無人機(jī)視頻的交通參數(shù)提取方法及驗證

劉建蓓，單東輝，郭忠印，駱中斌，張志偉

(1. 同濟(jì)大學(xué) 道路與交通工程教育部重點實驗室，上海 201804；2.中交第一公路勘察設(shè)計研究院有限公司，陜西 西安 710065；3. 交通安全應(yīng)急保障技術(shù)交通運輸行業(yè)研發(fā)中心，陜西 西安 710065)

0 引言

交通監(jiān)測是交通運營管理的基礎(chǔ)，交通監(jiān)測主要依賴于各類檢測設(shè)備，主要分類兩類：固定型交通檢測器(如微波、雷達(dá)等)和移動型交通檢測設(shè)備(GPS，浮動車等)。然而，固定型交通檢測器布設(shè)數(shù)量有限、且僅能獲取斷點數(shù)據(jù)，難以準(zhǔn)確評估連續(xù)路段的交通狀態(tài)；移動型檢測設(shè)備受抽樣率的影響，在可靠性方面有一定局限性。因此，如何機(jī)動靈活、實時準(zhǔn)確、高可靠性的獲取目標(biāo)區(qū)域的交通參數(shù)，是智慧交通需要解決的關(guān)鍵性問題之一。

無人機(jī)通過搭載高清攝像機(jī)和通訊設(shè)備，可實現(xiàn)定點、巡航等機(jī)動、靈活的交通實時、連續(xù)監(jiān)測。無人機(jī)視頻監(jiān)測集成了固定型檢測器和移動型檢測器的特點，根據(jù)應(yīng)用場景需求，可定點、可移動，且視頻信息量大、可溯源；無人機(jī)視頻結(jié)合計算機(jī)圖像處理技術(shù)，可大范圍獲取交通流量、車輛軌跡、速度等交通參數(shù)；在交通領(lǐng)域關(guān)注程度日益增加[1-2]。目前，無人機(jī)在交通領(lǐng)域的實踐與應(yīng)用主要涉及交通執(zhí)法和交通監(jiān)測兩個方面[3-4],交通執(zhí)法如在中國、美國、加拿大、俄羅斯等均有應(yīng)用案例[5]；交通監(jiān)測主要利用無人機(jī)快捷、便利的特點，進(jìn)行交通預(yù)警和決策研判，如交通事件管理、應(yīng)急救援等[6-7]；近期，有學(xué)者研究利用無人機(jī)群實時監(jiān)測道路交通運行狀態(tài)，從而支撐交通流優(yōu)化控制和擁堵方面的研究[4,8]。

無人機(jī)監(jiān)測應(yīng)用的關(guān)鍵在于視頻車輛檢測和跟蹤算法，通過不同時刻車輛位置信息提取其速度、軌跡等信息[9]。在車輛目標(biāo)檢測方面，主要方法有光流法、背景差異法、梯度比較法及知識型檢測法等；近年來，深度學(xué)習(xí)技術(shù)的快速發(fā)展大大的推動了圖像目標(biāo)檢測的效果，針對不同的檢測場景和任務(wù)，國內(nèi)外研究人員提出了多種目標(biāo)檢測的神經(jīng)網(wǎng)絡(luò)，如Fast-RCNN、Faster-RCNN、YOLO等[10]。同時，發(fā)布了通用場景下的目標(biāo)檢測公開數(shù)據(jù)集，用于深度學(xué)習(xí)模型的訓(xùn)練，如ImageNet、COCO、Pascal VOC、KITTI Vision等。在目標(biāo)跟蹤算法方面，主要分為單目標(biāo)跟蹤與多目標(biāo)跟蹤；單目標(biāo)跟蹤是在視頻的第一幀標(biāo)記目標(biāo)的位置和大小，根據(jù)當(dāng)幀目標(biāo)的狀態(tài)，預(yù)測下幀目標(biāo)的位置和大??；多目標(biāo)跟蹤是每一幀有多個目標(biāo)，需要在視頻中為不同的目標(biāo)分配標(biāo)簽，預(yù)測多個目標(biāo)的位置與大小。Henriques等人提出了KCF算法[11]，KCF算法在當(dāng)前幀目標(biāo)區(qū)域采樣，訓(xùn)練出一個相關(guān)濾波器，然后在下一幀同一位置附近采樣，根據(jù)上一幀訓(xùn)練出的相關(guān)濾波器，判斷采樣的響應(yīng)程度，響應(yīng)程度最大的區(qū)域則可預(yù)測為下一幀的目標(biāo)所在位置。Bewley等人提出的Sort算法[12]和Deep-Sort算法[13]是非常強(qiáng)大的多目標(biāo)跟蹤算法，Sort算法利用卡爾曼濾波器和匈牙利算法來跟蹤目標(biāo)，而Deep-Sort算法則為其加入了目標(biāo)特征信息來預(yù)測目標(biāo)和關(guān)聯(lián)數(shù)據(jù)。中科院、牛津等在CVPR 2019提出SiamMask網(wǎng)絡(luò)[14]，可同時預(yù)測目標(biāo)的Mask和Bounding box，視頻跟蹤精度較優(yōu)。

綜上所述，利用無人機(jī)視頻監(jiān)測提取交通參數(shù)信息已經(jīng)引起了國內(nèi)外許多學(xué)者的注意，大多應(yīng)用集中在交通流觀測、應(yīng)急救援、執(zhí)法等中宏觀層面，對于微觀車輛參數(shù)提取和驗證方面仍處于探索研究階段?；趫D像處理技術(shù)，將每幀的靜態(tài)信息檢測、跟蹤，轉(zhuǎn)變?yōu)閷崟r動態(tài)的微觀交通參數(shù)，目前研究仍存在以下局限[15-17]：(1)無人機(jī)視頻車輛檢測和跟蹤的精度不足，通常小于90%[18-19]；(2)由于交通場景復(fù)雜，無人機(jī)視頻交通參數(shù)提取精度缺乏有效的實地驗證。針對上述局限性，本研究提出一種無人機(jī)視頻交通參數(shù)提取方法，并通過現(xiàn)場試驗交叉驗證其可行性和可靠性。

如圖1所示，本研究提出的無人機(jī)交通參數(shù)提取方法包括外業(yè)和內(nèi)業(yè)部分，外業(yè)主要采集道路特征點世界坐標(biāo)和無人機(jī)視頻；內(nèi)業(yè)部分主要包括世界坐標(biāo)和圖像坐標(biāo)轉(zhuǎn)換、車輛檢測和追蹤、車輛交通參數(shù)計算和提取。

圖1 無人機(jī)視頻交通參數(shù)提取方法及流程

1 圖像參數(shù)轉(zhuǎn)換

1.1 坐標(biāo)系轉(zhuǎn)換

交通參數(shù)的獲取需要將圖像信息轉(zhuǎn)化為真實的物理信息，即需要將圖像坐標(biāo)轉(zhuǎn)化為真實坐標(biāo)來計算交通參數(shù)，建立圖像坐標(biāo)和世界坐標(biāo)的轉(zhuǎn)換矩陣是交通參數(shù)提取的基礎(chǔ)。

具體方法為：從每個視頻中挑選一幀圖像作為該視頻的參考幀，記為N0；在參考幀上標(biāo)記若干個標(biāo)記點，并記錄其圖像坐標(biāo)，同時獲取相同標(biāo)記點的世界坐標(biāo)，兩個坐標(biāo)系下的相同的兩個序列具有對應(yīng)關(guān)系，通過數(shù)學(xué)運算可計算出參考幀圖像坐標(biāo)系和世界坐標(biāo)系的透視投影矩陣T，從而利用透視投影矩陣T實現(xiàn)兩組坐標(biāo)系之間的轉(zhuǎn)換，這個過程稱為單應(yīng)性變換[20]。坐標(biāo)關(guān)系如下表示：

(1)

式中，[uvp]為世界坐標(biāo)，[x0y0z0]為參考幀N0的圖像坐標(biāo)。由于圖像坐標(biāo)為二維坐標(biāo)，無人機(jī)飛行高度遠(yuǎn)遠(yuǎn)大于路面坡度差，此時坐標(biāo)系轉(zhuǎn)化問題轉(zhuǎn)化為單平面轉(zhuǎn)換，故三維坐標(biāo)中高程方向的參數(shù)可取1[14]，可用式(2)表示：

(2)

將已知的世界坐標(biāo)以及參考幀的圖像坐標(biāo)代入上述公式中，即可求得透視投影矩陣T。

1.2 圖像匹配

在假設(shè)攝像機(jī)完全固定的前提下，場景內(nèi)所有相同位置的點在視頻圖像中每一幀的圖像坐標(biāo)是不會變化的，因此，理想狀態(tài)下投影矩陣T適用于整個視頻。然而，在實際場景下，攝像機(jī)可能受到外界的干擾(如微風(fēng)、抖動等)發(fā)生微小位移、俯仰角變化等。尤其是無人機(jī)，在采集數(shù)據(jù)的過程中不可能達(dá)到完全靜止，同一固定點不同幀的圖像坐標(biāo)會發(fā)生變化。因此，在完成圖像坐標(biāo)與世界坐標(biāo)轉(zhuǎn)換之后，需要旋轉(zhuǎn)位移矩陣W標(biāo)定第n幀與參考幀(N0)之間的對應(yīng)關(guān)系，這就是圖像匹配過程[21]。如式(3)表示不同幀之間的圖像匹配過程：

(3)

式中,(xn,yn)為第n幀圖像坐標(biāo);(x0,y0)為參考幀N0圖像坐標(biāo)，根據(jù)路面標(biāo)記的特征點，可得到多個方程組，從而求得第n幀與參考幀之間的旋轉(zhuǎn)位移矩陣W。

2 車輛檢測與跟蹤算法

2.1 車輛目標(biāo)檢測

車輛目標(biāo)檢測是交通參數(shù)提取的前提，也是計算機(jī)視覺與圖像處理領(lǐng)域最受關(guān)注的任務(wù)之一。

本研究采用YOLO v3車輛檢測模型，YOLO v3的核心思想是將每一幀圖像作為網(wǎng)絡(luò)輸入，然后在輸出層直接回歸出目標(biāo)框的位置和屬性類別，從而實現(xiàn)端對端的直接優(yōu)化。具體過程為：將輸入圖像分為S×S個網(wǎng)格，當(dāng)某個目標(biāo)中心落在這個網(wǎng)格中，則該網(wǎng)格就負(fù)責(zé)預(yù)測該目標(biāo)；然后，對每個網(wǎng)格預(yù)測B個邊框(Bounding Box)，每一個box包含4個信息：中心點坐標(biāo)(xc，yc)、高度(h)、寬度(w)及可信度(Confidence)；同時，在每個網(wǎng)格中預(yù)測C個類別概率值；則得到S×S×B個目標(biāo)預(yù)測窗口和S×S×B×(5+C)個預(yù)測參數(shù)，通過閾值篩選和非最大抑制(NMS)去除多余窗口；最終得到檢測目標(biāo)節(jié)點集N={Ni,i=1,2,3,…,n}和軌跡集T={Tj,j=1,2,3,…,m}。

YOLO v3是目前精度較高、速度較快的檢測算法，在Pascal Titan X上檢測速度達(dá)到了30幀/s。在mAP相當(dāng)?shù)那闆r下，YOLO v3的速度為SSD的2.8倍，是RetinaNet的4倍，更是FPN FRCN的7.8倍，可見YOLO v3的處理速度優(yōu)勢明顯[22]。

2.2 多目標(biāo)跟蹤算法

在目標(biāo)檢測過程中，可以獲取車輛在視頻每一幀中的位置、大小等信息。為了將同一個車輛的信息在視頻所有幀統(tǒng)一起來，需要將在不同幀出現(xiàn)的同一車輛命名同一個ID，為解決此問題，多目標(biāo)跟蹤算法被提出。本研究采用Deep-Sort多目標(biāo)跟蹤算法。其基本思想是基于檢測的跟蹤方法(Tracking-by-detection)[23]，其算法結(jié)構(gòu)如圖2所示。

圖2 Deep-Sort算法結(jié)構(gòu)

Deep-Sort多目標(biāo)跟蹤算法是通過卡爾曼濾波在圖像空間跟蹤目標(biāo)數(shù)據(jù)，以及對跟蹤和檢測結(jié)果進(jìn)行重疊度評價而實現(xiàn)數(shù)據(jù)關(guān)聯(lián)，從而實現(xiàn)對目標(biāo)跟蹤的算法。所花費的時間較短，精度較高的特點。實現(xiàn)步驟如下：

(1)將當(dāng)前幀目標(biāo)檢測節(jié)點集N={Ni,i=1,2,3,…,n}和軌跡集T={Tj,j=1,2,3,…,m}為數(shù)據(jù)輸入。

(4)通過匈牙利指派算法得到IOU最大的唯一匹配，進(jìn)行數(shù)據(jù)關(guān)聯(lián)[24-25]；采用級聯(lián)匹配的方式，使時間上臨近幾幀出現(xiàn)的目標(biāo)具有較高的分配權(quán)重，同時對于每條軌跡存儲數(shù)值δ,記錄軌跡從上一次成功匹配到此時的時間。若δ大于某一個設(shè)定的閾值，則認(rèn)為該條軌跡終止。

3 車輛交通參數(shù)提取方法

通過車輛目標(biāo)檢測和跟蹤，能夠產(chǎn)生不同幀同一車輛的位置信息，通過單應(yīng)性變換，計算車輛相鄰幀之間的真實移動距離，利用相鄰幀之間的時間差計算車輛的位移、瞬時車速及加速度。由于相鄰兩幀之間車輛的位置變化很小，無法準(zhǔn)確判斷車輛的位移。本研究以5幀為間隔研究車輛的位置變化，利用相鄰幀間的時間及車輛的真實位移計算車輛在相應(yīng)幀的車速、加速度車頭間距等車輛運行參數(shù)。

(1)速度

在圖像中選定檢測出車輛并對其進(jìn)行跟蹤，計算圖像上車輛的速度，如式(3)所示：

(3)

式中，lpicture是車輛中心點i幀的圖像位移；Δt是相鄰兩幀的時間間隔。

通過標(biāo)定車輛位置的變化可獲得車輛在圖像上的位移lpicture，根據(jù)坐標(biāo)轉(zhuǎn)換關(guān)系即可計算出車輛的真實位移lture，則目標(biāo)車輛的真實速度vture如式(4)所示：

(4)

(2)車道位置

除了人工標(biāo)記點，道路表面的車道線是車輛參數(shù)提取的重要參考之一，通過計算車輛和車道線的位置關(guān)系，可以獲得車輛行駛的車道和軌跡信息，進(jìn)而能夠分析車輛換道、超車等行為。

標(biāo)定幀中每條車道線的擬合函數(shù)集F={fi(x)},其中，i為車道線的數(shù)量。將檢測框矯正后的中心點的橫坐標(biāo)x′c代入F中，得到集合{ai}={fi(x′c)}，通過比較y′c和ai，若：

①ai

②ai≥y′c，說明第i條車道線在該中心點的下方。

由此來判定，該中心點位于哪兩條車道線之間，從而判定該檢測框代表的車輛當(dāng)前處于哪個車道。

4 驗證試驗

4.1 試驗過程

試驗共分4個步驟：試驗路段選取、路面特征點測量、試驗車輛準(zhǔn)備、無人機(jī)懸停拍攝。

選取西安繞城高速丈八立交出口硬鼻端至上游約1 km范圍為試驗路段(如圖3所示)，選用大疆PHANTOM 4 PRO無人機(jī)進(jìn)行空中俯拍，此無人機(jī)相機(jī)參數(shù)為：3 840×2 160 24/25/30p@100 Mbps，重量1.375 kg；選取路面標(biāo)線和人工標(biāo)記點為特征點，特征是圖像坐標(biāo)和世界坐標(biāo)轉(zhuǎn)換的紐帶，因此，試驗之前在試驗路段路面每間隔50 m粘貼方形標(biāo)記塊(50 cm×50 cm)，共增加40個人工標(biāo)記點(如圖4所示)，道路標(biāo)線端頭作為道路自身標(biāo)記點，共計386個道路特征點，并對特征點進(jìn)行高精度測量，記錄其世界坐標(biāo)下的經(jīng)緯度坐標(biāo)。

圖3 試驗路段及試驗車輛

圖4 路面標(biāo)記點坐標(biāo)測量

選用天寶Trimble SPS985 GNSS智能一體機(jī)RTK和車載OBD采集車輛實時運動參數(shù)。試驗車輛準(zhǔn)備階段，用1 m×1 m方形標(biāo)記塊標(biāo)記兩輛試驗車輛；并在試驗車輛頂部標(biāo)記中心處安裝高精度GNSS差分定位移動站，設(shè)定數(shù)據(jù)頻率為20 Hz；調(diào)試車載OBD通過藍(lán)牙與手機(jī)APP連接，實時記錄車輛總線數(shù)據(jù)。車載OBD實時輸出車輛速度、加速度、位置等信息；GNSS通過差分基站能夠?qū)⒍ㄎ痪忍岣叩嚼迕准?，輸出車輛實時位置、速度等信息[26]；結(jié)合兩種設(shè)備的輸出數(shù)據(jù)，組合驗證視頻識別算法的準(zhǔn)確性和精度。驗證試驗過程如圖5所示。

圖5 試驗過程示意

驗證試驗過程在2019年4月23日，晴朗、無風(fēng)天氣進(jìn)行，試驗時間段為上午9：30～下午5：00，無人機(jī)操作員在進(jìn)行每次飛行監(jiān)測前監(jiān)測控制面板和無人機(jī)終端通信連路、檢測電池容量；飛行高度共有150，200，210，250，350 m這5種，試驗路段試驗車輛行駛速度40～90 km/h之間；單次飛行試驗持續(xù)10 min，共進(jìn)行7次不同高度、不同運行速度試驗設(shè)計，共拍攝70 min試驗路段監(jiān)測視頻，其中試驗車輛出現(xiàn)時間共計210 s，產(chǎn)生5 400幀含試驗車輛的畫面，共計1 192個速度驗證信息，如圖6所示。驗證試驗設(shè)計如表1所示。

圖6 實時記錄的數(shù)據(jù)驗證

表1 驗證試驗信息

4.2 數(shù)據(jù)分析

在上述試驗路段、試驗車輛視頻數(shù)據(jù)采集外業(yè)工作完成之后，內(nèi)業(yè)數(shù)據(jù)處理主要集中在車輛視頻監(jiān)測算法、跟蹤算法訓(xùn)練和交通參數(shù)對比分析。

(1) 目標(biāo)檢測精度

本研究利用YOLO v3神經(jīng)網(wǎng)絡(luò)架構(gòu)模型訓(xùn)練試驗路段場景下的視頻數(shù)據(jù)，算法代碼用Python語言編寫。訓(xùn)練模型時，需要對動量(momentum)、衰減(decay)和學(xué)習(xí)率的進(jìn)行設(shè)定；本研究設(shè)定參數(shù)Momentum=0.93、decay=0.005；為了防止過高的學(xué)習(xí)率導(dǎo)致不穩(wěn)定的梯度下降而使得檢測模型發(fā)散，學(xué)習(xí)率初始值設(shè)定為 0.000 1；當(dāng)?shù)_(dá)到45 000次時，損失曲線趨于平穩(wěn)，但平均損失值還沒有下降到0.1以內(nèi)，繼而設(shè)定在 45 000次時學(xué)習(xí)率為 0.000 01，繼續(xù)訓(xùn)練；最終迭代至85 000次附近時趨于平穩(wěn)，得到最后檢測模型。檢測結(jié)果如圖7所示，精度如表2所示。

表2 目標(biāo)檢測結(jié)果

圖7 無人機(jī)視頻目標(biāo)檢測

在對目標(biāo)檢測模型進(jìn)行訓(xùn)練時，本研究主要利用兩個指標(biāo)：精確率(Precision)和召回率(Recall)評估車輛檢測精度[27]。

Precision=TP/(TP+FP),

(5)

Recall=TP/(TP+FN),

(6)

式中，TP(True Positives)為被正確檢測為運動車輛的像素數(shù)量；FP(False Positives)為被錯誤檢測為運動車輛的像素數(shù)量；FN(False Negatives)為被錯誤檢測為背景的像素數(shù)量。同時根據(jù)召回率與精度，可以計算AP(Average Precision)，AP為在各個等差召回率下精度的平均值，由此可表征模型的精度。

結(jié)果表明：試驗路段試驗車輛目標(biāo)檢測召回率與精度分別為98.9%，99.9%，平均精度為90.88%。

(2)目標(biāo)追蹤精度

多目標(biāo)跟蹤的精度主要由MOTA ( Multiple Object Tracking Accuracy)和MOTP (Multiple Object Tracking Precision)指標(biāo)評價[28]，這兩個指標(biāo)均是將所有幀中的相關(guān)跟蹤指標(biāo)進(jìn)行加權(quán)計算后，再取平均值的結(jié)果。

(7)

(8)

式中，F(xiàn)Nt為當(dāng)前幀中未被匹配到的目標(biāo)數(shù)；FPt為跟蹤器預(yù)測額外的軌跡數(shù)；IDSW(ID Switch)為同一個目標(biāo)，在跟蹤過程中，為其分配的ID變化的次數(shù)，其表征的是標(biāo)簽信息發(fā)生的錯誤；IOU為預(yù)測框與對應(yīng)的檢測框之間Bonding box的重合比率；Gt則是當(dāng)前幀中目標(biāo)匹配成功的數(shù)目。

MOTA主要衡量的是跟蹤過程中所有目標(biāo)匹配成功的精度，直觀地顯示目標(biāo)跟蹤器在保持目標(biāo)軌跡的能力，與預(yù)測目標(biāo)位置的精度無關(guān)；MOTA越大跟蹤精度越高。MOTP主要衡量的是目標(biāo)檢測的精度，與位置信息相關(guān)，而與跟蹤匹配的精度無關(guān)；MOTP越大，預(yù)測框的位置更加精確。結(jié)果表明，多目標(biāo)跟蹤的準(zhǔn)確率達(dá)98.9%，如圖8和表3所示。

圖8 無人機(jī)視頻多目標(biāo)跟蹤

表3 多目標(biāo)跟蹤結(jié)果

(3)速度提取精度

車輛目標(biāo)檢測和跟蹤能夠輸出車輛的時空信息，根據(jù)其坐標(biāo)位置、時間數(shù)據(jù)，可以計算視頻算法下車輛速度、軌跡等信息，進(jìn)而目標(biāo)車輛的不良交通行為(如變道、超速、蛇形駕駛)可識別。但是，對于交通參數(shù)而言，最核心、最基本的參數(shù)是車輛速度、軌跡信息，其他參數(shù)基本可以通過速度、位置、時間數(shù)據(jù)變換而得到。因此，本研究聚焦無人機(jī)視頻車輛速度數(shù)據(jù)的提取驗證。

由于每兩幀的時間間隔過低，僅僅根據(jù)兩幀間的時間差來計算速度容易造成較大的誤差，故當(dāng)前幀與第前5幀計算一次速度；由于高精度GNSS定位輸出數(shù)據(jù)設(shè)定為20 Hz、車載OBD輸出數(shù)據(jù)為5 Hz，為了對應(yīng)OBD驗證數(shù)據(jù)，視頻識別算法輸出速度數(shù)據(jù)也設(shè)定為5 Hz、高精度GNSS定位輸出數(shù)據(jù)平均至最近的OBD時間點；如高精度定位GNSS在11:00:06，11:00:09 ， 11:00:12 ，11:00:15 時間的的平均值對應(yīng)車載OBD在11:00:12的速度數(shù)據(jù)。速度準(zhǔn)確性用最大絕對誤差和平均相對誤差衡量，結(jié)果如下所示。

如圖9所示，高精度GNSS-RTK定位和車載OBD輸出數(shù)據(jù)基本重合，以GNSS-RTK和車載OBD輸出速度的平均值作為參考速度數(shù)據(jù)，衡量視頻識別算法提取速度數(shù)據(jù)的準(zhǔn)確性。由圖中可看出，視頻算法提取的速度與驗證速度偏差最大位置集中在視頻的開始和結(jié)束幀段，這是由于在此幀段范圍內(nèi)車身并未全部出現(xiàn)在圖像畫面中，造成檢測中心坐標(biāo)的偏差，進(jìn)而影響速度參數(shù)的誤差。

圖9 驗證試驗數(shù)據(jù)對比示例

由表4可以看出，在試驗路段進(jìn)行不同飛行高度、不同行駛速度7次試驗后，試驗車A、試驗車B分別產(chǎn)生593，599個速度樣本數(shù)據(jù)，結(jié)果表明：試驗車A、試驗車B最大絕對誤差分別為2.72，2.99 km/h，相對誤差分別為0.85%，1.03%；這表明，視頻識別算法提取的車輛速度參數(shù)整體絕對誤差在±3 km/h以內(nèi)、相對誤差在2%以內(nèi)，整體準(zhǔn)確率達(dá)98%。

表4 驗證試驗結(jié)果

5 結(jié)論

無人機(jī)視頻監(jiān)測不同于傳統(tǒng)固定型檢測器和移動型檢測器，根據(jù)應(yīng)用場景需求，無人機(jī)可定點、可移動，且視頻信息量大、可溯源，在智能交通領(lǐng)域的應(yīng)用有諸多探索。機(jī)動靈活、實時準(zhǔn)確、高可靠性的獲取目標(biāo)區(qū)域的微觀交通參數(shù)，是智慧交通需要解決的關(guān)鍵性問題之一。針對無人機(jī)視頻車輛參數(shù)提取問題，基于圖像視頻識別技術(shù)，本研究提出視頻車輛運動參數(shù)自動提取方法和流程，并采用高精度GNSS定位和車載OBD裝載試驗車輛，在西安繞城丈八出口實地組合驗證視頻識別算法準(zhǔn)確性。通過以上研究和試驗得出以下結(jié)論：

(1)本研究提出的基于YOLO v3和Deep-Sort無人機(jī)視頻交通參數(shù)提取方法，在試驗場景中檢測召回率和精度分別達(dá)98.9%，99.9%，平均精度為90.88%；多目標(biāo)跟蹤的準(zhǔn)確率達(dá)98.9%。

(2)利用高精度定位GNSS和車載OBD加裝的2輛試驗車，共產(chǎn)生5 400幀圖像數(shù)據(jù)、1 192個驗證速度點數(shù)據(jù)，速度參數(shù)對比結(jié)果表明：車輛速度參數(shù)整體絕對誤差在±3 km/h以內(nèi)、相對誤差在2%以內(nèi)，參數(shù)提取整體準(zhǔn)確率達(dá)98%。

(3)7組不同飛行高度、不同運行速度提取的速度參數(shù)誤差變化不大，這表明本研究提出的無人機(jī)視頻交通參數(shù)提取方法魯棒性較高，這得益于試驗之前進(jìn)行了大量的道路特征點采集，使得世界坐標(biāo)和圖像坐標(biāo)轉(zhuǎn)換過程中誤差較小。

無人機(jī)空中監(jiān)測提取車輛微觀參數(shù)可為智慧交通管控、交通安全研究、交通數(shù)據(jù)采集等提供新的思路。但是，上述方法僅在高速公路出口上游路段場景試驗驗證，其方法的可交互性和可轉(zhuǎn)移性還有待其他場景試驗進(jìn)一步驗證。本研究試驗過程無人機(jī)飛行高度在150～350 m，更高的飛行高度可能會造成參數(shù)提取誤差較大的結(jié)果。后續(xù)研究將集中在多場景方法驗證、不良駕駛行為參數(shù)分析、實時主動安全預(yù)警等方面。