基于航拍视频构建风险指数的交织区拥堵识别方法_李熙莹.pdf

第 20 卷 第 2 期2023 年 2 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 2February 2023基于航拍视频构建风险指数的交织区拥堵识别方法李熙莹1,2，梁靖茹1,2，张伟斌3，郝腾龙1,2，陈丽娟1,2(1.中山大学 智能工程学院，广东 深圳 518107；2.广东省智能交通系统重点实验室，广东 深圳 518107；3.南京理工大学 电子工程与光电技术学院，江苏 南京 210094)摘要：为了实时识别快速路交织区拥堵瓶颈的形成及其诱发因素，基于无人机航拍视频构建车辆轨迹数据，提出一种融合交通流不稳定性分析的交织区拥堵识别方法。识别方法由车辆轨迹提取、扰动感知模型和拥堵风险指数构建3个阶段构成。首先，通过YOLOv4(You Only Look Once，Version 4)网络训练航拍小目标权重检测俯拍车辆，关联外观与运动特征以跟踪车辆轨迹，从而提取无人机航拍视频中的精细车辆轨迹。然后，通过提取车辆微观速度、变道、冲突信息建立车速扰动和变道交织扰动感知模型。最后，采用熵值法结合扰动信息与平均车速构建归一化的拥堵风险指数，根据交织流的拥堵风险指数识别拥堵。本文采集广州大桥数据进行案例分析与测试验证。研究结果表明：学习了小目标特征的网络在航拍场景测试的误检率和少检率均低于 5%，所提取的车辆轨迹连续稳定；在交织区拥堵识别评价中，本文方法的 F1值达到97.85%，明显优于基本参数识别方法，在各路段中具有较高的识别准确度和算法鲁棒性；相比平均速度指标，所提出的拥堵风险指数能够更精细灵敏地反映短时和局部的拥堵，并能够从平均车速、个体车速差异和变道交织3个维度中识别多种因素引起的交织区交通瓶颈。研究结果可为城市重点路段交通诱导与优化提供技术基础。关键词：智能交通；拥堵识别；快速路交织区；航拍视频检测；拥堵风险指数中图分类号：U491.2 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）02-0494-12Congestion recognition method in weaving sections by constructing risk index based on aerial videoLI Xiying1,2,LIANG Jingru1,2,ZHANG Weibin3,HAO Tenglong1,2,CHEN Lijuan1,2(1.School of Intelligent Systems Engineering,Sun Yat-Sen University,Shenzhen 518107,China;2.Guangdong Provincial Key Laboratory Transport System,Shenzhen 518107,China;3.School of Electronic and Optical Engineering,Nanjing University of Science and Technology,Nanjing 210094,China)Abstract:In order to identify the formation of congestion bottlenecks and its inducing factors in expressway weaving sections in real time,based on vehicle trajectory data detected by UAV aerial video,a method of congestion recognition in weaving sections combined with the traffic flow instability analysis was proposed in 收稿日期：2022-03-16基金项目：国家重点研发计划项目(2018YFB1601100)通信作者：张伟斌(1975-)，男，陕西咸阳人，教授，博士，从事交通大数据、智能网联及交通控制研究；E-mail：DOI:10.19713/ki.43-1423/u.T20220476第 2 期李熙莹，等：基于航拍视频构建风险指数的交织区拥堵识别方法this paper.The method consisted of three stages which are vehicle trajectory extraction,disturbance perception model and congestion risk index construction.First,the weight of aerial small object was trained by YOLOv4(You Only Look Once,Version 4)network for detecting vehicles from top view.The appearance and motion features were associated to track vehicle trajectories.So accurate vehicle trajectories in UAV(Unmanned Aerial Vehicle)video were extracted.Then,by extracting vehicle micro information including speeds,lane-changings and conflicts,the perception models for disturbance caused by vehicle speed and disturbance caused by lane-changings and weavings were established.Finally,the normalized congestion risk index was constructed by entropy method,combining disturbance information with average vehicle speed,to identify congestion according to risk index in weaving flows.In this paper,Guangzhou Bridge data were collected for case analysis and verification.The results show that:False rate and miss rate of the network with small objects learning features are both lower than 5%in the aerial scene test,and the extracted vehicle trajectories are continuous and stable.F1 value of the method reaches 97.85%in congestion recognition for weaving sections,which is obviously higher than basic parameter methods and shows high recognition accuracy and algorithm robustness in each road section.Compared with average speed index,the proposed congestion risk index can more accurately and sensitively reflect short-term and local congestion.The index can also identify traffic bottlenecks in weaving sections caused by multiple factors from three parameter dimensions including average speeds,speed differences,lane-changings and weavings.The study results can provide a technical basis for traffic guidance and optimization in urban key road section.Key words:intelligent transportation;congestion recognition;expressway weaving section;aerial video detection;congestion risk index 城市快速路承担了大量机动车交通需求，其中交织区路段中大量的车辆合流与分流行为导致车辆间互相干扰、频繁变道，相比较于基本路段更容易形成通行瓶颈，造成匝道或主线车流的交通拥堵及冲突事故，增加交通出行成本和安全风险1。如果能获取完整的微观交通数据，并基于交织区拥堵形成机理实时识别拥堵特征，则能够实现预警交织区拥堵，支撑城市重点瓶颈路段的拥堵控制和实时诱导。目前应用最为广泛的交通数据获取方法是监控视频识别2，通过监控视频提取流量、速度等信息以检测交通流状态，但受限于其较低的拍摄角度和较小的拍摄范围，难以提取完整且精细的个体车辆轨迹。相比之下，无人机航拍视频能够采集较完整路段范围内的精细车辆轨迹数据，KE等3提出了基于车辆检测分类器及交通流理论的无人机视频交通流参数估计方法，被证实远远优于通用监控视频的估计结果。无人机航拍的大范围及移动性使得其在交通运行风险的巡逻、监测上有了新的发展空间，KARADUMAN等4利用空中道路视频数据让无人机对道路进行学习识别，从而为其规划路径以达到监测道路的目的，这表明利用无人机进行交通巡航与风险预警具备很大前景。在常规的路段拥堵识别中，大部分研究利用车流密度56、平均速度5,7、空间占有率1等基本交通流参数对交通状态进行判断，如RIBEIRO等5通过检测车流密度、流量和速度检测交通拥堵现象，KE等8将道路占有率加入了常用的道路拥堵检测模型中。苏俊杰等9选取流量、时间占有率、速度参数进行投影寻踪聚类分析，判断交织区交通拥堵状态。这些方法均通过计算全局或路段的交通流参数识别是否发生拥堵。相比于常规路段，交织区的交通流常呈现高幅的交通振荡10和高频的变道交织行为，使得其在拥堵形成前受到交织流扰动，呈现出车速波动、局部车道缓行、交织流冲突等不稳定形态。仅采用交通流基本宏观参数的方法难以表征这种局部不稳定交织流。KUSUMA等11研究表明交织区中30%的交通量都出现至少一次变道行为。陈亮等12基于元胞自动机对快速路交织区拥堵仿真重现，结果表明车辆驶出对系统交通流干扰最为严重。WAN495铁 道 科 学 与 工 程 学 报2023 年 2月等13利用无人机捕捉快速路匝道附近瓶颈的拥堵演变，对速度波动和换道影响进行建模量化。从这些研究可知，车流不稳定和相互干扰是造成交织区路段中拥堵形成的重要因素，采用全局宏观交通流参数度量交织区拥堵风险可能造成无法识别局部拥堵、无法短时预估等问题，还需要结合微观车辆行为参数研究精准的交织区拥堵风险识别方法。本文基于无人机航拍提取车辆精细轨迹，考虑了造成车流不稳定的速度波动、变道冲突等车辆微观运动信息，通过建立速度扰动与变道交织扰动的感知模型，构建交织区拥堵风险指数，为采用无人机、高空视频预警重点路段的短时、局部拥堵提供技术方法。1 方法1.1原理与框架由于交织