基于車牌自動識別數(shù)據(jù)的車輛OD軌跡還原①

王 杰,范曉武,何逸昕,陶 峰

(浙江綜合交通大數(shù)據(jù)中心有限公司,杭州 310005)

大規(guī)模的車輛軌跡數(shù)據(jù)可通過GPS、手機信令、視頻監(jiān)控、感應(yīng)線圈等技術(shù)獲取[1]. 利用地理信息系統(tǒng)(geographic information system,GIS)將這些軌跡數(shù)據(jù)投影在電子地圖上,能直觀地顯示交通環(huán)境,進行實時的交通智能信息分析. 同時,深入分析車輛軌跡數(shù)據(jù)還可獲取道路起訖點(origin-destination,OD)、出行偏好等信息. 為公路規(guī)劃、建設(shè)養(yǎng)護等工作提供重要決策支撐[2].

在上述的交通信息采集技術(shù)中,使用部署在道路上的攝像采集設(shè)備,通過自動車牌識別技術(shù)能獲取車輛的行駛狀態(tài),如時間、車牌號、速度、車道和方向.這些行駛狀態(tài),結(jié)合道路網(wǎng)絡(luò)拓撲結(jié)構(gòu),即可得到車輛時序軌跡數(shù)據(jù). 與基于GPS[3,4]、手機信令[5]、感應(yīng)線圈[6]等方法相比,使用攝像采集技術(shù)具有覆蓋面積廣、安裝維護便捷、連續(xù)性強、樣本量大的優(yōu)勢. 同時還可提供可視化圖像,以保證數(shù)據(jù)的精準性[7]. 由此產(chǎn)生了大量基于車牌識別數(shù)據(jù)的交通特性分析研究,但現(xiàn)有的研究[7–10]主要集中在交通小區(qū)交通量、出入站情況、通行效率等宏觀特性提取,很少有研究關(guān)注到微觀的車輛出行軌跡提取與分析. 然而,完整可靠的車輛出行軌跡蘊含豐富的交通運行狀態(tài)信息,能系統(tǒng)、全面地再現(xiàn)復(fù)雜的道路交通運行場景,對交通管控至關(guān)重要.

基于車牌識別數(shù)據(jù)的出行軌跡的研究具有很大挑戰(zhàn),主要原因在于以下2 點: 1)受設(shè)備采樣頻率、信號質(zhì)量、天氣環(huán)境等多種因素影響,導(dǎo)致部分軌跡數(shù)據(jù)錯誤或者漏檢,使得車輛軌跡數(shù)據(jù)呈現(xiàn)稀疏不完整性. 2)以往的出行路徑還原方法沒有充分利用視頻圖像檢測器獲取的駕駛狀態(tài),忽略了出行者路徑?jīng)Q策的主觀行為.

直觀地說,針對稀疏不完整的車牌軌跡數(shù)據(jù),充分考慮每2 個監(jiān)測點之間不同的路線選擇方案,以挖掘駕駛員潛在的行駛規(guī)律,可有效提升算法的魯棒性. 為實現(xiàn)此目標,本文提出一種新的OD 軌跡還原算法. 該算法的主要貢獻有: 1)設(shè)計一種基于K 則最短路徑算法(K shortest paths,KSP)的候選路徑生成方法,以模擬出行者復(fù)雜的路徑?jīng)Q策行為. 2)應(yīng)用變分自編碼器(variational auto-encoder,VAE)對多個候選軌跡就行最優(yōu)化估計,以此重建還原車輛的完整通行軌跡. 該算法在杭州市蕭山區(qū)實際交通小區(qū)進行驗證評估. 實驗結(jié)果表明,該方法在軌跡還原精準度上準達到了95%,遠高于用于對比的基準模型. 此外,該方法還被證明能有效適應(yīng)數(shù)據(jù)缺失率高的場景,在基于稀疏數(shù)據(jù)的軌跡重建上顯示出巨大的應(yīng)用前景.

1 OD 軌跡還原算法

本文提出了一種基于稀疏車牌數(shù)據(jù)的軌跡還原算法. 如圖1,該算法框架主要由4 個模塊組成: 1)出行鏈驗證分離; 2)候選路徑生成; 3)路徑校驗; 4)路徑?jīng)Q策. 本節(jié)將對以上模塊展開詳細描述.

圖1 OD 軌跡還原算法框架

為了便于描述,設(shè)定G=(V,E)為交通小區(qū)的網(wǎng)絡(luò)拓撲圖,V={r1,r2,···,rm}為該小區(qū)路口集合,E={,···}為路段集合,其中,m表示交叉路口數(shù)量,表示第i個交叉口與第j個交叉口之間的路段.設(shè)定車牌識別技術(shù)與路網(wǎng)匹配得到的時序車牌序列為S={s1,···,sn},同時將序列中每個樣本表示為sk=(tk,uk,gk,,dk). 其中,n代表統(tǒng)計時間內(nèi)該車輛所有被識別到的樣本數(shù);tk表示第k條樣本的檢測時間;uk表示攝像采集設(shè)備的ID 編碼;gk表示該設(shè)備所在位置,由經(jīng)緯度表示; 為設(shè)備所在路段;dk代表識別車 輛的行駛方向.

1.1 出行鏈驗證分離

對識別到的所有行駛狀態(tài)按車牌號進行分組,再以檢測時間排序,可得到采樣時間段內(nèi)每輛車的出行鏈. 如圖2 所示,該出行鏈來自于多個時間段統(tǒng)計聚合,可能包含多個不同目的的OD 出行. 本節(jié)首先對整個出行鏈進行驗證,結(jié)合相鄰樣本間空間距離與通行間隔將原始時序數(shù)據(jù)劃分為多個OD 片段,從而保證軌跡推導(dǎo)模型數(shù)據(jù)的真實可靠.

圖2 多OD 出行鏈示例

具體來說,給予一輛車在統(tǒng)計時間內(nèi)的出行鏈,即車牌時序序列S={s1,···,sn},對任意2 個相鄰樣本點si和si+1,通過樣本點中記錄的位置信息gi和gi+1可計算得到最短的曼哈頓街區(qū)距離d. 同時,相鄰樣本點通行的時間間隔 ?t可由檢測時間ti+1和ti相減得到. 這樣每兩個相鄰樣本點的通行平均速度可以表示為:

然后,判定vi,i+1是否處于預(yù)定的最低通行速度閾值vmin和最高通行速度閾值vmax之間. 當(dāng)vi,i+1偏離預(yù)設(shè)速度閾值時,將該檢測樣本點si標記為上一段OD 的終止點,si+1標記為下一段OD 的起始點.

1.2 候選軌跡生成

出行鏈經(jīng)過驗證分離轉(zhuǎn)化為僅包含一個O 點和D 點的獨立軌跡片段. 在實際道路環(huán)境中,設(shè)備的未覆蓋、漏檢或者錯檢,導(dǎo)致這些獨立的OD 片段往往呈現(xiàn)出稀疏不完整的性質(zhì). 為獲取完整的OD 軌跡供后續(xù)分析使用,需要對缺失的軌跡數(shù)據(jù)進行補全還原.

如圖3 所示,車輛在兩個間斷點有多條距離相當(dāng)?shù)目蛇x通行路徑,直接假設(shè)車輛以最短路徑行駛顯然不再適用. 本文設(shè)計了一種新的路徑還原思路. 對兩個間斷樣本點潛在路徑求解,以模擬真實道路交通場景下,出行者復(fù)雜的道路選擇; 再對候選路徑進行校驗,擇優(yōu),以獲取最終的通行路徑.

圖3 OD 缺失拓撲圖

具體來說,給予分割后的OD 軌跡序列S′={so,···,sd},o,d≤n,生成潛在候選軌跡的步驟如下:

步驟1: 判斷S′中任意2 個相鄰樣本點所在的路段 和在路網(wǎng)空間中是否相鄰.

步驟2: 如果存在有 和空間不相鄰,采用K 則最短路徑算法(KSP)在交通小區(qū)內(nèi)搜索候選路徑. 根據(jù)實際道路行駛路徑選擇一般特性,一段短距離OD 點內(nèi)出行可能路徑小于或等于3,由此本文設(shè)定每兩個間斷點的候選路徑數(shù)目不超過3.

步驟3: 匯總并排列組合,得到so至sd中所有可供選擇的候選軌跡集合q1,q2,···,qn. 需要注意,為提高復(fù)雜路網(wǎng)下軌跡生成效率,本文設(shè)定n=10,即僅保留可行軌跡中路徑最短的前10 條路徑.

1.3 路徑校驗

生成候選路徑的方式將求解完整出行軌跡的問題轉(zhuǎn)化為從多個可行路徑中選取一條最符合出行者駕駛風(fēng)格路徑的問題. 為此,本文構(gòu)建了一系列的決策指標以模擬出行者路徑選擇決策過程. 從實際出行決策角度,需要考慮的主要因素包括: 路徑距離、通行時間、含信號交叉口、轉(zhuǎn)彎次數(shù)等[11–13]. 然而,以上因素同屬于靜態(tài)因素,缺乏與出行者固有行駛習(xí)慣的關(guān)聯(lián).

為解決這個問題,本文特別設(shè)計了通行時間一致性和軌跡偏好2 個動態(tài)指標. 其中,通行時間一致性表示當(dāng)前候選OD 軌跡先驗的平均通行時間與實際的通行時間?tqi之間的相符程度,其計算過程如式(2)所示:

值越大表示該候選路徑與實際通行路徑越接近.而軌跡偏好程度用于描述該候選軌跡的實際通行情況占所有軌跡通行情況的比例,求解過程可以描述為:

其中,函數(shù)number(·)表示該路徑在車牌識別數(shù)據(jù)集中出現(xiàn)的次數(shù),n=10表示生成的候選路徑的數(shù)量.

此外,為區(qū)分每個指標內(nèi)部的顯著性,本文使用zscore 方法對所有指標進行歸一化:

其中,ei屬于路徑距離、通行時間、含信號交叉口、轉(zhuǎn)彎次數(shù)、通行時間一致性和軌跡偏好6 個指標的集合,μ表示當(dāng)前指標的均值.

1.4 最優(yōu)路徑選擇

通過候選OD 軌跡的各項校驗指標可計算得到最合適的行駛軌跡,這本質(zhì)上可視為多屬性決策問題. 以往通常使用主成分分析、灰色關(guān)聯(lián)分析等方法進行多屬性決策的研究,但這樣的方法存在計算復(fù)雜度高,特征提取效率低等缺陷. 受Wu 等人[14]的啟發(fā),他們在風(fēng)格遷移任務(wù)中首次提出圖像的風(fēng)格可以由實例的均值和方差來表示. 基于此,本文設(shè)計了一種基于VAE 模型的多屬性路徑?jīng)Q策方法. 該方法可以通過VAE 算法的編碼器得到輸入候選軌跡校驗指標的均值和方差,并以此作為出行者固定的風(fēng)格習(xí)慣,從而將最符出行者出行風(fēng)格的路徑中候選路徑中挑選出來.

圖4 展示了VAE 模型的計算流程. 基于VAE 的路徑?jīng)Q策方法以候選軌跡的指標組成的多維向量作為輸入,通過模型學(xué)習(xí)軌跡指標之間的分布關(guān)系. 最終,每條候選軌跡計算得到的均值和方差會與代表出行者出行固有習(xí)慣的先驗值比較,越接近代表越符合最優(yōu)路徑,如圖5 所示.

圖4 VAE 模型流程圖

圖5 候選軌跡均值方差(▲)與先驗值(X)的空間分布

通過VAE 優(yōu)化校驗指標的目標函數(shù)可以表示為:

2 結(jié)果與分析

2.1 數(shù)據(jù)說明

本文所述算法在杭州蕭山S103 交通小區(qū)進行測試驗證. 實施范圍如圖6 所示,該路網(wǎng)包括34 個路口、50 個路段. 每個路段皆配備1–2 個攝像采集設(shè)備,總計117 個. 在2021 年5 月6 日至2021 年8 月6 日時間范圍內(nèi),通過自動車牌識別技術(shù)對該交通小區(qū)路網(wǎng)內(nèi)車輛的交通狀態(tài)進行提取. 所提取識別數(shù)據(jù)中包含亂碼信息、邏輯關(guān)系混亂 、以及車牌不符合規(guī)范等異常軌跡信息,剔除后最終得到259219 條可用的稀疏車輛行駛軌跡序列. 每條序列包含了檢測設(shè)備編碼、時間、地點、車牌號等信息,詳細數(shù)據(jù)如表1 所示.

圖6 杭州蕭山S103 交通小區(qū)

表1 預(yù)處理后的車牌識別

2.2 實驗結(jié)果

本小節(jié)將展示一系列的數(shù)值化和可視化結(jié)果,對本文提出的OD 還原算法進行評估.

2.2.1 軌跡還原對比實驗

本文選取了幾個比較有競爭力的模型作為基準來驗證算法性能. 包括: (1)最短路徑法(SP)[15],以間斷點最短路徑作為補全還原的路徑; (2)主成分分析法(PCA)[16],將每個候選軌跡的校驗指標映射到2 個維度,并以此作為均值方差的替代; (3)自編碼器(AE)[17],同PCA,可自動學(xué)習(xí)數(shù)據(jù)映射規(guī)律,并映射到2 個維度.

驗證使用的數(shù)據(jù)集是原始車牌識別數(shù)據(jù)的子集,包括了1208 輛車的總計15812 條不存在間斷點的軌跡數(shù)據(jù),且每輛車的每個OD 內(nèi)的軌跡滿足檢測樣本數(shù)不小于10. 對于每個完整OD 軌跡Si′={so,···,sd},實驗中隨機的刪除首末樣本點間k∈{1,2,3,···,7}個連續(xù)的節(jié)點以獲取不完整的軌跡. 之后,再通過軌跡還原算法進行補全得到完整的重建軌跡S′i′={so?,···,sd?}. 那么OD 軌跡還原算法的準確率可以表示為:

其中,函數(shù)bool(S′i,S′i′)∈{0,1},當(dāng)重建軌跡S′i′與原始完整軌跡S′i一致時為1,反之為0.

表2 展示了對比實驗的結(jié)果,從表中可以發(fā)現(xiàn),SP 算法在軌跡還原的精準度上表現(xiàn)最差,隨著節(jié)點缺失率的增加,SP 具有最大的降幅(如圖7 所示). 主要原因在于,SP 算法假設(shè)駕駛車輛以最短的路徑行駛,忽略了出行者主觀決策等對駕駛路徑的影響. 而PCA、AE 和文本提出的算法通過候選軌跡生成模擬出行者的路線選擇過程,在指標上明顯優(yōu)于SP 算法. 相較于PCA 和AE,本文使用VAE 對每條候選軌跡計算抽象意義的均值和方差,以此作為出行者的出行風(fēng)格、固有習(xí)慣,這促使本文所提出的算法取得更優(yōu)越的性能. 此外,從表2 最后一行指標和圖7 的可視化視圖,還可以發(fā)現(xiàn),與表現(xiàn)最好的對比模型AE 相比,在缺失樣本點低(不超過5 個)時,兩個算法取得了相當(dāng)?shù)男阅? 但在節(jié)點缺失率更高時,本文的算法表現(xiàn)出更強大的適應(yīng)能力(在缺失節(jié)點為7 時,優(yōu)于表現(xiàn)最好的AE 算法11%).

表2 本文提出算法與對比算法的準確率表現(xiàn)

圖7 不同算法的準確率表現(xiàn)

表3 展示了各個算法的時空消耗表現(xiàn). 盡管SP 算法擁有極高的運算效率,但在精度上面很難滿足實際需求. 在精度相對比較高的PCA、AE 和本文的算法中,本文算法與AE 算法在運行效率上都明顯優(yōu)于PCA 算法. 盡管本文所提出的算法擁有最高的參數(shù)量,但減少一定運算的時空效率給算法帶來的是大幅度的精度上的提升.

表3 本文提出算法與對比算法的時空消耗

2.2.2 攝像采集設(shè)備覆蓋率分析

利用大數(shù)據(jù)技術(shù)、車牌自動識別技術(shù),借助當(dāng)前高密度、高精度的監(jiān)測設(shè)備,深挖車牌照的自動識別信息,實現(xiàn)OD 數(shù)據(jù)與交通運行數(shù)據(jù)的智能化提取,是適應(yīng)當(dāng)前復(fù)雜的交通發(fā)展狀況與精確的交通數(shù)據(jù)需求的思路.但在實際道路交通中,并非每個路口、路段都已部署攝像采集設(shè)備. 研究不同覆蓋率與軌跡還原準確率的關(guān)系,可以在保證達到識別性能和還原效果的情況下,降低設(shè)備覆蓋率,讓軌跡分析系統(tǒng)以更經(jīng)濟、高效的方式運行.

由此,本文進一步測試了不同攝像采集設(shè)備覆蓋率下車輛OD 軌跡還原的準確率. 從交通小區(qū)所有采集設(shè)備中隨機刪除10%、20%、30%、40%、60%、60%和70%的設(shè)備以及這些設(shè)備對應(yīng)的識別數(shù)據(jù),模擬90%至40%之間以10%為間隔的不同設(shè)備覆蓋率情況,并通過本文提出算法和對比模型中表現(xiàn)最好的自動編碼器(AE)進行軌跡的還原重建. 圖8 展示了不同設(shè)備覆蓋率下本文提出算法與AE 算法軌跡還原的精準度變化情況. 從圖中可以發(fā)現(xiàn),隨著設(shè)備覆蓋率的減少,兩者軌跡還原的精度都有所下降. 且覆蓋率越低,對應(yīng)的下降幅度越大. 不同的是: (1)本文提出的算法在所有覆蓋率下的精度都優(yōu)與AE 算法; (2)在90%–50%的覆蓋率間,本文提出的算法隨覆蓋率下降帶來的準確率的衰退不超過6.6%,而AE 在覆蓋率由70%減少60%時,精度就大幅度的衰退了10.3%. (3)在覆蓋率50%-30%之間,雖然兩者精度都大幅衰退,本文算法始終保值更高的精度以及更小的下降幅度. 以上這些觀察證明,在覆蓋率高的情況下,本文算法更加準確、有效. 且在覆蓋率低的情況下,本文算法依然具有非常良好的適應(yīng)能力.

圖8 不同攝像點位覆蓋率下本文提出算法準確率表現(xiàn)

2.2.3 敏感性分析

第1.3 節(jié)介紹了影響最終最優(yōu)路徑?jīng)Q策的6 個關(guān)鍵性指標: 路徑距離、通行時間、含信號交叉口、轉(zhuǎn)彎次數(shù)、通行時間一致性和軌跡偏好. 計算選擇路徑與以上指標的相關(guān)系數(shù)可以得到每個指標對最終決策的影響程度. 圖9 展示了各校驗指標與決策路徑的相關(guān)系數(shù)矩陣,其中,顏色越深代表相關(guān)性越強.

圖9 各校驗指標與決策路徑之間的相關(guān)系數(shù)矩陣

由圖9 可知,本文所提出的時間一致性和軌跡偏好2 個動態(tài)性指標最終的決策路徑保持著較高的相關(guān)稀疏,分別為0.65 和0.77. 在通用的靜態(tài)決策指標中,含信號燈交叉路口數(shù)對最終決策的影響最高,為0.65.總的來說,本文所提出的2 個動態(tài)性指標,在最終的軌跡還原中起到了非常積極的促進作用.

3 總結(jié)

本文提出一種基于車牌識別數(shù)據(jù)的城市交通網(wǎng)絡(luò)車輛軌跡重建算法. 基于車牌識別時序序列,該方法充分考慮到出行者出行過程中復(fù)雜道路選擇決策過程,從而擬合產(chǎn)生最適合出行者主觀行駛風(fēng)格的通行路徑.通過杭州市蕭山區(qū)實際交通小區(qū)對該方法進行校驗,綜合實驗結(jié)果表明了算法時魯棒可靠的,為稀疏車牌數(shù)據(jù)的軌跡還原提供了一個強有力的基準.