基于视频检测的黄灯期间驾驶员行为研究

李 娟，周 靖，林 园，王清华

（北京交通大学 城市交通复杂系统理论与技术教育部重点实验室，北京100044）

基于视频检测的黄灯期间驾驶员行为研究

李 娟*，周 靖，林 园，王清华

（北京交通大学 城市交通复杂系统理论与技术教育部重点实验室，北京100044）

黄灯政策问题已成为道路交通安全领域的研究热点.本文开发了基于视频处理技术的交叉口检测系统，自动采集黄灯期间的交通数据，包括黄灯启亮时车辆到停止线距离、速度、加速度和黄灯结束后车辆的通过情况，建立黄灯期间的驾驶员“停车/行进”决策行为模型和“抢黄灯”行为结果模型.利用北京市“闹市口大街—宣武门西大街”和“中关村东路—成府路”的视频数据对模型进行检验，两个模型的预测结果与实际观测误差分别为8.6%和2.5%.实验结果表明，视频检测技术和驾驶员行为模型能够应用于交叉口的控制管理，本文提出的模型与方法可为相应交通管理措施的制定和实施提供技术支持和理论依据.

城市交通；黄灯；驾驶员行为；视频检测；决策模型

1 引 言

2004年5月1日实施的《道路交通安全法》规定：“黄灯亮时，已越过停止线的车辆可以继续通行”，但未明确指出，黄灯启亮时未越过停止线的车辆应如何决策.2013年初新交规规定“黄灯亮时已经越过停止线的车辆可以继续通过，还未越过停止线的车辆应停车”，认定“抢黄灯”行为属于违反道路交通信号灯通行并罚6分，随后以教育警示为主，暂不予以处罚.至今，“抢黄灯罚不罚”及“黄灯政策如何制定”问题已成为道路交通安全领域的研究热点.

国内外学者对黄灯期间的驾驶员行为展开大量研究.Yan等利用驾驶模拟器对黄灯期间驾驶员行为进行研究并提出一种新的防范措施[1]；Hurwitz等建立Fuzzy Logic模型描述“黄灯困境区”的驾驶员行为[2]；孙志强等将驾驶员行为分为四种：进退两难、减速停车、匀速通过和选择通过，并构建了驾驶员反应模型[3]；龙科军等根据黄灯启亮时车辆位置和速度两个因素，建立驾驶员决策模型[4]；李克平等建议在车辆不超速、不闯红灯条件下，应允许车辆在黄灯期间通过停止线[5].

现有研究数据主要来源于人工检测和模拟仿真.人工检测费时费力，采集的交通参数有限；仿真方法是实际交通场景的理想化处理，受约束条件限制.本文采用视频检测方法，数据来源于实际交叉口，真实可靠.在前人“黄灯困境区”和驾驶员行为研究的基础上，建立黄灯期间驾驶员“停车/行进”决策模型和“抢黄灯”行为结果模型，并进一步分析了“抢黄灯”和“闯红灯”的关系，给出决策建议.

2 基本方法

2.1 视频检测技术

机动车数据采集方法分为人工检测法和自动检测法.人工检测法为人工手动计数，费时费力，不适宜长时间数据采集.自动检测法指利用感应线圈检测器、GPS检测器、激光检测器、视频检测器等进行数据采集的方法.感应线圈检测器、激光检测器、GPS检测器等安装困难、维护成本高.视频检测器安装方便，不需要破坏路面；检测范围广，可以同时检测多条车道的车辆；可视性好，可以实时监控，反复播放，已成为一种有着很好发展前景的交通检测方法[6].

交叉口附近交通环境复杂，采集数据涉及车辆运行状况、信号配时和交叉口设计等信息，检测范围广，采集参数多，视频检测器显示出巨大优势.本文基于视频检测数据，以计算机视觉和模式识别为主要技术手段，开发驾驶员行为的自动检测系统，并用实际交通视频进行验证，分析系统运行结果的可靠性，为驾驶员行为模型的建立提供基础数据.

2.2 Logistic回归模型

Logistic回归模型是针对二分类或多分类因变量建立的回归模型，主要用来预测一组自变量与离散因变量之间的关系，常用的是二元Logistic回归模型，用 y=1表示发生，y=0表示不发生. Logistic模型可以很好地描述选择行为的结果，为驾驶员行为研究提供一种方便的框架结构，表示因果关系[7-10].

本文选用黄灯启亮时车辆到停止线距离、速度以及黄灯启亮后车辆加速度为自变量，驾驶员的决策行为结果为因变量，建立Logistic回归模型.根据黄灯期间的驾驶员行为结果，分别建立“停车/行进”决策行为模型和“抢黄灯”行为结果模型.

黄灯启亮后驾驶员的行为结果分为安全停车和“抢黄灯”两类：安全停车，即红灯启亮前在停止线前停车；“抢黄灯”，即黄灯启亮后通过停止线.据此建立“停车/行进”决策行为模型.“抢黄灯”行为结果包括“闯红灯”和顺利通过.“闯红灯”，即红灯启亮后通过停止线；顺利通过，即在红灯启亮前通过停止线.据此建立“抢黄灯”行为结果模型.

3 数据采集与分析

3.1 数据采集

调查地点分别为“闹市口大街—宣武门西大街”西进口和“中关村东路—成府路”东进口，采用摄像法进行观测.两个交叉口的几何尺寸和信号配时如表1所示.其中“闹市口大街—宣武门西大街”西进口黄灯时长为4 s，宣武门西大街为城市主干道，限速60 km/h，获取视频时长11.5 h，共采集有效样本数为570个；“中关村东路—成府路”东进口黄灯时长为4 s，成府路为城市次干道，限速40 km/h，获取视频时长2.5 h，由于行人流量较大，混合交通流相互遮挡，有效样本数仅为69个.

表1 调查交叉口基本特征Table 1 Basic characteristics of the observed intersection

3.2 数据处理

针对交叉口的特征，开发了基于视频技术的检测系统.系统分为6个模块：区域选择模块、前景检测模块、跟踪模块、坐标转换模块、信号配时检测模块和参数提取模块.在区域选择模块，为提高系统的运算速度，选择感兴趣的区域进行处理，可以根据模型需要，设置检测车道和长度.在前景检测模块,改进传统的CodeBook算法，可以有效去除噪音，提取相对完整的运动车辆.在跟踪模块，采用Kalman滤波方法，根据车辆的运行轨迹，预测车辆在下一帧的可能位置，在一定范围内进行搜索，完成跟踪，该算法简单有效，在车辆慢行或停止状态下也能进行准确跟踪.在坐标转换模块，根据几何成像原理，完成摄像机拍摄的数字图形坐标系和实际物理空间坐标系之间的映射换算，参照交叉口人行横道斑马线坐标，建立世界坐标与图像坐标之间的函数关系，得到图像中目标点的现实坐标.在信号配时检测模块，根据信号灯颜色，可以自动实时检测信号灯相位.在参数提取模块，与信号配时结合，提取黄灯启亮时车辆车头到停止线的距离及黄灯结束后车辆通过情况（安全停车、闯红灯和顺利通过）；根据车辆的坐标变化，提取黄灯启亮时车辆速度及黄灯启亮1s后车辆加速度.软件开发环境为Microsoft Visual Studio 2010，主要采用C语言，基于OpenCV实现.图1为系统检测到驾驶员行为结果为“安全停车”的界面.

图1 检测系统截屏Fig.1 Snapshot of the detection system

3.3 数据分析

3.3.1 变量说明

s——黄灯启亮时车辆车头到停止线的距离；

v——黄灯启亮时车辆的瞬时速度；

a——黄灯启亮1 s后车辆的加速度.

通过情况

顺利通过：红灯启亮前通过停止线；

闯红灯：红灯启亮后通过停止线；

安全停车：黄灯期间在停止线前停车.

3.3.2.样本分析

将“闹市口大街—宣武门西大街”西进口570个样本数据按距离和速度属性分布在s-v平面上，如图2所示，实线表示减速停车线，用式(1)表示；虚线表示匀速通过线，用式（2）表示.

式中 s1——驾驶员采取制动决策时的减速停车距离(m)；

v——车辆行驶速度(m/s)；

t1——驾驶员感知反应时间，通常取1 s；

a——车辆制动减速度，本文取3 m/s2；

s2——车辆在黄灯期间的匀速通行距离(m)；

t2——黄灯时长.

图2 车辆通行情况分布图Fig.2 Distribution of vehicle passing status

根据图2车辆通行情况分布图，对黄灯期间的驾驶员决策进行分类分析.

安全停车车辆分析：82%的“安全停车”样本分布在“减速停车线”上方.曲线下方分布的样本制动减速度大于3 m/s2，容易造成紧急刹车追尾.

顺利通过车辆分析：“顺利通过”样本全部在“匀速通过线”下方，87%分布在“减速停车线”下方，说明当车辆距离停止线在一定范围内可以保持原速度匀速通过交叉口.但采集数据显示约有50%“顺利通过车辆”采取加速通过决策，导致车辆进入交叉口速度过大，容易导致交通事故.

闯红灯车辆分析：由于观测交叉口限速较低，采集样本中不存在“黄灯困境”现象.89%的“闯红灯”样本集中在“减速停车曲线”和“匀速通过线”之间的“安全区域”，该区域应为既可采取制动决策，又可采取通过决策的“安全区域”.这些车辆的加速度从小于0过渡到大于0，说明驾驶员采取先刹车制动，后加速进入交叉口的决策行为，由此推断犹豫型驾驶员更容易闯红灯.11%的闯红灯车辆存在于“匀速通过线”上方，这些车辆在黄灯启亮时距停止线足够远，却采取“强行通过”决策导致闯红灯.

4 模型建立

驾驶员决策行为分为：安全停车（红灯启亮后在停止线前停车）和抢黄灯（黄灯启亮后通过停止线），依此运用二项Logistic回归建立“停车/行进”决策行为模型.抢黄灯行为结果分为：闯红灯和顺利通过，运用二项Logistic回归建立“抢黄灯”行为结果模型.

4.1 “停车/行进”决策行为模型

将黄灯启亮时，驾驶员的决策行为设为安全停车=0，抢黄灯=1.自变量选取黄灯启亮时车辆距停止线的距离，当时的瞬时车速和黄灯启亮后的加速度.

观察模型回归结果，分别进行以下四项检验：

（1）回归方程的显著性，模型卡方概率值Sig.=0.000，统计性显著，检验通过；

（2）拟合优度检验，Hosmer and Lemeshow值的概率为0.658＞0.05，且伪R方值均大于0.6，统计性显著，检验通过；

（3）回归系数的显著性检验，三个特型变量Wald值均远大于6.635，概率值均为Sig.=0.000，统计性显著，检验通过；

（4）模型预测检验，预测的准确率为91.4%＞90%，检验通过.

根据参数估计及校验结果，确定抢黄灯概率模型为

式中 g0——安全停车行为的效用函数；

g1——抢黄灯行为的效用函数.

4.2 “抢黄灯”行为结果模型

“抢黄灯”行为结果设为顺利通过=0，闯红灯=1.根据模型回归结果，分别进行以下检验：

（1）回归方程的显著性，模型卡方概率值Sig.=0.000，统计性显著，检验通过；

（2）拟合优度检验，Hosmer and Lemeshow值的概率为0.546＞0.05，且伪R方值均大于0.6，统计性显著，检验通过；

（3）回归系数的显著性检验，三个特型变量Wald值均远大于6.635，概率值均为Sig.=0.000，统计性显著，检验通过；

（4）模型预测检验，预测的准确率为97.5%＞95%，检验通过.

根据参数估计及校验结果，确定闯红灯概率模型为

5 决策建议

以5 m为间隔对车辆到停止线距离0–50 m进行划分，根据“抢黄灯”行为结果模型，以判断距离区间上界代入，计算得加速度为0，顺利通过概率大于闯红灯概率的速度临界值，定义为“最小匀速通过速度”，对各距离区间计算，结果如表2所示.

根据表1结果，给出表3黄灯启亮时驾驶员不同判断距离、速度状态下的决策建议.

表2 驾驶员在预判距离后顺利通过的速度临界值计算Table 2 Critical passing speed based on expected distance

表3 黄灯期间驾驶员决策建议Table 3 Suggestions to drivers during yellow change interval

根据表3，将639个样本划分距离区段，随机多次抽取一定比例驾驶员听从决策建议取平均，得到图3不同比例听从决策建议与实际检测通过情况的对比分析结果.依据驾驶员的听从比例，闯红灯比例从实际检测的3.4%逐渐下降到0，顺利通过比例从50.4%逐渐上升到61.7%，且听从比例越大，效果越明显.因此，为驾驶员提供的决策建议既能减少车辆闯红灯的几率，也能增大黄灯期间交叉口的通行能力，达到提高安全和效率的效果.考虑驾驶员性格等因素，有些驾驶员不会听从建议，在制定相关政策时，按照听从“诱导信息”的随机用户比例确定决策建议.

图3 不同比例听从决策建议与实际检测通过情况对比分析Fig.3 Comparison of passing status with different proportion of drivers following suggestion

6 研究结论

以黄灯期间驾驶员行为为研究对象，根据摄像法采集交叉口数据，开发基于视频技术的检测系统，可以得到黄灯启亮时车辆距离停止线的距离、速度、加速度和车辆的最后通过情况，从而建立驾驶员决策行为模型和行为结果模型，并由模型分析给出不同状态下的驾驶员决策建议.

[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]孙志强,杨建国，王忠民，等.混杂交通微观仿真中驾驶员对黄信号灯的反应行为模型[J].西安交通大学学报,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]龙科军,何林儒，韩立.黄灯期间信号交叉口的驾驶员行为[J].系统工程,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,杨佩昆，倪颖.城市道路交叉口信号控制中的黄灯问题[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录用日期：2014-10-13

国家自然科学基金青年科学基金项目(51308038)；教育部人文社会科学研究青年基金项目（13YJCZH082）；中央高校基本科研业务费专项资金资助项目（2013JBM051）.

李娟（1980-），女，山东德州人，讲师，博士. ＊

：juanli@bjtu.edu.cn