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，即使在有信號控制的交叉口，行人也常常與機動車發(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)外研究學者就交叉口人車沖突進行了相關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沖突的嚴重性程度［4］；Hay ward［5］提出了經(jīng)典的碰撞預計時間（TTC），并以此作為判別交通沖突臨界狀態(tài)的指標。在TTC概念的基礎上，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間［6］、后侵犯時間［7］、安全減速時間［8］以及行人過街風險指數(shù)［9］等以沖突時間為評價指標的沖突辨識模型。Zhang等［10］提出了基于沖突時間差（TDTC）的混合交通條件下人車沖突辨別方法，通過試驗表明：該方法在評價行人安全的應用中取得了較好的效果。

由于影響人車沖突嚴重程度的因素較多，難以用模型精確量化，且人車沖突是一個復雜的變化過程，安全、危險的概念本身是模糊的，沖突情況不同，危險程度也不同。因此本文基于模糊理論，利用視頻圖像自動處理技術提取行人、機動車運動軌跡，對人車沖突安全性進行判別和分析。

1 模型構(gòu)建

1.1 信號交叉口人車沖突分析

本文以典型四相位信號交叉口為例進行人車沖突情形分析。在進口道處由于信號配時中較少設置專用右轉(zhuǎn)信號相位，故右轉(zhuǎn)機動車與過街行人發(fā)生沖突的情況較多；在左轉(zhuǎn)車流放行時，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間，尋找對向左轉(zhuǎn)車可穿越間隙違章過街，由此導致沖突發(fā)生；而在出口道位置，源自相鄰進口道的右轉(zhuǎn)車流與過街行人的沖突發(fā)生頻次也較高，另一相鄰進口道的左轉(zhuǎn)車流通過該處人行橫道時也會與行人發(fā)生沖突，危險性較大。

1.2 模型指標選取

由于行人比車輛要小得多，當一個車輛通過，盡管行人沒有侵占通行權(quán)，但行人仍將被影響（或處于危險中）。盡管行人沒有在車輛的前方，這個行人仍可能處于危險中。因此，為了分析人車沖突相互影響的過程，本文引入沖突時間差［10］（TDTC）作為人車沖突的安全評價指標。該參數(shù)的定義為：如果行人、車輛保持速度不變，他們到達潛在沖突點的時間差。其中潛在沖突點是行人與車輛運行軌跡的交點。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潛在沖突點；如果TDTC小于零則意味著行人先到達潛在沖突點。TDTC越接近于0，表明沖突越嚴重，行人的危險程度越高。為了顯示人車相互影響的整個過程，本文將臨近沖突前的時間劃分為若干間隔，分別測量其TDTC值，若TDTC值連續(xù)處于判別閾值范圍內(nèi)，則表明人車沖突嚴重程度更大。同時由于TDTC參數(shù)是一個相對的值，單純依賴它不能精確地評價人車沖突的嚴重性。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動，TDTC值也會很接近0，而行人的危險程度卻沒有那么高。因此，需要結(jié)合其他指標進行評價。本文結(jié)合人車相對速度參數(shù)進一步判別。但由于實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。進而選取車速參數(shù)與臨近沖突前連續(xù)TDTC參數(shù)值進行人車沖突嚴重程度的判別。

1.3 模糊規(guī)則確定

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

（1）TDTC值。利用一個梯形函數(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［10］對TDTC值的觀察，當TDTC值落入［－1，0.5］s時，行人的危險程度會很高。而人車沖突的發(fā)生往往是一個過程，不僅僅限于一個時間點，當TDTC值在接近0的一個時間范圍內(nèi)，人車沖突的危險性都是很高的；當TDTC值遠離0時（TDTC→±∞），人車沖突的危險程度降低。因此，采用如圖1（a）所示的梯形函數(shù)對TDTC值進行模糊化，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。當車速變快，超過指定閾值時，即使TDTC值未在危險范圍內(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)生的沖突嚴重程度。這里采用S型函數(shù)對車速參數(shù)進行模糊化控制。

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。本文將人車沖突安全等級分為3個等級。通過視頻處理軟件獲得關鍵時刻（沖突雙方其中一方先到達潛在沖突點的時刻）以及關鍵時刻之前兩個采集時刻的數(shù)據(jù)，及獲得3個連續(xù)時刻的TDTC值，即TDTC1，TDTC2，TDTC3。并提取這3個時刻的最大速度，作為速度評價參數(shù)。如果3個連續(xù)的TDTC值都處在危險區(qū)域外，該事件就是安全的（等級A）；如果1或2個TDTC值落入危險區(qū)域，則需進行車速判別。如果車速相對較慢，該事件是可能危險的（等級B）。但如果車速很快，或者TDTC連續(xù)落入危險區(qū)域，車輛、行人相撞的幾率非常大，該事件是非常危險的（等級C）。

依據(jù)上述判別思想，可相應構(gòu)建14條模糊邏輯規(guī)則，模型基于這些規(guī)則實現(xiàn)對人車沖突安全等級的辨識，如圖2所示。輸出變量output的論域為［1，3］，沖突安全等級判別函數(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 試驗分析

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

為了驗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)果進行了對比。人工評價的數(shù)據(jù)來源于30位自愿觀察者，其均為非專業(yè)人士。首先對觀察者進行訓練、講解人車沖突相關知識，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三個等級。等級A代表安全的人車沖突事件；等級B相對危險一些；等級C代表最危險的人車沖突事件。安全等級由多數(shù)人投票得分決定。他們要觀察所有事件，并區(qū)分危險和安全的人車沖突事件。然后對沖突程度進行投票。如果多數(shù)投票集中在兩個等級中，那么安全等級為兩者中更危險的一級。本文共記錄人車沖突有效事件48起，其中，等級A事件20起，等級B事件25起，等級C事件3起。

另外，在進行算法驗證之前，需要對兩個模糊規(guī)則隸屬函數(shù)的控制參數(shù)針對實際的交叉口數(shù)據(jù)進行設定。根據(jù)文獻［10］，大多數(shù)TDTC值落入［－1，0.5］s時，行人的危險程度均很高，且當車輛速度超過30 k m／h時，距車較近的行人十分危險。本文依據(jù)交叉口實際運行情況，結(jié)合對比分析法（將提前采集到的25組先驗人車沖突相關數(shù)據(jù)以本文提出方法和人工評價的方法得出結(jié)果進行對比）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，控制TDTC的梯形函數(shù)的4個控制閾值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 混合交通運動軌跡跟蹤分析軟件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)本文方法準確率在85%以上。其中，針對等級A的沖突，有3個沖突被模型判定為可能危險。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為可能存在危險，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)計的左轉(zhuǎn)、右轉(zhuǎn)、直行三種車輛與行人沖突程度情況?？梢园l(fā)現(xiàn)，右轉(zhuǎn)車與行人發(fā)生沖突的情況較多，因為右轉(zhuǎn)車輛不受信號控制、約束力小、經(jīng)常會與行人發(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)生嚴重危險的概率降低。在左轉(zhuǎn)車流放行時，行人有時不考慮信號燈控制，隨意通過交叉口，導致與左轉(zhuǎn)車發(fā)生沖突。當行人與左轉(zhuǎn)車搶行時，發(fā)生危險的概率大大增加。同樣的情況在相鄰進口道直行車放行時也會發(fā)生，行人違章過街，在車流中穿行，由于直行車速度較快，導致行人發(fā)生嚴重危險的概率明顯增大。

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

以交通沖突技術理論為基礎，采用TDTC和車速作為人車沖突判別模型的判別指標；同時基于模糊控制原理，構(gòu)建了相應的變量隸屬度函數(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)的混合交通運動軌跡跟蹤分析軟件進行參數(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、處理時間。通過實際交叉口采集數(shù)據(jù)驗證了本文方法具有較好的適用性和較高的識別精度。

［1］郭偉偉，曲昭偉，王殿海.交通沖突判別模型［J］.吉林大學學報：工學版，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度研究［J］.哈爾濱工業(yè)大學學報，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－機動車沖突觀測方法及沖突特性［J］.同濟大學學報，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.