集過程中，本文利用課題組研發(fā)的混合交通運(yùn)動(dòng)軌跡跟蹤分析軟件進(jìn)行參數(shù)提取，較之傳統(tǒng)人工數(shù)據(jù)采集方法大大節(jié)省了采集時(shí)間。在數(shù)據(jù)提取過程中，以行人、車輛為質(zhì)點(diǎn)，將行人兩腳中心坐標(biāo)作為行人所在位置，將車頭中心坐標(biāo)代表車輛位置，由此獲得人車運(yùn)動(dòng)軌跡坐標(biāo)及各自速度。視頻圖像采集時(shí)間間隔為0.04 s，每10幀圖像（0.4 s）采集一次數(shù)據(jù)。圖3為混合交通運(yùn)動(dòng)軌跡跟蹤分析軟件截圖。

為了驗(yàn)證本文算法的適用性，將本文算法判別結(jié)果與人工判別結(jié)果進(jìn)行了對比。人工評價(jià)的數(shù)據(jù)來源于30位自愿觀察者，其均為非專業(yè)人士。首先對觀察者進(jìn)行訓(xùn)練、講解人車沖突相關(guān)知識(shí)，以便觀察者能做出正確的判斷。觀察者需要把沖突事件劃分為A，B，C三個(gè)等級(jí)。等級(jí)A代表安全的人車沖突事件；等級(jí)B相對危險(xiǎn)一些；等級(jí)C代表最危險(xiǎn)的人車沖突事件。安全等級(jí)由多數(shù)人投票得分決定。他們要觀察所有事件，并區(qū)分危險(xiǎn)和安全的人車沖突事件。然后對沖突程度進(jìn)行投票。如果多數(shù)投票集中在兩個(gè)等級(jí)中，那么安全等級(jí)為兩者中更危險(xiǎn)的一級(jí)。本文共記錄人車沖突有效事件48起，其中，等級(jí)A事件20起，等級(jí)B事件25起，等級(jí)C事件3起。

另外，在進(jìn)行算法驗(yàn)證之前，需要對兩個(gè)模糊規(guī)則隸屬函數(shù)的控制參數(shù)針對實(shí)際的交叉口數(shù)據(jù)進(jìn)行設(shè)定。根據(jù)文獻(xiàn)［10］，大多數(shù)TDTC值落入［－1，0.5］s時(shí)，行人的危險(xiǎn)程度均很高，且當(dāng)車輛速度超過30 k m／h時(shí)，距車較近的行人十分危險(xiǎn)。本文依據(jù)交叉口實(shí)際運(yùn)行情況，結(jié)合對比分析法（將提前采集到的25組先驗(yàn)人車沖突相關(guān)數(shù)據(jù)以本文提出方法和人工評價(jià)的方法得出結(jié)果進(jìn)行對比）經(jīng)過對隸屬函數(shù)參數(shù)的修改，使得人車沖突正確率最大。此時(shí)，控制TDTC的梯形函數(shù)的4個(gè)控制閾值IA，IB，IC，ID 分別?。?.4 s，－1 s，0.5 s，0.9 s；速度函數(shù)的閾值參數(shù)Lsup＝25 k m／h、Linf＝10 k m／h?；谀：壿嬕?guī)則的人車沖突判別過程如圖4所示。

圖3 混合交通運(yùn)動(dòng)軌跡跟蹤分析軟件Fig.3 Object trajectory analysis tool for mixed tr affic

表1為本文方法與人工判別方法的結(jié)果對比，可以發(fā)現(xiàn)本文方法準(zhǔn)確率在85%以上。其中，針對等級(jí)A的沖突，有3個(gè)沖突被模型判定為可能危險(xiǎn)。這是由于沖突車輛為大型車輛，人工觀測過程觀測者普遍認(rèn)為可能存在危險(xiǎn)，但本文算法模型并沒有考慮車輛尺寸的大小對行人安全性的影響。

圖4 人車沖突模糊判別過程Fig.4 Progress of pedestrian-vehicle conflict discri mination using the f uzzy logic tool

表2為利用本文方法統(tǒng)計(jì)的左轉(zhuǎn)、右轉(zhuǎn)、直行三種車輛與行人沖突程度情況。可以發(fā)現(xiàn)，右轉(zhuǎn)車與行人發(fā)生沖突的情況較多，因?yàn)橛肄D(zhuǎn)車輛不受信號(hào)控制、約束力小、經(jīng)常會(huì)與行人發(fā)生沖突。但右轉(zhuǎn)車一般都能以低速通過交叉口，使得發(fā)生嚴(yán)重危險(xiǎn)的概率降低。在左轉(zhuǎn)車流放行時(shí)，行人有時(shí)不考慮信號(hào)燈控制，隨意通過交叉口，導(dǎo)致與左轉(zhuǎn)車發(fā)生沖突。當(dāng)行人與左轉(zhuǎn)車搶行時(shí)，發(fā)生危險(xiǎn)的概率大大增加。同樣的情況在相鄰進(jìn)口道直行車放行時(shí)也會(huì)發(fā)生，行人違章過街，在車流中穿行，由于直行車速度較快，導(dǎo)致行人發(fā)生嚴(yán)重危險(xiǎn)的概率明顯增大。

表1 基于模糊邏輯的人車沖突判別結(jié)果Table 1 Pedestrian-vehicle conflict discrimination results based on f uzzy logic

表2 不同流向車輛與行人沖突情況Table 2 Conflict discri mination results bet ween pedestrians and vehicles in different directions

3 結(jié)束語

以交通沖突技術(shù)理論為基礎(chǔ)，采用TDTC和車速作為人車沖突判別模型的判別指標(biāo)；同時(shí)基于模糊控制原理，構(gòu)建了相應(yīng)的變量隸屬度函數(shù)與模糊規(guī)則，以此構(gòu)建基于模糊邏輯的人車沖突判別模型。在人車沖突數(shù)據(jù)采集過程中，利用課題組研發(fā)的混合交通運(yùn)動(dòng)軌跡跟蹤分析軟件進(jìn)行參數(shù)提取，較之傳統(tǒng)人工數(shù)據(jù)采集方法大大節(jié)省了采集、處理時(shí)間。通過實(shí)際交叉口采集數(shù)據(jù)驗(yàn)證了本文方法具有較好的適用性和較高的識(shí)別精度。

［1］郭偉偉，曲昭偉，王殿海.交通沖突判別模型［J］.吉林大學(xué)學(xué)報(bào)：工學(xué)版，2011，41（1）：35-40.Guo Wei-wei，Qu Zhao-wei，Wang Dian-hai.Traffic conflict discrimination model［J］.Journal of Jilin University（Engineering and Technology Edition），2011，41（1）：35-40.

［2］裴玉龍，馮樹民.基于交通沖突的行人過街危險(xiǎn)度研究［J］.哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2007，39（2）：285-287.Pei Yu-long，F(xiàn)eng Shu-min.Study on hazard degree of pedestrians＇crossing based on traffic conflict［J］.Journal of Harbin Institute of Technology，2007，39（2）：285-287.

［3］王俊驊，方守恩.路段行人－機(jī)動(dòng)車沖突觀測方法及沖突特性［J］.同濟(jì)大學(xué)學(xué)報(bào)，2008，36（4）：503-507.Wang Jun-hua，F(xiàn)ang Shou-en.Pedestrian-vehicle conflict observation and characteristics of road section［J］.Journal of Tongji University，2008，36（4）：503-507.

［4］Ashton S.A preli minary assessment of the potential for pedestrian injury reduction through vehicle design［C］∥Proceedings of the 24th Stapp Car Crash Conference，San Diego，USA，1982：373-394.

［5］Hayward J.Near miss deter mination through use of a scale of danger［R］.Penn，USA：Pennsylvania State University，1972.

［6］Várhelyi A.Dynamic speed adaptation based on information technology-a theoretical background［D］.Depart ment of Traffic Planning and Engineering，Lund U-niversity，Lund，Sweden，1996.

［7］Chin，H C，Quek S T.Measurement of traffic conflicts［J］.Safety Science，1997，26（3），169-187.

［8］Hupfer C.Computer aided image processing to modify traffic conflicts technique［D］.University Kaiserslautern，Transportation Depart ment，Kaiserslautern，Germany，1997.

［9］Cafiso S，Garcia G A，Cavarra R，et al.Pedestrian crossing safety i mprovements：Before and after study using traffic conflict techniques［C］∥Transportation Research Board 89th Annual Meeting，Washington D C，2010.

［10］Zhang Y Y，Yao D Y，Qiu T Z，et al.Pedestrian safety analysis in mixed traffic conditions using video data［J］.IEEE Transactions on Intelligent Transportation Systems，2012，13（4）：1832-1844.