雷达和摄像机同时安装不等于完成数据融合
在交通路口同时安装雷达和摄像机，只能说明系统具备两类传感器。真正的数据融合还需要统一坐标、时间、车道和目标身份，并明确融合后的数据怎样提供给信号控制器或交通管理平台。
雷达适合持续输出车辆的位置、速度和轨迹；摄像机及视觉算法可以提供画面，以及由具体视觉系统生成的车辆类别、车道占用或其他识别结果。两类数据具有不同格式、更新频率和误差特征，不能直接拼接后就认为结果更准确。
交通信号控制最终需要的是稳定、定义明确的数据，例如车辆存在、车流量、占有率、排队状态和车辆到达信息。融合系统的价值，是在满足这些数据需求的前提下，让不同传感器互相补充，并在某一传感器异常时保持可控的运行状态。
交通信号控制真正需要哪些检测数据
车辆存在
车辆存在状态用于判断某条车道或转向是否有通行需求。对于感应控制路口，检测区域的位置与信号控制逻辑密切相关。
车流量
车流量表示指定时间内通过检测线的车辆数量，可用于评估不同进口方向的交通需求，以及交通响应式配时方案的选择。
车道占有率
占有率表示统计周期内检测区域被车辆占用的时间比例。车流量接近稳定而占有率持续上升时，可能意味着车距缩小或排队加重。
车辆速度与到达信息
车辆速度、距离和连续轨迹可以用于估计车辆到达停止线或检测区域的时间，为路口控制和交通状态分析提供输入。
排队状态
排队状态不只是检测到若干辆车，还需要明确队列位于哪条车道、是否持续增长以及是否已经超出预定检测区域。
信号控制策略由控制器及交通工程规则执行，雷达和视频系统负责提供检测数据，不应由传感器在缺少完整安全逻辑的情况下直接控制信号灯。
雷达和视频分别适合提供什么信息
雷达数据
- 目标ID与连续轨迹；
- 车辆纵向和横向位置；
- 实时速度与行驶方向；
- 车道级流量、平均速度和占有率；
- 车辆经过虚拟检测线或进入设定区域的事件。
雷达不依赖可见光照明，但安装角度、遮挡、多径反射和道路几何仍会影响实际效果。
视频及视觉算法数据
- 道路和车辆的实时画面；
- 由视觉算法输出的目标框和轨迹；
- 由具体算法支持的车辆分类结果；
- 信号灯、车道线及路口场景信息；
- 供管理人员进行视觉复核的录像。
视觉分析效果可能受到逆光、夜间照明、雨雾、镜头污损、遮挡和摄像机抖动影响。并非所有摄像机都具备车辆分类或车牌识别能力，具体输出取决于所配置的视觉算法。
三种常见的数据融合方式
结果级融合
雷达和视频分别完成检测与统计，平台再比较两者输出的流量、占有率或事件结果。这种方式接口相对简单，适合对现有系统进行扩展。
结果级融合的不足是难以确认两个传感器检测到的是否为同一辆车，也不能充分利用单车轨迹。
目标级融合
平台将雷达目标和视频目标匹配到同一车辆，形成统一目标记录。匹配通常需要使用时间、位置、速度、车道和运动方向等信息。
目标级融合适合需要连续车辆轨迹、排队分析或目标复核的系统，但对坐标标定和时间同步要求更高。
事件级融合
系统根据多个传感器是否同时满足某个条件来确认事件。例如，雷达检测到车辆进入排队区域，视频算法也识别到对应车道持续占用，平台再生成队列增长事件。
事件级融合适合已有明确业务规则的项目，但必须定义当两个传感器结果不一致时采用哪一项数据，以及是否进入降级模式。
坐标标定是目标融合的基础
雷达通常输出以设备为原点的X/Y坐标，视频系统则使用图像像素坐标或经过转换的道路坐标。要把两个系统中的目标识别为同一辆车，必须建立它们与实际道路之间的统一坐标关系。
标定过程通常需要：
- 记录雷达和摄像机的准确安装位置及朝向；
- 在路面选择多个已知位置作为标定点；
- 建立图像位置、道路位置和雷达坐标之间的转换；
- 分别验证近端、远端和各条车道的匹配误差；
- 检查摄像机焦距或安装位置变化后是否需要重新标定。
只使用一个标定点无法可靠确定完整坐标关系。道路有坡度、弯道或摄像机透视变化时，需要更多现场数据完成校准。
时间同步为什么同样重要
雷达和视频通常具有不同的数据更新频率。视频还可能经过编码、传输和视觉推理，产生比雷达更明显的处理延迟。
如果系统只比较两类数据接收平台的时间，而不考虑设备采集时间和处理延迟，快速行驶车辆可能在两个传感器中显示在不同位置，导致错误匹配。
融合系统应明确：
- 各设备时间来源；
- 数据中的时间戳代表采集、处理还是发送时间；
- 视频分析的平均和最大延迟；
- 网络传输延迟及波动；
- 设备重启后的时间同步方式；
- 允许进行目标匹配的时间窗口。
车辆目标应该怎样匹配
目标匹配不能只根据“位于同一条车道”判断，因为同一车道内可能同时存在多辆车。平台通常需要综合比较：
- 目标时间是否接近；
- 道路坐标是否位于合理范围；
- 速度和运动方向是否一致；
- 车道编号是否相同；
- 连续多帧匹配是否稳定；
- 目标进入和离开检测区域的顺序是否合理。
系统还应允许目标处于“暂未匹配”状态，而不是强制把每个雷达目标对应到最近的视频目标。错误匹配会污染后续统计和信号控制输入。
融合数据怎样提供给信号控制系统
融合平台可以根据项目接口，将检测结果转换为信号控制器能够使用的数据，例如：
- 指定车道或转向的车辆存在状态；
- 检测区域的占用开始与结束事件；
- 统计周期内的车流量和占有率；
- 排队区域是否被持续占用；
- 车辆到达检测线或停止线的事件；
- 传感器和数据质量状态。
控制器根据交通工程师配置的控制策略使用这些数据。传感器平台不应绕过信号控制器的安全逻辑，直接产生信号相位切换命令。
排队检测需要避免哪些误判
车辆低速行驶、短暂停车、公交站停靠、路侧停车和转向等待都可能表现为目标长时间停留。系统不能仅根据“速度接近零”判断交通排队。
更可靠的方法是结合车道区域、目标数量、持续时间、运动方向和上游车辆到达情况判断。视频画面可以帮助值守人员确认现场，但是否自动生成排队事件仍取决于算法和项目规则。
当车辆队列超出传感器覆盖区域时，统计结果也可能失真。因此检测范围和设备位置应根据可能的排队长度设计。
融合系统必须设计故障降级模式
融合不意味着系统必须等待两个传感器同时正常才能工作。项目应预先定义：
- 雷达正常、视频不可用时保留哪些检测功能；
- 视频正常、雷达不可用时保留哪些检测功能；
- 两类数据明显冲突时采用哪种策略；
- 传感器离线多久后进入降级模式；
- 降级状态如何发送给信号控制器和管理平台；
- 检测数据不足时信号控制器采用什么安全配时方案。
美国FHWA的交通信号系统工程资料也提出，当失效检测器数量超过设定条件时，自适应系统应转入非自适应运行。故障降级是信号控制可靠性的一部分，而不是设备出问题后再临时处理。
怎样判断融合系统是否真的更好
验收时不应只展示雷达轨迹叠加在视频画面上的效果，还应测试实际数据质量：
- 各车道车辆检测和计数结果；
- 雷达目标与视频目标的匹配率；
- 坐标匹配误差和时间延迟；
- 并排行驶、换道及大型车辆遮挡场景；
- 白天、夜间、逆光和降雨条件；
- 排队开始、增长和消散过程；
- 摄像机被遮挡或视频算法停止时的降级结果；
- 雷达离线或网络中断时的控制器状态；
- 长时间运行后的时间同步和配置稳定性。
融合效果应与单独使用雷达或视频时的基线结果比较。如果融合增加了系统复杂度，却没有提高关键指标或故障可用性，就需要重新评估融合规则。
HC-M150在融合系统中提供什么数据
HC-M150多车道交通雷达最远检测距离为150米，可覆盖双向最多8条车道并同时跟踪最多64个目标。
雷达可输出目标ID、坐标、速度、方向和连续轨迹，以及车流量、平均速度、占有率和车头时距等统计数据。上位平台可以将这些数据与客户已有的视频分析结果进行匹配。
HC-M150负责提供雷达目标数据，不直接完成视频识别、传感器融合或信号配时。具体融合算法、控制逻辑和设备接口由系统集成平台实现。
交通流量数据的生成过程可参考多目标雷达交通流量监测；整体道路部署可查看交通流量监测方案。
总结
雷达与视频融合的重点不是把两种数据放在同一个画面上，而是完成坐标统一、时间同步、目标匹配、业务规则和故障降级。
在交通信号控制项目中，应先明确控制器真正需要哪些数据，再决定采用结果级、目标级还是事件级融合。只有输出稳定、定义明确且能够监测质量状态的数据，融合系统才能为信号控制提供可靠输入。
