無人機(jī)航測視頻交通流量提取

安哲 劉鴻潮

摘要 為高效獲取城市道路交叉口交通流量、優(yōu)化檢測魯棒性、提升統(tǒng)計(jì)精度。使用航測法發(fā)揮無人機(jī)對(duì)地信息采集優(yōu)勢，使用深層網(wǎng)絡(luò)模型YOLOv3訓(xùn)練面向空中視覺角度的車輛識(shí)別模型，使用貝葉斯濾波與非極大值抑制算法對(duì)不同時(shí)間序列車輛對(duì)象做同一化匹配。實(shí)驗(yàn)中車輛檢測平均損失2.79%，各流向車輛平均統(tǒng)計(jì)準(zhǔn)確率97.88%，檢測器在停止線及直行待行區(qū)均能完成車輛目標(biāo)的連續(xù)匹配與交通流量的實(shí)時(shí)統(tǒng)計(jì)。

關(guān)鍵詞 智能交通系統(tǒng);檢測與監(jiān)測技術(shù);城市道路交叉口;YOLOv3

中圖分類號(hào) U491.112 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2022）02-0015-03

0 引言

交通量調(diào)查是交通量特征解析的重要依據(jù)，同時(shí)也是交通流量建模、交通信號(hào)控制策略制定的重要參考數(shù)據(jù)[1]。由于航測法具有觀察角度優(yōu)勢，可同時(shí)觀察到所有進(jìn)口道車流情況，利用航測數(shù)據(jù)對(duì)交通管理關(guān)切的交通特征要素進(jìn)行解析意義深遠(yuǎn)[2]，既有研究中，針對(duì)無人機(jī)視角下多車道流量實(shí)時(shí)統(tǒng)計(jì)方法研究較少。文章使用深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練用以檢測航測視頻中車輛對(duì)象，針對(duì)道路交叉口航測視頻車輛對(duì)象多、車輛目標(biāo)動(dòng)向復(fù)雜、車輛目標(biāo)小、車輛特征同質(zhì)化嚴(yán)重的問題[3]，對(duì)車輛對(duì)象匹配模型[4]及車流量統(tǒng)計(jì)精度優(yōu)化方法展開研究。

1 車流量提取與算法實(shí)現(xiàn)

1.1 車輛目標(biāo)識(shí)別

2016年前后由于圖形處理器算力的提升使得基于深度學(xué)習(xí)理論的目標(biāo)識(shí)別方法飛速發(fā)展。比較具有代表性的方法有使用單階段的SSD（Single Shot MultiBox Detector）、YOLO[5]（You Only Look Once），該類算法檢測速度較快檢測精度稍低[6];基于前啟發(fā)后回歸兩階段的R-CNN（Region-Convolutional Neural Networks），此類算法檢測精度較高但檢測度較慢。具體到交通影像數(shù)據(jù)特征提取任務(wù)，往往需要將實(shí)時(shí)性即檢測速度作為優(yōu)先考慮的條件，YOLOv3是Joseph Redmon對(duì)YOLO算法的第三次改進(jìn)[7]，YOLOv3算法在保證較高的檢測速度的同時(shí)，達(dá)到更高的檢測精度。

1.2 車輛目標(biāo)跟蹤

利用貝葉斯估計(jì)，迭代對(duì)車輛對(duì)象歷史位置給出先驗(yàn)，定義同一對(duì)象判定規(guī)則。

約定當(dāng)前時(shí)刻為t，建立預(yù)測模型如下：

（1）

式中：為依據(jù)t-1時(shí)刻目標(biāo)最優(yōu)估計(jì)及目標(biāo)控制期望值作出的t時(shí)刻對(duì)象先驗(yàn)坐標(biāo)估計(jì)。是對(duì)t-1時(shí)刻目標(biāo)坐標(biāo)的估計(jì)，其中表示t-1時(shí)刻目標(biāo)識(shí)別模型（YOLOv3）識(shí)別結(jié)果。表示對(duì)控制信息的估計(jì)。

（2）

車輛預(yù)測任務(wù)中控制信息的物理意義為t-1時(shí)刻對(duì)象車輛的運(yùn)動(dòng)速度期望值。是一個(gè)有大小有方向的矢量，控制信息的估計(jì)由滿足高斯分布的A、B卷積推導(dǎo)，x為坐標(biāo)期望，為坐標(biāo)的方差，易知控制信息同樣滿足高斯分布。

? （3）

? （4）

式中：b1、b2為對(duì)對(duì)象車輛位置范圍估計(jì)的期望值，對(duì)象的范圍由對(duì)象坐標(biāo)和對(duì)象高寬確定，、是依據(jù)t-1時(shí)刻對(duì)象車輛高度、寬度作出的對(duì)象大小估計(jì)。

利用歷史檢測信息對(duì)當(dāng)前時(shí)刻車輛的先驗(yàn)位置作出估計(jì)，定義對(duì)象同一化判定規(guī)則，實(shí)現(xiàn)先驗(yàn)位置同目標(biāo)檢測結(jié)果的同一化匹配。

圖1中展示第821幀車輛檢測結(jié)果，和對(duì)象車在t時(shí)刻即第821幀的最優(yōu)預(yù)測值，Bbox1為對(duì)象車輛在t時(shí)刻的檢測值，Bbox2為同一時(shí)刻由西向東直行的另一車輛對(duì)象，同一化匹配模型主要完成同一車輛對(duì)象預(yù)測值和檢測值的同一化匹配，對(duì)t時(shí)刻檢測結(jié)果中的車輛目標(biāo)：Bbox1、Bbox2與t-1時(shí)刻（第820幀）為同一對(duì)象給出判斷。

2 實(shí)驗(yàn)結(jié)果與討論

選取友誼路與新華道交叉口早高峰時(shí)段航測視頻進(jìn)行實(shí)驗(yàn)，模型訓(xùn)練環(huán)境為Ubuntu 19.10.1，GCC 9.2.1， NVIDIA 440.100，CUDA V10.2.89，cuDNN 7.6.5，OpenCV 3.2.0，硬件環(huán)境NVIDIA GTX980M，顯存8 Gb兩張。設(shè)定訓(xùn)練樣本/批次為16，再分率為4，最大批次設(shè)定為50 020。學(xué)習(xí)率選0.001，訓(xùn)練步數(shù)小于30 000次使用初始學(xué)習(xí)率，小于40 000次時(shí)使用60%初始學(xué)習(xí)率，小于45 000次時(shí)使用6%初始學(xué)習(xí)率，大于45 000到訓(xùn)練結(jié)束使用0.6%初始學(xué)習(xí)率。訓(xùn)練過程中損失曲線如圖2所示。

損失函數(shù)在震蕩多次后收斂于0.045 6，第47 000批時(shí)平均損失為0.027 907，損失最少，遂選取模型訓(xùn)練到第47 000次時(shí)保存權(quán)重進(jìn)行車輛識(shí)別。識(shí)別結(jié)果見圖3，車輛被準(zhǔn)確識(shí)別，對(duì)背景變化有良好的魯棒性。

車輛對(duì)象匹配模型主要存在兩類問題：

（1）ID變換（ID switch，IDs）。

（2）ID誤匹配（Error Match，EM）。

為檢測對(duì)象匹配模型效能定義下述評(píng)價(jià)指標(biāo)：

不良匹配（Bad Match，BM）：IDs+EM，不論是IDs還是EM都會(huì)導(dǎo)致最終交通量統(tǒng)計(jì)錯(cuò)誤，BM用于衡量跟蹤模型整體可靠度;

ID變換率（IDs-rate）：IDs/BM，用于反應(yīng)IDs在不良匹配中的占比;

誤匹配率（EM-rate）：EM/BM，用于反應(yīng)EM在不良匹配中的占比。

對(duì)ID凍結(jié)閾值分別取1、3、5、7、9時(shí)各評(píng)價(jià)指標(biāo)表現(xiàn)如表1。

ID凍結(jié)閾值取1時(shí)容錯(cuò)范圍為0，第一列為沒有容錯(cuò)機(jī)制下的模型表現(xiàn)，作為對(duì)照樣本分析。觀察發(fā)現(xiàn)在3～9范圍內(nèi)不論ID凍結(jié)閾值取多大，模型表現(xiàn)均好于直接匹配（對(duì)照組）。綜合各評(píng)價(jià)指標(biāo)表現(xiàn)該實(shí)驗(yàn)中選定ID凍結(jié)閾值為5，進(jìn)行后序?qū)嶒?yàn)。

如圖4：ID值為25的對(duì)象車輛正由東向北左轉(zhuǎn)彎，在連續(xù)漏檢4幀后被重新匹配，實(shí)驗(yàn)表明算法留有設(shè)計(jì)冗余，可一定程度上提升車輛統(tǒng)計(jì)準(zhǔn)確率。

表2為實(shí)驗(yàn)中車輛統(tǒng)計(jì)實(shí)際交通量，統(tǒng)計(jì)準(zhǔn)確率及同文獻(xiàn)[8]中經(jīng)典目標(biāo)檢測方法對(duì)比情況，布設(shè)在停止線的檢測器平均統(tǒng)計(jì)準(zhǔn)確率98.35%，其中右轉(zhuǎn)車道準(zhǔn)確率較低為93.1%，布設(shè)在交叉口內(nèi)部待行區(qū)域的檢測器中通過直行待行檢測器的統(tǒng)計(jì)準(zhǔn)確率為98.8%，相較于文獻(xiàn)[8]提出的基于經(jīng)典目標(biāo)識(shí)別算法的航測視頻車輛統(tǒng)計(jì)方法，該方法在平均統(tǒng)計(jì)精度上提升2.76%。

3 結(jié)論

（1）該文提出的車輛統(tǒng)計(jì)方法，使用基于深度學(xué)習(xí)網(wǎng)絡(luò)的車輛識(shí)別算法，實(shí)驗(yàn)表明基于YOLOv3訓(xùn)練的車輛識(shí)別模型面對(duì)道路背景突變問題較經(jīng)典目標(biāo)識(shí)別算法有更好的魯棒性。

（2）利用航測法對(duì)地觀測優(yōu)勢，實(shí)現(xiàn)城市交叉口車流量的實(shí)時(shí)統(tǒng)計(jì)，一定程度上提升了目標(biāo)識(shí)別過程中的異常保護(hù)能力。

參考文獻(xiàn)

[1]陳玉峰，買買提明·艾尼，依再提古麗·阿克甫，等.交叉口交通流的數(shù)學(xué)建模與數(shù)值模擬[J].機(jī)械設(shè)計(jì)與制造，2012（10）：256-258.

[2]Papaioannou Panagiotis，Papadopoulos Efthymis，Nikolaidou Anastasia，Politis Ioannis，Basbas Socrates，Kountouri Eleni. Dilemma Zone： Modeling Drivers’ Decision at Signalized Intersections against Aggressiveness and Other Factors Using UAV Technology[J]. Safety，2021（1）：11.

[3]康金忠，王桂周，何國金，等.遙感視頻衛(wèi)星運(yùn)動(dòng)車輛目標(biāo)快速檢測[J].遙感學(xué)報(bào)，2020（9）：1099-1107.

[4].戚永剛.基于卡爾曼濾波的城市路口車輛檢測及分類[J].電視技術(shù)，2013（19）：241-245.

[5]J.Redmon.Darknet.Open source neural networks in c[EB/OL].2013–2016[20200924].

[6]Redmon J，Divvala S，Girshick R，et al.You only look once：Unified，real-time object detection[C].Proceedings of the IEEE conference on computer vision and pattern recognition.2016：779-788.

[7]Redmon J，F(xiàn)arhadi A.Yolov3：An incremental improvement[J].arXiv preprint arXiv：1804.02767，2018.

[8]張敬，張林，王長偉.基于航拍視頻的交叉口車流量統(tǒng)計(jì)方法研究[J].計(jì)算機(jī)仿真，2020（12）：117-121.