JPH04259100A - 交通渋滞度計測方法及び装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は交通渋滞の判定方法及び
装置に関し、特に道路の状態をＡＩコンピュターに入力
して渋滞度を求める方法及び装置に関する。

【０００２】

【従来の技術】従来から交通量の大きい道路の各地点に
車両感知器を備え、各車両感知器から中央の演算装置に
車両感知出力を送出して各地点ごとの渋滞状況を判定し
ていた。この場合、渋滞判定は占有率（時間占有率）に
基づいて行われるのが普通であるが、占有率が大きくて
も交通量もそれに伴って大きい場合があり、占有率が大
きいだけでは一概に渋滞とはいえない。そこで、これを
解決するために、特開昭５５−１３４７２号　「交通渋
滞判定方法」に記載の方法は、占有率と交通量を求めて
上記問題点を解決したものである。

【０００３】

【発明が解決しようとする課題】しかしながら、上記方
法は渋滞しているかしていないかを判断するだけである
ため、どの程度の渋滞なのかを区別することが出来ない
問題がある。即ち、渋滞を例えば１０段階のレベルに分
けたいと思ってもこれを実現することは困難である。

【０００４】また、上記従来方法は車両を車両感知器で
検出し占有率、交通量を計測するものであるが、最近で
は道路をテレビカメラで撮影し、占有率、交通量を求め
る画像処理型交通流計測システムが開発されつつある（
例えば、特開昭６３−２５９７９８号など）。この場合
道路に対して俯瞰撮影しているため、渋滞時には車両が
重なって見えるために正確な交通量、占有率を求めるこ
とが出来ないため、渋滞判定には適していなかった。

【０００５】

【課題を解決するための手段】渋滞を数段階に判定する
（以下渋滞度と称す）ために問題となることは、渋滞度
そのものがあいまいなデータであるため、道路の状態変
数（例えば、交通量、平均速度など）と渋滞度の関係を
どのように定義するかが困難なことにある。すなわち、
渋滞度はその場所ごとに道路の状況が異なるため、同じ
状態変数でも渋滞度が異なってしまい、一意に関係式を
導けない。また、同じ状態変数でも、道路管理者が変わ
ると渋滞度の評価も変わってしまい適正に判断すること
が困難である。そこで、道路の状態変数を求め、これを
ニューラルネットワークのようなあいまいデータを処理
するのに都合のよいシステムで学習することにより道路
の状態変数と渋滞度の関係を求めるようにしてこの問題
を解決するものである。

【０００６】また、本発明の他の目的はテレビカメラで
計測することは車両感知器に比べ都市の美観を損なわな
い、複数の車線を１台のカメラで計測できるなどのメリ
ットがあるため、画像処理型で細かい渋滞判定が可能な
システムを構築することにある。

【０００７】

【作用】道路の状態をマクロに捕らえ、状態変数を少な
くとも交通量に関するものと、移動速度に関するものを
求め、これらの状態変数を多層ニューラルネットワーク
に入力するとともに、その状態変数のときの渋滞度を教
師データとして与え学習することで状態変数と渋滞度の
関係を求めるようにしたものである。

【０００８】

【実施例】（実施例１）以下、本発明の一実施例を図を
用いて説明する。

【０００９】道路を俯瞰撮影し交通渋滞度を計測するシ
ステム構成を図１に示す。１はテレビカメラであり、そ
の出力が画像処理部１０に入力される。画像処理部１０
は図２のようにテレビカメラ１からの映像信号をディジ
タル化するＡ／Ｄ変換器１１と、この出力を格納する画
像メモリ１２（この画像メモリは濃淡画像メモリと２値
画像メモリの２種類を持っている）と、この画像メモリ
１２の内容に対し輪郭を強調する微分回路１３、２画像
間での差分処理などを行う画像間演算回路１４、濃淡画
像をある所定のしきい値で２値化処理する２値化回路１
５、２値画像の面積を計測する面積計測回路１６を備え
る。これらの要素は全てＣＰＵ２で制御される。

【００１０】道路の状態変数を求めるためには、従来例
では車の通過台数や占有率、平均速度などを求めること
が実施されていたが、渋滞した場合は車両が重なってし
まうため、これらの計測精度が低下する。このため状態
変数として用いることが出来るのは非渋滞時あるいは渋
滞時でも絶対に車両が重ならないようにカメラを高所に
設置できる場合のみである。この様なシステム構成は非
現実的なので、図３に示すように得られた画像に対し車
両が重なっている状態でも道路の状態をある程度把握で
きるようにマクロに計測する。即ち、渋滞度は車の通行
量と車の走行速度によってほぼ定まるが、交通量は単位
時間当たりの交通量を計測するのでなく、観察している
道路領域にどの程度の車が存在しているかをマクロに捉
えるようにする。

【００１１】図３が交通量に関する状態変数の求め方で
あるが、入力画像を微分処理し、この微分画像をある所
定のしきい値で２値化して得られる２値画像の面積を求
める。この面積は車の台数に比例した量となるが、渋滞
が生じて車の重なりが多くなっても正確な台数を求める
のではないため、十分道路の交通量の状態を表すことが
出来る。

【００１２】また、走行速度に関する状態変数は、個別
の車両の走行速度を求めるのではなく図４に示すように
入力画像とある時間経過した入力画像との差分から求め
る。走行速度が速ければ車の前後に差分値が大きい領域
が多くなるが、遅ければ差分値が大きい領域は少なくな
る。したがって、差分画像をある所定のしきい値で２値
化して得られる２値画像の面積を求め、これを走行速度
に関する状態変数として用いる。

【００１３】図５はこれらの状態変数をある交差点で求
めたものであるが、実線が交通量に関する状態変数、破
線が移動量に関する状態変数である。信号機が赤になる
と停止線付近に車が停車するため速度に関する状態変数
は小さくなり、交通量に関する状態変数は徐々に大きく
なる。また信号が青に変わると徐々に速度に関する状態
変数が大きくなり、停止線に停車していた車が通過して
しまうと交通量に関する状態変数が一時的に低下し、そ
の後、後続車両によって再び増加してくる。このように
、前記２つの状態変数は車の走行状態をよく捉えている
ことが分かる。したがって、この２つの状態変数から渋
滞度を渋滞判定処理部２６で判定する。このとき、状態
変数とそのときの渋滞度を実際に計測してマップを作成
し、状態変数と渋滞度の関係を求めればよい。すなわち
、図１７のように、前記交通量計測手段および移動量計
測手段で求めた道路の交通量に関する状態変数を直交座
標のＸ成分およびＹ成分に割当て、前記直交座標上の分
布状態に応じて前記直交座標上に渋滞、非渋滞領域を区
分する境界を定めて、計測した状態変数の値が示す前記
直交座標上の位置と前記境界との関係にもとづき渋滞を
判定することができる。

【００１４】しかしながら、状態変数と渋滞度の関係は
必ずしも線形的に決定出来ない場合もある。このため、
マップ方式では、関係を一意に表すことが困難な場合が
ある。

【００１５】そこで、これを解決するために図１の渋滞
判定処理部２６を、最近注目を集めているニューロコン
ピュータとし、これを用いて渋滞度を判定し出力するよ
うに構成した。図６にニューロコンピュータ２７の構成
を示す。

【００１６】ニューロコンピュータ２７はニューラルネ
ットワーク２８、入力切り替え部２９、学習機構３１か
ら構成されている。また、学習機構３１は学習時の各要
素を制御する学習制御機構３２，入力信号発生機構３４
，教師信号発生機構３５，ニューラルネットワークの荷
重を変更するパラメータ変更機構３３，ニューラルネッ
トワーク２８の出力と教師信号発生機構３５からの教師
信号との突き合わせを行う突き合わせ部４０から構成さ
れている。ここで用いるニューラルネットワーク２８は
、図７のように入力層４０，中間層４１，出力層４２か
ら構成されるＲｕｍｅｌｈａｒｔ　型ニューラルネット
ワークで、各層のニューロン３６の出力は自層内でフィ
ードバックが無く、入力層４０から出力層４２へ向かう
フィードフォワード的に情報が伝達される構成となって
いる。 なお、中間層４１の層数が複数の場合もある。

【００１７】このニューロコンピュータ２７を用いると
きの動作について以下説明する。

【００１８】（１）想起処理 想起処理は入力データから出力データを求める処理であ
る。図８にニューラルネットワーク２８を構成するニュ
ーロン３６の構成を示す。ニューロン３６の入力信号ｘ
（ｉ）は荷重の値ｗ（ｉ）が乗算され３８、加算器にお
いてニューロンの入力された入力信号ｘ（ｉ）と荷重の
値ｗ（ｉ）の積が加算される（積和演算）３９。そして
、積和演算した結果は関数変換器３９に入力される。関
数変換器ではＳＩＧＭＯＩＤ　関数のような連続微分可
能な関数変換を行い、関数変換後のデータがニューロン
３６から出力される。

【００１９】図８におけるニューロン３６を簡素化して
表すと図９のようになり、信号の流れは入力から出力の
方向へ流れる。

【００２０】図７において具体的な動作は、複数のニュ
ーロンから構成される入力層４０にデータを入力する。 入力層４０のニューロン３６の出力は複数のニューロン
３６から構成される中間層４１に前記積和演算を経て入
力され、中間層４１のニューロン３６の出力は同様に出
力層４２のニューロン３６の入力となり、出力層４２の
ニューロン３６の出力がニューラルネットワーク２８の
最終出力となる。なお、ニューラルネットワーク２８が
未学習の時はニューロン３６の荷重ｗ（ｉ）は不定であ
るため、入力層４０に入力されたデータに対し、出力層
４２の出力は不定となる。このため、学習を行い荷重を
最適にする必要がある。以下、ニューロン３６の荷重を
決定する学習方法について簡単に説明する。

【００２１】（２）学習処理 学習処理はニューラルネットワーク２８を構成するニュ
ーロン３６の荷重ｗ（ｉ）を決定する処理である。

【００２２】ニューラルネットワーク２８が未学習の時
はニューロン３６の荷重ｗ（ｉ）は不定であり、通常は
乱数で与えている。その結果、入力層４０に入力された
データに対し、出力層４２の出力は不定となる。このた
め、学習を行い荷重を最適化する必要がある。この荷重
ｗ（ｉ）を決める方法としては、例えば「電子情報通信
学会誌」第７１巻、１１号、第１２４１から１２４７頁
に記載されている「ニューロンの可能性」と言う論文の
第２節「誤差逆伝搬学習法」に詳細に述べられている。

【００２３】図１０を用いてその動作を簡単に説明する
。あらかじめ、ニューラルネットワーク２８の入力層４
０に入力するデータと、そのデータに対して出力層４２
から出力させたいデータの対を計測しておく。そして、
入力信号発生機構３４からその内の１つのデータを入力
層４０に入力し（学習時はニューラルネットワークの入
力データは、入力切り替え部２９で入力信号発生機構３
４からのデータを入力する）、前記想起処理を行う。一
方、その入力データに対応した出力させたいデータ４７
を、教師信号発生機構３５から発生させ突合せ部４０に
入力する。突合せ部４０では、教師信号４７とニューラ
ルネットワーク２８の出力４５との差が減少方向に向か
うように出力層４２の荷重を変える。出力層４２の荷重
を変更後、同様に中間層４１の荷重を変更する。 具体的には、予め、道路の状態変数と渋滞度を色々な時
間帯に於いて計測しておき、この中から１つの状態変数
を選びこれを入力層４０に入力する。このときの渋滞度
（教師データ）をＫとすると、未学習のときは出力層４
２の出力はＫとはならないため、この出力値と教師デー
タ（期待値）Ｋとの差を小さくするように出力層４２，
中間層４１の荷重を変更する。この操作を色々なデータ
で繰返し学習することによって、ある状態変数を入力す
るとそのデータに見合った出力（渋滞度）が得られるよ
うになる。学習していないパターンについては学習して
いるパターンで補間（内挿）するような出力が得られる
。

【００２４】以上の操作（学習）を行うことで、道路の
状態変数と渋滞度の関係を明確にすることが可能となる
。

【００２５】（３）具体的渋滞判定方法具体的渋滞判定
方法は、まず、図１のようにテレビカメラで道路を俯瞰
撮影し、この画像ｆ（ｔ）を画像処理装置に入力する。 画像処理装置では、図２および図３のように画像の微分
処理を行い、これをある所定のしきい値で２値化する。 この２値画像の面積を計測し交通量に関する状態変数と
する。更に、ある時間経過した画像ｆ（ｔ＋△ｔ）を入
力し先に入力した画像ｆ（ｔ）との間で差分を求める。 この差分画像に対しある所定のしきい値で２値化処理し
同様に面積を計測し移動量に関する状態変数とする。こ
れら状態変数は例えば２０００，３０００といった値と
なるが、ニューラルネットワーク２８では入力データは
０から１の範囲となっているため、例えば、計測領域の
全面積で正規化し、状態変数を０から１の範囲にする。 そして、これを図１１のニューラルネットワーク２８の
入力層４０に入力し前記した想起処理を行う。本実施例
のネットワーク構成は入力層４０のニューロン２個，中
間層４１のニューロン３個，出力層４２のニューロン１
個である（中間層のニューロン数は特に３個でなくても
よい）。学習するときは状態変数を与えたときの、その
時の渋滞度を教師データとして与え、想起結果との差を
減少するように荷重データを修正する。こうして出来上
がったネットワークは道路の状態変数と渋滞度の関係を
記憶しているため、前記状態変数をネットワークに入力
するだけで渋滞度を０から１の範囲で求めることが出来
る。

【００２６】交通量に関する状態変数は上記のほかに次
のようなものを採用することもできる。

【００２７】（１）入力画像を微分処理し、この微分画
像の平均濃度を用いる。

【００２８】（２）入力画像を微分処理し、この微分画
像の平均濃度、濃度の分散を用いる。

【００２９】（３）入力画像をある所定のしきい値で２
値化し、この２値画像の面積と周囲長を求め複雑度を求
める。

【００３０】（４）上記微分処理は道路の白線が強調さ
れないように、垂直方向（道路の方向）の微分処理とす
る。

【００３１】（５）画像処理でなく車両感知器によって
得られる単位時間当たりの交通量を用いる（ただし、広
域を監視出来ないためある地点の渋滞度しか計測出来な
い）。 （６）入力画像から車両を抽出し、抽出した車両がその
画像中に何台存在しているかあるいは単位時間当りに通
過した台数を用いる。または、占有率を用いる。ただし
、カメラを高所に設置する場合以外は、渋滞時に精度が
低下する。

【００３２】などがある。

【００３３】また、移動度に関する状態変数は上記のほ
かに次のようなものを採用することもできる。

【００３４】（１）時刻ｔの入力画像と時刻ｔ＋△ｔの
入力画像で画像間の差分をとり、この差分画像の平均濃
度を用いる。

【００３５】（２）時刻ｔの入力画像と時刻ｔ＋△ｔの
入力画像で画像間の差分をとり、この差分画像の平均濃
度、濃度の分散を用いる。

【００３６】（３）図１２のように時刻ｔの入力画像と
時刻ｔ＋△ｔの入力画像のそれぞれで道路の進行方向に
対して垂直方向の投影分布（濃度の累積または、それぞ
れの画像をある所定のしきい値で２値化したときの画素
の累積）を求める。この投影分布は△ｔが微小時間であ
れば２つの画像で相関があるため、この投影分布間のず
れ量を求めれば２画像での移動量を求めることが出来る
。このため、このずれ量を用いる。

【００３７】（４）画像処理でなく車両感知器によって
得られる単位時間当たりの平均走行速度を用いる（ただ
し、広域を監視出来ないためある地点の渋滞度しか計測
出来ない）。

【００３８】（５）入力画像から車両を抽出しその車両
の走行速度求め、複数台の車両の速度から単位時間当り
の平均速度を求めこれを用いる。ただし、カメラを高所
に設置する場合以外は、渋滞時に精度が低下する。

【００３９】などがある。ここで、状態変数を画像の面
積を用いない場合は、例えば濃度値を用いるなら最大濃
度で正規化するなどの処理が必要である。

【００４０】（実施例２）ところで、画像処理で前記状
態変数を求める場合、対象の明るさが変化すると同じ道
路の交通量や移動度でも、前記状態変数の値が変化する
。例えば昼間の微分画像と夜の微分画像では、昼間は車
両の輪郭が見えるが、夜は車両を前面から撮影するとヘ
ッドライトしか見えないため、車の台数が同じ場合でも
状態変数は小さくなってしまう（車両を後方から撮影す
る場合は、テールランプしか見えないため更に小さくな
る）。このため、夜の渋滞判定は昼の場合と異なるネッ
トワークを構築する必要がある。しかし、薄暮時には昼
と夜の両方の画像が存在する時間帯であるため、ネット
ワークを２つだけ用意するだけではこれを解決出来ない
。

【００４１】そこで、昼と夜等の区別を自動的に行うた
め、ニューラルネットワーク２８の入力データとして、
入力画像の明るさ情報を加えて学習するようにする。即
ち、図１３のようにニューラルネットワーク２８の入力
層４０のニューロン３６の数を３個にし、２個の状態変
数と入力画像の明るさ情報を入力する。このようにする
と、例えば昼間の状態変数がそれぞれ０．３，０．５、
明るさが０．７　の時の渋滞度を０．３　、夜の状態変
数がそれぞれ０．１，０．２，明るさが０．２　の時の
渋滞度を０．３　とすることが出来る（入力データは正
規化したデータ）。ここで、明るさ情報は （１）入力画像の平均濃度を用いる。

【００４２】（２）入力画像を微分処理し、微分値が小
さい領域に相当する入力画像の平均濃度とする（車両以
外の画像データの平均濃度）。

【００４３】などがある。

【００４４】（実施例３）上記した実施例では、ある時
間に於ける道路の状態変数のみを入力したが、図１４の
ように時系列データとして入力すれば更に効果がある。 即ち、ある時刻ｔの状態変数と時刻ｔ−△ｔ，時刻ｔ−
２△ｔ，・・・時刻ｔ−ｎ△ｔ（ｎは自然数）を入力デ
ータとして用いれば渋滞判定の精度向上が可能となる。 この時、過去のデータを入力しているため、時系列デー
タの変動パターンから将来の渋滞発生状況の推定も可能
となる。図のように出力層に現時点（時刻ｔ）の渋滞度
の出力とｔ１時間後（例えば５分後）の渋滞度推定出力
を設け、数日のデータを用いて学習すれば、現時点ｔの
渋滞度とｔ１時間後の渋滞度を出力することが可能とな
る。出力は２つ以上設けてもよい。これによって、将来
渋滞が起こるであろうと推定される場合は、予め信号機
のタイミングを変更するなどの対策を実行できる。

【００４５】また、時系列データには状態変数と入力画
像の明るさ情報を入れると、実施例２の効果が加わる。

【００４６】（実施例４）以上の実施例は画像全体を処
理するものであるが、図１５のような構成をとれば領域
を限定して前記状態変数を求めることが可能となり、細
かい渋滞判定が出来る。図２の画像処理装置に領域設定
手段１７を追加したものであり、例えば、図１６の（ａ
）のように道路を撮影した場合、上り，下りレーン毎に
渋滞度を計測するためには上り，下りのレーン領域を設
定する必要があるが、これを実行できるようにしたもの
である。処理の流れとしては、まず、予めレーン領域を
画面に対してマウスやキーボードを用いて設定し（図１
６の（ｂ））、レーンのマスク画像を作成する（図１６
の（ｃ））。このマスク画像は処理したい領域だけを‘
１’にそれ以外を‘０’にした画像である。そして、こ
のマスク画像と入力画像の論理積を実行して例えば、上
りレーンだけの画像を切り出し（図１６の（ｄ））、図
２及び図３のような微分処理などの状態変数の計測を行
い（図１６の（ｅ））、正規化データを作成してニュー
ラルネットワークで渋滞判定を行う（図１６の（ｆ））
。この場合、状態変数は設定したレーン領域の面積で正
規化することになる。この結果、例えば、上りは渋滞度
が低く、下りは渋滞度が高いと判断することが出来る。 本例では上り，下りに分けたが、車線ごとに分けたりす
ることも簡単にできる。

【００４７】以上述べた方法は、求めた渋滞判定処理部
２６は状態変数をニューロコンピュータを用いて渋滞度
を判定するようにしたものであるが、ファジィコンピュ
ータを用いても同様の効果があることは明らかである。 すなわち、複数の状態変数の組合せを予め計測し、ＩＦ
　　　　　　状態変数１がだいたい３００で、状態変数
２がだいたい５００ならＴＨＥＮ　　渋滞度が小さい。

【００４８】と言った推論ルールを作成すれば同じこと
になる。

【００４９】このようなルールの作成方法は以下の文献
に明記されているので説明は省略する。

【００５０】（１）「ファジィモデリング」　　計測自
動制御学会論文誌Ｖｏｌ．２３、Ｎｏ．６　　ｐｐ６５
０−６５２ （２）「ファジィ・ニューロコンピューティング」　　
トリケップス出版部Ｎｏ．８　　ｐｐ１０４−１１３

【
００５１】

【発明の効果】多層ニューラルネットワークやファジィ
コンピュータに道路をマクロに計測した状態変数を入力
して、学習することで状態変数と渋滞度との関係を明ら
かにすることができるため、細かい渋滞判定が可能とな
る。また、時系列データを入力すれば将来の渋滞状況を
推定できるため、予め渋滞が生じないように信号機の制
御などを行うことも可能となる。

【図面の簡単な説明】

【図１】本発明の一実施例の構成を説明する図である。

【図２】本発明の一実施例の画像処理部の内部構成を説
明する図である。

【図３】交通量に関する状態変数を画像処理で求める方
法を示す図である。

【図４】走行速度に関する状態変数を画像処理で求める
方法を示す図である。

【図５】状態変数を実測した例を示す図である。

【図６】ニューロコンピュータの構成を説明する図であ
る。

【図７】ニュ−ロコンピュ−タ内のニュ−ラルネットワ
−クの構成を説明する図である。

【図８】ニュ−ラルネットワ−クを構成するニュ−ロン
の構成を説明するためのずである。

【図９】ニュ−ロンを簡素化し信号の入出力の状態を説
明するための図である。

【図１０】ニューロコンピュータの学習方法を説明する
図である。

【図１１】本発明の一実施例で用いるニューラルネット
ワークの構成を示す図である。

【図１２】移動量を投影分布から求める方法を示す図で
ある。

【図１３】明るさ情報をニューラルネットワークに入力
する場合のネットワーク構成を示す図である。

【図１４】道路の状態を時系列データとしてニューラル
ネットワークに入力する場合のネットワーク構成を示す
図である。

【図１５】画像処理装置に領域設定手段を設けた構成図
である。

【図１６】領域設定を用いてレーン毎に処理する手順を
説明する図である。

【図１７】移動量に関する状態変数及び交通量に関する
状態変数と渋滞度との関係を説明する図である。

【符号の説明】

１０…画像処理装置、１３…微分回路、１４…画像間演
算回路、１５…２値化回路、１６…面積抽出回路、２７
…ニューロコンピュータ、２８…ニューラルネットワー
ク、３６…ニューロン。

Claims (20)

【特許請求の範囲】
1. 【請求項１】道路の渋滞度を計測するシステムにおいて
   、道路を俯瞰撮影するテレビカメラと、この画像を処理
   する画像処理部と渋滞を判定する渋滞判定処理部を設け
   、前記画像処理部は入力画像の交通量に関する状態変数
   をマクロに求める交通量計測手段と、時刻ｔの入力画像
   と時刻ｔ＋Δｔの入力画像との関係より車両の移動量に
   関する状態変数をマクロに求める移動量計測手段とを有
   し、前記交通量計測手段と移動量計測手段で求めた道路
   の交通量に関する状態変数と車両の移動量に関する状態
   変数を該渋滞判定処理部に入力して渋滞度を計測するこ
   とを特徴とする交通渋滞度計測装置。
2. 【請求項２】請求項１において、前記渋滞判定処理部は
   、前記交通量計測手段および移動量計測手段で求めた道
   路の交通量に関する状態変数を直交座標のＸ成分および
   Ｙ成分に割当て、前記直交座標上の分布状態に応じて前
   記直交座標上に渋滞、非渋滞領域を区分する境界を定め
   て、計測した状態変数の値が示す前記直交座標上の位置
   と前記境界との関係にもとづき渋滞を判定するようにし
   たことを特徴とする交通渋滞度計測装置。
3. 【請求項３】請求項１において、前記渋滞判定処理部は
   、学習手段を有するニューロコンピュータであることを
   特徴とする交通渋滞度計測装置。
4. 【請求項４】請求項１において、前記渋滞判定処理部は
   、推論機構を有するファジィコンピュータであることを
   特徴とする交通渋滞度計測装置。
5. 【請求項５】道路の渋滞度を計測するシステムにおいて
   、交通量と走行速度を計測する車両感知器と渋滞を判定
   する渋滞判定処理部を設け、前記感知器から得られた単
   位時間当たりの交通量と平均走行速度を前記渋滞判定処
   理部に入力して渋滞度を計測することを特徴とする交通
   渋滞度計測装置。
6. 【請求項６】請求項１において、前記画像処理部は、入
   力画像の平均濃度を計測する平均濃度計測回路を有し、
   前記交通量計測手段及び移動量計測手段で求めた道路の
   交通量に関する状態変数と、車両の移動量に関する状態
   変数、及び前記平均濃度計測回路で求めた平均濃度を前
   記渋滞判定処理部に入力し、入力画像の明るさ変動に追
   従することを特徴とする交通渋滞度計測装置。
7. 【請求項７】請求項１において、前記交通量計測手段及
   び移動量計測手段で求めた現在の時刻ｔと時刻ｔ−ｎΔ
   ｔ（ｎは自然数）における道路の交通量に関する状態変
   数と車両の移動量に関する状態変数をそれぞれ求め、こ
   れらの時系列データを前記渋滞判定処理部に入力するよ
   うにしたことを特徴とする交通渋滞度計測装置。
8. 【請求項８】請求項１において、前記交通量計測手段と
   移動量計測手段及び平均濃度計測回路で求めた現在の時
   刻ｔと時刻ｔ−ｎΔｔ（ｎは自然数）における道路の交
   通量に関する状態変数と車両の移動量に関する状態変数
   及び平均濃度をそれぞれ求め、これらの時系列データを
   該渋滞判定処理部に入力することを特徴とする交通渋滞
   度計測装置。
9. 【請求項９】請求項１において、前記画像処理部に画像
   を微分する微分回路と濃淡画像をある所定のしきい値で
   ２値画像に変換する２値化回路と２値画像の面積を求め
   る面積計測回路を設け、前記交通量計測手段は入力画像
   を微分処理し、ある所定のしきい値で前記微分画像を２
   値化したときの２値の面積を交通量に関する状態変数と
   することを特徴とする交通渋滞度計測装置。
10. 【請求項１０】請求項１において、前記画像処理部に画
    像を微分する微分回路と濃淡画像の平均濃度を求める特
    徴抽出回路を設け、前記交通量計測手段は入力画像を微
    分処理し、前記微分画像の平均濃度を交通量に関する状
    態変数とすることを特徴とする交通渋滞度計測装置。
11. 【請求項１１】請求項１において、前記画像処理部に濃
    淡画像をある所定のしきい値で２値画像に変換する２値
    化回路と２値画像の面積を求める面積計測回路と２値画
    像の周囲長を求める特徴抽出回路を設け、前記交通量計
    測手段は入力画像をある所定のしきい値で２値化し、前
    記２値画像の面積と周囲長から形状係数を求め、これを
    交通量に関する状態変数とすることを特徴とする交通渋
    滞度計測装置。
12. 【請求項１２】請求項１において、前記交通量計測手段
    は画像処理で求めた入力画像に存在する車両の台数や単
    位時間あたりの通過交通量あるいは、単位時間あたりの
    占有率を交通量に関する状態変数とすることを特徴とす
    る交通渋滞度計測装置。
13. 【請求項１３】請求項１において、前記画像処理部に２
    画像間の差分演算などを行う画像間演算回路と濃淡画像
    をある所定のしきい値で２値画像に変換する２値化回路
    と２値画像の面積を求める面積計測回路を設け、前記移
    動量計測手段は時刻ｔの入力画像と時刻ｔ＋Δｔの入力
    画像で画像間の差分をとり、前記差分画像をある所定の
    しきい値で２値化したときの面積を移動量に関する状態
    変数とすることを特徴とする交通渋滞度計測装置。
14. 【請求項１４】請求項１において、前記画像処理部に２
    画像間の差分演算などを行う画像間演算回路と濃淡画像
    の平均濃度を求める特徴抽出回路を設け、前記移動量計
    測手段は時刻ｔの入力画像と時刻ｔ＋Δｔの入力画像で
    画像間の差分をとり、前記差分画像の平均濃度を移動量
    に関する状態変数とすることを特徴とする交通渋滞度計
    測装置。
15. 【請求項１５】請求項１において、前記画像処理部に画
    像の投影分布を求める投影分布計測回路を設け、前記移
    動量計測手段は時刻ｔの入力画像と時刻ｔ＋Δｔの入力
    画像のそれぞれで道路の進行方向に対して垂直方向の投
    影分布（濃度の累積または、２値化したときの画素の累
    積）を求め、この投影分布間のずれ量を求め、この値を
    移動量に関する状態変数とすることを特徴とする交通渋
    滞度計測装置。
16. 【請求項１６】請求項１において、前記移動量計測手段
    は、画像処理で求めた単位時間あたりの平均速度を移動
    量に関する状態変数とすることを特徴とする交通渋滞度
    計測装置。
17. 【請求項１７】道路の渋滞度を計測する方法において、
    テレビカメラにより入力された入力画像の交通量に関す
    る状態変数をマクロに求め、時刻ｔの入力画像と時刻ｔ
    ＋Δｔの入力画像との関係より車両の移動量に関する状
    態変数をマクロに求め、求めた道路の交通量に関する状
    態変数と車両の移動量に関する状態変数とから渋滞度を
    計測することを特徴とする交通渋滞度計測方法。
18. 【請求項１８】道路の渋滞度を計測する方法において、
    テレビカメラにより入力された入力画像を微分処理し、
    ある所定のしきい値で２値画像に変換し、変換した２値
    画像の面積を交通量に関する状態変数としてマクロに求
    め、時刻ｔの入力画像と時刻ｔ＋Δｔの入力画像との関
    係より車両の移動量に関する状態変数をマクロに求め、
    求めた道路の交通量に関する状態変数と車両の移動量に
    関する状態変数とから渋滞度を計測することを特徴とす
    る交通渋滞度計測方法。
19. 【請求項１９】道路の渋滞度を計測する方法において、
    テレビカメラにより入力された入力画像を微分処理し、
    微分画像の平均濃度値を交通量に関する状態変数として
    マクロに求め、時刻ｔの入力画像と時刻ｔ＋Δｔの入力
    画像との関係より車両の移動量に関する状態変数をマク
    ロに求め、求めた道路の交通量に関する状態変数と車両
    の移動量に関する状態変数とから渋滞度を計測すること
    を特徴とする交通渋滞度計測方法。
20. 【請求項２０】道路の渋滞度を計測する方法において、
    テレビカメラにより入力された入力画像を所定のしきい
    値で２値画像に変換し、変換した２値画像の面積及び周
    囲長を求め、求めた２値画像の面積及び周囲長から形状
    係数を交通量に関する状態変数としてマクロに求め、時
    刻ｔの入力画像と時刻ｔ＋Δｔの入力画像との関係より
    車両の移動量に関する状態変数をマクロに求め、求めた
    道路の交通量に関する状態変数と車両の移動量に関する
    状態変数とから渋滞度を計測することを特徴とする交通
    渋滞度計測方法。