基于5G技術的交通事故判別方法

劉呂亮， 石紅春， 朱彬

(常德職業技術學院,機電與信息工程系，湖南，常德 415000)

0 引言

交通運輸行業高速發展，交通事故已成為人類生命以及財產的重要威脅，交通領域研究學者針對交通事故判別進行大量研究。交通事故判別方法的精準性對于提升交通運輸行業安全性具有重要意義[1-3]。道路交通事故通常由于疲勞駕駛、醉酒駕駛、超速駕駛等眾多原因所造成，交通事故判別的實時性極為重要[4-5]。

交通事故判別受道路狀況、天氣情況、交通流量、駕駛員狀態等眾多因素影響[3]，眾多影響因素增加了交通事故判別復雜性，高效的判別技術可通過捕捉事故發生相關性實現交通事故精準判別。通信網絡的高效傳輸可提升交通數據采集的實時性，交通數據的實時采集、傳輸對通信網絡速率和帶寬要求較高，高效的網絡通信技術極為重要，為此，趙海濤等[6]研究基于深度學習的車聯邊緣網絡交通事故風險預測算法，馮建國等[7]研究基于SVM的危貨車駕駛員飲水分心判別模型分別采用深度學習算法以及SVM方法實現交通事故的預測與判別并取得一定成效。

第五代移動通信技術(簡稱5G)伴隨移動通信技術高速發展而誕生，具有低功耗、大連接、低時延、廣域覆蓋以及熱點高容量的優勢。為了提高交通事故判別精度，提出基于5G技術的交通事故判別方法，將5G移動通信技術應用于車聯網中，交通現場發生事故時，通過車聯網采集事故現場視頻，采用5G技術發送至車聯網控制終端，通過高效的交通事故判別方法實現交通事故高效判別，將判別結果發送至相關部門，相關部門管理人員及時處理交通事故，為維持安全穩定的交通路況提供依據。

1 基于5G技術的交通事故判別方法

1.1 基于5G技術的交通事故判別

基于5G技術的交通事故判別方法通過路邊微云以及5G基站采集交通環境、車輛行駛信息發送至邊緣服務器，邊緣服務器預處理交通數據流并發送至核心車聯網內[8]，車聯網內的集中式云計算中心通過交通事故判別方法實現交通事故的精準判別。基于5G技術的交通事故判別結構如圖1所示。

圖1 5G技術的交通事故判別結構圖

從圖1可以看出，交通事故判別通信是用5G移動通信技術實現的[9]。車聯網的智能交通環境管理中，通過5G通信網絡可以實現交通事故判別低延時、高傳輸速率要求。

1.2 5G技術

車輛事故判別車聯網內的5G通信技術選取混合機制作為通信機制[10]，采用群簽名的閾值簽名方法提升移動通信網絡傳輸性能以及安全性能。群簽名的閾值簽名方法主要包括建立、生成、簽署、協同以及驗證等5部分。權威機構通過建立階段生成車輛系統參數以及用戶參數，設存在注冊車聯網服務的車輛數量為n，此時可生成多項式如下：

(1)

式中，ai與xi分別表示車輛參數以及用戶參數,Sk表示權威機構的私鑰,Pk表示權威機構的公鑰。將相同區域內n個車輛劃分小組數量為r，用σi表示小組i的公共信息，可得小組i的私鑰與公鑰分別為Ski=f(σi)以及Pki。

1.3 交通事故判別算法

1.3.1 運動目標速度計算

所采集視頻圖像相鄰幀時間差較短，運動目標可視為勻速直線運行，用P(xk-1,yk-1)與P(xk,yk)分別表示前景運動目標內k-1幀與k幀質心點坐標，依據質心坐標值獲取運動目標形式速度計算式為

(2)

式中，vk表示幀數時的運動目標行駛速度，Δt表示相鄰幀圖像的時間差。

1.3.2 車輛加(減)速度計算

依據目標車輛速度獲取各幀圖像內目標車輛速度變化，可得車輛加(減)速度如下：

(3)

式中，ak與Δt分別表示幀數為k時目標車輛加速度以及相鄰圖像時間差。

1.3.3 行駛方向特征提取

通過車輛行駛軌跡描述車輛運動過程，提取目標車輛相鄰兩幀圖像于圖像坐標系內質心坐標點，計算連接兩個質心點直線的斜率：

(4)

所獲取斜率即可體現運動目標行駛方向。

依據所計算直線斜率的反正切函數獲取直線傾斜角弧度值：

(5)

充分考慮車輛行駛過程中加速、減速以及轉向情況，利用弧度值θk的變化率表示目標車輛運動方向變化情況，可得：

(6)

通過以上步驟獲取車輛視頻內前景目標的運動信息，利用運動信息獲取目標車輛的行駛方向、速度以及軌跡信息。

1.3.4 多參數的交通事故判別方法

交通車輛的長、寬等參數存在較大差異，車輛行駛過程中可能出現遮擋情況。遮擋車輛容易被判別為交通事故，車輛遮擋與車輛交通事故存在較大的特征差異，通過多參數方法判別交通事故避免由于車輛遮擋造成交通事故誤判別情況。通過沖突車輛碰撞前行駛方向弧度值、速度等信息判別車輛是否發生遮擋現象。2個車輛行駛方向弧度值、車輛速度未出現突變情況時，表明2個車輛為遮擋情況，并未發生交通事故現象。依據上文所獲取行駛方向弧度值變化率θ、車輛沖突后持續時間t以及車輛減速度a判別交通事故。交通事故自動判別流程如圖2所示。

圖2 交通事故自動判別流程圖

在實際發生交通事故時，提取目標車輛運動信息，計算其運動方向、速度等特征，基于此判斷圖像中的目標車輛是否存在重合、方向變化率加速度以及時間是否大于閾值，最終判斷其是否為交通事故。

設目標車輛行駛方向弧度值變化率閾值以及車輛減速度閾值分別為θ0與a0，車輛沖突后持續時間閾值為t0，通過以下2部分實現交通事故判別。

(1)視頻中2個車輛前景重合時，獲取2個車輛于連續圖像序列中的行駛方向弧度值以及速度值，并將所獲取數值與閾值對比。所獲取數值小于閾值時，表明車輛前景重合情況由于遮擋所造成，此時不存在交通事故；所獲取數值大于已設定閾值時，表明車輛目標特征存在突變情況，目標車輛減速后停止且持續時間大于設定閾值時，存在交通事故；持續時間小于閾值時，說明雖發生交通沖突情況，但未發生交通事故。

(2)2個目標車輛經過短暫重合快速分離情況下，計算前景重合分離的目標車輛在相連幀圖像序列內行駛方向弧度值以及速度值，依據所獲取數值判別交通事故：所獲取數值小于已設定閾值時，說明2個目標車輛均保持較為穩定的特性變化情況，此時2個目標車輛不存在沖突現象，車輛已全部保持正常行駛；所獲取數值大于已設定閾值時，說明目標特征值存在突變情況，目標減速停止持續時間大于已設定閾值時，存在交通事故情況；目標減速停止持續時間小于已設定閾值時，表明駕駛員通過轉向以及減速等措施避免交通事故發生。

2 實例分析

為檢測本文所研究5G技術的交通事故判別方法判別交通事故有效性，選取某市交通較繁華路段監控視頻作為實驗對象，該路段視頻拍攝攝像頭位于道路正上方，所選取路段車流量較多，時有交通事故發生。采用MATLAB仿真軟件選取交通事故情況模擬交通通行狀況，統計采用本文方法使用5G移動通信網絡傳輸視頻數據時身份認證有效性，本文方法傳輸8種交通事故視頻時的簽名與認證開銷如圖3所示。從圖3可以看出，本文方法采用5G通信技術認證身份時，證書認證為身份認證的主要開銷。本文方法認證不同類型交通事故時的身份認證總時間開銷均低于7 ms。本文方法由于采用群簽名的閾值簽名方法，具有較低的時間開銷，可節省大量時間，提升交通事故判別實時性。

圖3 簽名與認證開銷

統計采用本文方法判別不同視頻大小的交通事故視頻信息加密簽名所需時間代價，并將本文方法與深度學習方法(文獻[6])以及SVM方法(文獻[7])對比，對比結果如圖4所示。從圖4實驗結果可以看出，采用本文方法對不同視頻大小時的加密簽名時間開銷均低于另兩種方法。本文方法由于采用5G移動通信技術，可在短時間內將車輛視頻發送至車聯網內，節省大量時間。

統計采用本文方法傳輸不同大小車輛視頻數據時的峰值傳輸速度，統計結果如圖5所示。從圖5可以看出，本文方法傳輸大小為2 GB的交通現場視頻，峰值傳輸速度可高達105.3 GB/s，比對比方法有較快的視頻傳輸速度。

設交通路況視頻中存在A、B 2個車輛，依據2個目標車輛質心坐標值獲取車輛在相鄰幀圖像間的移動像素距離。車輛正常行駛時像素距離變化過程結果如圖6所示。本文方法圖像坐標系內像素距離無須轉化至三維世界坐標，通過圖像透視現象可知視頻內未存在正常行駛受干擾車輛。視頻內連續圖像序列相鄰圖像移動像素有所降低，且像素距離降低過程區域穩定，說明兩車輛均為正常行駛。

圖6 正常行駛時質心移動距離

統計視頻圖像中形成沖突時車輛質心移動距離，依據視頻運動前景內最小外接矩形框獲取目標車輛存在沖突狀態以及沖突漸漸消失后的車輛質心坐標獲取車輛行駛軌跡，統計結果如圖7所示。從圖7實驗結果可以看出：正常行駛時，2個目標車輛質心移動像素較為穩定；視頻進入869幀時，2個目標車輛發生沖突，變為相同的運動目標，質心像素距離邊緣漸漸與沖突前相同，此時目標車輛沖突未影響車輛行駛狀態，判定此次車輛沖突是由于車輛陰影以及遮擋情況所造成的。

圖7 形成沖突過程中質心移動距離

統計2個目標車輛碰撞時目標車輛速度變化結果如圖8所示。標定連續幀圖像目標車輛行駛距離，獲取目標車輛行駛速度。目標車輛碰撞的交通事故速度變化結果如圖8所示。從圖8實驗結果可以看出：618-621幀為目標車輛碰撞前運動過程，此時目標車輛分別運動，存在2個行駛車輛；622幀車輛發生碰撞，此時車輛合并至相同運動目標，直至626幀圖像中車輛回到獨立形式狀態。依據圖中速度下降以及車輛行駛目標變化情況，判別目標車輛存在沖突情況。以上過程驗證采用本文方法判別交通事故有效性。

圖8 碰撞過程中速度變化

為有效驗證本文方法判別交通事故的精準性，統計采用本文方法判別交通事故的判別精度。圖像中存在噪聲、天氣以及光照變化等情況均可能造成判別出現誤差導致精度下降，交通事故判別精度影響交通穩定。統計采用本文方法判別不同類型交通事故的判別精度，并將本文方法與SVM方法以及深度學習方法比較，結果如圖9所示。從圖9實驗結果可以看出，采用本文方法判別不同類型交通事故均具有較高的判別精度。本文方法判別不同類型交通事故的判別精度均高于99.5%，明顯高于另2種方法，驗證本文方法的交通事故判別有效性。本文方法采用5G移動通信技術，具有較高的通信性能，為交通事故精準判別提供數據基礎，可應用于實際車聯網交通事故管理中。

圖9 交通事故判別精度

3 總結

將5G技術應用于交通事故判別中，通過采用5G技術的車聯網采集交通事故視頻信息，并將視頻信息通過5G移動通信技術快速發送至車聯網控制終端，車聯網控制終端通過高效交通事故判別方法實現交通事故精準判別。通過實驗驗證該方法具有較高的交通事故判別有效性，該方法所采用5G技術可實現視頻數據高速傳輸，具有較低的時延，交通事故判別結果精準性較高，可應用于智能交通系統的車聯網內判別交通事故中。