基于深度學習的道路交通擁堵檢測

方 勇 黨 倩 萬 劍 王維鋒 陳愛偉

中設設計集團股份有限公司，江蘇南京 210014

交通擁堵問題的日趨嚴重，不但給人們的日常生活與工作帶來許多不便，而且對城市的經(jīng)濟發(fā)展起到了嚴重的制約作用。交通擁堵問題對城市發(fā)展的制約表現(xiàn)在容易造成交通事故、增加交通管理難度、浪費出行人員的出行時間、增加燃油耗損及污染環(huán)境等，這些問題都會阻礙城市的正常發(fā)展，嚴重影響廣大人民群眾的日常生活，因此，改善交通出行條件，解決交通擁堵問題迫在眉睫。

對于交通擁堵，國內(nèi)外學者針對不同的角度給出了不同的定義?？傮w來說，交通擁堵就是交通需求超過了交通供給的一種交通運行狀況。美國《通行能力手冊》（HCM）在對城市干線街道服務水平的等級劃分中，將車速低于22km/h的不穩(wěn)定車流稱為擁擠車流；芝加哥交通管理部門將交通擁擠定義為5min車道占有率超過30%的交通狀態(tài)；在弗吉尼亞州，當飽和度大于0.77、LOS在E檔時，交通開始惡化，道路發(fā)生交通擁擠[1]。日本道路協(xié)會認為，車流以低于40km/h的速度行駛或反復停車、起動的車流排隊超過1km，并持續(xù)15min以上的狀態(tài)為高速公路交通擁擠[2]。公安部針對國內(nèi)的情況，對路口和路段分別給出了交通擁堵的定義：車輛在無信號燈控制的交叉路口外車行道上受阻且排隊長度超過250m，或在信號燈控制的交叉路口3次綠燈時未通過路口的車輛所在的路口定義為擁堵路口；擁堵路段則定義為車輛在車行道上受阻且排隊長度超過1km的狀態(tài)[3]。

1 交通擁堵評價指標

在傳統(tǒng)交通流研究中認為交通流有3個基本的特征參數(shù)：流量、速度和密度，這三者之間存在著密切的關(guān)系，它們之間的兩兩關(guān)系模型稱為交通流基本參數(shù)的關(guān)系模型[4]。以往研究經(jīng)驗表明，通過單一的交通流參數(shù)進行交通狀態(tài)判別的方法準確性不高。通過多種參數(shù)融合來進行的分析計算，有利于提高交通運行狀態(tài)識別及交通擁堵判定的準確性。本文提出采用車輛速度、車輛密度及車道數(shù)作為參數(shù)，建立道路擁堵指數(shù)模型，以道路擁堵指數(shù)作為交通擁堵的判定指標。

1.1 車輛速度

車輛速度（V）是指在道路上行駛車輛的平均車速，假設道路上行駛的車輛共有n輛，進行車輛檢測后，對每輛車進行跟蹤可計算每輛車的行駛速度則車輛速度的計算公式為：

1.2 車輛密度

車輛密度（D）是指在道路上行駛車輛的數(shù)量與道路長度的比值，假定不考慮車輛體積大小的影響，同時假設共有m條車道，道路長度為L，共行駛n 輛車，則車輛密度的計算公式為：

1.3 擁堵指數(shù)

公式（3）中，p，表示參數(shù)，經(jīng)過多次試驗數(shù)據(jù)得出p，取值為0.1時比較合適；道路擁堵指數(shù)越大則道路越暢通，道理擁堵指數(shù)越小則道路越擁堵。本文根據(jù)道路擁堵指數(shù)的范圍，確定道路擁堵程度如表1所示。

表1 擁堵程度與擁堵指數(shù)范圍的關(guān)系

2 交通擁堵檢測判別技術(shù)

國內(nèi)外對于交通擁堵檢測判別技術(shù)的研究經(jīng)歷了多個階段，不同的階段采用的檢測技術(shù)也不同?？傮w來說，交通擁堵檢測判別包括以下步驟：首先，提取各種交通參數(shù)；然后，以各種交通擁堵參數(shù)為數(shù)據(jù)源，構(gòu)建交通擁堵判別的數(shù)學模型；最后，通過模型分析交通擁堵狀態(tài)，結(jié)合檢測結(jié)果與實際情況對檢測模型進行調(diào)優(yōu)。

2.1 交通參數(shù)提取技術(shù)

根據(jù)交通參數(shù)提取技術(shù)方法的不同，交通擁堵檢測可以分為以下幾類：基于環(huán)形線圈的交通參數(shù)提取、基于交通視頻的交通參數(shù)提取以及基于車輛GPS數(shù)據(jù)的交通參數(shù)提取。

2.1.1 基于環(huán)形線圈的交通參數(shù)提取

這類檢測是通過在道路上的關(guān)鍵點處安裝單路或雙路環(huán)形線圈檢測器來檢測道路上的通行車輛，并獲取交通流量、車輛速度、占有率等道路交通參數(shù)，是最先使用且是目前廣泛被使用的技術(shù)，已有相應的標準，技術(shù)成熟、使用簡單、測量精度較高、總體成本較低，但由于線圈需要埋設于路面下，安裝時需要破壞路面，且由于線圈長時間埋在路面下，不便于維護保養(yǎng)，線圈使用壽命會受較大影響。

2.1.2 基于交通視頻的交通參數(shù)提取

隨著道路交通視頻監(jiān)控的不斷完善，當前道路上已安裝了大量的視頻監(jiān)控，本技術(shù)主要是利用道路視頻監(jiān)控，通過視頻圖像處理技術(shù)，構(gòu)建基于視頻的車輛檢測、跟蹤算法模型，提取道路上行駛車輛的運動軌跡、運動速度等交通參數(shù)。其主要特點在于視頻檢測安裝無須破壞路面、安裝簡便、施工時不影響交通、易于移動、維護費用低。隨著視頻處理技術(shù)、深度學習、大數(shù)據(jù)等技術(shù)的發(fā)展與成熟，這種檢測方法也得到了廣泛應用。

2.1.3 基于車輛GPS數(shù)據(jù)的交通參數(shù)提取

近年來，GPS技術(shù)得到了快速的發(fā)展，大部分汽車特別是“兩客一?！避囕v基本上都安裝了智能車載GPS終端，這給采集道路交通參數(shù)提供了一種技術(shù)途徑。文獻[5]提出了一種基于GPS數(shù)據(jù)的擁堵檢測方法，通過預處理—聚類—抽樣來完成對道路擁堵的檢測。其主要特點在于不需要在道路上安裝任何設備，對道路交通沒有任何影響，實施方便，使用簡單，但是需要在每輛車上安裝智能車載GPS終端，成本較高，管理難度大。

針對以上幾種技術(shù)的分析，結(jié)合當前視頻圖像處理技術(shù)，本文擬采用基于交通視頻的交通參數(shù)提取技術(shù)，提出了一種基于深度學習的擁堵檢測算法。

2.2 交通擁堵判別算法

當?shù)缆钒l(fā)生交通擁堵時，車輛的行駛速度急劇降低，在一定時間段內(nèi)，道路上的車輛行駛緩慢甚至處于靜止的狀態(tài)，同時車輛密度急劇增大。依據(jù)道路交通擁堵的這一明顯特征，通過視頻圖像的抓取，進行車輛模型識別，對道路關(guān)鍵節(jié)點的車輛速度、車輛密度、時段分布規(guī)律等進行分析，綜合判斷道路的交通擁堵狀況以及未來一定時段內(nèi)相鄰道路區(qū)段發(fā)生擁堵的概率。

本文采用基于深度學習技術(shù)的車輛特征識別與跟蹤，從而判斷道路的車輛速度與車輛密度，根據(jù)建立好的交通擁堵模型分析道路的擁堵狀況。深度學習算法是一種模擬人腦思維的基于無監(jiān)督特征學習和特征層次結(jié)構(gòu)的學習方法。它是通過構(gòu)建多隱層的模型和海量訓練數(shù)據(jù)，來學習更有用的特征，從而最終提升分類或預測的準確性?！吧疃饶Ｐ汀笔鞘侄危疤卣鲗W習”是目的。對于機器視覺來講，抽象的層面越高，存在的可能性猜測或錯誤概率越少，就越利于提高分類和預測的準確性。深度學習的模型如圖1所示。

圖1 典型的深度學習模型

本判別算法是以道路視頻監(jiān)控為基礎，結(jié)合道路實時路況、車輛運動檢測、車輛跟蹤、基于視頻的車輛速度測定、指定時段的車輛密度統(tǒng)計等一系列交通特征參數(shù)所構(gòu)建的。其算法流程如圖2所示。

圖2 算法流程圖

該算法先通過運動目標檢測的方法獲取視頻中的運動車輛；然后，將各運動車輛進行幾何校正使其幾何位置統(tǒng)一，再進行運動車輛跟蹤，以此為基礎進行車輛速度測定及指定時段內(nèi)路段的車輛密度統(tǒng)計；最后，依據(jù)前文設計的擁堵評價指標體系，通過以上獲取的路段交通特征參數(shù)及擁堵模型計算擁堵指數(shù)，根據(jù)擁堵指數(shù)的大小最終判定路段的擁堵級別，為后續(xù)的交通擁堵預警系統(tǒng)提供理論上的數(shù)據(jù)基礎。為得到精確的結(jié)果，我們采用大數(shù)據(jù)統(tǒng)計的方式，通過長時間內(nèi)不同路段的大量車輛統(tǒng)計結(jié)合概率預測的方式得到最終的應用模型。該算法充分利用了視頻車輛的運動信息、底層圖像特征，為檢測結(jié)果的準確性提供了技術(shù)保障。

3 試驗分析

3.1 試驗系統(tǒng)架構(gòu)

為了驗證上述交通擁堵判別算法的實用性，需要建立一套完整的交通擁堵視頻判別試驗系統(tǒng)，系統(tǒng)總體上分為3個部分：道路監(jiān)控視頻的獲取、道路監(jiān)控視頻的識別處理以及道路交通擁堵的判別，其架構(gòu)圖如圖3所示。

圖3 試驗系統(tǒng)架構(gòu)圖

從圖3中可以看出，交通監(jiān)控視頻主要通過在道路上已經(jīng)大量安裝的交通監(jiān)控攝像頭獲取。然后，通過交通視頻處理服務器對獲取的交通監(jiān)控視頻進行分析處理，進而提取相關(guān)的交通特征參數(shù)如車輛速度、車道數(shù)、車輛密度等。最后，依據(jù)交通擁堵模型以及提取到的交通特征參數(shù)對路段的交通擁堵級別進行判別，并給出建議的擁堵狀況。

3.2 測試結(jié)果

根據(jù)上述的系統(tǒng)和算法模型，選擇一段容易發(fā)生擁堵的路段進行試驗，根據(jù)算法模型訓練要求，通過多組采集不同時段的視頻進行分析，結(jié)果如圖4、表2所示。

圖4 算法模型的檢測效果

表2 擁堵情況分析

通過結(jié)果所示，算法的檢測效果不錯。經(jīng)過統(tǒng)計分析，車輛檢測的識別率為94%左右，誤檢率較低，擁堵模型反應的結(jié)果與實際的道路交通狀況基本相符合，證明算法具有較好的檢測效果。

4 結(jié)語

本文針對道路交通擁堵問題，提出了一種從道路交通視頻監(jiān)控中提取的車輛速度、車道數(shù)、車輛密度等交通特征參數(shù)建立的道路交通擁堵評價指標體系，并根據(jù)交通擁堵評價指標體系建立基于深度學習的交通擁堵檢測模型，依據(jù)此檢測模型可進行道路交通擁堵的自動檢測。通過試驗證明，本文提出的檢測方法在交通擁堵的檢測方面具有很好的效果，誤檢率較低。后續(xù)通過采集更多的樣本訓練，可以更進一步提高檢測的準確率，為交通出行提供更加準確的擁堵信息。