基于5G技术的交通事故判别方法

刘吕亮， 石红春， 朱彬

(常德职业技术学院,机电与信息工程系，湖南，常德 415000)

0 引言

交通运输行业高速发展，交通事故已成为人类生命以及财产的重要威胁，交通领域研究学者针对交通事故判别进行大量研究。交通事故判别方法的精准性对于提升交通运输行业安全性具有重要意义[1-3]。道路交通事故通常由于疲劳驾驶、醉酒驾驶、超速驾驶等众多原因所造成，交通事故判别的实时性极为重要[4-5]。

交通事故判别受道路状况、天气情况、交通流量、驾驶员状态等众多因素影响[3]，众多影响因素增加了交通事故判别复杂性，高效的判别技术可通过捕捉事故发生相关性实现交通事故精准判别。通信网络的高效传输可提升交通数据采集的实时性，交通数据的实时采集、传输对通信网络速率和带宽要求较高，高效的网络通信技术极为重要，为此，赵海涛等[6]研究基于深度学习的车联边缘网络交通事故风险预测算法，冯建国等[7]研究基于SVM的危货车驾驶员饮水分心判别模型分别采用深度学习算法以及SVM方法实现交通事故的预测与判别并取得一定成效。

第五代移动通信技术(简称5G)伴随移动通信技术高速发展而诞生，具有低功耗、大连接、低时延、广域覆盖以及热点高容量的优势。为了提高交通事故判别精度，提出基于5G技术的交通事故判别方法，将5G移动通信技术应用于车联网中，交通现场发生事故时，通过车联网采集事故现场视频，采用5G技术发送至车联网控制终端，通过高效的交通事故判别方法实现交通事故高效判别，将判别结果发送至相关部门，相关部门管理人员及时处理交通事故，为维持安全稳定的交通路况提供依据。

1 基于5G技术的交通事故判别方法

1.1 基于5G技术的交通事故判别

基于5G技术的交通事故判别方法通过路边微云以及5G基站采集交通环境、车辆行驶信息发送至边缘服务器，边缘服务器预处理交通数据流并发送至核心车联网内[8]，车联网内的集中式云计算中心通过交通事故判别方法实现交通事故的精准判别。基于5G技术的交通事故判别结构如图1所示。

图1 5G技术的交通事故判别结构图

从图1可以看出，交通事故判别通信是用5G移动通信技术实现的[9]。车联网的智能交通环境管理中，通过5G通信网络可以实现交通事故判别低延时、高传输速率要求。

1.2 5G技术

车辆事故判别车联网内的5G通信技术选取混合机制作为通信机制[10]，采用群签名的阈值签名方法提升移动通信网络传输性能以及安全性能。群签名的阈值签名方法主要包括建立、生成、签署、协同以及验证等5部分。权威机构通过建立阶段生成车辆系统参数以及用户参数，设存在注册车联网服务的车辆数量为n，此时可生成多项式如下：

(1)

式中，ai与xi分别表示车辆参数以及用户参数,Sk表示权威机构的私钥,Pk表示权威机构的公钥。将相同区域内n个车辆划分小组数量为r，用σi表示小组i的公共信息，可得小组i的私钥与公钥分别为Ski=f(σi)以及Pki。

1.3 交通事故判别算法

1.3.1 运动目标速度计算

所采集视频图像相邻帧时间差较短，运动目标可视为匀速直线运行，用P(xk-1,yk-1)与P(xk,yk)分别表示前景运动目标内k-1帧与k帧质心点坐标，依据质心坐标值获取运动目标形式速度计算式为

(2)

式中，vk表示帧数时的运动目标行驶速度，Δt表示相邻帧图像的时间差。

1.3.2 车辆加(减)速度计算

依据目标车辆速度获取各帧图像内目标车辆速度变化，可得车辆加(减)速度如下：

(3)

式中，ak与Δt分别表示帧数为k时目标车辆加速度以及相邻图像时间差。

1.3.3 行驶方向特征提取

通过车辆行驶轨迹描述车辆运动过程，提取目标车辆相邻两帧图像于图像坐标系内质心坐标点，计算连接两个质心点直线的斜率：

(4)

所获取斜率即可体现运动目标行驶方向。

依据所计算直线斜率的反正切函数获取直线倾斜角弧度值：

(5)

充分考虑车辆行驶过程中加速、减速以及转向情况，利用弧度值θk的变化率表示目标车辆运动方向变化情况，可得：

(6)

通过以上步骤获取车辆视频内前景目标的运动信息，利用运动信息获取目标车辆的行驶方向、速度以及轨迹信息。

1.3.4 多参数的交通事故判别方法

交通车辆的长、宽等参数存在较大差异，车辆行驶过程中可能出现遮挡情况。遮挡车辆容易被判别为交通事故，车辆遮挡与车辆交通事故存在较大的特征差异，通过多参数方法判别交通事故避免由于车辆遮挡造成交通事故误判别情况。通过冲突车辆碰撞前行驶方向弧度值、速度等信息判别车辆是否发生遮挡现象。2个车辆行驶方向弧度值、车辆速度未出现突变情况时，表明2个车辆为遮挡情况，并未发生交通事故现象。依据上文所获取行驶方向弧度值变化率θ、车辆冲突后持续时间t以及车辆减速度a判别交通事故。交通事故自动判别流程如图2所示。

图2 交通事故自动判别流程图

在实际发生交通事故时，提取目标车辆运动信息，计算其运动方向、速度等特征，基于此判断图像中的目标车辆是否存在重合、方向变化率加速度以及时间是否大于阈值，最终判断其是否为交通事故。

设目标车辆行驶方向弧度值变化率阈值以及车辆减速度阈值分别为θ0与a0，车辆冲突后持续时间阈值为t0，通过以下2部分实现交通事故判别。

(1)视频中2个车辆前景重合时，获取2个车辆于连续图像序列中的行驶方向弧度值以及速度值，并将所获取数值与阈值对比。所获取数值小于阈值时，表明车辆前景重合情况由于遮挡所造成，此时不存在交通事故；所获取数值大于已设定阈值时，表明车辆目标特征存在突变情况，目标车辆减速后停止且持续时间大于设定阈值时，存在交通事故；持续时间小于阈值时，说明虽发生交通冲突情况，但未发生交通事故。

(2)2个目标车辆经过短暂重合快速分离情况下，计算前景重合分离的目标车辆在相连帧图像序列内行驶方向弧度值以及速度值，依据所获取数值判别交通事故：所获取数值小于已设定阈值时，说明2个目标车辆均保持较为稳定的特性变化情况，此时2个目标车辆不存在冲突现象，车辆已全部保持正常行驶；所获取数值大于已设定阈值时，说明目标特征值存在突变情况，目标减速停止持续时间大于已设定阈值时，存在交通事故情况；目标减速停止持续时间小于已设定阈值时，表明驾驶员通过转向以及减速等措施避免交通事故发生。

2 实例分析

为检测本文所研究5G技术的交通事故判别方法判别交通事故有效性，选取某市交通较繁华路段监控视频作为实验对象，该路段视频拍摄摄像头位于道路正上方，所选取路段车流量较多，时有交通事故发生。采用MATLAB仿真软件选取交通事故情况模拟交通通行状况，统计采用本文方法使用5G移动通信网络传输视频数据时身份认证有效性，本文方法传输8种交通事故视频时的签名与认证开销如图3所示。从图3可以看出，本文方法采用5G通信技术认证身份时，证书认证为身份认证的主要开销。本文方法认证不同类型交通事故时的身份认证总时间开销均低于7 ms。本文方法由于采用群签名的阈值签名方法，具有较低的时间开销，可节省大量时间，提升交通事故判别实时性。

图3 签名与认证开销

统计采用本文方法判别不同视频大小的交通事故视频信息加密签名所需时间代价，并将本文方法与深度学习方法(文献[6])以及SVM方法(文献[7])对比，对比结果如图4所示。从图4实验结果可以看出，采用本文方法对不同视频大小时的加密签名时间开销均低于另两种方法。本文方法由于采用5G移动通信技术，可在短时间内将车辆视频发送至车联网内，节省大量时间。

统计采用本文方法传输不同大小车辆视频数据时的峰值传输速度，统计结果如图5所示。从图5可以看出，本文方法传输大小为2 GB的交通现场视频，峰值传输速度可高达105.3 GB/s，比对比方法有较快的视频传输速度。

设交通路况视频中存在A、B 2个车辆，依据2个目标车辆质心坐标值获取车辆在相邻帧图像间的移动像素距离。车辆正常行驶时像素距离变化过程结果如图6所示。本文方法图像坐标系内像素距离无须转化至三维世界坐标，通过图像透视现象可知视频内未存在正常行驶受干扰车辆。视频内连续图像序列相邻图像移动像素有所降低，且像素距离降低过程区域稳定，说明两车辆均为正常行驶。

图6 正常行驶时质心移动距离

统计视频图像中形成冲突时车辆质心移动距离，依据视频运动前景内最小外接矩形框获取目标车辆存在冲突状态以及冲突渐渐消失后的车辆质心坐标获取车辆行驶轨迹，统计结果如图7所示。从图7实验结果可以看出：正常行驶时，2个目标车辆质心移动像素较为稳定；视频进入869帧时，2个目标车辆发生冲突，变为相同的运动目标，质心像素距离边缘渐渐与冲突前相同，此时目标车辆冲突未影响车辆行驶状态，判定此次车辆冲突是由于车辆阴影以及遮挡情况所造成的。

图7 形成冲突过程中质心移动距离

统计2个目标车辆碰撞时目标车辆速度变化结果如图8所示。标定连续帧图像目标车辆行驶距离，获取目标车辆行驶速度。目标车辆碰撞的交通事故速度变化结果如图8所示。从图8实验结果可以看出：618-621帧为目标车辆碰撞前运动过程，此时目标车辆分别运动，存在2个行驶车辆；622帧车辆发生碰撞，此时车辆合并至相同运动目标，直至626帧图像中车辆回到独立形式状态。依据图中速度下降以及车辆行驶目标变化情况，判别目标车辆存在冲突情况。以上过程验证采用本文方法判别交通事故有效性。

图8 碰撞过程中速度变化

为有效验证本文方法判别交通事故的精准性，统计采用本文方法判别交通事故的判别精度。图像中存在噪声、天气以及光照变化等情况均可能造成判别出现误差导致精度下降，交通事故判别精度影响交通稳定。统计采用本文方法判别不同类型交通事故的判别精度，并将本文方法与SVM方法以及深度学习方法比较，结果如图9所示。从图9实验结果可以看出，采用本文方法判别不同类型交通事故均具有较高的判别精度。本文方法判别不同类型交通事故的判别精度均高于99.5%，明显高于另2种方法，验证本文方法的交通事故判别有效性。本文方法采用5G移动通信技术，具有较高的通信性能，为交通事故精准判别提供数据基础，可应用于实际车联网交通事故管理中。

图9 交通事故判别精度

3 总结

将5G技术应用于交通事故判别中，通过采用5G技术的车联网采集交通事故视频信息，并将视频信息通过5G移动通信技术快速发送至车联网控制终端，车联网控制终端通过高效交通事故判别方法实现交通事故精准判别。通过实验验证该方法具有较高的交通事故判别有效性，该方法所采用5G技术可实现视频数据高速传输，具有较低的时延，交通事故判别结果精准性较高，可应用于智能交通系统的车联网内判别交通事故中。