基于視頻檢測(cè)的黃燈期間駕駛員行為研究

李 娟，周 靖，林 園，王清華

（北京交通大學(xué) 城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京100044）

基于視頻檢測(cè)的黃燈期間駕駛員行為研究

李 娟*，周 靖，林 園，王清華

（北京交通大學(xué) 城市交通復(fù)雜系統(tǒng)理論與技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京100044）

黃燈政策問題已成為道路交通安全領(lǐng)域的研究熱點(diǎn).本文開發(fā)了基于視頻處理技術(shù)的交叉口檢測(cè)系統(tǒng)，自動(dòng)采集黃燈期間的交通數(shù)據(jù)，包括黃燈啟亮?xí)r車輛到停止線距離、速度、加速度和黃燈結(jié)束后車輛的通過情況，建立黃燈期間的駕駛員“停車/行進(jìn)”決策行為模型和“搶黃燈”行為結(jié)果模型.利用北京市“鬧市口大街—宣武門西大街”和“中關(guān)村東路—成府路”的視頻數(shù)據(jù)對(duì)模型進(jìn)行檢驗(yàn)，兩個(gè)模型的預(yù)測(cè)結(jié)果與實(shí)際觀測(cè)誤差分別為8.6%和2.5%.實(shí)驗(yàn)結(jié)果表明，視頻檢測(cè)技術(shù)和駕駛員行為模型能夠應(yīng)用于交叉口的控制管理，本文提出的模型與方法可為相應(yīng)交通管理措施的制定和實(shí)施提供技術(shù)支持和理論依據(jù).

城市交通；黃燈；駕駛員行為；視頻檢測(cè)；決策模型

1 引 言

2004年5月1日實(shí)施的《道路交通安全法》規(guī)定：“黃燈亮?xí)r，已越過停止線的車輛可以繼續(xù)通行”，但未明確指出，黃燈啟亮?xí)r未越過停止線的車輛應(yīng)如何決策.2013年初新交規(guī)規(guī)定“黃燈亮?xí)r已經(jīng)越過停止線的車輛可以繼續(xù)通過，還未越過停止線的車輛應(yīng)停車”，認(rèn)定“搶黃燈”行為屬于違反道路交通信號(hào)燈通行并罰6分，隨后以教育警示為主，暫不予以處罰.至今，“搶黃燈罰不罰”及“黃燈政策如何制定”問題已成為道路交通安全領(lǐng)域的研究熱點(diǎn).

國(guó)內(nèi)外學(xué)者對(duì)黃燈期間的駕駛員行為展開大量研究.Yan等利用駕駛模擬器對(duì)黃燈期間駕駛員行為進(jìn)行研究并提出一種新的防范措施[1]；Hurwitz等建立Fuzzy Logic模型描述“黃燈困境區(qū)”的駕駛員行為[2]；孫志強(qiáng)等將駕駛員行為分為四種：進(jìn)退兩難、減速停車、勻速通過和選擇通過，并構(gòu)建了駕駛員反應(yīng)模型[3]；龍科軍等根據(jù)黃燈啟亮?xí)r車輛位置和速度兩個(gè)因素，建立駕駛員決策模型[4]；李克平等建議在車輛不超速、不闖紅燈條件下，應(yīng)允許車輛在黃燈期間通過停止線[5].

現(xiàn)有研究數(shù)據(jù)主要來源于人工檢測(cè)和模擬仿真.人工檢測(cè)費(fèi)時(shí)費(fèi)力，采集的交通參數(shù)有限；仿真方法是實(shí)際交通場(chǎng)景的理想化處理，受約束條件限制.本文采用視頻檢測(cè)方法，數(shù)據(jù)來源于實(shí)際交叉口，真實(shí)可靠.在前人“黃燈困境區(qū)”和駕駛員行為研究的基礎(chǔ)上，建立黃燈期間駕駛員“停車/行進(jìn)”決策模型和“搶黃燈”行為結(jié)果模型，并進(jìn)一步分析了“搶黃燈”和“闖紅燈”的關(guān)系，給出決策建議.

2 基本方法

2.1 視頻檢測(cè)技術(shù)

機(jī)動(dòng)車數(shù)據(jù)采集方法分為人工檢測(cè)法和自動(dòng)檢測(cè)法.人工檢測(cè)法為人工手動(dòng)計(jì)數(shù)，費(fèi)時(shí)費(fèi)力，不適宜長(zhǎng)時(shí)間數(shù)據(jù)采集.自動(dòng)檢測(cè)法指利用感應(yīng)線圈檢測(cè)器、GPS檢測(cè)器、激光檢測(cè)器、視頻檢測(cè)器等進(jìn)行數(shù)據(jù)采集的方法.感應(yīng)線圈檢測(cè)器、激光檢測(cè)器、GPS檢測(cè)器等安裝困難、維護(hù)成本高.視頻檢測(cè)器安裝方便，不需要破壞路面；檢測(cè)范圍廣，可以同時(shí)檢測(cè)多條車道的車輛；可視性好，可以實(shí)時(shí)監(jiān)控，反復(fù)播放，已成為一種有著很好發(fā)展前景的交通檢測(cè)方法[6].

交叉口附近交通環(huán)境復(fù)雜，采集數(shù)據(jù)涉及車輛運(yùn)行狀況、信號(hào)配時(shí)和交叉口設(shè)計(jì)等信息，檢測(cè)范圍廣，采集參數(shù)多，視頻檢測(cè)器顯示出巨大優(yōu)勢(shì).本文基于視頻檢測(cè)數(shù)據(jù)，以計(jì)算機(jī)視覺和模式識(shí)別為主要技術(shù)手段，開發(fā)駕駛員行為的自動(dòng)檢測(cè)系統(tǒng)，并用實(shí)際交通視頻進(jìn)行驗(yàn)證，分析系統(tǒng)運(yùn)行結(jié)果的可靠性，為駕駛員行為模型的建立提供基礎(chǔ)數(shù)據(jù).

2.2 Logistic回歸模型

Logistic回歸模型是針對(duì)二分類或多分類因變量建立的回歸模型，主要用來預(yù)測(cè)一組自變量與離散因變量之間的關(guān)系，常用的是二元Logistic回歸模型，用 y=1表示發(fā)生，y=0表示不發(fā)生. Logistic模型可以很好地描述選擇行為的結(jié)果，為駕駛員行為研究提供一種方便的框架結(jié)構(gòu)，表示因果關(guān)系[7-10].

本文選用黃燈啟亮?xí)r車輛到停止線距離、速度以及黃燈啟亮后車輛加速度為自變量，駕駛員的決策行為結(jié)果為因變量，建立Logistic回歸模型.根據(jù)黃燈期間的駕駛員行為結(jié)果，分別建立“停車/行進(jìn)”決策行為模型和“搶黃燈”行為結(jié)果模型.

黃燈啟亮后駕駛員的行為結(jié)果分為安全停車和“搶黃燈”兩類：安全停車，即紅燈啟亮前在停止線前停車；“搶黃燈”，即黃燈啟亮后通過停止線.據(jù)此建立“停車/行進(jìn)”決策行為模型.“搶黃燈”行為結(jié)果包括“闖紅燈”和順利通過.“闖紅燈”，即紅燈啟亮后通過停止線；順利通過，即在紅燈啟亮前通過停止線.據(jù)此建立“搶黃燈”行為結(jié)果模型.

3 數(shù)據(jù)采集與分析

3.1 數(shù)據(jù)采集

調(diào)查地點(diǎn)分別為“鬧市口大街—宣武門西大街”西進(jìn)口和“中關(guān)村東路—成府路”東進(jìn)口，采用攝像法進(jìn)行觀測(cè).兩個(gè)交叉口的幾何尺寸和信號(hào)配時(shí)如表1所示.其中“鬧市口大街—宣武門西大街”西進(jìn)口黃燈時(shí)長(zhǎng)為4 s，宣武門西大街為城市主干道，限速60 km/h，獲取視頻時(shí)長(zhǎng)11.5 h，共采集有效樣本數(shù)為570個(gè)；“中關(guān)村東路—成府路”東進(jìn)口黃燈時(shí)長(zhǎng)為4 s，成府路為城市次干道，限速40 km/h，獲取視頻時(shí)長(zhǎng)2.5 h，由于行人流量較大，混合交通流相互遮擋，有效樣本數(shù)僅為69個(gè).

表1 調(diào)查交叉口基本特征Table 1 Basic characteristics of the observed intersection

3.2 數(shù)據(jù)處理

針對(duì)交叉口的特征，開發(fā)了基于視頻技術(shù)的檢測(cè)系統(tǒng).系統(tǒng)分為6個(gè)模塊：區(qū)域選擇模塊、前景檢測(cè)模塊、跟蹤模塊、坐標(biāo)轉(zhuǎn)換模塊、信號(hào)配時(shí)檢測(cè)模塊和參數(shù)提取模塊.在區(qū)域選擇模塊，為提高系統(tǒng)的運(yùn)算速度，選擇感興趣的區(qū)域進(jìn)行處理，可以根據(jù)模型需要，設(shè)置檢測(cè)車道和長(zhǎng)度.在前景檢測(cè)模塊,改進(jìn)傳統(tǒng)的CodeBook算法，可以有效去除噪音，提取相對(duì)完整的運(yùn)動(dòng)車輛.在跟蹤模塊，采用Kalman濾波方法，根據(jù)車輛的運(yùn)行軌跡，預(yù)測(cè)車輛在下一幀的可能位置，在一定范圍內(nèi)進(jìn)行搜索，完成跟蹤，該算法簡(jiǎn)單有效，在車輛慢行或停止?fàn)顟B(tài)下也能進(jìn)行準(zhǔn)確跟蹤.在坐標(biāo)轉(zhuǎn)換模塊，根據(jù)幾何成像原理，完成攝像機(jī)拍攝的數(shù)字圖形坐標(biāo)系和實(shí)際物理空間坐標(biāo)系之間的映射換算，參照交叉口人行橫道斑馬線坐標(biāo)，建立世界坐標(biāo)與圖像坐標(biāo)之間的函數(shù)關(guān)系，得到圖像中目標(biāo)點(diǎn)的現(xiàn)實(shí)坐標(biāo).在信號(hào)配時(shí)檢測(cè)模塊，根據(jù)信號(hào)燈顏色，可以自動(dòng)實(shí)時(shí)檢測(cè)信號(hào)燈相位.在參數(shù)提取模塊，與信號(hào)配時(shí)結(jié)合，提取黃燈啟亮?xí)r車輛車頭到停止線的距離及黃燈結(jié)束后車輛通過情況（安全停車、闖紅燈和順利通過）；根據(jù)車輛的坐標(biāo)變化，提取黃燈啟亮?xí)r車輛速度及黃燈啟亮1s后車輛加速度.軟件開發(fā)環(huán)境為Microsoft Visual Studio 2010，主要采用C語(yǔ)言，基于OpenCV實(shí)現(xiàn).圖1為系統(tǒng)檢測(cè)到駕駛員行為結(jié)果為“安全停車”的界面.

圖1 檢測(cè)系統(tǒng)截屏Fig.1 Snapshot of the detection system

3.3 數(shù)據(jù)分析

3.3.1 變量說明

s——黃燈啟亮?xí)r車輛車頭到停止線的距離；

v——黃燈啟亮?xí)r車輛的瞬時(shí)速度；

a——黃燈啟亮1 s后車輛的加速度.

通過情況

順利通過：紅燈啟亮前通過停止線；

闖紅燈：紅燈啟亮后通過停止線；

安全停車：黃燈期間在停止線前停車.

3.3.2.樣本分析

將“鬧市口大街—宣武門西大街”西進(jìn)口570個(gè)樣本數(shù)據(jù)按距離和速度屬性分布在s-v平面上，如圖2所示，實(shí)線表示減速停車線，用式(1)表示；虛線表示勻速通過線，用式（2）表示.

式中 s1——駕駛員采取制動(dòng)決策時(shí)的減速停車距離(m)；

v——車輛行駛速度(m/s)；

t1——駕駛員感知反應(yīng)時(shí)間，通常取1 s；

a——車輛制動(dòng)減速度，本文取3 m/s2；

s2——車輛在黃燈期間的勻速通行距離(m)；

t2——黃燈時(shí)長(zhǎng).

圖2 車輛通行情況分布圖Fig.2 Distribution of vehicle passing status

根據(jù)圖2車輛通行情況分布圖，對(duì)黃燈期間的駕駛員決策進(jìn)行分類分析.

安全停車車輛分析：82%的“安全停車”樣本分布在“減速停車線”上方.曲線下方分布的樣本制動(dòng)減速度大于3 m/s2，容易造成緊急剎車追尾.

順利通過車輛分析：“順利通過”樣本全部在“勻速通過線”下方，87%分布在“減速停車線”下方，說明當(dāng)車輛距離停止線在一定范圍內(nèi)可以保持原速度勻速通過交叉口.但采集數(shù)據(jù)顯示約有50%“順利通過車輛”采取加速通過決策，導(dǎo)致車輛進(jìn)入交叉口速度過大，容易導(dǎo)致交通事故.

闖紅燈車輛分析：由于觀測(cè)交叉口限速較低，采集樣本中不存在“黃燈困境”現(xiàn)象.89%的“闖紅燈”樣本集中在“減速停車曲線”和“勻速通過線”之間的“安全區(qū)域”，該區(qū)域應(yīng)為既可采取制動(dòng)決策，又可采取通過決策的“安全區(qū)域”.這些車輛的加速度從小于0過渡到大于0，說明駕駛員采取先剎車制動(dòng)，后加速進(jìn)入交叉口的決策行為，由此推斷猶豫型駕駛員更容易闖紅燈.11%的闖紅燈車輛存在于“勻速通過線”上方，這些車輛在黃燈啟亮?xí)r距停止線足夠遠(yuǎn)，卻采取“強(qiáng)行通過”決策導(dǎo)致闖紅燈.

4 模型建立

駕駛員決策行為分為：安全停車（紅燈啟亮后在停止線前停車）和搶黃燈（黃燈啟亮后通過停止線），依此運(yùn)用二項(xiàng)Logistic回歸建立“停車/行進(jìn)”決策行為模型.搶黃燈行為結(jié)果分為：闖紅燈和順利通過，運(yùn)用二項(xiàng)Logistic回歸建立“搶黃燈”行為結(jié)果模型.

4.1 “停車/行進(jìn)”決策行為模型

將黃燈啟亮?xí)r，駕駛員的決策行為設(shè)為安全停車=0，搶黃燈=1.自變量選取黃燈啟亮?xí)r車輛距停止線的距離，當(dāng)時(shí)的瞬時(shí)車速和黃燈啟亮后的加速度.

觀察模型回歸結(jié)果，分別進(jìn)行以下四項(xiàng)檢驗(yàn)：

（1）回歸方程的顯著性，模型卡方概率值Sig.=0.000，統(tǒng)計(jì)性顯著，檢驗(yàn)通過；

（2）擬合優(yōu)度檢驗(yàn)，Hosmer and Lemeshow值的概率為0.658＞0.05，且偽R方值均大于0.6，統(tǒng)計(jì)性顯著，檢驗(yàn)通過；

（3）回歸系數(shù)的顯著性檢驗(yàn)，三個(gè)特型變量Wald值均遠(yuǎn)大于6.635，概率值均為Sig.=0.000，統(tǒng)計(jì)性顯著，檢驗(yàn)通過；

（4）模型預(yù)測(cè)檢驗(yàn)，預(yù)測(cè)的準(zhǔn)確率為91.4%＞90%，檢驗(yàn)通過.

根據(jù)參數(shù)估計(jì)及校驗(yàn)結(jié)果，確定搶黃燈概率模型為

式中 g0——安全停車行為的效用函數(shù)；

g1——搶黃燈行為的效用函數(shù).

4.2 “搶黃燈”行為結(jié)果模型

“搶黃燈”行為結(jié)果設(shè)為順利通過=0，闖紅燈=1.根據(jù)模型回歸結(jié)果，分別進(jìn)行以下檢驗(yàn)：

（1）回歸方程的顯著性，模型卡方概率值Sig.=0.000，統(tǒng)計(jì)性顯著，檢驗(yàn)通過；

（2）擬合優(yōu)度檢驗(yàn)，Hosmer and Lemeshow值的概率為0.546＞0.05，且偽R方值均大于0.6，統(tǒng)計(jì)性顯著，檢驗(yàn)通過；

（3）回歸系數(shù)的顯著性檢驗(yàn)，三個(gè)特型變量Wald值均遠(yuǎn)大于6.635，概率值均為Sig.=0.000，統(tǒng)計(jì)性顯著，檢驗(yàn)通過；

（4）模型預(yù)測(cè)檢驗(yàn)，預(yù)測(cè)的準(zhǔn)確率為97.5%＞95%，檢驗(yàn)通過.

根據(jù)參數(shù)估計(jì)及校驗(yàn)結(jié)果，確定闖紅燈概率模型為

5 決策建議

以5 m為間隔對(duì)車輛到停止線距離0–50 m進(jìn)行劃分，根據(jù)“搶黃燈”行為結(jié)果模型，以判斷距離區(qū)間上界代入，計(jì)算得加速度為0，順利通過概率大于闖紅燈概率的速度臨界值，定義為“最小勻速通過速度”，對(duì)各距離區(qū)間計(jì)算，結(jié)果如表2所示.

根據(jù)表1結(jié)果，給出表3黃燈啟亮?xí)r駕駛員不同判斷距離、速度狀態(tài)下的決策建議.

表2 駕駛員在預(yù)判距離后順利通過的速度臨界值計(jì)算Table 2 Critical passing speed based on expected distance

表3 黃燈期間駕駛員決策建議Table 3 Suggestions to drivers during yellow change interval

根據(jù)表3，將639個(gè)樣本劃分距離區(qū)段，隨機(jī)多次抽取一定比例駕駛員聽從決策建議取平均，得到圖3不同比例聽從決策建議與實(shí)際檢測(cè)通過情況的對(duì)比分析結(jié)果.依據(jù)駕駛員的聽從比例，闖紅燈比例從實(shí)際檢測(cè)的3.4%逐漸下降到0，順利通過比例從50.4%逐漸上升到61.7%，且聽從比例越大，效果越明顯.因此，為駕駛員提供的決策建議既能減少車輛闖紅燈的幾率，也能增大黃燈期間交叉口的通行能力，達(dá)到提高安全和效率的效果.考慮駕駛員性格等因素，有些駕駛員不會(huì)聽從建議，在制定相關(guān)政策時(shí)，按照聽從“誘導(dǎo)信息”的隨機(jī)用戶比例確定決策建議.

圖3 不同比例聽從決策建議與實(shí)際檢測(cè)通過情況對(duì)比分析Fig.3 Comparison of passing status with different proportion of drivers following suggestion

6 研究結(jié)論

以黃燈期間駕駛員行為為研究對(duì)象，根據(jù)攝像法采集交叉口數(shù)據(jù)，開發(fā)基于視頻技術(shù)的檢測(cè)系統(tǒng)，可以得到黃燈啟亮?xí)r車輛距離停止線的距離、速度、加速度和車輛的最后通過情況，從而建立駕駛員決策行為模型和行為結(jié)果模型，并由模型分析給出不同狀態(tài)下的駕駛員決策建議.

[1]Yan X D,Radwan E,Guo D H,et al.Impact of“signal ahead”pavement marking on driver behavior at signalized intersections[J].Journal of the Transportation Research Part F:Traffic Psychology and Behavior, 2009,12(1):50-67.

[2]Hurwitz D S,Wang H Z,Knodler Jr M A,et al.Fuzzy sets to describe driver behavior in the dilemma zone of high-speed signalized intersections[J].Journal of the Transportation Research Part F:Traffic Psychology and Behavior,2012,15(2):132-143.

[3]孫志強(qiáng),楊建國(guó)，王忠民，等.混雜交通微觀仿真中駕駛員對(duì)黃信號(hào)燈的反應(yīng)行為模型[J].西安交通大學(xué)學(xué)報(bào),2004,38(12):1260-1263.[SUN Z Q, YANG J G,WANG Z M,et al.Driver behavior modeling during an amber light under the mixed and disordered traffic micro-simulation[J].Journal of Xi’an Jiaotong University,2004,38(12):1260-1263.]

[4]龍科軍,何林儒，韓立.黃燈期間信號(hào)交叉口的駕駛員行為[J].系統(tǒng)工程,2010,28(12),117-120.[LONG K J,HE L R,HAN L.Driver behavior at signalized intersection during yellow interval[J].Systems Engineering,2010,28(12),117-120.]

[5]李克平,楊佩昆，倪穎.城市道路交叉口信號(hào)控制中的黃燈問題[J].城市交通,2010,8(4):67-72.[LI K P, YANG P K,NI Y.Yellow light interval design at urban signalized intersections[J].Urban Transport of China, 2010,8(4):67-72.]

[6]Li J,Shao C F,Xu W T,et al.A real-time system for tracking and classification of pedestrian and bicycle[J].Transportation Research Record:Journal of the Transportation Research Board,2010,2198:83-92.

[7]Koll H,Bader M,Axhausen K W.Driver behavior during flashing green before amber:a comparative study[J]. Accident Analysis and Prevention,2004,36(2):273-280.

[8]Chang M,Messer C J,Santiago A.Timing traffic signal change intervals based on driver behavior[J]. Transportation Research Record:Journal of the Transportation Research Board,1985,1027:20-32.

[9]Li Z X,Wei H.Empirical analysis of drivers’yellow stopping behaviors associated with dilemma zones[C]. The 89th Annual Meeting of the Transportation Research Board,2010.

[10]Newton C,Mussa R,Sadalla E K.Evaluation of an alternative traffic light change anticipation system[J]. Accident Analysis&Prevention,1997,29(2):201-209.

Driver Behavior during Yellow Interval Based on Video Detection Technology

LI Juan,ZHOU Jing,LIN Yuan,WANG Qing-hua
(MOE Key Laboratory for Urban Transportation Complex Systems Theory and Technology, Beijing Jiaotong University,Beijing 100044,China)

Yellow interval policy is a hot topic in the field of traffic safety.Traffic parameters are collected automatically by videos detection technology,including the distance to stop-line,speed,acceleration and the passing status of the vehicles.With these data,the“Stop/Go”decision model and the result of“Yellow Interval Running”model are set up.Predictions of the two models with the observed errors are 2.5%and 5.3%.The test results show that the video detection technology and driver behavior models can be applied to signalized intersection control management,which may provide appropriate support for the development and implementation of traffic management measures.

urban traffic;yellow interval;driver behavior;video detection;decision making

1009-6744（2015）01-0069-06

：U491

：A

2014-07-11

：2014-08-20錄用日期：2014-10-13

國(guó)家自然科學(xué)基金青年科學(xué)基金項(xiàng)目(51308038)；教育部人文社會(huì)科學(xué)研究青年基金項(xiàng)目（13YJCZH082）；中央高?；究蒲袠I(yè)務(wù)費(fèi)專項(xiàng)資金資助項(xiàng)目（2013JBM051）.

李娟（1980-），女，山東德州人，講師，博士. ＊

：juanli@bjtu.edu.cn