基于卡爾曼濾波-LSTM模型的車速估計(jì)方法

易可夫，陳 托，郝 威

(1.長(zhǎng)沙理工大學(xué) 汽車與機(jī)械工程學(xué)院，湖南 長(zhǎng)沙 410114；2.長(zhǎng)沙理工大學(xué) 交通運(yùn)輸工程學(xué)院，湖南 長(zhǎng)沙 410114)

隨著新型城鎮(zhèn)化的深入推進(jìn)、居民經(jīng)濟(jì)收入水平的顯著提高，我國(guó)進(jìn)入到以私人小汽車爆發(fā)式增長(zhǎng)為核心特征的機(jī)動(dòng)化發(fā)展階段，機(jī)動(dòng)車出行需求持續(xù)快速增長(zhǎng)。盡管如今城市道路基礎(chǔ)設(shè)施建設(shè)逐步完善，但由于汽車保有量持續(xù)上升，城市道路交通事故數(shù)量明顯升高，機(jī)動(dòng)車交通違法也成為城市道路交通事故的最主要成因[1]。信號(hào)交叉路口作為城市道路結(jié)點(diǎn)，在路網(wǎng)中起著各路交通流互通作用，與普通路段相比更容易誘發(fā)交通事故。據(jù)統(tǒng)計(jì)，2015年我國(guó)有30%的交通事故發(fā)生在交叉口，其安全問(wèn)題仍亟待解決[2]。

車速是表征機(jī)動(dòng)車運(yùn)行狀態(tài)的指標(biāo)之一。掌握車速的分布特征是進(jìn)行交通規(guī)劃、交通設(shè)計(jì)、交通管理的基礎(chǔ)，對(duì)國(guó)內(nèi)交通流理論研究、交通安全研究有著重要意義。有研究表明，車速分布對(duì)交通事故率有一定影響，掌握車速分布類型和特征能為道路安全性提供理論指導(dǎo)[3]。信號(hào)交叉口作為事故的主要發(fā)生地，進(jìn)行速度分布研究是有必要的。為了高效獲得信號(hào)交叉路口機(jī)動(dòng)車速度數(shù)據(jù)，選擇合適的速度估計(jì)方法也是十分重要的。

速度估計(jì)方法可分為非視頻識(shí)別估計(jì)方法和視頻識(shí)別估計(jì)方法。針對(duì)非視頻識(shí)別估計(jì)方法，姚亞軍等[4]通過(guò)地埋環(huán)形線圈檢測(cè)器獲得通過(guò)車輛的時(shí)間-振蕩頻率曲線，利用曲線變換后的斜率實(shí)現(xiàn)車輛速度的測(cè)量。任彥銘等[5]采用人工手持雷達(dá)測(cè)速槍對(duì)城市主干道進(jìn)行車速采集，并對(duì)采集數(shù)據(jù)討論了不同類型主干道的車速分布類型、集中趨勢(shì)和離散程度。ZHANG等[6]通過(guò)兩個(gè)位置的傳感器進(jìn)行車速估計(jì)，并采用動(dòng)態(tài)時(shí)間規(guī)整算法(Dynamic Time Warping，DTM)來(lái)減少傳輸數(shù)據(jù)失真，其速度估計(jì)準(zhǔn)確率高于98%。

基于視頻識(shí)別車速估計(jì)可分為傳統(tǒng)視頻估計(jì)方法和深度學(xué)習(xí)視頻估計(jì)方法。針對(duì)傳統(tǒng)視頻估計(jì)方法，El等[7]采用背景減法來(lái)檢測(cè)車輛，利用加速穩(wěn)健特征算法(Speeded Up Robust Features，SURF)對(duì)車牌等顯著特征進(jìn)行匹配，生成稀疏深度圖后，根據(jù)距離變換與幀差估計(jì)平均速度。楊軫等[2]提出一種基于視頻的交叉口內(nèi)目標(biāo)運(yùn)動(dòng)軌跡自動(dòng)采集方法，通過(guò)視覺(jué)前景提取算法(Visual Background Extractor，ViBe)與混合高斯模型(GaussianMixtureModel，GMM)相結(jié)合的方法提取目標(biāo)前景，然后基于光流的方法實(shí)現(xiàn)目標(biāo)跟蹤，利用透視變換原理得到目標(biāo)的真實(shí)軌跡與運(yùn)動(dòng)參數(shù)，從而實(shí)現(xiàn)對(duì)目標(biāo)加速度與速度的估計(jì)，估計(jì)準(zhǔn)確率達(dá)到91.71%。ARINALDI等[8]采用支持向量機(jī)和混合高斯背景減法對(duì)交通視頻內(nèi)的車輛進(jìn)行檢測(cè)和分類，采用核相關(guān)濾波算法(Kernel Correlation Filter，KCF)對(duì)檢測(cè)車輛的位置進(jìn)行短期的跟蹤后，利用幀差法來(lái)估計(jì)車輛速度。TOURANI等[9]通過(guò)混合高斯背景減法進(jìn)行車輛檢測(cè)，利用形態(tài)學(xué)變換與過(guò)濾來(lái)保留車輛對(duì)象，采用斑點(diǎn)跟蹤算法進(jìn)行跟蹤。根據(jù)連續(xù)幀內(nèi)行駛的距離估計(jì)車速，估計(jì)準(zhǔn)確率達(dá)94.8%。針對(duì)深度學(xué)習(xí)視頻估計(jì)方法，ARINALDI等[8]利用Faster RCNN模型檢測(cè)交通視頻中的車輛后，使用KCF跟蹤算法進(jìn)行跟蹤，通過(guò)跟蹤距離與跟蹤時(shí)間估計(jì)車輛速度。LI等[10]利用YOLOv3和Sort算法對(duì)無(wú)人機(jī)拍攝視頻中車輛進(jìn)行檢測(cè)和跟蹤，通過(guò)運(yùn)動(dòng)補(bǔ)償消除背景運(yùn)動(dòng)的影響，得到車輛的真實(shí)軌跡。隨后基于映射關(guān)系，以車輛的實(shí)際尺寸為先驗(yàn)信息，建立高斯模型估計(jì)圖像中的車輛尺寸，實(shí)現(xiàn)自適應(yīng)像素尺度恢復(fù)和速度計(jì)算。

綜上所述，基于非視頻的車速估計(jì)方法可靠性更高，但部署需要花費(fèi)較多的人力和硬件投入。而基于視頻的車速估計(jì)方法在保證一定精度的同時(shí)，可使采集過(guò)程更加高效和便捷。而且，隨著深度學(xué)習(xí)方法的興起，基于視頻的方法有效地降低了光照影響與對(duì)視頻質(zhì)量要求，提高了對(duì)密集車流的檢測(cè)效果。

為了更加準(zhǔn)確、高效地獲取機(jī)動(dòng)車交通數(shù)據(jù)，本文借鑒深度學(xué)習(xí)的多目標(biāo)跟蹤技術(shù)，設(shè)計(jì)視頻識(shí)別方法代替人工處理?？紤]到跟蹤任務(wù)未來(lái)應(yīng)用于監(jiān)管的處理速度需求，初步選擇深度關(guān)聯(lián)度量的簡(jiǎn)單在線實(shí)時(shí)跟蹤方法(simple online and real-time tracking with a deep association metric，DeepSort)作為主要架構(gòu)，融合速度較快的檢測(cè)器YOLOv4并對(duì)其進(jìn)行改造。通過(guò)構(gòu)建輕量級(jí)目標(biāo)檢測(cè)算法YOLOv4-MobileNetV2，解決傳統(tǒng)算法對(duì)道路機(jī)動(dòng)車重疊檢測(cè)效果差，檢測(cè)速度慢等問(wèn)題，也減少了模型參數(shù)，達(dá)到模型小型化的目的。同時(shí)針對(duì)DeepSort算法對(duì)機(jī)動(dòng)車跟蹤過(guò)程中的標(biāo)簽切換(ID-Switch)現(xiàn)象考慮不足，使得檢測(cè)結(jié)果不適于車速統(tǒng)計(jì)分析的缺點(diǎn)，通過(guò)融合卡爾曼濾波與長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(Long Short Term Memory networks，LSTM)兩個(gè)模型的軌跡匹配結(jié)果，結(jié)合DeepSort算法的匹配策略進(jìn)行多目標(biāo)跟蹤。最后融合YOLOv4-MobileNetV2和改進(jìn)后的多目標(biāo)跟蹤算法，得到本文基于檢測(cè)的多目標(biāo)跟蹤算法YM-DeepSorts，算法在保證跟蹤精度的前提下，改善原方法在復(fù)雜行車場(chǎng)景下目標(biāo)跟蹤標(biāo)簽頻繁切換的問(wèn)題，同時(shí)也能滿足嵌入式設(shè)備要求，為機(jī)動(dòng)車交通數(shù)據(jù)采集做好前提準(zhǔn)備。

1 基于視頻的機(jī)動(dòng)車速度估計(jì)方法

為了提高基于視頻的車速估計(jì)的速度和精度，本文提出的車速估計(jì)方法主要分為目標(biāo)檢測(cè)、目標(biāo)跟蹤、車速估計(jì)3個(gè)步驟：首先，通過(guò)目標(biāo)檢測(cè)模型來(lái)識(shí)別視頻中的機(jī)動(dòng)車目標(biāo)；然后，通過(guò)目標(biāo)跟蹤方法對(duì)檢測(cè)結(jié)果進(jìn)行融合，并計(jì)算多個(gè)目標(biāo)的位置軌跡；最后，從機(jī)動(dòng)車目標(biāo)軌跡中提取的跟蹤距離與跟蹤時(shí)間來(lái)計(jì)算目標(biāo)車速。

1.1 目標(biāo)檢測(cè)

YOLOv4在結(jié)構(gòu)上采用CSPDarknet 53[11]作為主干網(wǎng)絡(luò)來(lái)進(jìn)行特征提取。為了加強(qiáng)特征提取能力，引入空間金字塔池化模塊(Spatial Pyramid Pooling，SPP)[12]來(lái)增加感受野，并利用路徑聚合網(wǎng)絡(luò)(Path Aggregation Network，PAN)[13]替換特征金字塔進(jìn)行多通道特征融合。最后使用YOLOv3作為頭部進(jìn)行特征預(yù)測(cè)。

YOLOv4作為一階段算法，在推理速度和檢測(cè)精度上達(dá)到一個(gè)較高的水平，但是由于模型權(quán)重文件較大，不適合用于移動(dòng)端和嵌入式設(shè)備。從輕量化模型的角度出發(fā)，本文采用MobileNetV2[14]作為主干網(wǎng)絡(luò)，替換CSPDarknet53進(jìn)行特征提取。MobileNetV2通過(guò)使用Inverted Residual Block與Linear Bottleneck配合深度可分離卷積與逐點(diǎn)卷積，在緩解特征退化和加速訓(xùn)練的同時(shí)，大幅度的降低參數(shù)量與計(jì)算量，達(dá)到模型小型化和提高模型推理速度的目的。

1.2 目標(biāo)跟蹤

DeepSort算法是基于檢測(cè)的多目標(biāo)跟蹤算法，在Sort算法的基礎(chǔ)上引入深度余弦外觀匹配模型來(lái)進(jìn)行相似度計(jì)算，在保證實(shí)時(shí)性的前提下，提高了跟蹤的準(zhǔn)確率。該算法通過(guò)卡爾曼濾波構(gòu)建運(yùn)動(dòng)模型，對(duì)目標(biāo)此刻的狀態(tài)進(jìn)行預(yù)測(cè)，得到下一刻運(yùn)動(dòng)信息，使用8個(gè)參數(shù)進(jìn)行描述(cx，cy，w，h，c′x，c′y，w′，h′)，其中前4個(gè)參數(shù)表示位置信息，后4個(gè)參數(shù)表示速度信息。DeepSort算法利用級(jí)聯(lián)匹配算法來(lái)關(guān)聯(lián)外觀信息和運(yùn)動(dòng)信息，在計(jì)算運(yùn)行信息時(shí)，采用馬氏距離來(lái)衡量卡爾曼濾波預(yù)測(cè)結(jié)果和檢測(cè)結(jié)果，與計(jì)算外觀信息的余弦相似度一起構(gòu)成代價(jià)矩陣，最后使用匈牙利算法進(jìn)行匹配。

DeepSort算法中使用的卡爾曼濾波是一種線形軌跡預(yù)測(cè)方法，具有速度快的特性。但目標(biāo)在運(yùn)動(dòng)過(guò)程出現(xiàn)遮擋，檢測(cè)結(jié)果有噪聲等干擾時(shí)，運(yùn)動(dòng)狀態(tài)為非線性，此時(shí)卡爾曼濾波不能進(jìn)行準(zhǔn)確的軌跡預(yù)測(cè)，容易導(dǎo)致目標(biāo)在跟蹤過(guò)程中出現(xiàn)ID-Switch問(wèn)題。針對(duì)非線性問(wèn)題，研究者提出使用基于深度學(xué)習(xí)LSTM替代卡爾曼濾波進(jìn)行軌跡預(yù)測(cè)，試驗(yàn)結(jié)果表明ID-Switch次數(shù)極大減少，并且在遮擋情況下，多目標(biāo)跟蹤精度與多目標(biāo)跟蹤準(zhǔn)確度更高[15]。但是通過(guò)試驗(yàn)發(fā)現(xiàn)，在線性情況下卡爾曼濾波預(yù)測(cè)速度與準(zhǔn)確度要高于LSTM，即在無(wú)遮擋的情況下，卡爾曼濾波性能更優(yōu)。本研究使用的試驗(yàn)數(shù)據(jù)均來(lái)自于監(jiān)控視頻，由于攝像頭的安裝角度問(wèn)題，在車流密度較大時(shí)，視頻畫(huà)面容易出現(xiàn)車輛遮擋情況，此時(shí)使用LSTM進(jìn)行軌跡預(yù)測(cè)效果更優(yōu)，而車流密度較小時(shí)，基本無(wú)遮擋情況，此時(shí)使用卡爾曼濾波進(jìn)行軌跡預(yù)測(cè)更優(yōu)?；谶@種現(xiàn)象，本文對(duì)DeepSort算法進(jìn)行改進(jìn)，通過(guò)設(shè)置一個(gè)條件閾值來(lái)融合LSTM與卡爾曼濾波兩種軌跡預(yù)測(cè)方法，該條件閾值為線圈內(nèi)檢測(cè)框數(shù)量。改進(jìn)DeepSort算法如式(1)所示。

假設(shè)M(c|N)為融合了卡爾曼濾波與LSTM模型的DeepSort算法，有：

(1)

式中：MK為卡爾曼濾波模型作狀態(tài)位置預(yù)測(cè)；ML為L(zhǎng)STM模型作狀態(tài)位置預(yù)測(cè)；Age為目標(biāo)跟蹤幀數(shù)；m為L(zhǎng)STM輸入幀數(shù)。c=(0，1)，當(dāng)檢測(cè)框的數(shù)量n>N時(shí)，c=0；反之，c=1。

本文將改進(jìn)后的檢測(cè)與跟蹤算法記作YM-DeepSorts，整個(gè)算法流程如圖1所示。

圖1 YM-DeepSorts算法流程圖

1.3 車速估計(jì)

本文采用幀差法來(lái)估計(jì)機(jī)動(dòng)車速度。在交通十字路口場(chǎng)景中選擇一個(gè)長(zhǎng)度R=20 m左右的感興趣區(qū)域，只關(guān)注該區(qū)域的機(jī)動(dòng)車，每當(dāng)機(jī)動(dòng)車進(jìn)入該區(qū)域時(shí)，組合算法輸出帶有ID信息的檢測(cè)框，并進(jìn)行穩(wěn)定跟蹤。通過(guò)設(shè)置存儲(chǔ)器來(lái)自動(dòng)保存同一跟蹤對(duì)象檢測(cè)框的中心坐標(biāo)(Xt，Yt)，則在整個(gè)跟蹤周期T=[f1，f2]，目標(biāo)在視頻中的位移為：

(2)

式中：LP為目標(biāo)跟蹤的位移；f1為目標(biāo)開(kāi)始跟蹤的幀位置；f2為目標(biāo)結(jié)束跟蹤的幀位置。

根據(jù)相機(jī)的仿射原理，目標(biāo)在世界坐標(biāo)系下的位移長(zhǎng)度LW與在圖像坐標(biāo)系下的位移長(zhǎng)度LP存在如下關(guān)系：

(3)

式中：D為攝像頭與感興趣區(qū)域的垂直距離；α為相機(jī)軸與機(jī)動(dòng)車行駛方向的角度；fc為相機(jī)焦距。其中fc可通過(guò)已知的感興趣區(qū)域在世界坐標(biāo)系下的長(zhǎng)度與圖像坐標(biāo)系下的長(zhǎng)度關(guān)系求得。

得到機(jī)動(dòng)車平均速度：

(4)

式中：V為平均速度；F為視頻播放幀率；乘以3.6是將速度m/s轉(zhuǎn)換成km/h。

為了進(jìn)一步保證樣本采集的準(zhǔn)確可靠性，通過(guò)挑選合適的拍攝位置，要求攝像頭能拍攝到整個(gè)感興趣區(qū)域R，不同車道的機(jī)動(dòng)車不會(huì)出現(xiàn)大面積遮擋情況。圖2為拍攝位置和感興趣區(qū)域的示意圖。

圖2 信號(hào)交叉口感興趣區(qū)域示意圖

2 案例分析

2.1 試驗(yàn)數(shù)據(jù)

本文機(jī)動(dòng)車速度樣本采集來(lái)自長(zhǎng)沙市楓林三路的信號(hào)交叉口監(jiān)控視頻，視頻分辨率為1 920×1 080，幀率為30FPS。采集地點(diǎn)包含4個(gè)不同位置信號(hào)交叉路口，采集時(shí)間為上午7：00—9：00(早高峰)和下午4：30—6：0(晚高峰)，采集的總天數(shù)為30 d，并且保證在4個(gè)調(diào)查點(diǎn)的早晚高峰時(shí)段交通量充足，能夠滿足持續(xù)觀測(cè)過(guò)飽和與欠飽和狀態(tài)下的機(jī)動(dòng)車交通流。

2.2 模型訓(xùn)練

本文模型訓(xùn)練基于 python 編譯環(huán)境完成程序設(shè)計(jì)，運(yùn)行環(huán)境為 CPU：i7-9 700 k，GPU：NVIDIA GeForce RTX 2070，8 G內(nèi)存。訓(xùn)練所使用的數(shù)據(jù)集為公開(kāi)數(shù)據(jù)集UA-DETRAC，該數(shù)據(jù)集源于北京和天津24個(gè)不同區(qū)域的道路監(jiān)控視頻中的截圖，拍攝角度為俯拍，適用于城市道路的車輛檢測(cè)與跟蹤模型訓(xùn)練。

a.目標(biāo)檢測(cè)模型訓(xùn)練。

由于UA-DETRAC數(shù)據(jù)集的數(shù)量較大，同一個(gè)場(chǎng)景相鄰兩張圖片相似度較高，為了減輕訓(xùn)練難度，選取其中9 180張圖片作為檢測(cè)數(shù)據(jù)集，并對(duì)檢測(cè)數(shù)據(jù)集的標(biāo)簽數(shù)據(jù)進(jìn)行處理。首先將其中標(biāo)注文件轉(zhuǎn)化為便于YOLOv4-MobileNetV2算法訓(xùn)練的VOC格式，只保留其中Car類標(biāo)簽；然后將該數(shù)據(jù)集以0.6，0.2，0.2的比例劃分為訓(xùn)練集、驗(yàn)證集、測(cè)試集。訓(xùn)練中網(wǎng)絡(luò)輸入大小為416×416，優(yōu)化器為Adam[16]，訓(xùn)練次數(shù)為150個(gè)Epoch。期間為了加速模型訓(xùn)練，采用兩階段的訓(xùn)練策略，第一階段凍結(jié)Backbone，采用大小為0.001學(xué)習(xí)率對(duì)網(wǎng)絡(luò)頭部訓(xùn)練50輪次，第二階段解凍Backbone，采用大小為0.000 1學(xué)習(xí)率對(duì)Backbone和網(wǎng)絡(luò)頭部訓(xùn)練100輪次，兩階段Batchsize大小分別為16和8。模型訓(xùn)練過(guò)程的Loss的變化如圖3所示，顯示網(wǎng)絡(luò)基本收斂。

圖3 YOLOv4-MobileNetV2損失曲線

為了驗(yàn)證優(yōu)化模型有效性，對(duì)YOLOv4進(jìn)行同等訓(xùn)練，兩個(gè)模型在IOU=0.5時(shí)的測(cè)試結(jié)果如表1所示。結(jié)果顯示，改進(jìn)的YOLOv4在召回率略微下降情況下，模型大小為原YOLOv4的1/5，參數(shù)量為46.4 MB，適合嵌入式設(shè)備部署；同時(shí)FPS提升約30%，速度達(dá)到30FPS，滿足實(shí)時(shí)性要求。

表1 不同目標(biāo)檢測(cè)模型試驗(yàn)結(jié)果Table 1 Results of experiments on different object detection models檢測(cè)網(wǎng)絡(luò)F1值召回率/%準(zhǔn)確率/%網(wǎng)絡(luò)大小/MBFPS/(幀·s-1)YOLOv40.9595.8093.9524423YOLOv4-MobileNetV20.9594.2894.8646.430

b.目標(biāo)跟蹤模型訓(xùn)練。

原始的DeepSort算法中使用的外觀匹配模型是在行人重識(shí)別數(shù)據(jù)集中訓(xùn)練的，不適用于車輛跟蹤，為此使用VERI車輛重識(shí)別數(shù)據(jù)集[17]進(jìn)行重新訓(xùn)練，將訓(xùn)練好的模型應(yīng)用于改進(jìn)的DeepSort算法中。對(duì)LSTM進(jìn)行訓(xùn)練時(shí)，在UA-DETRAC中60個(gè)序列標(biāo)注文件中選取前40個(gè)序列標(biāo)注文件用作多目標(biāo)跟蹤訓(xùn)練，提取其中的Car類標(biāo)簽制作車輛軌跡狀態(tài)(cx，cy，w，h)數(shù)據(jù)集。從每個(gè)目標(biāo)的第一幀起，每次截取長(zhǎng)度為7的數(shù)據(jù)作為一組訓(xùn)練數(shù)據(jù)，前6幀作為輸入數(shù)據(jù)，最后一幀作為訓(xùn)練標(biāo)簽。LSTM網(wǎng)絡(luò)的超參數(shù)設(shè)置如下：隱藏層層數(shù)為2，神經(jīng)元個(gè)數(shù)分別為50和100，損失函數(shù)為均方誤差，優(yōu)化器Adam學(xué)習(xí)率為0.000 1，Batchsize為64，訓(xùn)練輪次為16。LSTM網(wǎng)絡(luò)訓(xùn)練過(guò)程的Loss的變化如圖4所示，結(jié)果顯示網(wǎng)絡(luò)基本收斂。

圖4 LSTM損失曲線

為了驗(yàn)證整個(gè)算法的有效性，將UA-DETRAC數(shù)據(jù)集中的后20個(gè)序列文件制作成視頻文件對(duì)YOLOv4-DeepSort與YM-DeepSorts算法進(jìn)行測(cè)試，測(cè)試平均結(jié)果如表2所示。輸出結(jié)果表明：YM-DeepSorts算法相比于YOLOv4-DeepSort算法，提高了跟蹤精度與推理速度，同時(shí)跟蹤過(guò)程中目標(biāo)的標(biāo)簽切換次數(shù)能有效減少。當(dāng)N=0時(shí)，YM-DeepSorts算法主要使用LSTM進(jìn)行軌跡預(yù)測(cè)，此時(shí)標(biāo)簽切換次數(shù)達(dá)到最少；當(dāng)N=10時(shí)，YM-DeepSorts算法主要使用卡爾曼濾波進(jìn)行軌跡預(yù)測(cè)，此時(shí)推理速度達(dá)到最快。改進(jìn)后的算法整體性能均優(yōu)于原算法，在監(jiān)控范圍內(nèi)能夠根據(jù)檢測(cè)框的數(shù)量選擇最佳的軌跡預(yù)測(cè)方法，實(shí)現(xiàn)對(duì)機(jī)動(dòng)車的穩(wěn)定跟蹤，適合輔助交通部門(mén)進(jìn)行交通數(shù)據(jù)采集。

表2 算法跟蹤評(píng)價(jià)結(jié)果對(duì)比Table 2 Comparison of algorithm tracking evaluation results模型軌跡準(zhǔn)確率/%跟蹤精度/%命中軌跡/%丟失軌跡/%身份切換/次FPS/(幀·s-1)YOLOv4-DeepSort72.4626.0671.703.33617YM-DeepSorts (N=0)74.9127.5974.323.12218YM-DeepSorts (N=10)73.3026.7073.953.52724

2.3 車速估計(jì)誤差分析

2.4 車速分布結(jié)果

本文利用4個(gè)雙向六通道的信號(hào)交叉口的實(shí)測(cè)數(shù)據(jù)進(jìn)行機(jī)動(dòng)車速度分布研究。在對(duì)比多個(gè)單分布與混合分布模型的基礎(chǔ)上，選用正態(tài)分布、Gamma分布、Weibull分布、Logistic分布4種的單分布模型，以及二元混合高斯分布與三元混合高斯分布2種混合分布模型來(lái)對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行擬合分析。為了確定上述提出的4種單分布與2種混合分布模型是否適用于描述信號(hào)交叉口的機(jī)動(dòng)車速度分布狀況，這里使用Kolmogorov-Smirnov檢驗(yàn)(K-S檢驗(yàn))方法來(lái)進(jìn)行檢驗(yàn)。K-S檢驗(yàn)是基于累積分布，來(lái)檢驗(yàn)數(shù)據(jù)樣本的經(jīng)驗(yàn)分布是否服從某種理論的分布。在K-S檢驗(yàn)過(guò)程中，假設(shè)D為樣本數(shù)據(jù)X的累計(jì)頻數(shù)分布函數(shù)FX(x)與特定的理論分布函數(shù)F(x)差值的絕對(duì)值最大值，即：

D=max|FX(x)-F(x)|

(14)

通過(guò)比較D與D(X，α)的值，當(dāng)D

表3 各分布模型的K-S檢驗(yàn)結(jié)果Table 3 K-S test results of each distribution mode編號(hào)正態(tài)分布伽馬分布威布爾分布Logistc分布二元GMM 三元GMMR1拒絕拒絕拒絕拒絕拒絕接受R2拒絕拒絕拒絕拒絕拒絕接受R3拒絕拒絕拒絕拒絕接受接受R4拒絕拒絕拒絕拒絕接受接受

2.5 車速分布分析

各交叉口機(jī)動(dòng)車速度的三元混合高斯分布擬合情況如圖5所示，同時(shí)表4給出了具體的K-S檢驗(yàn)結(jié)果。從圖5的結(jié)果來(lái)看，各亞類分布模型之間有明顯的區(qū)分度。

(a)R1

城市信號(hào)交叉路口處于一個(gè)復(fù)雜的交通環(huán)境中，在不同的車流密度、是否有非機(jī)動(dòng)車和行人的干擾情況下，機(jī)動(dòng)車速度都會(huì)改變。其中車流密度是車流速度的主要影響因素，兩者一般成負(fù)相關(guān)[19]。在信號(hào)交叉口處，紅燈期間內(nèi)交叉口的入口會(huì)積聚大量的非機(jī)動(dòng)車與機(jī)動(dòng)車，在綠燈開(kāi)始時(shí)，成團(tuán)的非機(jī)動(dòng)車會(huì)涌入交叉口，對(duì)機(jī)動(dòng)車行駛造成干擾。積聚的非機(jī)動(dòng)車數(shù)量越多，機(jī)動(dòng)車平均速度越低。此時(shí)，機(jī)動(dòng)車在高車流密度與非機(jī)動(dòng)車的影響下，行駛速度較為緩慢。隨著車流密度減小，車速隨之升高，但由于存在車道外側(cè)的非機(jī)動(dòng)車和行人的摩擦干擾，最外側(cè)車道的車流速度會(huì)低于內(nèi)側(cè)車道的車流速度，導(dǎo)致車流速度出現(xiàn)不一致，出現(xiàn)整體車速較高的情況下，部分車速較低。在中密度車流狀況與外界干擾因素的影響下，路口機(jī)動(dòng)車行駛速度處于不穩(wěn)定狀態(tài)。最后，在低密度車流狀況下，機(jī)動(dòng)車之間影響較小，并且受到車道外側(cè)行人與非機(jī)動(dòng)車干擾程度較低，機(jī)動(dòng)車會(huì)以較高速度行駛。

表4 各路段三元混合高斯分布K-S檢驗(yàn)結(jié)果Table 4 K-S test results of ternary Gaussian mixture distribu-tion in each road secti編號(hào)數(shù)據(jù)量檢驗(yàn)標(biāo)準(zhǔn)D(X,α=0.05)=1.36nD值是/否服從分布D

通過(guò)上述分析環(huán)境因素對(duì)機(jī)動(dòng)車速度的影響，得出信號(hào)交叉口機(jī)動(dòng)車主要有3種行駛狀況，從而說(shuō)明三元混合高斯模型更適合描述信號(hào)交叉口機(jī)動(dòng)車速度分布特征?；诮煌鬟\(yùn)行特性，3種亞類交通流依次可劃分為：擁擠流、限制流、自由流。

3 結(jié)論

a.在深度學(xué)習(xí)框架下，采用YOLOv4構(gòu)建車輛目標(biāo)檢測(cè)算法，將主干網(wǎng)絡(luò)改進(jìn)為MobileNetV2以達(dá)到模型小型化的目的，在保證檢測(cè)精度的同時(shí)，加速了目標(biāo)特征的提取效率，檢測(cè)幀率在原基礎(chǔ)上提升約30%，有利于提高基于視頻的車速統(tǒng)計(jì)實(shí)時(shí)性。

b.提出了一種卡爾曼濾波-LSTM模型的車速估計(jì)方法，通過(guò)閾值法對(duì)兩種模型的軌跡跟蹤結(jié)果進(jìn)行了檢測(cè)融合，有效改善了復(fù)雜行車場(chǎng)景下機(jī)動(dòng)車目標(biāo)跟蹤的標(biāo)簽切換現(xiàn)象，在長(zhǎng)沙市楓林三路信號(hào)交叉口監(jiān)控視頻中進(jìn)行了應(yīng)用，車速估計(jì)準(zhǔn)確度達(dá)94.5%，驗(yàn)證了方法的有效性。

c.對(duì)車速統(tǒng)計(jì)分析的結(jié)果表明，單分布模型難以描述信號(hào)交叉口機(jī)動(dòng)車速度分布狀況，而三元混合高斯分布能夠較好的擬合并通過(guò)K-S檢驗(yàn)，各亞類之間有明顯的區(qū)分度，與交叉口的機(jī)動(dòng)車流分為擁擠流、限制流和自由流的實(shí)際情況相符合。

d.本文所提方法對(duì)視頻拍攝角度有一定要求，且對(duì)惡劣天氣狀況、極端擁堵道路環(huán)境等因素考慮不足。在后續(xù)的研究中，將對(duì)上述問(wèn)題進(jìn)一步優(yōu)化改進(jìn)，以提高基于視頻的車速統(tǒng)計(jì)方法的應(yīng)用范圍。