李 琨, 孫 川,, 張麗華, 薛 慧, 姜 超(內(nèi)蒙古工業(yè)大學(xué) 理學(xué)院, 呼和浩特 0005)(內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院, 呼和浩特 000)

車道流量自動統(tǒng)計及被占用對通行的影響①

李 琨1, 孫 川1,2, 張麗華2, 薛 慧1, 姜 超11(內(nèi)蒙古工業(yè)大學(xué) 理學(xué)院, 呼和浩特 010051)2(內(nèi)蒙古師范大學(xué) 地理科學(xué)學(xué)院, 呼和浩特 010022)

車流量檢測是智能交通監(jiān)控系統(tǒng)的重要組成部分. 提出一種基于灰度閾值的車流量檢測算法, 利用該算法對一條三車道道路上同一橫斷面相鄰車道發(fā)生交通事故時, 另一條未發(fā)生交通事故車道的車流量進(jìn)行了統(tǒng)計,并對不同的未發(fā)生交通事故車道(內(nèi)車道和外車道)的車流量的差異進(jìn)行了t檢驗. 結(jié)果表明, 利用該算法統(tǒng)計的車道的車流量準(zhǔn)確率達(dá)95%以上, 說明該算法是可行有效的; 當(dāng)相鄰車道發(fā)生交通事故時, 不同的未發(fā)生交通事故車道(內(nèi)車道和外車道)的通行能力有顯著差異.

視頻圖像; 灰度值; t檢驗; 自動統(tǒng)計; 事故橫斷面; 實際通行能力

交通數(shù)據(jù)的采集是智能交通監(jiān)測系統(tǒng)的重要組成部分, 它離不開對道路上車流量的檢測. 車道常常會因為交通事故、占道施工和路邊停車等情況被占用,致使被占用車道單位時間內(nèi)的通行能力下降. 長時間的壓線或占道行駛會縮短單向行車道行駛車輛的橫向距離, 極易導(dǎo)致刮碰事故; 同時也阻礙了后方車輛的正常超車, 造成道路擁堵現(xiàn)象. 準(zhǔn)確地估算車流量變化情況和車道被占用的實際通行能力, 將為交通管理部門正確引導(dǎo)車輛行駛、設(shè)計道路渠化方案、設(shè)置非港灣式公交車站和審批占道施工等方面提供理論依據(jù).

視頻車輛檢測技術(shù)是近年來興起的一種交通檢測技術(shù), 與傳統(tǒng)的環(huán)形線圈檢測技術(shù)、微波檢測技術(shù)相比, 它具有安裝和維護簡便、檢測信息量大及應(yīng)用范圍廣等優(yōu)點[1]. 通常基于視頻的車輛檢測方法有背景差分法、灰度等級法和邊緣檢測法等[2]. 1978年美國噴氣推進(jìn)實驗室最早提出基于機器視覺[3]實現(xiàn)對車輛的檢測的方法. Fathy和Siyal采用SMED的形態(tài)學(xué)邊緣檢測完成了車輛的檢測統(tǒng)計[4]. M. Baykal-Gursoy等人提出了成批服務(wù)受干擾下的穩(wěn)態(tài)M/M/c排隊系統(tǒng), 并模擬了發(fā)生異常事件的道路路段的通行狀況[5]. 目前,國外基于視頻的車輛檢測與自動統(tǒng)計技術(shù)已較成熟,一些國外公司已經(jīng)推出了相關(guān)的產(chǎn)品. 在國內(nèi), 由于這種技術(shù)起步較晚, 此相關(guān)的關(guān)鍵技術(shù)相比于發(fā)達(dá)國家還有一定距離. 陳望等人通過提取與更新道路背景圖像, 采用自適應(yīng)閾值的方法提取了運動車輛信息, 利用車輛中心的連續(xù)匹配確定了車輛數(shù)目[6]. 陳誠等采用交通波理論給出了該事故路段不同時間段內(nèi)不同阻塞行車道寬度的車輛排隊長度, 并對流量變化分析進(jìn)行了仿真驗證[7]. 最近譚敏等提出一種新的思路, 通過弱監(jiān)督度量和模塊學(xué)習(xí)來識別目標(biāo)[8], 經(jīng)檢驗, 此方法優(yōu)于一些國家最先進(jìn)的識別方法, 為車輛檢測及自動統(tǒng)計提供了新的識別方法, 有望在今后應(yīng)用于車輛檢測當(dāng)中.

本文就確定車輛的灰度值閾值和輪廓、車道流量的自動統(tǒng)計、交通事故發(fā)生在同一橫斷面的不同車道時未發(fā)生交通事故車道(內(nèi)車道和外車道)通行能力的變化、事故橫斷面的車流量和實際通行能力等幾個方面進(jìn)行了討論.

1 數(shù)據(jù)和方法

1.1 多車道車流量自動統(tǒng)計探究的數(shù)據(jù)和方法

所用的原始數(shù)據(jù)為某一路段的交通監(jiān)控視頻, 在視頻中16:42:32這一時刻發(fā)生了交通事故, 到17:01:06事故結(jié)束. 交通事故的發(fā)生, 引起了車流量的變化, 能更好的體現(xiàn)算法的正確與否, 所以選用交通事故期間的視頻. 首先從視頻中開始發(fā)生交通事故的時刻以時間間隔2s截取圖片, 一直到交通事故結(jié)束,共截圖557張. 對截取到的圖片進(jìn)行灰度值提取, 確定車輛的灰度值閾值, 利用MATLAB軟件編寫的算法自動統(tǒng)計車流量.

為了更好地統(tǒng)計車輛通行情況, 本文運用MATLAB圖像處理的相關(guān)算法對視頻中的車輛進(jìn)行檢測和定位. 由于所截取的圖片是在交通事故發(fā)生過程中, 此時車輛行駛速度較慢, 故取時間間隔為2s.若在非交通事故過程中, 車輛的速度較快, 截取圖片的時間間隔應(yīng)該更短. 因為人的視覺特性是對亮度更敏感, 因此要根據(jù)圖像的亮度預(yù)先在處理前將視頻里的所有圖像轉(zhuǎn)為灰度圖像(灰度級取256), 而且節(jié)省了存儲空間減少了后續(xù)算法的計算量. 同時將圖像進(jìn)行增強, 圖像增強使用了直方圖均衡化, 并用中值濾波法去噪. 圖像檢測使用灰度值閾值來確定車輛的輪廓,使用車輛自動提取算法完成車流量的統(tǒng)計.

1.2 車道被占用對道路通行能力的影響研究的數(shù)據(jù)和方法

所用的原始數(shù)據(jù)為某一路段兩個時段的交通監(jiān)控視頻, 該路段在單向行駛路線上分為三個車道. 在不同時刻兩段視頻中均發(fā)生了交通事故. 在視頻1中,道路的內(nèi)車道發(fā)生了交通事故, 正常狀況下該車道的車流量為該方向行駛路線上車流量的35%; 在視頻2中, 道路的外車道發(fā)生了交通事故, 正常狀況下該車道的車流量為該方向行駛路線上車流量的21%. 視頻1中交通事故從發(fā)生至撤離共經(jīng)歷了18分鐘, 視頻2中交通事故從發(fā)生至撤離共經(jīng)歷了25分鐘.

根據(jù)視頻1和視頻2, 通過系數(shù)轉(zhuǎn)換, 利用1.1中的方法獲取車流量信息, 分析了當(dāng)交通事故分別發(fā)生在不同車道時, 事故橫斷面的車流量和實際通行能力的變化, 并利用t檢驗對其進(jìn)行了差異性比較.

t檢驗是用t分布理論來推論差異發(fā)生的概率, 是對兩樣本均數(shù)區(qū)別的顯著性進(jìn)行檢驗, 從而比較兩個平均數(shù)的差異是否顯著, 主要用于樣本含量較小(n＜30)的資料數(shù)據(jù). 兩組數(shù)據(jù)方差的齊性與否會影響t檢驗的結(jié)果, 所以在進(jìn)行t檢驗之前需知道兩組數(shù)據(jù)的方差是否齊性, 即需檢驗兩組數(shù)據(jù)的方差. 若方差齊性檢驗結(jié)果為沒有差別, t檢驗的結(jié)果要看表中第一排數(shù)據(jù), 即方差齊性條件下的t檢驗結(jié)果; 反之, 如果方差齊性檢驗結(jié)果為有顯著差異, 即兩方差不齊, t檢驗的結(jié)果就要看表中第二排的數(shù)據(jù), 即方差不齊的情況下t檢驗的結(jié)果.本文在運用t檢驗的過程中, 先檢驗兩組數(shù)據(jù)的方差是否齊性, 再根據(jù)其結(jié)果取相應(yīng)的t檢驗結(jié)果.

1.3 軟件及硬件要求

本文利用編寫的算法, 在MATLAB環(huán)境下對視頻進(jìn)行圖像的讀取, 并完成所需圖像的截取、灰度值提取、數(shù)據(jù)的處理、圖的繪制以及自動統(tǒng)計算法實現(xiàn)等工作. 為了提高對視頻、數(shù)據(jù)的處理能力, 本文采用MATLAB 2013版本. 本文t檢驗是在SPSS21.0版本軟件下實現(xiàn)的.

采集視頻需要質(zhì)量較好的攝像機一臺以及為了減少視頻抖動現(xiàn)象所需的三腳架一個. 筆記本電腦一臺,電腦的配置如下:

CPU: Intel Core i3530, 2.10GHZ及以上

物理內(nèi)存: 1G以上

硬盤: 可用空間1G以上

2 試驗結(jié)果與分析

2.1 多車道車流量自動統(tǒng)計研究

將獲取到的每一張圖片的信息轉(zhuǎn)換成灰度值數(shù)據(jù);然后提取發(fā)生交通事故的單行道, 確定該道路的灰度值數(shù)據(jù); 進(jìn)一步確定車輛的灰度值閾值, 最后統(tǒng)計出車流量. 對所得到的全部圖片進(jìn)行上述操作, 其處理流程如圖1所示.

2.1.1 確定發(fā)生交通事故的單行車道

視頻中交通事故發(fā)生在一側(cè)的單行道上, 為了與其它部分隔離開, 首先提取出發(fā)生交通事故的單行道,如圖2所示, 兩條紅線之間的部分即為發(fā)生交通事故的單行道.

圖2 提取發(fā)生交通事故單行道的示意圖

圖3 某一原始圖片做2條平行線段的示意圖

圖4 矩陣a第70行的灰度值曲線圖

圖5 矩陣a第210行的灰度值曲線圖

令A(yù)、A′、B、B′為圖 2中發(fā)生交通事故的單行道邊界與圖3中平行線段l1、l2相交的點, 這4個點分別如圖4、圖5所示, 各點在矩陣a中對應(yīng)的坐標(biāo)依次為A(70, 210)、A′ (70, 240)、B(210, 135)、B′(210, 185). 由A、B兩點和A′、B′兩點分別構(gòu)造直線L1、L2, 令直線L1、L2之外的圖像灰度值為0, 得到矩陣b, 矩陣b即為發(fā)生交通事故單行道的灰度值數(shù)值矩陣, 將矩陣b轉(zhuǎn)換成圖像, 如圖6所示.

過直線L2上的兩點分別作L1的兩條垂線, 將這兩條垂線分別均分為三份, 將垂線上對應(yīng)的兩點連接起來, 就將發(fā)生交通事故的單行道分為三份, 分別為該單行道的三條車道.

圖6 提取出道路后的示意圖

2.1.2 車輛的提取與車流量的自動統(tǒng)計

為了確定車輛的灰度值閾值, 在圖片上作兩條平行線l4、l5, 分別對應(yīng)該圖片灰度值矩陣的第70行、230行, 如圖7所示, 其中一條經(jīng)過車輛, 一條不經(jīng)過車輛. 同時提取矩陣b第70行、230行的值作兩條曲線, 如圖8和圖9所示. 對照圖7可以發(fā)現(xiàn)圖8中紅色線段以上的值即為車輛的灰度值. 通過大量的重復(fù)試驗, 得出車輛灰度值的一個閾值為190.

圖7 做出兩條平行線線l4、l5后的示意圖

圖8 矩陣b第70行的灰度值曲線

由車輛灰度值的閾值, 可將圖7所對應(yīng)的灰度值數(shù)據(jù)矩陣中不大于該閾值的值設(shè)為0, 設(shè)定從距上游路口100m處開始統(tǒng)計車輛, 將原始圖片過濾掉非車輛的部分, 只剩下車輛的輪廓. 選取任意一張截取到的原始圖片, 如圖10所示, 對該張圖片進(jìn)行車輛的輪廓提取, 提取結(jié)果如圖11所示.

圖9 矩陣b第230行的灰度值曲線

圖10 某一時刻的原始圖像示意圖

圖11 提取出車輛輪廓后的示意圖

提取出車輛的輪廓后, 利用車輛和車輛間隙的紋理特征來區(qū)分不同車輛, 對車流量進(jìn)行自動統(tǒng)計. 在二值圖像中, 首先從上到下進(jìn)行圖片的掃描, 接著從左到右進(jìn)行掃描, 在對每行進(jìn)行掃描時, 確定每一輛車的起始坐標(biāo), 計算其中心坐標(biāo), 以中心坐標(biāo)為基準(zhǔn), 從下往上連續(xù)進(jìn)行掃描, 向上連續(xù)掃描40個點, 對掃描到的白色點進(jìn)行記錄, 如果連續(xù)記錄的點達(dá)到4個或超過4個, 就認(rèn)為掃描出一輛車, 不斷重復(fù)以上的操作, 來統(tǒng)計車流量, 車流量自動統(tǒng)計流程圖如圖12所示.

圖12 自動統(tǒng)計車流量的流程圖

2.1.3 車輛自動統(tǒng)計結(jié)果分析

通過程序?qū)σ曨l中截取的某一圖片進(jìn)行車流量統(tǒng)計, 測量出數(shù)目為4輛, 而實際通過車輛也為4輛, 對視頻中截取的所有圖片進(jìn)行車流量自動統(tǒng)計, 將統(tǒng)計結(jié)果與實際通過的車輛數(shù)進(jìn)行比較, 發(fā)現(xiàn)利用程序統(tǒng)計正確率可達(dá)95%以上, 誤差較小, 能比較準(zhǔn)確的確定道路的車流量.

該算法既避免了車輛陰影和天氣變化的影響, 又避免了當(dāng)車輛與道路背景顏色相近時引起的誤差. 誤差主要有遺漏和重復(fù)計數(shù)兩種情況, 遺漏的車輛可能是由于前后車距太近引起; 重復(fù)計數(shù)可能是由于車體大, 車頂變化比較明顯而引起, 在以后的研究中應(yīng)增加相應(yīng)的判別條件來加以解決. 所提取的圖片是在發(fā)生交通事故的時段, 若選擇沒有發(fā)生交通事故的時段,需要縮短采樣頻率, 即縮短截取圖片的時間.

2.2 車道被占用對道路通行能力的影響研究

道路上有各種各樣的車輛通過, 為了統(tǒng)一標(biāo)準(zhǔn)進(jìn)行比較和分析, 將各種車輛換算為標(biāo)準(zhǔn)車當(dāng)量數(shù)(Passenger Car Unit, 簡稱為PCU).

將各種車輛轉(zhuǎn)換成標(biāo)準(zhǔn)車當(dāng)量數(shù)以后, 用程序自動統(tǒng)計視頻1和視頻2中發(fā)生交通事故的橫斷面在發(fā)生事故后單位時間內(nèi)未發(fā)生交通事故車道(內(nèi)車道和外車道)的車流量; 結(jié)合統(tǒng)計結(jié)果與實際通行能力的計算結(jié)果, 分別計算視頻1、視頻2中發(fā)生交通事故的橫斷面的實際通行能力.

由實際通行能力計算結(jié)果, 利用t檢驗對視頻1、視頻2發(fā)生交通事故后橫斷面實際通行能力的差異進(jìn)行比較, 然后分析其原因.

2.2.1 視頻1中發(fā)生交通事故后橫斷面的車流量和實際通行能力

標(biāo)準(zhǔn)車當(dāng)量數(shù)與不同車種車輛的轉(zhuǎn)換系數(shù)如表1所示.

表1 標(biāo)準(zhǔn)車當(dāng)量數(shù)換算系數(shù)

視頻1中發(fā)生交通事故的事故橫斷面在事故發(fā)生后單位時間內(nèi)未發(fā)生交通事故車道通過的車流量如圖13所示.

圖13 視頻1中通過事故橫斷面的車流量示意圖

由圖13可知, 剛發(fā)生交通事故后, 事故所處橫斷面的車流量還比較大, 過幾分鐘后, 車流量減小, 到撤離時車流量又有所恢復(fù). 車流量忽高忽低與上游十字路口的紅綠燈周期和通行能力的最佳信號周期有關(guān).如果通行能力的最佳信號周期正好在上游十字路口的綠燈范圍內(nèi), 車流量就會變大; 如果通行能力的最佳信號周期正好在上游十字路口的紅燈范圍內(nèi), 車流量就會變小.

其中C是實際通行能力, fw是寬度修正系數(shù), C0是車道基本通行能力, 且C0=3600/ht .

寬度修正系數(shù)fw可以通過如下式計算:

其中W是道路的寬度, a、b的值如表2所示.

表2 修正系數(shù)計算公式中a、b的值

根據(jù)表2和本文中發(fā)生交通事故的道路可取a=0.265、b=-0.857, 而道路的車道寬度W=3.25m, 代入式(2)可得fw=0.00425, 將fw=0.00425代入式(1)可得:

根據(jù)式(3)計算從事故發(fā)生至撤離期間視頻1中事故橫斷面的實際通行能力, 結(jié)果如圖14所示.

圖14 視頻1中事故橫斷面的實際通行能力示意圖

由圖14可知, 交通事故剛發(fā)生不久后, 事故橫斷面的實際通行能力還比較強, 幾分鐘后, 實際通行能力降低, 到撤離時實際通行能力又有所恢復(fù).

2.2.2 視頻2中發(fā)生交通事故后橫斷面的車流量和實際通行能力

視頻2中發(fā)生交通事故的事故橫斷面在事故發(fā)生后單位時間內(nèi)未發(fā)生交通事故車道通過的車流量如圖15所示.

圖15 視頻2中通過事故橫斷面車流量示意圖

由圖15可知, 自事故發(fā)生到結(jié)束的過程中, 視頻2中通過道路的車流量變化比較明顯.

根據(jù)2.2.1中實際通行能力的計算公式和圖15中的車流量數(shù)據(jù), 可得視頻2中事故橫斷面的實際通行能力. 由于視頻1中從發(fā)生交通事故到結(jié)束共18分鐘,故取視頻2中發(fā)生交通事故期間的前18分鐘計算其實際通行能力, 如圖16所示.

圖16 視頻2中事故橫斷面的實際通行能力示意圖

由圖16可知, 視頻2中交通事故所處道路在發(fā)生交通事故后道路的實際通行能力變化比較明顯.

2.2.3 視頻1與視頻2發(fā)生交通事故后事故橫斷面車流量和實際通行能力的變化比較

選取根據(jù)視頻2所得的前18個車流量數(shù)據(jù)與根據(jù)視頻1所得的18個車流量數(shù)據(jù)用MATLAB軟件進(jìn)行作圖, 結(jié)果如圖17所示.

圖17 視頻1與視頻2通過事故橫斷面車流量變化示意圖

由圖17可知, 當(dāng)交通事故發(fā)生在同一道路不同車道時, 單位時間內(nèi)通過事故橫斷面的車流量變化有顯著差異.

利用t檢驗分析視頻1、視頻2發(fā)生交通事故后事故橫斷面的實際通行能力是否有顯著差異, 分析結(jié)果如表3所示.

由表3可知, 在方差方程的Levene檢驗中F=5.003、Sig=.030, 表現(xiàn)為兩組數(shù)據(jù)的方差沒有顯著差別, 即兩方差齊性, 則t檢驗結(jié)果要根據(jù)表中第一排數(shù)據(jù)進(jìn)行判斷. 由第一排數(shù)據(jù)中Sig=.000, 可知發(fā)生交通事故以后, 視頻1與視頻2中的事故橫斷面的實際通行能力有顯著差異. 視頻1、視頻2中事故橫斷面的實際通行能力平均值分別為822.0831PCU/h和901.5825PCU/h, 由此可知, 發(fā)生事故后視頻2的實際通行能力更好些.

表3 獨立樣本檢驗表

3 結(jié)論

利用灰度值數(shù)據(jù)對多車道車流量自動統(tǒng)計研究的算法計算簡單、容易實行、準(zhǔn)確率可達(dá)95%以上, 誤差較小, 能滿足交通監(jiān)控實時性的要求, 可以應(yīng)用到車流量的統(tǒng)計當(dāng)中. 在車道被占用對道路通行能力的影響研究中, 視頻1中通過內(nèi)車道事故橫斷面的車流量和實際通行能力呈逐漸降低到逐漸恢復(fù)的特點; 視頻2中通過外車道事故橫斷面的車流量和實際通行能力在整個事故過程中變化比較明顯. 比較視頻1和視頻2分別發(fā)生交通事故后事故所處橫斷面的車流量和實際通行能力可知, 當(dāng)事故發(fā)生在同一道路同一橫斷面的不同車道時, 通過事故橫斷面的車流量和通行能力有顯著差異. 差異顯著的原因與各自車道分擔(dān)整個道路的車流量和以及下游的丁字路口有關(guān), 今后應(yīng)就差異的原因展開進(jìn)一步的研究.

1 胡凱峰,吳曉紅,楊毅,何小海.基于TMS320DM648的多車道車流量檢測系統(tǒng).電視技術(shù),2014,38(9):239–242.

2 王小鵬,郭莉瓊.公路車流量視頻檢測方法.計算機應(yīng)用,2012,32(6):1585–1588.

3 Aldrich C, Marais C, Shean BJ, Cilliers JJ. Online monitoring and control of froth flotation systems with machine vision: A review. International Journal of Mineral Processing, 2010, 96(1): 1–13.

4 Fathy M, Siyal MY. An image detection technique based on morphological edge detection and background differencing for real-time traffic analysis. Pattern Recognition Letters, 1995, 16(12): 1321–1330.

5 Baykal-Gürsoy M, Xiao W, Ozbay K. Modeling traffic flow interrupted by incidents. European Journal of Operational Research, 2009, 195(1): 127–138.

6 陳望,陳兵旗.基于圖像處理的公路車流量統(tǒng)計方法的研究.計算機工程與應(yīng)用,2007,43(6):236–239.

7 陳誠,譚滿春.交通事故影響下事發(fā)路段交通流量變化分析.科學(xué)技術(shù)與工程,2011,11(28):6904–6909.

8 Tan M, Hu Z, Wang B, Zhao J, Wang Y. Robust object recognition via weakly supervised metric and template learning. Neurocomputing, 2016, (181): 96–107.

9 李家杰,鄭義.影響城市道路通行能力因素分析.城市道橋與防洪,2006,(3):19–21.

10 Heydecker BG, Addison JD. Analysis and modelling of traffic flow under variable speed limits. Transportation Research Part C Emerging Technologies, 2011, 19(2): 206–217.

11 Zheng Y, Peng S. Model based vehicle localization for urban traffic surveillance using image gradient based matching. 2012 15th International IEEE Conference on Intelligent Transportation Systems (ITSC). IEEE. 2012. 945–950.

12 何得平,趙廣州,陸承恩,朱光喜.基于區(qū)域生長處理的視頻運動車輛提取新方法.計算機應(yīng)用,2008,28(4):979–981.

13 王坤峰,李鎮(zhèn)江,湯淑明.基于多特征融合的視頻交通數(shù)據(jù)采集方法.自動化學(xué)報,2011,37(3):322–330.

14 何雅琴,李杰.基于路邊停車的路段通行能力研究.土木工程與管理學(xué)報,2012,29(1):44–47.

15 朱虹,張競介,梁鎮(zhèn)釗,張雅軒.基于M/M/1/K模型的車道占用對道路通行能力影響的分析與預(yù)測.數(shù)學(xué)的實踐與認(rèn)識,2015,(2):225–231.

Automatic Statisticson on Traffic Flow and the Impact on Road Capacity When Being Occupied

LI Kun1, SUN Chuan1,2, ZHANG Li-Hua2, XUE Hui1, JIANG Chao11(College of Science, Inner Mongolia University of Technology, Hohhot 010051, China)2(College of Geographical Science, Inner Mongolia Normal University, Hohhot 010022, China)

Traffic flow detection is an important part in Intelligent Traffic Control System. A traffic flow detection algorithm based on gray threshold is presented in this paper. When a traffic accident occurs on the neighboring lanes of the same cross section in a three lane road, the traffic flow on the other lane (inside lane or outside lane) where no traffic accident occurred is detected by using this algorithm. And the difference between the traffic flow in inside lane and in outside lane is tested by t test. The results show that the accuracy of traffic flow is more than 95% when using this algorithm, which indicates that this algorithm is feasible and effective. When a traffic accident occurs on the neighboring lanes, the difference between the traffic flow in inside lane and in outside lane is significant.

video image; gray value; t test; automatic statistics; the accident cross-sectional; the actual capacity

內(nèi)蒙古自然科學(xué)基金(2016MS0408);內(nèi)蒙古自治區(qū)高等學(xué)?？茖W(xué)研究重點項目(NJZZ16041);國家自然科學(xué)基金(11562016);國家留學(xué)基金

2016-07-31;收到修改稿時間:2016-10-24

10.15888/j.cnki.csa.005787