基于5G技術(shù)的交通事故判別方法

劉呂亮， 石紅春， 朱彬

(常德職業(yè)技術(shù)學(xué)院,機(jī)電與信息工程系，湖南，常德 415000)

0 引言

交通運(yùn)輸行業(yè)高速發(fā)展，交通事故已成為人類生命以及財(cái)產(chǎn)的重要威脅，交通領(lǐng)域研究學(xué)者針對交通事故判別進(jìn)行大量研究。交通事故判別方法的精準(zhǔn)性對于提升交通運(yùn)輸行業(yè)安全性具有重要意義[1-3]。道路交通事故通常由于疲勞駕駛、醉酒駕駛、超速駕駛等眾多原因所造成，交通事故判別的實(shí)時(shí)性極為重要[4-5]。

交通事故判別受道路狀況、天氣情況、交通流量、駕駛員狀態(tài)等眾多因素影響[3]，眾多影響因素增加了交通事故判別復(fù)雜性，高效的判別技術(shù)可通過捕捉事故發(fā)生相關(guān)性實(shí)現(xiàn)交通事故精準(zhǔn)判別。通信網(wǎng)絡(luò)的高效傳輸可提升交通數(shù)據(jù)采集的實(shí)時(shí)性，交通數(shù)據(jù)的實(shí)時(shí)采集、傳輸對通信網(wǎng)絡(luò)速率和帶寬要求較高，高效的網(wǎng)絡(luò)通信技術(shù)極為重要，為此，趙海濤等[6]研究基于深度學(xué)習(xí)的車聯(lián)邊緣網(wǎng)絡(luò)交通事故風(fēng)險(xiǎn)預(yù)測算法，馮建國等[7]研究基于SVM的危貨車駕駛員飲水分心判別模型分別采用深度學(xué)習(xí)算法以及SVM方法實(shí)現(xiàn)交通事故的預(yù)測與判別并取得一定成效。

第五代移動(dòng)通信技術(shù)(簡稱5G)伴隨移動(dòng)通信技術(shù)高速發(fā)展而誕生，具有低功耗、大連接、低時(shí)延、廣域覆蓋以及熱點(diǎn)高容量的優(yōu)勢。為了提高交通事故判別精度，提出基于5G技術(shù)的交通事故判別方法，將5G移動(dòng)通信技術(shù)應(yīng)用于車聯(lián)網(wǎng)中，交通現(xiàn)場發(fā)生事故時(shí)，通過車聯(lián)網(wǎng)采集事故現(xiàn)場視頻，采用5G技術(shù)發(fā)送至車聯(lián)網(wǎng)控制終端，通過高效的交通事故判別方法實(shí)現(xiàn)交通事故高效判別，將判別結(jié)果發(fā)送至相關(guān)部門，相關(guān)部門管理人員及時(shí)處理交通事故，為維持安全穩(wěn)定的交通路況提供依據(jù)。

1 基于5G技術(shù)的交通事故判別方法

1.1 基于5G技術(shù)的交通事故判別

基于5G技術(shù)的交通事故判別方法通過路邊微云以及5G基站采集交通環(huán)境、車輛行駛信息發(fā)送至邊緣服務(wù)器，邊緣服務(wù)器預(yù)處理交通數(shù)據(jù)流并發(fā)送至核心車聯(lián)網(wǎng)內(nèi)[8]，車聯(lián)網(wǎng)內(nèi)的集中式云計(jì)算中心通過交通事故判別方法實(shí)現(xiàn)交通事故的精準(zhǔn)判別?；?G技術(shù)的交通事故判別結(jié)構(gòu)如圖1所示。

圖1 5G技術(shù)的交通事故判別結(jié)構(gòu)圖

從圖1可以看出，交通事故判別通信是用5G移動(dòng)通信技術(shù)實(shí)現(xiàn)的[9]。車聯(lián)網(wǎng)的智能交通環(huán)境管理中，通過5G通信網(wǎng)絡(luò)可以實(shí)現(xiàn)交通事故判別低延時(shí)、高傳輸速率要求。

1.2 5G技術(shù)

車輛事故判別車聯(lián)網(wǎng)內(nèi)的5G通信技術(shù)選取混合機(jī)制作為通信機(jī)制[10]，采用群簽名的閾值簽名方法提升移動(dòng)通信網(wǎng)絡(luò)傳輸性能以及安全性能。群簽名的閾值簽名方法主要包括建立、生成、簽署、協(xié)同以及驗(yàn)證等5部分。權(quán)威機(jī)構(gòu)通過建立階段生成車輛系統(tǒng)參數(shù)以及用戶參數(shù)，設(shè)存在注冊車聯(lián)網(wǎng)服務(wù)的車輛數(shù)量為n，此時(shí)可生成多項(xiàng)式如下：

(1)

式中，ai與xi分別表示車輛參數(shù)以及用戶參數(shù),Sk表示權(quán)威機(jī)構(gòu)的私鑰,Pk表示權(quán)威機(jī)構(gòu)的公鑰。將相同區(qū)域內(nèi)n個(gè)車輛劃分小組數(shù)量為r，用σi表示小組i的公共信息，可得小組i的私鑰與公鑰分別為Ski=f(σi)以及Pki。

1.3 交通事故判別算法

1.3.1 運(yùn)動(dòng)目標(biāo)速度計(jì)算

所采集視頻圖像相鄰幀時(shí)間差較短，運(yùn)動(dòng)目標(biāo)可視為勻速直線運(yùn)行，用P(xk-1,yk-1)與P(xk,yk)分別表示前景運(yùn)動(dòng)目標(biāo)內(nèi)k-1幀與k幀質(zhì)心點(diǎn)坐標(biāo)，依據(jù)質(zhì)心坐標(biāo)值獲取運(yùn)動(dòng)目標(biāo)形式速度計(jì)算式為

(2)

式中，vk表示幀數(shù)時(shí)的運(yùn)動(dòng)目標(biāo)行駛速度，Δt表示相鄰幀圖像的時(shí)間差。

1.3.2 車輛加(減)速度計(jì)算

依據(jù)目標(biāo)車輛速度獲取各幀圖像內(nèi)目標(biāo)車輛速度變化，可得車輛加(減)速度如下：

(3)

式中，ak與Δt分別表示幀數(shù)為k時(shí)目標(biāo)車輛加速度以及相鄰圖像時(shí)間差。

1.3.3 行駛方向特征提取

通過車輛行駛軌跡描述車輛運(yùn)動(dòng)過程，提取目標(biāo)車輛相鄰兩幀圖像于圖像坐標(biāo)系內(nèi)質(zhì)心坐標(biāo)點(diǎn)，計(jì)算連接兩個(gè)質(zhì)心點(diǎn)直線的斜率：

(4)

所獲取斜率即可體現(xiàn)運(yùn)動(dòng)目標(biāo)行駛方向。

依據(jù)所計(jì)算直線斜率的反正切函數(shù)獲取直線傾斜角弧度值：

(5)

充分考慮車輛行駛過程中加速、減速以及轉(zhuǎn)向情況，利用弧度值θk的變化率表示目標(biāo)車輛運(yùn)動(dòng)方向變化情況，可得：

(6)

通過以上步驟獲取車輛視頻內(nèi)前景目標(biāo)的運(yùn)動(dòng)信息，利用運(yùn)動(dòng)信息獲取目標(biāo)車輛的行駛方向、速度以及軌跡信息。

1.3.4 多參數(shù)的交通事故判別方法

交通車輛的長、寬等參數(shù)存在較大差異，車輛行駛過程中可能出現(xiàn)遮擋情況。遮擋車輛容易被判別為交通事故，車輛遮擋與車輛交通事故存在較大的特征差異，通過多參數(shù)方法判別交通事故避免由于車輛遮擋造成交通事故誤判別情況。通過沖突車輛碰撞前行駛方向弧度值、速度等信息判別車輛是否發(fā)生遮擋現(xiàn)象。2個(gè)車輛行駛方向弧度值、車輛速度未出現(xiàn)突變情況時(shí)，表明2個(gè)車輛為遮擋情況，并未發(fā)生交通事故現(xiàn)象。依據(jù)上文所獲取行駛方向弧度值變化率θ、車輛沖突后持續(xù)時(shí)間t以及車輛減速度a判別交通事故。交通事故自動(dòng)判別流程如圖2所示。

圖2 交通事故自動(dòng)判別流程圖

在實(shí)際發(fā)生交通事故時(shí)，提取目標(biāo)車輛運(yùn)動(dòng)信息，計(jì)算其運(yùn)動(dòng)方向、速度等特征，基于此判斷圖像中的目標(biāo)車輛是否存在重合、方向變化率加速度以及時(shí)間是否大于閾值，最終判斷其是否為交通事故。

設(shè)目標(biāo)車輛行駛方向弧度值變化率閾值以及車輛減速度閾值分別為θ0與a0，車輛沖突后持續(xù)時(shí)間閾值為t0，通過以下2部分實(shí)現(xiàn)交通事故判別。

(1)視頻中2個(gè)車輛前景重合時(shí)，獲取2個(gè)車輛于連續(xù)圖像序列中的行駛方向弧度值以及速度值，并將所獲取數(shù)值與閾值對比。所獲取數(shù)值小于閾值時(shí)，表明車輛前景重合情況由于遮擋所造成，此時(shí)不存在交通事故；所獲取數(shù)值大于已設(shè)定閾值時(shí)，表明車輛目標(biāo)特征存在突變情況，目標(biāo)車輛減速后停止且持續(xù)時(shí)間大于設(shè)定閾值時(shí)，存在交通事故；持續(xù)時(shí)間小于閾值時(shí)，說明雖發(fā)生交通沖突情況，但未發(fā)生交通事故。

(2)2個(gè)目標(biāo)車輛經(jīng)過短暫重合快速分離情況下，計(jì)算前景重合分離的目標(biāo)車輛在相連幀圖像序列內(nèi)行駛方向弧度值以及速度值，依據(jù)所獲取數(shù)值判別交通事故：所獲取數(shù)值小于已設(shè)定閾值時(shí)，說明2個(gè)目標(biāo)車輛均保持較為穩(wěn)定的特性變化情況，此時(shí)2個(gè)目標(biāo)車輛不存在沖突現(xiàn)象，車輛已全部保持正常行駛；所獲取數(shù)值大于已設(shè)定閾值時(shí)，說明目標(biāo)特征值存在突變情況，目標(biāo)減速停止持續(xù)時(shí)間大于已設(shè)定閾值時(shí)，存在交通事故情況；目標(biāo)減速停止持續(xù)時(shí)間小于已設(shè)定閾值時(shí)，表明駕駛員通過轉(zhuǎn)向以及減速等措施避免交通事故發(fā)生。

2 實(shí)例分析

為檢測本文所研究5G技術(shù)的交通事故判別方法判別交通事故有效性，選取某市交通較繁華路段監(jiān)控視頻作為實(shí)驗(yàn)對象，該路段視頻拍攝攝像頭位于道路正上方，所選取路段車流量較多，時(shí)有交通事故發(fā)生。采用MATLAB仿真軟件選取交通事故情況模擬交通通行狀況，統(tǒng)計(jì)采用本文方法使用5G移動(dòng)通信網(wǎng)絡(luò)傳輸視頻數(shù)據(jù)時(shí)身份認(rèn)證有效性，本文方法傳輸8種交通事故視頻時(shí)的簽名與認(rèn)證開銷如圖3所示。從圖3可以看出，本文方法采用5G通信技術(shù)認(rèn)證身份時(shí)，證書認(rèn)證為身份認(rèn)證的主要開銷。本文方法認(rèn)證不同類型交通事故時(shí)的身份認(rèn)證總時(shí)間開銷均低于7 ms。本文方法由于采用群簽名的閾值簽名方法，具有較低的時(shí)間開銷，可節(jié)省大量時(shí)間，提升交通事故判別實(shí)時(shí)性。

圖3 簽名與認(rèn)證開銷

統(tǒng)計(jì)采用本文方法判別不同視頻大小的交通事故視頻信息加密簽名所需時(shí)間代價(jià)，并將本文方法與深度學(xué)習(xí)方法(文獻(xiàn)[6])以及SVM方法(文獻(xiàn)[7])對比，對比結(jié)果如圖4所示。從圖4實(shí)驗(yàn)結(jié)果可以看出，采用本文方法對不同視頻大小時(shí)的加密簽名時(shí)間開銷均低于另兩種方法。本文方法由于采用5G移動(dòng)通信技術(shù)，可在短時(shí)間內(nèi)將車輛視頻發(fā)送至車聯(lián)網(wǎng)內(nèi)，節(jié)省大量時(shí)間。

統(tǒng)計(jì)采用本文方法傳輸不同大小車輛視頻數(shù)據(jù)時(shí)的峰值傳輸速度，統(tǒng)計(jì)結(jié)果如圖5所示。從圖5可以看出，本文方法傳輸大小為2 GB的交通現(xiàn)場視頻，峰值傳輸速度可高達(dá)105.3 GB/s，比對比方法有較快的視頻傳輸速度。

設(shè)交通路況視頻中存在A、B 2個(gè)車輛，依據(jù)2個(gè)目標(biāo)車輛質(zhì)心坐標(biāo)值獲取車輛在相鄰幀圖像間的移動(dòng)像素距離。車輛正常行駛時(shí)像素距離變化過程結(jié)果如圖6所示。本文方法圖像坐標(biāo)系內(nèi)像素距離無須轉(zhuǎn)化至三維世界坐標(biāo)，通過圖像透視現(xiàn)象可知視頻內(nèi)未存在正常行駛受干擾車輛。視頻內(nèi)連續(xù)圖像序列相鄰圖像移動(dòng)像素有所降低，且像素距離降低過程區(qū)域穩(wěn)定，說明兩車輛均為正常行駛。

圖6 正常行駛時(shí)質(zhì)心移動(dòng)距離

統(tǒng)計(jì)視頻圖像中形成沖突時(shí)車輛質(zhì)心移動(dòng)距離，依據(jù)視頻運(yùn)動(dòng)前景內(nèi)最小外接矩形框獲取目標(biāo)車輛存在沖突狀態(tài)以及沖突漸漸消失后的車輛質(zhì)心坐標(biāo)獲取車輛行駛軌跡，統(tǒng)計(jì)結(jié)果如圖7所示。從圖7實(shí)驗(yàn)結(jié)果可以看出：正常行駛時(shí)，2個(gè)目標(biāo)車輛質(zhì)心移動(dòng)像素較為穩(wěn)定；視頻進(jìn)入869幀時(shí)，2個(gè)目標(biāo)車輛發(fā)生沖突，變?yōu)橄嗤倪\(yùn)動(dòng)目標(biāo)，質(zhì)心像素距離邊緣漸漸與沖突前相同，此時(shí)目標(biāo)車輛沖突未影響車輛行駛狀態(tài)，判定此次車輛沖突是由于車輛陰影以及遮擋情況所造成的。

圖7 形成沖突過程中質(zhì)心移動(dòng)距離

統(tǒng)計(jì)2個(gè)目標(biāo)車輛碰撞時(shí)目標(biāo)車輛速度變化結(jié)果如圖8所示。標(biāo)定連續(xù)幀圖像目標(biāo)車輛行駛距離，獲取目標(biāo)車輛行駛速度。目標(biāo)車輛碰撞的交通事故速度變化結(jié)果如圖8所示。從圖8實(shí)驗(yàn)結(jié)果可以看出：618-621幀為目標(biāo)車輛碰撞前運(yùn)動(dòng)過程，此時(shí)目標(biāo)車輛分別運(yùn)動(dòng)，存在2個(gè)行駛車輛；622幀車輛發(fā)生碰撞，此時(shí)車輛合并至相同運(yùn)動(dòng)目標(biāo)，直至626幀圖像中車輛回到獨(dú)立形式狀態(tài)。依據(jù)圖中速度下降以及車輛行駛目標(biāo)變化情況，判別目標(biāo)車輛存在沖突情況。以上過程驗(yàn)證采用本文方法判別交通事故有效性。

圖8 碰撞過程中速度變化

為有效驗(yàn)證本文方法判別交通事故的精準(zhǔn)性，統(tǒng)計(jì)采用本文方法判別交通事故的判別精度。圖像中存在噪聲、天氣以及光照變化等情況均可能造成判別出現(xiàn)誤差導(dǎo)致精度下降，交通事故判別精度影響交通穩(wěn)定。統(tǒng)計(jì)采用本文方法判別不同類型交通事故的判別精度，并將本文方法與SVM方法以及深度學(xué)習(xí)方法比較，結(jié)果如圖9所示。從圖9實(shí)驗(yàn)結(jié)果可以看出，采用本文方法判別不同類型交通事故均具有較高的判別精度。本文方法判別不同類型交通事故的判別精度均高于99.5%，明顯高于另2種方法，驗(yàn)證本文方法的交通事故判別有效性。本文方法采用5G移動(dòng)通信技術(shù)，具有較高的通信性能，為交通事故精準(zhǔn)判別提供數(shù)據(jù)基礎(chǔ)，可應(yīng)用于實(shí)際車聯(lián)網(wǎng)交通事故管理中。

圖9 交通事故判別精度

3 總結(jié)

將5G技術(shù)應(yīng)用于交通事故判別中，通過采用5G技術(shù)的車聯(lián)網(wǎng)采集交通事故視頻信息，并將視頻信息通過5G移動(dòng)通信技術(shù)快速發(fā)送至車聯(lián)網(wǎng)控制終端，車聯(lián)網(wǎng)控制終端通過高效交通事故判別方法實(shí)現(xiàn)交通事故精準(zhǔn)判別。通過實(shí)驗(yàn)驗(yàn)證該方法具有較高的交通事故判別有效性，該方法所采用5G技術(shù)可實(shí)現(xiàn)視頻數(shù)據(jù)高速傳輸，具有較低的時(shí)延，交通事故判別結(jié)果精準(zhǔn)性較高，可應(yīng)用于智能交通系統(tǒng)的車聯(lián)網(wǎng)內(nèi)判別交通事故中。