Blik op het Wegennet



Bliko opheetW Weegeenn nett M Moge lijkhedenvanvid deomo onitorringin nNede erland d



N.S.vande enBosch

      

BlikophetWegennet MogelijkhedenvanvideomonitoringinNederland

AfstudeerrapportN.S.vandenBosch juli2007

TechnischeUniversiteitDelft FaculteitCivieleTechniekenGeowetenschappen SectieTransport&Planning Stevinweg1 2628CNDelft



AdviesdienstVerkeerenVervoer Testcentrumverkeerssystemen Kluyverweg4 2629HTDelft Afstudeercommissie: Prof.Dr.Ir.S.P.Hoogendoorn Ir.T.Muller F.KarimiNejadasl  Ir.P.B.L.Wiggenraad Ing.J.N.vanBergen Dr.W.J.J.Knibbe

  TUDelft TUDelft TUDelft TUDelft AVV AVV

 

Copyright©Nietsuitdezeuitgavemagwordenverveelvoudigdopwelkewijzedanook zonderuitdrukkelijketoestemming.

Voorwoord



Voorwoord Hetmenselijklichaamiseengenialedetector.Metonzezintuigenwordencontinumetingengedaan.Via zenuwengaandegegevensrichtinghetruggenmerg.Eengedeeltevandesignalenwordthierverwerkt en zorgt zonder tussenkomst van de hersenen voor de aansturing van spieren. De overige informatie wordtindehersenenverwerkt.Voordeaansturingvanonslichaamwordenpersecondeontelbaarveel gegevensverwerkt,waarbijhetzichcontinuaanpastaandesituatie.Demooistebronvaninformatieblijft natuurlijk het oog. Met alle andere zintuigen is een goede indicatie te geven van de omstandigheden, maarwegelovenhetpasalswehetmeteigenogenhebbengezien. Een inleiding met een hoog biologie gehalte voor een verkeerskundig onderzoek. Afgelopen maanden blekenechterdeovereenkomstengroottezijn.OphetNederlandsehoofdwegennetwordtcontinugeǦ meten.Viawegkantsystemenwordendegegevensmeteenverwerktofdeaansturingvindplaatsvanuit eencentraleruimte,deverkeerscentrale.Echterwatgebeurtnuwerkelijkopdeweg.VoldoendeindicatoǦ renzijnaanwezigombetrouwbareuitsprakentedoenoverdeverkeerssituatie.MaarhetinzichtelijkmaǦ kenvandewerkelijkesituatieisalleenmogelijkmetbeelden.HetmonitoringsysteemmistzijnwaarneǦ mingsorgaan. DeafgelopenmaandenhebikmijhethoofdgebrokenoverdevraaghoeeennieuwverkeerskundigzinǦ tuiginhethuidigesysteempast.Netzoalshetoogblijktvideoeencomplexengevoeligedetectortezijn. Belangrijkisdepositie,deoverdrachtvandegegevens,deverwerkingenhetaansturenvandesystemen. Naruimeenhalfjaarafstuderenishettijdomeenpunttezettenachterditinteressanteonderwerpente beginnenaaneennieuwelevensfase,namelijkdatvaneenburger. Tenslottewilikeenaantalmensenviadezewegbedankenvoorhunmedewerking,opwelkemanierdan ook,aanditafstudeerrapport.AllereerstSergeHoogendoorn,diemijheeftkunnenstrikkenoméénvan depionierstezijnvanhetEdulab.GezienzijnenthousiasmevoorhetITSEdulabverwachtikdekomende jarennogvakerexǦstudententegentekomendieinhetITSEdulabhunstudiehebbenafgesloten.Binnen deAdviesdienstVerkeerenVervoerhebbenJoopvanBergenenWillemJanKnibbemijwegwijsgemaakt. Voor de videobewerking kon ik altijd aankloppen bij Fatameh Karimi en op mijn beurt heb ik haar wat verkeerskundeovergedragen.VerdernogJanBaanvanTNO,diedevideodatabeschikbaarheeftgesteld en Wouter Favoreel van Traficon, die mij  in België heeft bijgepraat over videomonitoring en alles wat daarbijkomtkijken. Delftjuli2007,   NielsvandenBosch  







3

4



BlikophetWegennet

Afkortingenenbegrippen                                       

                                      

AutomatischeIncidentDetectie BerkleyHighwayLaboratory BeslissingsOnderSteunendSysteem BureauVerkeershandhavingOpenbaarMinisterie CentraalDRIPsManagementSysteem CentraalToeritdoseerManagementSysteem DynamischeOpenbareVerlichting DynamischRouteInformatiePaneel DynamischeRijstrookMarkering Detectorstation DynamischeSnelheidsinformatie DecisionSupportSystem DynamischVerkeersManagement Framepersecond GrafischRouteInformatiePaneel Hoofdrijbaan HoofdWegenNet LokaleFileBeveiliging MonitoringBasisapplicaties MonitoringCasco MatrixSignaalgeverInstallatie ManagementServicesSpitsstroken MotorwayTrafficManagement,versie2 MonitoringsWegKantSysteem NextGenerationSimulation Onderstation PhaseǦalternatingLine PrincipalComponentAnalyse Pixelspercentimeter Hexadecimalekleurcodering(roodǦgroenǦblauw) Rijkswaterstaat SignaleringMonitoringNeofiguratie Signaalruisverhouding Snelheidonderschrijdingsysteem ToeritDoseerInstallatie TrafficInformationCentre VluchthavenAanwezigheidsDetectie VideoImageProcessing Verkeersregelinstallatie

Actualiteit Congestie



Detector  Detectie



Tijdsverschiltussendemetingenhetbeschikbaarhebbenvandegegevens Vertraging op het wegennet, die een automobilist ondervindt als gevolg van een groot verkeersǦ aanbodofeenverlagingvandecapaciteit Apparatuurvoorhetwaarnemenvanvoertuigpassages Omzettenvanvoertuigpassagesnaarruwedata,bijvoorbeeldverlagingvaninductieofgroepenvan pixels Aantalvoertuigendatzichopeenweggedeeltebevind Geeftderelatiestussendeintensiteit,dichtheidensnelheid Waardeomdeintensiteitvaneenkleuraantegeven Eenonverwachtegebeurtenisveroorzaaktdoorweggebruikersdiedecapaciteitbeïnvloedt Aantalvoertuigendatpertijdseenheideenzekerewegdoorsnedepasseert Verwerktindewegconstructie Gemiddeldesnelheidgemetenopeenwegdoorsnedeineentijdsinterval Het gehele proces van het verzamelen van ruwe data met een detector tot het verwerken naar verkeersgegevens Inhoeverredegemetenwaardeovereenstemtmetdewerkelijkewaarde Vanuiteenhoogstandpunteengroottrajectoverzien Hetverdwijnenvanbewegendeobjectenachterandereobjecten Elementwaaruiteenvideobeeldisopgebouwd Tijdsduurvoorhetafleggenvaneentrajectdooréénofeenaantalvoertuigen

AID BHL BOSS BVOM CDMS CTMS DOV DRIP DRM DS DSI DSS DVM fps GRIP HRB HWN LFB MoniBas Monica MSI MSS MTMǦ2 MWKS NGSIM OS PAL PCA PPCM RGB RWS Simone SNR SOS TDI TIC VAD VIP VRI



Dichtheid   Fundamenteeldiagram Helderheid  Incident   Intensiteit  Intrusief   Lokalesnelheid  Monitoring Nauwkeurigheid Observatie Occlusie  Pixel  Reistijd 

 

    

Afkortingenenbegrippen



Segmentatie Telling  Traject  Trajectsnelheid Trajectorie Voertuigverliesuren Volgafstand Volgtijd  Wegvak 





        

Bewegendeobjectenuitvideobeeldenhalen Hetvaststellenvandebelangrijksteverkeersparameters Eenroutedoorhetnetwerk Snelheidgemetenopeenvasttijdstipopeentraject Functiemetdetijdenpositievanvoertuigen Detotalevertragingdieeengroepvoertuigenondervindt Deafstandtussentweerijdendevoertuigen Afstandtussenvoertuigenuitgedruktindetijd Gedeeltevaneenrijbaan,bijvoorbeeldtussentweetoeritten





5

6



BlikophetWegennet

Lijstvanfiguren Figuur1Inductielusaangebrachtindetoplaagvanderijbaan...........................................................................................................16 Figuur2Schemaopzetrapport..........................................................................................................................................................19 Figuur3Vandetectienaarverkeerstoepassingenandersom.............................................................................................................20 Figuur4a.Luslayoutb.Onverstoordetoestandc.Verstoordetoestand............................................................................................21 Figuur5Trajectoriënvoertuigen........................................................................................................................................................22 Figuur6Snelwegmettweerijstroken.................................................................................................................................................23 Figuur7VereenvoudigdeschematisatievanhetNederlandsemonitoringsysteem............................................................................26 Figuur8Verkeerscentrale...................................................................................................................................................................27 Figuur9Toeritdosering.....................................................................................................................................................................29 Figuur10AIDopdeA13in1982.........................................................................................................................................................34 Figuur11Filestaartbeveiliging..........................................................................................................................................................36 Figuur12VoorbeeldAIDmetafvlakkingopbasisvansnelheidenrijtijd.............................................................................................37 Figuur13WerkingclassificatiemetdubbelebovenǦenondergrenzen...............................................................................................38 Figuur14Plaatsingbeeldenopportalen.............................................................................................................................................38 Figuur15AutoscopeTerraproducten(BovenRackvisionbenedenSolo)............................................................................................41 Figuur16Traficonproducten(LinksVIP,rechtsTrafiCam).................................................................................................................43 Figuur17ProductenIterisVantage(links)&PeekVideoTrak(rechts)................................................................................................44 Figuur18Neckerkubus.....................................................................................................................................................................45 Figuur19Beeldmetocclusie.............................................................................................................................................................46 Figuur20Thresholdbepalingaandehandvaneendominantepiekinhethelderheidshistogram......................................................47 Figuur21Edgedetectionvaneenaantalmunten(http://www.mathworks.com)..............................................................................48 Figuur22RijbaanelementenherkennendooreenRoadMarkingAnalysisModel(links)eneenactiviteitenkaart(rechts).................49 Figuur23VoorbeeldOpticalFlowveld...............................................................................................................................................50 Figuur24Spacetimecontinuity.........................................................................................................................................................51 Figuur25Backgroundmodelling,linksachtergrondbeeldenrechtshettotaalbeeld..........................................................................51 Figuur26ModelvaneenautoinclusiefschaduwgeschiktvoormodelǦbasedtracking......................................................................52 Figuur27Configuratiefouten..............................................................................................................................................................55 Figuur28Identificatiefouten.............................................................................................................................................................56 Figuur29Incidentdetectie(TraficonAID)..........................................................................................................................................58 Figuur30GemiddeldesnelheidafzonderlijkevoertuigenindedatavanTNO....................................................................................60 Figuur31OpnamevoorbeeldvastecameraopdeA1.........................................................................................................................61 Figuur32Beeldvanafeenhelikopter(NBnietdesituatieuitdedataset)...........................................................................................61 Figuur33TrajectoriënindatasetEverdingen.....................................................................................................................................62 Figuur34NGSIMCamera..................................................................................................................................................................63 Figuur35GedeeltevandeTrajectoriënNGSIMdata..........................................................................................................................63 Figuur36Trajectoriemetbijbehorendepolynoomvanéénvoertuig.................................................................................................65 Figuur37GemiddeldelokalesnelheidoptweeverschillendeluspositiesindeNGSIMdata...............................................................66 Figuur38Schemaalgoritmelokalesnelheid.......................................................................................................................................67 Figuur39GedeelteuitTNOdatamet(Afgevlakte)lokalesnelheid....................................................................................................68 Figuur40GedeelteuitTNOdatametlokaleǦentrajectsnelheid........................................................................................................69 Figuur41Schemaalgoritmetrajectsnelheid......................................................................................................................................70 Figuur42GedeelteuitTNOdatametversnellingen...........................................................................................................................71 Figuur43FundamentaalvǦkdiagramTNOdata.................................................................................................................................72 Figuur44Trajectorieëntestdata.........................................................................................................................................................74 Figuur45AIDinstellingvieralgoritmen2500Ǧ5000secTNOdata.......................................................................................................76 Figuur46AIDinstellingvieralgoritmen10.000Ǧ15.000secTNOdata.................................................................................................77 Figuur47Voorbeeldplotsversnellingenensnelheid..........................................................................................................................80 Figuur48AIDinstellingopbasisvandichtheid...................................................................................................................................81 Figuur49Intensiteitentijdgebruik...................................................................................................................................................95 Figuur50Dichtheidenruimtegebruik...............................................................................................................................................95 Figuur51Fundamenteeldiagram.....................................................................................................................................................96 Figuur52EenschokgolfinhettǦxdiagramenophetfundamenteelkǦqdiagram...............................................................................97 Figuur53WaaierbijeenveranderingindichtheidintǦxdiagramenophetfundamenteelkǦqdiagram............................................98 Figuur54BackgroundǦsymmetryalgorithm.....................................................................................................................................99

 

Lijstvanfiguren



Figuur55TriangleAlgorithm............................................................................................................................................................99 Figuur56TrajectcontroleA4............................................................................................................................................................110 Figuur57Doelgroepenstrookopvluchtstrook..................................................................................................................................114 Figuur58PlotsTNOdata.................................................................................................................................................................126 Figuur59PlotsNGSIMdatalus300m...............................................................................................................................................127 Figuur60PlotsNGSIMdatalus400m...............................................................................................................................................128 Figuur61PlotsNGSIMdatalus500m...............................................................................................................................................129 Figuur62PlotsEverdingendatalus300m........................................................................................................................................130 Figuur63PlotsEverdingendatalus400m........................................................................................................................................131 Figuur64PlotsEverdingendatalus500m........................................................................................................................................132 Figuur65PCATrajectsnelheidǦDichtheidǦVersnelling..................................................................................................................133 Figuur66PCATrajectsnelheidǦDichtheid.......................................................................................................................................133 Figuur67PCATrajectSnelheidǦVersnelling....................................................................................................................................133 







7

8



BlikophetWegennet

Lijstvantabellen Tabel1Universelelijstmetmeetgegevens........................................................................................................................................24 Tabel2Eisenvideomonitoringvoornetwerktoepassingen................................................................................................................28 Tabel3Eisenvideomonitoringvoorwegvaktoepassingen..................................................................................................................30 Tabel4Eisenvideomonitoringvoorwegbeheertoepassingen............................................................................................................31 Tabel5Eisenvideomonitoringvoorbeleidenstatistiek.....................................................................................................................32 Tabel6Eisenvideomonitoringvooronderzoek..................................................................................................................................33 Tabel7KlassenAID............................................................................................................................................................................37 Tabel8Voorbeeldactietabelvooreendriestrooksrijbaan..................................................................................................................38 Tabel9Producentenenproducten....................................................................................................................................................42 Tabel10Gebruiktemeetintervalvoorreconstructielusdata..............................................................................................................66 Tabel11StreefwaardenvoordeAID...................................................................................................................................................75 Tabel12OverzichtresultatenTNOdata.............................................................................................................................................76 Tabel13OverzichtresultatenNGSIMdata.........................................................................................................................................78 Tabel14OverzichtresultatenEverdingendata...................................................................................................................................79 Tabel15ScoretabelAIDalgoritmen...................................................................................................................................................83 Tabel16Overzichtthresholding.......................................................................................................................................................100 Tabel17Overzichtedgedetection....................................................................................................................................................100 Tabel18Overzichtdetectieensegmentatiealgoritmen...................................................................................................................102 Tabel19Overzichtalgoritmenclassificerenenvolgenvanobjecten.................................................................................................102 Tabel20Overzichtalgoritmenadaptiefsysteem..............................................................................................................................104 Tabel21ResultatenAIDinstellingengedeelteTNOdata..................................................................................................................122 Tabel22OverzichtNGSIMresultatensnelheidTraject50m.............................................................................................................124 Tabel23OverzichtNGSIMresultatensnelheidTraject100m............................................................................................................124 Tabel24OverzichtEverdingenresultatensnelheidTraject50m.......................................................................................................125 Tabel25OverzichtEverdingenresultatensnelheidTraject100m.....................................................................................................125 



 



Samenvatting

Samenvatting HetverzamelenvanverkeersgegevensiseenbelangrijkonderdeelbinnenhettakenpakketvanRijkswaǦ terstaat(RWS).MonitoringwordtgebruiktvoordynamischeenstatistischeverkeersmanagementtoepasǦ singen.DoordesterkeopkomstvandiversetoepassingenisdeaandachtvoormonitoringsterktoegeǦ nomen.Dietoegenomeninteresse,incombinatiemethetbeleidommeerproductenrechtstreeksvande plank te kopen, leidt tot nieuwe producten op de monitoringmarkt. De wereldwijde monitoringmarkt, waarRWSalsinkoperoptreedt,isineensneltempoaanhetveranderen.EenveelbelovendenieuwetechǦ niekvoormonitorenisvideomonitoring.BinnenRWSisweinigbekendoverdemogelijkhedenvanvideoǦ monitoring.Inhetonderzoekisgetrachteenzocompleetmogelijkoverzichttekrijgenvandestandvan zaken,problemen,mogelijkhedenentoekomstverwachtingenvanvideomonitoring. Ineersteinstantieisgeredeneerdvanuitdetoepassingen,metvideomonitoringinhetachterhoofd.Voor dediversetoepassingenzijnfunctioneleeisentespecificeren.VideomontoringistesplitsenintweeonǦ derdelen.Afhankelijkvanhetdoelvandetoepassingmoeteenkeuzegemaaktwordentussendezetwee methoden.Aandeenekantishetmogelijkomtellingentedoen.DezetellingenbestaanuitdepuntmeǦ tingen,dieookmetlussengemaaktwordenofhetmakenvanvoertuigtrajectoriën.InhetrapportisdieǦ peringegaanopééntoepassing:defilestaartbeveiliging.Metbehulpvananderemeetgegevenswordthet mogelijkomdefilestaartbeveiligingopeenanderemanieraantesturen.HetmetenvanvoertuigtrajectoǦ riëngeefttheoretischdebeschikkingoveralleverkeersstroomparameters.DemogelijkhedenvoorverbeǦ teringenaandefilestaartbeveiligingzijnbeschouwdaandehandvandevolgendenieuwemeetgegevens: trajectsnelheid,dichtheid,versnellingeneencombinatievandedichtheidensnelheid.Tentweedeishet met videobeelden vanaf een hoog standpunt mogelijk om observaties te doen vande verkeersafwikkeǦ ling. Observaties geven vooral informatie over afwijkend verkeersgedrag, zoals congestie, incidenten, spookrijders,stilstaandevoertuigenetc.VeelwegvaktoepassingenhebbeneigenlijkalleenmaarobservaǦ tiegegevensnodig.Nauwkeurigenbetrouwbaardesnelhedenmetenishelemaalnietvanbelangbijhet waarschuwenvooreenfile.Alleenwelofgeenfile,endepositievandefileisvanbelang.Dezeanderkijk opdefunctioneleeisenisopditmomentbinnenAVVnogniettoegepast.Hierdoorwordtdeontwikkeling vannieuwemonitoringmethodenisdewielengereden.Functioneleeisenopstellenaandehandvande doelstellingenvaneentoepassingofvaneenwegvak,inplaatsvanhettoewerkennaaréénmonitoringǦ methode(meestallusdetectie)isbetervoordeinnovatie. Detweedemethodeisredenerenvanuitdemogelijkhedenvandemonitoringapparatuur.DeontwikkeǦ lingvanvideomontitoringisaleenaantaldecenniagaandeenzaldekomendejarenverderontwikkelen. Totophedenzijneenvijftalproducentenactiefopdemarkt.Aandeenekantlevertmensystemenvoor tellingenopbasisvanvirtuelelussenenaandeanderekanthebbendeproducentenAIDǦsystemen,die voor congestie en incidenten waarschuwen. Een compleet videomonitoringsysteem bestaat uit diverse componenten,vancameratothetleverenvanoutputgegevens.Elkeafzonderlijkecomponentmoetvan een goede kwaliteit zijn en deze afzonderlijke componenten moeten een nauwkeurig en betrouwbaar systeemopleveren.Hetverwerkenvandebeeldengebeurtmetdiversebewerkingsalgoritmen.Allereerst wordendebewegendeonderdeleninhetvideobeeldgedetecteerd.Eenbekendedetectiemethodeishet kijkennaardeverschillentussenhetnieuwstebeeldeneenachtergrondbeeld.Wanneerdeobjectenzijn gedetecteerdwordendegroepenmetpixelsgeclassificeerd.Ophetmomentdatdeeigenschappenvan eenvoertuigbekendzijn,wordtindeopvolgendebeeldenopnieuwnaarhetvoertuiggezochtomhette kunnenvolgen.Hetherkennenvanvoertuigengebeurtopbasisvanvorm,kleurentextuurvandevoerǦ tuigen. In de detectieǦ en segmentatiealgoritmen wordt veel gewerkt met een aantal basistechnieken, 



9

10



BlikophetWegennet

zoalshetherkennenvanlijnenendrempelwaarden.IndetoekomstisnogveelteverwachtenvanbeeldǦ verwerkingtechnieken.Camera’swordensteedsbeterengoedkoper,maarookderekenkrachtvancomǦ puterszalverdertoenemen.Datbetekentdathetgebruikvanmeerderecamera’ssteedsgemakkelijker wordt.Doorhetcombinerenvandedatauitmeerderecamera’swordthetmogelijkom3DǦreconstructies temaken.Datafusieisbelangrijkvoorhetefficiëntgebruikenvanalgoritmen,omdatpositiesvanvoertuiǦ genvoorafvoorspeldwordenendaardoordealgoritmenefficiëntintezettenzijnopinteressantegedeelǦ tenvanhetbeeld.HetvoorspellengebeurtmeteenKalmanofparticlefilter.Naasthetvoorspellenmoet het systeem in staat zijn om zich aan te passen aan wisselende omstandigheden. Hiervoor moeten de algoritmen zichzelf steeds updaten en trainen. Patroonherkenning en neurale netwerken zijn hier met namevoorgeschikt.Opditmomenthalenvideomonitoringsystemeneenbetrouwbaarheidvan97Ǧ99% voorhetaangevenvanwelofgeenvoertuig.Denauwkeurigheidvandetellingenligtrondde5%.VoorǦ deel bij observaties is, dat een operator de laatste fouten handmatig kan aanpassen, waardoor de beǦ trouwbaarheidnogverdertoeneemt. De werkelijke meerwaarde van het monitoren met videobeelden is bekeken aan de hand van de fiǦ lestaartbeveiliging.Indealternatievenisalleengekekennaarnieuwemeetgegevensuittrajectoriën.Uit de beoordeling van de alternatieven blijkt de versnelling van voertuigen geen voordelen op te leveren voor de verbetering van de filestaartbeveiliging. De trajectsnelheid laat de filestaartbeveiliging eerder reagerenengeeftbetereresultatentijdensschokgolven,maargeeftveelextravalsemeldingen.DedichtǦ heidgeeftineersteinstantiemooieresultaten.Datwilzeggendatditalternatiefalleeneenmeldinggeeft, wanneererwerkelijkwataandehandis.MaaromdatdichtheidencongestienietonlosmakelijkmetelǦ kaarverbondenzijnreageerthetalgoritmeopbasisvandichtheidnietaltijdoptijdenishetmomentvan uitgaannietaltijdduidelijk.EencombinatievandichtheidendetrajectsnelheidopbasisvandePrincipal Component Analyse levert de beste resultaten. Dit alternatief reageert in alle gevallen eerder dan een algoritmeopbasisvanlusgegevensenbijschokgolvenblijfthetsysteemconstantengaatniet“knippeǦ ren”.   

 



Summary

Summary CollectingtrafficdataisanimportantbranchwithintheworkpackageofRijkswaterstaat(RWS).MonitorǦ ing is used for dynamic and statistic traffic management applications. The rise of traffic management applicationsstronglyincreasedtheattentiontomonitoring.Thatincreasedinterest,incombinationwith thepolicytobuymoreproductsdirectlyoftheshelf,leadstonewproductsonthemonitoringmarket.The worldwide monitoring market, where RWS act as buyer, is changing in a fast tempo. A promising new technique for monitoring is video monitoring. Within RWS less is known concerning the possibilities of videomonitoring.Intheresearchithasbeentriedtogetacompleteaspossibleoverviewofthestateof theart,problems,possibilitiesandfutureexpectationsofvideomonitoring. Thefirstmethodisreasoningfromtheapplications,withvideomonitoringinthedownstreamcutwater. Fortheseveralapplicationsitispossibletospecifyfunctionalrequirements.Videomontoringissplitupin two components. Depending on the aim of the application a choice must be made between these two methods. On the one hand it is possible to do countings. These countings exist from local countings, whicharealsomadewithloops,ormakingvehicletrajectories.Oneapplicationisdiscussedindetail:the queuetailwarning.Byusingothermeasurementsitbecomespossibletooperatethequeuetailwarningin adifferentway.Measuringvehicletrajectoriesgivestheoreticallythepossibilitytoarrangealltrafficflow parameters.Thepossibilitiesforimprovementstothequeuetailwarninghavebeenconsideredbymeans ofthefollowingnewmeasurements:trajectspeed,density,accelerationandacombinationofdensityand speed.Secondlyitispossiblewithvideopicturesfromahighpointofviewtodoobservationsofthetraffic movements.Observationsgiveespeciallyinformationondivergentmovementbehavior,suchascongesǦ tion,incidents,wrongǦwaydrivers,stationaryvehiclesetc.Actualmanyroadsegmentapplicationsneeds onlyobservationdata.Preciseandreliablespeedsmeasurementsarenotimportantatallforatrafficjam warning.OnlytrafficjamornotrafficǦjam,andthepositionofthetrafficjamareimportant.AtthismoǦ menttheotherwayoflookingtothefunctionalrequirementshasnotbeenappliedwithinAVV.Because ofthis,thedevelopmentofnewmonitoringmethodsishampered.Establishingfunctionalrequirmentsby meansoftheapplicationorroadsegmentobjectives,insteadofworkingtowardonemonitoringmethod (generallyloopdetection)arebetterforfurtherinnovation. The second method is reasoning from the possibilities of monitoring equipment. The development of videomonitoringisalreadyanumberofdecadesgoingonandthecomingyearsitwillfurtherdevelop. Until now a number of five producers is active on the market. On the one hand there are systems for countingonthebasisofvirtualloopsandontheotherhandthereareAIDǦsystems,whowarnforcongesǦ tionandincidents.Acompletevideomonitoringsystemexistsfromseveralcomponents,fromcamerato providingoutputdata.EachseparatecomponentmustbeofagoodqualityandtheseseparatecompoǦ nentsmustproduceapreciseandreliablesystem.TheprocessingofthepicturesoccurswithseveralalgoǦ rithms.Firstofallbecomesthedetectionofmovingcomponentsinthevideopicture.AwellǦknowndeǦ tectionmethodislookingatthedifferencesbetweenthenewestpictureandabackgroundpicture.When the objects are detected the pixel groups are classified. The moment the properties of a vehicle are known,thevehiclewillbesearchedinthesucceedingpicturestofollowthevehicle.Recognizingvehicles occursonthebasisofform,colourandtextureofthevehicles.InthedetectionandsegmentationalgoǦ rithmsthereareanumberofbasistechniques,suchasedgedetectionandthresholdvalues.Inthefuture picture processing techniques will improve further. Cameras are still improving and becoming cheaper, butalsothecomputingspeedofcomputerswillincreasefurther.Thatmeansthattheuseoftwoormore camerasbecomeseasier.Bycombiningthedatafromseveralcamerasitbecomespossibletoreconstruct 



11

12



BlikophetWegennet

3Dobjects.Datafusionisimportantforefficientuseofalgorithms,becausepositionsofvehiclesarepreǦ dictedinadvanceandasaresultalgorithmsarebringingonlyintoactiononinterestingpartsofthepicǦ ture.PredictinghappenswithaKalmanoraparticlefilter.Besidespredicting,thesystemmustbeableto adapttochangingcircumstances.Forthis,algorithmsmustalwaysupdateandtrainthemselves.InparǦ ticular pattern recognition and neural networks are suitable for this. At this moment video monitoring systemsobtainareliabilityof97Ǧ99%forindicatingthepresenceofavehicle.TheaccuracyofthecountǦ ingsliesaroundthe5%.Theadvantageofobservationsisthatanoperatorcanadaptthelasterrorsby hand,asaresultthereliabilityisincreasing. Therealsurplusvalueofvideomonitoringhasbeenexaminedbymeansofqueuetailwarning.InthealǦ ternatives only has been looked to new measurements from trajectories. From the assessment of the alternatives it’s clear that the acceleration of vehicles becomes unprofitable for the improvement of queuetailwarning.Thequeuetailwarningreactsearlieronthealgorithmbasedonthetrajectspeedand givesbetterresultsduringshockwaves,butontheotherhandtherearemuchmorefalsealarms.Density givesatfirstsightbeautifulresults.Thismeansthatitonlygivesanalarm,whenthereisreallysomething goingon.Butwhiledensityandcongestionarenotlinkedinextricable,thealgorithm,basedonthedensiǦ ty,isnotalwaysreactingintimeandtheswitchoffmomentisnotalwaysclear.Acombinationofdensity andtrajectspeedprocessedwiththePrincipalComponentAnalysisprovidesthebestresults.ThisalternaǦ tive reacts in all cases earlier than the algorithm based on loop measurements and at shockwaves the systemremainsconstantlyanddoesnot"flash". 

 






Inhoudsopgave  Voorwoord.................................................................................................................................................3 Afkortingenenbegrippen.........................................................................................................................4 Lijstvanfiguren.........................................................................................................................................6 Lijstvantabellen.......................................................................................................................................8 Samenvatting...........................................................................................................................................9 Summary.................................................................................................................................................11 1

2

Inleiding...........................................................................................................................................16 1.1

Probleemomschrijving............................................................................................................17

1.2

Doelstelling.............................................................................................................................17

1.3

Aanpak....................................................................................................................................18

1.4

Leeswijzer...............................................................................................................................18

DoelmonitoringinNederland..........................................................................................................20 2.1

3



Detectortechnieken.................................................................................................................21

2.1.1

Onderverdelingopbasisvandeinstallatie...............................................................................................................21

2.1.2

Onderverdelingopbasisvanderuwedata..............................................................................................................22

2.2

Gegevensuitvideomonitoring.................................................................................................24

2.3

Verkeersmanagementtoepassingen........................................................................................25

2.3.1

Beschrijvingvanhethuidigeverkeersmanagementsysteem....................................................................................25

2.3.2

DynamischeVerkeersmanagementtoepassingen...................................................................................................26

2.3.3

StatistischeVerkeersmanagementtoepassingen.....................................................................................................31

Filestaartbeveiliginghoofdwegennet...............................................................................................34 3.1

HistorieAID.............................................................................................................................34

3.2

DoelAID..................................................................................................................................35

3.3

AIDǦalgoritme.........................................................................................................................36

3.4

VerbeterpuntenAID................................................................................................................39

3.5

Onderzoeksopzetfilestaartbeveiliging....................................................................................39



13

14



BlikophetWegennet

4

Videomonitoring..............................................................................................................................40 4.1 4.1.1

BasiscomponentenvanVIPǦsystemen.....................................................................................................................40

4.1.2

VIPǦproductenoverzicht...........................................................................................................................................41

4.1.3

Ervaringengebruikvanvideobeeldenvoormonitoring...........................................................................................42

4.2

Pixels.......................................................................................................................................................................44

4.2.2

Resolutie.................................................................................................................................................................45

Raamwerkbeeldverwerking....................................................................................................45

4.3.1

Dimensiesinbeeldverwerking.................................................................................................................................45

4.3.2

Installatiecamera....................................................................................................................................................46

4.3.3

Wisselendeomstandigheden...................................................................................................................................47

4.3.4

Basistechniekenbeeldverwerking............................................................................................................................47

4.3.5

Herkennenvanrijbaanelementen............................................................................................................................49

4.3.6

Detectieensegmentatievanobjecten....................................................................................................................50

4.3.7

Classificerenenvolgenvanobjecten.......................................................................................................................52

4.4

Verbeterenbeeldverwerkingalgoritmen..................................................................................53

4.4.1

Feedback..................................................................................................................................................................53

4.4.2

Stereovision............................................................................................................................................................54

4.4.3

Datafusie.................................................................................................................................................................54

4.5

Aanvullendebeeldverwerkingtoepassingen............................................................................54

4.6

Foutenenonnauwkeurigheid.................................................................................................55

4.6.1

Meetfouten..............................................................................................................................................................55

4.6.2

Kwaliteitsysteem....................................................................................................................................................56

4.7

Toekomstverwachtingenvideomonitoring..............................................................................56

4.7.1

Toekomstbeeldbeeldverwerking............................................................................................................................56

4.7.2

Toekomstbeeldverkeersmanagementtoepassingen................................................................................................57

Datasetsvantrajectoriën.................................................................................................................59 5.1



Verzamelenvantrajectoriegegevens......................................................................................59

5.1.1

TNOdata................................................................................................................................................................59

5.1.2

HelikopterdataEverdingen......................................................................................................................................61

5.1.3

NGSIMdata.............................................................................................................................................................63

5.1.4

Betrouwbaarheidgegevens.....................................................................................................................................64

5.2



Opbouwvideobeelden............................................................................................................44

4.2.1

4.3

5

Standvanzaken......................................................................................................................40

Dataverwerking......................................................................................................................64

5.2.1

Datacleaning...........................................................................................................................................................64

5.2.2

Opstellenvanpolynomen........................................................................................................................................65

5.2.3

Splitsentrajectoriën................................................................................................................................................65

5.2.4

Lusgegevens...........................................................................................................................................................65



 5.2.5

6


Gebruikgewijzigdedatasets...................................................................................................................................66

Alternatievealgoritmenvoorfilestaartbeveiliging............................................................................67 6.1

Alternatieven..........................................................................................................................67

6.1.1

Lokalesnelheid........................................................................................................................................................67

6.1.2

Trajectsnelheid........................................................................................................................................................69

6.1.3

Versnelling...............................................................................................................................................................71

6.1.4

Dichtheid.................................................................................................................................................................72

6.1.5

Principalcomponentanalyse....................................................................................................................................73

6.2 7

Verificatiealgoritmen.............................................................................................................73

Beoordelingvandealternatieven.....................................................................................................75 7.1

Streefwaardenalgoritmen.......................................................................................................75

7.2

Resultatenalgoritmen.............................................................................................................75

7.3

Resultatentrajectsnelheid.......................................................................................................79

7.4

Resultatenversnelling.............................................................................................................80

7.5

Resultatendichtheid...............................................................................................................81

7.6

ResultatenPCA.......................................................................................................................82

7.7

Scorealgoritmenfilestaartbeveiliging.....................................................................................83

8

Conclusiesenaanbevelingen............................................................................................................84 8.1

Conclusies...............................................................................................................................84

8.1.1

Conclusiesvideomonitoringsystemen.....................................................................................................................84

8.1.2

ConclusiesnieuweAIDǦalgoritme............................................................................................................................84

8.1.3

ConclusiesAVVenvideomonitoring.........................................................................................................................85

8.2

Aanbevelingen........................................................................................................................86

8.2.1

Aanbevelingenvoordewegbeheerder....................................................................................................................86

8.2.2

Aanbevelingenfilestaartbeveiliging.........................................................................................................................87

Bibliografie..............................................................................................................................................89 Bijlagen....................................................................................................................................................94



I.

Verkeersstroomtheorie................................................................................................................94

II.

Verwerkingsalgoritmenvideobeelden........................................................................................99

III.

OverzichtverkeersmanagementtoepassingenNederland.....................................................105

IV.

Verslageninterviews.............................................................................................................116

V.

Tabellenresultatenalgoritmen..................................................................................................122

VI.

Grafiekenresultatenalgoritmen............................................................................................126 

15

16



BlikophetWegennet

1 Inleiding DeafgelopenjarenisdeautomobiliteitinNederlandforstoegenomen.Hetgevolgis,datopveelplaatsen de doorstroming stagneert. Daarom heeft de overheid de afgelopen decennia de wegen verbeterd en verbreed.OmdiverseredenenisdeverbeteringenverbredingvanhetwegennetopbeperkteschaalgeǦ beurdenstaathetnietinverhoudingmetdegroeiendeautomobiliteit.Vandaagdedagishetontstaan van congestie daardoor onvermijdelijk geworden. Het belangrijkste doel in de verkeerskunde is tegenǦ woordignietmeerhetvoorkomenvanvertragingen,maarhetbetrouwbaarkunnenreizenvanAnaarB (Ministerie van Verkeer en Waterstaat, VROM 2004). Belangrijkste maatregelen om tot een hogere beǦ trouwbaarheidtekomenstaaninhettekenvaneenbeterebenuttingvanhetwegennet.Daarnaastiseen steedsgroterenadrukkomenteliggenopverkeersveiligheidenmilieu.Ditallesheeftgeresulteerdineen sterkeopmarsvantoepassingenbovenenlangsdekantvandeweg.DoormiddelvandiversetoepassinǦ genwordenweggebruikersgestuurd,gewaarschuwdengeïnformeerd.OmdeeffectenvandetoepassinǦ gen te onderzoeken en voor het aansturen van de systeǦ men zijn continue verkeersǦ gegevensnodig.Hetinwinnen van verkeersgegevens (moniǦ toring)isdaaromeenbelangǦ rijk onderdeel binnen het takenpakket van RijkswaterǦ staat(RWS). Traditioneel vindt monitoring in Nederland plaats met inǦ ductielussen (Figuur 1). Toch is de markt voor voertuigdeǦ tectieapparatuur veel groter. Vele marktpartijen ontwikkeǦ len nieuwe methoden voor het detecteren van voertuiǦ gen. De geschetste verhouding, met aan de ene kant RWS met de verschillende toepasǦ Figuur1Inductielusaangebrachtindetoplaagvanderijbaan singenenaandeanderekant demarktpartijenmetverschilǦ lende producten en bijbehorende mogelijkheden, is kortweg de probleemanalyse van het onderzoek. RWSwilwetenwatdeproductenontheshelf,inhetbijzonderdevideomonitoringproducten,tebieden hebbennuenindetoekomst.Hetonderzoekrichtzichopmonitoringmetbehulpvanvideobeelden.ViǦ deomonitoringiseenproduct,datalsveelbelovendwordtgezien.Maardevraagisofhetsysteemvoldoet aandeeisenvanRWSenofhetsysteemeenmeerwaardelevert(ofkanleveren)tenopzichttevanandere producten.Deinleidingwordtafgeslotenmeteenbeschrijvingvandegevolgdeaanpakeneenleeswijzer. 

 

Inleiding



1.1 Probleemomschrijving HetmonitorenvanverkeerophetHWNisessentieelgewordenomweggebruikerstesturen,teinformeǦ renentewaarschuwen.DehuidigemeetinfrastructuurvanRWSissterkgebondenaanééntechnologie, zijndelusdetectie.Echterhetinwinnenvangegevensmetinductielussenwordt,ondanksdelangestaat vandienst,steedsmeeralseenprobleemgezien.Problemenvandehuidigemeetinfrastructuurzijn: x x x

HetdatainwinsysteemisnietflexibelinzetbaarbijwegwerkzaamhedenofeendynamischerijbaanǦ indeling. Lusdetectieisnietrobuusttenaanzienvanhetvernieuwenvanhetwegdek.EnvervangingvaninǦ ductielussenlevertveelverkeershinderop.RWSstreeftjuistnaarhinderarmwegonderhoud. Naastdeproblementijdensaanlegenonderhoudzijnmeerkanttekeningenbijdeinductielussente plaatsen.ViainductielussenisdemonitoringvanmaareenbeperktaantalverkeerskundigevariabeǦ lenmogelijk.Eneenpuntmetinggeeftbeperkteinformatieoverdesituatietussendelussen.ConǦ gestie,dieontstaattussentweelussen,wordtpasopgemerktwanneerdecongestiebovenstrooms delusheeftbereikt.Defilewaarschuwingstartindatgevaltelaat.

Ondertussenverandertdevraagenaanbodvandetectieproductenineensneltempo.OmmeerdepriǦ maireprocessentekunnensturenendemarktbetertebenuttenheeftRWSdelaatstejareneenverschuiǦ vinglatenzienvanhettechnischspecificeren(ontwerpvoorschrijvend)naarfunctioneelspecificeren(presǦ tatievoorschrijvend). Functioneel specificeren legt de nadruk op wat essentieel is voor het gevraagde productofservice.Enhetbiedtdemarktruimtevoorinnovatie.Bijverkeersdetectorengaathetomeen wereldwijdemarktwaarRWSalsinkoperoptreedt.RWSrichtzichopdespecificatie,integratie,testenen beheer.Deindustrieverzorgthetontwerp,ontwikkeling,installatie,documentatieenonderhoud.Bijhet specificeren wordt voornamelijk uitgegaan van de technische (on)mogelijkheden van de huidige verǦ keersmanagementtoepassingen. Eénvandeproductenopdewereldwijdemarktisvideomonitoring.Videomonitoringwordtgezienalseen veelbelovendetechniek.Redenendaarvoorzijn,datvideocamera’sdelaatstejareninsneltempogoedǦ koperwordenenbeteromkunnengaanmetwisselendeomstandigheden,bijvoorbeeldveranderingenin delichtintensiteit.Daarnaastwordtineengrotergebiedgedetecteerd,waardoorhetmogelijkwordtom meerverkeerskundigegegevenstedetecteren.DevisueleinformatieheefteenmeerwaardenvoordiverǦ separtijen,doordatpreciesensnelvasttestelleniswatpreciesaandehandis.Enhetsysteemissnelaan tepassenaaneennieuwesituatie,bijvoorbeeldeentijdelijkeversmallingvanderijstroken. Ondanksdatvideomonitoringalsveelbelovendwordtgezien,ismaarweinigkennisoverdeeigenschapǦ penvanvideomonitoringbekendbijRWS.

1.2 Doelstelling Hetdoelisomeenzocompleetmogelijkoverzichttekrijgenvandestandvanzaken,problemen,mogeǦ lijkheden  en toekomstverwachtingen van videomonitoring. De doelstelling in combinatie met de proǦ bleemomschrijvingleidttotdevolgendeonderzoeksvragen: 1. 2. 3. 4.



Watisdehuidigestandvanzakenophetgebiedvanvideomonitoring? Welkebehoefteaaninputhebbendeverkeerskundigeapplicatiesenisvideomonitoringgeschikt omaandezeeisentevoldoenofbiedthetmisschienwelnieuwemogelijkheden? Hoe worden gegevens uit videobeelden gehaald en welke mogelijkheden biedt dat om diverse verkeersgegevensuitbeeldentehalen? InhoeverrezijnnieuwemeetgegevenswerkelijkvanmeerwaardevooreenverkeerskundigeapǦ plicatie?



17

18



BlikophetWegennet

1.3 Aanpak Om tot een antwoord op de onderzoeksvragen te komen worden twee wegen bewandeld. Aan de ene kantstaandetoepassingen.VoordiversetoepassingenzijnallereersthetdoelvandeafzonderlijketoeǦ passing  en de daaruit voortvloeiende eisen aan de gegevens voor videomonitoring in kaart gebracht. Hierbijisnietalleengekekennaardetraditionelemeetgegevens,maarooknaarnieuwemeetgegevens, dieuitvideobeeldentehalenzijn. Aandeanderekantstaandevideobeelden,ofteweldedetector.Ineersteinstantieisaandehandvan literatuur en documentatie van fabrikanten de huidige situatie van videomonitoring in beeld gebracht. Uiteindelijk moeten de videobeelden verwerkt worden tot verkeersgegevens. Om de mogelijkheden en problemenvanvideomonitoringbeterinteschattenisuitgebreidingegaanopdeverwerkingvandebeelǦ dentotgegevens. Uiteindelijkkomendeoutputvanuitvideobeeldenendeinputvantoepassingensamen.Inhetonderzoek wordtdieperingegaanopéénspecifieketoepassing,defilestaartbeveiliging.Deredenomspecifiekdeze toepassingverderteonderzoekenisvanwegehetfeit,datdezetoepassingéénvandebekendstetoepasǦ singenomhetHWNis.Maaraandeanderekantlaatdefilestaartbeveiligingsteekjesvallen,doordatmet inductielussen niet een volledig traject in beeld te krijgen is. Videobeelden zouden theoretisch gezien nieuwemogelijkhedenmoetenbieden,doordatmetbeeldeneentrajectteanalyserenis.Voordeanalyse isgebruikgemaaktvantrajectoriedatauitdriedatasets.Aandehandvandezedatasetszijneenviertal nieuwealgoritmengemaaktmetbehulpvanhetprogrammamatlab. NaastdegebruikteliteratuurendocumentatiemateriaalisdeinformatiegebaseerdopeentweetalinterǦ views.HeteersteinterviewisgehoudenbijTraficoninBelgië.TraficoniseenproducentvanvideomonitoǦ ringproductenenheeftdaardoorveelkennisinhuisoverde(on)mogelijkhedenvanvideomonitoring.In hettweedeinterviewlagdenadrukophetverwerkenvanbeelden.AandeTUDelftwordthiernaarveel onderzoek gedaan. Meneer Hendriks is werkzaam bij één van de onderzoeksgroepen en weet veel van wat op dit moment technisch mogelijk is en wat de komende jaren nog mogelijk wordt. De volledige tekstenvandegehoudeninterviewszijntevindeninbijlageIV.

1.4 Leeswijzer In de eerste hoofdstukken wordt de route van toepassing tot output van videomonitoring toegelicht. Hoofdstuk2gaatinopdeverschillendeverkeersmanagementtoepassingeninNederland.Hetgebruiken van videomonitoring heeft gevolgen voor de functionele eisen van de huidige toepassingen en levert nieuwemogelijkhedenopvoordetoekomst.OmdemeerwaardevandenieuwevariabelenteonderzoeǦ ken,wordtdieperopdefilestaartbeveiligingingegaan.Dewerkingvandefilestaartbeveiligingwordtin hoofdstuk 3 uitgelegd. De daarop volgende hoofdstukken gaan over de tweede route, van detector (viǦ deobeeld)totinputgegevensvoordetoepassingen.Hoofdstuk4gaatallereerstinopdehuidigestandvan zaken.Welkesystemenzijneropditmomentenwelkekwaliteitleverendesystemenaf?OmvanvideoǦ beeldtotmeetgegevenstekomenmoeteneenaantalstappendoorlopenworden.Hettweedegedeelte vanhoofdstuk4behandeltdeverschillendestappenbinnenvideomonitoring.HetuiteindelijkemeetresulǦ taatbestaatonderandereuittrajectoriënvanvoertuigen.Inhoofdstuk5iseenbeschrijvingtevindenvan degebruiktetrajectoriedatasetsinhetonderzoek.DeoutputgegevensvandevideobeeldenendebenoǦ digdeinputgegevensvooreentoepassingkomensameninhetalgoritmevoordeaansturingvaneentoeǦ passing.Hoofdstuk6geefteenbeschrijvingvaneenaantalnieuwealgoritmenvoordefilestaartbeveiliǦ ging.Dealgoritmenzijngeanalyseerdaandehandvandebeschrevendatasetsuithoofdstuk5.DeresulǦ tatenvandeanalysezijninhoofdstuk7telezen.Totslotzijninhoofdstuk8teconclusiesenaanbevelinǦ gentevindenmetbetrekkingtotdetweebewandeldewegenenheteindresultaat. 

 



Inleiding





Figuur2Schemaopzetrapport







19

20



BlikophetWegennet

2 DoelmonitoringinNederland Inhetverledendiendehetinwinnenvanverkeersgegevensvooraleenstatistischdoel.GegevensvanbeǦ paaldetrajectenwerdenverzameldenopeenlatertijdstipgebruiktvoorplanvorming.Ophetmoment datdebenuttingvanhetwegenneteensteedsbelangrijkerrolgingspelenkreegmenbehoefteaaninǦ zicht in de actuele verkeerssituatie. En ook de aanbieders van verkeersinformatie hebben behoefte aan actuele gegevens op elk moment van de dag. Hierdoor is monitoring uitgegroeid tot een permanente activiteitopeengrootgedeeltevanhetHWN.Viaeenuitgebreidnetwerkmetdetectorenenactuatoren wordtcontinuebepaaldhoehetverkeerzichafwikkeltenindiennodigwordtdeweggebruikergewaarǦ schuwden/ofgeïnformeerd. Verkeersgegevens verzamelen is geen doel op zichzelf. Monitoring wordt toegepast voor verschillende doeleindeneninverschillendetoepassingsgebieden.BinnenAVVwordentweebelangrijketoepassingsǦ gebiedenonderscheiden,statistischeendynamischeverkeersmanagementtoepassingen.Afhankelijkvan hettoepassingsgebiedenhetdoelwordendeverkeersgegevensverderbewerktengebruikt.DeuiteindeǦ lijkeeisenaanverkeersmonitoringkomenvoortuitdefunctioneleeisenvandetoepassing(zieFiguur3). Daarnaast blijkt, dat hoe verder de informatie richting de gebruikers gaat, hoe meer veranderingen de gegevens onderǦ gaan. Dit komt doordatsteedsmeer inputvariabelen (door datafusie, filteren etc.) aan de informatie worden toegevoegd, incluǦ  Figuur3Vandetectienaarverkeerstoepassingenandersom sief menselijke inǦ schattingen. DaarǦ om is het belangrijk omeisentestellenaandegegevens,diewordeningewonnentijdensdemonitoringsfase.Pertoepassing zouFiguur3gemaaktkunnenworden,omdatelketoepassingzijneigenfunctioneleeisenheeft.Idealiter zouvoorelkeafzonderlijketoepassingeeneigendetectorontwikkeldmoetenworden.Ditzouechtereen onwenselijke wildgroei aan monitoringapparatuur langs de wegkant veroorzaken. Met zo min mogelijk detectoren moet een zo hoog mogelijke kwaliteit gehaald worden. De stap, die de outputdata van een detectorverwerktnaarverkeersgegevensomeenapplicatieaantekunnensturen,isbelangrijkvoorhet behalenvandegewenstemonitoringkwaliteit. In dithoofdstuk worden detoepassingenopgedeeld indynamische en statistischetoepassingenen van beidegroepenwordendebelangrijkstesubgroepenbesproken.Hierbijwordtingegaanopdewerkingen de mogelijkheden van videomonitoring voor de toepassingen. Per subgroep zijn de belangrijkste eisen voorvideomonitoringvastgesteld.Inhoofdstuk3wordtdieperingegaanopdefilestaartbeveiliging.Aan dehandvandezetoepassingwordtonderzochtwatdemeerwaardevantrajectoriedatais.TrajectoriedaǦ taiseenextraoptievanvideomonitoringtenopzichtevaninductielussen.Hetcombinerenvanmeerdere metingen maakt het mogelijk om trajectoriën van voertuigen op te stellen. Vanuit trajectoriën zijn de belangrijksteverkeerskundigekarakteristiekenafteleiden.HetkunnenmetenvanaanvullendeverkeersǦ kundigekarakteristieken,maaktdeverbeteringvantoepassingenmogelijk.PerdetectorzijndusverschilǦ lendeverkeersgegevenstemeten.VoorafgaandaanhetopstellenvandefunctioneleeisenvoordediverǦ  

DoelmonitoringinNederland



se toepassingen zal daarom eerst ingegaan worden op de verschillen tussen de verschillende detectortechnieken en de gegevens die daaruit voortvloeien.

2.1 Detectortechnieken DeeerstestapinhetoverzichtvanFiguur3isdetectie.Aandeinformatie, die detectoren leveren, wordt de laatste jaren steeds hogere eisen geǦ steld. Daarnaast is een verschuiving te zien naar het steeds meer dynaǦ misch gebruiken van rijbanen, zoals bijvoorbeeld de opkomst van spitsǦ stroken.Hierdoorisdemarktgestimuleerdomnieuwedetectieproducten te ontwikkelen en bestaande technieken te verbeteren.Een grote variëǦ teitaanapparatuurisopditmomentbeschikbaar.BinnendedetectieapǦ paratuurisopverschillendemaniereneensplitsingaantebrengen.Deze splitsingisgebaseerdopdeeigenschappenvandedetectoren.DebelangǦ rijkste eigenschappen zijn de wijze van installatie en de aanlevering van ruwe data. Op deze twee eigenschappen wordt hieronder verder ingeǦ gaan.

2.1.1

Onderverdelingopbasisvandeinstallatie

Opbasisvaninstallatiezijndetectorenindriegroepenintedelen:intruǦ sievedetectoren(inhetasfalt),nietintrusievedetectoren(bovenofaan dezijkantvandeweg)endetectoren,dienietverbondenzijnaandeinǦ

Figuur4a.Luslayoutb.Onverstoordetoestandc.Verstoordetoestand (109)

frastructuur. Intrusievedetectoren,zoalsdeinductielus,wordenaldecennialangvolop gebruikt in Nederland. Wanneer een voertuig de lus passeert of zich op eenlusbevindt,wordtdeinductieindelusverlaagd(Figuur4).Ditsignaal wordt met een aantal algoritmen verwerkt tot verkeersgegevens. VanǦ daagdedagblijktechtersteedsvakerdataaninductielusseneenaantal nadelen kleven. De installatie en het onderhoud van de lussen betekent eenafsluitingvanderijbaan,hetgeeninsommigesituatiestotproblemen leidt.DitprobleemwordtversterktdoorhetfeitdatdelussenindetopǦ laag gefreesd moeten worden, waardoor de installatie van de lussen bij asfalteringswerkzaamheden opnieuw moet gebeuren. Een ander nadeel vaninductielussenishetnietkunnendetecterenvanlangzaamrijdendeof stilstaandevoertuigen.



Terminologie De termen monitoring en detectie worden nogal eens door elkaar gehaald of hebben binnen verschillende instanties een andere betekenis.InhetonderǦ zoek komen deze twee termenvaaknaarvoren, zodat het nuttig is om de gebruikte betekenis vooraftoetelichten. Detectie is met behulp van een detector aanǦ geven of een voertuig aanwezig is. Bij een inductielus is detectie een verandering in de inductie.Detectieineen videobeeld is het herǦ kennen van een groep pixels. Deze ruwe gegeǦ vens zijn nog geen verkeersgegevens en moeten eerst verder verwerktwordenomals input voor een toepasǦ singtedienen. De detector is onderǦ deel van een groter geheel, de monitoring. Monitoring bestaat uit een detector die ruwe datalevertendeverdeǦ re verwerking van de ruwe data tot verkeersǦ gegevens. In dat proces wordendegegevensuit de detector gecontroǦ leerd en indien nodig vindt een correctiestap plaats. Het eindproduct zijn gegevens, die als input kunnen dienen voor de aansturing van verkeersmanagementǦ toepassingen of voor archivering.



21

22



BlikophetWegennet

Denadelenvandeinductielussenhebbengeleidtotexperimentenmetnietintrusievedetectoren.VoorǦ deeltenopzichttevandeinductielusisdeinstallatiebovenofnaastdeweg.HierdoorontstaateenminiǦ malehindervoorhetverkeertijdensdeinstallatieenhetonderhoud.DetectiemetbehulpvanvideobeelǦ denvaltonderdeintrusievedetectoren.Metdezeintrusievedetectieishetvaakmogelijkomeengroter gebied te detecteren. Echter doordat de niet intrusieve detectortechnieken nog in de kinderschoenen staan,wordtdezedetectiemethodenietopgroteschaaltoegepast. DeverbeteringvanzowelintrusievealsnietintrusievedetectorengaathandinhandmetdeontwikkelinǦ gen op het gebied van informatica en elektronica. De nieuwste onderzoeken gaan al uit van niet infraǦ structuurgebondenmonitoringmethodenindetoekomst.VoertuigendiehungegevenscontinudoorgeǦ venviabijvoorbeeldGSMtechnologiestaanindebelangstellingvanonderzoekers1.

2.1.2

Onderverdelingopbasisvanderuwedata

Demanierwaaropdeaanleveringvanruwedataplaatsvindt,heeftgevolgenvoordeuiteindelijkeoutput van het monitoringsysteem. In essentie is de output van een monitoringsysteem afhankelijk van twee methodenwaaropderuwedataaangeleverdwordtdoordedetector: 1. 2.

Komtdedatavanafeenvastelocatie(puntmeting)ofvanafeengrotermeetgebied(trajectmeǦ ting)? Isvoorelkafzonderlijkvoertuigdatabeschikbaar(microscopisch)ofwordtdedataverzameldin een vastgestelde tijdsperiode (maǦ croscopisch)?

 Figuur5Trajectoriënvoertuigen(TUDelft)

     1

Floating car data

 

Lokaal/traject Een lokale meting wil zeggen dat in een vooraf vastgesteld tijdsinterval (bijvoorbeeld elke minuut) op een rijbaandoorsnede verkeersgegevens wordenverzameld.InFiguur5zijnde lokale metingen aangegeven op locatie 100 meter en 200 meter.  Bij een trajectmeting worden de verǦ keersgegevens verzameld over een traject (bijvoorbeeld 300 meter) in eenkleintijdinterval.InFiguur5zijn de metingen op 5 en 20 seconde aangegeven.Ruwedataopbasisvan lokalemetingenmakenhetmogelijk omdeintensiteiten,opvolgtijdenen lokale snelheden van voertuigen te meten. Trajectmetingen daarenteǦ

DoelmonitoringinNederland



gen leveren de dichtheid, volgafstand en snelheid op. Wanneer het  monitoringsysteem in staat is om meerderedetectiesvanhethetzelfdevoertuigtecombinereniseenvoertuigtrajectorieoptestellen. WanneereenxǦaslangsderijbaanwordtbeschouwd,zoalslinksinFiguur5,dankandepositievaneen voertuigiopeentijdstipaangeduidwordenmetxi (t)endepositievanhetvoertuigachterditvoertuig metxi+1 (t).VoertuigenbewegenzichindeloopvandetijdlangsdexǦas.InFiguur5zijn9voertuigenin eentǦxǦassenstelselsafgebeeld.Depositievaneenvoertuigdoordetijdwordteentrajectoriegenoemd. Doorhetvoertuigalspunttebeschouweniseentrajectorieeenwiskundigefunctie.Depositioneringvan hetpuntopeenvoertuigwordtindeverkeerskundenergensgedefinieerd.Indemeestegevallenwordtde voorǦofachterbumpergebruikt. DeafgeleidevaneentrajectorieophetHWNisaltijdgroterofgelijkaannul(theoretischiskleinerdannul weltoegestaan),omdatachteruitrijdenniettoegestaaniseneenverplaatsingterugindetijdonmogelijk is. Verder is het niet mogelijk dat twee trajectoriën  elkaar snijden, wanneer de voertuiǦ VerschiltussenlokaleǦentrajectsnelheid gen op dezelfde rijstrook rijǦ den2. Stel een lange snelweg voor zonder toeǦ en afritten en met twee rijǦ Verkeer is echter niet eendiǦ mensionaal, maar tweediǦ mensionaal. De positie van eenvoertuigbestaatuiteenx en y waarde. Met de yǦ coördinaat wordt de laterale positie van een voertuig aanǦ gegeven,oftewelderijstrookǦ positie.Zeldenisdezewaarde nauwkeurig bekend en meestal wordt alleen een rijstrookindicatiegegeven. Met behulp van een voertuigǦ trajectorie zijn alle gegevens voor een verkeerskundige analyse te herleiden, dus ook voor lokale metingen. De eerste afgeleide van een traǦ jectorie geeft de snelheid van een voertuig. Het verzamelen

stroken waarbij alle voertuigen op de rechter rijstrook 60 km/h rijden enopdelinkerrijstrook120km/h(Figuur6).DitbetekentdatallevoerǦ tuigen op de rechterrijstrook, die gedurende een minuut de detector passeren,zichopeentrajecttotéénkilometerbovenstroomsvande detector zich hebben bevonden. Terwijl op de linkerrijstrook deze wegsectie twee kilometer is geweest. Bij het bepalen van de lokale gemiddelde snelheid worden snelle voertuigen over een veel langere afstand beschouwd in vergelijking met de trage wagens. Het aandeel snelle wagens wordt bij een lokale meting daardoor altijd overschat, zodat de lokale gemiddelde snelheid altijd groter of gelijk aan de inǦ stantanegemiddeldesnelheidis.

 Figuur6Snelwegmettweerijstroken

     2



FIFO principe - First in, First out



23

24



BlikophetWegennet

vansnelheidsgegevensopeenvastplaatsintervalofvasttijdsintervallevertnietdezelfdeinformatieop. Methetvoorbeeldinhetkaderopdevoorgaandepaginawordtdatverduidelijkt. Vanzelfsprekendisdeafgeleidevandesnelheid,endaarmeedetweedeafgeleidevaneentrajectorie,de versnellingvaneenvoertuig. Macroscopisch/microscopisch Weggebruikers verplaatsen zich van A naar B over een bepaald traject. Hierbij moet men voornamelijk rekeninghoudenmethetuiterlijkvandewegendevoertuigenindedirecteomgeving.Aandehandvan dezeindicatiesbepaaltdeweggebruikerzijn‘ideale’verplaatsing.Bijdebestuderingvanverkeersstromen wordt,naastdeindividuelevoertuigen,gekekennaarhetgroteregeheel,deverkeersafwikkeling.DeeiǦ genschappenvanindividuelevoertuigenwordenvastgelegdinmicroscopischevariabelen.DebelangrijkǦ stemicroscopischemeetgegevenszijndetrajectorie,volgafstandenopvolgtijd.Deverkeersafwikkeling wordtbeschrevenmetmacroscopischegegevens,datzijnintensiteit,dichtheidensnelheid.Zowellokale metingenalstrajectmetingengevenmacroscopischeenmicroscopischevariabelen. Inductielusvs.video Inductielussenzijnalleeninstaatompuntmetingenuittevoeren.Ditbeperkthetaantaloutputvariabelen voor het monitoringsysteem tot de lokale snelheid, intensiteit en opvolgtijd. Bij videodetectie is meer mogelijk,afhankelijkvandeverwerkingvanderuwedata(groepenvanpixels,dieeenvoertuigaangeven) zijndiversecombinatiesvanvariabelenmogelijk.EenmogelijkheidisomhetsysteemalleenmaarpuntǦ metingen uit te laten voeren. Of het stelt trajectoriën van voertuigen samen, waardoor in principe alle verkeerskundigekarakteristiekenbeschikbaarkomen.

2.2 Gegevensuitvideomonitoring Met de genoemde variabelen in de vorige paragraaf is de verkeersstroom te beschrijven. Uitgebreidere informatieovervariabelenomdeverkeersstroomtebeschrijvenistevindeninbijlageI.Naastvariabelen omdeverkeersstroomtebeschrijvenisnogmeertemetenaanhetverkeer.Indeverkeerskundezijneen aantalgegevenstypeaantewijzen.Variabelenzijnintedelenindeverschillendegegevenstypes.DediǦ verse variabelen kunnen dienen als input voor de verschillende toepassingen. In theorie zijn met videoǦ monitoringdeonderstaandegegevensteverzamelen(GoudappelCoffeng2002): Tabel1Universelelijstmetmeetgegevens

 

Gegevenstype

Variabele

Eenheid

Puntgegevens     Stroomgegevens       Voertuigkenmerken      

Intensiteit Snelheid Verblijftijd Aanwezigheid Capaciteit Volgafstand Opvolgtijd Dichtheid Reistijd Acceleratie/Deceleratie HerkomstǦBestemming Voertuigverliesuren Lengte Breedte Hoogte Voertuigcategorie Merk Aantalinzittenden Kenteken

vrt/h km/h sec sec vrt/h m sec vrt/km sec m/s2 Ǧ vrth m m m Ǧ Ǧ personen Ǧ

DoelmonitoringinNederland



Voertuiggedrag  Verstoringen    Weersomstandigheden  Wegomstandigheden

Rijrichting Strookwisselgedrag Afgevallenlading Stilstaandevoertuigen Voetgangers WerkinUitvoering Neerslag Zichtafstand Kwaliteitwegdek

Ǧ Ǧ Ǧ Ǧ Ǧ Ǧ Ǧ m Ǧ

 Kwaliteitgegevens Omtekunnenbeoordelenofvideomonitoringingezetkanwordenispertoepassingnodigtewetenaan welkeeisendemonitoringmoetvoldoen.Ofdemetingvaneenspecifiekevariabelevoldoendeis,hangt afvaneenaantalzaken(Benschop,A.W.1995).InhetonderzoekwordendevolgendepuntenonderscheiǦ den. x

Nauwkeurigheid: Met het hoofdcriterium nauwkeurigheid wordt het verschil aangeduid tussen de werkelijkewaardeendewaardevolgenshetsysteem(demeetgegevens).Hetgaaterominhoeverre eenfoutewaarnemingleidttotbijvoorbeeldeenverkeerdemaatregel. Betrouwbaarheid:Percentagedetectiesdatnodigisombetrouwbareinformatietekunnenleveren. Aggregatieintijd:isleveringvangegevensnoodzakelijkophetniveauvanindividuelevoertuigen,of vooreenperiodevanbijvoorbeeldvijfminuten? Aggregatieinruimte:hoegroot/kleinmaghetgebiedzijnwaaroverwordtgemeten,ofwelkblikveld moetinbeeldwordengebracht?Onderscheidistemakennaarbijvoorbeeldrijstrook,rijbaanofvolǦ ledigedoorsnede;puntlocatie,wegvakoftraject.EnmoeteropeenspecifiekelocatiewordengemeǦ ten? Dichtheidmeetlocaties:hoeveelmeetlocatieszijnernodigovereenbepaaldelengte(bepaaldehoeǦ veelheidwegvakkenachterelkaar)omrobuusteinformatietekunnenverzamelen?

x x x

x 

2.3 Verkeersmanagementtoepassingen AVV maakt een tweedeling in het continu waarnemen en registreren van voertuigen op het HWN. Het monitorenlevertgegevensvoordynamischenstatistischgebruik. x x

Dynamisch,dynamischesystemenverlangeneenpermanentestroomvanactuelegegevensoverde toestandopdeweg. Statistisch, bij statistische toepassingen worden opgeslagen gegevens achteraf gebruikt voor bijǦ voorbeeldverkeersonderzoekenevaluatievanhetverkeersbeleid.

 Daarnaastisbinnendedynamischeenstatistischegegevensweeronderscheidtemakeninsubgroepen. Dezeverdelingisgebaseerdophetverschilinoriëntatievandesystemen. InbijlageIIIiseencompleetoverzichttevindenvandeverschillendenapplicaties,dietegenwoordigop hetNederlandseweggennettoegepastworden.

2.3.1

Beschrijvingvanhethuidigeverkeersmanagementsysteem

HetverkeersmanagementsysteemzoalsopditmomentwordtgebruiktinNederlandiseennetwerkvan wegkantsystemen,opslagvangegevens,businesslogicenapparatuurvoordepresentatieenbediening. InFiguur7iseenvereenvoudigdeweergavetevindenvanhetmonitoringsysteem.VerzamelenvanverǦ keersgegevensgebeurtinNederlandvoornamelijkdirectlangsdekantvanderijbaan,metbehulpvande zogenaamdewegkantsystemen.WegkantsystemenbestaanuitdetectorenendestationsdiedeinformaǦ tievandedetectoren(meestaldeinductielussen)omzettennaarbruikbaredata.Systemenbovendeweg om de weggebruiker te attenderen, zoals de MSI (MatrixSignaalgeverInstallatie) behoren ook tot het wegkantsysteem. Binnen het Nederlandse wegkantsysteem is een tweedeling. Aan de ene kant het 



25

26



BlikophetWegennet

MWKS (Monitorings WegǦ KantSysteem). Dit systeem is alleenvoorhetmonitorenvan verkeer. De door het MWKS ingewonnen gegevens worǦ den direct doorgestuurd naar Monica (Monitoring Casco). Daarnaast is er een monitoǦ ring en verkeerssignaleringǦ systeem.DezegegevensworǦ den door het MTMǦ2 (MotorǦ way Traffic Management,  versie 2) gebruikt om weggeǦ Figuur7VereenvoudigdeschematisatievanhetNederlandsemonitoǦ bruikers te attenderen op ringsysteem(HetExpertiseCentrum,TrafficITServices2005) bijzondere situaties. Binnen hetMTMǦ2systeembevinden zichverschillendeapplicaties,bijvoorbeeldhetAID(AutomatischeIncidentDetectie)systeemofdeDSI (DynamischeSnelheidsInformatie).VanuithetMTMǦ2wordendeverkeersgegevensensignaleringgegeǦ vensmetbehulpvanSimone(SignaleringMonitoringNeofiguratie)naarMonicaverstuurd.Monicalevert aan de hand van de verkeersgegevens per waarnemingspunt minuutgegevens over de situatie op het wegennet. DegegevensdieMonicalevert,wordenophunbeurtdoorandereapplicatiesgebruikt.Monibas(MonitoǦ ringBasisapplicaties)levert“opgewerkte”informatiezoalsreistijdenfilelengte.DezeinformatiekangeǦ bruiktwordenvoordeverkeersinformatieofomopDRIP’stetonen.DeaansturingvandeDRIPgaatmet eenapartstuursysteem(CDMS),datMonicagegevensgebruikt.IndeverkeerscentraleofonǦlinekunnen deMonicagegevensomgezetwordennaargrafischeplaatjes.Daarnaastwordendewegverkeerleidersin de verkeerscentrale geholpen met BOSS (Beslissing OnderSteunend Systeem). Astrid (Afname StatistiǦ schegegevensRichtingIntensDatabase)zorgtvoorhetopslaanvanstatistischeverkeersgegevens.ToeǦ ritdoseerinstallaties(TDI)werkenzondertussenkomstvanMonicaofhetMTMǦ2meteeneigenalgoritǦ me.

2.3.2

DynamischeVerkeersmanagementtoepassingen

Het gebruik van DVM (Dynamisch VerkeersManagement) toepassingen blijft de laatste jaren gestaag stijgen.KenmerkendvoordynamischesystemenisdatzerealǦtimegegevensnodighebbenoverdetoeǦ standopdeweg.HiervoorwordendoorhetmonitoringssyteemgegevensbeschikbaargesteldoverbijǦ voorbeeldverkeersintensiteit,snelhedenenreistijd. TweebelangrijkeredenenomDVMǦtoepassingentegebruikenzijndeveiligheideneenverbeterdeverǦ keersafwikkeling. Een betere verkeersafwikkeling vermindert de kans op kopǦstaart ongevallen. Minder ongevallen betekent op zijn beurt minder congestie. Het wegennet wordt door het toepassen van de maatregelenbeterbenut.Delaatstetijdspelensteedsvakermilieubelangeneenrolvoorhettoepassen vanbepaaldeDVMǦsystemen. GrofwegzijnDVMǦtoepassingenintedelenindriegroepen,namelijk: 1. 2. 3.    

Netwerkgeoriënteerd Wegvakgeoriënteerd Wegbeheersystemen

DoelmonitoringinNed derland



Netw werktoepasssingen Netw werk georiëntteerde DVMǦssystemen zijn n vooral gericcht op een veerbeterde verrkeersafwikke eling door eeng gedeeltevanh hetwegennettwerk.Kenmeerkendvoordezesystemen nzijn: 11. 2 2. 3 3. 4 4.

Beïnvloed dingvanrouteekeuze Ergaatm meestalgeenlokalewerking gvanuit Inzichtpeerrijbaanisvo oldoende Minuutgeegevensvaakvoldoendenaauwkeurig  Netw werktoepassin ngeninNederrlandzijnreisinformatieviaaallerleikanaalenendebesslissingsondersteunenǦ de syystemen in veerkeerscentraales (DSS). Heet doel van deze d systemen is het stureen van wegge ebruikers, zodattdeverkeersaafwikkelingin nhetgehelen netwerkwordtverbeterd.D Desituatieop phetnetwerkwordtop ditm momentbepaaaldopbasisvandeintensitteitenensnellheden.Metb behulpvandeezegegevenswordtde plaattst en lengte van congestie bepaald en n de reistijden n. Om tot bettrouwbare neetwerktoepassingen te komeenzijnvoorsp pellingsalgorittmennodig.D Degemetenssituatieloopt namelijkachtteropactuele esituatie. Ditb betekentdatd desnelheden enintensiteitenvoldoend denauwkeurig g(2~5%)moeetenworden ingewonǦ nen. Deleengtevandem meetvakken,ofteweldeag ggregatieinru uimte,speeltookeenbelangrijkerolbijdehuidiǦ gepu untmetingen.Zijndewegvvakkentelang,dankomt nietalleendeeactualiteitvvandegegeve ensinhet gedraang,maarookdeonderscheidenheid.Immersalleve erschilleninssnelheidbinneenhetwegvakworden verefffend.Hoelan ngerhetmeettvak,hoemoeeilijkerhetwo ordtomsnelccongestietekkunnenbepale en. Dekw waliteitvandeaangebodeeninformatie speelteengroterol.Isdezzetelaagdan nwordenadviiezenniet opgeevolgdenheefftdeinformattieverschaffin nggeenenkeleinvloedmeeeropdenetw werkcondities.. Mogeelijkhedenvideeomonitoring Voor hetmakenvvanvoorspellingenzijnnau uwkeurigeen betrouwbareegegevensno odig.HetdoenvantelǦ lingenisvoordezeetoepassingeenhetbelangrrijkste.Eenco ombinatievan ntellingenheetherkennenvanvoerǦ tuigeenopbasisvaneigenschappenofkentekkenlevertnog gmeerinform matieopoverd deverplaatsin ngen. Voor toepassingen die reisinfo ormatie geven n aan de weg ggebruiker, bijvoorbeeld b vvia een DRIP of inǦcar systeemen geldt dat d de inǦ formatie actueel en beǦ wbaar moet zijn. z WanǦ trouw neer alleen inform matie noǦ dig iss over de fileelengte is hetvvoldoendeom mobservaǦ tiecamera’s te gebruiken. g Het enige e wat deeze cameǦ ra’s moeten vasttstellen is welo ofgeencongeestie.Hoe groteer het gebied d dat beǦ dekt wordt door de beelǦ den, hoe nauwkeeuriger de meld dingen. In heet geval van informatie over reistijden zijn z meer gegevens nodig.. Nadeel van het vaststeellen van reistijjden is dat dit altijd 

 Figuur8V Verkeerscentralle(106)



277

28



BlikophetWegennet

historischeofgerealiseerdegegevenszijnendusnietactueel.VoorhetvaststellenvandeactuelereistijǦ den is ten alle tijden een voorspelling nodig met een macroscopisch verkeersmodel. Voor de input van modellenzijnnauwkeurigetellingenvanbelang.Opditmomentwordtgewerktmetdelokalesnelheden enintensiteiten,metbehulpvancamera’sisextrainputmogelijk(trajectsnelheid,dichtheidetc.).UitgeǦ zochtmoetwordenwatdezegegevensvoorextraaanvullingopderesultatenvandeverkeersmodellen hebben.HetcombinerenvanderesultatenvanobservatieentellingengeeftmogelijkhedenomdemodelǦ lencontinueteverbeteren. Dewegverkeersleidersmoeteninstaatzijnomvoldoendesnelenopeenbetrouwbarewijzeoptemerken daterietsaandehandisophetwegennet.HiervoorishetnoodzakelijkdatdeverkeersleiderseenvolǦ doendenauwkeurigbeeldhebbenvandeactuelesituatieenhetliefstvandetoekomstigesituatie(BOSS). Hierdoorisdewegverkeersleiderinstaatomopgecoördineerdewijzeverkeersmanagementmaatregelen intezetten.Ditismetnamebelangrijktijdensnietregulieresituaties(bijvoorbeeldevenementen,werkǦ zaamheden, etc.). De situatie op een wegvak vaststellen is met beelden een stuk makkelijker voor de wegverkeersleider.WanneerdeverkeersgegevenseenvreemdeafwijkinglatenzienkansnelovergeschaǦ keldwordennaardebeeldenomtezienwathetprobleemisofdegevolgenvanhetprobleem.Aande handvandezeinformatiekandewegverkeersleidereffectieverensnellermaatregeleninzetten,bijvoorǦ beeld bepaalde stroken afkruisen. Voor het voorspellen van de verkeerssituatie ten behoeve van het BOSSsysteemgeldthetzelfdealsvoordemodellendiedereistijdenvoorspellen.Meerinputgegevensen de mogelijkheid om de uitkomsten te verifiëren met dehistorische beelden makenhet mogelijk om de modellencontinueteverbeteren. Tabel2Eisenvideomonitoringvoornetwerktoepassingen



Fileinformatie

Typedetectie observatie Nauwkeurigheid 5% Betrouwbaarheid 95~97% Aggregatieintijd minuut Aggregatieinruimte rijbaan Dichtheidmeetlocaties overlappendebeelden

Reistijden

DSS

telling 2~5% 95~97% minuut rijstrook <500m

telling 2~5% 95~97% minuut rijstrook <500m

 Wegvaktoepassingen DVMǦsystemen, georiënteerd op eenwegvak, zijn vooral gericht op een optimale, veilige doorstroming vaneenwegvak,toeritofkruisingenhebbenveelaldevolgendekenmerken: 1. 2. 3. 4.

Geendirecteroutebeïnvloeding Lokalewerking(directbijdeactuator) Inzichtperrijstrookgewenst Kortereactietijden  Wegvaktoepassingen zijn vaak onderdeel van een groter geheel. Zo vallen veel applicaties binnen het MTMǦ2systeem.Onderlinghebbendetoepassingenvaakverschillendedoeleinden.Omniettéalgemene uitspraken over de mogelijkheden van videomonitoring  binnen de wegvaktoepassingen te doen is een onderverdelingvandeverschillendetoepassingengemaakt. x

x

 

Toepassingendiewaarschuwenvoorafwijkendrijgedrag.HiervallenonderanderedeAID,LFB, Blokkadedetector,SOS,VADenspookrijderdetectieonder.Dezetoepassingenmoetenreageren bijvoertuigendietelangzaamrijden,stilstaan,deverkeerdekantoprijdenofopallerleiander vreemdepositieveranderingen,bijvoorbeelddooreenincident. Capaciteitverhogendetoepassingen.EenaantaltoepassingenwordeningeschakeldophetmoǦ mentdatdeverkeersdruktetoeneemt.VoorbeeldenzijndeTDI,DRM,DOV,DynamischinhaalǦ

DoelmonitoringinNed derland



x

DSIendoelgro oepstroken.D Detoepassing genmoetenaalsinputeeniindicatievan deafwikǦ verbod,D kelinghebben. Toepassin ngentenbeho oevevanhandhaving.DezzetoepassingeenmoetenzeeernauwkeuriigeenvaǦ riabele,b bijvoorbeeldssnelheidofvo oertuigcatego orie,kunnend detecteren.Hierondervalle endetraǦ jectcontro ole,maarookkdehandhavingopdoelgro oepstroken.

InbijlageIIIisuitgeebreidereinfo ormatieoverd deafzonderlijjkewegvaktoepassingenteevinden. gedrag Mogeelijkhedenvideeomonitoringvoorherkenniingafwijkendg De to oepassingen, die waarschu uwen voor affwijkend rijge edrag, hebben n niet zozeer de behoefte aan zeer betro ouwbare tellingen, maar  aan het sneel en nauwke eurig waarnemen van afw wijkend gedraag op rijǦ stroo okniveau.Op ditmomentb betekenthetvvaststellenvaanafwijkendg gedragnauwkkeurigenbetrouwbaar meteenvansnelheidenintensitteitoprijstroo okniveauenb bijvoorkeurvvanelkindivid dueelvoertuig g.Aande handvandezegeg gevenswordteenindicatieevandesituattieophetweg gvakgegeven n. Een groot gedeelte van deze metingen is te vervangen n door middeel van observvatie vanuit een e hoog stand dpunt.Hetgaatnamelijkbijdezemeting gennietomw watdeverhou udingtussend devoertuigklaassenisof eenn nauwkeurigeiindicatievandeintensiteitt.Observerenvandeverkeersstroomlevvertinformatiieopover voerttuigendiede verkeerdericchtingoprijden,hetontsttaanvancong gestie,inciden nten,stilstaandevoerǦ tuigeen, aanwezigh heid op de vlu uchtstrook vaan voertuigen n, hoge of lag ge dichtheid. Deze gegeve ens zijn al voldo oendeomdeo opgesomdew wegvaktoepasssingenaante esturen. Innieetallegevallenispreciesteezeggenwathetprobleem mis.Bijvoorbeeeldhetverscchiltusseneen nongeval enco ongestie.Alsaaanvullingop pdeobservatiiezijnhiervoo ordetellingen ntegebruikenopdevaste elocaties. Hogeeintensiteiten neneenstilsttandmelding duidtophet ontstaanvan ncongestie.B Bijlageintenssiteitenis hetw waarschijnlijkeenincidento ofeenstilstaaandvoertuig. Mogeelijkhedenvideeomonitoringvoorcapaciteiitverhogendetoepassingen n Dezeespecifieketo oepassingenh hebbenalsbeelangrijkstein nputeenindicatievande afwikkelingn nodig.Op hetm momentdatdedichtheidofdeintensiteitentehoogw wordenendekansopcong gestieontstaaatworden de geenoemde cap paciteit verho ogende toepassingen ingesschakeld. Om mdat het mom ment van aangaan niet op dee seconde en n voertuig nauw wkeurig hoeftt te worǦ den vastgesteld v iss het niet nodig g om extreeem hoge eisen n aan de nau uwkeurigǦ heid en betrouw wbaarheid van de d tellingen te t stellen. De dichtheid tu ussen de meettlocaties ho oeft niet hoog g te zijn. Tellingen tusǦ sen bijvoorbeeld b ttwee toeǦ ritten n zijn al vo oldoende. Dezee tellingen zijjn aan te vullen met de gegevens over afwijkend rijgedrag. Een gedetecteerd d incident benedenstrooms kan, onǦ  dankks een lage intensiteit i Figuur9To oeritdosering bovenstrooms, aanleiding a geventothetverh hogenvan 



29 9

30



BlikophetWegennet

decapaciteitbovenstrooms,ombijvoorbeeldvoertuigentebufferenophetbovenstroomseweggedeelte. Mogelijkhedenvideomonitoringvoorhandhaving Indewegvaktoepassingenzijnvooreenaantalsystemenextrainputparametersnodig.Handhavingstelt zeerhogeeisenaanhetvaststellenvandesnelheid.OpditmomentishetnietmogelijkommetvideoǦ beeldennauwkeurigenbetrouwbaardelocatieensnelheidvaneenvoertuigvasttestellen.KentekenherǦ kenningiswelmogelijkmetcamera’senwordtaltoegepast. Bijhandhavingopeendoelgroepstrookofvaneendynamischinhaalverbodmoetonderscheidgemaakt wordeninvoertuigtypen.Vanuitdeluchtisineersteinstantietedetecterenofvaneenbepaaldestrook gebruikwordtgemaaktofdattweevrachtwagensaanhetinhalenzijn.Dezeinformatiewordtgebruikt doorcamera’sopportalendieexactvaststellenomwatvoorvoertuighetgaatenindiennodigwordthet kentekengeregistreerd. Tabel3Eisenvideomonitoringvoorwegvaktoepassingen



Afwijkendgedrag

Typedetectie observatie Nauwkeurigheid 1Ǧ2% Betrouwbaarheid 97% Aggregatieintijd seconde Aggregatieinruimte rijstrook Dichtheidmeetlocaties overlappendebeelden

Capaciteitverhogend

Handhaving

telling 5% 95% minuut rijstrook >250m

observatie/telling ~0% 99% individueel rijstrook vastelocaties

 Wegbeheertoepassingen Bijhetwegbeheergaathetomdeinstandhoudingvandeoptimaleinfrastructuur.DeverantwoordelijkǦ heidvandezesystemenligtvooreendeelbijDWW(DienstWegǦenWaterbouwkunde).Voorbeeldenzijn Gladheidsmeldingen“WeighinMotion”.DespecifiekegegevensvoordezeapplicatieskunnennietgedeǦ tecteerdwordenmetvideobeelden. Eensysteemwatwelgebruiktkanwordenincombinatievanvideomonitoringishoogtemeting.HoogteǦ meting wordt gebruikt voor het beveiligen van kunstwerken, bijvoorbeeld tunnels en viaducten. Een te hoogvoertuigmoetoptijdeenwaarschuwingkrijgenenvoorhetobstakelderijbaanverlatenhebben. Mogelijkhedenvideomonitoring Het bepalen van de afmetingen van een voertuig met behulp van camera’s isalleen mogelijk met twee camera’s.Doorhetcombinerenvanbeidebeeldeniseenreconstructievanhet3DǦbeeldtemaken.Aande handvandezereconstructiewordtbepaaldofeenvoertuigwelofniettehoogis. Bijdeplaatsingvandecamera’smoetgezorgdwordendatocclusiewordtvoorkomen.Hetisvangroot belangdatdehoogtenauwkeurigwordtvastgesteld.Bijocclusiewordtdatonmogelijkgemaakt.Debeste locatieishetplaatsenvantweecamera’sopeenportaal. Eventueelishetsysteemteverbeterendooreenderdecamerateinstalleren,diedeeerstegroveschifting maakt(personenwagenvs.vrachtwagen).Hiervoorzoueenobservatiecameraalvoldoendezijn,dievan grotehoogtede lengte vanvoertuigen inde gaten houdt in combinatie meteen rijstrookindicatie. Met dezegegevenszijndetweecamera’sophetportaalaantesturen.Decamera’sophetportaalwetenwaar eenvrachtwagenverschijntenkunnenindiennodigeenaantalinstellingenwijzigenenhetalgoritmegeǦ richterzijnwerklatendoen. Dezetechniekwordtnogniettoegepastdoorfabrikanten,maaropdiverseterreinenheeftalonderzoek plaatsgevondennaarhetcombinerenvancameragegevens(InterviewComputerVision). 

 



DoelmonitoringinNederland



Tabel4Eisenvideomonitoringvoorwegbeheertoepassingen



Hoogtedetectie

Typedetectie observatie/telling Nauwkeurigheid 2~3% Betrouwbaarheid 99% Aggregatieintijd individueel Aggregatieinruimte rijstrook Dichtheidmeetlocaties vastelocaties 

2.3.3

StatistischeVerkeersmanagementtoepassingen

Statistischetoepassingenmakengebruikvanopgeslagenverkeersgegevens.AchterafwordendezegegeǦ vensgebruiktdoorverschillendegebruikersgroepen.Debelangrijkstestatistischetoepassingenzijnonder teverdelenindevolgendetweegroepen: x x 

Beleidenstatistiek Onderzoek

Beleidenstatistiek Op strategisch niveau wordt verkeersmonitoring toegepast voor beleidsdoeleinden. De informatie uit monitoringsgegevenswordtondermeergebruiktvoor: x

Verkennendonderzoektervoorbereidingophetontwikkelenvanbeleid(exante);aandeontwikkeǦ ling van (verkeers)beleid gaat in het algemeen beleidsondersteunend onderzoek vooraf. Daarbij wordtdehuidigesituatieinbeeldgebrachten deteverwachtenproblemenbijdetoekomstigeafǦ wikkelingvandeverkeersstromen.Opbasisvandiekennismakenbeleidsmakershunafwegingenen keuzes.Hoebeterzijgeïnformeerdzijn,hoebeterbeleidzijkunnenvoeren. x Het informeren van het bestuur over de recente verkeerssituatie; Verkeersmonitoringsgegevens kunnenwordengebruiktomhetbestuurteinformerenoverrecenteontwikkelingenindeverkeerssiǦ tuatie.Daarnaastkunnendeverkeersgegevens(meestalstatistischeinformatie)wordengebruiktom discussiesoverbeleidsissuesterationaliseren. x Evaluatiesvanhetbeleid(expost);expostevaluatieisdeevaluatievanuitgevoerdbeleid,ofwelhet beoordelenvandeinhoud,uitvoering,prestatieseneffectenvanhetgevoerdebeleid.ExpostbeleidǦ sevaluatie dient er primair toe om de effecten van uitgevoerd beleid vast te stellenen om deze te vergelijkenmetdeoorspronkelijkedoelstellingenvanhetbeleid. x Werk in uitvoering; voor een adequaat onderhoud van de wegen is het nuttig om de hoeveelheid verkeerendesamenstellingvanhetverkeeropdewegbijtehouden.OokkunnendeverkeersgegeǦ venswordengebruiktomvoorafeenbeeldtevormenvandeeffectenvandewegwerkzaamhedenop de verkeersafwikkeling. Zo kan er adequaat beleid worden opgesteld voor de periode waarin het werkinuitvoeringis.  Bij de verwerking van de gegevens wordt meestal gebruik gemaakt van verkeersmodellen. Met behulp vandeverkeersmodellenkunnenruwegegevenswordenomgevormdtotinformatiediebruikbaarisvoor deverschillendedoeleinden. Belangrijkegegevensvoorbeleidenstatistiekzijn: 1. 2. 3. 4. 5. 6. 

Voertuigverliesuren Voertuigverdeling(categorie) 24Ǧuursgemiddelden(intensiteitensnelheid) Trajectsnelheden Capaciteit Verstoringen



31

32



BlikophetWegennet

Mogelijkhedenvideomonitoring Alsbasisvoorbeleidsondersteunendonderzoekwordenveelaluurcijfersgebruikt.Dezegegevensworden vaakgemiddeldovereenlangereperiodedaneenetmaal.Zowordenweluurcijfersverstrekt,maarzijn dezegemiddeldovereenhelemaand.DezeinformatieismindergevoeligvooruitschietersenbetrouwǦ baarderdoorcontroleeneventueleaanvullingenachteraf.Hetgaatdaarbijoverhetalgemeenomlangere wegvakken. DevoordelenvanvideomonitoringtenopzichttevandeconventionelemethodenzijnvoorbeleidenstaǦ tistiek niet te vinden in het waarnemen van nieuwe verkeersgegevens, maar meer in het beter onderǦ scheid maken binnen de benodigde gegevens. Met videobeelden zijn de voertuigklassen verder uit te splitsen.Devoertuigverliesurenzijnbetervasttestellenbijeennauwkeurigevaststellingvandereistijden vanvoertuigen.Doornietalleentetellen,maarookteobserverenwattussendetellocatiesgebeurdisde reistijdnauwkeurigertebepalen.VerderwordthetmogelijkomtijdenswegwerkzaamhedentedetecteǦ ren,watmeerinformatiegeeftoverdeinvloedvandewerkzaamhedenopdeverkeersafwikkeling.Ende aanleidingenhetgevolgvanverstoringenzijnbeterinkaarttebrengenvoorbijvoorbeeldhetverkeersveiǦ ligheidbeleid. Tabel5Eisenvideomonitoringvoorbeleidenstatistiek

 Typedetectie Nauwkeurigheid Betrouwbaarheid Aggregatieintijd Aggregatieinruimte Dichtheidmeetlocaties

Beleid&statistiek telling 5% 97% kwartier rijbaan wegvakken



Onderzoek Verkeersmonitoringwordtveeltoegepastvooronderzoeksdoeleindenenvoorhetopstellenencalibreren vanverkeersmodellen.Omeenmaatregeltekunnensturen,oftekunnenregelenofomdeweggebruiker teinformerenisvoorspellingnoodzakelijk.DaarnaastishetvanbelangombijnieuwintevoerenconcepǦ ten(regelscenario's,ontwerpenetc.)deeffectenhiervantevoorspellen. Doordat verkeer een complex proces is met veel onderlinge afhankelijkheden en nietǦlineariteiten zijn modellennoodzakelijkomhetverkeertevoorspellenenteregelen. OmzogoedmogelijkdewerkelijkheidtekunnenvoorspellenisinzichtnodigineenaantalverkeerskundiǦ geproblemen: x x

Fundamenteleproblemeninhetgedragvanweggebruikers Problemen aan de input zijde van de modellen zoals HerkomstǦBestemming, routekeuze parameǦ ters,gedragsparameters.  Dezetweeproblemenkunnenvooreengrootdeelwordenopgelostdoormiddelvanverkeersmonitoring. Met behulp van wetenschappelijk onderzoek waarbij gebruik wordt gemaakt van gegevens van de verǦ keersstromenkanmeerinzichtwordenverkregeninhetwerkelijkegedragvanhetverkeerendeeffecten vanverschillendesituaties.Demodellenkunnenhieropwordenaangepast.DaarnaastkunnendemodelǦ lenbeterwordengekalibreerdengevalideerd,hiervoorzijngegevensvandeverkeersstromennodig. Benodigdeverkeersgegevenskunnenzijn: 1. 2.  

HerkomstenBestemmingInformatie VolgafstandenOpvolgtijd

DoelmonitoringinNederland



3. 4. 5. 6.

Acceleratie/Deceleratie Rijstrookverdeling Strookwisselgedrag Voertuigspecificatie(Typeenpassagiers)

 Mogelijkhedenvideomonitoring VoormodellenismeestalhetgebruikvanintensiteitenpervoertuigcategoriegebaseerdopminuutgegeǦ vensendeherkomstenbestemmingvanvoertuigeneenbelangrijkuitgangspunt. Voorhetonderzoeknaarhetgedragvanbestuurdersendeeffectiviteitvanmaatregelenzijnvaakallerlei anderegegevensdaarnaastinteressant.Inprincipeisalleswatmethetoogwaartenemenisuiteindelijk ookwaartenemenmetvideobeelden.Ditbetekenddatveelnieuwonderzoekmogelijkwordt. Op dit moment moet er voor bepaalde onderzoeken specialegegevens gedetecteerd worden. Hiervoor wordenalvaakcamera’stoegepast.TedenkenvaltaanhetgedragvanvoertuigenterhoogtevanweefǦ vakken.Wanneererveelmeerbekendisoverhoegereageerdwordtopbepaaldemaatregelenkunnende maatregelennogbeterafgestemdwordenopdesituatieofmetextragegevensdemaatregelenverder verbeteren. VoordynamischemodellenishetnuttigomveelinformatietehebbenoverhetvervoersgedragvanmenǦ sen.Hoemeererbekendisoverdeverplaatsingen,hoebeterhetmodelinstaatisomtoekomstigesituaǦ tiestevoorspellen. Tabel6Eisenvideomonitoringvooronderzoek



modellen

rijgedrag

Typedetectie telling&observatie observatie Nauwkeurigheid 5% 5% Betrouwbaarheid 95% 95% Aggregatieintijd minuut individueel Aggregatieinruimte rijbaan rijstrook Dichtheidmeetlocaties wegvakken vastelocaties  







33

34



Blikop phetWegenn net

3 Filesta F aartb beveiiligin ng h dwegenne hoofd et Eénvan dewegvakgeeoriënteerde toepassingen nisdeAID,be eterbekendaalsdefilestaartbeveiliging.Indit uk wordt een n beschrijving g gegeven van het doel en werking vaan de AID. Fiilestaartbeveiiliging hoofdstu wordt in n het vervolg van het onderzoek gebru uikt om de meerwaarde m v trajectoriemeetgegeve van ens te onderzoeeken.Detoep passingkentn nogeenaantaalprobleempunten,waarm mogelijkverb beteringentebehaǦ lenzijnm mettrajectoriedata.Inhoo ofdstuk6worrdeneenvierttalnieuwealtternatievenvo oordefilestaaartbeǦ veiligingalgoritmenopgesteld,die dezeprobleeempuntenmo oetenverminderen.Debeenodigdedataavoor hetbeoo ordelenvandeealternatieveenkomtuitdrriedatasets(h hoofdstuk5). Zowel in n Nederland aals in Zweden is filestaarttbeveiliging één é van de belangrijkste aaangeboden DVMǦ maatregelen(Remeijn n,1994).Wanneerdevoerttuigsnelheden nondereenb bepaaldedrem mpelkomen, endit vooreen nvoorafingessteldaantalsttrokengebeurrd,wordthetverkeermet behulpvanm matrixsignaalg gevers bovendeesnelweggew waarschuwd.Hetsysteemheeftzichdeafgelopen255jaarbewezenalseenbelaangrijǦ kefactorrvoorderedu uctievansecundaireongeelukken.Hetg geeftdaarnaaastoperators indeverkeerrscenǦ traleinfo ormatieoverd defilelocatiess.Wanneerco ongestieontsstaatopeen zeerongebru uikelijktrajecttisdit aanleidin ngomdeoorzaakteonderzoeken.Hierrdoorheefthetsysteemeensoortvan incidentdetecctiein zich.

3.1

  Figuur10AIDopd deA13in1982((BeeldbankRW WS)

 

HistorieAID

In de jaren n ‘70 had RijkswaǦ terstaat dee meetǦ en regelǦ techniek o op autosnelw wegen aardig ond der de knie.. Met behulp van n de inductielussen kon men n langskom mende voertuigen detecteren. Dit betekende hetbeginvanveel nieuwe verkeersku undige mogelijkheeden. Een ve eelbeǦ lovende n nieuwe toepaassing was in diee beginperiod de het detecteren n van incide enten, waardoor op een centraal punt maattregelen getrroffen kondenwo orden.Alseen ninciǦ dent betrouwbaar en snel genoeg zo ou kunnen worden gedetecteeerd, zou zelffs het aankomend d verkeer auttomaǦ tisch voor het inciden nt geǦ wdkunnenwo orden. waarschuw

Filestaartbeveiliginghoofdwegennet



Met een dergelijke maatregel zouden kettingbotsingenvoorkomen kunnen worden.Het systeem kreeg de naam closed loop AID mee, oftewel zonder tussenkomst van anderen wordt automatisch op het keergereageerd.InNederlandmonddedituitindedoorRWSenPhilipsgezamenlijkontwikkeldeautoǦ snelwegsignalering. ToendesignaleringzoverwasomingebruikgenomentewordenwarenuiteindelijktweealgoritmekanǦ didatengereedominhetonderstationopgenomenteworden:eeneenvoudigalgoritmedatdeverkeersǦ toestandindeeldeineen2x2ǦtabelvansnelheidsǦenintensiteitsklasseeneenwatingewikkelderalgoritǦ medatreageerdeopverschuivingenvanverkeernaarandererijstroken,zoalsdatnaarverwachtingzou plaatsvindenalsmenomeenincidentmoestheenrijden.Bijoverschrijdingvandegrenswaardentradinde centrale een zogenoemd 'AIDǦalarm' op, een tekstregel op het bedieningsscherm die aangaf waar de overschrijdinghadplaatsgevondenvoorzienvanwataanvullendeinformatieterbeoordeling. Al snel bleekdat de intensiteitswaarden geen meerwaarde voor het systeem opleverde en het systeem werdopdatmomentalleenaandehandvansnelhedeningesteld.HetvertrouweninhetsnelheidsalgoǦ ritmewasvoldoendeomhetclosedloop3telatendraaien.HetalgoritmedatkeeknaarrijstrookverschuiǦ vingengafechterdoorlopendvalsealarmenaf,dieookmetstrengereparameterinstellingennietafdoenǦ dekondenwordengeweerd. In de verstreken jaren zijn in het systeem maar kleine wijziging doorgevoerd. Al met al is in de laatste decenniaweinigaanhetAIDsysteemveranderd.DeambitieommetinductielussenongevallentedetecǦ terenislangzaamweggeëbd(Toorenburg2002).AIDkanmenhetbesteomschrijvenals"filestaartbeveiliǦ ging".Hetalgoritmeopbasisvanrijstrookverschuivingenwasalvrijweldirectuitdespecificatievanhet onderstation verdwenen. Opgemerkt moet worden dat de laatste jaren het onderzoek naar incidenten nieuw leven is ingeblazen door de opkomst van spitsstroken (blokkadedetector).  De blokkadedetector maaktgebruikvanintensiteiten.

3.2

DoelAID

HetprimairedoelvanhetAIDishetbeveiligenvandefilestaart.DedoelstellingisomhetaantalsecundaiǦ reongevallenindefileteverminderenmetdezemaatregel.Filestaartbeveiligingishetwaarschuwenvan aankomendvrijverkeervoorhetnaderenvancongestie.Dezetaakgaatdoortotdathetlaatsterestjefile isverdwenen.Hetsysteemtreedtookinwerkingalserhelemaalgeenincidentisgebeurd,maarbijvoorǦ beelddoorcapaciteitstekorteenfileisontstaan. InFiguur11isaangegevenwathetverschilistussendedetectievaneenincidentofhetbeveiligenvaneen file. Bij incidentdetectie is alleen het punt waar de file start van belang. Het beveiligen van een file beǦ strijkteenveelgrotergebied.EengoedAIDǦalgoritmedetecteerteenfilesnel(binnenenkeleseconden) en plaatst de beelden dusdanig boven de weg dat het aankomende verkeer zo snel mogelijk wordt geǦ waarschuwd.Vervolgensmoeteenbetrouwbaarbeeldbovendefilegetoondworden.EenAIDdatvalse meldingengeeftofcontinuaanǦenuitgaatboezemtweinigvertrouwenin,waardoordeeffectiviteitafǦ      3



zonder tussenkomst van een operator



35

36



BlikophetWegennet

neemt. Een afweging moet daarom worden gemaakt tussen keurigheid (snel de goede beelden sen) en heid (een stabiel sysǦ teem).     Figuur11Filestaartbeveiliging(Toorenburg2002)

3.3

 

AIDǦalgoritme

HetAIDǦalgoritmewerktopbasisvaneenvergelijkingvandegemiddeldesnelheidmeteengrenswaarde. Desnelheidwordtperrijstrookberekendengetoetst.Komtdesnelheidonderdegrenswaarde(dezeis ingesteldop35km/uur)danzalhetAIDaangaan.Komtdesnelheidweerboveneengrenswaardedanzal hetAIDweeruitgaan. Desnelheidvoordetoetsingwordtberekenduit de rijtijden (AVV 2000), die door de inductielusǦ sen worden gemeten4. Omde invloed van foutǦ metingen te minimaliseren worden de rijtijden eerst gefilterd op te hoge (omgerekend >200 km/uur)enwordensnelheden<18km/uuropgeǦ hoogd naar 18 km/uur. De rijtijden die ven, worden vervolgens gebruikt voor de bereǦ kening van de afgevlakte rijtijd. De rijtijd wordt afgevlakt om fluctuaties in de snelheden te dempen. Incidentele uitschieters, door bijvoorǦ beeldmeetfoutenoféénlangzaamrijdendvoerǦ tuig, kunnen het AID hierdoor niet aan of uit krijgen, zodat een stabiel beeld ontstaat. De afgevlakte rijtijd wordt vervolgens omgerekend

Formuleafgevlakterijtijd(P): Als de gemeten rijtijd kleiner of gelijk is aan de huidigeafgevlakterijtijd: Pnieuw=Ƚacc*Pgemeten+(1ǦȽacc)*Poud Als de gemeten rijtijd groter is dan de huidige afgevlakterijtijd: Pnieuw=Ƚdec*Pgemeten+(1ǦȽdec)*Poud MetvoordeȽ’s: Ƚacc=0,15&Ƚdec=0,40

     4

Relatie tussen rijtijd en snelheid: De rijtijd van een passerend voertuig die door middel van een inductieluspaar gemeten wordt komt overeen met de tijd die nodig is voor het afleggen van een afstand van 2,5 meter (= een lus van 1,5 m plus 1 m tussen de lussen van een luspaar). Een snelheid van 1 km/u komt derhalve overeen met een rijtijd van 9000 ms.

 

Filestaartbeveiliginghoofdwegennet



naardesnelheid.Dezesnelheid is(bijdehuidigeinstelling)pas geldig als er minimaal 12 corǦ recterijtijdenzijngemeten. Door gebruik te maken van twee verschillende ren (Ƚ acc en Ƚ dec ) kan de vloedvandegemetenrijtijdop de gemiddelde rijtijd bij zaam rijdend verkeer worden vergroot  en bij snel rijdend verkeer worden verkleind. De snelheidsdalingwordthierdoor minderafgevlaktdaneensnelǦ heidsstijging. Het AID zal door sneller reageren op een file indicatie en iets langer aanblijven, zodat te snelle beeldwisselingen worden voorkomen.

 Figuur 12 Voorbeeld AID met afvlakking op basis van snelheid en rijtijd(Rij2002)

DeredenwaarombijhetafvlakkenwordtgerekendmetrijtijdeninplaatsvansnelhedenisdateenafvlakǦ kingopbasisvanderijtijdsnellerenbeterreageertopsnelheidsverschillen(Rij2002).Ditkomtomdatin de formule voor het afvlakken een hoge waarde (de rijtijd in milliseconden) een grotere invloed op de uitkomst heeft dan een kleine waarde (de snelheid). In Figuur 12 is een voorbeeld opgenomen van een plotselinge verandering in de snelheid van 120 naar 30 km/uur en weer terug naar 120 km/uur, waarbij dezelfdesnelhedenwordenafgevlakt.Deafvlakkingopbasisvanrijtijdreageertsnelleropeendalingvan desnelheidenvolgtdezedieperdandeafvlakkingopbasisvandesnelheden.BijhetafvlakkenmetrijtijǦ denzalbijhet6evoertuigdeAIDaangaan,enbijdeafvlakkingopbasisvandesnelheidpasbijhet8e voertuig.OokblijfthetAIDlangeraanbijhetafvlakkenmetrijtijden. Devolgendestapishetclassificerenvandesnelheidopdeverschillenderijstrokenaandehandvaneen onderǦenbovengrens.Komtdeafgevlaktesnelheidonderdeondergrens(huidig=35km/uur)daniserfile opdebetreffenderijstrook.DeklasseninhethuidigesysteemstaaninTabel7gedefinieerd. Tabel7KlassenAID

Klasse X 0 D 1

Betekenis Geendata Geenfile,snelheid>50km/h “Doubtfull”, snelheid tussen de 35 en50km/h File,snelheid<35km/h

 Voordathetbeeldwordtingetrokkenmoetdeafgevlaktesnelheidhogerzijndandebovengrens(huidig= 50km/uur).TussendeovergangvanfilenaarfilevrijisereenklasseDvan‘doubtfull’(twijfelachtig).De klasseDwordtgebruiktalsovergangtussen‘geencongestie’en‘congestie’enomgekeerd.Doorgebruik temakenvaneenklasseDwordtvoorkomendatveelbeeldwisselingenontstaan. Bij de classificatie kan gebruik worden gemaakt van dubbele bovenǦ en ondergrenzen (Figuur 13). De grenzenzijnaangegevenmetbovengrenshoogenlaag.DegrenslaagwordtbijeensnelheidsdalinggeǦ 



37

38



BlikophetWegennet

bruiktvooreenovergangvandeclassificatie,endegrenshoogbijeensnelheidsstijging.Hetgebruikvan dedubbelebovenǦenondergrenzenisookeenmiddelomdestabiliteitteverhogenentesnellebeeldwisǦ selingentevoorkomen. Ofereenbeeldbovendewegwordtgetoondisafhankelijkvandecombinatievandeclassificatiesoverde rijstroken. De verschillende combinaties en de bijbehorende beelden zijn opgenomen in een actietabel (Tabel8). Tabel8Voorbeeldactietabelvooreendriestrooksrijbaan

Klassecombinatie

Aanvraag

000 D00 DD0 DDD 100 1D0 1DD 110 11D 111

Geenmaatregel Geenverandering Geenverandering Geenverandering [50] [50] [50] [50] [50] [50]



 Figuur13WerkingclassificatiemetdubbelebovenǦenondergrenzen (Rij2002)

Figuur14Plaatsingbeeldenopportalen(Rij2002)



 De plaatsing van de volledige maatregelgebeurtaandehand vandevolgendestappen: x Op het portaal stroomopǦ waartsvanhetdetectorstaǦ tion waarop congestie is gedetecteerd wordt een [50]geplaatst; x Afhankelijk van de situatie, bijvoorbeeld in tunnels) wordtde[50]eenaantalkeǦ ren gekopieerd naar stroomopwaarts gelegen portalen; x Stroomopwaarts van de laatste[50]wordteeninleiǦ ding[70]geplaatst; x VervolgenswordenerkruisǦ relaties tussen rijbanen aangebracht; x Tot slot worden flashers (knipperende lampen naast de matrixborden) aan elk eerste [50] en [70] toegeǦ voegd.

Het OS zorgt er vervolgens voor dat de volledige maatregel op de signaalgevers wordt geplaatst. Een maatregelkanookrechtstreeksuitdeverkeerscentralekomen,bijvoorbeelddooreenoperator.

 

Filestaartbeveiliginghoofdwegennet



DeconfiguratievandedetectorǦendeonderstationsisopgenomenindedatabase.Indedatabasewordt aangegeven welke verkeersstromen kunnen worden onderscheiden en hoe de beelden boven de weg wordengeplaatst.

3.4

VerbeterpuntenAID

Ineenin1998uitgevoerdonderzoeknaarhetfunctionerenvandeAID(Rij2002)isuitgebreidgesproken met alle betrokkenen en is een toets in de vorm van een veldevaluatie uitgevoerd. Hieruit kwam naar vorendatdeAIDalsfilebeveiligernaarbehorenwerkt,indiezindatinzeker98%vandegevallenaankoǦ mend verkeer eerst een snelheidsbeeld ziet en pas dan in de file terechtkomt, terwijl het vrijwel nooit voorkomt dat de AID 'spontaan' aangaat, dat wil zeggen zonder dat er een verkeersverstoring aan ten grondslagligt. IneenpaarsituatieslaathetAIDstekenvallen.Ditheefttemakenmet: x x x x

3.5

Werkvakkenwaardemonitoringisuitgeschakeldenportalendiehelemaalnietwerken. Telaatwaarschuwen,waardoormeneerstindefileterechtkomtendanpaseensnelheidsbeeldteǦ genkomt;zo'nfoutkanfatalegevolgenhebben. Filediemaarnietonderde35km/huurkomt,waardoordeAIDnietaanspringt. Compacteschokgolvendievantijdtottijdvoordesignalering"evenuithetzichtverdwijnen"omdat defilenettussentweemeetpunteninvalt:demaatregelwordtdanweggehaaldmaardeschokgolfis natuurlijknogaanwezig.

Onderzoeksopzetfilestaartbeveiliging

Omdefilestaartbeveiligingindetoekomstteverbeterenwordtgekekennaardemogelijkhedenvanhet verkrijgen van extra gegevens met behulp vantrajectmetingen. Individuele trajectoriën  van voertuigen zijnschaars.Maarweinigdatasetszijndirectbeschikbaar.HetonderzoekwordtuitgevoerdmeteendrieǦ taldatasets.DeTNOdatasetbestrijkteenaantalurenenmetbehulpvandezedatasetismeertezeggen overhetgedragtijdensschokgolven.Deanderetweedatasetszijnkortendaarommeergeschiktomhet momentvanaangaanteevalueren. Inhetonderzoekstaatdemeerwaardevantrajectoriëncentraal.Zoalstelezenwasindeverkeerskundige inleidingishetmogelijkommeteentrajectmetinghetruimtegebruikafteleiden,maarookdeinstantane snelheid.Daarnaastisdeafgeleidevaneentrajectorie,deversnellingvaneenvoertuig.Dezedrieextra gegevens,tenopzichttevaneenpuntmeting,pluseencombinatievandedriegegevenszijnhetuitgangsǦ puntvoordealgoritmen.Devolgendevieralgoritmenwordenbeschouwd: x x x x

Trajectsnelheid Versnellingen Dichtheidopbasisvanruimtegebruik Combinatiesvandedriebovenstaandevariabelen

Dedriemethodenwordengeëvalueerdopbasisvanderesultatendiewordenbehaaldtenopzichttevan hethuidigeAIDǦmechanisme.  







39

40



BlikophetWegennet

4 Videomonitoring De vorige hoofdstukken gingen over de verschillende verkeermanagementtoepassingen. Hoofdstuk 4 gaatoverdedetector(videobeelden),diecentraalstaatinhetonderzoek.Tegenwoordigzijneenaantal completevideomonitoringsystemenbeschikbaar.Debeschikbaresystemenhebbenveelovereenkomsten metelkaar.Eenaantalvandezesystemenzijninonafhankelijkestudiesonderzochtopnauwkeurigheiden betrouwbaarheid.Ookzijninonseigenlandeninhetbuitenlandervaringenopgedaanmetmonitoringvia videobeelden. Hetautomatischgenerenvanmeetgegevensuitvideobeeldeniseenmoeilijkprocesenisgevoeligvoor veel wisselende factoren. Om tot een nauwkeurig en betrouwbaar monitoringsysteem te komen moet elkeafzonderlijkecomponentvaneengoedekwaliteitzijn.Hetprocesvaninstallatievandecameranaar het volgen van voertuigen door het beeld wordt uitgebreid beschreven in het nu volgende hoofdstuk. Hierbij wordt ingegaan op de verschillende afzonderlijke algoritmen. Aandacht is er ook voor verdere verbeteringenvandesystemendoortrainingendatafusie. Hetautomatischverwerkenvanvideobeeldeniseenbelangrijkonderzoeksgebiedindewetenschap.Dit betekenddatdealgoritmenvoorhetverwerkenvanbeeldensteedsverderverbeterdworden.IndetoeǦ komst wordt steeds meer mogelijk, zoals nieuwe toepassingen. De laatste paragraaf in het hoofdstuk gaatinopdenieuwemogelijkhedenvanvideomonitoringindetoekomst.

4.1 Standvanzaken Sindsheteindvandejaren’70wordtdoorenkelebedrijvenveelonderzoekgedaannaarmonitoringmet behulp van videobeelden. Wereldwijd zijn tegenwoordig een kleinaantalproducenten actief ophet geǦ bied van verkeersmonitoring met behulp van videobeelden. De gebruikte technieken lijken vandaag de dagnogveelopeenvervangingvandeinductielus.

4.1.1

BasiscomponentenvanVIPǦsystemen

De techniek om verkeersgegevens uit videobeelden te halen wordt veelal aangegeven met VIP (Video ImageProcessing).EenVIPǦsysteemheeftdriebasiscomponenten:Input,beeldverwerkingenoutput.De inputverwijstnaardegegevensstroomvandiversevideocamera's.Deoutputisgewoonlijkeenbeelddat eenselectievaninputenresultatenvanhetsysteemtoont.VIPǦsystemenanalyserendeveranderingen tussen opeenvolgende videoframes. Voorbijkomende voertuigen laten pixels in een beeld veranderen. Aandehandvandezeveranderingenwordengegevensuitdevoertuigpassagesgehaald.DrietypeVIPǦ systemenzijnteonderscheiden(Martin,FengenWang,DetectorTechnologyEvaluation2003): x x x

Tripline Closedlooptracking Dataassociationtracking

De Tripline systemen zijn een functionele vervanging van de conventionele inductielus. Tripline laat de gebruikereenaantalopsporingsgebiedenbepaleninhetvideobeeldenmeetdaarbinnenveranderingenin pixels, die door passerende voertuigen worden veroorzaakt. De opsporingsgebieden zijn als het ware virtuelelussen.Devirtuelelussenmoetentijdensdeconfiguratieinhetbeeldaangebrachtworden.Closed loopsystemenzijneenuitbreidingopdetriplinebenadering.Inzoverredatdeopsporingvanvoertuigen langs langere trajecten kan worden uitgevoerd. Het systeem volgt onophoudelijk voertuigen door het  

Videomonitoring



camerabeeld. Een voertuig wordt meerdere malen gedetecteerd. Data association trackingsystemen detecteren de voertuigen ook meerdere malen op een traject, maar doen dit op basis van pixeleigenǦ schappen. Clusters van pixels worden in het beeld gezocht en met deze informatie worden de unieke voertuigenherkend.

4.1.2

VIPǦproductenoverzicht

In de jaren ’70 van de vorige eeuw  is het onderzoek naar de mogelijkheden van videomonitoring voor verkeerstoepassingen gestart. Dit heeft geleid tot een handvol firma’s, die videomonitoringapparatuur producerenenverkopen.Detoepassingsgebiedenvandefabrikantenlijkenveelopelkaar.Elkeproducent biedtsystemenaandiegeschiktzijnvoortoepassingenopsnelwegen,tunnelsofinhetstedelijkgebied. DeproductenvoorhetstedelijkgebiedzijnvooralgerichtopmonitoringvoorhetregelenvankruispunǦ ten.OpsnelwegenenintunnelswordenproducǦ ten geleverd, die geschikt zijn om verkeerskunǦ digeparametersteverzamelenofongevallenen andervreemdvoertuiggedragtedetecteren.Per fabrikantzijnmeestaltweeoptiesmogelijk.Ten eerste een beeldbewerkingskaart, die geplaatst wordt in een wegkantstation of andere ruimte, waaropeenlossecameraaangeslotenwordt.Of menheeftdekeusuiteencamerametdaarinde verwerkingsmodules geïntegreerd. Op dit moǦ mentzijndevolgendecompletesystemenopde markt. Autoscope (87), dat onderdeel is van Image Sensing Systems Inc, verkoopt hun  ducten onder de naam Terra5. De productlijn is  beschikbaarindeSolouitvoeringofRackvision. Autoscope is in meer dan 55 landen actief. De Nederlandse distributeur voor de Autoscope producten is TEC Traffic Systems (98) uit NieuǦ wegein.Citilog(89)iseenfransefirmaenbrengt hun producten uit onder de naam VisioPad. VisioPadisnietbeschikbaarineengeïntegreerǦ deuitvoering.HetBelgischeTraficon(102)richt zich geheel op het ontwikkelen en produceren van  voertuigmonitoringapparatuur met behulp van videobeelden en is wereldwijd actief. TrafiǦ  con heeft de VIP en TrafiCam als belangrijkste  Figuur 15 Autoscope Terra producten (Boven producten.VantageisdenaamvoordeproducǦ RackvisionbenedenSolo) ten van het Amerikaanse Iteris (93). In NederǦ land is de distributeur Traffic Development and      5



Naam van de nieuwe productenserie vanaf 2007



41

42



BlikophetWegennet

InnovationB.V.(101)uitOosterhout.PEEK(97)levertproductenonderdenaamVideoTrak.OmdatPEEK het niet voor elkaar kreeg om nauwkeurige algoritmen te maken heeft men de hulp van het Belgische Traficon(102)ingeroepenenzijndealgoritmenvanTraficonopditmomentindePEEKproductentevinǦ den. Tabel9Producentenenproducten

Producent

ProductnaamLossecomponenten

ProductnaamGeïntegreerdecamera

Autoscope Citilog Traficon Iteris PEEK

TerraRackvision VisioPad VIP Vantage VideoTrak

TerraSolo Ǧ TrafiCam Vantage Ǧ

 Autoscope heeft een beeldbewerkingprocessor en een communicatie interface in hun producten. Het systeem is in staat om meerdere stroken en meerdere detectiegebieden te verwerken. Autoscope is in staatomvoertuigenteherkennen,verkeersgegevensteverzamelenentegebruikenvoorincidentdetecǦ tie. Te detecteren variabelen zijn: aanwezigheid, intensiteit, bezetting, dichtheid, snelheid en voertuigǦ classificatie.CitilogbeweertdatVisioPadhetenigesysteemis,datnietgeconfigureerdhoeftteworden. Hetsysteemiszelfinstaatomalleparametersintestellen.MetVisioPadishetmogelijkombeeldendiǦ rectopeenhardeschijfopteslaan.Nadeelvandergelijkebewegendeonderdelenis,dathetsysteemeen kortelevensduurheeft.DeTraficonVIPiseencompleteverwerkingsmodulemetembeddedsoftware.Op het beeld worden lijnen aangebracht waarop voertuigen gedetecteerd worden. De kaarten kunnen geǦ groepeerd worden in racksystemen. De variabelen snelheid, intensiteit en bezettingzijn te verzamelen. Ookzijnkaartenbeschikbaarmetincidentdetectiesoftware.DeTrafiCamisvooralgeschiktvoordemoniǦ toringbijVRI’s.VantageisenigszinsaangepastaanhettoezichtendecontrolevangesignaleerdekruisinǦ gen(hetontdektvoertuigaanwezigheid).VideoTrakisinstaatom32detectiegebiedentedetecterenen hetismogelijkomgegevensvaninductielussenteintegrereninhetsysteem.

4.1.3

Ervaringengebruikvanvideobeeldenvoormonitoring

In Nederland is nog weinig ervaring opgedaan met videomonitoring. De systemen worden maar sporaǦ dischtoegepastenmeestalalleenopplaatsenwaarlussennietgoedwerkenofvoorbeveiligingintunnels. WelzijndoorAVValtestenmetdesystemenuitgevoerd.Wereldwijdwordtmeermetvideomonitoring gedaan.Rondeenaantalstedenzijncamera’sdebelangrijksteinformatiebronvoorhetverzamelenvan verkeersgegevens.Daarnaastzijneenaantalstudiesgedaannaardenauwkeurigheidenbetrouwbaarheid vandeverschillendesystemen. ErvaringengebruikVIP In2003heeftAVVhetAutoscopeSoloProsysteemendeTraficonVIPgetestophetNederlandseHWN (Bergen2003). Deconclusiesvandezetussenrapportagewarennietoverweldigend.HetAutoscopesysǦ teem vertoonde in eerste instantie teveel afwijkingen (circa 14%) om als alternatief voor lusdetectie te dienen.Correctieszoudenhetsysteemeventueelnogverbeteren.Deanalysevandemeetgegevensvan deTraficonVIPlietfoutenoplopendtot17%zien.Defabrikantheeftwijzigingenaangebracht,maardie zijndoortechnischeproblemennietverdergeanalyseerd.UitdeeerstetestresultatenbleekdatdelijnverǦ lichtingonvoldoendelichtleverdeom’snachtscorrectelengtemetingenvanvoertuigentedoen.AangeǦ zienditeeneisisaandemonitoringinNederlandmoethiervoornogeenoplossinggezochtworden.

 

Videomon nitoring



F Figuur16Trafi iconproducten n(LinksVIP,recchtsTrafiCam))

Deco onstructievan nderingweg rondAntwerrpenbestaat uitgewapend dbeton.Doorrdewapeningworden de in nductielussen gestoord, waardoor w deze monitoring gmethode on nmogelijk is g geworden. Monitoring M vindttdaaromplaaatsmetbehulpvanvideocaamera’s.Tijde enseenbezoeekaanhetveerkeerscentruminAntǦ werp penisuitgebreeidkennisgeemaaktmeth hetmonitorin ngsysteem.M Mengebruiktvvoordeverwerkingde TraficconVIP.Lang gshettraject hangeninlicchtmastenop pzo’n18meteerhoogtecam mera’s.Hetd doelishet meteenvanverkeersgegevensendedetectievanincidente en.Doorgebrruiktemaken nvanAIDǦcam mera’szijn deveerkeersgegevensnietaltijd devenbetrou uwbaar.Vooralwanneerdedrukteopd dewegtoene eemtontǦ staan nproblemenm metocclusie.Hetgevolgissdatdebezetttingsneloplo ooptnaar100 0%.Incidentenworden met hetsysteemssnelgedetectteerd.Eenstilstaandevracchtwagenop devluchtstrookwordtine enkeleseǦ condengeregistreeerdengetoondopéénvan ndeschermen nindeverkeeerscentrale. Erva ringenvanu uitdeliterattuur merktworǦ VerscchillendeevalluatiesvandeeVIPǦsystemeenzijnindelitteratuurbescchikbaar.Wel moetopgem den dat d de techn nieken in rap tempo veran nderen. Doorr computers met meer reekenkracht worden w de beeld dverwerkingalgoritmensteeedskrachtigeerendaarmee eneemtdenauwkeurigheidenbetrouw wbaarheid vand degegevensvverdertoe. Ineenstudievan MNDOT(MN NDOT2002)w wordtdenauw wkeurigheidvvanintensiteiitenensnelhe edenmet TraficconenAutoscopeproducttenonderzocht.Desystem menwerdeng getestopversschillendelocatiesmet verscchillende instaallatiemethod den, omdat de d kwaliteit van de gegeveens afhankelijjk is van de montageǦ m hoog gte. Per rijstro ook treden oo ok verschillen n op, omdat meestal de camera’s c lang gs de wegkan nt worden geplaaatstinplaatssvanopporttalenbovend deweg.Traficconpresteerd debeterbuiteendespitsdaantijdens spitsp perioden.De foutlagbijd deintensiteiteentussende 5%en10%. Deopsporing gsfoutvande esnelheid was8 8%tot12%.B BijAutoscopelagdefoutbijdeintensite eitentussend de3%en10%voordemeessteinstalǦ latieh hoogten,enlaagerdan6%indemeesteg gevallenvoorrsnelheid. Martin(Martin,FeengenWang, DetectorTechnologyEvalu uation2003)((Martin,EvaluuationofUDO OT'sVideo Detecction Systemss: System's Performance in n Various Testt Conditions 2004) 2 evalueeerde de presttaties van Autoscope,Trafico on,IterisenP PEEKVIPǦsysttemen.Traficconbehaalde debesteresu ultatenmeteendetecǦ ndevoertuigen.Autoscop pedetecteerde92%vandeevoertuigenccorrect.IterissenPEEK tievaan96,4%van behaalderespectieevelijk85%en n75,8%correctemetingen n. 



433

44



BlikophetWegennet





Figuur17ProductenIterisVantage(links)&PeekVideoTrak(rechts)

Middelton en Parker (Middleton en Parker, Initial Evaluation of Selected Detectors to Replace Inductive LoopsonFreeway2000)testtePeekADRǦ6000,AutoscopeSoloPro,IterisVantage,3MMicroloopsenEIS RTMSophetsnelwegproefvakvandeTexasTransportationInstitute.AlleendetweedeenderdezijnVIP systemen.Prestatiesvanvoertuigclassificatie,snelheid,intensiteitenenbezettingenwerdenonderzocht. DegemiddeldefoutindeintensiteitbedroegbijAutoscopeminderdan5%totdatdesnelheidonderde64 km/hkwam.Opdatmomentsteegdefouttottussende10en25%.DesnelheidsmetingmetAutoscope verschildegemiddeld5km/hmetdegeijktesnelheid.Endegemetenbezettingverschilde3,9%metde inductielussen. Van het Vantagesysteemlag degemiddelde intensiteit fout op 7%.De nauwkeurigheid vandesnelheidzattussende3,6en8km/h.Endebezettinggafeenverschilvan8,1%metdeinductielusǦ sen. Middleton en Parker (Middleton en Parker, Evaluation of Promising Vehicle Detection Systems, Research Report 2002) testtein een ander onderzoek de nauwkeurigheid van 3M Microloops, SmarTek, SASǦ1 en PeekVideoTrak900.AlleendelaatsteiseenVIPǦsysteem.DenauwkeurigheidvandeintensiteitenverǦ slechterde aanzienlijk in het donker. Ook nat weer beïnvloedde de metingen negatief. Onder normale omstandighedenwasdefout10%enliepoptijdensnatweernaar15%.Desnelheidwerd2,2km/hoverǦ schatmeteenstandaarddeviatievan11,1km/h.Desnelheidsmetingenverslechterdeooktijdensdonkere omstandigheden.

4.2 Opbouwvideobeelden Metdetermvideowordteencontinuechronologischestroomvanlossebeeldenbedoeld.Eentypische videostroombestaatuit25tot30beeldenperseconde.EenvideokangezienwordenalshetlatenvoortǦ bewegenvan2DǦbeeldenvandewerkelijkheidovereentijdas.

4.2.1

Pixels

Elkbeeldisopgebouwduithonderdduizendenelementen,dezogenaamdepixels.Elkmeteeneigenkleur enhelderheid.Kleurenpixelszijnsamengestelduitmeerderesubpixels.DekleurvaneenpixelwordtvoorǦ gesteld door een vector, typisch bestaande uit een rode, groene en blauwe kleurcomponent (de rgbǦ kleurruimte). Ineenmonochroombeeldheeftelkepixelzijneigenhelderheid.Nulbetekendnormaalgesprokenzwart endemaximalewaardekomtovereenmetwit.Bijvoorbeeldineen8Ǧbitbeeldkomtwitovereenmet255. Ineenkleurenbeeldheeftelkepixelzijneigenkleureneigenhelderheid,maarbestaatdekleurmeestaluit eentriosubpixels.Voorkleurwordtgebruikgemaaktvan16of24bitsperpixel.

 

Videomon nitoring



4.2.22

Resolutiie

Hetm maximaalaan ntalpixelsdatineenbeeld beschikbaariswordtuitgeedruktinderesolutie.Versschillende resolutiewaardenwordengebru uiktvoordigittalebeelden.Hetisbelang grijkomoptemerkendate eenhoger niet betekentt dat de afbeeelding fysiekk groter wordt. Een hoger resolutie forrmaat, op resolutieformaat n dezelfdemonitor alseenlagereeresolutie,geeefteenhoge erPPCM(PixeelsperCentiM Meter)dichtheid.Door heth hogeaantalp pixelsneemth hetdetailinh hetbeeldtoe.DebenodigdeverwerkingǦenopslagccapaciteit neem mtechtermettdezelfdeverrhoudingtoe. Naastdebep perkingenvan ndeopslagcapaciteitbijee enhogere resolutiespeeltheetverwerken vandebeeldeneenrol.Ee enhogeraantalpixelsneeemtmeertijd inbeslag voordeverwerking.Ditspeeltm meeindeprijssvoordebenodigdehardǦensoftware. Eenvveelgebruikteeresolutievoo ordigitalevid deobeeldenbiijvideosurveillanceishet 4CIF(Quadru upleComǦ mon IntermediateeFormat).Dittformaatverttegenwoordig gteendatastroomvan30 fps(framesp perseconǦ de),m metelkframeeopgebouwduit576lijnenmet704pixels(PAL)perlijjn(109).

4.3

Raamw werkbeelldverwerk king

Een compleet vid deomonitoring gsysteem bestaat uit versschillende componenten. Het komen van v losse comp ponentennaaareenwerken ndsysteemis eenmoeilijk proces.Elke afzonderlijkeecomponent moetvan eeng goedekwaliteeitzijnendezeafzonderlijkkecomponentenmoeteneeennauwkeurrigenrobuusttsysteem oplevveren.Ditbettekentdathettsysteemzich hmakkelijkaaanveranderendeomstandighedenmoe etaanpasǦ sen.H Hiervooriskeennisnodigovverdetechnieekachterdete enemenstap ppen,onderveerdeeldinafzo onderlijke algorritmen. Omeeensysteemssuccesvoltellatenwerken iseengoede ecommunicattietussende stappenvereist.FeedǦ backzorgtvoorheetzelfupdatenvanmodelleenenhetaanpassenvandeparameterssindealgoritm men.

4.3.11

Dimensiiesinbeeldvverwerking

Bij heet analyseren n van videobeeelden wordtt gebruik gem maakt van vieer dimensies (2D, 2 ½D, 3D, 3 3½D) (Kasttrinaki,ZervakkisenKalaitza akis2003).In deeersteplaaatsisnatuurllijkelkframe een2DǦweerrgavevan dewerkelijkheido opeenbepaalldtijdstip.Alleenbetekenttditnietdatd deinversevan ndezeweergaveterug teheerleidenisnaaareen3DǦbeeeld.Omde werkkelijkheid te reconstrueren n uit een 2DǦbeeld doen zich z twee problemen p voor.. Ten eerste het probleem m van de 6 NeckkerǦkubus . Soms S kan een e beeld zodanig gestructu ureerd wordeen dat fiǦ guur en achtergro ond elkaar afwisselen. Het grijze g vlak in de rechter kubus k van  Figuu ur 18 kan ofw wel gezien worden w als  grond dvlak of als bovenvlak, b m maar nooit Figuur18N Neckerkubus((109) zijnd detweestructturengelijktijd digmogeǦ      6

De Necker-kubus N is genoemd naar de Zwitserse kriistallograaf Louiis Necker, die err in 1832 voor h et eerst afbeeld dingen van publicceerde.





455

46



Blikop phetWegenn net

lijk.Dep perspectiefweerkingisineendergelijkgeevalambigu. Hettweedep probleemisoccclusie.Twee elosse objecten noverlappeneelkaarzodatééénobjectverdwijntofmaaarvooreeng gedeeltezichttbaaris(Figuu ur19). Dit kan ook het gevo olg zijn van een slagschaaduw. Een reconstructie van v het 3DǦbeeeld is onmo ogelijk worden. In Figuur 19 9 verdwijnen bijvoorbeeld continue voe ertuigen achtter de lichtmasten. Omdaat een exactereeconstructievvanhet3DǦbeeeldnietmeerrmogelijkisw wordtgesprokkenvan2½D DǦreconstructie7. Wanneerr het toch geewenst is om een zo exactt mogelijke re econstructie van v de werkeelijkheid te krrijgen, moetgew werktworden nmetmodelleenvandeobjecten.Deeig genschappenvvanhetmodeelmoetenmatchen metheto objectopde2 2DǦafbeelding g.Hiernakanmethetmod delhet3DǦbeeeldgereconstrueerdworde en.Als hetgeco onstrueerde3D DǦbeeldoverdetijdgevolg gdwordt,issp prakevaneen n3½DǦbeeld d.

4.3.2

Installatieccamera

Hetinstaallatieprocesvvaneencameeraisdebelaangrijkstefacttorvoorhetn nauwkeurigd detecterenvanverǦ keersparrameters.Fou uteninhetvid deobeeldzijn nooitmeerssoftwarematig gteherstellen.Allereerstw wordt dekwalitteitvanhetb beeldbepaald doorhettypecamera.Mo odernecamerra’szijnnormaalgesproken nalleǦ maalinsstaatombeeldenmeteen ngoedekwaliteitvoorded daaropvolgend deverwerkin ngteleveren((InterǦ viewTrafficon).Oplocaatiesmetopeenbareverlich htingbetekenttdat,zowelin ndagǦalsinn nachtomstand digheǦ den,voertuigeneigensschappenop hetbeeldherrkendworden n.Indiengeen nopenbareveerlichtingaanwezig mpen (Cucch hiara, Piccard di en Mello 2000) is wordeen voertuigeen ‘s nachts herkend aaan de koplam (Yoneyam maAkio, YehC ChiaǦHung en n Jay 2005).  Hierdoor H gaan veel voertu uigeigenschap ppen verloren n en is hetalleeenmogelijkom maandehan ndvandestan ndvandekop plampeneen groveinschatttingtemake envan hetvoerttuigtype.Metteenaantalg gestandaardisseerdetesten nishetmogelijkomdekw waliteitvanee encaǦ meraineeentestruimtetebepalen. Wanneerrhettypecam meraisgekozzenwordtovvergaantotde edaadwerkellijkeplaatsing g.Deplaatsin ngvan een cam mera is afhankkelijk van de toepassing, t w waarvoor de camera c wordtt gebruikt. Vo oor het deteccteren

Figuur19Beeldmeetocclusie

     7

David Ma arr

 



Videomonitoring



vanongevalleniseenhoogstandpuntmetvoldoendezichtoverhetgeheletrajectgewenst.Plaatsingis danmogelijkboveninlichtmastenop15tot20meterhoogte.Indieneencameragebruiktwordtvoorhet doenvantellingenisdeidealepositieopeenportaal(ongeveer6meterhoog)bovendeweg.Opeenmast indewegkantismogelijk,maarlevertocclusieop.OcclusieistotopzekerehoogtemetbehulpvansoftǦ wareteverhelpen,maarophetmomentdateenvoertuigcompleetachtereenandervoertuigverdwijntis detectieonmogelijk.Hetlagerplaatsenvaneencamerawordtnietaangeradenvanwegeopstuivendvuil en water, die de lens vies maken (Martin, Evaluation of UDOT's Video Detection Systems: System's PerformanceinVariousTestConditions2004).Anderebelangrijkeaandachtspuntenzijndatdehorizonniet inbeeldmagkomeninverbandmeteventuelezonlichtinval,voertuigenhetbestevanafdevoorkantgeǦ detecteerdwordenendecamerahoekbij45gradennaarbenedenideaalis(InterviewTraficon).

4.3.3

Wisselendeomstandigheden

Beelden vanuit een ‘beschermde’ omgeving, bijvoorbeeld een tunnel, zijn makkelijker te verwerken. Doordat continue kunstlicht wordt gebruikt en de weersomstandigheden gelijk blijven, spelen voor de beeldkwaliteit minder factoren een rol. In een opstelling buiten zijn echter veel factoren aanwezig, die plotselingdekwaliteitvanhetbeeldverstoren.EensysteemmoetzichmakkelijkaanpassenaandewijziǦ gende omstandigheden zonder dat de kwaliteit van de beelden achteruit gaat. Verschillende oorzaken zijn aan te wijzen waardoor de detectieomstandigheden plotseling wijzigen (Kastrinaki, Zervakis en Kalaitzakis2003)(YoneyamaAkio,YehChiaǦHungenJay2005)(Wixson1996)(Hsieh,etal.2006): x x

x x x

Overgangvandagnaarnacht;HetbeeldvaneenomgevingindenachtisandersalsdezelfdeomgeǦ vingoverdag. Lichtintensiteiten;Doorveranderingenindelichtintensiteit(bijvoorbeeldeenoverdrijvendewolkof schaduw) veranderen de achtergrondkleuren. De verandering van deachtergrond zou gezien kunǦ nenwordenalseenbewegendobject. Het camerastandpunt; Vogels, wind, aanrijdingen en dergelijke kunnen het camerastandpunt verǦ anderen. Detectiedoelstellingen;Bijhetgebruikvaneencameravoorandereapplicatiesishetmogelijkdat andereverkeersgegevensnodigzijn. Neerslag;NeerslagzorgtvooreenbewegingophetbeeldeningevalvansneeuwvoorgroteveranǦ deringenopderijbaan.

4.3.4

Basistechniekenbeeldverwerking

Beelden vanuit de camera komen analoog of digitaal bij een verwerkingsunit aan. De eerste stap is het omzettenvandebeeldennaareenmaǦ trix met daarin alle waarden van de afzonderlijke pixels. Per beeld wordt vanelkepixeldehelderheidbepaald.Bij een8bitpixelliggendewaardentussen de 0 en 255 in. Met behulp van deze matrix worden de beelden verder verǦ werkt. Tal van beeldverwerkingalgoritǦ men zijn  de afgelopen decennia ontǦ wikkeld.Indezealgoritmenkomeneen aantal ondersteunende technieken steedsweerterug.  Threshold Figuur20ThresholdbepalingaandehandvaneendomiǦ Threshold (‘drempel’) is één van de nantepiekinhethelderheidshistogram(103) simpelste manieren om objecten in





47

48



BlikophetWegennet

beeldenteonderscheiden.(Kiratiratanapruk,DubeyenSiddhichai2005)(Maintz2006)(103)Detechniekis gebaseerd op het feit dat voertuigen een andere kleurintensiteit hebben in vergelijking met de achterǦ grond (asfalt). Niet alleen voertuigen, maar ook de rijbaanelementen zijn met deze techniek te ren.Veelvoorkomendewaardenvoordehelderheidineenbeeldkomenovereenmetdeachtergronden deoverigewaardenmetdevoorgrond.AfhankelijkvanhettypethresholdalgoritmewordtdedrempelǦ waardebepaald.Hetismogelijkomdezedrempelwaardeiteratieftebepalen,aandehandvaneendomiǦ nante piek in het helderheidhistogram (zie Figuur 20) of zelfs voor elke pixel afzonderlijk. De drempelǦ waardedeeltdepixelsintweegroepen,respecǦ tievelijkwelofgeenachtergrondpixel. Edgedetection Tussen een object en de achtergrond bevindt zich een rand. Randen zijn daarom een goede indicatie voor het onderscheiden van diverse objecten.Deedgedetectionmethodezoektnaar randen in het beeld (Kastrinaki, Zervakis en Kalaitzakis2003)(YoneyamaAkio,YehChiaǦHung en Jay 2005) (Kiratiratanapruk, Dubey en Siddhichai2005)(Lin,TaienSong2003)(Songen Tai 2006) (Wang en Chen 2005) (Catudal,Cantin en Savaria 2005) (91). Randen in een beeld  den gekenmerkt door discontinuïteiten in de Figuur21Edgedetectionvaneenaantalmunten kleurintensiteit van een beeld. Een rand is een (http://www.mathworks.com) overgang van een licht stukje beeld naar een donkerstukjebeeld.Deovergangentussenlicht endonkerwordenindeedgedetectionalgoritmenvaakopgespoorddooreengroeppixels(bijvoorbeeld 3x3) te analyseren. Edge detection  in combinatie met een thresholdtechniek levert over het algemeen betereresultatenop. HoughTransformatie Hetvindenvanderandenalleenisonvoldoende.Deafzonderlijkepuntenmoetenwordensamengevoegd totlijnen.HiervoorisdeHoughTransformatiegeïntroduceerd.Metdezemethodewordenvormenineen beeldopgespoordaandehandvandeeigenschappen.OmdatdezeeigenschappengespecificeerdmoeǦ ten worden in het algoritme, worden meestal regelmatige krommen opgespoord, zoals lijnen, cirkels, ellipsenenzovoort.Voertuigenzijnvaakoptebouwenuitdezeelementenenzijndaardoorinhetbeeldop tesporenviadezemethode.VoordeelvandezetechniekisdathetnietgevoeligisvoorhiatenindeobǦ jectgrenzenenvoorruisinhetbeeld.  Pyramid,treeenscalespacemethoden Eenzeerverfijndalgoritmeeistmeestalveelrekencapaciteit.BijrealǦtimesystemenmoetzuinigmetde rekencapaciteit omgesprongen worden. PyramidǦ, treeǦ en scale spacemethoden proberen zo efficiënt mogelijk om te gaan met de rekencapaciteit. Dit wordtbereikt door het werken van grof naar fijn. Het beeldwordtgrofweginregio’singedeeldwaarveranderingenoptredenopbasisvaneenselectievande pixels.Bijdevolgendestapwordtditherhaald,ditmaalalleenvoorderegio’s.DepositievanhettedetecǦ terenobjectwordtmeteenaantalstappengeïsoleerdenwordtdaarnameteenverfijndemethodegedeǦ tecteerd.

 

Videomonitoring



 Figuur22RijbaanelementenherkennendooreenRoadMarkingAnalysisModel(links)eneenactiviteitenǦ kaart(rechts)(Hsieh,etal.2006)

Mathematischemorfologie Mathematische morfologie onderzoekt de geometrische structuur van een beeld door het met kleine patronenteonderzoeken,dezogenaamdestructuurelementenvanvariërendegrootteenvorm.Voorhet onderzoekenvanhetbeeldzijnverschillendemethodenbeschikbaar.Dealgoritmendieopbasisvaneen interpolatie werken behalen de beste resultaten. Nadeel van een iteratief proces is de lange rekentijd (Ledda 2007). De methoden zijn met name te gebruiken voor de verwerking van zwartǦwitbeelden en hebbenvaaktechniekenvooredgedetection,ruisonderdrukkingenbeeldverbeteringinzich.Detheorie van mathematische morfologie steunt op twee belangrijke beeldverwerkingsoperatoren: dilatatie en erosie. (Fisher, Perkins en Wolfart 2003). Het beeld wordt omgezet naar een éénǦpixelǦdikskelet, dat de vormvanhetobjectbehoudt.Eendergelijkskeletisvoorherkenningvoldoendeeneendergelijkskeletis minderrekenintensiefvoorlatereverwerking.KenmerkendaandetechniekisdatdevormvandeobjecǦ tengrotendeelsbehoudenblijft.DitmaaktdemethodeuitermategeschiktvoortoepassingenwaarvorǦ meneenbelangrijkerolspelen. Samenvattend De genoemde basistechnieken zijn essentieel voor het herkennen van voertuigen in videobeelden. De techniekenzijnterugtevindeninveelalgoritmen.Thresholdingenedgedetectionzijntweetechnieken, dieweinigrekencapaciteitvergen.Thresholdingwerktbeterincombinatiemetanderetechnieken,zoals edgedetection.Eencombinatievanbeidegeeftgoederesultaten. DerekensnelheidvandealgoritmenisverderteverbeterenmetdepyramidǦ,treeǦenscalespacemethoǦ den.Hoemeerpixelsverwerktmoetenworden,hoemeerrekencapaciteitnodigis.HetisolerenvanbeǦ langrijkeregio’sversnelthetrekenproces. De Hough transformatie is geschikt voor voertuigherkenning, omdat voertuigen op te bouwen zijn uit lijnelementen.Metmathematischemorfologiezijndevormenbeterteherkennenenlevertskelettenop vanobjecten,dieindeopvolgendestappenveelsnellerverwerktkunnenworden.Bijhetgebruikvaneen iteratievemathematischemorfologiemethodegaateengedeeltevanhetvoordeelverloren,omdatveel rekencapaciteitnodigisvooreeniteratiefproces(Ledda2007).

4.3.5

Herkennenvanrijbaanelementen

Op het moment dat de camera is geïnstalleerd moet het detectiegebied aangegeven worden. Voor de nauwkeurig detectie van verkeersparameters moet het systeem de verhoudingen weten tussen de afǦ standenopdegrondendieophetvideobeeld.Daarnaastzijnsomsgedeelteninbeeld,dienietbehoren tot de rijbaanen daarom niet meegenomen hoeven te worden in het detectiegebied. Het inperkenvan hetdetectiegebiedbetekenteenafnamevandeteanalyserenpixelsenvermindertdaardoordebenodigǦ derekencapaciteitvoordevervolgstappen.





49

50



BlikophetWegennet

Deinstellingenvanhetsysteemwordeninveelgevallenhandmatigaangebracht.Percameranemende instellingenminimaaltweeminuteninbeslag.Eengedeeltehiervanisdoormiddelvansoftwareoverte nemen.Eenaantalmethodenzijnbekendomautomatischstrokenteherkennen(Kastrinaki,Zervakisen Kalaitzakis 2003) (YoneyamaAkio, YehChiaǦHung en Jay 2005) (Hsieh, et al. 2006) (Song en Tai 2006) (Beymer, et al. 1997). Belangrijke wegkarakteristieken, die helpen bij het herkennen van de stroken zijn hetvisueleverschilvandewegmetzijnomgeving,hetineenbepaalderichtingenpositievoortbewegen vanvoertuigenovereenstrookendemarkeringenmeteenvastelengte,diedestrokenvanelkaarscheiǦ den. 

4.3.6

Detectieensegmentatievanobjecten

HetdetecterenvanbewegendeobjectenenhetonderscheidmakentussendeachtergrondendeobjecǦ ten(segmentatie)iseenbelangrijkestapineenvideomonitoringsysteem.FoutendieinditgedeelteworǦ dengemaaktzijnineenlaterefasemoeilijktecorrigeren. Opvoorhandisaleenbelangrijkonderscheidtemakentussendealgoritmen.Zijndealgoritmeninstaat bewegendebeeldenteverwerken?Slechtsenkelealgoritmenkunnendat.Indemeestegevallenworden beelden over de tijdǦas vergeleken. Uitgangspunt is dan dat het camerastandpunt statisch is, of dat de beweginggecorrigeerdwordt. Technieken voor detectie en segmentatie kunnen in de onderstaande beschreven vier groepen worden ingedeeld.Metuitzonderingvandeeerste groephebbenallealgoritmeneenstatisch camerastandpuntnodig. OpticalFlow Wanneer we lopen of ons hoofd draaien beweegt de wereld in ons blikveld. Dit is de basis voor de optical flowtechniek (Kastrinaki, Zervakis en Kalaitzakis 2003) (Cucchiara,PiccardienMello2000)(Kumar, etal.2005)(Yi,etal.2006)(Beaucheminen Barron1995)(McCane,etal.2001).Optical flow wordt voorgesteld als een 2DǦ snelheidsgebied, die de beweging in een beeld beschrijft. De bewegingen ontstaan doorobjectendiedoorhetbeeldvoortbeǦ wegenofhetbewegenvandecamerazelf. Indeeenvoudigstemethodenvolgtoptical flow een pixel van het ene beeld naar het andere beeld. Het resultaat is een vector voor elke pixel in het beeld. Met behulp van deze vectoren wordt een verdere beeldverwerkingtoegepastenzijnvormen envoorwerpentedetecterenineenbeeld.  Figuur23VoorbeeldOpticalFlowveld(McCane,etal. 2001)

 

De optical flowmethoden worden, naast de detectie en segmentatie van objecten, ookvoortrackingalgoritmentoegepast.



Videomonitoring

SpaceǦtimecontinuity Door voor een bepaalde periode alle beelden achter elkaar te zetǦ ten ontstaat een 3DǦxytǦruimte (TNO Industrie en Techniek 2006). Hetismogelijkom‘slices’uitdeze ruimte te snijden. Door de slices met elkaar te vergelijken zijn objecten te detecteren. In een laterstadiumzijnaandehandvan deze ‘slices’, parameters vast te stellen. Bijvoorbeeld de positieǦ bepalingvanvoertuigen.Doorop verschillende waarden van y, een xtǦslice te maken zijn afzonderlijǦ ke voertuigen te volgen door het videobeeld(Figuur24).Daarnaast kunnen bewegingen van voertuiǦ  gen goed nagegaan en geanalyǦ Figuur24Spacetimecontinuity(TNOIndustrieenTechniek2006) seerd worden. Groot nadeel is echter dat het algoritme zeer rekenintensiefisenveelbeeldeninhetgeheugenopgeslagenmoetenworden(Withagen2006). TemporalDifferencing Deze techniek is een simpele en daarom voor realǦtime situaties attractief. Een frame wordt per pixel vergeleken met een eerder en/of volgend frame (Kastrinaki, Zervakis en Kalaitzakis 2003) (Cucchiara, PiccardienMello2000)(WangenChen2005)(Kumar,etal.2005)(Withagen2006)(Humphries,etal.2005). Ombewegendeobjectentekunnendetecterenwordtgewerktmeteendrempelwaarde.Nadeelisdatvan objectenmeteenuniformekleur,zoalsauto’s,alleenderandenwordenherkend.MeestalwordtdetechǦ niekincombinatiemetanderealgoritmengebruikt,zoalsbackgroundmodelling. BackgroundModelling Methodendiewerkenmetmodellenvandeachtergrondzijnpopulair.Hetmeestrecentebeeldwordtin deze methode vergeleken met een objectvrije achtergrond (Piccardi 2004) (Kastrinaki, Zervakis en Kalaitzakis2003)(YoneyamaAkio,YehChiaǦHungenJay2005)(Kiratiratanapruk,DubeyenSiddhichai2005) (Kumar,etal.2005)(Humphries,etal.2005)(Gupte,etal.2002)(Lee,KoenHan2002)(Zhang,etal.2003)

Figuur25Backgroundmodelling,linksachtergrondbeeldenrechtshettotaalbeeld(Hsieh,etal.2006)







51

52



BlikophetWegennet

(Chen,etal.2005)(105)Deverschillentussenbeidebeeldenzijndeobjecten,dieniettotdeachtergrond behoren,bijvoorbeeldeenvoertuig.Demethodeisteverbeterendoorzichoverdetijdtelatentrainen (ziehoofdstuk4.4.1).Hetvoordeelvaneensysteemdatzichzelfaanpastis,dathetomkangaanmetverǦ anderende achtergronden. Rekening moet worden gehouden in veranderingen door de lichtintensiteit, verschuivingvanhetbeeldenandereobjectendiedeachtergrondkunnenverstoren.AlgoritmenprobeǦ renditprobleemzogoedmogelijkintedammen,doorsneldeachtergrondteupdaten.HettesnelupdaǦ tenvande achtergrondkanechtergevolgenhebbenvoordedetectievanstilstaandevoertuigen,diein datgevalsneltotdeachtergrondwordengerekend. Samenvattend Algoritmengebaseerdopbackgroundmodellingzijnveelbelovend.DezealgoritmenzijnsnelteverwerǦ ken en geven goede resultaten. Een bekend algoritme is de StaufferǦGrimson methode (interview Dr. Hendriks).HetgebruikvanspaceǦtimecontinuityvergtveelrekencapaciteitenisongeschiktomtegebruiǦ ken in realǦtimesystemen. Temporal differencingalgoritmen geven problemen bij het detecteren van voertuigen,omdatdezeobjectenmeestaleenuniformekleur(ditgeldtmetnamebijlangzaambewegenǦ devoertuigenincombinatiemeteenlageframerate)hebben.

4.3.7

Classificerenenvolgenvanobjecten

Gedetecteerdeafwijkendesituatiesmoetengevolgden/ofgeclassificeerdworden.Inhetonderzoekgaat het om detectie van voertuigparameters. Voor enkel de voertuigen is het nodig om ze te volgen in het videobeeld.Andereobjecten,dietoevalliggedetecteerdzijn,mogenweggelatenworden.HetvantevoǦ ren classificeren is daaromefficiënter enrobuuster voor het systeem. Classificatie gebeurt aan de hand vandevormeigenschappenvanhetobject.Omeenvoertuigteherkennenendaarnatevolgendoorhet videobeeldzijnviermethodenbekend(Kastrinaki,ZervakisenKalaitzakis2003)(Beymer,etal.1997);moǦ delǦbased, active contourǦbased (ChingǦPo , JenǦChao en KaiǦTai 2003), regionǦbased en featureǦbased. ModelǦbased EenafzonderlijkvoertuigheeftzijneigeneigenǦ schappen. Een vrachtwagen is veel langer als eenpersonenwagenentussenpersonenwagens zijn tal van andere opties weer mogelijk. Bij deze methoden moet van elk type voertuig op de weg een model aanwezig zijn (Yiu, et al. 2005) (Lou, et al. 2005). De gedetailleerdheid vandemodellenisafhankelijkvandedetectieǦ  doelstellingen. Een voertuigtype indeling met Figuur26Modelvaneenautoinclusiefschaduw onderscheid tussen vrachtwagens en persoǦ geschiktvoormodelǦbasedtracking nenwagens  heeft minder nauwkeurige modelǦ len nodig dan een onderscheid tussen suv’s en stationcars.Aldezemodellenwordenopgeslagenineendatabase.Wanneereenobjectisgevondenmet één van de hiervoor besproken technieken, wordt deze gekoppeld aan het best passende model uit de database.Doorhetmodelishetvoertuigindedaaropvolgendebeeldenweerteherkennen.Nadeelvan deze methode is dat het vinden van een model bij het beeld rekenintensief is (Kastrinaki, Zervakis en Kalaitzakis2003). ActivecontourǦbased In tegenstelling tot de modelǦbased methode is bij de active contourǦbased methode alleen maar een omtrekvaneenobjectbekend(Kass,WitkinsenTerzopoulos1988)(YoneyamaAkio,YehChiaǦHungenJay 2005)(Lee,KoenHan2002)(Hsu,etal.2003).Nadateenobjectisgedetecteerdengesegmenteerdblijft  

Videomonitoring



eenregiometpixelsover.Eenactivecontourofookwelsnakegenoemdvormtzichronddegroeppixels, diebinnenhetcontourpassen.Dezecontourwordtdaarnagebruiktomhetobjectindedaaropvolgende beeldenterugtevinden.Meteenenergieminimalisatiemethodewordthetcontoursteedsaangepastaan denieuwebeelden.Hetactivecontourwordtcontinuedynamischgeüpdate. RegionǦbased Niet altijd bestaat een object uit één groep pixels, maar uit een regio met verschillende groepen pixels metdezelfdeeigenschappen(Maintz2006)(Gyaourova,KamathenCheung2003).Omdezelossegroepen samentevoegentoteenobjectwordendeeigenschappenmetelkaarvergeleken.OvereenkomstigeeiǦ genschappenzijntevindenaandehandvanonderandere: x x x x

Kleur Helderheid/intensiteit Textuur Vorm

Dekwaliteitvanhetalgoritmeissterkafhankelijkvandekwaliteitvandesegmentatie.Wanneerobjecten nietgoeduitelkaarzijngehaaldbestaatdekansdateengroeppixelsuitmeerderevoertuigenbestaat. Featurebased FeatureǦbasedtrackingishetvolgenvansubkenmerkenvaneenvoertuiggebaseerdoplijnen,puntenof regio’s, bijvoorbeeld hoeken van een voertuig of parallelle lijnen (Hsieh, et al. 2006) (Lee, et al. 2003) (HuangenYen2004).Degevondeneigenschappenwordengebruiktominhetvolgendebeeldhetobject terug te vinden. Probleem bij deze methode is echter, dat sommige voertuigen meerdere kenmerken hebben,dieeerstgegroepeerdmoetenwordenomdubbeltellingtevoorkomen. Samenvattend EenmodelǦbasedaanpakisrekenintensief.Vaakverdwijnentijdenshetsegmentatieproceseengedeelte vandepixels.Wanneeronvoldoendepixelsbekendzijnishetnietmogelijkomhetmodelgoedtelaten passenmethetobject.Hetobjectwordtindatgevalnietherkendalseenvoertuig.FeatureǦbasedmethoǦ dengevenproblemendoorhetopsplitsenvanobjecteninteveelofjuistteweinigkenmerken.Opsplitsing inveelkenmerkenzorgtvoorkleineregroepenmetpixelsendekansopherkenningvanmeervoertuigen, danwerkelijkaanwezig.WanneerteveelkenmerkensamenwordengevoegdkunnenmeerderevoertuiǦ gensamenwordenherkendalséénvoertuig.Bijdetectiemetocclusieverdwijnenvaakkenmerken,waarǦ doormetdezemethodenogeerdervoertuigennietmeerherkendworden. HetvoordeelvaneenActiveǦ contouraanpakisdathetmodelzichaanpastaandegevondenpixels.Dezeaanpakiswelrekenintensief endeobjectenmoeteninz’ngeheelwordengedetecteerd.EensnelleaanpakisderegionǦbasedmethode (Withagen2006).

4.4

Verbeterenbeeldverwerkingalgoritmen

Wanneereencompleetsysteemissamengesteldomvolgensdegesteldeeisendeobjectentedetecteren enteclassificerenishetvanbelangomhetsysteemtegaanoptimaliseren.Debeschikbarerekenkracht moetzoefficiëntmogelijkingezetworden.HetoptimaliserenisindemeestegevallengebaseerdopvoorǦ spellingen.Optimalisatiebestaatuithettrainenvandealgoritmen,hetvoorspellenvannieuwelocaties vandevoertuigenenhetcombinerenvanmeerderecamera’sen/ofdatabronnen.

4.4.1

Feedback

Opverschillendemanierisfeedbackaanhetsysteemtegeven.AllereerstkunnenopbasisvandemetinǦ gen voorspellingen worden gegeven over de voertuigposities. Daarnaast moet het systeem zichzelf steedsblijventrainen.  



53

54



BlikophetWegennet

Voorspellen VanwegedebeperkterekencapaciteitishetnietwenselijkomelkekeerweerhetgehelebeeldtedoorǦ zoekenopmogelijkeobjecten.Vooralbijhogereresolutiesmoetoprekenkrachtbespaardworden.Door continuedepositiesvanobjectenindeopvolgendebeeldentevoorspellen,hoeftbijhetvolgendebeeld alleenhetgebiedmetdemeestwaarschijnlijkepositieonderzochtteworden.AandehandvandezemeǦ tingwordtweereennieuwevoorspellinggemaakt.Bekendetoepassingenvoorhetvoorspellenzijnhet Kalmanfilter(Kalman1960)enhetparticlefilter(MaskellenGordon2002). Trainen Zoals al eerder genoemd in dit hoofdstuk hebben videoverwerkingsmethoden veel last van wisselende omstandigheden.HetisdaaropvanbelangdathetsysteemzichzelfsteedskanaanpassenaandeheerǦ sendeomstandigheden.NaasteenadaptiefsysteemishetmogelijkomhetsysteemsteedsbetervoertuiǦ gentelatenherkennenuitgroepenvanpixelsdoorhetcombinerenvanhistorischesituatiesmetdehuidiǦ gemetingen.Hetdoelisomeensteedshogerenauwkeurigheidtebehalen.Methodendievaakworden toegepastvoorhettrainenvanalgoritmenzijnpatroonherkenning(Bishop2006)enneuralenetwerken (Gurney1997).

4.4.2

Stereovision

Detijddateencameranogeenvermogenkostteligtalverachterons.Tegenwoordigwordencamera’sal zonderproblemenineentelefooningebouwd.Delichtgevoeligechipswordensteedsbeterenindezelfde chipskunnendebelangrijkstebeeldverwerkingstechniekeningebakkenworden.DitallesheeftertoegeǦ leiddatdestandaardcamera’sgoedkoopzijngeworden.Invergelijkingmeteenaantaljarenterugishet numogelijkomvoordezelfdeprijsmeerderecamera’saanteschaffenendeverwerkingvandeafzonderǦ lijkebeeldengaatsteedssneller. Met meerdere camera’s is het mogelijk om een betere reconstructie van een 3DǦbeeld te maken. Dit is metnameinteressantvoortoepassingenwaarafmetingenvanvoertuigeneenbelangrijkerolspelen.Een extracameraisooktegebruikenomdepositievanvoertuigenbetertevoorspellen.Deenecamerageeft depositievaneenvoertuigofconcreterdepositievaneennummerplaataan,waaropdeanderecamera gerichtgaatzoekeninhetaangegevengebied.

4.4.3

Datafusie

Metenisweten.Ditprincipegeldtookbijhetverwerkenvanvideobeelden.Destemeerbekendisoverde mogelijkepositiesvanvoertuigendestenauwkeurigerzijndemetingendiegedaanworden.Nietalleen zorgen extra gegevens voor een betere voorspelling, maar ook de outputresultaten worden verbeterd. Wanneerblijktdateenverhoogdekansopcongestiebestaat,daniseenalgoritmeextraverdachtophet detecterenvancongestie. Datafusieismogelijkdooranderedetectorenincombinatiemetcamera’stegebruiken,maarhetgebruik vanmeerderecamera’sleverthetzelfderesultaatop.

4.5

Aanvullendebeeldverwerkingtoepassingen

Naast het detecteren van de standaard verkeersparameters zijn voor een aantal applicaties specifieke gegevensnodig. Kentekenherkenning Voorhetherkennenvankentekens(Lee,etal.2003)zijnzesprimairealgoritmennodigomdesoftware correcttelatenwerken: 1. 2.

 

Lokaliserenvandekentekenplaatophetbeeld Hoekenafmetingenaanpassenaandevereistemaat

Videomonitoring



3. 4. 5. 6.

Aanpassenhelderheidencontrast Segmentatiekarakters Optischekarakterherkenning Syntactischeengeometrischeanalysevandeplaten

Detectievanafmetingen Hoogte detecteren in 2DǦbeelden is lastig. Het classificeren van de voertuigen kan door het vaststellen van de breedte en lengte van voertuigen. Deze twee waarden zijn normaal gesproken voldoende om vrachtwagensenpersonenwagensteonderscheiden.Indieneennauwkeurigerindelingisgewenstmoet gewerktworden met modellen. Voor elk type voertuigmoet een model gemaaktworden waarmee het waargenomenobjectmoetmatchen.Metdezemodellenkanookeeninschattingvandehoogteworden gemaakt.Bijhoogtedetectieishetprimairedoelhetbeveiligenvankunstwerken.Eenuitgestokenlading kan al funest zijn. Een 2DǦbeeld zal niet in staat zijn alle gevallen eruit te halen, omdat hieruit het 3DǦ beeld niet goed gereconstrueerd wordt. De beste methode is een reconstructie van het 3DǦbeeld door tweeofmeercamera’stegebruiken.

4.6

Foutenenonnauwkeurigheid

Foutenontstaandoortalvanfactoren,zoalscamerapositieofomgevingsfactoren.Perlocatieontstaan mogelijk verschillende problemen. Afhankelijk van de wensen van deklant wordt een systeem zo ingeǦ stelddathetdebestedetectieresultatengeeftofdeminstevalsealarmen.MeestalisdeinstellingafhanǦ kelijkvandetoepassingwaarvoordevideomonitoringwordtgebruikt.Altijdmoeteenafwegingtussen performanceenkwaliteitgemaaktworden.WanneerjeelkehonderdsteseconderealǦtimegegevenswilt hebben, dan zal de kwaliteit van degegevens minder zijn. En aan de andere kantgeven hoge resolutie beeldenbetereresultaten,maarzaldeperformanceachteruitgaan.

4.6.1

Meetfouten

Inhetdetecterenvanverkeersgegevenskunnenfoutenoptreden.Dezefoutenkunnenhetgevolgzijnvan eenverkeerdeconfiguratievanhetalgoritmeofhetverkeerdidentificerenvaneenvoertuig(Spangenberg en Döring 2006). De eerste configuratiefout (Figuur 27) is het waarnemen van een tuig,maardelocatieverkeerd doorgeven(Localizationerror, LE). Het is mogelijk dat een voertuig wordt men, wat helemaal niet aanǦ wezig is (False Positive, FP). Omgekeerd gebeurt wanneer eenvoertuignietwordtgedeǦ  tecteerd(FalseNegative,FN). Figuur27Configuratiefouten(SpangenbergenDöring2006) Een andere mogelijke fout is het volgen van meerdere objectendoorhetsplitsenvaneenvoertuigintweeobjecten(MultipleTracker,MT).Defoutdiehierop lijktishetwaarnemenvanéénobject,datuittweevoertuigenbestaat(MultipleObject,MO).Metname opdrukketrajectenkunnendezefoutendedetectieonnauwkeurigmaken.





55

56



BlikophetWegennet

Fouten in het identificeren van objecten zorgt voor het foutief vaststellen van de voertuigtrajectoriën. IdentifiǦ catiefouten treden op twee manierenop.InFiguur28zijn drie voertuigen aangegeven met hun werkelijke trajectoriǦ en  (Ground Truth, GT). De trajectorie van voertuig A  wordt in eerste instantie door Figuur28Identificatiefouten(SpangenbergenDöring2006) 1 vastgesteld, maar op een later moment door 2. Deze foutwordteenfalselyindentifiedtracker(FIT)genoemd.DetweedefoutontstaatalsdeidentificatieplotǦ selingomslaatnaardetrajectorievaneenindebuurtrijdendvoertuig.Defalselyindentifiedobject(FIO) iseenveelvoorkomendefout.

4.6.2

Kwaliteitsysteem

Kwaliteitisuittedrukkenintweetermen.Precisionishetpercentagecorrectgemetenobjectenvanhet totaalaantalobjectendatisgemetenenRecallishetpercentagedetectiesvandevoorbijgekomenobjecǦ ten.Hetbestesysteemheeftbeidewaardenzohoogmogelijk.Voorafgaandaandeaanschafmoetenhier duidelijkeeisenovergeformuleerdzijn.PerklantoftoepassingishetmogelijkdatdezeindicatorenverǦ schillen.Eenhogerecallkanleidentoteenlageprecision.Doordefabrikantenwordtcontinueonderzoek gedaannaarhetverbeterenvanfouten.Delaatstejarenisveelvooruitganggeboektopverbeteringvan demonitoringtijdensregenofsneeuw.MeteeniteratiefproceswordtsteedsvergelekenwateenveranǦ dering het algoritme voor invloed heeft op de monitoring. Feit  blijft echter dat geen beeld geen data oplevert.Camera’sopgrotehoogtemetdichtemistziengeenvoertuigenmeerendedetectieisnietmeer mogelijk.Camera’sopportalenbijdichtemistziennogwelgenoegomvoertuigentedetecteren.

4.7

Toekomstverwachtingenvideomonitoring

Ophetgebiedvanvideomonitoringwordtveelonderzoekgedaan,nietalleenopverkeerskundiggebied maarookbijvoorbeeldindemedischewereld.Datbetekentdathetindetoekomstmogelijkwordtom steedsmeerinformatieuitbeeldentehalen.MeerinformatiebetekentopzijnbeurtdatnieuwetoepasǦ singenmogelijkworden.Indezeparagraafwordteendoorkijkjenaardetoekomstgegevenomeenidee tekrijgenwatzoaltheoretischmogelijkwordtmetvideomonitoringinNederland.

4.7.1

Toekomstbeeldbeeldverwerking

Nogaltijdwordtveelonderzoekgedaannaarhetcontinuverbeterenvandealgoritmen.Traficonbesteedt bijvoorbeeld20%vandeomzetaannieuwonderzoek(interviewTraficon).DekomendejarenzaldekwaliǦ teitvandecamera’sblijventoenemen.Camera’skunnensteedsbeteroverwegmetveranderendelichtǦ omstandigheden.Daarnaastneemtderekenkrachtvandecomputerverdertoe.Ditzorgtervoordatnog gedetailleerde beelden realǦtime verwerkt kunnen worden. De huidige generatie camera’s, die voor de meestetoepassingenalvoldoen,zullenverderinprijsdalen.Metgoedkoperecamera’swordthetmogeǦ lijk om tegen gelijkblijvende aanschafkosten meer camera’s te plaatsen. Ook in dit vakgebied geldt de uitdrukking: “meten is weten”. Hoe meer door camera’s gezien wordt, hoe beter bepaalde voertuigen getraceerdkunnenwordenenhoemindervalsedetectiesplaatsvinden.VerderiseengroteonderzoeksǦ groep bezig met videoverwerking. Een groot gedeelte van het onderzoek richt zich op geheel andere toepassingsgebieden,maardemeesteproblemenkomeninalleonderzoeksgebiedenterug.Datbetekent nietdatallesystemenonderlinguitwisselbaarzijn,omdatbijvoorbeeldvoorhetdetecterenvanpersonen heleandereeigenschappengebruiktmoetenwordenalsvoorvoertuigen(personenbewegenzichnietzo  

Videomonitoring



rechtlijnig voort als voertuigen). Maar op algoritmeniveau zijn veel overeenkomsten te vinden. Al het onderzoekversterktelkaardaardoor. De huidige verkeerskundige videomonitoringmarkt biedt nog weinig echt vooruitstrevende technieken. Tellingen gebeuren met virtuele lussen (tripline), omdat eigenlijk alle applicaties uitgaan van input uit lussen. Een uitzondering vormen de AIDǦtoepassingen van de fabrikanten, deze zijn wel vernieuwend omdatzeeentotaalanderebenaderinghebbenvoorhetopsporenvanafwijkendgedrag.Doordevraag naareenaantalnieuwetoepassingen,bijvoorbeeldhetvolgenvangevaarlijkestoffeninstadscentraende opkomstvanspitsstroken,richthetonderzoekzichmetnameophetherkennenvanuniekevoertuiggeǦ gevens,bijvoorbeelddeoranjeplatenopvrachtwagensmetinformatieoverdeinhoudenwordtgezocht naaralgoritmen,dieomkunnengaanmetbewegendecamera’s.Totophedenwordtalleengewerktmet vastecamera’s,maarineenaantalgevallenisbehoefteaancamera’sdiebewegen.EentoepassingsgeǦ bied voor bewegende camera’s is het automatisch afscannen van spitsstroken naar obstakels voordat deze opengesteld worden.Op dit moment gebeurt dat ook met camera’s, maarishet schouwen handǦ werk. Producenten laten zich met name leiden door de ontwikkelingen in de vervoersmarkt. Op het moment dat de vraag naar een bepaald type monitoring bestaat, zijn de producenten bereid om te investeren. Zolangalleenvraagisnaardetraditionelemaniervanmonitoring,probeertdeproducenteengelijkwaarǦ digconcurrerendproductopdemarkttebrengen.WaneerwegbeheerdersbereidzijnomdehuidigeapǦ plicatiesaantepassenaannieuweinvoervariabelenisindetoekomstveelmeermogelijkmetvideobeelǦ den.Deproducentenwillenopdatmomentmeerinvestereninonderzoek.Opditmomentishetnamelijk onzekerofeennieuwetoepassingengeïmplementeerdwordtbinnendehuidigeverkeerssystemen.HierǦ doorishetrisicovoordeproducententegrootdathetgeïnvesteerdebedragnietterugverdiendwordt.

4.7.2

Toekomstbeeldverkeersmanagementtoepassingen

Inhethoofdstukoverdeverkeersmanagementtoepassingenzijnvoordeverschillendetoepassinggroepen demogelijkhedenvanvideodetectiegenoemd.Hethuidigehoofdstukheefteenoverzichtgegevenvande mogelijkhedenvandediversebeeldverwerkingalgoritmen.Hetcombinerenvandehuidigetoepassingen endemogelijkhedenvanbeeldverwerkingbiedtmogelijkhedenvoorverbeteringvandetoepassingen.In devolgendehoofdstukkenwordtdaardieperopingegaan,wanneergekekenwordtnaardemogelijkheǦ denomdefilestaartbeveiligingteverbeteren.Hetisnietalleenmogelijkomdehuidigetoepassingente verbeteren,maarvideomonitoringbiedtookmogelijkhedenvoornieuweofaanvullendetoepassingen.In hetonderstaandegedeeltevolgeneenaantalvoorbeeldenvannieuwemogelijketoepassingen,dieopdit momentalmogelijkzoudenzijngeziendehuidigestandvanzakenopvideodetectiegebiedeneenaantal toepassingen,diegeziendeonderzoekenindenabijetoekomstmogelijkmoetenworden.HetclassificeǦ renvandetoepassingengebeurtaandehandvandeclassificatie,dieinhoofdstuk2isgemaakttussende verschillendetoepassingen.Pergroepwordteenvoorbeeldvaneennieuwetoepassinggenoemd. Netwerktoepassingen Het wordt mogelijk om het vervoer van gevaarlijke stoffen te controleren door het netwerk. De oranje bordenwordenautomatischmeteencamerauitgelezen,zodatpreciesbekendiswatvoorchemicaliënop een gedeelte van het netwerk zich bevinden. Deze informatie is te gebruiken bij ongevallen, maar ook voorhetcontrolerenvanrouteswaargeengevaarlijkeladingvervoerdmagworden. Wegvaktoepassingen Camera’s kunnen een bijdrage leveren aan de verbetering van de verkeersveiligheid. Allereerst is veel meerwaartenemen.Eenvoorbeeldisdedetectievanafgevallenlading.Ophetmomentdatafgevallen ladingvaneenvoertuigisgedetecteerdwordtderijstrookwaaropdeladingligtautomatischafgekruist. Indeverkeerscentraleisophetschermtezienomwatvoorladinghetgaatenwordtindiennodigmeteen actieondernomenomdejuisteopruimbenodigdhedenopdelocatietekrijgen. 



57

58



BlikophetWegennet

Wegbeheertoepassingen Doordebeeldenishetmogelijkomeeneersteglobaleinspectietedoenvandewegkwaliteit.Wanneerde kwaliteittewensenoverlaatwordtterplaatseeennieuweinspectiegedaanofeenreparatieuitgevoerd. Beleidenstatistiek Dooreenreconstructievanhet3Dbeeldtemakenisinformatiebeschikbaaroverdelengte,breedteen hoogtevandevoertuigen.Eenverdere,uitgebreidereuitsplitsingvandevoertuigklassenisopdezemaǦ nier te maken. Naast de gebruikelijke voertuigklasǦ sen wordt het met videoǦ beelden mogelijk om moǦ torrijders te detecteren. Met lussen is het niet goed mogelijk. Onderzoek Vanelkevideostroomloopt een geschiedenis van een minuut mee. Op het moǦ ment dat een incident is gedetecteerd wordt de geschiedenis weggeschreǦ ven naar een server. De beelden zijn te gebruiken  voor onderzoek naar het Figuur29Incidentdetectie(TraficonAID) ontstaan van het incident. Hierdoor wordt een bijdraǦ ge geleverd aan het verkeersveiligheid onderzoek. Het is zelfs mogelijk dat de beelden door verzekeǦ ringsmaatschappijengebruiktworden. Hetbepalenvandepositievaneenvoertuignietalleenindexrichting,maarookindeyrichtinggeeft informatieoverdepositieopderijbaan.DezeinformatiebevatveelgegevensoverhetgedragvanwegǦ gebruikersintalvansituaties,bijvoorbeeldbijinvoegingen.  



 

Datasetsvantrajectoriën



5 Datasetsvantrajectoriën Omdemeerwaardevanvideomonitoringtenopzichttevandehuidigeinductielussenteanalyserenwordt onderzochtwattrajectoriedatakanbijdrageaandeverbeteringvandefilestaartbeveiliging.DithoofdǦ stukgaatinopdegebruiktedatasetsendeverwerkingvandezedatasetstotdegewensteinputvoorde filestaartbeveiliging.VanwegehetfeitdatopkleineschaalgebruiktwordtgemaaktvanvideomonitoringǦ technieken,dietrajectoriënvanvoertuigenconstrueren,isopditmomentmaareenkleinaantaldatasets beschikbaarmettrajectoriënvanvoertuigen.Inditonderzoekwordtgebruikgemaaktvandriedatasets: NGSIM, helikopterdata van Everdingen en TNO cameradata. Deze datasets worden gebruikt voor verǦ keerskundigonderzoekenzijnnietmetcommerciëlesystemenverkregen. De datasets zijn in matlab verwerkt. Allereerst zijn de grootste fouten eruit gehaald en daarna zijn de afzonderlijketrajectoriënverwerkttotwiskundigefuncties.OmdathetalleenbijdeTNOdatagaatom gegevensuiteenvideomonitoringsysteemendeanderedatasetseengebiedvanenkelehonderdenmeǦ ters bestrijken zijn de andere datasets in stukken van 50 en 100 meter geknipt. Afstanden tot honderd meter zijn onder goede omstandighedenin beeld te brengen met een camera. Door tweeafstanden te nemenislatertebepalenofdetrajectlengteeengroteinvloedheeftopderesultaten. Het huidige AIDǦmechanisme wordt vergeleken met nieuwe filestaartbeveiligingmethoden. Omdat het huidigeAIDǦmechanismewerktopbasisvanlusgegevenszijndezegegevensnodigvoordeanalyse.Deze gegevenszijngereconstrueerduitdedatasets.

5.1 Verzamelenvantrajectoriegegevens Videobeelden,verkregenmetbehulpvancamera’sbovenderijbaan,omzettennaartrajectoriënisnog niet veel toegepast. Daarom is maar weinig videodata beschikbaar, op de videogegevens van TNO na. Naarhetverzamelenvanverkeersgegevensvanafgrotehoogte(gebouwenofhelikopter)isalmeeronǦ derzoekgedaan.Aangezienhetvoorhetonderzoekineersteinstantienietuitmaakthoedetrajectoriën zijnverkregen,zijndergelijkegegevensnaastdevideodatagebruikt. Viaeendrietalkanalenzijnverkeersgegevensverkregen,waarmeetrajectoriënvanvoertuigenteonderǦ zoekenzijn.HetgaatomtweelocatiesophetNederlandseHWNeneentestlocatieindeVerenigdeStaǦ ten.

5.1.1

TNOdata

InopdrachtvanAVVheeftTNOonderzochtofhetmogelijkismetbehulpvanautomatischebeeldanalyse hetrijgedragvanvoertuigenvastteleggen,teanalyserenentepresenteren(TNOIndustrieenTechniek 2006).Hiervoorzijnineersteinstantieopnamesgemaaktop5snelwegen.Perlocatiezijnmeerderedagen





59

60



BlikophetWegennet

nonǦstopopnamesgemaakt.TotophedenheeftTNOnogmaarvanéénlocatiedebeeldenverwerkt.Dit isdelocatieA1Zuidterhoogtevanhectometerpaaltje89,3.Delocatiebetrefteenrijkswegmet2rijstroǦ ken.Figuur31geefteenopnamemomentweer.Bijdeopnameisgebruikgemaaktvaneenrecordermet eenzogenaamdeproprietarycodec8.HierdoorwashetnietmogelijkomdirectdedigitaledatauitteleǦ zen.Bijdeverwerkingisdeoriginelerecordergebruiktomeenanaloogsignaaltegenererenwaarnahet signaalopnieuwwerdgedigitaliseerd.Dezeomslachtigemethodekanleidentotkwaliteitsverlies,waarǦ doorhandmatigcontrolerentercontrolevanhetprocesnoodzakelijkwas.Hetbleekdatderecorderniet instaatwasomurenlangstoringsvrijhetgewenstesignaaltegenereren.Hierdoorzijneenaantal‘gaten’ indedatatezien(Figuur30). Beschrijvingstudiegebied Decameraisgeplaatstopcirca8meterbovenhetwegdekenisschuinnaarbenedengericht.Voertuigen worden vanachter gedetecteerd. De onderste beeldlijn bevindt zichop circa12,5meter horizontale afǦ standvandecamera.Metdezeopstellingwordthetwegdeeltotopeenafstandvancirca150meterin beeld gebracht. Omdat objecten opgroteafstand te klein worden en niet goed meer van elkaar zijn te onderscheidisheteffectievebereikvandecamera80tot100meter.OverdezeafstandzijndevoertuigǦ trajectoriënbepaald.

 Figuur30GemiddeldesnelheidafzonderlijkevoertuigenindedatavanTNO

      8

Software module van een fabrikant dat compressie of decompressie van digitale videobeelden mogelijk maakt

 

Datasetsvantrajectoriën



In het videobeeld (Figuur 31) is een toerit te zien. Sommige voertuiǦ gen op de toerit zijn gedetecteerd. Tijdens het cleaningsproces zijn deze voertuiǦ gen verwijderd uit dedataset. Dataanalyse Uit Figuur 30 is de situatie ter plaatse al duidelijk af te leiden. In de figuur zijn de gemiddelde  trajectsnelheden  van alle afzonderǦ Figuur31OpnamevoorbeeldvastecameraopdeA1(TNOIndustrieenTechniek lijke voertuigen 2006) geplot. In eerste instantieiserspraǦ kevaneenfreeflowsituatie.Desnelhedenvariërentussende80en130km/h.Eennormalesituatieop hetNederlandseHWNmetvrachtwagenseneenmaximumsnelheidterplaatsevan120km/h.Ietsvoor vieruurbeginthetcongestieregime.Tijdenshetcongestieregimezijnduidelijkdeschokgolventezienvan stop & go verkeer. Rond zeven uur verdwijnt de congestieenisweersprake van een free flow situatie. De data is niet alleen geǦ schikt om de AID te testen op het moment van aanǦ gaan, maar ook om het gedrag tijdens schokgolven teanalyseren.

5.1.2

Helikopterdata Everdingen

Een andere methode om naardepositievanvoertuiǦ gen te kijken is vanuit een hoog standpunt. In opǦ drachtvanAVVheeftdeTU  Delft een haalbaarheidsǦ Figuur32Beeldvanafeenhelikopter(NBnietdesituatieuitdedataset) studie gedaan naar de moǦ gelijkheid om gegevens vanuitdeluchtteverzamelen(108).DenadrukinhetbetreffendeonderzoeklagopsituatiesmetcongesǦ tie.





61



BlikophetWegennet

  Beschrijvingstudiegebied HethaalbaarheidsonderzoekisdoordeTUDelftuitgevoerdbovenhetknooppuntEverdingen(A2/A27). Hettrajectbestaatuitdrierijstroken.Deafstandvanhettrajectdatinbeeldgebrachtisbedraagtcirca 500meter. Onderdehelikopterwaseendigitalefotocameragemonteerd,dieongeveer10foto’spersecondemaakt. Omdateenhelikopternooithelemaalstilindeluchtkanhangen,wordenhandmatigeenaantalherkenǦ ningspuntenaangegeven.Bijvoorbeelddevangrailtenzuidenvandewegofdebelijning.Indebeelden wordendeherkenningspuntenopgezochtengeroteerdnetzolangtotdeherkenningspuntenophetbaǦ sisbeeldovereenkomenmetdieopdehelikopterbeelden. Doormiddelvandeverschilleninhetachtergrondbeeld(beeldzondervoertuigen)endewerkelijkebeelǦ denwordendepositiesvandevoertuigenelke0,1secondebepaald.Metherkenningssoftwarewordende afzonderlijkevoertuigengetraceerddoordetijdheen,zodattrajectoriëntebepalenzijn.Indedatasetis 98%directgedetecteerd,waarnadedatahandmatigisaangevuldtoteendetectiepercentagevan100%. Dataanalyse DetrajectoriëninFiguur33gaannietzoalsgebruikelijkvaneenlagepositienaareenhogerepositie.De ontwikkelingvandexǦpositiesgaatinnegatieverichtingvanwegedegekozenrijrichting.Bijdeanalyse vandetrajectenendelussenmoethiermeerekeningwordengehouden. Detotaletijdsduurbedraagtrondde300seconden,oftewel5minuten.Indittijdsintervalbevindtzichéén schokgolf.InFiguur33iseenafnamevandesnelheidtezien,diezichnaarachterenverplaatstwatduidt ophetontstaanvancongestie.MetdedataishetaangaanvandeAIDtetesten.OmdatmaaréénschokǦ golfbekekenkanwordenindezedatasetishetlastigomhardeuitsprakentedoenoverdesituatietussen

Trajectories Everdingen 500 450 400 350 Positie (m)

62

300 250 200 150 100

250

300

Figuur33TrajectoriënindatasetEverdingen

 

350 Tijd (sec)

400

450

500

Datasetsvantrajectoriën



deschokgolvenin.Ophettrajectbevindenzich drierijstroken.

5.1.3

NGSIMdata

NGSIM(NextGenerationSimulation)valtonder hetministerievanverkeerindeVerenigdeStaǦ ten en heeft als doel het ontwikkelen van geǦ dragsalgoritmentenbehoevevanverkeerssimuǦ latiesincombinatiemetondersteunendedocuǦ mentatie en validatie (92). De nadruk ligt op microscopischemodellering.Productenworden doordeNGSIMvrijterbeschikkinggesteldaan derden. De gebruikte datasets bestaan uit trajectoriën van voertuigen op snelwegsegmenten onder verschillende verkeersregimes (free flow tot congestie).Devoertuigtrajectoriënwordenmet behulp van videoalgoritmen automatisch uit videobeeldengehaald.  Degebruiktedatasetkomtuithetzogenaamde  Berkley Highway Laboratory (BHL). De BHL is Figuur34NGSIMCamera(92) een testgebied van 2,7 mijl op de InterstateǦ80 ten oosten van de San FransiscoǦOakland Bay Bridge.Hetgaatomdeprototypedataset,diegratisviadewebsitevanNGSIMwordtverspreid.

Beschrijvingstudiegebied Detestfaciliteitenomvattenintotaal14toezichtcamera’sen16dubbeleinductielussentenbehoevevan

Trajectoriën NGSIM 800 700 600

Positie (m)

500 400 300 200 100 0 1650

1660

1670

1680

1690

1700 Tijd (sec)

1710

1720

1730

1740

1750

Figuur35GedeeltevandeTrajectoriënNGSIMdata





63

64



BlikophetWegennet

verkeersmonitoring.Deprototypedatasetisgemaaktmetbehulpvan6camera’sophogegebouwendie elkaaroverlappen.Totaaliseentrajectvanmeerdan2952voet(circa1kilometer)inbeeldgebracht.De voertuigenzijngedetecteerdmetbehulpvanlijnsegmenten.Doorlijnenvangedetecteerdeobjectente koppelenaan3DǦobjectenwerdenindividuelevoertuigengedetecteerd.Opbasisvanhetuiterlijkiseen voertuig door het beeld te volgen. Op de punten waar de camera’s elkaar overlappen is gezocht naar overeenkomstentussenvoertuigeninbeidebeelden.Ruim90%vandetrajectoriënindezedatasetwerǦ denautomatischverwerkt.Hetanderegedeelteismetdehandaangepast. Dataanalyse Dedatabestrijkteentijdsduurvan1800secondenoftewel30minuten.Van14:35tot15:05.Tijdensdeze 30minutenontstaatcongestie,maarvanduidelijkeopeenvolgendeschokgolvenisgeensprake.Aande handvandezedatasetzullendaaromdeprestatiestijdensstop&goverkeernietuitgebreidgeanalyseerd worden.Opdezesrijstrokeniswelsprakevaneensnelheidsdalingenhetontstaanvancongestie.

5.1.4

Betrouwbaarheidgegevens

Ombetrouwbarewaardenvooreentrajectorietekrijgenzijnvoldoendepuntennodig.Teweinigwaarden geeft een onnauwkeurig beeld. Een voertuig met minder dan 10 detecties wordt als gemist geclassifiǦ ceerd.Tijdensdedatacleaningstap(5.2.1Datacleaning)bleekindeTNOdatasetvan5,5%vandevoertuiǦ genonvoldoendegegevensbeschikbaartezijnomeenjuistetrajectorietemaken.InbeideanderedataǦ setswarenvoldoendedetectiesaanwezigomvoorelkvoertuigeentrajectorietemaken. AlleenvoordeTNOdataisdenauwkeurigheidbekend.Voordedatasetgeldtdatdepositiein95%vande gevalleneenfoutheeftdiekleinerisdan15cm.IndetweeanderedatasetszullenookfoutenindeposiǦ tiesvanvoertuigenzitten,maarhoegrootdezefoutenzijnisnietbekend.Viadeopgesteldetrajectoriën wordendesnelheden,versnellingenenvolgafstandenberekend.Datbetekentdatdefoutepositievande voertuigenverderdoorwerktindegebruiktevariabelenenalleenmaargroterwordt. Doordat de lusgegevens vanuit de datasets geconstrueerd worden, hebben deze dezelfde afwijking. In hoeverredezeverschillenmetdewerkelijkesituatieterplaatseisnietbekend.Opgemerktmoetworden dat metingen met inductielussen ook niet 100%  nauwkeurig zijn en sommige voertuigen daarbij niet gedetecteerdworden.

5.2 Dataverwerking Voordatmetdetrajectoriëndevariabelenberekendworden,moeteneersteenaantalstappengenomen worden.Allereerstisdedatagecontroleerdopfoutenenzijndefoutenuitdedataverwijderd.Metname bij de TNO data was deze stap belangrijk. Met de overgebleven gegevens zijn wiskundige functies geǦ maakt,dieovereenkomenmetdevoertuigtrajectoriën.Daarnaastmoestdedatazoveelmogelijklijkenop cameradata,waarvoorhetnodigwasomdetrajectenoptesplitseninkleineregedeeltenvan50en100 meter.VoorhetreconstruerenvaneenpuntmetingvoordelusdataisnogeenextrabewerkingsstapgeǦ maakt.

5.2.1

Datacleaning

DegebruiktedatavanTNObevatteeenaantalfouten.Indeanalysevandetrajectoriënblekeneenaantal voertuigen,volgensdegegevensuitdedataset,afentoeopeenseenvideoframeachteruitterijden.AanǦ gezienditgedragondernormaleomstandighedennietopdesnelwegvoorkomt(enhierookgeenaanleiǦ dingtoewas)zijndezeintervallenweggelatenuitdedataset.EenanderefoutindeTNOdatasetwaren dubbele metingen. Op een bepaald tijdstip waren twee plaatsbepalingen aanwezig. In deze specifieke gevallenisdeeerstemetingalsuitgangspuntgenomen.DedatasetsvanNGSIMenEverdingenkenden dezeproblemennietenzijnvoorafnietbewerkt.   

Datasetsvantrajectoriën



5.2.2

Opstellenvanpolynomen

Positie (m)

Dedatasetsbestaanuitmatricesmetdetijdenpositievandevoertuigen.Vanwegedeverwerkingvande trajectoriënnaarsnelhedenenversnellingenheefthetwerkenmeteenwiskundigefunctievoordeafzonǦ derlijke voertuigtraǦ jectoriëndevoorkeur. De afzonderlijke traǦ Trajectorie met bijbehorende 4e graads polynoom 100 jectoriën  zijn benaǦ derd met een unieke vierdegraads polyǦ 80 noom. Met deze unieke polynoom is 60 de positie van een voertuig te bepalen 40 op een bepaald tijdǦ stipdoordittijdstipin 20 de polynoom in te Trajectorie gemeten vullen. De snelheid is Trajectorie polynoom teberekenendoorde 0 0 0.5 1 1.5 2 2.5 3 3.5 4 tijdinsecondeninde Tijd (sec)  afgeleide van de poǦ Figuur36Trajectoriemetbijbehorendepolynoomvanéénvoertuig lynoom in te voeren en de versnellingen zijnteverkrijgendoordetweedeafgeleideteberekenen. DebenaderingvandetrajectoriënmeteenvierdegraadspolynoomisgeanalyseerdmetbehulpvandeRǦ Kwadraat(R2)waarde.DegemiddeldeR2 waardevandegebruiktetrajectoriënkomtuitop0,999.WaarǦ mee geconcludeerd mag worden dat de berekende trendlijn een goed benadering van de trajectoriën geeft.

5.2.3

Splitsentrajectoriën

DedatasetsvanNGSIMenEverdingenbestrijkenrespectievelijkeenafstandvan900en550meter.AanǦ gezieninhetonderzoekuitwordtgegaanvancamera’sgeplaatstopportalen,ishetbereikslechts50tot 100meter.Detrajectoriënzijnomdezeredengesplitstingedeeltevan50en100meter.VanbeidedataǦ setszijndaardoormeerderesegmentenbeschikbaar.InFiguur37zijntweesegmentenafgebeeldwaarin duidelijktezienis,datdecongestiebenedenstroomsstartenbovenstroomshetverkeerzichinfreeflow situatiebevindt. DedatasetvanTNOisafkomstigvaneencameraopeenportaalenisnietverderopgesplitst.

5.2.4

Lusgegevens

Van de beschouwde trajecten zijn geen lusgegevens beschikbaar. Om de nieuw te ontwikkelen algoritǦ mentevergelijkenmetdehuidigewerkingvanhetAIDǦsysteemzijndelussennagebootstindeonderǦ zochtedata.Eenlusistebeschouwenalseenmetingopeenvastelocatie(Zieuitleginparagraaf2.1.2). Doordatdesnelheidwordtvastgesteldaandehandvaneenrijtijdover2,5meter,isheteigenlijkeentraǦ jectsnelheidovereenheelkleintraject.EenidentiekvoertuigwordtopeenbepaaldtijdstipéénmaalgeǦ detecteerddoordelussen.VoorhetmeetintervalisindegebruiktedatagekozenvooreenafstandwaarǦ opeenvoertuigmet150km/hminimaaleenmaalgedetecteerdis.Hettijdstipwaarophetvoertuigindit meetintervalisgedetecteerd,volgensdegegevensuitdedataset,isingevuldindeafgeleidevandepolyǦ noom,zodatdesnelheidvanhetvoertuigbekendis.Deuitkomstvandesnelheidvoorelkvoertuigisde inputvoorhethuidigeAIDǦalgoritme.IndientijdenshetbeschouwdeintervaleenvoertuigmeerderemaǦ 



65



BlikophetWegennet

60

len gedetecteerd wordt,dientdeeerste meting als uitgangsǦ punt.  In Tabel 10 is het overzicht te vinǦ denmetdegebruikte meetintervallen voor deverschillendedataǦ sets.

40



120 100 Snelheid (km/h)

66

80



20 0

Snelheid Lus 500m Snelheid Lus 100m 0

200

400

600



800 1000 Tijd (sec)

1200

1400

1600



Figuur37Gemiddeldelokalesnelheidoptweeverschillendeluspositiesinde NGSIMdata

  

Tabel10Gebruiktemeetintervalvoorreconstructielusdata Dataset Framesperseconde Meetinterval(m) NGSIM Everdingen TNO

15 10 25

2,8 4,2 1,7



5.2.5

Gebruikgewijzigdedatasets

Deorigineledatasetszijngewijzigdinafzonderlijkedatasets.VoorelktijdstipwaaropeenmetingisgeǦ daanzijnmetdegeconstrueerdepolynoomeennieuwepositie,snelheidenversnellingberekend.Deze datasetwordtgebruiktbijdealgoritmenvoortrajectsnelheid,versnelling,dichtheidendecombinatievan variabelen.DeanderedatasetisdegesimuleerdelusdataenwordtgebruiktomhethuidigeAIDǦalgoritme te analyseren. In het volgende hoofdstuk worden de alternatieven besproken en in hoofdstuk 7 zijn de resultatentevindenvandeverschillendealgoritmenindedrieafzonderlijkesituaties.





 

Alternatievealgoritmenvoorfilestaartbeveiliging



6 Alternatievealgoritmenvoor filestaartbeveiliging Deomgewerktedatasetszijnmeetgegevens,dietheoretischuitvideocamera’stehalenzijn.Omtoteen verbeterdAIDǦalgoritmetekomenzijnvoordegegevenseenaantalnieuwealgoritmenontwikkeld.Niet alleenisgekekennaardeafzonderlijkevariabelen,maarookisgekekennaareenstatistischverbandtusǦ sendevariabelenonderling.HiervooriseenPrincipalComponentAnalysisgebruikt. Inhetnuvolgendehoofdstukwordendegebruiktealgoritmeninhoofdlijnenuitgewerkt.WaarnahoofdǦ stuk7dedefinitieveresultatengetoondworden.Omdecorrectheidvandeontwikkeldeprogrammatuur tetesteniseentestdatasetgemaakt,diemakkelijkmetdehanddoorterekenenis.

6.1 Alternatieven In deze paragraaf worden de ontwikkelde algoritmen beschreven. Allereerst wordt het huidige AIDǦ algoritme verwerkt en deze dient in het vervolg van het onderzoek als basis voor de verdere analyses. Daarnakomendeviernieuwealgoritmen(trajectsnelheid,versnelling,dichtheideneencombinatie)aan bod.Dealgoritmenwordenverduidelijktmeteenopsommingvandegenomenstappenenfigurenvande uitkomsten.Verdereanalysesopderesultatenzijninhoofdstuk7tevinden.

6.1.1

Lokalesnelheid

Demethode,zoalsbeschreveninhoofdstuk3,isdebasisvoorheteerstealgoritme.Deuitkomstvande

 Figuur38Schemaalgoritmelokalesnelheid





67



BlikophetWegennet

AIDǦinstellingbijdelokalesnelheidishoehetsysteeminwerkelijkheidzoureagerenopdebeschouwde verkeerssituatie Omschrijvingmethode Allereerstisdegegenereerdelusdatagesplitstinafzonderlijkedataperrijstrook.Perrijstrookenvoorelk afzonderlijkvoertuigwordendesnelhedennaarrijtijdenverwerkt.VoorelkesecondewordtdegemiddelǦ derijtijdberekend.WanneergeenautogepasseerdiswordtderijtijdvandevoorgaandesecondeaangeǦ houden.AchtereenvolgenswordtdeafgevlakterijtijdbepaaldendedaarbijbehorendeafgevlaktesnelǦ heid.MetbehulpvandeafgevlakterijtijdwordtdeAIDǦklasseperrijstrookbepaaldenalslaatstededefiǦ nitieveAIDǦinstellingperseconde.HiervoorisdeactietabeluitTabel8gebruikt.EenschemavandegeǦ bruiktemethodeistezieninFiguur38. Gebruikteparameters Voor het algoritme zijn de standaard instellingen gebruikt, zoals die in hoofdstuk 3 genoemd zijn. De grenswaardenvoordesnelheidliggenoprespectievelijk18en200km/h.Voordeafvlakfactorenworden 0,4 en 0,15 (Ƚ dec en Ƚ acc) gebruikt. De AID gaat aan wanneer de afgevlakte snelheid onder de 35 km/h komtengaatweeruitalsdeafgevlaktesnelheidbovende50km/huitkomt.InFiguur39isvooreengeǦ deelte van de TNO data de lokale snelheid aangegeven. De grenswaarde van 18 km/h als minimum is duidelijkindefiguuraanwezig.Deafvlakfactorenzijnzichtbaarindeafgevlaktesnelheid.Deafgevlakte snelheidgaatsnelnaarbeneden,maaristragermetsnelheidverhogingen.DeAIDǦinstellingisaangegeǦ venmetderodepunten.Terhoogtevaneensnelheidvan35km/hzaldeAIDhetbeeld[50]tonen.De rodepuntenindefiguurterhoogtevan120km/hgevenaandatgeenbeeldwordtgetoond.

(Afgevlakte) Lokale snelheid TNO data 140 120 Snelheid (km/h)

68

100 80 60 40 20 0 1.12

1.125

1.13

1.135 Tijd (sec)

1.14

1.145

1.15 4

x 10

Gemiddelde lokale snelheid rijbaan AID instelling Lokale snelheid (35 = beeldstand [50] "aan") Afgevlakte lokale snelheid  Figuur39GedeelteuitTNOdatamet(Afgevlakte)lokalesnelheid

Gevoeligheid Dekeuzevoordeafvlakfactorenheefteengroteinvloedopdewerkingvanhetalgoritme.IneenonderǦ zoeknaardeoptimalisatievandeparameterinstellingen(Rij2002)zijnvoordeAIDdeoptimaleafvlakfacǦ torenbepaald.Dezeparameterszijninhetonderzoekgebruikt.Anderewaardenvoordeafvlakfactoren zorgenvoorgroteveranderingeninhetaanǦenuitgaanvandeAID.EenhogerewaardevoorȽ declaatde  

Alternatievealgoritmenvoorfilestaartbeveiliging



AIDeerderreageren,maarwordtdaarmeegevoeligvoorincidentelesnelheidsdalingen.EenlagerewaarǦ devoorȽdecvlaktdesnelheidveelmeeruit,waardoordeAIDheeltraagopeensnelheidsdalingreageert. HetnogverderuitvlakkenvandesnelheidgebeurtookmeteenlagerewaardevoorȽacc.Datzorgtervoor dathetveellangerduurtvoordatdeafgevlaktesnelheiddegemetensnelheidvolgt,waardoordeAIDveel langeraanblijftstaan.EenhogerewaardevoorȽacclaatdeafvlakkingdichterindebuurtvandegemeten snelheidblijven,zodatdeAIDsnelleruitgaat.OmdeAIDbijschokgolvenaantehoudeniseenlagewaarǦ devoorȽaccnodig. DedrempelwaardenvoordesnelheidzijnsterkbepalendvoorhetaanǦenuitgaan.Hetspreektvoorzich dathethogeroflagerleggenvandedrempeldeAIDopeenandermomentlaataanǦofuitgaan.

6.1.2

Trajectsnelheid

OmdeAIDopbasisvansnelhedengoedtelatenreagerenishetbelangrijkdatlagesnelhedenvanvoerǦ tuigen zo snel mogelijk gedetecteerd worden. Daarnaast heeft een trajectmeting het voordeel dat het aandeelsnellevoertuigennietoverschatwordt(paragraaf2.1.2.).InhetalgoritmevoordetrajectsnelheǦ denwordenelkesecondedelaagstesnelhedenopderijstrokengeregistreerd.DehypothesebijhetalgoǦ ritmevoordetrajectsnelheidopbasisvandelaagstesnelhedenisdatvoertuigenmeteenlagesnelheid niet onderschat, en daarnaast eerder gedetecteerd worden, zodathetsysteem de weggebruiker eerder waarschuwtvooreenfile. Omschrijvingmethode Hetgroteverschiltussenhetalgoritmevoordetrajectsnelheidendatvoordelokalesnelheidisdatinhet traject snelheid algoritme de snelheden van voertuigenover een traject van 50 tot 100 meter bekeken. Voorderestzijndealgoritmengrotendeelsgelijkaanelkaar.Eenschematischoverzichtvanhetalgoritme istevindeninFiguur41.

Verschil Lokale- en Trajectsnelheid TNO data

Snelheid (km/h)

150

100

50

0 1.35

1.36

1.37

1.38 1.39 Tijd (sec)

1.4

1.41

1.42 4

x 10

Gemiddelde trajectsnelheid rijbaan AID instelling Trajectsnelheid (45 = beeldstand [50] "aan") Gemiddelde lokale snelheid rijbaan AID instelling Lokale snelheid (35 = beeldstand [50] "aan")  Figuur40GedeelteuitTNOdatametlokaleǦentrajectsnelheid





69

70



BlikophetWegennet

Figuur41Schemaalgoritmetrajectsnelheid

Allereerstwordtvanelkvoertuigdatzichophettrajectbevindtdesnelheidomgezetnaarderijtijd.De snelhedenzijnaandehandvanhetuniekevoertuigpolynoomberekend.PersecondewordtvanelkvoerǦ tuig de gemiddelde rijtijd berekend. In de TNO data zijn de gegevens op 25 frames per seconde gebaǦ seerd,datbetekentdatmaximaalhetgemiddeldevan25rijtijdenwordtgenomen.VoordeanderedataǦ setsligtditaantallager(Tabel10).DerijtijdenpersecondenvandeafzonderlijkevoertuigenwordeninǦ  

Alternatievealgoritmenvoorfilestaartbeveiliging



gedeeld op de rijstrook waar de voertuigen zich bevonden. Elke seconde wordt de laagstesnelheid per rijstrookophettrajectgenomen.Ditbetekenddatpersecondedehoogsterijtijdalsuitgangspuntdient. MetdezehoogsterijtijdpersecondeperrijstrookwordendeAIDǦinstellingenbepaald. Gebruikteparameters DestandaardAIDǦgrenzenenafvlakfactoren(hoofdstuk3)zijnvoorhetalgoritmegebruikt.InFiguur40is het resultaatte vinden vanhet algoritmesamen met dat van de lokale snelheid. Het verschil tussen de tweealgoritmenisinhetfiguurduidelijkzichtbaar.Verdereanalysesopditalgoritmezijntevindeninhet volgendehoofdstuk. Gevoeligheid Bij het algoritme voor de trajectsnelheid zijn dezelfde parameterinstellingen gebruikt als bij de lokale snelheid.HetalgoritmevoordetrajectsnelheidzalhetzelfdereagerenopdebeschrevenparameterveranǦ deringenvanhetalgoritmevoordelokalesnelheid.

6.1.3

Versnelling

Versnelling (m/s2)

De tweede afgeleide van de gebruikte vierdegraads polynoom geeftde versnellingen van een voertuig. Dezeextravariabeledieuittrajectoriëngehaaldworden,ismogelijkeengoedeindicatievancongestie. Voorhetbereikenvandelagesnelheidtijdenshetcongestieregimemoeteenvertragingplaatshebben. Het registreren van een grote vertraging zou in dat geval de Versnelling rijbaan TNO data start van congestie 10 betekenen.Omdatde vertraging vooraf optreedtishetmogeǦ 5 lijk om eerder te waarschuwen. 0

Omschrijving meǦ thode -5 Alsbasisdienenweer deafzonderlijkevoerǦ tuigtrajectoriën. Per -10 seconde wordt de 1.12 1.125 1.13 1.135 1.14 1.145 1.15 4 Tijd (sec) gemiddelde versnelǦ x 10 Versnelling ling van het voertuig  berekend. Om exǦ Figuur42GedeelteuitTNOdatametversnellingen trementevoorkomen wordt een grens geǦ steld op 10 en Ǧ10 m/s2. De versnellingsgegevens van alle voertuigen per seconde worden gesplitst op basisvanderijstrookpositievaneenvoertuig.Voordeafzonderlijkerijstrokeniselkesecondegekeken naardegemiddeldeversnellingopderijstrook.Indiengeenvoertuigenaanwezigzijnwordtdeversnelling nul. Gebruikteparameters InFiguur42iseenvoorbeeldtezienvandeversnellingen.Indedatawasgeenduidelijkverbandtussen congestieenversnellingtevinden.DaaromishetalgoritmenietverderuitgewerktenzijngeenparameǦ tersgebruiktomhetmomentvanaangaantebepalen.MeeroverdeproblemenbijhetgebruikvanverǦ snellingenisinhetvolgendehoofdstuktelezen.  



71



BlikophetWegennet

Gevoeligheid Gezienderesultaten(ziedegrafiekeninbijlageVI)ishetalgoritmezeergevoeligvoorrelatiefkleinesnelǦ heidsverschillen.Diegevoeligheidzorgtervoordathetalgoritmenietwerktzoalsindehypothesewerd verondersteld.

6.1.4

Dichtheid

Dooreengrotermeetintervaltekiezenwordthetmogelijkomdedichtheidteberekenen.Dedichtheidis het aantal voertuigen op een lengte eenǦ Dichtheid-Snelheid relatie TNO data heid.Ofteweldoorde 140 gemiddelde afstand tussen de voertuigen 120 te berekenen en de 100 lengte eenheid door dit gemiddelde te 80 delen is de dichtheid 60 bekend. Uit het funǦ damenteeldiagramis 40 af te leiden dat een hogere dichtheid zich 20 bevind in een congeǦ 0 stieregime. De hypoǦ 0 20 40 60 80 100 these is dan ook, dat Dichtheid (vrtg/km) Figuur43FundamentaalvǦkdiagramTNOdata een hoge dichtheid congestieimpliceert. Snelheid (km/h)

72

DeredenomtewerkenmetdeafstandtussendevoertuigeninplaatsvanhettellenvanhetaantalvoerǦ tuigenelketijdstapisvanwegehetfeitdatdanhetaantalvoertuigenperkilometeropeentrajectvan100 meteraltijdeendichtheidafgerondoptientallenoplevert. Omschrijvingmethode Deeerstestapiselkehelesecondedepositievaneenvoertuigteberekenen.ZoweldepositieinderijrichǦ tingalsdestrookpositie.Perstrookwordtelkesecondedeafstandtussendevoertuigenberekend.Aande handvandevolgafstandenwordtdedichtheidbepaald.DemethodeisteverduidelijkenmeteenrekenǦ voorbeeld.Stelopeentrajectvan100meterbevindenzichviervoertuigen.Voertuig1bevindtzichop90 metervanhetcamerastandpunt,voertuig2op75,voertuig3op50envoertuig4op15.Deafstandtussen de opeenvolgende voertuigen zijn respectievelijk 15, 25 en 35 meter. De gemiddelde afstand tussen de voertuigenkomtdaarmeeop25meter.Dedichtheidwordtdaarmee1000/25=40vrtg/km. Gebruikteparameters Omtoteenanalysevanderesultatenvoorhetdichtheidalgoritmetekomenisallereerstaandehandvan het fundamenteel vǦk diagram (Figuur 43)  twee drempelwaarden voor het algoritme bepaald. Bij een dichtheidvan50vrtg/kmgaatdeAIDaan(beeldstand[50])engaatuitzodradedichtheidweeronderde 20vrtg/kmzakt.Omextremeneruittefilterenwordtvoordedichtheideenvoortschrijdendgemiddelde over10metingengebruikt.Vooralledatasetszijnmetbehulpvanhetfundamentelediagrampassende drempelwaardengekozen. Gevoeligheid Hetdichtheidalgoritmeiszeergevoeligvoordekeuzevandeparameters.PersituatiemoetbekekenworǦ den welke drempelwaarde het meest geschikt is. Het systeem is zelflerend te maken door historische

 

Alternatievealgoritmenvoorfilestaartbeveiliging



gegevens te bewaren over snelheid en dichtheid en aan de hand van het met de data geconstrueerde fundamenteeldiagramsteedsnieuwedrempelwaardenteberekenen. Wanneervoordehoogstedrempelwaardeeenhogerewaardewordtgenomenzalhetveellangerduren voordathetalgoritmeergensopreageert.Eenlagerewaardelaathetalgoritmeveeltesnelaanspringen, zodat valsmeldingen ontstaan. Een hogere waarde voor de laagste drempelwaarde doet het algoritme sneller uitgaan, waardoor het systeem kan gaan knipperen. Een te lage waarde zal daarentegenervoor zorgendathetalgoritmetelangaanblijft.

6.1.5

Principalcomponentanalyse

DePCA(Principalcomponentanalyse)wordtindestatistiekgebruiktomindata,diemeervoudigedimenǦ siesomvatten,debelangrijksteverbandendiedaarinbeslotenliggenteontdekkenenomdeonderlinge samenhangtussendevariabelennategaan.BijdePCAǦmethodetrachtmenuiteenhoeveelheidvariabeǦ leneenmogelijkesamenhangtussenbepaaldebekendevariabelenteidentificeren(infeiteteextraheren) waarbijonbekendevariabelenkunnenontstaan(Shlens2005). Inditonderzoekissprakevandriedimensies,snelheid,dichtheidenversnelling.Opditmomentisalleen gekekennaardeafzonderlijkedimensies.MetdePCAwordtgeprobeerdomtussendedimensiesonderǦ lingverbandentevinden.VerbandenzoudeneenbetereafstellingvandeAIDkunnenopleveren. Omschrijvingmethode Als basis voorde PCAǦmethode zijn de verkregensecondegegevensgebruikt. Omdat de drie dimensies bestaan uit totaal verschillende eenheden wordt de data eerst gestandaardiseerd. Hiervoor wordt de standaarddeviatievandedataberekend.MetanderewoordendegemiddeldeafwijkingvanhetgemidǦ delde.Dedimensieswordengestandaardiseerddoordewaardentedelendoordestandaarddeviatie.De gestandaardiseerdewaardenvoorsnelheid,versnellingendichtheidwordenverderverwerktmetdePCA methodeinmatlab(Shlens2005). Gebruikteparameters DePCAǦratingschommeltronddenul.Eenhogerewaardebetekendmeerkansopcongestieenonderde nulbetekentnormaalgesprokengeencongestie.Opbasisvaniteratievetestenopdedriedatasetszijn eenhogedrempelwaardevan1eneenlagedrempelwaardevanǦ1alsmeestoptimaalbepaald.DatbeteǦ kentdatdeAIDaangaatophetmomentdatdePCAǦratingbovende1komtenpasweeruitgaatalsde PCAǦratingonderdeǦ1komtteliggen.VoordeelvandePCAǦmethodeisdatdedrempelwaardeninelke situatiewerken.Inalledriededatasetszijndezelfdedrempelwaardengebruikt. Gevoeligheid ZoalsbijalleandereAIDǦalgoritmengeldtbijdePCAǦmethodeookdateenanderedrempelwaardedeAID anderslaatreageren.EenhogerewaardevoordehoogstedrempellaatdeAIDlateraangaaneneenlageǦ rewaardevoordehoogstedrempellaatdeAIDeerderaangaan,zodatvalsmeldingenzicheerdervoorǦ doen.DelaagstedrempelwaardezorgtervoordatdeAIDnietzosnelaanǦenuitgaatachterelkaar.Een hogerewaardebetekentdathetsysteemeerderuitgaatenvaakopmomentendathetnognietgewenst is.Eenlagerewaardelaathetsysteemlangeraanstaan.

6.2 Verificatiealgoritmen Deontwikkeldealgoritmenzijnineersteinstantiegetestoprekenfoutendooreentestdataset.Hiervooris handmatigeenkleinedatasetaangemaakt.Degemaaktedatasetheeftalshoofddoelhetcontrolerenvan demethodenomdevariabelenteberekenen.ControlesofdealgoritmenophetjuistemomentdeAID inschakeltzijneenvoudigtecontrolerendooreengrafiekteplottenmetdeafgevlaktesnelhedenende AIDǦinstellingen.  



73



BlikophetWegennet

Omschrijvingmethode Alsuitgangspuntvandemethodedienteenwillekeurigetrajectoriemetdeformule: y=0,135x4Ǧ0,990x3+1,921x2+27,47xǦ1,701.



x=[0;10]&y=[0;100]

Deafgeleide(snelheid)entweedeafgeleide(versnelling)wordenrespectievelijk: y’=0,5400x3Ǧ2,9715x2+3,8434x+27,4750. y’’=1,62x2Ǧ5,9430x+3,8434. Totaal zijn 16 voertuigtrajectoriën  opgesteld (Figuur 44). Deze trajectoriën  zijn allereerst met de geǦ maaktealgoritmendoorgerekendendaarnametdehanduitgewerkt.DeresultatenvanbeidezijnvergeǦ lekenomtecontrolerenofdealgoritmendoenwatwerdverwacht.NadezecontrolezijndeanderedataǦ setsverwerkt.Deuitkomstenperdatasetzijninhetvolgendehoofdstuktevinden.

Trajectories Testdata 100 90 80 70 Positie (m)

74

60 50 40 30 20 10 0

0

1

2

3

Figuur44Trajectorieëntestdata





 

4

5 Tijd (sec)

6

7

8

9

10



Beoordelingvandealternatieven



7 Beoordelingvandealternatieven Dedataisverwerktmetdebeschrevenalgoritmeninhetvorigehoofdstuk.Inhetnuvolgendehoofdstuk wordenderesultatengetoondvandealternatievenomhetAIDǦmechanismeaantesturen.DealternatieǦ venwordengeanalyseerdaandehandvanvoorafbepaaldestreefwaardenenderesultatentenopzichtte vanhetstandaardAIDǦalgoritme.DeresultatenvandealgoritmenzijninTabel12totenmetTabel14te vinden.EenuitgebreidelijstvanallemeldingenisinBijlageVtoegevoegd.Ineersteinstantiewordteen overzichtgegevenvanhettotaalresultaatwaarnadieperwordtingegaanopdeafzonderlijkealgoritmen. Vanwegedegroottevandedatasets,metnamedievanTNO,isvoordeoverzichtelijkheideengedeelte vanderesultatenweggelaten

7.1 Streefwaardenalgoritmen In hoofdstuk 3 zijn de belangrijkste verbeterpunten van de AID vastgesteld. Het systeem moet op tijd aangaanentijdensschokgolvenmaghetsysteemniet“knipperen”.Opbasisvandezepuntenzijnvoorde geanalyseerdedatastreefwaardenvoorhetaanǦenuitgaanopgesteld.OphetmomentdathetgemidǦ delde snelheidsverloop op de rijbaan duidelijk inzakt richting congestie moet het systeem reageren en tijdensschokgolvenmoetdeAIDaanblijven.Hetuitgaanmoetzodrahetsnelheidsverloopduidelijkhet eindevandecongestieaangeeft.Ditresulteertindestreefwaardenvoordeverschillendesituatieszoals vermeldinTabel11. Tabel11StreefwaardenvoordeAID  Aan Uit TNOdeel1 TNOdeel2 NGSIM300m NGSIM400m NGSIM500m Everdingen300m Everdingen400m Everdingen500m

3340 >5000 <10000 14200 1320 1720 1350 1750 1310 1750 85 290 90 290 110 290



7.2 Resultatenalgoritmen DewerkingvandeAIDvoordeverschillendealgoritmenisgeanalyseerdmetbehulpvandedriedatasets. Deresultatenzijninonderstaandetabellenopgesomd.Puntenwaarnaargekekenis,zijn: x x x

x

x



Aantalmeldingen,HettotaalaantalkerendatdeAIDaanspringt. Totaal seconden ‘aan’, Het totaal aantal seconden dat de AID aanstaat gedurende de beschouwde periode. ‘aan’<10seconden,AantalkerendatdeAIDaanspringt,maarbinnen10secondenweeruitgaat.Deze waardeniseenindicatie,datofhetalgoritmeveelknippertofdathetalgoritmeveelvalsemeldingen geeft. Percentageeerder‘aan’t.o.vLokaal,Inhoeveelprocentvandegevalleniseenmeldingeerderdande meldingvandelokalesnelheid.Eenhoogpercentagegeeftaandathetsysteeminveelgevallenop tijdaangaat. Aantal extra gewaarschuwde voertuigen t.o.v Lokaal, Deze waarde is gebaseerd op de gemiddelde intensiteit. In de TNO data komen bijvoorbeeld 12626 voertuigen in 17098 seconden langs. Per seǦ 

75



BlikophetWegennet

conde geeft dat een gemiddelde van 0,74 voertuigen. Het verschil in Totaal seconden ‘aan’ tussen tweealgoritmenvermenigvuldigdmethetaantalvoertuigenpersecondegeeftdewaardevoorhet aantalextragewaarschuwdevoertuigeninhetbeschouwdetijdsinterval. 

Traject

Dichtheid

PCA

2500Ǧ5000sec

17

44

4

1

10000Ǧ15000sec

11

21

13

1

Tijd

Lokaal

Tabel12OverzichtresultatenTNOdata 

Aantalmeldingen Totaalseconden ‘aan’ ‘aan’<10seconden

2500Ǧ5000sec

584

1722

1053

1647

10000Ǧ15000sec

3001

3479

3123

4250

2500Ǧ5000sec

3

17,6%

14

31,8%

0

0,0%

0

0,0%

10000Ǧ15000sec

1

9,1%

7

33,3%

0

0,0%

0

0,0%

Percentageeerder ‘aan’t.o.vLokaal

2500Ǧ5000sec

*

92,8%

50%

100%

10000Ǧ15000sec

*

75%

69,2%

100%*

AantalextragewaarǦ schuwdevoertuigen t.o.vLokaal

2500Ǧ5000sec

*

840

346

785

10000Ǧ15000sec

*

353

90

922









*Startentegelijkopt=10000



AID instelling vier methoden TNO data 140 120 Snelheid (km/h)

76

100 80 60 40 20 0 2500

3000

3500 4000 Tijd (sec)

4500

5000

Gemiddelde snelheid rijbaan AID Instelling Lokale snelheid (40 = beeldstand [50] "aan") AID Instelling Trajectsnelheid (35 = beeldstand [50] "aan") AID Instelling Dichtheid (30 = beeldstand [50] "aan") AID Instelling PCA methode (25 = beeldstand [50] "aan") AID Instelling Streefwaarden (20 = beeldstand [50] "aan") Figuur45AIDinstellingvieralgoritmen2500Ǧ5000secTNOdata

 



Beoordelingvandealternatieven



InTabel12zijnderesultatenvandeTNOdatatevinden.Indezedatazittenverschillenderegimes(free flow,congestie,schokgolven),waardoordezevoordeanalysezeerinteressantis.Omdathetomvieruur aandatagaatiseensplitsinggemaakt.Allereersteengedeeltemetcongestieopbouwenschokgolvenen hettweedegedeelteschokgolvenwaarnadecongestieverdwijnt. De verschillen zijn in de TNO data grafisch aangegeven (Figuur 45 & Figuur 46). In deze figuren zijn de AIDǦinstellingen van allealgoritmen aangebracht. Dit geeft een goed beeld van de werking van de verǦ schillendealgoritmen. DeNGSIMenEverdingendatabestrijkeneenveelkleinertijdsinterval.Hierdoorisveelminderinformatie uit de gegevens te halen. Het aantal meldingen voor elk algoritme ligt erg laag en het percentage dat eerder aangaat dan lokaal is niet veelzeggend. Hiervoormoet het algoritme langergetest worden.Wel zijn een aantal overeenkomsten te zien met de TNO data. Zoligt inalle gevallen het aantal meldingen met de PCA methode laag en blijft dit algoritme veel langer aanstaan, zodat meer voertuigen gewaarǦ schuwdworden. Deinvloedvanhetmeetgebiedismeegenomeninderesultaten.Eensplitsingisgemaaktintrajectenvan 50en100meter.Opdetrajectenvan100mwordteerdereenmeldinggegevenenblijftdeAIDlangeraan.   

AID instelling vier methoden TNO data

Snelheid (km/h)

150

100

50

0

1

1.1

1.2

1.3 Tijd (sec)

1.4

1.5 4

x 10

Gemiddelde snelheid rijbaan AID Instelling Lokale snelheid (40 = beeldstand [50] "aan") AID Instelling Trajectsnelheid (35 = beeldstand [50] "aan") AID Instelling Dichtheid (30 = beeldstand [50] "aan") AID Instelling PCA methode (25 = beeldstand [50] "aan") AID Instelling Streefwaarden (20 = beeldstand [50] "aan") Figuur46AIDinstellingvieralgoritmen10.000Ǧ15.000secTNOdata







77

78



BlikophetWegennet

Totaalseconden ‘aan’ 100m

50m ‘aan’<10seconden 100m

50m Percentageeerder ‘aan’t.o.v.Lokaal 100m

50m AantalextrageǦ waarschuwdevoerǦ tuigent.o.vLokaal 100m

 



 

PCA

50m

Dichtheid

100m

Traject

Aantalmeldingen

Lokaal

Traject 50m

Lus

Tabel13OverzichtresultatenNGSIMdata 

300m

2

2

2

1

400m

3

3

2

1

500m

3

3

1

1

300m

2

2

1

1

400m

3

3

1

1

500m

3

2

1

1

300m

87

112

71

427

400m

151

215

271

441

500m

246

295

397

425

300m

87

124

224

444

400m

151

242

400

532

500m

246

337

423

527

300m

0

0

0

0

400m

0

0

0

0

500m

0

0

0

0

300m

0

0

0

0

400m

0

0

0

0

500m

0

0

0

0

300m

*

100%

0%

100%

400m

*

100%

50%

100%

500m

*

100%

100%

100%

300m

*

100%

0%

100%

400m

*

100%

100%

100%

500m

*

100%

100%

100%

300m

*

66

Ǧ42

894

400m

*

168

316

763

500m

*

129

397

471

300m

*

97

360

939

400m

*

239

655

1002

500m

*

239

465

739

Beoordelingvandealternatieven



Totaalseconden ‘aan’ 100m

50m ‘aan’<10seconden 100m

50m Percentageeerder ‘aan’t.o.v.Lokaal 100m

50m AantalextrageǦ waarschuwdevoerǦ tuigent.o.vLokaal 100m

PCA

50m

Dichtheid

100m

Traject

Aantalmeldingen

Lokaal

Traject 50m

Lus

Tabel14OverzichtresultatenEverdingendata 

300m

3

2

1

1

400m

2

1

1

1

500m

2

2

2

1

300m

3

2

1

2

400m

2

2

2

1

500m

2

2

2

1

300m

61

65

19

172

400m

53

55

36

164

500m

81

84

51

159

300m

61

87

38

131

400m

53

66

107

164

500m

81

95

97

162

300m

0

0

0

0

400m

0

0

0

0

500m

0

0

0

0

300m

0

0

0

0

400m

0

1*

0

0

500m

0

0

0

0

300m

*

100%

0%

0%

400m

*

100%

0%

0%

500m

*

50%

0%

100%

300m

*

100%

100%

100%

400m

*

100%

0%

0%

500m

*

50%

50%

100%

300m

*

4

Ǧ46

121

400m

*

2

Ǧ18

121

500m

*

3

Ǧ32

85

300m

*

28

Ǧ24

76

400m

*

14

59

121

500m

*

15

17

88

*Eindevanmeting,waardoorditwaarschijnlijkstartvannieuwecongestiebetekend



7.3 Resultatentrajectsnelheid Heteerstewatopvaltindetrajectsnelheidresultatenzijndeveleextrameldingentenopzichttevande AIDǦreferentiesituatie (lokale snelheid). Vooral in de situaties buiten de congestie ontstaan veel meer meldingen.Deredenvandezeextrameldingenisvanwegehetfeitdatelkesecondedelaagstesnelheid vaneenvoertuigophettrajectwordtgemeten.BijeeninductieluspasseertnietelkesecondeeenvoerǦ tuig.Wanneerelkesecondeeenmetingwordtgedaanheefteentrajectmetingveelmeermetingen.Niet alleen meer metingen, maar ook elke keer de laagste. Het gevolg is dat bij een corrupte metingof een incidentelelagesnelheidhetafvlakalgoritmeveelsnelleronderde35km/hduikt,waardoordeAIDaanǦ springt.Deproblemenontstaannuindeperiodennetvoorennadecongestie,maarookingedeeltevan congestiewaarnoggrotefluctuatiesinsnelheidvoorkomen(Figuur45&Figuur46).DitAIDǦgedragisniet gewenstenzorgtvoorveelonnodigeonrustbijweggebruikers.Aanpassingenaanhetalgoritmezouden 



79



BlikophetWegennet

ditongewenstgedrageruitkunnenhalen.Verderonderzoekisgewenstbijheteventueeltoepassenvan dezemethode. In een duidelijk congestieregime met weinig grote fluctuaties (Figuur 46) is het beeld stabieler. De AID blijftlangeraanenindemeestegevallenwordteerder(gemiddeld15tot20sec)gewaarschuwd.Soms springtdeAIDmindersnelaandoordatindegrotefluctuatiesvandetrajectsnelheiddeafvlakkingervoor zorgtdathetevenduurtvoordatdezeonderde35km/hkomt. EenvergelijkingopbasisvandestreefwaardenlaatziendathetalgoritmenetietslaterreageertalsgeǦ wenst.Wanneereenalgoritmeopbasisvandesnelhedenreageert,isdatbegrijpelijk.Hetalgoritmemoet eerstzekerwetendatdesnelheidsdalingwerkelijkhetbeginvancongestieaangeeft.Hierdoorgaanaltijd eenaantalsecondenverloren.Hetuitgaanisnetietslateralsgewenst.GroteafwijkingentussendetraǦ jectsnelheidendestreefwaardenzijntijdensdeschokgolvenenfreeflowsituatiestezien.IndezeperioǦ denzijnveelmeermeldingen. Samengevat doet tijdens congestie het algoritme wat gevraagd wordt, eerder waarschuwen en minder snelaanenuitgaan.Intotaalwordenveelmeerauto’sgewaarschuwdvoornaderendecongestie.Ineen kleingedeeltevandegewaarschuwdeweggebruikersgaatomeenvalsemelding.Datwilzeggendatde voertuigenzichinheteindevandecongestiebevindenendesnelheidaanhetstijgenis.Waarschuwingen opdatmomentverstorenhetoplossenvandecongestie.

7.4 Resultatenversnelling Dehypothese,datvoorafgaandaancongestieeendeceleratietezienis,blijktvolgensderesultatenwaar tezijn.InFiguur47zijntweevoorbeeldenuitdedatasetsgenomen.Indelinkerfigurenisduidelijktezien dat een snelheidsdaling vooraf wordt gegaan door een vertraging. Echter in het free flow gedeelte zijn ookeenaantalflinkevertragingentezien.Inderechterfigurenishetzelfdetezien.Desnelhedenzijnop

Afgevlakte Lokale Snelheid + AID Instelling TNO data

140

140

120

120 Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling NGSIM 500m

100 80 60 40

100

0

80 60 40 20

20 900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

0 1.5

1700

1.55

1.6 Tijd (sec)

1.65

1.7 4

x 10

Strook 1 (links) Strook 2 (rechts) AID Instelling (35 = beeldstand [50] "aan")

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")



Gemiddelde Versnelling NGSIM 500-600m



Versnelling TNO data 6

0.2

4 Versnelling (m/s2)

Versnelling (m/s2)

80

0 -0.2 -0.4 -0.6

2 0 -2 -4

-0.8 -1

-6 1.5 900

1000

1100

1200

1300

1400

1500

1600

1700

Tijd (sec) Versnelling

Figuur47Voorbeeldplotsversnellingenensnelheid

 

1.55

1.6 Tijd (sec) Versnelling



1.65

1.7 4

x 10



Beoordelingvandealternatieven



peil,datwilzeggentussende80en120km/hopeenaantaluitzonderingenna.Hogesnelhedenleiden niettoteenconstanteversnellingvanrondde0m/s2.Hetverschiltusseneenversnellingalshetgevolg van opkomende congestie of versnellingen in een free flow gedeelte zijn slecht uit elkaar te houden. Daarbijkomtnogeensdatheteindevancongestienietuitdeversnellingenisafteleiden.MetversnellinǦ genwordthetlastigomtebepalenwanneerdeAIDuitmag.Redenenwaaromhetalgoritmeopbasisvan versnellingennietwerktzijn: x

x

x

Ineenfreeflowsituatiebestaanveelmomentenwaarhardwordtafgeremd.Tedenkenvaltaan vrachtwagensdieelkaarinhalenofanderevoertuigendielangzaamaanhetinhalenzijnopdelinker rijstrook.Achteropkomendverkeermeteenhogesnelheidremtindergelijkegevallenvaaksterkop hetlaatstemoment.BijweinigverkeerzijndesnelheidsverschillenvaakgroterenontstaandezesituǦ atieseerder. Weinig voertuigen rijden een constante snelheid. Bestuurders moeten zich continue aanpassen aan hetverkeerrondomhen.Vooralbijdruktezorgenstrookwisselingeneninvoegingenvoorveelonrust, watregelmatiggepaardgaatmethardremmen. Aanheteindevandecongestiezaldoorbestuurdersversneldgaanworden.Echterbijschokgolven wordtookversneld.Eenversnellingalsgevolgvaneenschokgolfofheteindevaneenfileisdaarom nietuitelkaartehalen.

Hetoptijdwaarschuwenvanbestuurdersvoorcongestieaandehandvandevertragingeniswelmogelijk maarlevertenormveelfoutmeldingenop,omdatallevertragingendieniethetgevolgzijnvancongestie meegenomenworden.HettweededoelomhetsteedsaanǦenuitspringentevoorkomenismetdeverǦ snellingennietoptelossen.Eenduidelijkpuntdatheteindevancongestieaangeeftisnietaantewijzen. DebelangrijksteprobleempuntenvandeAIDzijnnietoptelossen,waardoorverdereuitwerkingvandit algoritmeachterwegeisgelaten.

7.5 Resultatendichtheid Degrafieken(Figuur48)metdaarindedichtheiduitgezettegendetijdlatenopheteerstegezichtmooie resultatenzien.BijcongestieiseentoenamevandedichtheidtezienendeschokgolvenzijnwaarteneǦ men door verdichtinǦ gen en verdunningen indeverkeersstroom. Gemiddelde Dichtheid NGSIM 400-450m

140



120 Dichtheid (vrtg/km)

Toch is de dichtheid geen robuuste variaǦ bele om congestie te detecteren. De AID springt niet altijd eerder aan in vergeǦ lijking met de refeǦ rentiesituatie (lokale snelheid) en de streefwaarden. In sommige gevallen verschijnt een waarǦ schuwing te laat. Op het punt van aanǦ en uitspringen scoort het algoritme beter. Tijdens schokgolven

100 80 60 40 20 0

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan")

Figuur48AIDinstellingopbasisvandichtheid





81

82



BlikophetWegennet

zijnweinigwisselingentezien.Entijdensdeperiodenzondercongestiekomengeenmeldingendoor.Het algoritmeisindezegevallenstabieler.WanneereenmeldingdoorkomtishetmeteeneenserieuzemelǦ ding,watafteleidenisuithetfeitdatzeerkortewaarschuwingennietwordengegeven. Tochishetnietvoldoendeomhetalgoritmetegaangebruiken.Probleembijdichtheidisdaternietaltijd een duidelijke relatie met congestie bestaat. Congestie hoeft namelijk niet te ontstaan door een hoge dichtheid,bijvoorbeeldbijeenongeval.Indergelijkegevallenduurtheteentijdvoordatmetdedichtheid eenmeldingwordtgegeven.Enbijinhalendevrachtwagenszaldedichtheidtijdelijkhogerzijn,maardat houdtgeencongestiein

7.6 ResultatenPCA In de resultaten van het algoritme voor de trajectsnelheid en het algoritme voor de dichtheid waren in beidegevallenvoorǦennadelentevinden.Detrajectsnelheidreageertsnel,somstesnel.TerwijldedichtǦ heidwatbetreftdemeldingenveelbetrouwbaarderis.Tijdensfreeflowsituatiesgeefthetalgoritmegeen meldingenenindecongestiefasealleenwanneererechtwataandehand.Eencombinatievanbeidezou theoretischmooieresultatenmoetenopleveren.AandehandvandePCAisdemogelijkheidvancombiǦ natiesvergeleken. DePCAisineersteinstantiegeanalyseerdmetdeTNOdataset,omdathierinduidelijkdegeschetsteproǦ blemeninvoorkomen(freeflow,congestieenschokgolven).DoordeschokgolvengaatdeAIDcontinue aan en uit. En bij enkele lage snelheden schiet de AID vaak weer aan. Totaal zijn drie combinaties met elkaarvergeleken: 1. 2. 3.

Trajectsnelheid–Dichtheid–Versnelling Trajectsnelheid–Dichtheid Trajectsnelheid–Versnelling

DeresultatenvandeeerstehoofdcomponentzijngrafischweergegevenindefigurenvanbijlageVI.Aan dehandvandezefigureniseeneersteanalysegemaakt.UitFiguur67blijktdecombinatievanTrajectǦ snelheidenVersnellingeenheelvlakbeeldtegeventerwijldeanderetweecombinatiesduidelijkeoverǦ eenkomstenmetelkaarhebbenquaverloop.Deinvloedvandeversnellingiszeergering.IndezeparaǦ graafwordenderesultatenvandetweedemethode(Trajectsnelheid–Dichtheid)besproken.Gekozenis voordezemethodeomdatversnellingweinigtoevoegtenmettweevariabelen(TrajectsnelheidenDichtǦ heid) voldoende gegevens beschikbaar zijn om een duidelijk verloop in de PCAǦrating te hebben. In de meestegevallenverklaardedeeerstehoofdcomponentruim75%vandedata,datisvoldoendeomaande handvandeeerstehoofdcomponentuitsprakenoverderesultatenvandeAIDǦinstellingtedoen. DeincidentelelagesnelhedeneneventuelefoutenzijnindePCAǦmethodegewoonmeegenomen.DaarǦ omwordtbijdezedataeersteenafvlakkingtoegepast.HiervooriseenvoortschrijdendgemiddeldegeǦ nomenover10metingen. Hetresultaatvandemethodezijnzeergoed.Allereerstderesultatenophetpuntvaneerderaanspringen. Inalledatasetsspringt,wanneereenmeldingwordtgegeven,metdezemethodedeAIDeerderaan.Het aanspringengebeurtalleenopmomentendatdaadwerkelijkdesnelhedenrichtingcongestieverschuiven. Tijdenfreeflowgedeeltenreageertdezemethodeniet.OphetpuntvanaanǦenuitspringenisdescore ookzeergoed.TijdensschokgolvenblijftmetdezemethodedeAIDcontinueaan. De PCAǦmethode komt het dichtste in de buurt van de streefwaarden. Het aanǦ en uitgaan verschilt maximaal30secondenmetdegewenstesituatie.OphetgebiedvanstabiliteitscoortdePCAǦmethode maximaal.

 

Beoordelingvandealternatieven



7.7 Scorealgoritmenfilestaartbeveiliging In Tabel 15 zijn de scores opgenomen van de geanalyseerde algoritmen. De punten waarop de score is gebaseerd zijn de problemen waarmee het huidige AIDǦalgoritme te kampen heeft (Hoofdstuk 3). Ten eersteofhetalgoritmevoertuigenoptijdwaarschuwt.Hetliefstwordenbestuurderszovroegmogelijk gewezen op eventuele congestie. In de streefwaarden is het ideale moment van aangaan voor de beǦ schouwdesituatiesgegeven.GeenéénvandealgoritmenwasinstaatomopdatmomentaleenwaarǦ schuwingtegeven.Dehoogstescoreisdaaromaangeenéénalternatieftoegewezen.DePCAǦmethode werkthetbeste.DezemethodeisaanhetbeginvancongestiegelijkofietseerderalsdereferentiesituaǦ tie,maarwaarschuwtvooralveelextravoertuigentijdensschokgolven.Dichtheidscoortheelwisselend opditonderdeel. Hettweedeprobleemis,datwanneerdecongestienietonderde35km/hkomthethuidigeAIDǦalgoritme nietaanspringt.Bijdetrajectsnelheidverandertditniet,omdatindatgevalnogsteedsdesnelhedenboǦ vende35km/huurliggen.DoordatindergelijkegevallendedichtheidweltoeneemtreageertdezemeǦ thodesneller.Maareencombinatievanbeidescoortindezesituatiebeter,doordateenlageresnelheid indicatieincombinatiemeteenhogeredichtheidstabielerreageert. HetlaatstepuntishetaanǦenuitgaanvandeAIDdoorbijvoorbeeldschokgolven.Hetalternatiefopbasis vandetrajectsnelheidscoortredelijktijdensschokgolven.Hetblijftwellangeraan,maargaatafentoe nogweluit.Deechteproblemenontstaanbijgrotesnelheidfluctuaties.Indergelijkegevallenspringthet mechanismesnelaanenuit.Dedichtheidisietsstabieler.Wanneerhetsysteemaanspringtblijfthetook eentijdjeaan,maarknipperentijdensschokgolvenblijftzichvoordoen.DePCAisheelstabielengaanpas uitwanneerdecongestiedaadwerkelijkvoorbijis. Tabel15ScoretabelAIDalgoritmen  OptijdwaarǦ schuwen TrajectSnelheid Dichtheid PCAmethode ++=zeergoed

+/Ǧ Ǧ + ǦǦ=zeerslecht

Snelheden blijveninconǦ gestietehoog

Knipperen

ǦǦ + ++

+/Ǧ + ++





 







83

84



BlikophetWegennet

8 Conclusiesenaanbevelingen Totslotvanditrapportishetonderzoeksamentevattenindebelangrijksteconclusiesenaanbevelingen.

8.1 Conclusies De conclusies worden ingedeeld in drie deelconclusies. Ten eerste conclusies over het videomonitoring systeem.HettweedegedeeltebehandelddeconclusiesaangaandenieuwealgoritmenvoordeAID.Enals laatsteconclusiesoverdeverhoudingAVVenvideomonitoring.

8.1.1

Conclusiesvideomonitoringsystemen

Indesystemeniseentweedelingaantebrengen.Aandeenekantstaandesystemen,dietellingenuitǦ voeren.Bijvideomonitoringzijndetellingenverderuittebreidenmetmeetgegevensuittrajectmetingen (volgafstand,trajectsnelheid).Deidealepositievoordecamerabijtellingenisopeenportaal,metdaarbij de camera via een hoek van 45 graden gericht op de voorkant van de voertuigen. Aan de andere kant staan de observatiesystemen. In feite zijn deze systemen de werkelijke toegevoegde waarde van een videomonitoringsysteem.Viaobservatieszijnwegvakkenvanruim300meterindegatentehouden.CaǦ mera’svoorobservatiedoeleindenzijninde(verstevigde)lichtmastenindemiddenbermaantebrengen. Dekeuzevaneenvideomonitoringsysteemhangtsterkafvanhetdoelwatvoorogenstaat.Dekwalitiet vanhetsysteemstaatenvaltbijdekeuzesdiewordengemaaktwatbetreftdeinstallatie.WanneernauwǦ keurigtellingengewenstzijnishetnietmogelijkommethetzelfdesysteemeengrootgebied(>75m)in beeldtebrengen.Hetopgrotehoogteoverzienvaneentraject(>300m)gaattenkosttevandenauwkeuǦ righeidenbetrouwbaarheidvantellingen,maariswelinstaatdoordeandereoutputgegevensdenauwǦ keurigheidenbetrouwbaarheidvananderetoepassingenteverbeteren(incidentdetectie). Voorsegmentatieendetectievanvoertuigeniseenalgoritme,datverschilmaaktinvoorǦenachtergrond objecten,hetmeestgeschikt.Voorwaardeisweldathetgaatomeenadaptiefalgoritmeomzichaante kunnenpassenaandewisselendeomstandigheden. HetherkennenvangedetecteerdevoertuigenindevolgendebeeldenishetmakkelijkstedoornaareigenǦ schappenvandevoertuigentezoeken.Bijvoorbeelddekleurenvorm.Hetvoorspellenvaneennieuwe positiezorgtvoorhetefficiënterzoekenenbetereresultaten Resultatenuiteerderetestenlatenziendatdehuidigesystemennognietinstaatzijnomdefunctionele eisenvanAVVtehalen.Detestenzijnruimdriejaaroflangergeledenuitgevoerd.Indietijdiseenhoop veranderdophetgebiedvandealgoritmen,maarookdecamera’szijnsteedsbetergeworden.DenauwǦ keurigheid en betrouwbaarheid de laatste jaren waarschijnlijk met een paar procent is toegenomen tot eennauwkeurigheidvangemiddeldrondde5%.Hetaangevenwelofgeenvoertuigisalmogelijkmeteen betrouwbaarheidvanrichtingde97Ǧ99%.Hetvoordeelbijobservatiedoeleindenis,dateventueletwijfelǦ gevallendoordeoperatoralssupervisorzijntecontroleren. Hetgebruikmakenvanmeerderecamera’slevertvoordelenopwatbetrefthetbeterkunnenvoorspellen vanvoertuigpositiesenvanaftweecamera’swordthetmogelijkom3DǦbeeldentereconstrueren.

8.1.2

ConclusiesnieuweAIDǦalgoritme

Hetalgoritmeopbasisvantrajectsnelhedenblijftlangeraanenreageertinbijnaallegevallensneller(ruim 80%),maarheeftalsgrootnadeeldatveelnieuwemeldingenwordengegeven.Dezeextrameldingenzijn  

Conclusiesenaanbevelingen



allemaalkortemeldingenenmeestalvals.DeredenvandezeextrameldingenenhetsomstelaatreageǦ ren ligt aan het feit datbijhetalgoritmeelkesecondeeensnelheidsmetingbeschikbaaris.Bijlussenis nietelkesecondeeensnelheidsmetingbeschikbaar.Doordatelkesecondeeenmetingbeschikbaarisvan delaagstesnelhedenschietdezesomstesneldoortotonderde35km/h.Eennieuwemethodevoorde afvlakkingen/ofvoordedrempelwaardekanmisschienheteuvelverhelpen. Versnellingen zijn geen goede methode om congestie te detecteren. Versnelling is een eigenschap dat zowelinfreeflowalsineencongestieregimeoptreedt.BijhogeintensiteitenmaarmetnoghogesnelheǦ dentredenaltijdveelverstoringenop.DitwordtnogeensversterktdoorbijvoorbeeldinǦenuitvoegers. Voertuigenkomenmeteenhogesnelheidachteropeenlangzaaminhalendvoertuigrijdenenvertragen op het laatste moment sterk. Een vertraging die de indruk van congestie zou kunnen wekken maar in werkelijkheidgeenredenvooreenwaarschuwinggeeft. Derelatiedichtheidencongestieisnieteenduidelijke.Congestieontstaatnamelijknietaltijddooreen hogedichtheid.Hetgevolgisdathetalgoritmeopbasisvandedichtheidnietoptijdreageert.Voordeel vanhetalgoritmeisdatwanneerdaadwerkelijkeenmeldingwordtgegevenhet100%zekerisdatcongesǦ tieoptreedt.AlsstandǦalonealgoritmeishetnietrobuustgenoegvoorfilestaartbeveiliging. Een combinatie van trajectsnelheid en dichtheid met behulp van een PCA is een ideale combinatie. De tweeeigenschappenzijngoedeaanvullingenopelkaar.EenalgoritmeopbasisvandePCAǦmethodereǦ sulteertineenwaarschuwingeerderoftegelijkertijdtenopzichttevandereferentiesituatie.HetaanǦen uitgaanvandeAIDbehoorttotdeverledentijd.Ineencongestieregimeblijfthetalgoritmecontinueaan. Hetalgoritmeiseenadaptiefsysteem.Overeenlangeretijdmoetenmetingenvansnelheidendichtheid binnenkomenwaarmeedenieuwevariabelenmetdePCAwordenberekend. Hetmetenovereenafstandvan50of100meterheeftinvloedopderesultaten.Overeenafstandvan100 meterwordteerdergewaarschuwdenblijfdeAIDlangeraanstaan.Gevolgisdatmeervoertuigenworden gewaarschuwdendaardoordeverkeersveiligheidverbeterd.

8.1.3

ConclusiesAVVenvideomonitoring

DehuidigemethodevanfunctioneelspecificerenstaatdetoepassingvanvideomonitoringophetHWNin deweg.Hetoptimaallatenwerkenvanvideomonitoringisafhankelijkvandetoepassing.Hetideedatje met één detectiemethode alle applicaties kan aansturen is niet haalbaar, tenzij je gaat inleveren op de betrouwbaarheidvandeapplicatie. VoordatgebruikgemaaktkanwordenvanvideomonitoringinNederlandmoetmeneerstafvanhetidee dat een monitoringsysteem alle denkbare systemen moet kunnen aansturen. Op dit moment wordt in bijnaallegevallenalleenvanmeetgegevensuittellingengebruikgemaaktomDVMǦtoepassingenaante sturen. In werkelijkheid is die behoefte aan nauwkeurige telgegevens bij veel applicaties helemaal niet aanwezig en zou volstaan worden met minder nauwkeurige gegevens over de toestand op het wegvak (bijvoorbeeldveelofweinigvoertuigenaanwezig,goededoorstromingoflangzaamrijdendverkeeretc.). Hetinzettenvanbijvoorbeeldeeninhaalverbodhoeftnietpreciesbijeenvastewaardevoordeintensiteit tegebeuren,maarmoetingezetwordenommomentdatdeafwikkelingdaaraanleidingtoegeeft.Het waarschuwenvooreenfileisnietalleenafhankelijkvaneensnelheidvan35km/h,maarmoetingezetworǦ denalsdeafwikkelingernstigwordtgehinderd.BijvideomonitoringishetbelangrijkomeerstaftevraǦ genwatjemeteensysteemwilbereikenenwelkegegevensdaarvoornodigzijn.Pervariabelezouhet kunnenzijndateenbepaaldcamerastandpuntgewenstis. Voorhetopstellenvaneisenishetbeteromeensoortvanprogrammavaneisentemaken.Eenvoorbeeld vaneenprogrammavaneisenvoorincidentdetectiekanzijn:97%vandeongevallenmoetgedetecteerd worden,totaalmagmaar5%vandemeldingenvalszijnenderesultatenmoetendoordeoperatorsnel





85

86



BlikophetWegennet

gechecktkunnenworden.Eenaanbiedervaninductielussenprobeertdooreendergelijkprogrammavan eisenalgoritmenteontwikkelen,dienauwkeurigenbetrouwbaareenincidentdetecteren.Eenaanbieder van radar systemen zal hetzelfde proberen alleen met heel andere gegevens. Op deze manier worden aanbiedersvanmonitoringveelmeergestimuleerdomallemogelijkhedenvanhunproductentebenutǦ ten.Omeenwildgroeiaanverschillendesystementevoorkomenishetookmogelijkomeenprogramma vaneisennietvooréénapplicatietemaken,maarbijvoorbeeldopbasisvanallebenodigdesystemenop eenwegvak. Marktpartijen richten zich vandaag de dag nog volledig op het vervangen van inductielussen. Dat blijkt ondermeeruithetfeitdatmenvirtuelelussengebruiktvoorhetverzamelenvandeverkeersgegevens. Voordat daadwerkelijk nieuwe toepassingen, met input van cameragegevens, gemaakt kunnen worden moet een duidelijke visie opgesteld worden. Fabrikanten zullen niet uit eigen beweging allerlei nieuwe optiestoevoegenaanhunalgoritmen.Zolangergeenmarktisvoornieuweproductenisvoorhungeen commercieelvoordeeltehalen.Wanneerduidelijkbehoefteisaaneennieuwetoepassingmoetcontact wordengezochtmetdedetectorproducentenengezochtwordennaardemogelijkheden.Marktpartijen hebbeneenstimulansnodigomverdereontwikkelingentedoen. BijaanschafmoeteropgeletwordenofhetgaatomembeddedsoftwareofdatinhetsysteembewegenǦ deonderdelenzijnverwerkt,bijvoorbeeldeenhardeschijf.Bewegendeonderdelenzijnsterkonderhevig aanslijtage,waardoordelevensduurveelkorterisdandatvanembeddedsystemen.Delevensduurvan eenstandaardcomputerisongeveer5Ǧ7jaar.Systemenmetembeddedsoftwaregaatmeerdan20jaar mee. Het huidige AIDǦmechanisme werkt naar behoren op een aantal schoonheidsfoutjes na. Het is maar de vraagofgezienderesultatenveelgeldgestokenmoetwordeninmethodenomtrajectoriënteverkrijgen endaarmeehetAIDǦalgoritmeverbeteren.EenbeteralternatiefishetgebruikmakenvanAIDǦcamera’s. Vanafeenstandpuntopongeveer2ometerbovenderijbaaniseengrootgebied(300meter)inbeeldte brengen. Metrelatief weinig camera’s is het mogelijk om trajecten geheel dekkend te maken met AID. Nietalleenwordtelkefilestaartdangedetecteerd,maarisautomatischeincidentdetectieopeenseenstuk gemakkelijker. Daarnaast zijn beelden van ongelukken beschikbaar, waardoor deze veel beter geanalyǦ seerdkunnenworden.Eendergelijksysteemkanalingevoerdwordennaasthethuidigesysteem.EventuǦ eelzijndeinductielussenopdenduurtevervangendoormonitoringcamera’s.Dezecamerahebbendan alleenhetdoelomverkeersgegevensteverzamelen.

8.2 Aanbevelingen Indeaanbevelingenvoorverderonderzoekwordteensplitsinggemaakttussendewegbeheerder(AVV) en de filestaartbeveiliging. De aanbevelingen richting AVV zijn vooral gericht op een eventueel gebruik vanvideomonitoringendedaarbijbehorendeopenstaandevragen.DeaanbevelingenvoordefilestaartǦ beveiligingrichtenzichvooralopeenuitgebreideronderzoekennaarmogelijkeverbeterpuntenvandein ditonderzoekgerealiseerdealternatieven.

8.2.1

Aanbevelingenvoordewegbeheerder

Eennieuwemaniervantellen,bijvoorbeeldtrajectsnelhedeninplaatsvanlokalesnelhedenisnietéénop één over te zetten in onderstations. Een nieuwe methode betekend andere afvlakfactoren en/of dremǦ pelwaarden. Onderzoek moet daarom niet alleen aan de monitoring kant gebeuren, maar ook aan de inputzijdevandeonderstations. VoorhetbetergebruikmakenvandemarktzaleennieuwemaniervanfunctioneelspecificerenontwikǦ keldmoetenworden.DatbetekentrichtingeenprogrammavaneisengaanvooreenindividueletoepasǦ singofopwegvakniveau.

 

Conclusiesenaanbevelingen



Gezien de huidige staat van videomonitoring is het aan te raden om het systeem in fases in te voeren. Gestartkanwordenmetobservatiecamera’steraanvullingopdelustellingen.Overeenaantaljarenzijn demogelijkhedenvantellingenmetcamera’sverdervergrootenzoudetellingenvanlussenovergenoǦ menkunnenworden. Voordateensysteemdaadwerkelijkgeplaatstwordtmoeteengoedtestprogrammawordenopgezetom decamera’sendealgoritmentetesten. Nietalleenmoetendesystemenuitvoeriggetestworden,ookmoetgoednagedachtwordenoverdeinǦ stallatie.Bijhetinstallerenvancamera’sinlichtmastenmoetrekeningwordengehoudenmetdeinvloeǦ denvanwind.Kleinebewegingenzijndoordesystemeneruittefilteren,maargroteuitwijkingenmaken eengoededetectievanobjectenonmogelijk. Inhetonderzoekisnietveelstilgestaanbijhetonderhoudvanvideosystemen.Lenzenvancamera’sworǦ densmerig.OmdelensschoontehoudenzijnautomatischesystemenbeschikbaaromdelenzentewasǦ sen,maareenjaarlijksonderhoudblijftnoodzakelijk.EenmogelijkheidisomnieuweportalenvoorcameǦ ra’steontwerpenwaaropvolgensderegelsonderhoudgepleegdkanworden,zodathetnietnodigisom vooronderhoudrijstrokenaftekruisen. Verderonderzoeknaarhetdataverkeerisnodig.InditonderzoekisgeenrekeninggehoudenmetdecaǦ paciteit die nodig isom beelden te versturen naar bijvoorbeeld een centrale. Vooralbij hetgebruik van veel camera’sloopt het dataverkeer hardop. Extra onderzoek is nodig naar welkebeelden beschikbaar moetenkomenenofeventueelindewegkantsystemendebeeldengecomprimeerdkunnenworden. Voorhetgebruikvanobservatiecamera’szijnnieuwealgoritmennodigvooraansturingvantoepassingen. Insamenspraakmeteeneventueleproducentmoetgekekenwordenwelkeoutputhetsysteemleverten opwelkemanierdiegegevensgebruiktkunnenworden.Mogelijkenieuwetoepassingendieonderzocht kunnenwordenzijnfilestaartbeveiliging,incidentdetectie,stilstaandevoertuigen,afgevallenladingetc.

8.2.2

Aanbevelingenfilestaartbeveiliging

Hetonderzoekisgebaseerdopdriedatasets,waarvantweezelfsnoggeenuuraandatabevatten.VoorǦ datdaadwerkelijkgekozengaatwordenvooreennieuwemaniervanfilestaartbeveiligingisuitgebreider onderzoekgewenst.Debeschrevenresultatengeveneengoedeindicatievandemogelijkheden,maarzijn zekernoggeencompletealgoritmenvoorfilestaartbeveiliging. DegebruiktepolynoomomdetrajectoriënsmoothtemakenisniettegebruikenineenonǦlinesituatie. BijhetverwerkenvantrajectoriënineenrealǦtimesituatiemoetgezochtwordennaareenanderemeǦ thodeomderuisuitdemetingentehalen. Wanneergebruikwordtgemaaktvantrajectsnelhedenvoordefilestaartbeveiligingmoetgezochtworden naarandereinstellingenvoorafvlakfactorenofeencompleetanderemethodeomdeafvlakkingtemaǦ ken.DitmoethetvelemalenaanǦenuitgaanverminderen. Voordegemaaktealgoritmenmoetendedrempelwaardenverderonderzochtworden.Degebruikte drempelwaardenzijnaandehandvangrafiekenbepaald.Verderonderzoeknaareenidealeinstellingvoor drempelwaardenkandewerkingvandefilestaartbeveiligingverderverbeteren. DePCAisverderteverbeterendoormeerdatategebruikenomdenieuwevariabelentebepalen.DemeǦ thodezouzelfsperrijstrookuitgevoerdkunnenworden.





87

88



BlikophetWegennet

DemethodenopbasisvandichtheidendePCAzijngebaseerdoprijbaangemiddelden.Hetbepalenvan deAIDǦinstellingperrijstrook,zoalsgedaanwordtindesnelheidalgoritmen,zouhetsysteemverderkunǦ nenverbeteren.Datwilzeggeneerderaanlatengaan. Eennieuwemethodeomtemonitorenlevertnieuwemeetgegevensop.Devraagisinhoeverredeze meetgegevenseenmeerwaardeleverenvoorallerleitoepassingen.Hetonderzoekheeftzichgerichtop defilestaartbeveiliging,maarvooralleanderetoepassingenzouhetzelfdegedaankunnenworden.BijǦ voorbeeldonderzoeknaardeinputvanmodellenomdevoorspellingen,zoalsdevoorspellingvanreistijǦ denverbeteren. 



 

Bibliografie



Bibliografie 1.

Anandan,P.„Acomputationalframeworkandanalgorithmforthemeasurementofvisualmotion.”Internat.J.Comput. Vision2.1989.283Ǧ310.

2.

AVV.„SpecificatieOnderstationMTMǦ2.”2000.

3.

Beauchemin,S.S.,enJ.L.Barron.„ThecomputationofOpticalFlow.”InACMComputingSurveys,433Ǧ467.1995.

4.

Benschop,A.W.„Informatieanalysevoertuigdetectie.”TNO,1995.

5.

Bergen, J.N. van. „MOOI Eerste rapportage.” In Alternatieve detectie systemen in het kader van het inwinnen van monitoringgegevens.2003.

6.

Beymer, D., P.F. McLauchlan, B. Coifman, en J. Malik. „A realǦtime computer vision system for measuring traffic parameters.”InProceedingsofthe1997ConferenceonComputerVisionandPatternRecognition(CVPR'97),495Ǧ501.1997.

7.

Bishop,ChristopherM.PatternrecognitionandMachineLearning.Springer,2006.

8.

BVOM.„ConceptVoorschriftMeetmiddelenPolitie.”BureauVerkeershandhavingOpenbaarMinisterie,2001.

9.

Catudal, S., M.A. Cantin, en Y. Savaria. „Parameters estimation applied to automatic video processing algorithms validation.”InIEEEInternationalSymposiumonCircuitsandSystems(ISCAS'05),3439Ǧ3442.2005.

10.

Chen, ShuǦChing, MeiǦLing Shyu, Srinivas Peeta, en Chengcui Zhang. „Spatiotemporal vehicle tracking: the use of unsupervisedlearningǦbasedsegmentationandobjecttracking.”InIEEERobotics&AutomationMagazine,50Ǧ58.2005.

11.

ChingǦPo,Lin,TaiJenǦChao,enSongKaiǦTai.„TrafficmonitoringbasedonrealǦtimeimagetracking.”InProceedingsof theIEEEInternationalConferenceonRoboticsandAutomation(ICRA'03),2091Ǧ2096.2003.

12.

Cho, Y., en J. Rice. „Estimating Velocity Fields on a Freeway From LowǦResolution Videos.” In IEEE Transactions on IntelligentTransportationSystems,463Ǧ469.2006.

13.

Comaniciu, Dorin, en Visvanathan Ramesh. „Mean Shift and Optimal Prediction for Efficient Object Tracking.” ProceedingsoftheInternationalConferenceonImageProcessingVol.3.2000.70Ǧ73.

14.

CROW.„Doelgroepvoorzieningen.”CROW,2000.

15.

Cucchiara,R.,M. Piccardi,enP.Mello.„Image AnalysisandRuleǦbasedReasoningfor a TrafficMonitoringSystem.” In IEEETransactionsonIntelligentTransportationSystems,119Ǧ130.2000.

16.

Duda,R.,enP.Hart.PatternClassificationandSceneAnalysis.1973.

17.

Fisher,Robert,SimonPerkins,enErikWolfart.„Hypermediaimageprocessing.”2003.

18.

Fleet, D.J., en A.D. Jepson. „Computation of component image velocity from local phase information.” International JournalofComputerVision.1990.77Ǧ104.

19.

GangǦYi,Jiang,YuMei,WangShengǦNan,enRangǦDin.„Newapproachtovehicletrackingbasedonregionprocessing.” InProceedingsofthe2005InternationalConferenceonMachineLearningandCybernetics,5028Ǧ5033.2005.

20. Gonzalez,R.,enR.Woods.DigitalImageProcessing.1992. 21.

GoudappelCoffeng.„Voertuigdetectie:wensenenmogelijkheden.”AdviesdienstVerkeerenVervoer,V&W,2002.

22. Grontmij. „Regeltactieken spookrijden; Kader voor regeltactieken om weggebruikers te waarschuwen voor en/of te beschermentegenspookrijders.”DivisieVerkeerenInfrastructuur,HKU,1999.





89

90



BlikophetWegennet

23.

Gupte, S., O. Masoud, R.F.K. Martin, en N.P. Papanikolopoulos. „Detection and classification of vehicles.” In Systems, IEEETransactionsonIntelligentTransportation,37Ǧ47.2002.

24. Gurney,KevinN.AnIntroductiontoNeuralNetworks.1997. 25. Gyaourova, A., C. Kamath, en S.C. Cheung. „Block Matching for Object Tracking.” In Lawrence Livermore National Laboratory.2003. 26. Hamel,B.,T.Adams,enT.D.J.vandenBrink.„ManualofDynamicMotorwayLighting.”AdviesdienstVerkeerenVervoer, V&W,Rotterdam,2006. 27.

Han,B.,D.Comaniciu,enL.Davis.„Sequentialkerneldensityapproximationthroughmodepropagation:applicationsto backgroundmodeling.”ProceedingsACCV.2004.

28. Heeger,D.J.„OpticalFlowusingSpatiotemporalFilters.”InternationalJournalofComputerVisionVol.1.1988.279Ǧ302. 29. HetExpertiseCentrum,TrafficITServices.„ConfiguratiebeheerDVMǦsystemen.”AdviesdienstVerkeerenVervoer,V&W, Rotterdam,2005. 30.

Horn,B.K.P.,enB.G.Schunck.„Determiningopticalflow.”ArtificialIntelligenceVol17.1981.185Ǧ203.

31.

Hsieh, JunǦWei, ShihǦHao Yu, YungǦSheng Chen, en WenǦFong Hu. „Automatic traffic surveillance system for vehicle trackingandclassification.”InIEEETransactionsonIntelligentTransportationSystems,175Ǧ187.2006.

32.

Hsu,W.L.,H.Y.M.Liao,B.S.Jeng,enK.C.Fan.„RealǦtimevehicletrackingonhighway.”InProceedingsoftheIntelligent TransportationSystems,909Ǧ914.2003.

33.

Huang,MaoǦChi,enShwuǦHueyYen.„ArealǦtimeandcolorǦbasedcomputervisionfortrafficmonitoringsystem.”InIEEE InternationalConferenceonMultimediaandExpo(ICME'04),2119Ǧ2122.2004.

34.

Humphries,M.,P.Radev, M. Shirvaikar,en.„Arealtime vehicletrackingsystem.”InProceedings of theThirtyǦSeventh SoutheasternSymposiumonSystemTheory(SSST'05),357Ǧ361.2005.

35.

Jong,P.de.„Verkeerstechnischespecificatievooreentoeritdoseerinstallatie.”AdviesdienstVerkeerenVervoer,V&W, Rotterdam,2004.

36.

Kalman,R.E.„Anewapproachtolinearandpredictionproblems.”TransactionsoftheASMEǦJournalofbasicengineering 82(seriesD).1960.35Ǧ45.

37.

Kass,M.,A.Witkins,enTerzopoulos.„Snakes:activecontourmodels.”InternationalJournalComputerVision.1988.321Ǧ 331.

38.

Kastrinaki,V.,M.Zervakis,enK.Kalaitzakis.„Asurveyofvideoprocessingtechniquesfortrafficapplications.”InImage andVisionComputing21,359Ǧ381.2003.

39.

Kiratiratanapruk,K.,P.Dubey,enS.Siddhichai.„AgradientǦbasedforegrounddetectiontechniqueforobjecttrackingin a traffic monitoring system.” In IEEE Conference on Advanced Video and Signal Based Surveillance (AVSS '05), 377Ǧ381. 2005.

40. Knabben,E.H.M.„hetMist;analysemistproblematiekoprijkswegen.”HKU,2001. 41.

Knibbe, W.J.J. „Een zoektocht naar kansrijke DRMǦtoepassingen : Dynamische rijstrookmarkeringen (DRM).” AdviesdienstVerkeerenVervoer,V&W,Rotterdam,2003.

42. Kock,R.W.,enM.J.M.vanderVlist.„OntwikkelingBOSS:beslissingsondersteuninginRVMCsinbeeld.”AVV,Goudappel Coffenq,2001. 43.

Kumar,P.,S.Ranganath,HuangWeimin,enK.Sengupta.„FrameworkforrealǦtimebehaviorinterpretationfromtraffic video.”InIEEETransactionsonIntelligentTransportationSystems,43Ǧ53.2005.

44. Ledda,Alessandro.„Mathematischemorfologieindebeeldverwerking.”2007.

 

Bibliografie



45. Lee,Hwajeong,DaehwanKim,DaijinKim,enSungYangBang.„RealǦtimeautomaticvehiclemanagementsystemusing vehicletracking andcarplatenumberidentification.”InProceedingsofthe2003 InternationalConference onMultimedia andExpo,353Ǧ356.2003. 46. Lee, Ilkwang, Hanseok Ko, en David K Han. „Multiple vehicle tracking based on regional estimation in nighttime CCD images.”InProceedingsoftheIEEEInternationalConferenceonAcoustics,SpeechandSignalProcessing(ICASSP),IV/3712Ǧ IV/3715.2002. 47.

Lee, TaeǦSeung, et al. „Implementation of Traffic Flow Measuring Algorithm Using RealǦTime Dynamic Image Processing.”InComputerVisionSystems:ThirdInternationalConference(ICVS2003),78Ǧ87.Graz,Austria,2003.

48. Lin,ChingǦPo,JenǦChaoTai,enKaiǦTaiSong.„TrafficmonitoringbasedonrealǦtimeimagetracking.”InProceedingsof theIEEEInternationalConferenceonRoboticsandAutomation(ICRA'03),2091Ǧ2096.2003. 49. Lou, Jianguang, Tieniu Tan, Weiming Hu, Hao Yang, en S.J. Maybank. „3ǦD ModelǦBased Vehicle Tracking.” In IEEE TransactionsonImageProcessing,1561Ǧ1569.2005. 50. Lucas,B.D.,enT.Kanade.„Aniterativeimageregistrationtechniquewithanapplicationtostereovision.”Proceedingsof Imagingunderstandingworkshop.1981.121Ǧ130. 51.

Maintz,J.B.A.„DigitalandMedicalImageProcessing.”UniversiteitUtrecht,2006.

52. Martin,P.T.„EvaluationofUDOT'sVideoDetectionSystems:System'sPerformanceinVariousTestConditions.”2004. 53.

Martin,P.T.,YuqiFeng,enXiaodongWang.„DetectorTechnologyEvaluation.”InUniversityofUtahTrafficLab.2003.

54. Maskell,Simon,enNeillGordon.„AtutorialonparticlefiltersforonǦlinenonlinair/nonǦgaussianbayesiantracking.”IEEE transactionsofsignalprocessing.2002.174Ǧ188. 55.

McCane, B., K. Novins, D. Crannitch, en B Galvin. „On Benchmarking Optical Flow.” In Computer Vision and Image Understanding84,126Ǧ143.2001.

56. Middleton,D.,enR.Parker.„EvaluationofPromisingVehicleDetectionSystems,ResearchReport.”2002. 57.

Middleton,D.,enR.Parker.„InitialEvaluationofSelectedDetectorstoReplaceInductiveLoopsonFreeway.”2000.

58. MinisterievanVerkeerenWaterstaat.„CentraalDRIPsManagementSysteem(CDMS).”AdviesdienstVerkeerenVervoer, 2004. 59. Ministerie van Verkeer en Waterstaat. „SSS Management Services Spisstroken.” Adviesdienst Verkeer en Vervoer, Rotterdam,2004. 60. MinisterievanVerkeerenWaterstaat,VROM.„NotaMobiliteit.”DenHaag,2004. 61.

MNDOT. „Evaluation of NonǦIntrusive Technologies for Traffic Detection.” In Final Report of NIT Phase II, Minnesota DepartmentofTransportation.2002.

62. Nagel,H.H.„Onaconstraintequationfortheestimationofdisplacementratesinimagesequences.”IEEEtransactionson PatternAnalysisandMachineIntelligence.1989.13Ǧ30. 63.

Oliver,N.M.,B.Rosario,enA.P.Pentland.„ABaysianComputerVisionSystemforModelingHumanInteractions.”IEEE transactionsonPatternAnalysisandMachineIntelligenceVol.22.2000.831Ǧ843.

64. Piccardi, M. „Background subtraction techniques, a review.” IEEE International Conference on Systems, Man and Cybernetics.2004.3099Ǧ3104. 65. Ravenschot, W., en H. Remeijn. „Mistdetectie en Ǧwaarschuwingssysteem Breda; Functionele beschrijving ten behoeve vandeherzieningennaaraanleidingvandeaanlegvandeHSL.”HKU,2000. 66. Rij,M.L.D.van.„OptimalisatieparameterinstellingenAID.”AdviesdienstVerkeerenVervoer,Grondmij,DeBildt,2002. 67.



SadoghiYazdi,H.,M.Lotfizad,enM.Fathy.„CartrackingbyquantisedinputLMS,QXǦLMSalgorithmintrafficscenes.” InIEEProceedingsǦVision,ImageandSignalProcessing,37Ǧ45.2006.



91

92



BlikophetWegennet

68. Shlens,Jonathon.„ATutorialonPrincipalComponentAnalysis.”2005. 69. Singh, A., en P. Allen. „ImageǦflow computation: An estimationǦtheoretic framework and a unified perspective.” ComputerVision,graphicsandimageprocessingVol.56.1992.152Ǧ177. 70.

Slats, P., en P. Kuijvenhoven. „Onderzoek noodzaak SOS systeem in verkeerstunnels.” Rijkswaterstaat Dienst Verkeerskunde,1991.

71.

Song, K.T., en J.C. Tai. „Dynamic calibration of panǦtiltǦzoom cameras for traffic monitoring.” In IEEE transactions on systems,man,andcybernetics,1091Ǧ1103.2006.

72.

Spangenberg,R.,enT.Döring.„Evaluationofobjecttrackingintrafficscenes.”InIEVM06.2006.

73.

TNO Industrie en Techniek. „Mogelijkheden van automatische videoverwerking voor de analyse van rijgedrag.” Delft, 2006.

74.

Toorenburg,J.A.C.van.„OnderzoekModificatieAID.”2002.

75.

TransputeBV.„BlokkadeǦdetectorSpitsstrokenUtrecht.”DirectieUtrecht,Rijkswaterstaat,Amersfoort,2004.

76.

Uras,S.,F.Girosi,A.Verri,enV.Torre.„Acomputationalapproachtomotionperception.”Biol.Cybernet.60.1988.79Ǧ97.

77.

Vernon,D.„MachineVision.”1991.Chap.5.

78.

Wang,YuanǦKai, enShaoǦHua Chen.„Arobustvehicledetectionapproach.”InIEEEConferenceonAdvancedVideo and SignalBasedSurveillance(AVSS'05),117Ǧ122.2005.

79.

Waxman, A.M., J. Wu, en F. Bergholm. „Convected activation profiles and the measurement of visual motion.” IEEE ProceedingsofCVPR.1988.717Ǧ723.

80. Withagen,P.J.Objectdetectionandsegmentationforvisualsurveillance.UniversiteitvanAmsterdam,2006. 81.

Wixson, L. „Illumination assessment for visionǦbased traffic monitoring.” In Proceedings of the 13th International ConferenceonPatternRecognition(ICPR'96),56Ǧ62.1996.

82. Xie,Lei,GuangxiZhu,YuqiWang,HaixiangXu,enZhenmingZhang.„RealǦtimevehiclestrackingbasedonKalmanfilter inavideoǦbasedITS.”InProceedingsoftheInternationalConference on Communications, CircuitsandSystems,883Ǧ886. 2005. 83.

Yi,Shi,HuangWei,LuXiaoǦbo,LiuBin,enLiuTao.„StudyofTwoǦDimensionalMotionEstimationTechniqueinVehicle Tracking.”In6thInternationalConferenceonITSTelecommunicationsProceedings,90Ǧ93.2006.

84. Yiu, B.W.S, K.Y.K. Wong, F.Y.L. Chin, en R.H.Y. Chung. „Explicit contour model for vehicle tracking with automatic hypothesisvalidation.”InIEEEInternationalConferenceonImageProcessing(ICIP'05),IIǦ582Ǧ9.2005. 85. YoneyamaAkio, YehChiaǦHung, en KuoC.C. Jay. „Robust vehicle and traffic information extraction for highway surveillance.”InEURASIPjournalonappliedsignalprocessing,2305Ǧ2321.2005. 86. Zhang, Chengcui, ShuǦChing Chen, MeiǦLing Shyu, en Srinivas Peeta. „Adaptive background learning for vehicle detection and spatioǦtemporal tracking.” In Proceedings of the Fourth IEEE PacificǦRim Conference on Multimedia, 1Ǧ5. 2003.

Geraadpleegdewebsites 87.

Autoscope.http://www.autoscope.com.

88. BureauVerkeershandhavingOpenbaarMinisterie.http://www.verkeershandhaving.nl/. 89. CitilogS.A.http://www.citilog.com. 90. CVonline.http://homepages.inf.ed.ac.uk/rbf/CVonline/CVentry.htm. 91.

 

Developing an efficient algorithm for application in "Real http://www.geocities.com/ResearchTriangle/Campus/7971/susan.htm.

Time

Computer

Vision

Systems".

Bibliografie



92. Instituteoftransportationstudies.http://bhl.its.berkeley.edu. 93.

Iteris.http://www.iteris.com/.

94. KeithPrice.http://iris.usc.edu/VisionǦNotes/bibliography/contents.html. 95. MaatregelencatalogusBenutten.http://www.maatregelencatalogus.nl/. 96. PeekTraffic.http://www.peektraffic.nl/. 97.

QuixoteTrafficCorporation.

98. TECTrafficSystems.http://www.tectraffic.nl. 99. TheDipartimentodiElettronicaeInformazione(DEI). http://www.elet.polimi.it/upload/matteucc/Clustering/tutorial_html/index.html. 100. The Intelligent Information and Signal Processing Laboratory (II&SPL) of the Department of Electronics and Computer EngineeringatKoreaUniversity.http://ispl.korea.ac.kr/datafusion/imtracking.html. 101. TrafficDevelopmentandInnovationB.V..http://www.infoǦtdi.com. 102. Traficon.http://www.traficon.com. 103. TUDelft.http://www.ph.tn.tudelft.nl. 104. UniversityofSouthernCalifornia.http://iris.usc.edu/USCǦComputerǦVision.html. 105. UniversityofTechnology,Sydney.http://wwwǦstaff.it.uts.edu.au/~massimo. 106. VerkeerscentrumNederland.http://www.vcnl.nl/. 107. VerkeersinformatieDienst.http://www.vid.nl/. 108. Wikipedia.http://verkeer.wikia.com/. 109. Wikipedia.http://nl.wikipedia.org/.  











93

94



BlikophetWegennet

Bijlagen I.

Verkeersstroomtheorie

 

Microscopischevariabelen Ineenmicroscopischebenaderingvanhetverkeerwordendevoertuigenafzonderlijkbeschouwd. Ruimtegebruik Eenvoertuigneemteenzekereruimtevandewegin.Ditruimtegebruik(si)bestaatuitdefysischelengte van het voertuig (Li) en de volgafstand (di) die de bestuurder op zijn voorligger aanhoudt. Op een vast tijdmomentwordthetverschilinafstandtussendebeideachterbumpersbepaald.HetgemiddelderuimǦ tegebruikismakkelijkaandehandvandetrajectoriëntebepalen: 

s

1 m ¦sj mj1

X  m

mishetaantalvoertuigenaanwezigopeentrajectmeteenlengteXisoptijdstipt.

Onderscheid kan gemaakt worden tussen netto en bruto ruimtegebruik door respectievelijk het wel of nietmeenemenvandevoertuiglengte. Tijdgebruik Analoogaanhetruimtegebruikishettijdgebruikvaneenvoertuig(hi).Hettijdgebruikwordtopgesplitst ineenvolgtijd(gi),oftewelhetnettotijdgebruik,eneenbezettingstijd(oi).Hetgemiddeldetijdgebruikop eentrajectwordtalsvolgtbepaald:

h

1 n ¦ hi ni1

T  n

nishetaantalvoertuigendateendwarsdoorsnedepasseertgedurendeeenperiodeT.

Macroscopischevariabelen Opmacroscopischniveauwordtgetrachtomdeverkeersstroom,inplaatsvandeafzonderlijkebouwsteǦ nen,omtezettennaargrootheden.InhettijdǦplaatsdiagramwordtvoorhetmetenvanmacroscopische variabelentweemeetgebiedengebruikt: 1.

2.

Heteerstemeetintervalbestaatuiteenkleintijdsinterval(dt)opeenbepaaldtraject(X).BenaǦ derendkomtditovereenmeteenplaatsintervalopeentijdstip.Eendergelijkplaatsintervalkan gedetecteerdwordenvanafeenhoogstandpunt,bijvoorbeeldvanuiteenhelikopter. Naasthetplaatsintervaliserookeentijdsinterval.Ditintervalbestaatuiteenkleinweggedeelte (dX)opeenbepaaldtijdsinterval(T).Ditintervalistedetecterenopvastemeetlocaties

 Intensiteit Deintensiteit(q)ishetaantalvoertuigenpertijdseenheiddateenwegdoorsnedepasseert.Meestalwordt de tijdseenheid uitgedrukt in uren. De intensiteiten zijn sterk afhankelijk van het wegontwerp. Op het  

Bijlagen



Nederlandsehoofdwegennetliggendemaximatussende1800en2400voertuigenperuur.Intensiteitis informulevormalsvolgtuitgedrukt:

q 

n T

[aantal vrtgn/tijdseenheid] 

Deperiode(T)wordtsamengestelduitdesom van het tijdsgebruik van de voorbijkomende voertuigen. Hierdoor is de formule om te schrijvennaar: 

q

n T

n ¦i hi

1

1 ¦i hi n

1  h

 Dichtheid De dichtheid (k) is het aantal voertuigen dat zichopeenweggedeeltebevind.Dedichtheid wordt traditioneel uitgedrukt in voertuigen perkilometer.Demaximaledichtheidvaneen rijstrook ligt rond de 100 voertuigen per kiloǦ meter.Dedichtheidisalsvolgtteberekenen:

k

m X

 Figuur49Intensiteitentijdgebruik(TUDelft)

[aantalvrtgn/lengteeenheid] 



Omdatdeweglengtedesomisvanhetruimtegebruikvandevoertuigenisdedichtheidookalsvolgtte berekenen:

k

m X

m ¦i si

1 1 ¦i si m

1  s

Snelheid Hetismogelijkomdegemiddeldesnelheidop tweemanierenteberekenen. 1.

Ineersteinstantiewordtgekeken naardevoertuigendieeenwegǦ doorsnedepasserenineenbepaald tijdsinterval.Hetgemiddeldevan dezesnelhedenwordtde“lokale” gemiddeldesnelheidgenoemd.

uL 2.



1 n ¦vi  ni1

EentweedemethodeishetbeǦ schouwenvandevoertuigsnelheǦ denopeentrajectopeenvasttijdǦ

 Figuur50Dichtheidenruimtegebruik(TUDelft)



95

96



BlikophetWegennet

stip.Hetgemiddeldevandesnelhedenwordtde“instantane”gemiddeldesnelheidgenoemd. 

uM

1 m ¦vj m j1 

Fundamenteeldiagram HetverkeeropeenwegbevindtzichaltijdineenbepaaldetoestanddiegekenmerktwordtdoordeintenǦ siteit,dichtheidengemiddeldesnelheid.Allemogelijkeverkeerstoestandenzijnsamentevattenineen evenwichtsfunctie.InFiguur51isdezeevenwichtsfunctiegrafischafgebeeldindriediagrammen,dezoǦ genaamdefundamentelediagrammen. Doorderelatieq=k.uistelkensinhetdiagrameenderdegrootheidterugtevinden.EendergelijkfundaǦ menteeldiagramisgeldigvooreenbepaaldtrajectenismetwaarnemingenopgesteld.HetverkeerbeǦ vindt zich altijd in een toestand op de zwarte lijn. Enkele speciale toestanden verdienen extra de aanǦ dacht: x x x

Volledigvrijverkeer.Voertuigenwordennietgehinderddooranderevoertuigenenrijdende maximalesnelheid(uf). Verzadigdverkeer.Voertuigenstaandichtopelkaar(kj)ineenrij.SnelheidenintensiteitzijnnaǦ genoegnul. Capaciteitsverkeer.Capaciteitisdemaximaleintensiteitdateentrajectkanverwerken.kcenuc zijnrespectievelijkdecapaciteitsdichtheidencapaciteitssnelheid. 

 Figuur51Fundamenteeldiagram(KULeuven)

 

Bijlagen



97

Congestie Dedefinitievaneenfileofcongestieisnieteenduidig.Indeperceptievanweggebruikersissomsalsprake van filevorming als de doorstroming wordt bemoeilijkt. Rijkswaterstaathanteert voorde file informatie eenanderedefinitie,diepasspreektoverfilewanneerovereentrajectvanminimaal2kilometerdesnelǦ hedennietbovende50km/huitkomen.Inhetvakgebiedverkeersmanagementheeftdetermcongestie gewoonlijkbetrekkingophetgebiedinhetfundamenteeldiagramtussenkcenkj.Wanneerpreciesover congestiewordtgesprokenligtaandegemaakteafspraken.Algemeenkanmenovercongestiezeggen datheteenovermaatvanvoertuigenopeengedeeltevaneentrajectisresulterendinsnelhedendielangǦ zamer zijn (soms veel langzamer) dan de normale of "vrije stroom" snelheden. Vaak betekent dit stilǦ staand of stop & go verkeer. Congestie ontstaat wanneer de verkeersvraag de capaciteit overstijgt. De redenwaaromdevraaghetaanbodoverstijgtisgrofweginzevenoorzakenoptesplitsen: 1.

2.

3. 4. 5. 6. 7.

FysiekeKnelpunten:Decapaciteitisopbepaaldeplekkenonvoldoendeomdeverkeersstroomte verwerken.Ditkomtdoorhetwegontwerp.Capaciteitbepalendzijnhetaantalstrokenmaardat wordtgereduceerddoorbijvoorbeeldbruggenenonoverzichtelijkebochten. Ongelukken:Verstoringenvanhetverkeerdoorongelukkenkomeninallerleivariantenvoor.Een botsing tussen voertuigen blokkeert rijstroken, waardoor een groot gedeelte van de capaciteit nietgebruiktwordt.ZelfseenvoertuigmetpechlangsdekantvandewegkandeverkeersafwikǦ kelingalbeïnvloeden. Werkvakken: In de buurt van werkvakken is vaak de capaciteit afgenomen door afgesloten of versmalderijstroken. Weer:Weersomstandighedenbeïnvloedenhetrijgedrag,waardoordecapaciteitafneemt. Verkeersregelingen:Verkeerssystemenkunnendedoorstromingbeïnvloeden.Eenopenstaande brugveroorzaaktbijvoorbeeldeenblokkade. Specialegebeurtenissen:Eenvoetbalwedstrijdofeenconcertzorgenvooreentoenamevande verkeersvraagrondbijvoorbeeldstadions. Fluctuatiesinhetnormaleverkeer:Deverkeersvraagveranderdcontinu.Tedenkenvaltaanhet verschiltussendagǦnacht,werkdagǦweekendenwerkweekǦvakantie.

Schokgolvenenwaaiers KarakteristiekenzijnlijnenindexǦtruimtewaarlangsdedichtheid,endaardoorookdeintensiteitende gemiddeldesnelheid,constantis(q=k.u).Eenkarakteristiekverbindtdusalletijdstippenenplaatsenmet een zelfde verkeerstoestand. Doordat geen voertuigen tussentijds verdwijnen (behoudswet) volgt dat deze karakteristieken rechten zijn. Karakteristieken zijn dus niet gelijk aan trajectoriën !

 Figuur52EenschokgolfinhettǦxdiagramenophetfundamenteelkǦqdiagram(KULeuven)







98



BlikophetWegennet

Wanneer twee karakteristieken, met verschillende dichtheden, elkaar kruisen, verandert het verkeer er abruptvantoestand.Ditfenomeennoemenweeenschokgolf.TerillustratieisinFiguur52eenschokgolf tezieninzoweleenxǦtdiagramalsinhetfundamenteelqǦkdiagram. Schokgolvenkomenvoorbijdrukkerwordendverkeerendesnelheidvandezeschokgolvenkangrafisch ophetfundamenteeldiagramwordenteruggevonden.DehellingvanderechtediedetweeverkeerstoeǦ standen met elkaar verbindt, geeft de schokgolfsnelheid weer. Doordat de dichtheid stroomafwaarts groterisdandedichtheidstroomopwaartsverplaatstdeschokgolfzichinderijrichting.Hetpasserenvan schokgolvenwordtdoordeweggebruikerherkentdoorhetopeenvolgendafremmenenoptrekken. Bijeenverkleiningvandedichtheidstroomafwaartsontstaateenwaaiervanschokgolven.Dehorizontale karakteristiekindewaaierkomtovereenmethetcapaciteitsregime. Inwerkelijkheidzullenvoortdurendkleineverstoringenindeverkeerstoestandoptreden.Eendergelijke verstoringveroorzaaktkleineschokgolven,dienagenoeggelijkverlopenmetdekarakteristieken.

 Figuur53WaaierbijeenveranderingindichtheidintǦxdiagramenophetfundamenteelkǦqdiagram(KU Leuven)

 



 

Bijlagen B



II.

Verw werkingsalgoritmen nvideobe eelden

  Bas istechniekken  Thre esholding 1. HistogramǦafg H geleide Thresh holding, het histogram h van een beeld bestaat uit d de helderheid van elke p pixel.Perwaa ardewordtbeekekenhoevaakeenpixellmetdieheld derheidinhettbeeldvoorkkomt.Een v voorbeeldisi nFiguur54eenFiguur55ttezien.Deze techniekworrdtvoornameelijkmetmon nochrome ( (helderheidin neenbereikvaan0Ǧ256)beeeldentoegepaast. a. Isoda ataalgorithm (103),HetiseeeniteraǦ tieve manier voor het vinden van een drem mpelwaarde.E Eerst wordt gestart met een drempelwaarde. Aan de hand van deze nieuwee situatie wo orden de steekkproef gemiddelden (grijsw waarden) van de d objecten en achtergro ond bereǦ kend. Het gemid ddelde van de twee steekkproef gemiddelden wo ordt de nieuw we drempelw waarde waaarna opǦ  nieuw w de gemidd delden worden bereǦ kend. Net zolang g totdat de drempelǦ Figuur 54 BackgroundǦsy B ymmetry algorrithm waarrdenietmeerverandert. (103) b. Backg kgroundǦsymm metry algorith hm (103), Dezee methode gaaat uit van een e goed waarrneembareen ndominantep piekinhethisstogramalsh hetgevolgvan ndeachtergrrond.VerǦ derw wordtaangenomendatdezepieksymm metrischisten nopzichttevaandemaximumwaarǦ de.A Alleswatbuiteendepiekvaltthoortbijeen nobject.Zieh hetvoorbeeldinFiguur54. c. Trian ngle algorithm m (103), Een lijn l wordt ge econstrueerd tussen de m maximum en minimum waarrdeinhetdiag gram.Eenvo oorbeeldiste zieninFiguu ur55.Vanelkkewaardevoo ordehelǦ derheeidwordtdeaafstandtotdeelijnberekend d.Demaximaaleafstandisd dedrempelwaarde. D Debeschreve nalgoritmen zijnzeersneltebereǦ k kenenenzijn makkelijkrealǦtimetoeteepassen. V Vooral in sim mpele monochrome beeld den is de t technieksucc cesvol.Helaassvermindertd denauwǦ k keurigheid in n complexe situaties en kleuren b beelden.Daar rnaastheeftd delichtsterkteveelinǦ v vloedopdew werkingvanh hetalgoritme..Daarom ishetbetero omdetechnieeknietalseen nopzichǦ z zelfstaande m methode te gebruiken, maaar te inǦ  t tegrereninan nderealgoritm men. Figuur55T TriangleAlgoritthm(103)

Adaptivethressholding(Maiintz2006),hetverschil A m de andeere threshold algoritmen is dat er met n nietééndrem mpelwaardevo oorallepixelssis,maareen ndynamische waarde.Vanelkepixelafzzonderlijk w wordteendre empelwaardeberekend. M Metdezemet thodewordteeenhogerenaauwkeurigheidbereikt.Nadeelisdatveeelrekenkrach htnodigis o omvoorelke pixeldedrem mpelwaardeteeberekenen.

2.

  



99 9

100



BlikophetWegennet

Tabel16Overzichtthresholding RekenǦ Methode capaciteit

NauwǦ keurigheid

Isodata

++

Ǧ

BackgroundǦsymmetry

++

Ǧ

Triangle

++

Ǧ

Ǧ

+

Adaptivethresholding

Opmerkingen Kanbeteri.c.m.anderemethodengebruikt worden Kanbeteri.c.m.anderemethodengebruikt worden Kanbeteri.c.m.anderemethodengebruikt worden Kostveeltijdomelkepixeltebekijken

 Edgedetection 1. GradiëntǦbased,dezemethodendetecterenrandendoornaardeeersteafgeleidenindebeeldente kijken. a. RobertsCross(Vernon1991),Ditiseenalgoritmedatvier(2x2)pixelsbekijkt,dieinhelderheid verschillen.GebaseerdopdeeersteafgeleidewordtdelocatieenrichtingvandelijnaangeǦ geven.Hetalgoritmeiszeergevoeligvoorruis. b. Sobel(Vernon 1991)(WangenChen2005), WerkthetzelfdealsdeRobertsCrossalgoritme, maar dan met 9 pixels (3x3). Door hetgrotere aantalpixels ontstaat een betere ruisonderǦ drukking. c. Prewitt(Vernon1991),GelijkaanhetSobelfilter,maardebasisinstellingenvoordefilterszijn verschillend. 2. LaplacianorGaussianǦbased, a. LoGfilter(MarrǦHildrethoperator)(Vernon1991),DeLogofLaplacianǦofǦGaussianfilteriseen randfilterdateersthetbeeld'smoother'maakt(m.b.v.deGaussiaan)endandeLaplaciaan berekend.Daaruitkanderandinformatiebepaaldworden. b. Zero Crossing Detector (Vernon 1991), De zeroǦcrossings detector (nuldoorgangdetector) is gebaseerdophetzelfdeconceptalsdeLoGǦmethode,maardeconvolutiegebeurtmeteen gespecificeerdefilterfunctie.Hoesmootherhetbeeldwordt,hoeminderdetailrandenergeǦ vondenworden. c. Plusfilter(Vernon1991),FiltermaaktzowelgebruikvanSecondǦDerivativeǦinǦtheǦGradientǦ DirectionfilteralsvaneenLaplacianfunctie. 3. CannyEdgeDetector(YoneyamaAkio,YehChiaǦHungenJay2005),DeCannyedgedetectoriseenvan dekrachtigstemethodesomrandentedetecteren,ditiseenalgoritmedattevensedgelinkinguitǦ voert.IneenaantalstappenwordendekrachtigstemethodensamengevoegdtotdeCannyedgemeǦ thode. 4. SUSAN Edge Detector (Catudal, Cantin en Savaria 2005) (91), de achterliggende gedachte van deze methode zijn cirkelvormige maskers. De pixels in het masker worden vergeleken met de kern. Een gedeeltevanhetmaskerheeftdezelfdeeigenschappenalsdekern.Uitdezegebiedenkunnenranden wordenafgeleid.Voordeelvandezemethodeisdatergeenafgeleidenberekendhoevenwordenen hetalgoritmenietgevoeligisvoorruis.  Tabel17Overzichtedgedetection RekenǦ Methode capaciteit RobertsCross Sobel Prewitt LoGfilter

++ + + +

ǦǦ +/Ǧ +/Ǧ Ǧ

ZeroCrossing

+

+/Ǧ

+ +/Ǧ +

+ ++ +

Plusfilter Canny SUSAN

 

NauwǦ keurigheid

Opmerkingen Gevoeligvoorruis,slechteuitkomsten Mindergevoeligvoorruis  Randenwaargeenrandenzijn,veelmeerruis Lijkt op LoG filter maar geeft altijd gesloten contourenenismakkelijkerteberekenen  Goedelocatievanrandenennauwkeurig Zeerefficiëntenmakkelijkteautomatiseren

Bijlagen



Rijbaanelementen 1.

2.

3. 4.

Activiteitenkaart(Hsieh,etal.2006),hetopsplitsenvanhetgebiedinregio’smetbeweging(rijbaan) engeenbeweging.Meteenactiviteitenkaartishetmogelijkomineenlaterstadiumdestrookposities vanvoertuigentedetecteren. Pixelclassificatie,perpixelisaangevenofheteenrijbaanofomgevingpixelis.Kenmerkendzijnde kleurenpatroonvaneenweg.Allerijbaanpixelssamengevenhetgebiedwaargedetecteerdmoet worden. Model(Beymer,etal.1997)(YoneyamaAkio,YehChiaǦHungenJay2005),eenvervormbaretemplate vanhetwegvaklatenmatchenmetderandenvanderijbaan. Kenmerken(SongenTai2006)komtvoorintweemethoden.OpdekorteafstandwordtervanuitgeǦ gaandatdebreedtevandewegendelengtevandestrepeneenvastemaathebben.Opeengrotere afstandisdemethodegebaseerdophetsnijpuntmodel.Derandenendemarkeringvaneenrijbaan moetenuitkomenineensnijpunt.HetzogenaamdeRoadMarkingAnalysisModel(ROMA)

 Detectieensegmentatie  Opticalflow 1. DifferentialTechniques a. HornandSchunck(HornenSchunck1981),CombineertdegradiëntmeteenfactorvoordeefǦ fenheidvanhetbeeld.Hetiseeniteratievemethode b. LucasandKanade(LucasenKanade1981),gebruiktdekleinstekwadratenmethodeomde fouttereduceren c. Nagel(Nagel1989),LijktopHornandSchunckmethodemaargebruiktdetweedeordeafgeǦ leide. d. Urasetal.(Uras,etal.1988),Gebaseerdopeentweedeordeafgeleideensplitsthetbeeldop ingedeeltenvan8x8pixels. 2. RegionǦbased a. Anandan(Anandan1989),IsgebaseerdopdeLaplacianpyramide.Werktvangrofnaarfijn. b. Singh(SinghenAllen1992),Gebruikttweestappen.Eerstvangrofnaarfijnmethodeendan desnelheidbepalenmetbehulpvaneigenschappenvanaangrenzendepixels. 3. EnergyǦbased a. Heeger(Heeger1988),Gebruikteenserievan12Gaborfilters.DekleinstekwadratenmethoǦ dewordttoegepastvoorderesulterendesnelheidsdistributie. 4. PhaseǦbased a. Waxmanetal.(Waxman,WuenBergholm1988),Maaktgebruikvaneencontourmodel.GeǦ richtophetzoekennaarrandenineenafbeelding. b. Fleet and Jepson (Fleet en Jepson 1990), Gebruikt frequentie en fase informatie metbehulp vanfourriertransformatiesomdesnelheidsvectortussendebeeldentevinden.  Backgroundmodelling 1. Average,median,runningaverage(Piccardi2004),Achtergrondwordtbepaaldmethetgemiddeldeof mediaanvandepixelsuitvoorgaandebeelden. 2. MixtureofGaussians(StaufferǦGrimson)(InterviewDr.Hendriks),metbehulpvaneenmixvangaussiǦ aansedistributieswordtvanelkepixelvastgesteldofhettotdeachtergrondbehoort. 3. KernelDensityEstimators(DudaenHart1973),kansdichtheidvandeachtergrondwordtineenhistoǦ gram gezet met de meest recente pixels. Bij een bepaalde drempelwaarde behoort de pixel tot de achtergrond. 4. Meanshift(possiblyoptimised)(ComaniciuenRamesh2000),Iteratievemethode 5. SKDA(SequentialKDApproximation)(Han,ComaniciuenDavis2004),gebruiktmeanshiftalleenomte initialiseren. 6. Eigenbackgrounds(Oliver,RosarioenPentland2000),frameszijnkolommenvanmatrix.Hiervanwordt de covariantie matrix berekend. Met het eerste aantal eigenvectoren van deze matrix wordt een nieuwbeeldgeconstrueerd.Hiermeewordteennieuwframevergeleken. 



101

102



BlikophetWegennet

  Tabel18Overzichtdetectieensegmentatiealgoritmen RekenǦ NauwǦ Methode capaciteit keurigheid OpticalFlow Horn&Schunk Lucas&Kanade Nagel Urasetal. Anadan Singh Heeger Waxmanetal. Fleet&Jepson SpaceǦtimecontinuity Temporaldifferencing Backgroundmodelling Average MixtureofGaussians KernelDensityEstimaǦ tors MeanShift SKDA Eigenbackgrounds

 ++ + +/Ǧ +/Ǧ + nb nb Ǧ Ǧ ǦǦ ++  ++ +/Ǧ

 +/Ǧ ++ +/Ǧ + ǦǦ ǦǦ ǦǦ ǦǦ ++ + ǦǦ  +/Ǧ +

+/Ǧ

+

ǦǦ +/Ǧ +

+ + +

Opmerkingen  Gevoeligvoorruis Robuustbijruis        Veelgeheugennodigvoordebeelden   Afhankelijkvandegebruiktemethode   Iteratiefisveeltelangzaam  



 Classificerenenvolgenvanobjecten  RegionǦbasedtracking 1. Regionsplittingandmerging(GonzalezenWoods1992),Regio'swordensamengevoegd,dievoldoenǦ degemeenschappelijkhebbenwatbetreftkleur.Andersomwordenregio’sopgesplitstwanneergeen overeenkomstenwordengevonden. 2. Regiongrowing(GonzalezenWoods1992), Bijregiongrowing,wordtverondersteld,datdepixels,die behorenbijeenbepaaldobject,nietalteveelvanelkaarverschilleningrijswaarde.Uitgaandevaneen pixel,waarvanmetredelijkheidvaltaantenemen,dathetrepresentatiefisvoordekleurvanhetobǦ ject,wordtdeomgevingverkendopredelijkgelijkendgrijswaarden.Hierdoorkanereengroeiproces plaatsvinden. 3. Block matching (Gyaourova, Kamath en Cheung 2003), Het beeld wordt opgesplitst in blokken. Elk volgendbeeldwordtdenieuwepositievandeblokkenbepaald. 4. Watershed(GonzalezenWoods1992),ineenstroomgebiedstroomthetwatervanhogeregedeelten naareenlaagpunt.Dezegedachtenwordtgebruiktinditalgoritme.Tussentweegebiedenmoeteen lokalerugliggendiedetweegebiedenscheid.  Tabel19Overzichtalgoritmenclassificerenenvolgenvanobjecten RekenǦ NauwǦ Methode Opmerkingen capaciteit keurigheid RegionǦbased ActivecontourǦbased FeatureǦbased

+/Ǧ Ǧ +/Ǧ

+/Ǧ + +/Ǧ

ModelǦbased

ǦǦ

++

 

 



   Voorelkvoertuigmoeteenmodelaanwezig zijn



Bijlagen

Adaptief  Voorspellen 1. Kalmanfilter(Kalman1960),HetKalmanfilteriseenstochastischvoorspelencorrectiealgoritme,dat deinternetoestandvaneensysteemschat(Lin,TaienSong2003)(Humphries,etal.2005)(Gupte,et al.2002)(Lee,KoenHan2002)(Yiu,etal.2005)(Xie,etal.2005).IndevoorspelstapvanhetKalman filterwordtdeinternetoestandaangepastaandehandvandelaatstontvangeninput;hierbijwordt debetrouwbaarheidvandegeschattesysteemtoestandlager.IndecorrectiestapontvangthetKalǦ manfiltereenmetingvan(eendeelvan)desysteemtoestand.Dezemetingwordtgerelateerdaande internetoestand:opbasisvandegroottevanhetverschiltussendeninternetoestandendemeting wordendestochastischevariabelenvandeinternetoestandgecorrigeerd.HierbijneemtdebetrouwǦ baarheidvandegeschattetoestandtoe. 2. Particlefiltering(MaskellenGordon2002),HetbelangrijksteideeachterhetparticlefilterzijnsteekǦ proeven,ookweldeparticlesgenoemd.Dezezijnrepresentatiefvoordedistributievandesysteem status. Aangezien steeds nieuwe informatie aankomt,worden deze deeltjes constant opnieuw toeǦ gewezenomdeschattingvandesysteemstatusbijtewerken.Deefficiencyendenauwkeurigheid vandedeeltjesfilterhangenhoofdzakelijkvantweezeerbelangrijkefactorenaf:hetaantaldeeltjes datwordtgebruiktendefunctieomdenieuweverdelingvandedeeltjestemakenbijelkeiteratie. a. Condensationalgoritme(Humphries,etal.2005)(Lee,etal.2003),ditalgoritmeisinstaatom dekansdichtheidvanveletoestandentevoorspellen.HetisbijzondergeschiktvoordetracǦ kingvanmeerdereobjecten. b. Baysian,metbehulpvankansberekeningenwordtgeschatwelkesituatiezichzalvoordoen.  Trainen 1. StatisticalPatternrecognition(Bishop2006),EenkunstmatigeintelligentiemethodevoordeclassificaǦ tieofdebeschrijvingvanobservaties.Depatroonherkenningprobeertgegevens(patronen)teclassiǦ ficerendieuitdebeeldenwordtgehaaldopbasisvankennisofopstatistischeinformatie.DeteclassiǦ ficerenpatronenzijngewoonlijkgroepenofpunten,diemetingenofobservatiesineenaangewezen ruimtebepalen. a. Clustering(99)voorhetsamenvoegenvanpixelstoteenobject. i. FuzzycǦmeans,elkepixelheefteenbepaaldegraadomtoteenclustertebehoren.In hetcentrumbevindenzichpixelsmeteenhogeregraad,dandieaanderandenvan eencluster. ii. Hierarchical,clusterengaatineenrangorde. iii. KǦmeans, Vooraf wordt het aantal clusters vastgesteld. De centra van de clusters wordendeeerstekeergewoonwillekeuriggekozen.Daarnawordtvanelkdatapunt deafstandtotiedercentrumbepaald,enwordthetdatapunttoegewezenaanhet clusterwaarvanhetcentrumhetdichtstbijis.Nadatalledatapuntenaaneencluster zijntoegevoegd,wordendeclusterǦcentraopnieuwberekend.Hetnieuwecentrum vaneenclusterisgewoonhetgemiddeldevanallepuntenindatcluster.DeproceǦ durebegintnuweeropnieuw. iv. Kohonennetworks,eenobjectievemanieromgegevenstegroeperendooreenselfǦ organizing netwerk van kunstmatige neuronen te gebruiken. Elk neuron slaat een gewichtsvector op, waarvan elke vector aan één van de inputgegevens beantǦ woordt.Wanneereennieuwinputpatroonwordtverwerkt,berekentelkneuronzijn activeringsniveau. Het neuron met het laagste activeringsniveau dat wordt toegeǦ staanomzijngewichtenaantepassenzodathetdichterbijhetinputpatroonkomt. v. Matrices, inputvectoren worden met behulp van matrix berekeningen met elkaar vergelekenenindienovereenkomstenwordenvastgesteldgeclusterd. b. ExpectationMaximization(Gupte,etal.2002),wordtgebruiktvoorhetvaststellenvanlikeliǦ hood.Hetmodelheeftonzichtbarenietgedetecteerdeparameters.Demethodedoetalsof dezeparameterswelzijngedetecteerdenberekenddemaximumlikelihood.Hiermeewordt eenverwachttesituatieberekend.





103

104



BlikophetWegennet

2.

Neural Networks (Gurney 1997), Een kunstmatig neuraal netwerk (Kastrinaki, Zervakis en Kalaitzakis 2003)bestaatuitverscheideneprocessoren(neuronen)meteenhogematevanonderlingeconnectie. DeinteractietussendediverseonderlingverbondenprocessorenwaaruithetnetwerkbestaatisboǦ vendien adaptief, zodat verbindingen tussen andere processor in het neurale netwerk kunnen ontǦ staan,kunnenwordenversterkt,verzwaktofweerverbrokenkunnenworden.Ditbetekentdateen neuraal netwerk te 'trainen' is. Het 'trainen' van het netwerk gebeurt door het aanbieden van inǦ gangswaardenmethunbijbehorendegewensteuitgangswaarden,endansteedsdoorterugrekenen deoverdrachtsfunctiesbijtestellen.Eentweedestapinhetleerprocesishetaanbiedenvannieuwe patronenenhetcontrolerenvanhetresultaatdatdatoplevert.Opdiemanierkanbepaaldwordenin hoeverrehetnetwerk'volleerd'is,enhoebetrouwbaarderesultatenzijn.

  Tabel20Overzichtalgoritmenadaptiefsysteem RekenǦ NauwǦ Methode capaciteit keurigheid Kalmanfilter Condensation Baysian Clustering ExpectationMaximizaǦ tion NeuralNetworks







 

+/Ǧ Ǧ +/Ǧ +

+ + +/Ǧ +/Ǧ

Ǧ

Ǧ

+/Ǧ

+

Opmerkingen  Instaatommeerdereobjectentevolgen    

Bijlagen



III.

OverzichtverkeersmanagementtoepassingenNederland



Netwerktoepassingen  Drip(DynamischRouteInformatiePaneel) Een DRIP is een applicatiewaarmeeactuele route informatie over de verkeerssituatie ophet wegennet aandeweggebruikerswordtverschaft.Ditkanindevormvanfilelengteofreistijd.Deautomobilistkan met behulp van deze informatie zijn routekeuze handhaven of aanpassen (Ministerie van Verkeer en Waterstaat2004). DRIPskunnenookgebruiktwordenomalgemenetekstenweertegeven,bijvoorbeeldtekstenterbevorǦ deringvandeverkeersveiligheid(gordelsachterin).SindskortzijnernaastDRIPs,diealleentekstenkunǦ nenafbeelden,grafischeDRIPs(GRIP)ingebruik9. Doel HetdoelvandeDRIPisomweggebruikersteinformerenoverdeverkeerssituatieophunrouteomzoǦ doendederoutekeuzetebeïnvloedenenhetefficiëntgebruikenvanhetnetwerktebevorderen.Hiermee wordtbeoogddatdeverkeersafwikkelingendebereikbaarheidwordenverbeterd,dooreenbetereverdeǦ lingvanhetverkeeroverhetHWN. Aandachtspunten Uit onderzoek blijkt dat weggebruikers de informatie op DRIPs waarderen.10 Echter foutieve informatie kanhetvertrouweninDRIPsbeschadigen.DaaromishetvanbelangdatdeinformatiedieopDRIPsgeǦ toondwordtaccuraatis. Kwaliteitseisenmonitoring VrijwelalleDRIPsgeveninformatieoverfilelengte.DaarnaastkaneenDRIPinformatiegevenoverreistijǦ denofvertragingstijden.VoordeinformatiemaakthetuitwatophetHWNwordtgedetecteerd. Filelengte:defilelengtewordtberekenddoorpermeetvaktebepalenwatdestatusis.Alsercongestieis wordthethelemeetvakmeegerekendalsfilelengte.CongestieisvasttestellendoordesnelheidspatroǦ nenenintensiteitpatronenvaneenwegvakteanalyseren.Deberekendefilelengtenzijnsterkafhankelijk vandedichtheidvanmeetlocaties(hoegroterdedichtheidhoebetrouwbaarder).Voordeberekeningis de nauwkeurigheid van de meetgegevens van minder belang, omdat het niet uitmaakt om de exacte snelheidofintensiteitteweten.Minuutgegevenszijnnauwkeuriggenoeg,omdathettochnietgewenstis omdetekstenopdeDRIP’scontinuteveranderen. Wanneerreistijdenofvertragingstijdenafgebeeldmoetenwordenismeerinformatienodig.DitkangeǦ daanwordendoorperwegvaktekijkennaardegemiddeldesnelheidendaarmeeeenreistijdteberekeǦ nen.Alletijdenbijelkaaropgeteldgeefteengerealiseerdereistijd.Metcamera’szoueengeavanceerder systeemkunnenwordentoegepast,namelijkhetvolgenvanvoertuigenovereentraject.DoorvoertuigǦ      9

Onder andere een bermDRIP op de A2 bij Amsterdam en op de A12 bij Den Haag Evaluatie in Breda en Rotterdam – Amsterdam (RIA)

10





105

106



BlikophetWegennet

kenmerkenvasttestellenkunnenvoertuigenvanelkaaronderscheidenworden.HiermeezijndegerealiǦ seerdereistijdennauwkeurigvasttestellen.Omdatnietvanelkvoertuigapartdereistijdhoeftteworden omdegemiddeldereistijdtebepalenmaakthetnietuitalsafentoeeenkentekennietherkendwordtof hetsysteemevennietwerkt.Daarnaastzijn4karaktersvanhetkentekenvoldoendeomeenvoertuigte herkennen. Voorhetvoorspellenvandeactuelereistijdzijnverkeersmodellennodig. Boss(BeslissingOnderSteunendSysteem) Uitvoeringvanverkeersmanagementophethoofdwegennetvindtplaatsvanuitverkeerscentrales.Door eensterketoenamevanderangevanverkeersmaatregelenishetlastigominzichttekrijgeninalleverǦ keerskundigeinteractiestussendetenemenmaatregelen. DaaromisBOSSontwikkeld.BOSSiseenmodeldatwordtgebruikbijhetdiagnosticeren,hetadviseren overenhetinzettenvanverkeersbeheersingsmaatregelen(KockenVlist2001).Hetondersteuntoperators enwegverkeersleidersindeverkeerscentralebijhetselecterenvaneenregelscenario.Hierbijvolstaathet nietominzichttehebbenindeactueleverkeerssituatie,maarookdetoekomstigeverkeerssituatiedient zogoedmogelijkbekendtezijn.HetgaatdanmetnameomhetvoorspellenvandegevolgenvanincidenǦ telefiles,immersdedagelijksefileszijnopgrondvandehistorischegegevensminofmeerbekend. BOSSbevattweehoofdfuncties: x EensysteemwaameeeenvoorspellingwordtgemaaktopbasisvanrealǦtimemeetgegevens(BOSS onǦline). x Een systeem waarmee in alle rust mogelijke maatregelen voorbereid worden en achteraf geëvaluǦ eerdworden(BOSSoffǦline). Doel Tijdensonverwachteenbijzondereomstandigheden(zoalsongevallen,evenementen,wegwerkzaamheǦ denetc.)ishetvoordeoperatorslastigomdebenuttingmaatregelenintezettenindeverkeerscentrales tebepalen.BOSSbiedtondersteuningbijhetoperationeelinzettenvanverkeersbeheersingsmaatregelen ophetHWN. Aandachtspunten Deoperatorvertrouwteropdathetsysteemjuistevoorstellengeeftvoordetenemenmaatregelen. Kwaliteitseisenmonitoring Alsinputkomenactueleverkeersgegevensbinnen.Dezeondergaaneenbewerkingtotinformatieoverde actuele verkeerssituatie. Daarnaast beschikt men over de historische meetgegevens opgeslagen in een database.Vervolgensvindteenvergelijkingplaatsmeteenreferentiekader.AandehandvandezevergeǦ lijkingkomthetsysteemmeteenvoorstelvoordebestpassenderegelscenario’s. Voor het referentiekader worden kwaliteitniveaus bepaald op het netwerk, trajecten en wegvakken. En voordeactuelesituatiewordtookeenactueelkwaliteitsniveauopgesteld.Hetverschilinniveausgeeft probleemgebiedenaan.Groothedenomdekwaliteittebepalenzijnbijvoorbeeldsnelheden,intensiteiten endichtheid.Deverwerkinggebeurtaandehandvanminuutgegevens. Reisinformatie De gegevens over snelheid en intensiteit worden bewerkt en samengevoegd met informatie uit andere bronnen(bijvoorbeeldvanandereserviceproviders)totverkeersinformatie.MetbehulpvandezeinforǦ matiewordtdeweggebruikergeïnformeerdoverfiles,wegwerkzaamhedenenreistijden.Reisinformatie wordtopverschillendemanierentotdeweggebruikerovergebracht,bijvoorbeeldviaderadio,teletekstof inǦcarsystemen.

 



Bijlagen

 Doel Hetgevenvaninformatieoverdesituatieopdewegheeftverschillendedoeleinden.Teneerstekunnen reizigershunreisvantevorenbeterplannenententweedekanmenindiennodigderoutekeuzeverandeǦ ren. Aandachtpunten De informatie moet actueel zijn. Gebruikers willen correct geïnformeerd worden. De nauwkeurigheid is vanminderbelang.DaaromisdefilelengteinkilometerseenvoldoendebetrouwbareindicatievoormelǦ dingen. Kwaliteitseisenmonitoring DeeisenzijngelijkaandievandeDRIP(zievorigepagina).Inbeidegevallenzijndefilelengteofreistijd vaneentrajectnodig.

Wegvaktoepassingen  Mistdetectie BijmistongevallenisvrijweluitsluitendsprakevankopǦstaartongevallen(Knabben2001).MethetmistdeǦ tectiesysteem worden bestuurders gewaarschuwd voor het feit dat men een wegvak met slecht zicht nadert.DitwordtgedaanmetdeMSI. Mist wordt gedetecteerd met behulp van speciale detectoren. Deze detectoren geven de zichtafstand tussendetweeuiteindenvandedetector.InNederlandisnogmaarweinigervaringopgedaanmetmistǦ detectie(RavenschotenRemeijn2000).Verwachtmagwordendateenrustigereverkeersafwikkelingvan deze maatregel uitgaat. De extra rust in de verkeersafwikkeling maakt de kans op verstoringen (zoals schokgolven)kleiner.OpbasisvandieverwachtingheeftmistdetectieeenlichtpositiefeffectopdeverǦ keersafwikkeling. Doel Waarschuwenvoormist/slechtzichtverderstroomafwaarts,enhierdoorderijsnelheiddermatetebeïnǦ vloedendatongevallenkunnenwordenvoorkomen. Aandachtspunten Ophetmomentdatnaasteenmistwaarschuwingeensnelheidwordtweergegevenbestaatdekansdat deadviessnelhedentehoogzijnvoordesituatie.Bijtehogeadviessnelhedenkandeverkeersveiligheidin hetgedingkomen. Deplekwaardewaarschuwingwordtgegevenisvanbelangvooreeneffectievewerking.Ophetmoment dat bestuurders worden gewaarschuwd voor mist wanneer men al in de mist rijdt is geen toegevoegde waarde.Hetisookmogelijkdatsprakeisvanlokaalzeerdichtemistofmistflardenineenomgevingmet verder enkel mist met enige honderden meters zicht. Veel weggebruikers zullen zich in dat geval niet realiserendatdewaarschuwingnietbedoeldisvoordelichtemistwaarhijzichalinbevindt,maarvoorde zeerdichtemistdiehijnadert. Dedichtheidvanmistendaarmeehetzicht,kanplaatselijksterkvariëren;regionaleenplaatselijkeverǦ schillenzijnzeeraanzienlijkookopeenkleineschaalenoprelatiefkorteonderlingeafstand.Doormist lokaal te detecteren bestaat de kans dat het systeem de mist, of de nog gevaarlijkere mistbanken niet detecteert.Ditismetnamehetgevalbijdezeerlokale,dichtemist(mistbanken). 





107

108



BlikophetWegennet

Kwaliteitseisenmonitoring Voordedetectievanmistisalleendetectienodigvandezichtafstand.Extragegevenszijnnietvanbelang voordeaansturingvanhetsysteem.EventueelishetuittebreidennaareensysteemdatnaastdezichtafǦ standinformatiegeeftoverhettypeneerslagentemperaturen. Spookrijderdetectie Een klein gedeelte van de ongevallen op het hoofdwegennet wordt veroorzaakt door spookrijders (Grontmij1999).Deernstvandeongevallenwaarspookrijdersbijbetrokkenzijnisrelatiefveelgroterdan de‘normale’ongevallen.Despookrijderdetectiekanoptweemanierenwordeningezet.Teneerstekan gecontroleerd worden op elke afrit. Wanneer een spookrijder de weg probeert te betreden kan deze meteen gewaarschuwdworden. In deze situatie wordt ervan uitgegaan dat geen voertuigen tussentijds opdehoofdrijbaanomkeren.Tentweedeishetmogelijkomtedetecterenopdehoofdrijbaanenaande handdaarvandemedeweggebruikerstewaarschuwenofmaatregelentetreffen.WaarschuwenismogeǦ lijkmetdeverkeerssignaleringofeenDRIP.EenmaatregelzoubijvoorbeeldhetafkruisenvandelinkerǦ baan11zijn. Doel Maatregelen moeten weggebruikers waarschuwen voor de naderende spookrijder, zodat zij adequaat kunnen reageren en de bijbehorende instructies kunnen opvolgen om ongevallen te voorkomen of de ernst van een eventueel ongeval te minimaliseren. Voorwaarden van deze maatregel is dat het verkeer nietextraingevaarwordtgebrachtendechaosnietverergerenopdeweg. Aandachtspunten Despookrijderswaarschuwingmoetergnauwkeurigzijn.Eenverkeerdemeldingzoudirecttenkostegaan vandegeloofwaardigheid.Daarnaastzijndespookrittenvaakkortmaarhebbenernstigegevolgen.DeǦ tectiemoetdaaromzosnelmogelijkplaatsvinden. Kwaliteitseisenmonitoring Voordedetectievaneenspookrijdermoetvanelkvoertuigderijrichtingindegatenwordengehouden. Deinformatiemoetzosnelmogelijkbeschikbaarkomenomandereweggebruikersteinformerenofom despookrijderopdetoeritaltegentehouden.DitheeftconsequentiesvoordedichtheidvandemeetloǦ caties.Voordegeloofwaardigheidmogeneigenlijkgeenfoutengemaaktwordendoorhetsysteem. DRM(DynamischeRijstrookMarkering) Eénvandebenuttingmaatregelenishetdynamischgebruikvanderijbaan(Knibbe2003).MethetdynaǦ mischgebruikvanderijbaanwordthetaantalrijstrokenafgestemdophetactueleverkeersaanbodbinnen deaanwezigeverhardingzoalsbijvoorbeeldtweenormalerijstrokenindedalperiodenendrieversmalde rijstrokenindespitsperioden.DeactuelerijbaanindelingwordtdoormiddelvanDRMaandeweggebruiǦ kergetoond. Onderscheidkangemaaktwordeninverschillendevarianten: x Hetrealiserenvaneenextrarijstrook,doorallerijstrokensmallertemaken;      11

80% van de spookrijders rijdt over de linker rijstrook (gezien vanuit de normale rijrichting; Duits onderzoek)

 



Bijlagen

x Hetrealiserenvaneenrijstrookmetdynamischerijrichting,doormeteendynamischemarkeringde rijrichtingaantegeven; x Hetrealiserenvaneendynamischedoelgroepenstrook.Zokangedurendebepaaldetijdstippenvande dageenrijstrookexclusiefvoordebuszijn,doormeteendynamischemarkeringhetwoordbustetoǦ nen; x Hetextramarkerenvanbelijningbijvoorbeeldinscherpebochten.  Doel Hetdoelvaneendynamischerijbaanindelingishetvergrotenvandecapaciteitvaneenwegvak,kruising ofknooppuntenbeoogthetbevorderenvandedoorstromingterplaatsenvanknelpunten.Dynamische aanpassing van de rijbaanindeling kan ook worden toegepast bij afwijkende verkeerssituaties, zoals bij wegwerkzaamheden. Aandachtspunten WanneerderijrichtingverandertofrijstrokenbijkomendoordestrokenteversmallenmoethetmonitoǦ ringsysteemsnelkunnenomschakelen,zodatdeverkeerssignaleringnauwkeurigblijftwerken. Kwaliteitseisenmonitoring Hetsysteemmoetophetmomentdatdenieuwerijbaanindelingvankrachtwordtoverkunnenschakelen naardenieuwesituatie.Daarbijmoethetmonitoringsysteemdebasisgegevens(snelheid,intensiteiten eventueeldichtheid)blijvenleveren. DOV(DynamischeOpenbareVerlichting) Verlichtingheefttweebelangrijkefunctiesvoorhetwegverkeer(Hamel,AdamsenBrink2006).Allereerst eenoriënterendefunctie.Bestuurdersmoetenwetenwaarmennaartoemoetenwathetverloopvande wegis.Tentweedeisereendetectiefunctie.Bestuurdersmoetenobjectenkunnendetecterenwaarmee meneventueelmeeinbotsingkankomen. Verkeersveiligheidisdebelangrijkstefactoromhetwegennettevoorzienvanopenbareverlichting.Toch kleveneraandeverlichtingeenaantalnadelen.VooralmilieuaspectenspelendelaatstejareneenbelangǦ rijke rol. Openbare verlichting verstoort het leefmilieu van veel dieren, de lampen bevatten schadelijke stoffenendeverlichtingverhoogthetenergieverbruik. Hettoepassingsgebiedisverdeeldintweeën.Buitendenatuurgebiedenwordtdedynamischeverlichting ingesteldmetdeposities100%of20%(aanofgedimd).Binnennatuurgebiedenzijndeposities100%of “uit”.Hetschakelentussenverschillendelichtintensiteitenisafhankelijkvandevoertuigintensiteiten,de weersomstandigheden,wegwerkzaamhedenenongevallen. Doel DoelvanDOVisdatnietmeerdandenoodzakelijkeverlichtingvoordeverkeersveiligheidingebruikisen datbeterrekeningwordtgehoudenmetdeopenbareverlichtinginnatuurgebieden. Aandachtspunten Hetschakelenopbasisvandeintensiteitkanmindernauwkeurigomdatdeweggebruikertochgeenidee heeftopbasiswaarvanhetlichtgedimdwordt.Deweersconditiesluisterenechterwelnauwkeuriger.Een bestuurderzalhetnietsnappenwanneerdeopenbareverlichtinggedoofdismetslechtzicht. Bijmistkannaareenlagerniveauwordengeschakeld.Hiervoorismistdetectienodig.EchtereenmistdeǦ tectieisnietessentieelvoorhethalenvandeverkeersveiligheidseisen. Bijgladheidwordthetsysteemingeschakeld.VoorhetdetecterenvangladheidiseenapartsysteemnoǦ dig,datbuitendebeschouwingvanditonderzoekvalt.





109

1 110



Blikop phetWegenn net

Kwaliteittseisenmonittoring Deintensiteit,snelheidenweersom mstandighedeenzijnprimairregegevensd diehetsysteemnodigheefft.Om heidindegattenwordengehouǦ ongevallentekunnendetecterenisshetvanbelaangdatintensiteitensnelh den. Handha aving Verkeersscontrolesvin ndenplaatsmetpolitiemen nsenenmettechnischehulpmiddelen.H HetBVOM(Bureau VerkeersshandhavingO OpenbaarMinisterie)(88) investeertzowelinmensenalsinapparratuur.Erworrdtop het hooffdwegennet op o twee man nieren geconttroleerd op snelheid. Door middel van n puntmetingen en trajectco ontrole. De puntmetingen wo orden gedaan n door de oveerbekende flittskasten of mobiele m contrroles. Normaal geǦ sproken wordtbijdezzesystemend deeigenschap ppenvaneen voertuiggedetecteerdmeetbehulpvanradar en of lusssen. Op hett moǦ ment dat er een ovvertreǦ ding wo ordt gedeteccteerd wordt er een “foto”” geǦ maakt. Kenmerkkend voor trrajectǦ controle is dat de sne elheid niet op één punt wordt w gemeten,, maar dat he et om de gem middelde sne elheid over een n langere affstand  gaat. B Bij trajectcontrole Figuur56Trajectco ontroleA4 hangen camera’s op p verǦ schillendee punten langs de weg, diee opnames maken van iedeer passerend voertuig. Me et deze beeld den berekent een compute er een trajectsn nelheid.Ligtd diehogerdandemaximum msnelheid,dankrijgtdeweeggebruikereeenbekeuring gthuis gestuurd d. Nietalleenwordtgeccontroleerdopsnelheid,m maardaarnaasstrichtdehan ndhavingzich hookopmaxximale aslasten,,hoogte(bijingangtunnels)enhetoneeigenlijkgebrruikvandoelg groepstroken..Omdataslasstniet meteencameratedeetecterenis,w wordtdezeoptiebuitenbesschouwinggeelaten. Doel In Nederrland wordt intensief op snelheid geccontroleerd. Snelheidscont S troles vinden n om drie red denen plaats.A Allereerstomw willevandeveerkeersveiligh heid.Hetmilie euiseentweeedereden:ho oehardereenvoerǦ tuigrijdtt,hoehogerh hetbrandstofvverbruik,hoemeerCO2Ǧuittstootenhoemeergeluidssoverlast.Dederde redenis mobiliteit.Filesontstaanm mindersnelaalsweggebruikersmeteen nhomogenessnelheidrijden n.BoǦ vendienisdekansopongelukkenkkleiner. Aandach htspunten Voor han ndhavingsdoeeleinden moeet altijd per individueel vo oertuig wordeen gemeten en dient ade equaat bewijsmaateriaal (foto o, video) bescchikbaar te ziijn. Dit moet bijzonder beetrouwbaar en nauwkeurig g zijn, zodatheetalsjuridischbewijskandiienen. Kwaliteittseisenmonittoring Eisen van het openbaaar ministeriee zijn dat de maximale m fou ut gemeten onder o bedrijfsomstandighe eden 3 draagtvoorsnelhedenniettgroterdan1100km/hen33%vandewerrkelijkesnelheeidvoorsnelh heden km/hbed groterdaan100km/h (BVOM2001)).Degemeten nwaardevan ndedetectorssnelheidsmettermoetzijn gebaǦ  



Bijlagen

seerd op het rekenkundig gemiddelde van ten minste twee onafhankelijke meetwaarden. Het verschil tussen beide meetwaarden mag een door in het laboratorium vastgestelde maximum fout hebben. De meetopstelling moet zodanige eigenschappen hebben, dat met zekerheid kan worden vastgesteld op welkvoertuigdegemetensnelheidbetrekkingheeft,opwelkeplaatsenopwelktijdstip. Opeentrajectmetinggeldendezelfdeeisenmaarligtdeafstandtussendetweemetingenveelverderuit elkaar. Eisenaandehoogtedetectieenhethandhavenopeendoelgroepenstrookkomenlateraandeorde. LFB(LokaleFilebeveiliging) BijLFBwordtterhoogtevaneenverkeersknelpuntdeaanwezigheidvaneenfilegedetecteerdenaande weggebruikersstroomopwaartsdoorgegeven.Defilekandoormiddelvaneenfilebordopcirca600meter vanhetdetectiepuntwordendoorgegeven.LFBkanalstijdelijkemaatregelfungerenbijwerkinuitvoeǦ ring.LFBwordtvaakgeïnstalleerdalsvoorloperopverkeerssignalering. Doel Deze maatregel is gericht op stroomwegen en wordt met name toegepast op locaties waar regelmatig filevorming te verwachten is en waar verkeerssignalering ontbreekt. Dit kan zijn voor knooppunten of bruginstallaties. Aandachtspunten LFBkaninbijnaallesituatieswordentoegepast.LocatiebepalingisafhankelijkvandelokaleomstandigǦ heden,zoalshorizontaalofverticaalalignement(zichtbeperking)enlengtevanderegulierefile.EventuǦ eelkunnenmeervandezesystemennaelkaarwordentoegepast. Optrajectenwaaralverkeerssignaleringingebruikiszaldezemaatregelnietwordentoegepast. Kwaliteitseisenmonitoring BijeenLFBwordtopééndetectiepuntgecontroleerdopfilevorming.Eendalingvandesnelhedengeeft eenfileaan. AID(AutomatischeIncidentDetectie) AID is onderdeel van het verkeerssignaleringsysteem MTM.  Het AIDǦalgoritme werkt op basis van een vergelijkingvandegemiddeldesnelheidmeteengrenswaarde.Desnelheidwordtperrijstrookberekend en getoetst. Komt de snelheid onder de grenswaarde (deze is nu ingesteld op 35 km/h) dan zal de AID ‘aangaan’.KomtdesnelheidweerboveneengrenswaardedanzaldeAIDweeruitgaan.Eenuitgebreidere beschrijvingistevindeninhoofdstuk3. Doel Het primaire doel van de AID is het beveiligen van de filestaart. Het systeem heeft als doelstelling het aantalkopǦstaartongevallenindefileteverminderen. Aandachtspunten EenAIDdatvalsemeldingengeeftofcontinuaanǦenuitgaatboezemtweinigvertrouwenin,waardoorde effectiviteit afneemt. Er moet daarom een afweging worden gemaakt tussen nauwkeurigheid (snel de goedebeeldenplaatsen)enbetrouwbaarheid(eenstabielsysteem). Kwaliteitseisenmonitoring AIDzetsnelhedenomnaarrijtijden.Hoekleinerdedichtheidtussendemeetlocatiesligt,hoesnellerhet algoritmewerkt.   



111

112



BlikophetWegennet

Blokkadedetector DeblokkadedetectoriseenonǦlinerekenalgoritmedateenwegvakbewaakt(TransputeBV2004).Hetkan overal werken waarop min of meer regelmatige afstanden meetpunten zijn geïnstalleerd. Bijvoorbeeld eenwegmetsignaleringofmonitoring.DeblokkadedetectorvergelijktdeintensiteitenopeenrijmeetǦ puntenmetelkaarenslaatalarmzodraereenblokkadeoptreedt.HetalgoritmeletopdiesituatieswaarǦ bijnogwelverkeernaareenbepaaldeplektoerijdtmaarniet(ofonvoldoende)weervandaankomt. Doel Het algoritme van de blokkadedetector is ontworpen om stroomǦblokkerende gebeurtenissen zo snel mogelijk te ontdekken. Het systeem attendeert de wegverkeersleider op situaties waarbij ingrijpen is gewenst. Met het toenemende gebruik van vluchtstroken als spitsstroken is dat erg belangrijk. Bij een ongevalmoetnamelijksneleenrijstrookvrijkomenomdehulpdienstendoortelaten. Aandachtspunten Degevoeligheidenderesponssnelheidvandeblokkadedetectorhangenafvandemeetpuntdichtheiden deoverzichtelijkheidvandewegsituatie. Kwaliteitseisenmonitoring De blokkadedetector detecteert niet de file maar de teruggevallen verkeersintensiteit benedenstrooms van het ongeval. Om voldoende zekerheid te bieden zoekt het algoritme verdere bevestiging door de intensiteitenopmeerderedetectiepuntenbovenǦenbenedenstroomsvanhetincidenttevergelijken. SOS(SnelheidOnderschrijdingSysteem) Zodraeenvoertuigondereenvoorafingesteldegrenskomtwordteenalarmcontactgeschakeldnaarde controlekamerendebetreffendemonitorvanhetwegvakbijgeschakeld.Deoperatorkanonmiddellijkde juisteactiesinwerkingzetten(SlatsenKuijvenhoven1991). Doel HetSOSisspeciaalontwikkeldvoorwegvakkenmeteenverhoogdrisicoopafwijkendverkeersgedragen dusopcalamiteiten.Ditgeldtinhetbijzondervoorautotunnelsenspitsstroken,waarverschillendefactoǦ ren het rijgedrag kunnen beïnvloeden, zoals de afwezigheid van een vluchtstrook, hellende vlakken en overgangeninlichtintensiteit. Aandachtspunten Hetwaarschuwingssysteemmoetreagerenopeenindividueelvoertuig.Vooreenbetrouwbaarsysteem moetendedetectiepuntendichtbijelkaarliggen.HetfalenvanhetsysteemkanernstigegevolgenhebǦ benalseenprobleemautoopeenrijstrooknietwordtherkend. Kwaliteitseisenmonitoring Hetsysteemwerktalleenopdevariabelesnelheid.DeexactesnelheidisnietvanbelangenmageenafǦ wijkinghebben.Defaalkansisechtervandoorslaggevendbelang. TDI(ToeritDoseerInstallatie) Toeritdoseringishetbeheersenvandeverkeersstroomopeentoeritnaardehoofdrijbaan.EenTDIbeǦ perktdetoevoerviadetoeriten/ofspreidtdetoevoerviadetoeritindetijd.HetverkeerwordtdruppelsǦ gewijstoegelatentotdehoofdrijbaan,waarmenmakkelijkereenenkelvoertuigtussenkanlatendaneen colonnevanmeerderevoertuigentegelijk.MeteenTDIkanzohetmomentvancongestieuitgesteldworǦ deneneerderopgelostworden(Jong2004). Doel HetdoelvaneenTDIisdrieledig: x Hetverminderenvancongestieenschokgolvenopdehoofdrijbaantengevolgevaninvoegendverkeer wanneerhetverkeersaanboddecapaciteitbenadert;  



Bijlagen

x HetverminderenvancongestieopdehoofdrijbaanwanneerhetverkeersaanbodgroterisdandecaǦ paciteit; x Hettegengaanvansluipverkeeropdetoerit.  Aandachtspunten IndeeerstegeneratieTDI’swasersprakenvantweedoseeralgoritmen,namelijk: x RWSǦalgoritme(opbasisvansnelheidenintensiteit) x ALINEAǦalgoritme(opbasisvanbezettingsgraad)  DetweedegeneratieTDI’szalalleennogmaarwerkenophetRWSalgoritme. Voorextranalevingiseenroodlichtcontroleeenextraoptie. Kwaliteitseisenmonitoring Vooreengoedewerkingvanhetalgoritmezijndevolgendemeetpuntennodig: x eenmeetpuntstroomopwaartsopdeautosnelweg, x eenmeetpuntstroomafwaartsopdeautosnelweg, x eenmeetpuntstroomopwaartsopdetoerit, x eenmeetpuntstroomafwaartsopdetoerit, x eenfilemeetpuntstroomopwaartsopdetoerit, x overigemonitoringindedirecteomgevingvandestopstreep  DemeetpuntenbovenǦenbenedenstroomsopdehoofdrijbaanendetoeritdetecterensnelheidenintenǦ siteit.Aandehandvandecapaciteitvandehoofdrijbaanwordtmetdezegegevensdedoseerfrequentie bepaald.EenfilemeetpuntstroomopwaartsopdetoeritdetecteertofdeTDIleidttotfilevorming.Hiervan isdedoseerfrequentiemedeafhankelijk. Eendetectorvlakvoordestopstreepbepaaldofereenvoertuigaanwezigisvoorhetdoseerlichtentwee detectorenvlaknadestopstreepcontrolerenhetmomentvanverspringenvanhetlichtvangroennaar geelenvangeelnaarrood. OmdatdehoeveelheidvrachtverkeerbelangrijkisomdecapaciteitvasttestelleniseengoedecategorieǦ verdelingnodig. Dynamischinhaalverbod Eeninhalendevrachtwagenkan,metnameindrukkeverkeerssituaties,eenaanzienlijkeverstoringvande verkeersafwikkelingtotgevolghebben(schokgolven).Ditgeldtinhetbijzonderophellingen(bruggenen tunnels).Dooreeninhaalverbodblijfttenminste1rijstrookgevrijwaardvandezeverstoring.DemaatreǦ gelgrijptinophetvrachtverkeerenisinprincipetengunstevanhetpersonenautoverkeeropdesnelweg. Bij lokale knelpunten kan de maatregel zorgen voor een verbetering van de verkeersafwikkelingalsgeǦ heel,waarvandanookhetvrachtverkeerprofiteert. Doel Doelvanditsysteemisdathetinhaalverbodkanwordeningesteldalshetdrukis,ookbijvoorbeeldinhet weekend.Tijdensderustigevakantieperiodenhoefterdangeeninhaalverbodtegelden.Opdezemanier wordtdedoorstromingopdrukketijdenbevorderdenkunnenvrachtwagensinminderdrukketijdeninhaǦ len. Aandachtspunten Maatregelgeldtalleenvoorsnelwegenmet2strooksǦrijbanen. Eendynamischinhaalverbodisalleeninwerkingwanneerdeverkeerssituatiedaartoeaanleidinggeeft.  



113

114



BlikophetWegennet

Kwaliteitseisenmonitoring Om het systeem in werking te zetten moet informatie over intensiteiten aanwezig zijn op een traject. Verdermoetbekendzijnwelkgedeeltevanhetwegverkeervrachtvervoeris. DSI(Dynamischesnelheidsinformatie) DoorhettoepassenvanDSIwordtdesnelheidvangebruikersaangepastaandeverkeerssituatie.Inhet gevaldatercongestiegaatoptreden,wordtdeactuelesnelheidverlaagdtoteengewenstesnelheid. Doel DSIkanvoormeerderedoeleindenwordengebruikt.OphetHWNishetdoelveelalhetverminderenvan desnelheidsverschillentussenvoertuigen.DeachtergronddaarvanisdatdoormindersnelheidsverschilǦ lenminderverstoringen(doorremmenenrijstrookwisselingen)optredenenveiligekortevolgtijdenkunǦ nenwordengerealiseerd. Aandachtspunten Incombinatiemetsnelheidscontroleszalheteffectvaneendynamischsnelheidslimietversterktworden. Kwaliteitseisenmonitoring Omtebepalenwanneerdecongestiekanstegrootwordtzijngegevensoverintensiteitensnelheidvan belang. Doelgroepenstrook DebereikbaarheidvanbestemmingeninbepaaldedelenvanNederlandstaatonderdruk,mededoorde beperkte beschikbaarheid van weginfrastructuur. Het selectief verbeteren van de bereikbaarheid voor beǦ paalde doelgroepen is een middel om de negatieve gevolgen hiervan te beperǦ ken(CROW2000). Doel Het doel van de maatregeǦ lenishetverbeterenvande doorstroming voor een specifieke (of combinatie van) doelgroep(en). DoelǦ  groepvoorzieningen kunǦ Figuur57Doelgroepenstrookopvluchtstrook nen diverse beleidsdoelen dienen: bevordering van de verkeersafwikkelingvoordoelgroepenhandinhandmeteeneconomischverantwoordgebruikvantijden ruimte,bevorderingvanhetleefmilieu,deveiligheidendevervoerswijzekeuze. Aandachtspunten AangezieneendoelgroepstrookalleenbestemdisvooreenbepaaldeverkeerscategoriedientinveelgeǦ vallendemaatregelgehandhaafdmoetenwordendoorpolitieenjustitie. Openstellingkangedurendedegeheledaggeldenofalleentijdensspitsperioden.    

Bijlagen



Kwaliteitseisenmonitoring Omeendoelgroepenstrookopentestellenmoeteraanleidingvoorzijn.Deaanleidingomeenstrookte openenismeestaldekansopcongestie.MetdeintensiteitenisvoldoendenauwkeurigtebepalenwanǦ neerdestrookopenmoet VAD(VluchthavenAanwezigheidDetectie) De VAD wordt toegepast bij spitsstroken op het HWN waar de vluchtstrook tijdelijk als rijstrook wordt ingezet(96).Doorhetgebruikvandevluchtstrookalsrijstrookmoeteringevalvaneencalamiteitzoals autopech een veilige haven worden geboden aan de weggebruiker. Hiervoor zijn bij spitsstroken op reǦ gelmatigeafstandenvluchthavensaangelegd,welke(realtime)bewaaktwordenviadeVADsystemenen eencentraalsysteem. Doel HetVADsysteemdetecteertdeaanwezigheidvaneenofmeerderevoertuigenindevluchthaven. Aandachtspunten Het niet detecteren van een voertuig kan gevolgen  hebben voor de verkeersveiligheid waardoor beǦ trouwbaarheidvanhetsysteemergbelangrijkis. Kwaliteitseisenmonitoring Hetsysteemhoeftalleenmaarvasttestellenofeenvoertuigaanwezigis.

Wegbeheertoepassingen  Hoogtedetectie Intunnelskangroteschadewordengeredendoortehogevoertuigen.Omdezetijdigtekunnenomleiden isbetrouwbarehoogtedetectienoodzakelijk.AangezienhetstopzettenvaneenvoertuigopdehoofdrijǦ baan ernstige verkeershinder zal veroorzaken is het gewenst om te hoge voertuigen onafhankelijk van eenobjectindeverkeersstroomkunnenwordengedetecteerdenalrijdendeuithetverkeertehalen. Doel Hoogtedetectiewordttoegepastomschadetevoorkomenaankunstwerkenalshetgevolgvantehoge voertuigen. Naast de schade aan de kunstwerken zorgt een aanrijding voor veel opstoppingen en kan leidentoternstigevertragingen. Aandachtspunten Omvoertuigenoptijdtekunnenwaarschuwenendemogelijkheidtebiedenderouteaantepassenmoet voordeeersteafritbovenstroomsvanhetkunstwerkdehoogtevanvoertuigengedetecteerdworden. Kwaliteitseisenmonitoring Hetdetecterenvandehoogtemagnietfalen.EenprobleemnietdetecterenkanleidentoteengroteraǦ vage.









115

116



BlikophetWegennet

IV.

Verslageninterviews  Traficon  Contactpersoon:

WouterFavoreel R&DEngineer

Historie Onderzoeknaarhetgebruikvancamera’svoorverkeersmonitoringstarttein1979aandeUniversiteitvan Leuven.In1992vonddeoprichtingvanhetbedrijfTraficonplaats.Indejarendiedaaropvolgdezijndoor hetpuurVlaamsebedrijfstrategischeconnectiesaangegaanmetbedrijveninEuropa,deVerenigdeStaǦ ten en Azië. Deze buitenlandse vestigingen worden gebruikt voor de verkoop en ondersteuning van de Traficonproducten.Totophedenzijnerruim26.000detectorenverkocht.BekendeprojectenvanTrafiǦ conzijninAthenevoordeOlympischeSpelen,deFréjustunnelinFrankrijkenderingAntwerpen. Onderneming HethoofdkantoorisgevestigdinBissegem(Kortrijk).Vanuithiervindtdeontwikkelingvandeproducten plaats. Het ruim vijftig werknemers tellende bedrijf houdt zich alleen bezig met videomonitoring voor wegverkeerstoepassingen. Men richt zich op de toepassingen voor tunnels, snelwegen en kruispunten. BelangrijksteconcurrentenzijnAutoscope,IterisenCitilog.PEEKheeftooksystemenmaargebruikthierǦ voordealgoritmenvanTraficon. Toepassingen BinnenTraficonheeftmentweebelangrijkeproducten.HetoudsteisdeVIP(VideoImageProcessor).De VIPzorgtvoordeverwerkingvanvideobeeldennaarverkeersgegevens.EennieuwproductisdeTraficam. DeTraficamiseencameraenverwerkingseenheidineenenwordtgebruiktvoortoepassingenmetverǦ keerslichten. De VIP kan gebruikt worden voor tellingen en een automatisch incidentdetectiesysteem (AID). Beide systemenhebbenechterverschillendeeisen.EenAIDǦcamerakan300tot400meterverkijkenterwijleen tellingcameraeenidealehoekvan45gradenheeft.VoordeinstallatievandesystemenisgeentussenǦ komstvaneencomputernodig.Traficonbesteedtveelaandachtaandeintegratievanhunproductenmet anderesystemen.Deklantkanmetsoftwaredeoutputaanpassenaanhuneigenbehoeften. Werking De producten kunnen volledig als standǦalone inwinsysteem gebruikt worden. De verwerking vindt bij snelwegtoepassingennormaalgesprokenlangsdewegkantplaats.Meestalper4camera’stegelijk,met voorelkecameraeenverwerkingsmodule.Degegevensenbeeldenwordendaarnadoorgestuurdnaarde doordeklantgewenstebestemming.Hetgebruikvanhetsysteemalseenwegkantsysteemismogelijk doordat gebruik wordt gemaakt van embedded software. Daardoor wordt geen gebruik gemaakt van bewegendeonderdelenzoalseenharddisk.Ditbetekentdathetsysteemrondde300.000urenkanwerǦ ken,terwijleennormalecomputerveelsnellerzoufalen.Hetcentraalverwerkenvandebeeldenisook mogelijk.Hiervoormoethetcamerabeelddigitaalofanaloogverstuurdwordenviaeenglasvezelnetwerk envoordathetdeverwerkingsmoduleingaatweerterugnaarCOAX. Hetbeeldisuiteindelijkdebelangrijkstefactorvooreennauwkeurigeverwerking.DaaromishetbelangǦ rijkdatcamera’suitvoeriggetestworden.BijTraficonheeftmenzelfeentestruimtevoorhettestenvan camera’s.WanneereenklantzijneigencamerawilgebruikenwordtereenstandaardtestproceduregeǦ bruikt.Inprincipezijnallecamera’smogelijk,maarkunnenwelgevolgenhebbenvoordenauwkeurigheid.

 



Bijlagen

Voorverkeerstellingenisdeidealepositieopeenportaalbovendeweg.Alsdatnietmogelijkisdanschuin vanafdezijkant.Nadeelisdaterdanocclusieoptreedt.Ditverschijnselisopzekerehoogteteverhelpen, maarophetmomentdateenvoertuigechtverdwijntachtereenandervoertuigisdetectieonmogelijk. Belangrijkisdatdehorizonnietinbeeldis,inverbandmeteventuelezonlichtinval.Detectievoortellingen kanhetbestedoornaardevoorkantvanvoertuigentekijken.Dehoekisideaalbij45gradennaarbeneǦ den. Bijtellingenwordtgebruikgemaaktvanvirtuelelussen.Hetisnietmogelijkomvoertuigenovermeerdere camera’stevolgen.Inhetcamerabeeldzelfwordenvoertuigenwelgetracked.Hierdoorishetmogelijk omsnelhedentot0km/htekunnendetecteren.Designalenwordenomgevormdnaarlusuitvoer.TrajecǦ toriënzijntheoretischwelmogelijk,maarisgeenvraagnaar.DaarnaastzijnxytǦwaardenaltijdrelatief vandecamerapositie.Daaromwordtdiefunctienietgebruikt. DeAIDmaaktgebruikvaneenLevelofService.Dezeisafhankelijkvandesnelheidenintensiteit.WanǦ neerdeintensiteitenhoogzijnendesnelhedenlaagzalersprakezijnvancongestie.EenstilstaandvoerǦ tuigzalindatgevalgeenongevalzijn.Echterbijhogesnelhedenincombinatiemeteenlageintensiteit zijnstilstaandevoertuigenwelmeteenvanbelangmetbetrekkingtotincidenten. Deweersfactorenzijneenprobleembijvideobeelden.Ophetmomentdatniksmeerzichtbaarisdaniser geendetectiemeermogelijk.Nieuwetypecamera’skunnenechterheelveelproblemengoedopvangen. Zoalsschaduwoverhetbeeldengroteverschilleninlichtintensiteit.MistisbijwideǦareatoepassingen een probleem, maar niet voor tellingen. ’s Nachts is er bij standaard openbare verlichting geen verschil tussendagennachttezienbijhetgebruikvaneenrecentecamera.Indienergeenverlichtingaanwezigis dan kunnen er wel tellingen plaats vinden maar zal de klasse indeling alleen maar het verschil kunnen makentussenvrachtwagenenpersonenwagen.BijdecamerakeuzeisdedynamicrangehetbelangrijkǦ ste. Eenprobleemtenopzichttevanlussenindeindelingvanvoertuigklassen.DitisveellastigerdoordeoptiǦ calerrorinhetbeeld. De setǦup van camera’s moet handmatig gebeuren. Een expert kan een systeem binnen twee minuten instellen.Belangrijkzijndegebruiktecamerainstellingen,zoalshettypelensensensor.DaarnaastmoeǦ tendezonesgedefinieerdwordenenermoeteenlinkgemaaktwordentussenbeeldenafstand.Wanneer erproblemenzijnkanmenookinbellennaardedetector(eigenIPǦadres)envanuitBelgiëdeinstellingen aanpassen. Algoritmen HetbeeldvandecamerakomtalsanaloogsignaalbijhetVIPǦboardaan.Hetbeeldwordtomgezetnaar eenmatrixmetdaarinallewaardenvandepixels. VaakwordteenalgoritmegebruiktdatkijktnaardeverschillenindevoorǦenachtergrond.Hetalgoritme wordtcontinuegetraind(adaptief).Alleparametersdiekunnenveranderenwordenhierinmeegenomen. Belangrijkzijndedetectiepercentagesenvalsealarmen.Afhankelijkvandeklant/toepassingkunnendeze indicatorenverschillen.Eenhoogdetectiepercentagekanleidentotveelvalsealarmenenandersom.Hier wordtookcontinueonderzoeknaargedaan.Laatstetijdisveelvooruitganggeboektbijomstandigheden metwindenregen/sneeuw.ZelfheeftmenookeenanalysesysteemwaarmeebepaaldwordtwaarfouǦ tenoptreden.Dooreeniteratiefproceskanmendealgoritmenautomatischbeterinstellen. IneenonderzoekvandeUniversiteitvanUtahin2004kwamTraficonalsbesteuitdebus.DenauwkeuǦ righeidwasinalleomstandighedenbovende95%.Nieuwerecamera’skunnenditpercentagenogverder verhogen. 



117

118



BlikophetWegennet

Toekomst BinnenTraficonismensteedsbezigmethetoptimaliserenvanhunproducten.20%vandeomzetwordt geïnvesteerd in nieuw onderzoek. Daarnaast is men bezig met een aantal nieuwe ontwikkelingen. Er wordtgewerktaaneenalgoritmevoorhetafscannenvanspitsstroken.Hiervoorzijnnieuwealgoritmen nodigomdathetgaatombewegendecamera’s.Eenanderetoepassingwordthetautomatischherkennen vanhetvervoervangevaarlijkestoffen.Ditzalwordengedaandoornummerindicatievandeoranjeplaten opvrachtwagens.Daarnaastzijnkruispuntenbelangrijk.Menwilmeerinzichtindeafwikkelingvanhet verkeerdoorhetstedelijkgebiedendaarvoorwilmenanalyserenwatdevertragingenzijnbijverkeersǦ lichten. Men wil graag samenwerken met onderzoeksinstituten zolang het de commerciële belangen niet in de wegkomttestaan. 

Computervision  Contactpersoon:

Dr.E.A.Hendriks TUDelftǦFaculteitElektrotechniek,WiskundeenInformatica AfdelingMediamatica

Inleiding DeheerHendriksiswerkzaamophetgebiedvancomputervisionenisgespecialiseerdingeometrische info uit stereobeelden te halen. Dit betekend dat beelden vanuit twee camerastandpunten met elkaar gecombineerdworden.Alsjeinformatiehebtoverdestandpuntenvandecamera’skanwordengezocht naarcorrespondentiesvanpuntenuitdewerkelijkheidmetpuntenuitdebeelden.Daarmeeworden3DǦ reconstructiesgemaakt.Indetweebeeldenwordtgezochtnaarpuntendiegelijkaanelkaarzijn.Doorde locatiesvandepuntenteverbindenmetdelocatievandecameraontstaansnijpuntenvantweelijnen,die resulterenineenpuntenwolk,ofteweleen3DǦobject.DezeinformatiewordtgebruiktomnieuwegezichtǦ puntentereconstrueren.IneenonderzoekvanmeneerHendriksheeftmendezetechniektoegepastvoor eenadaptiefvideoconferentiesysteem.Hetsysteempastzichaandekijkeraan.Normaalgesprokenzitje naareenplatvlaktekijken,maarhetliefstzoujehetvanuitjeeigengezichtspuntwillenzien.Doorde positievanjehoofdteregistrerenendeopnamesvantweecamera’s,wordteennieuwbeeldgemaakt.In demedischetoepassingenwordtookveelgedaan.Hetgaathiervooralomsegmentatieproblemen.BijǦ voorbeeldhartslagadersuithetbeeldextraherenendaarvervolgensmetingenaanverrichten.Eenander projectisgebarenherkenning.Datishetlerenvangebarenaandecomputer.Aandehandvangebaren richtingdecomputerkunnentoepassingenaangestuurdworden.Hiervoorishetnodigomeerstdehand inbeeldteherkennen,maardaarnaooktetrackendoorhetbeeldendekenmerkenvandehandteverǦ bindenaangebaren.EneenanderonderzoeksgebiedispersoonsdetectieenobjectherkenningvoorbijǦ voorbeeldsurveillancetoepassingen. Wisselendeomstandighedenverkeersmonitoring Videobeeldenzijnzeergoedbruikbaaromverkeertedetecteren.Debeeldenbijmedischetoepassingen zijnvaakzeerslechtdoorveelruis.Grootverschilmetverkeerzijndewisselendeomstandighedenwaarbij gedetecteerd moet worden. Niet zozeer heel snel veranderende omstandigheden, maar bijvoorbeeld kentekenherkenningmoetnietalleenoverdaggebeuren,maarook’savonds,metnoodweerofregen.Op ditgebiedwordtonderzoekgedaannaardemogelijkheidomdezesystemenadaptieftemaken.Datdoe jedooreenbewegingschattingtemaken.Desimpelstemanieristweebeeldenvanelkaaraftrekken.Je hebteenachtergrondbeeldenwanneereennieuwbeeldjebinnenkomttrekjedaardeachtergrondvanaf. Dieachtergrondverandertindeloopvandetijd.GeprobeerdwordtomdieachtergrondadaptieftemaǦ  



Bijlagen

ken.Elkemetinggebruikjeomvasttestellenofdeachtergrondveranderdis.HiervoorwordenmodelleǦ tjesgebouwd.Endathelptenigszins.Perfectgaathetnietlukken,omdatjenooitvantevorenweetwater gaat veranderen. Een aantal aannames moeten daarvoor gemaakt worden. Eén van de aannames die vaakwordtgemaaktis,dathetgrootstedeelvanhetbeelddatjezietachtergrondis.MetdatgrotegeǦ biedwordthetsysteemaangepast. Eenanderprobleemkaneenwolkvoordezonzijn.JebelichtingzalveranderenenmisschienookdeauǦ tomatischeinstellingenvanjecamera.GedeeltendieeerstinhetenegrijswaardengebiedlagenverschuiǦ vennunaareenandergebied.Hetissteedsmetenenjesysteemveranderen,eencameradiezijninstelǦ lingenaanpastdoeteigenlijkniksanders.HijmeethetgemiddeldeoverhetbeeldenwanneerhettedonǦ kerwordtzehijdelensopeningverderopen. Schaduwisooknogaltijdeenprobleemwaaronderzoeknaargedaanwordt.Deachterliggendegedachte bijbewegendeobjecten,dieeigenlijkiedereengebruikt,isdatjehetobjectsamenmetdeschaduwdeǦ tecteert.Alleendeschaduwheeftandereeigenschappenalshetobjectzelf.Eenheelbelangrijkkenmerk isdatschaduweigenlijkniksandersisalsdeachtergrondalleendandonkerder.Erbestaatduseenhele sterkerelatietussenschaduwenachtergrondenvoorhettevolgenobjectisergeenrelatie.Afhankelijk van de omstandigheden is deze methode nauwkeurig. Alleen als je alle omstandigheden tegelijkertijd krijgtzijnproblementeverwachten.Maaroverhetalgemeenisschaduwgoedtefilterenuiteenbeeld. Kwaliteitvandebeelden Resolutie heb je zowel in tijd als in het aantal pixels. Beide zijn belangrijk. Ligt aan de nauwkeurigheid waarmee je wilt meten. Wanneer je kentekens wilherkennen heb je een resolutie nodig waarop kenteǦ kenszichtbaarzijn.AlsjealleenmaarwiltwetenwelofgeenautozoujeinhetalgemeeneenlagereresoǦ lutiekunnengebruiken.Eenresolutievan640x480zoudaarvoorvoldoendezijn.Bijkentekenherkenning hebjeeenhogereresolutienodignormaalgesproken.ErzijnechterooksystemendieeenvoertuigherǦ kennenendaninzoomenopdekentekenplaat. Hetcamerastandpuntheeftconsequenties.Vanbovenafherkenjeeenaantaldingennietzogoedmeer, hetzelfdegeldtvoorzijwaarts.Hetliefstezoujewatverderwillenkijken,dushetbesteisomtecombineǦ renomverschillendeinformatiebronnentehebben.DeenebronkanobjectendetecterenterwijldeandeǦ rebronspecifiekereinformatiekanleveren,zoalskentekensofhetaantalpassagiers. Algoritmen Hetbasisprincipevanalgoritmenisbewegingsdetectie.Plusjewiltgraagwetenwaarjenaarkijkt.WanǦ neerjehelemaalnietweetwaarjenaaraanhetkijkenbentwordthetlastig.Jeprobeertdaaromzoveel mogelijkvoorkennistegebruiken.Ophetmomentdatjenaarauto’saanhetkijkenbentkanjeeenmoǦ delletjegebruiken.EenautoheeftbepaaldeafmetingenisnooitgroterofkleinerdaneenbepaaldeafmeǦ ting.Ditsoortkenniskanjegebruikenomeenselectietemaken.DaarnaastmaakjeeenbewegingsmoǦ del.Auto’szullenzichnormaalgesprokenrechtlijnigbewegenennietnaastderijbaankomen. Ineersteinstantiegajegewoonobjectendetecterendiebewegen.Hetbesteisdooreenadaptiefmodel. Je hebt een soort standaard methode dat is de StaufferǦGrimson methode. Wat deze methode doet is voorelkepixeleensoortmodelletjemakenendaaropbaseertofdepixeltotdevoorgrondofachtergrond behoort.Eenstandaardachtergrondpixelwaarbijniksgebeurdheefteenstandaardvastewaarde,maarin werkelijkheid zit er altijd wel ruis op. Dat betekent dat de pixel schommelt om die vaste waarde. Men gebruiktdaaropvaakeengaussiaanseverdelingomdegemiddeldewaardeheen.Overdetijdgenomenis datdebelangrijkstewaarde.Afentoekomteenobjectdoorhetbeeldendieheeftlokaalookeeneigen gaussiaanseverdeling.Vanelkepixelisduszo’nmodelletjetemaken.Endangajekijkenhoedatmodel het beste fit, in een achtergrond of voorgrond. Je legt dan een drempelwaarde neer om uiteindelijk te bepalenofheteenvoorǦofachtergrondpixelis.Danmoetjepixelsbijelkaargaannemen,wantaaneen





119

120



BlikophetWegennet

enkele pixel heb je niks. Dan ontstaan groepen met pixels, blobs. Deze methode kan erg snel verwerkt worden,maaristeverbeterendoorgebruiktemakenvanhettrackingprincipe.Jedoeteenvoorspelling waarhetobjectzichnaartoebeweegtenindatgebiedgajeuitgebreidzoeken.Daarzijntegenwoordig statistischetechniekenvoor,bijvoorbeeldhetparticlefilter.Datisniksandersdaneenverdelingmaken van waarschijnlijkheden op basis van voorspellingen en dingen die je gemeten hebt. Op basis van die voorspellingengajealleenopdiedingenzoekendiehetmeestwaarschijnlijkzijn.Enaandehandvandie metingenwordtweereennieuwevoorspellinggemaaktenzovoort.EnhiermeekomjevoorditsoorttoeǦ passingeninrealǦtimeterecht.Jekandangeen1000bij2000pixelsaanop60Hertz.Rekenkrachtgaat gewoonlineairmethetaantalpixels.Maarhetzojuistgenoemdewerktalgoedbijbeeldenvan640x480. Kwaliteitalgoritmen Nauwkeurigheidvaneensysteemisaantedrukkenintweetermen.Precisionisvanhetaantaldingendat jehebtgemetenerhoeveelgoedzijnenRecallishoeveelprocentvandevoorbijgekomenobjectenzijn gedetecteerd. Het beste systeem heeft beide waarden zo hoog mogelijk. De kwaliteit van je detectie hangtheelsterkafvandeomstandighedenenwatjewiltmeten.Ondergoedeomstandighedenkomje bijalleenaangevenwelofgeenautohooginde90%uit.EenalgemeneuitspraakdurftdeheerHendriks niettegeven. Vaakmaaktmeneentestsetaan,omtecontrolerenhoegoedeensysteemmetdeomstandighedenkan omgaan.Allereerstwordtdaneenalgoritmeallesaangeleerdzonderdetestset.Waarnaopdetestsethet algoritmewordtgebruiktomtebepalenhoenauwkeurighetalgoritmeis.Hetbestewatmenkandoenis eendatabasemakenvandevariabelendiegemetenmoetenwordenenmetwelkenauwkeurigheid.En aandehanddaarvanmoeteenalgoritmewordenontwikkeldofvandeplankwordengetrokken.DiealgoǦ ritmenwordenvergelekenopeentestsetendaniseenafweginginnauwkeurigheidtemaken. Staatvandetechniek OpditmomentiseenredelijksysteemtebouwendiebijvoorbeeldvoorfilebeveiligingingezetkanworǦ den.Welhangthiereenprijskaartjeaan.Aandeenekantdekostenvoordeapparatuurenaandeandere kant de ontwikkelkosten. Deze systemen zijn op dit moment redelijk eenvoudig te ontwikkelen. SysteǦ menmeteenhogenauwkeurigheidbijvoorbeeldhetherkennenvankentekenplaatzijnnietstandǦalone meteenhogenauwkeurigheidteontwikkelenopditmoment.Tenzijjeeenoperatorlaatmeekijken,diein bepaaldesituatieskaningrijpen. Toekomstverwachtingen Deverwachtingvoordetoekomstisdatdetechniekhardvooruitzalgaan.Daarzijneenaantalredenen voor.Teneerstewordtdekwaliteitvandecamerasteedsbeter.Zewordensnellerenkunneneenhogere resolutieaan.Daarnaastwordtdekwaliteitvandecomputerssteedsbeter.Entenderdeisereengrote onderzoeksgroep bezig op computer vision. Niet alleen op het gebied van voertuigen, maar vooral op ander gebieden en dat versterkt elkaar alleen maar. De context is vaak verschillend, maar uiteindelijk komendezelfdeproblemenoveralterug.Uiteindelijkishetmenselijkoogvelemalenbeteralswatinde komende40Ǧ50jaarbereiktkanworden. Dekostenvancamera’sgaansteedsverderomlaag.Daaromwordthetmogelijkdatgeenwatjevroeger metééncameradeed,numetmeerderecamera’stedoen.DaarnaastishetdoordetoegenomenrekenǦ kracht,dievaakrechtstreeksindecamera’singebakkenwordt,geenprobleemmeerommeerderebeeldǦ stromenteverwerken.Enmeermetenismeerweten. Vanlosseonderdelennaarproduct Desensorisergbelangrijk,wantalleswatjedaarmistisnietmeerteherstellen.Maardiesensorisniet perfectdusdevolgendestapishetverwijderenvanruis.Daarnaisdesegmentatiefasewordtgewerktop kleurinformatieofbewegingsinformatie.Enhetliefstwiljebeidecombineren.DankrijgjeeenbeschrijǦ vingvandeobjecten,wantjeweetnoghelemaalniksvandeobjecten.Devolgendestapishetmetenvan  

Bijlagen



kenmerken(vorm,kleur,structuur,hoekpunten).IneersteinstantiegebruikjedekenmerkenomeenleerǦ procesintegaan.Inhetleerprocesgajeauto’sbekijkenendeonderscheidendekenmerkeneruithalen. Omdatjeweetwaarnajewiltkijkenisditdebestemethodeomtetrainen.Danbenjeeigenlijkklaarware hetnietdathetrealǦtimemoetgebeuren.Daarvoorzijnoptimalisatiemethodennodig.Tussenkwaliteit en performance moeten altijd keuzes gemaakt worden,want het is een soort uitruil tussen elkaar.Hoe vaker je gegevens wilt hebben hoe slechter de nauwkeurigheid gaat worden. In dat geval moet je misǦ schienmeercamera’sneerzetten. Het allerbelangrijkste is van tevoren nadenken wat je ermee wilt bereiken. Een programma van eisen opstellen.DevolgendestapisrondkijkenwatopditmomentstateǦofǦtheǦartis.EndaarnaishetbelangǦ rijkomeengoedetestomgevingtemakenbijvoorbeeldbijhettestcentrum. 







121

122



BlikophetWegennet

V.

Tabellenresultatenalgoritmen



TNOdataset  Tabel21ResultatenAIDinstellingengedeelteTNOdata Aanlus

Uitlus

TotaalSec Aan

AanTraject

UitTraject

Totaal Traject

AantalSec eerder

AanDichtǦ heid

UitDichtǦ heid

Totaal Dichtheid

AantalSec eerder

AanPCA

UitPCA

TotaalPCA

AantalSec eerder

Ǧ

Ǧ

Ǧ

2503

2510

7

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2521

2535

14

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2537

2549

12

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2559

2565

6

2559

2577

18

0

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2603

2620

17

2590

2599

9

13

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2621

2633

12

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2635

2652

17

2635

2647

12

0

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2650

2665

15

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2691

2712

21

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2717

2724

7

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2742

2747

5

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2780

2791

11

2785

2793

8

Ǧ5

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2823

2832

9

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2837

2848

11

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2890

2899

9

2874

2897

23

16

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2946

2952

6

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2958

2963

5

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

2998

3009

11

2997

3006

9

1

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3038

3044

6

3035

3040

5

3

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3083

3101

18

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3104

3124

20

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3130

3148

18

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3161

3192

31

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3197

3212

15

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3250

3260

10

3243

3274

31

7

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3293

3304

11

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

3354

3425

71

3334

*

*

20

3355

*

*

Ǧ1

3353

*

*

1

Ǧ

Ǧ

Ǧ

*

*

*

*

*

*

*

*

*

*

*

*

3438

3457

19

*

*

205

*

*

3489

134

*

*

*

*

*

Ǧ

Ǧ

Ǧ

*

3539

*

*

3533

*

*

*

*

*

*

*

Ǧ

Ǧ

Ǧ

3548

3588

40

Ǧ

*

*

*

*

*

*

*

*

Ǧ

Ǧ

Ǧ

3594

3603

9

Ǧ

*

*

*

*

*

*

*

*

Ǧ

Ǧ

Ǧ

3617

3627

10

Ǧ

*

*

*

*

*

*

*

*

Ǧ

Ǧ

Ǧ

3634

3643

9

Ǧ

*

3644

111

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

3648

3681

33

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

3717

3747

30

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

 

Bijlagen



Ǧ

Ǧ

Ǧ

3773

3808

35

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

3915

3999

84

3811

*

*

104

3802

*

*

113

*

*

*

*

4004

4048

44

*

4065

254

*

*

*

*

*

*

*

*

*

Ǧ

Ǧ

Ǧ

4078

4133

55

Ǧ

*

4092

290

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

4139

4169

30

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

4173

4184

11

4172

4180

8

1

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

4199

4208

9

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

4268

4280

12

4250

4285

35

18

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

4294

4311

17

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

4342

4355

13

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

4388

4440

52

4368

*

*

20

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

4469

4588

119

*

4623

255

*

4482

*

*

Ǧ13

*

*

*

*

Ǧ

Ǧ

Ǧ

4660

4681

21

Ǧ

*

*

*

*

*

*

*

*

Ǧ

Ǧ

Ǧ

4685

4733

48

Ǧ

*

*

*

*

*

*

*

*

4840

4925

85

4746

5000

254

94

*

5000

518

*

*

5000

1647

*































10000

10670

670

10000

10666

666

0

10000

10216

216

0

10000

*

*

0

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

10237

10453

216

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

10703

10724

21

Ǧ

10473

10706

233

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

Ǧ

Ǧ

Ǧ

10923

10937

14

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

11062

11192

130

11020

*

*

42

11029

11192

163

33

*

*

*

*

11312

11533

221

*

*

*

292

11332

11536

204

Ǧ20

*

*

*

*

11603

12096

493

*

12097

1077

583

11626

12111

485

Ǧ23

*

*

*

*

12308

12785

477

12227

12788

561

81

12183

12800

617

125

*

*

*

*

12839

13068

229

12846

13075

229

Ǧ7

12875

12925

50

Ǧ36

*

*

*

*

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

12939

13116

177

Ǧ

*

*

*

*

13164

13470

306

13211

13473

262

Ǧ47

13225

13476

251

Ǧ61

*

*

*

*

13538

13916

378

13532

13957

425

6

13529

13865

336

9

*

*

*

*

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

*

*

*

*

14128

14203

75

14083

14205

122

45

14121

14245

124

7

*

14250

4250

43

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14336

14387

51

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14402

14412

10

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14483

14488

5

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14514

14519

5

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14581

14594

13

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14633

14646

13

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14683

14699

16

14683

14689

6

0

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14740

14747

7

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14758

14770

12

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14822

14832

10

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14883

14891

8

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14970

14978

8

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

14994

15000

6

14993

14998

5

1

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ

Ǧ







123

124



BlikophetWegennet

NGSIMdataset  Tabel22OverzichtNGSIMresultatensnelheidTraject50m Aanlus

Uitlus

TotaalSec Aan

Aan50m

Uit50m

AandichtǦ heid50m

UitdichtǦ heid50m

TotaalSec aan

AantalSec eerder

AanPCA 50m

UitPCA50m

TotaalSec aan

AantalSec eerder

1513

1553

40

1510

1556

46

3

1517

1559

42

Ǧ4

1323

*

*

190



1695

1742

47

1678

1744

66

17

1721

1750

29

Ǧ26

*

1750

427

372

































400m

1392

1416

24

1378

1419

41

14

1350

*

*

42

1309

*

*

83



1510

1563

53

1501

1596

95

9

*

1566

216

160

*

*

*

201



1676

1750

74

1671

1750

79

5

1694

1749

55

Ǧ18

*

1750

441

367

AantalSec eerder TotaalSec aan

Locatie 300m

































500m

1378

1423

45

1357

1422

65

21

1353

*

*

25

1325

*

*

53



1500

1610

110

1482

1615

133

18

*

*

*

147

*

*

*

175



1659

1750

91

1653

1750

97

6

*

1750

397

306

*

1750

425

334

AandichtǦ heid100m

TotaalSec aan

UitPCA 100m

TotaalSec aan

AantalSec eerder

  Tabel23OverzichtNGSIMresultatensnelheidTraject100m Uitlus

TotaalSec Aan

Aan100m

Uit100m

TotaalSec aan

AantalSec eerder

AandichtǦ heid100m

AantalSec eerder

AanPCA 100m

1553

40

1509

1561

52

4

1526

*

*

Ǧ13

1306

*

*

207

1695

1742

47

1674

1746

72

21

*

1750

224

169

*

1750

444

389

































400m

1392

1416

24

1377

1424

47

15

1350

*

*

42

1218

*

*

174



1510

1563

53

1499

1603

104

11

*

*

*

160

*

*

*

292



1676

1750

74

1659

1750

91

17

*

1750

400

326

*

1750

532

458

































500m

1378

1423

45

1353

1422

69

25

1327

*

*

51

1223

*

*

155



1500

1610

110

1482

*

*

18

*

*

*

173

*

*

*

277



1659

1750

91

*

1750

268

177

*

1750

423

332

*

1750

527

436

Aanlus 1513



Locatie 300m







 

Bijlagen



Everdingendataset Tabel24OverzichtEverdingenresultatensnelheidTraject50m Uitlus

TotaalSec Aan

Aan50m

Uit50m

UitPCA50m

TotaalSec aan

AantalSec eerder

167

50

116

165

49

1

125

144

19

Ǧ8

118

*

*

Ǧ1



279

290

11

274

290

16

5

Ǧ

Ǧ

Ǧ

Ǧ

*

290

172

161

































400m

126

179

53

121

176

55

5

136

172

36

Ǧ10

126

290

164

0

































500m

143

199

56

133

200

67

10

145

185

40

Ǧ2

131

*

*

12



223

248

25

226

243

17

Ǧ3

230

241

11

Ǧ7

*

290

159

92

AanPCA 50m AantalSec eerder TotaalSec aan UitdichtǦ heid50m

Aanlus 117

AandichtǦ heid50m AantalSec eerder TotaalSec aan

Locatie 300m

  Tabel25OverzichtEverdingenresultatensnelheidTraject100m Aan100m

Uit100m

AandichtǦ heid100m

UitdichtǦ heid100m

AanPCA 100m

UitPCA 100m

AantalSec eerder TotaalSec aan

TotaalSec Aan

AantalSec eerder TotaalSec aan

Uitlus

AantalSec eerder TotaalSec aan

Aanlus



Locatie



300m

117

167

50

99

165

66

18

Ǧ

Ǧ

Ǧ

Ǧ

105

197

93

12



279

290

11

269

290

21

10

252

290

38

27

252

290

38

27

































400m

126

179

53

118

176

58

8

135

193

58

Ǧ9

126

*

*

0



Ǧ

Ǧ

Ǧ

282

290

8

Ǧ

218

267

49

Ǧ

*

290

164

Ǧ

































500m

143

199

56

126

204

78

17

129

202

73

14

128

*

*

15



223

248

25

226

243

17

Ǧ3

233

257

24

Ǧ10

*

290

162

95





125



BlikophetWegennet

VI.

Grafiekenresultatenalgoritmen Lokale Snelheid + AID Instelling TNO data 140

120

120

100

100

Snelheid (km/h)

Snelheid (km/h)

Lokale Snelheid + AID Instelling TNO data 140

80 60 40

80 60 40 20

20 0 2500

0 3000

3500 4000 Tijd (sec)

4500

5000

1

1.1

1.2

1.3

1.4

Tijd (sec)

Lokale snelheid rijbaan Afgevlakte lokale snelheid rijbaan AID instelling (35 = beeldstand [50] "aan")



Traject Snelheid + AID Instelling TNO data

1.5 4

x 10

Lokale snelheid rijbaan Afgevlakte lokale snelheid rijbaan AID instelling (35 = beeldstand [50] "aan")



Traject Snelheid + AID Instelling TNO data

140

150

100

Snelheid (km/h)

Snelheid (km/h)

120

80 60 40

100

50

20 0 2500

0 3000

3500 4000 Tijd (sec)

4500

5000

5 Versnelling (m/s2)

Versnelling (m/s2)

5

0

5000

120

120 Dichtheid (vrtg/km)

Dichtheid (vrtg/km)

1.2

1.3

1.4

80 60 40

1.5 4

x 10



Dichtheid + AID instelling TNO data 140

100 80 60 40 20 0

3000

3500 4000 Tijd (sec)

4500

5000

 6

4

4 PCA rating

6

2

1.3

1.4

0

-2

-2 -4 4500

PCA rating AID instelling (-2 = beeldstand [50] "aan")

5000

4

1

1.1

1.2

1.3

1.4

Tijd (sec)



1.5 x 10



2

0

Figuur58PlotsTNOdata

1.2

PCA Rating + AID instelling data TNO 8

3500 4000 Tijd (sec)

1.1

Dichtheid rijbaan Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")

8

3000

1

Tijd (sec)

PCA Rating + AID instelling data TNO



1.1



Dichtheid rijbaan Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")



1

140

100



Versnelling

20



4

Tijd (sec)

Dichtheid + AID instelling TNO data

1.5 x 10

-5

-10 4500

Versnelling

-4 2500

1.4

0

-5

0 2500

1.3

Versnelling rijbaan TNO data 10

3500 4000 Tijd (sec)

1.2



Versnelling rijbaan TNO data

3000

1.1

Traject snelheid rijbaan Afgevlakte traject snelheid rijbaan AID instelling (35 = beeldstand [50] "aan")

10

-10 2500

1

Tijd (sec)

Traject snelheid rijbaan Afgevlakte traject snelheid rijbaan AID instelling (35 = beeldstand [50] "aan")

PCA rating

126

PCA rating AID instelling (-2 = beeldstand [50] "aan")

1.5 4

x 10



Bijlagen



Afgevlakte Lokale Snelheid + AID Instelling NGSIM 300m 140

120

120

100

100

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling NGSIM 300m 140

80 60 40

80 60 40

20 0

20 900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan") Afgevlakte Traject Snelheid + AID Instelling NGSIM 300-400m

 140

120

120

100

100

60 40

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

0

1700

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600



1700



Gemiddelde Versnelling NGSIM 300-350m

0.2 Versnelling (m/s2)

Versnelling (m/s2)

1600

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

-0.2 -0.4 -0.6 -0.8

0 -0.2 -0.4 -0.6 -0.8

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

-1

1700

Versnelling

900

1000

120

120 Dichtheid (vrtg/km)

140

80 60 40

1200

1300 1400 Tijd (sec)

1500

1600

1700



Gemiddelde Dichtheid NGSIM 300-350m

140

100

1100

Versnelling



Gemiddelde Dichtheid NGSIM 300-400m

Dichtheid (vrtg/km)

900



0

100

20

80 60 40 20

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

0

1700

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")

900

6

6

4

4

PCA rating

8

0 -2

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700



PCA rating + AID instelling NGSIM data 300-350m

8

2

1000

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")



PCA rating + AID instelling NGSIM data 300-400m

PCA rating

1500

40

0.2

-4

1300 1400 Tijd (sec)

60

1700

Gemiddelde Versnelling NGSIM 300-400m

0

1200

20 900

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

-1

1100

80

20 0

1000

Afgevlakte Traject Snelheid + AID Instelling NGSIM 300-350m

140

80

900

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

Snelheid (km/h)

Snelheid (km/h)

0

1700

2 0 -2

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

PCA rating AID instelling (-2 = beeldstand [50] "aan")

Figuur59PlotsNGSIMdatalus300m 

-4

1700



900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

PCA rating AID instelling (-2 = beeldstand [50] "aan")

1700



 







127



BlikophetWegennet

100

50

0

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

100

50

0

1700

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan") Afgevlakte Traject Snelheid + AID Instelling NGSIM 400-500m

 140

120

120

100

100

60 40

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700



80 60 40

20 0

1000

Afgevlakte Traject Snelheid + AID Instelling NGSIM 400-450m

140

80

900

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling NGSIM 400m

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling NGSIM 400m

20

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

0

1700

900

1000

1100

1200

1300

1400

1500

1600

1700

Tijd (sec)

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")



Gemiddelde Versnelling NGSIM 400-500m



Gemiddelde Versnelling NGSIM 400-450m

0.2

0.2

0

0

Versnelling (m/s2)

Versnelling (m/s2)

0.4

-0.2 -0.4 -0.6 -0.8 -1

-0.4 -0.6 -0.8

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

-1

1700

Versnelling

Dichtheid (vrtg/km)

120

100 80 60 40

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

1500

1600

1700



80 60 40

0

1700

900

6

6

4

4

PCA rating

8

0 -2

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700



PCA rating + AID instelling NGSIM data 400-450m

8

2

1000

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")



PCA rating + AID instelling NGSIM data 400-500m

2 0 -2

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

PCA rating AID instelling (-2 = beeldstand [50] "aan")

Figuur60PlotsNGSIMdatalus400m 

 



1300 1400 Tijd (sec)

20

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")



1200

100

20



1100

Versnelling

120

-4

1000

Gemiddelde Dichtheid NGSIM 400-450m 140

0

900



Gemiddelde Dichtheid NGSIM 400-500m

Dichtheid (vrtg/km)

-0.2

140

PCA rating

128

-4

1700



900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

PCA rating AID instelling (-2 = beeldstand [50] "aan")

1700



Bijlagen



Afgevlakte Lokale Snelheid + AID Instelling NGSIM 500m 140

120

120

100

100

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling NGSIM 500m 140

80 60 40

80 60 40

20 0

20 900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan") Afgevlakte Traject Snelheid + AID Instelling NGSIM 500-600m

 140

120

120

100

100

60 40

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700



80 60 40

20 0

1000

Afgevlakte Traject Snelheid + AID Instelling NGSIM 500-550m

140

80

900

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

Snelheid (km/h)

Snelheid (km/h)

0

1700

20 900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

0

1700

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")

900

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700

Strook 1 (links) Strook 4 (midden) Strook 6 (rechts) AID Instelling (35 = beeldstand [50] "aan")



Gemiddelde Versnelling NGSIM 500-600m

1000



Gemiddelde Versnelling NGSIM 500-550m 0.4 0.2

0

Versnelling (m/s2)

Versnelling (m/s2)

0.2

-0.2 -0.4 -0.6 -0.8 -1

0 -0.2 -0.4 -0.6 -0.8

900

1000

1100

1200

1300

1400

1500

1600

-1

1700

900

1000

1100

1200

Tijd (sec) Versnelling

1500

1600

1700

Versnelling



Gemiddelde Dichtheid NGSIM 500-600m

1300 1400 Tijd (sec)



Gemiddelde Dichtheid NGSIM 500-550m

140

150 Dichtheid (vrtg/km)

Dichtheid (vrtg/km)

120 100 80 60 40

100

50

20 0

0 900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

1700

1100

1200

1300

1400

1500

1600

1700

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")



PCA rating + AID instelling NGSIM data 500-600m

8

6

6

4

4

2 0 -2



PCA rating + AID instelling NGSIM data 500-550m

8

PCA rating

PCA rating

1000

Tijd (sec)

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID instelling (100 = beeldstand [50] "aan")

-4

900

2 0 -2

900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

PCA rating AID instelling (-2 = beeldstand [50] "aan")

Figuur61PlotsNGSIMdatalus500m 

-4

1700



900

1000

1100

1200

1300 1400 Tijd (sec)

1500

1600

PCA rating AID instelling (-2 = beeldstand [50] "aan")

1700



 







129



BlikophetWegennet

Afgevlakte Lokale Snelheid + AID Instelling Everdingen 300m 140

120

120

100

100

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling Everdingen 300m 140

80 60 40

80 60 40

20 0

20 50

100

150 Tijd (sec)

200

Afgevlakte Traject Snelheid + AID Instelling Everdingen 300-200m

 140

120

120

100

100

60 40

100

150 Tijd (sec)

200

 1

0

-1 -1.5

250

120

120 Dichtheid (vrtg/km)

140

60 40

150 Tijd (sec)

200

250



100

20

80 60 40 20

50

100

150 Tijd (sec)

200

0

250

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan") PCA rating + AID instelling Everdingen 300-200m

 6

4

4

PCA rating

6

0

100

150 Tijd (sec)

200

250

PCA rating + AID instelling Everdingen 300-250m 8

2

50

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan")

8

-2



2 0 -2

50

100

150 Tijd (sec)

200

-4

250

PCA rating AID instelling (-2 = beeldstand [50] "aan")

Figuur62PlotsEverdingendatalus300m 



100

Gemiddelde Dichtheid Everdingen 300-250m

140

80

50

Versnelling



100



-1

-2 200

250

-1.5

-2.5

150 Tijd (sec)

200

0

-2 100

150 Tijd (sec)

-0.5

-2.5

50

100

Gemiddelde Versnelling Everdingen 300-250m

0.5

-0.5

50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

Versnelling (m/s2)

Versnelling (m/s2)

Dichtheid (vrtg/km)

0

1

Versnelling





40

0.5

Gemiddelde Dichtheid Everdingen 300-200m



250

60

250

Gemiddelde Versnelling Everdingen 300-200m

-4

200

20 50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

0

150 Tijd (sec)

80

20 0

100

Afgevlakte Traject Snelheid + AID Instelling Everdingen 300-250m

140

80

50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

Snelheid (km/h)

Snelheid (km/h)

0

250

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

PCA rating

130



50

100

150 Tijd (sec)

200

250

PCA rating AID instelling (-2 = beeldstand [50] "aan")



Bijlagen



Afgevlakte Lokale Snelheid + AID Instelling Everdingen 400m 140

120

120

100

100

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID Instelling Everdingen 400m 140

80 60 40

80 60 40

20 0

20 50

100

150 Tijd (sec)

200

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan") Afgevlakte Traject Snelheid + AID Instelling Everdingen 400-300m

 140

120

120

100

100

60 40

100

150 Tijd (sec)

200

1

1 0.5

-1 -1.5

250

Versnelling

120

120 Dichtheid (vrtg/km)

140

60 40

100

150 Tijd (sec)

200

250



Gemiddelde Dichtheid Everdingen 400-350m

140

80

50

Versnelling



100



-1

-2 200

250

-1.5

-2.5

150 Tijd (sec)

200

0

-2 100

150 Tijd (sec)

-0.5

-2.5

50

100

Gemiddelde Versnelling Everdingen 400-350m

Versnelling (m/s2)

Versnelling (m/s2)



0

50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

0.5

Gemiddelde Dichtheid Everdingen 400-300m

Dichtheid (vrtg/km)



40

0

-0.5

100

20

80 60 40 20

50

100

150 Tijd (sec)

200

0

250

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan") PCA rating + AID instelling Everdingen 400-300m

 8

6

6

4

4

0 -2

100

150 Tijd (sec)

200

250

PCA rating + AID instelling Everdingen 400-350m

8

2

50

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan")

PCA rating

PCA rating

250

60

250

Gemiddelde Versnelling Everdingen 400-300m

-4

200

20 50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

0

150 Tijd (sec)

80

20 0

100

Afgevlakte Traject Snelheid + AID Instelling Everdingen 400-350m

140

80

50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

Snelheid (km/h)

Snelheid (km/h)

0

250



2 0 -2

50

100

150 Tijd (sec)

200

-4

250

PCA rating AID instelling (-2 = beeldstand [50] "aan")

Figuur63PlotsEverdingendatalus400m 



50

100

150 Tijd (sec)

200

250

PCA rating AID instelling (-2 = beeldstand [50] "aan")



  





131



BlikophetWegennet

Afgevlakte Lokale Snelheid + AID instelling Everdingen 500m 140

120

120

100

100

Snelheid (km/h)

Snelheid (km/h)

Afgevlakte Lokale Snelheid + AID instelling Everdingen 500m 140

80 60 40

80 60 40

20 0

20 50

100

150 Tijd (sec)

200

Afgevlakte Traject Snelheid + AID Instelling Everdingen 500-400m

 140

120

120

100

100

60 40

150 Tijd (sec)

200

1

1 0.5

0

-1 -1.5

250

120

120 Dichtheid (vrtg/km)

140

60 40

150 Tijd (sec)

200

250



100

20

80 60 40 20

50

100

150 Tijd (sec)

200

0

250

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan") PCA rating + AID instelling Everdingen 500-400m

 6

4

4

PCA rating

6

0

100

150 Tijd (sec)

200

250

PCA rating + AID instelling Everdingen 500-450m 8

2

50

Gemiddelde dichtheid Voortschrijdend gemiddelde (10) AID Instelling Dichtheid (100 = beeldstand [50] "aan")

8

-2



2 0 -2

50

100

150 Tijd (sec)

200

-4

250

PCA rating AID instelling (-2 = beeldstand [50] "aan")

Figuur64PlotsEverdingendatalus500m 





100

Gemiddelde Dichtheid Everdingen 500-450m

140

80

50

Versnelling



100



-1

-2 200

250

-1.5

-2.5

150 Tijd (sec)

200

0

-2 100

150 Tijd (sec)

-0.5

-2.5

50

100

Gemiddelde Versnelling Everdingen 500-450m

Versnelling (m/s2)

Versnelling (m/s2) Dichtheid (vrtg/km)



-0.5

50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

0.5

Versnelling





40

250

Gemiddelde Dichtheid Everdingen 500-400m



250

60

0 100

Gemiddelde Versnelling Everdingen 500-400m

-4

200

20 50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

0

150 Tijd (sec)

80

20 0

100

Afgevlakte Traject Snelheid + AID Instelling Everdingen 500-450m

140

80

50

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

Snelheid (km/h)

Snelheid (km/h)

0

250

Strook 1 Strook 2 Strook 3 AID Instelling (35 = beeldstand [50] "aan")

PCA rating

132



50

100

150 Tijd (sec)

200

250

PCA rating AID instelling (-2 = beeldstand [50] "aan")



Bijlagen



PCA (Snelheid - Dichtheid - Versnelling) TNO data 6 5 4

PCA Rating

3 2 1 0 -1 -2 -3 -4 1000

1500

2000

2500

3000 3500 Tijd (sec)

4000

4500

5000

5500



Figuur65PCATrajectsnelheidǦDichtheidǦVersnelling PCA (Snelheid - Dichtheid) TNO data 6 5 4

PCA Rating

3 2 1 0 -1 -2 -3 -4 1000

1500

2000

2500

3000 3500 Tijd (sec)

4000

4500

5000

5500



Figuur66PCATrajectsnelheidǦDichtheid PCA (Snelheid - Versnelling) TNO data 6 5 4

PCA Rating

3 2 1 0 -1 -2 -3 -4 1000

1500

2000

Figuur67PCATrajectSnelheidǦVersnelling

2500

3000 3500 Tijd (sec)

4000

4500

5000

5500









133



Bliko ophetW Wegennett M Mogelijkhedenvan videom monitoringin nNederland d

N.S.vvandenBossch Ringw wegRandenbroek65C 3816C CEAmersfo oort 06Ǧ107745435 niels@ @vanǦdenǦb bosch.com