方 勇 黨 倩 萬(wàn) 劍 王維鋒 陳愛(ài)偉
中設(shè)設(shè)計(jì)集團(tuán)股份有限公司,江蘇南京 210014
交通擁堵問(wèn)題的日趨嚴(yán)重,不但給人們的日常生活與工作帶來(lái)許多不便,而且對(duì)城市的經(jīng)濟(jì)發(fā)展起到了嚴(yán)重的制約作用。交通擁堵問(wèn)題對(duì)城市發(fā)展的制約表現(xiàn)在容易造成交通事故、增加交通管理難度、浪費(fèi)出行人員的出行時(shí)間、增加燃油耗損及污染環(huán)境等,這些問(wèn)題都會(huì)阻礙城市的正常發(fā)展,嚴(yán)重影響廣大人民群眾的日常生活,因此,改善交通出行條件,解決交通擁堵問(wèn)題迫在眉睫。
對(duì)于交通擁堵,國(guó)內(nèi)外學(xué)者針對(duì)不同的角度給出了不同的定義??傮w來(lái)說(shuō),交通擁堵就是交通需求超過(guò)了交通供給的一種交通運(yùn)行狀況。美國(guó)《通行能力手冊(cè)》(HCM)在對(duì)城市干線街道服務(wù)水平的等級(jí)劃分中,將車速低于22km/h的不穩(wěn)定車流稱為擁擠車流;芝加哥交通管理部門將交通擁擠定義為5min車道占有率超過(guò)30%的交通狀態(tài);在弗吉尼亞州,當(dāng)飽和度大于0.77、LOS在E檔時(shí),交通開始惡化,道路發(fā)生交通擁擠[1]。日本道路協(xié)會(huì)認(rèn)為,車流以低于40km/h的速度行駛或反復(fù)停車、起動(dòng)的車流排隊(duì)超過(guò)1km,并持續(xù)15min以上的狀態(tài)為高速公路交通擁擠[2]。公安部針對(duì)國(guó)內(nèi)的情況,對(duì)路口和路段分別給出了交通擁堵的定義:車輛在無(wú)信號(hào)燈控制的交叉路口外車行道上受阻且排隊(duì)長(zhǎng)度超過(guò)250m,或在信號(hào)燈控制的交叉路口3次綠燈時(shí)未通過(guò)路口的車輛所在的路口定義為擁堵路口;擁堵路段則定義為車輛在車行道上受阻且排隊(duì)長(zhǎng)度超過(guò)1km的狀態(tài)[3]。
在傳統(tǒng)交通流研究中認(rèn)為交通流有3個(gè)基本的特征參數(shù):流量、速度和密度,這三者之間存在著密切的關(guān)系,它們之間的兩兩關(guān)系模型稱為交通流基本參數(shù)的關(guān)系模型[4]。以往研究經(jīng)驗(yàn)表明,通過(guò)單一的交通流參數(shù)進(jìn)行交通狀態(tài)判別的方法準(zhǔn)確性不高。通過(guò)多種參數(shù)融合來(lái)進(jìn)行的分析計(jì)算,有利于提高交通運(yùn)行狀態(tài)識(shí)別及交通擁堵判定的準(zhǔn)確性。本文提出采用車輛速度、車輛密度及車道數(shù)作為參數(shù),建立道路擁堵指數(shù)模型,以道路擁堵指數(shù)作為交通擁堵的判定指標(biāo)。
車輛速度(V)是指在道路上行駛車輛的平均車速,假設(shè)道路上行駛的車輛共有n輛,進(jìn)行車輛檢測(cè)后,對(duì)每輛車進(jìn)行跟蹤可計(jì)算每輛車的行駛速度則車輛速度的計(jì)算公式為:
車輛密度(D)是指在道路上行駛車輛的數(shù)量與道路長(zhǎng)度的比值,假定不考慮車輛體積大小的影響,同時(shí)假設(shè)共有m條車道,道路長(zhǎng)度為L(zhǎng),共行駛n 輛車,則車輛密度的計(jì)算公式為:
公式(3)中,p,表示參數(shù),經(jīng)過(guò)多次試驗(yàn)數(shù)據(jù)得出p,取值為0.1時(shí)比較合適;道路擁堵指數(shù)越大則道路越暢通,道理?yè)矶轮笖?shù)越小則道路越擁堵。本文根據(jù)道路擁堵指數(shù)的范圍,確定道路擁堵程度如表1所示。
表1 擁堵程度與擁堵指數(shù)范圍的關(guān)系
國(guó)內(nèi)外對(duì)于交通擁堵檢測(cè)判別技術(shù)的研究經(jīng)歷了多個(gè)階段,不同的階段采用的檢測(cè)技術(shù)也不同。總體來(lái)說(shuō),交通擁堵檢測(cè)判別包括以下步驟:首先,提取各種交通參數(shù);然后,以各種交通擁堵參數(shù)為數(shù)據(jù)源,構(gòu)建交通擁堵判別的數(shù)學(xué)模型;最后,通過(guò)模型分析交通擁堵?tīng)顟B(tài),結(jié)合檢測(cè)結(jié)果與實(shí)際情況對(duì)檢測(cè)模型進(jìn)行調(diào)優(yōu)。
根據(jù)交通參數(shù)提取技術(shù)方法的不同,交通擁堵檢測(cè)可以分為以下幾類:基于環(huán)形線圈的交通參數(shù)提取、基于交通視頻的交通參數(shù)提取以及基于車輛GPS數(shù)據(jù)的交通參數(shù)提取。
2.1.1 基于環(huán)形線圈的交通參數(shù)提取
這類檢測(cè)是通過(guò)在道路上的關(guān)鍵點(diǎn)處安裝單路或雙路環(huán)形線圈檢測(cè)器來(lái)檢測(cè)道路上的通行車輛,并獲取交通流量、車輛速度、占有率等道路交通參數(shù),是最先使用且是目前廣泛被使用的技術(shù),已有相應(yīng)的標(biāo)準(zhǔn),技術(shù)成熟、使用簡(jiǎn)單、測(cè)量精度較高、總體成本較低,但由于線圈需要埋設(shè)于路面下,安裝時(shí)需要破壞路面,且由于線圈長(zhǎng)時(shí)間埋在路面下,不便于維護(hù)保養(yǎng),線圈使用壽命會(huì)受較大影響。
2.1.2 基于交通視頻的交通參數(shù)提取
隨著道路交通視頻監(jiān)控的不斷完善,當(dāng)前道路上已安裝了大量的視頻監(jiān)控,本技術(shù)主要是利用道路視頻監(jiān)控,通過(guò)視頻圖像處理技術(shù),構(gòu)建基于視頻的車輛檢測(cè)、跟蹤算法模型,提取道路上行駛車輛的運(yùn)動(dòng)軌跡、運(yùn)動(dòng)速度等交通參數(shù)。其主要特點(diǎn)在于視頻檢測(cè)安裝無(wú)須破壞路面、安裝簡(jiǎn)便、施工時(shí)不影響交通、易于移動(dòng)、維護(hù)費(fèi)用低。隨著視頻處理技術(shù)、深度學(xué)習(xí)、大數(shù)據(jù)等技術(shù)的發(fā)展與成熟,這種檢測(cè)方法也得到了廣泛應(yīng)用。
2.1.3 基于車輛GPS數(shù)據(jù)的交通參數(shù)提取
近年來(lái),GPS技術(shù)得到了快速的發(fā)展,大部分汽車特別是“兩客一危”車輛基本上都安裝了智能車載GPS終端,這給采集道路交通參數(shù)提供了一種技術(shù)途徑。文獻(xiàn)[5]提出了一種基于GPS數(shù)據(jù)的擁堵檢測(cè)方法,通過(guò)預(yù)處理—聚類—抽樣來(lái)完成對(duì)道路擁堵的檢測(cè)。其主要特點(diǎn)在于不需要在道路上安裝任何設(shè)備,對(duì)道路交通沒(méi)有任何影響,實(shí)施方便,使用簡(jiǎn)單,但是需要在每輛車上安裝智能車載GPS終端,成本較高,管理難度大。
針對(duì)以上幾種技術(shù)的分析,結(jié)合當(dāng)前視頻圖像處理技術(shù),本文擬采用基于交通視頻的交通參數(shù)提取技術(shù),提出了一種基于深度學(xué)習(xí)的擁堵檢測(cè)算法。
當(dāng)?shù)缆钒l(fā)生交通擁堵時(shí),車輛的行駛速度急劇降低,在一定時(shí)間段內(nèi),道路上的車輛行駛緩慢甚至處于靜止的狀態(tài),同時(shí)車輛密度急劇增大。依據(jù)道路交通擁堵的這一明顯特征,通過(guò)視頻圖像的抓取,進(jìn)行車輛模型識(shí)別,對(duì)道路關(guān)鍵節(jié)點(diǎn)的車輛速度、車輛密度、時(shí)段分布規(guī)律等進(jìn)行分析,綜合判斷道路的交通擁堵?tīng)顩r以及未來(lái)一定時(shí)段內(nèi)相鄰道路區(qū)段發(fā)生擁堵的概率。
本文采用基于深度學(xué)習(xí)技術(shù)的車輛特征識(shí)別與跟蹤,從而判斷道路的車輛速度與車輛密度,根據(jù)建立好的交通擁堵模型分析道路的擁堵?tīng)顩r。深度學(xué)習(xí)算法是一種模擬人腦思維的基于無(wú)監(jiān)督特征學(xué)習(xí)和特征層次結(jié)構(gòu)的學(xué)習(xí)方法。它是通過(guò)構(gòu)建多隱層的模型和海量訓(xùn)練數(shù)據(jù),來(lái)學(xué)習(xí)更有用的特征,從而最終提升分類或預(yù)測(cè)的準(zhǔn)確性。“深度模型”是手段,“特征學(xué)習(xí)”是目的。對(duì)于機(jī)器視覺(jué)來(lái)講,抽象的層面越高,存在的可能性猜測(cè)或錯(cuò)誤概率越少,就越利于提高分類和預(yù)測(cè)的準(zhǔn)確性。深度學(xué)習(xí)的模型如圖1所示。
圖1 典型的深度學(xué)習(xí)模型
本判別算法是以道路視頻監(jiān)控為基礎(chǔ),結(jié)合道路實(shí)時(shí)路況、車輛運(yùn)動(dòng)檢測(cè)、車輛跟蹤、基于視頻的車輛速度測(cè)定、指定時(shí)段的車輛密度統(tǒng)計(jì)等一系列交通特征參數(shù)所構(gòu)建的。其算法流程如圖2所示。
圖2 算法流程圖
該算法先通過(guò)運(yùn)動(dòng)目標(biāo)檢測(cè)的方法獲取視頻中的運(yùn)動(dòng)車輛;然后,將各運(yùn)動(dòng)車輛進(jìn)行幾何校正使其幾何位置統(tǒng)一,再進(jìn)行運(yùn)動(dòng)車輛跟蹤,以此為基礎(chǔ)進(jìn)行車輛速度測(cè)定及指定時(shí)段內(nèi)路段的車輛密度統(tǒng)計(jì);最后,依據(jù)前文設(shè)計(jì)的擁堵評(píng)價(jià)指標(biāo)體系,通過(guò)以上獲取的路段交通特征參數(shù)及擁堵模型計(jì)算擁堵指數(shù),根據(jù)擁堵指數(shù)的大小最終判定路段的擁堵級(jí)別,為后續(xù)的交通擁堵預(yù)警系統(tǒng)提供理論上的數(shù)據(jù)基礎(chǔ)。為得到精確的結(jié)果,我們采用大數(shù)據(jù)統(tǒng)計(jì)的方式,通過(guò)長(zhǎng)時(shí)間內(nèi)不同路段的大量車輛統(tǒng)計(jì)結(jié)合概率預(yù)測(cè)的方式得到最終的應(yīng)用模型。該算法充分利用了視頻車輛的運(yùn)動(dòng)信息、底層圖像特征,為檢測(cè)結(jié)果的準(zhǔn)確性提供了技術(shù)保障。
為了驗(yàn)證上述交通擁堵判別算法的實(shí)用性,需要建立一套完整的交通擁堵視頻判別試驗(yàn)系統(tǒng),系統(tǒng)總體上分為3個(gè)部分:道路監(jiān)控視頻的獲取、道路監(jiān)控視頻的識(shí)別處理以及道路交通擁堵的判別,其架構(gòu)圖如圖3所示。
圖3 試驗(yàn)系統(tǒng)架構(gòu)圖
從圖3中可以看出,交通監(jiān)控視頻主要通過(guò)在道路上已經(jīng)大量安裝的交通監(jiān)控?cái)z像頭獲取。然后,通過(guò)交通視頻處理服務(wù)器對(duì)獲取的交通監(jiān)控視頻進(jìn)行分析處理,進(jìn)而提取相關(guān)的交通特征參數(shù)如車輛速度、車道數(shù)、車輛密度等。最后,依據(jù)交通擁堵模型以及提取到的交通特征參數(shù)對(duì)路段的交通擁堵級(jí)別進(jìn)行判別,并給出建議的擁堵?tīng)顩r。
根據(jù)上述的系統(tǒng)和算法模型,選擇一段容易發(fā)生擁堵的路段進(jìn)行試驗(yàn),根據(jù)算法模型訓(xùn)練要求,通過(guò)多組采集不同時(shí)段的視頻進(jìn)行分析,結(jié)果如圖4、表2所示。
圖4 算法模型的檢測(cè)效果
表2 擁堵情況分析
通過(guò)結(jié)果所示,算法的檢測(cè)效果不錯(cuò)。經(jīng)過(guò)統(tǒng)計(jì)分析,車輛檢測(cè)的識(shí)別率為94%左右,誤檢率較低,擁堵模型反應(yīng)的結(jié)果與實(shí)際的道路交通狀況基本相符合,證明算法具有較好的檢測(cè)效果。
本文針對(duì)道路交通擁堵問(wèn)題,提出了一種從道路交通視頻監(jiān)控中提取的車輛速度、車道數(shù)、車輛密度等交通特征參數(shù)建立的道路交通擁堵評(píng)價(jià)指標(biāo)體系,并根據(jù)交通擁堵評(píng)價(jià)指標(biāo)體系建立基于深度學(xué)習(xí)的交通擁堵檢測(cè)模型,依據(jù)此檢測(cè)模型可進(jìn)行道路交通擁堵的自動(dòng)檢測(cè)。通過(guò)試驗(yàn)證明,本文提出的檢測(cè)方法在交通擁堵的檢測(cè)方面具有很好的效果,誤檢率較低。后續(xù)通過(guò)采集更多的樣本訓(xùn)練,可以更進(jìn)一步提高檢測(cè)的準(zhǔn)確率,為交通出行提供更加準(zhǔn)確的擁堵信息。