道路交通管理信息采集规范（道路交通信息采集系统解决方案）

道路交通信息采集系统解决方案

系统概述应用背景

交通信息采集是智能交通系统中相对基础且重要的一环，交通信息的采集可为指挥调度、交通信号控制、交通诱导等、道路路网规划提供决策依据。

在我国大力发展道路基础设施建设的大环境背景下，交通信息采集变得尤为重要。

现状分析

交通流检测方式有很多种，包括线圈、地磁、微波、视频等。传统的流量检测设备以线圈、地磁为主，但这两种检测方式存在着布设麻烦、维护成本高，需要破开路面的问题；而微波检测方式受限于产品价格和应用环境的苛刻要求，没有得到大范围的使用。

随着视频技术的发展，基于视频动态的交通信息采集得到了逐步的完善。由于其直观、安装方便、费用低等优点，越来越多的得到了厂家和业主的认可。

设计目标

通过在城市道路上的某些关键路口、路段建设交通信息采集系统，为交通管理部门提供一个辅助管理的手段：

1、基于视频流进行车道流量、车道平均车速、排队长度、车头时距等交通数据的检测采集，为交通规划和指挥调度提供数据支持；

2、对城市道路重点路段进行24小时全天候监控覆盖，视频流可用于实时监控或存储。

设计原则

本系统建设以“统一标准、技术先进、稳定可靠、信息安全、方便实用、便捷扩容、易于维护”为原则，以相关行业标准作为设计依据，结合我国道路特点，同时综合考虑车辆检测技术的发展趋势，确保系统的设计和建设满足当今交通管理部门对交通信息采集系统的应用和扩展需求：

1、统一标准：本系统的数据格式严格按照相关的标准规范要求进行设计，所有数据格式与接口均符合国家标准，并提供功能定制以适应地方应用差异。

2、技术先进：充分利用科技进步成果，采用当今先进成熟的技术，在相当长的时间内保持国内外先进水准。

3、稳定可靠：本系统具有防盗、耐高温、抗寒、散热排风等功能设计，使用的各类电气接线端子、过载、漏电及断路保护装置、避雷装置等装置均符合国家有关电气安全标准要求，保证系统能够可靠地、连续地运行。

4、信息安全：系统具有防非法接入、防误操作、防病毒等特性，通过合理的硬件结构设计、有效的外场保护措施以及完善的内部管理机制有效避免系统遭到恶意攻击和数据被非法提取的现象出现，保障系统的信息安全。

5、方便实用：系统提供清晰、简洁、友好的中文操作界面，操控简便、灵活，易学易用，便于管理和维护，能自动纠错和系统恢复，整个系统的操作简单、快捷、环节少，以保证不同的操作者都能熟练操作系统，具有高度友好的界面和使用性。

6、便捷扩容：随着业务的拓展以及技术的进步，用户的需求将会不断增加，系统的规模也将随之扩大，故在设计时，既应保证技术的先进性，又要兼顾与原有系统的兼容。因此，我们采用模块化结构设计，系统接口具备良好的扩展性，能够很好的完成系统的平滑升级，实现软硬件产品升级的系列化和模块化。

系统总体设计

设计思路

实现基于雷达和视频的车辆检测功能，在城市常规杆件上安装检测设备，支持最多4个车道的流量检测。支持车流量、平均车速、车头间距、车头时距、车道空间占有率、车道时间占有率、车辆类型、车辆排队长度、交通状态等信息的检测和统计。在支持交通信息采集的同时，兼顾视频监控的功能。

原有海康抓拍机系列通过将近5年的不断开发、优化，在车牌识别、违章捕获方面已经取得了很好的效果，无论是市场占有率还是客户评价均比较好。但随着城市交通的发展，交通场景日益复杂，对摄像机自动分析的要求更为苛刻，原有ARM DSP的硬件架构在性能上逐渐成为瓶颈，这也成为制约闯红灯自动记录系统进一步精细化探索和优化的瓶颈。

本系统使用的“海康神捕”摄像机硬件架构由原来的ARM DSP更新为基于“高性能AI硬件平台 深度学习算法”的架构，将图形、图像处理方面的独特优势集成到前端摄像机内，在整体硬件性能与图像处理速度上提高了5-10倍。

主要的技术路线：

一体化抓拍单元中的“海康神捕”摄像机采用“高清能AI硬件平台 深度学习算法” 的架构方案，基于全新的高性能平台设计，融合深度学习智能算法，优化硬件结构，针对道路交通参与者（人、车、物）特征及行为进行准确检测和提取；通过目标的分析从而给出道路信息。

而由于传统算法的局限性，部分指标的准确率不高，而采用“深度学习”的算法后，这些指标准确率将得到大幅度的提升，并且随着训练样本的增加，其准确率会越来越高。

系统架构

1. 交通信息采集系统架构

雷视一体机可通过网络或485信号将交通参数信息传输至前端应用设备（如信号机、交通诱导屏等），也可通过IO解析设备转换为IO信号再传输到前端应用设备上使用；也可通过网络信号将周期统计的交通参数信息上传到中心平台，供其他应用系统调用。

系统详细设计

系统前端设计

点位部署原则

单台视频雷视一体机最多覆盖4车道，检测纵深约200米，布点时不宜选择在弯道附近；点位数量根据数据应用的实际需求部署。

雷达视频车检器检测车道数最大支持六车道，检测目标数不小于64/128个。

前端雷视一体机安装布局图

现场可根据最终数据的要求灵活布设视频雷视一体机。如正装、侧装；正向检测、背向检测等。

1)最佳安装布局

安装L型杆件，高度为6-8米，最多覆盖6个车道，雷视一体机安装于检测区域的中间位置。雷视一体机视场下沿调整至距立杆15米处，挑臂长度依据现场路宽来确定，保证车流检测率≥95%；如选配补光灯，补光灯建议的安装距离大于3米。以下为现场布局示意图：

1. 正装正向安装布设

补光灯配置

视频雷视一体机选用低照度高性能摄像机，在夜间的环境适应性较强。如现场有路灯等其他环境照明，则不需额外配置环境补光灯；如现场环境照明条件较差，建议配置一盏常亮灯用于夜间补光。

系统功能

车流量

在规定的单位时间内通过车道上检测断面的车辆数。

应用逻辑：

基于雷达视频车检器高精度的车道级车流量检测，在数据准确度以及完整度上有较好的的提升，数据发送给信号机或者平台后。

单点感应控制：雷达视频车检器可较好的实时检测进口道来车方向车辆需求，路口方向以及时段上车辆波动较大时，可较好的贴合实际交通需求，实时调整当前周期各相位绿灯放行时间，减少绿灯空放，提升交叉口通行效率。

基于流量的动态干线协调、单点自适应：雷达视频车检器可较好检测车道级流量和排队长度数据，根据历史以及上周期数据拟合周期级交通到达需求实现动态干线协调以及单点自适应。减少繁复的方案的设计工作，主动检测均衡流量压力，提升信号控制智能化治理水平。

测试方法：

通过架设雷视路段或者路口测试点位，采集30分钟或者每条车道断面经过100辆以上过车对应的打印信息和录像。

• 检测值：通过雷视端实时输出信息，提取对应时间段每个车道的过车流量。
• 实际值：通过雷视相机录像，人工统计经过每个车道的过车流量。

计算公式：

式中：A1为单位时间内人工统计的车流量实际值，A2为单位时间雷视检测的车流量检测值。

测试要求：

测试车流量需要满足以下要求：

测试时段：应包括平峰期（流量小）、高峰期（流量大）。

测试数量：每个方向，每条车道，平峰期、高峰期各时段至少半小时或100辆过车。

准确率要求：每条车道车流量准确率≥95%。

转向流量

在规定的单位时间内，车辆离开停止线进入路口继续直行、左转或者右转的车辆数。

应用逻辑：

雷达视频车检器能对每个进口道的转向流量进行精确获取，应用于覆盖停车线附近的场景，包括配时优化、效果评估；能对交通需求实现更精细化的采集和分析，转向流量数据可较好的反应交通状态，充分考虑路口关联关系，区域协调控制能避免以往仅局部最优的窘况，使得区域综合通行效益最大化。

测试方法：

通过架设雷视路口测试点位，采集30分钟或者每条车道断面经过100辆以上过车对应的输出结果和录像。

• 检测值：通过雷视端实时输出信息，提取对应时间段直行、左转、右转的过车流量。
• 实际值：通过雷视相机录像，人工统计经过每一辆车进入路口后继续直行、左转、右转的车辆个数。

计算公式：

式中：A1为单位时间内人工统计的转向流量实际值，A2为单位时间雷视检测的转向流量检测值。

测试要求：

测试转向流量需要满足以下要求：

测试时段：可选择平峰期或者高峰期。

测试数量：每条车道各时段至少半小时或100辆过车。

准确率要求：路口直行、左转、右转车流量准确率≥90%。

时间占有率/空间占有率

时间占有率：在某一时间间隔内，单车道上检测断面被车辆占有的时间与该时间间隔之比。

空间占有率：在某一时间间隔内，车道检测范围内被车道占有的空间与检测车道范围之比。

应用逻辑：

根据雷达视频车检器获取路段实时时间占有率等信息，判断车辆排队长度是否已达到预设瓶颈断面，结合速度等其他参数判断拥堵状态。达到一定阈值条件启动或终止瓶颈控制功能。瓶颈控制的总体思路为“截流疏导”。截流即对路段上游路口进行截流，减少进入瓶颈路段车流的绿灯时间；疏导即对路段下游路口进行疏导，增加驶离瓶颈路段车流的绿灯时间，达到快速消散瓶颈路段排队车流的目的。根据瓶颈控制“截流疏导”的思想，对瓶颈路段的上下游路口运行方案进行一定程度的调整，消减排队滞留长度。瓶颈控制以“单位周期或固定时间”为时间间隔进行判断，若当前周期或时段结束时瓶颈点拥堵问题得到解决，则下一周期或时段恢复原策略，否则将继续执行瓶颈控制策略，最终消除瓶颈点拥堵现象。

时间占有率测试方法：

通过架设雷视路段或者路口测试点位，采集30分钟或者每条车道断面经过100辆以上过车对应的打印信息和录像。

• 检测值：通过雷视端实时输出信息，提取对应时间段每个车道的时间占有率。
• 实际值：通过雷视相机录像，使用播放器逐帧播放，人工观察并记录每辆车车头进入虚拟线圈A上方断面的视频帧数Z1，转化为毫秒值，输出时刻t1；车尾驶离虚拟线圈A下方断面的的视频帧数Z2，转化为毫秒值，输出时刻t2；那么t2 -t1即为该车的占有时间T占有。如下图所示：

在一定的统计时间段T内，该时段内所有过车的车辆占有时间依次为T占有1，T占有2……T占有n，则该段时间时间段T内的时间占有率可计算为：

时间占有率 =

* 100%

计算公式：

式中：A1为单位时间内人工统计的时间占有率实际值，A2为单位时间雷视检测的时间占有率检测值。

测试要求：

测试时间占有率需要满足以下要求：

测试时段：应包括平峰期（流量小）、高峰期（流量大）。

测试数量：每个方向，每条车道，平峰期、高峰期各时段至少半小时或100辆过车。

准确率要求：每条车道时间占有率准确率≥95%。

车头时距

车头时距表示前后两辆车通过同一断面时的时间差值，单位以秒计算。

应用逻辑：

车头时距检测，适用于城市道路基础参数标定，例如对交叉口车道饱和流量的动态精细化标定，为精细化信控配时优化提供数据依据。

测试方法：

通过架设雷视路段或者路口测试点位，采集30分钟或者每条车道断面经过100辆以上过车对应的打印信息和录像。

• 检测值：通过雷视端实时输出信息，提取对应时间段每个车道的车头平均时距。
• 实际值：通过雷视相机录像，使用播放器逐帧播放，人工观察并记录车辆1车头进入虚拟线圈A上方断面的视频帧数Z1，转化为毫秒值，输出时刻t1；车辆2车头进入虚拟线圈A上方断面的的视频帧数Z2，转化为毫秒值，输出时刻t2；那么t2 -t1即为两辆车的车头时距，如下图所示：

统计时间段时间为T，在T时段内经过线圈A的车辆数为n，经过线圈A的前后车辆的车头时距依次为T1，T2……Tn ，则T时段的车头平均时距计算方法为：

车头平均时距=

计算公式：

式中：A1为单位时间内人工统计的车头平均时距实际值，A2为单位时间雷视检测的车头平均时距检测值。

测试要求：

测试车头平均时距需要满足以下要求：

测试时段：应包括平峰期（流量小）、高峰期（流量大）。

测试数量：每个方向，每条车道，平峰期、高峰期各时段至少半小时或100辆过车。

准确率要求：每条车道车头平均时距准确率≥95%。

瞬时速度

在某时刻，车辆通过道路上检测断面时的车速，以千米／小时为单位。

应用逻辑：

车辆行驶速度是控制优化和效果评价的重要参数可用于绿波控制优化时的设计速度提取，道路及路网运行效果评价。。

测试方法：

安排一辆配备数字码表或者定速巡航的测试车辆，分别以10km/h、30km/h、50km/h、70km/h保持恒定的速度在相机视场里的车道中行驶并通过距离雷视60米处的断面，每一组速度值对应的测试轮次可以视情况而定。

• 检测值：通过雷视端实时输出信息，观察并记录测试车辆经过60米断面时设备检测的车辆速度。
• 实际值：测试车辆按照预设的速度为10km/h、30km/h、50km/h、70km/h。

计算公式：

式中：V1为车辆速度实际值，V2为车辆速度测量值。

注：一般车辆码表会比实际车速慢2KM/H，需要减去这个误差值后进行计算。

测试要求：

测试瞬时速度需要满足以下要求：

测试时段：车流量低谷时段。

测试数量：车流量较少的车道，保证测试动作不受阻碍。

准确率要求：瞬时速度相对误差≤10%。

排队长度

排队长度是车辆排队队列从交叉口停止线或排队起点至队列末尾之间的长度。当为路口模式时，排队长度从停止线开始计算，到排队最后一辆车车尾位置为止；当为路段模式时，排队长度从雷达安装位置开始计算，到排队最后一辆车车尾位置为止。

应用逻辑：

雷达视频车检器在车道级车辆排队长度检测上最远可达100/200米，弥补基于流量数据控制算法的不足，较好的适应路口过饱和的现象，进行精细化交通信号控制，提升单点、干线通行效率。

排队长度是反应道路交通需求的参数之一，可与交通离开流量结合共同拟合较为真实的交通到达需求。同时，排队长度也是较为直观反映瓶颈路段交通状态的参数之一。传统检测器的束缚导致排队长度检测准确率较低，一直未能做为控制算法的数据输入来源。雷达视频车检器在瓶颈控制中可通过不同的架设方式实现进口道、路段以及出口道交通状态动态感知，采取截流疏导策略快速实现瓶颈路段交通流疏散，缓解城市交通拥堵。

雷视一体机可通过对进口道不同转向、路段不同方向车辆排队长度、流量动态感知，通过信号机、平台实时调整车道功能以及信号配时方案，实现城市道路时空资源统一调配，最大化道路时空资源利用率。

测试方法：

通过架设雷视路段或者路口测试点位，使用路锥间隔10米，在20米、30米、40米、、、、、、200米分别设置路面长度标记。

• 检测值：通过雷视端实时输出信息，提取拥堵时刻的排队长度。
• 实际值：通过雷视相机预览、录像，借助在路面使用路锥设置的间隔10米的长度标记，人工确认拥堵时刻排队长度落在哪个长度区间。

计算公式：

如果|L2-L1|≤10，则排队长度准确率=100%

如果|L2-L1|≤20，则排队长度准确率=100%

式中：L1为排队长度实际值，L2为排队长度测量值。

测试要求：

测试排队长度需要满足以下要求：

测试时段：应包括平峰期、高峰期，平峰期应与高峰期区分，高峰期排队较长。

测试数量：每个方向，每条车道，平峰期、高峰期各时段至少半小时，各时段至少随机抽验100个时刻。

准确率要求：100米以内相对误差10米以内的准确率要大于90%；100-200米相对误差20米以内的准确率大于90%。

区域车辆数

区域车辆数是指在某一时刻，统计在检测区域范围内的车辆数目。

应用逻辑：

根据实时检测到的区域车辆数及变化情况，结合车速、占有率等参数研判区域拥堵状态及变化趋势，指导交通拥堵等特殊场景下的信号临时调控等交通管控策略生成，直观完成效果评估。

测试方法：

通过架设雷视路段或者路口测试点位，采集30分钟或者每条车道断面经过100辆以上过车对应的打印信息和录像。

• 检测值：通过雷视端实时输出信息，提取某时刻每个车道的区域车辆数。
• 实际值：通过雷视相机预览、录像，人工统计某时刻每个车道的车辆个数。

计算公式：

式中：A1为某时刻车道内区域车辆数实际值，A2为某时刻车道内区域车辆数测量值。

测试要求：

测试区域车辆数需要满足以下要求：

测试时段：应包括平峰期、高峰期，平峰期应与高峰期区分。

测试数量：每个方向，每条车道，平峰期、高峰期各时段至少半小时，各时段至少随机抽验100个时刻。

准确率要求：区域车辆数准确率≥90%。

行驶轨迹

行驶轨迹是指在一个时间段内，记录在检测区域范围内的车辆行驶跟踪轨迹。

应用逻辑：

通过对路段/路口车辆轨迹分析，鉴定道路进出口道车辆变道、机非冲突、出入口或公交站车辆分合流。通过交叉口内部轨迹冲突、停滞、对向左转轨迹间距较近等判断路口内部车辆异常停车、碰撞或潜在冲突风险。同时通过精细的车辆轨迹数据和丰富的局部交通流检测数据，为全面的交通运行评价体系建立、交叉口运行监控诊断提供可落地实施的数据基础。

测试方法：

通过架设雷视测试点位，采集显示软件10分钟或者每条车道断面经过20辆以上过车对应的轨迹显示信息。

车型识别

车型识别是指对车辆进行大车、小车区分。大车是指大巴、公交、大货车、渣土车等，小车是指轿车、SUV、面包车等。

测试方法：

通过架设雷视路段或者路口测试点位，采集30分钟或者每条车道断面经过100辆以上过车对应的输出结果和录像。

• 检测值：通过雷视端实时输出信息，提取对应时间段每个车道的大车流量和小车流量。
• 实际值：通过雷视相机录像，人工统计对应时段经过每个车道虚拟线圈雷视捕获到的车辆数，对此数据再统计出实际大车数量和小车数量。

计算公式：

式中：A1为单位时间内人工统计雷视捕获到的大车流量实际值，A2为单位时间内人工统计雷视捕获到的小车流量实际值；A3为单位时间雷视检测的大车流量检测值，A4为单位时间雷视检测的小车流量检测值。

测试要求：

测试车流量需要满足以下要求：

测试时段：可选择平峰期或者高峰期。

测试数量：每条车道各时段至少半小时或100辆过车。

准确率要求：每条车道车型识别准确率≥90%。

事故检测

事故是指车辆在道路上发生故障停车或者多辆车出现碰撞停车的事件。

测试方法：

通过架设雷视路段或者路口测试点位，雷视启用事故检测，配置关联行人。测试人员1驾驶车辆A从雷视相机视场上方行驶过停止线后直行进入路口中央停车，测试人员2驾驶车辆B行驶至车辆A的后方，并且与车辆A的间距小于0.5米后停车，测试人员1和测试人员2分别下车并在车辆周围观察走动持续30秒，检查雷视是否抓拍事故图片。

测试要求：

测试事故需要满足以下要求：

测试时段：选择平峰期，需要封闭路口进行测试。

测试数量：模拟事故次数不限，雷视可检出事故即可。

交通数据统计

视频雷视一体机支持分车道统计交通数据信息，统计周期可根据实际需求灵活设置。交通数据信息如下表：

1. 交通数据信息

交通数据	描述
车流量	通过车道内的车流数目。
平均车速	车道内车辆的平均速度，以千米／小时表示。
车头时距	同一车道前后两辆车通过同一地点的时间差，以秒表示。
车头间距	同一车道前后两辆车之间的距离，以米表示。
车道时间占有率	车辆通过时间的累积值与观测总时间的比值，以百分比表示。
车道空间占有率	单位长度路段上行驶的车辆总长占该路段长度的比值，以百分比表示。
车辆类型	大型车、中型车、小型车。
车辆排队长度	车道发生拥堵、缓行时的车辆排队长度信息，以米表示。
交通状态	畅通、缓行、拥堵。

1. 交通参数信息

交通实时数据输出

视频雷视一体机支持根据车道分别输出实时交通数据，包括车辆到达、车辆离开、车辆类型数据的输出。这类实时的车辆数据可提供到交通信号控制系统用作路口级的实时信号配时调整。

在数据传输方式上，支持RS485、网络等方式，同时也可配合IO解析设备实现IO数据的输出，能更好的适应不同设备对接的要求。

交通状态报警功能

设备支持对道路交通状态的检测，可提供“畅通、缓行、拥堵”的状态判断，可提供检测结果在中心平台处做联动报警等提醒功能。

视频监控功能

可利用高清摄像机实现视频监控功能，视频雷视一体机采用200万高清CMOS摄像机，画面场景与一般监控摄像机差异不大，可完全满足常规道路监控的要求。

1. 常规道路监控

完善的SDK开发包与二次开发支持

提供完善的SDK开发包以供业主按需集成、定制。

系统应用管理软件的数据格式、通讯接口与通讯协议均采用标准方式或公开通讯协议和控制接口，便于集成。系统预留扩展接口与其他系统互联，向用户完全公开所有接口协议和数据格式，全面支持系统的集成和二次开发。通过接口开发，系统可以生成相关的数据信息导出给其它公安信息系统数据库。

向用户完全开放本系统相关的接口及协议，并可以根据用户需要进行修改，满足客户二次开发要求。

系统性能

1. 系统性能

交通数据	描述
车流量	全天车流量检测准确率≥95%；
平均车速	白天平均车速测量准确率≥85%；

系统特点

采用“AI 深度学习”架构硬件架构的革新

摄像机硬件架构层面，由原来的ARM DSP更新为基于“高清能AI硬件平台 深度学习算法”的架构，将图形、图像处理方面的独特优势集成到前端摄像机内，在整体硬件性能与图像处理速度上提高了5-10倍。

软件算法的革新

摄像机采用深度学习的智能算法，替换掉了原模式识别算法，去除了原算法层面的人工目标挑选过程，由前端摄像机来承担进行目标自主挑选，摒除人工挑选对识别模式的限制，利用计算机精细化的运算、几何图形、几何比例特殊的处理方式，通过大量过车目标的自主学习从而来提高车辆特征、号牌的识别准确率，达到精细化识别的目的。

1. 深度学习VS传统算法

系统功能性能大幅提升性能及鲁棒性的提升

由于深度学习算法相对传统模式识别算法，对硬件性能的要求更高，因此从侧面印证了新平台在处理性能上的提升。

“海康神捕”摄像机与原摄像机一样采用鳍型式散热结构设计，不同的是新系列摄像机的散热结构、鳍型外观重新做了优化，其散热效率与均匀性进一步提高，从而提高了系统鲁棒性、环境适应性。

参数指标的提升

基于“高性能AI硬件平台 深度学习算法”的“神捕系列摄像机”相对原有摄像机系列在相对场景、参数配置下指标率有大幅提升。

多种交通数据采集功能

可同时进行车流量、平均车速、车头间距、车头时距、车道空间占有率、车道时间占有率、车辆类型、车辆排队长度、交通状态等数据的采集处理；在保证架设高度足够高的情况下，单路视频可实现一个完整断面的交通数据采集。

,