余 志，黃柳紅，李熙瑩，栗 波，鄒 兵

(1.中山大學(xué)智能交通研究中心，廣州510006；2.廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣州510006)

0 引 言

在城市路網(wǎng)中，交通擁堵問題的根源在于道路與車輛間的供需不平衡，交叉口的供需沖突尤為突出.交叉口信號(hào)控制方案的優(yōu)化及交通管理策略的實(shí)施成為提升交叉口通行能力的關(guān)鍵，而交叉口停止線附近各車道的排隊(duì)過程及其演變，對(duì)交通管理策略的制定及信號(hào)控制方案的優(yōu)化都極具參考價(jià)值.

依據(jù)車輛排隊(duì)情況，交叉口的排隊(duì)過程可以劃分為排隊(duì)、消散和積累3 個(gè)階段.早期的基于視頻的排隊(duì)過程感知主要以單一階段的感知為主，對(duì)排隊(duì)過程的感知較為片面，僅能得到單一的交通參數(shù)[1-2].近年來，研究者們開始研究不同排隊(duì)階段的關(guān)聯(lián)，以得到更為豐富的排隊(duì)次數(shù)、平均停車延誤等參數(shù).文獻(xiàn)[3-4]結(jié)合路段上下游交叉口的車輛車牌檢測(cè)信息，構(gòu)建流入—流出模型以關(guān)聯(lián)車輛排隊(duì)和消散階段，估計(jì)停車延誤等參數(shù)，該類方法受限于車輛換道、超車等情況，檢測(cè)準(zhǔn)確率較低；文獻(xiàn)[5]通過跟蹤路段內(nèi)每輛車得到各類精細(xì)的交通參數(shù)，但該類方法不夠魯棒，易受車輛遮擋和車流量影響，容易誤跟蹤；文獻(xiàn)[6-8]以排隊(duì)長度檢測(cè)為核心，確定并跟蹤排隊(duì)的隊(duì)頭、隊(duì)尾，得到關(guān)聯(lián)的排隊(duì)和消散階段，該類方法可整體關(guān)聯(lián)排隊(duì)和消散階段，但缺乏車輛個(gè)體級(jí)別的關(guān)聯(lián)，無法得到更為精細(xì)、實(shí)時(shí)的停車延誤和排隊(duì)車輛數(shù)等參數(shù).此外，傳統(tǒng)的排隊(duì)過程感知方法缺乏對(duì)積累階段的感知，無法把握將來的排隊(duì)過程，但未來短時(shí)間內(nèi)的排隊(duì)過程演變對(duì)交通管理、信號(hào)控制等均具有極為重要的指導(dǎo)意義.

基于上述問題，本文結(jié)合排隊(duì)長度檢測(cè)和車輛檢測(cè)方法得到車輛排隊(duì)情況，并在此基礎(chǔ)上，將排隊(duì)過程劃分為排隊(duì)、積累和消散3 個(gè)階段，利用車道重構(gòu)和KCF跟蹤等方法提取相應(yīng)排隊(duì)階段的關(guān)鍵車輛行為信息，再結(jié)合車輛到達(dá)先后次序信息，將不同排隊(duì)階段進(jìn)行車輛個(gè)體級(jí)別的關(guān)聯(lián)，實(shí)現(xiàn)交叉口車輛運(yùn)行軌跡重構(gòu)，實(shí)現(xiàn)實(shí)時(shí)、精細(xì)、魯棒的排隊(duì)過程感知，以及排隊(duì)長度，排隊(duì)次數(shù)和停車延誤等交通流綜合參數(shù)檢測(cè).同時(shí)，增加積累階段的感知，實(shí)現(xiàn)以短時(shí)排隊(duì)長度預(yù)測(cè)為代表的排隊(duì)過程預(yù)測(cè).

1 方法概述

圖1為所提出的基于高空視頻的排隊(duì)過程感知及預(yù)測(cè)方法的框架.分為4 個(gè)部分：①基于交叉口高空視頻，通過邊緣檢測(cè)和車輛檢測(cè)等方法提取道路車輛信息；②對(duì)道路和車輛邊緣信息進(jìn)行卷積融合，檢測(cè)排隊(duì)區(qū)域和排隊(duì)長度；③基于排隊(duì)區(qū)域劃分不同排隊(duì)階段，結(jié)合車輛檢測(cè)結(jié)果，利用車輛到達(dá)先后次序信息和車道重構(gòu)等方法感知并關(guān)聯(lián)不同排隊(duì)階段的車輛信息，重構(gòu)車輛運(yùn)行軌跡；④根據(jù)車輛運(yùn)行軌跡，逐車道檢測(cè)交叉口交通流參數(shù)及預(yù)測(cè)短時(shí)排隊(duì)車輛數(shù).

2 道路車輛信息提取

主要基于背景建模和目標(biāo)檢測(cè)等方法得到道路區(qū)域、車道線、標(biāo)志標(biāo)線、車輛邊緣和車輛定位信息，檢測(cè)結(jié)果如圖2所示.

3 排隊(duì)長度檢測(cè)

傳統(tǒng)的基于視頻的排隊(duì)長度檢測(cè)方法主要有3 類，分別是基于小窗口、基于伸縮框及基于中線的排隊(duì)長度檢測(cè)方法.本文在基于伸縮框的排隊(duì)長度檢測(cè)方法的基礎(chǔ)上，縮小車道興趣區(qū)域，通過空車道區(qū)域檢測(cè)反求排隊(duì)區(qū)域，具體如下：

Step 1卷積融合運(yùn)動(dòng)車輛和車輛邊緣檢測(cè)結(jié)果，得到靜止車輛邊緣.

Step 2經(jīng)中值濾波和膨脹處理后，對(duì)靜止車輛邊緣進(jìn)行求反，得到空車道區(qū)域，以0.25 與0.75倍的車道寬度之間的車道區(qū)域作為排隊(duì)檢測(cè)興趣區(qū)域.同時(shí)，篩去小面積區(qū)域，結(jié)合輪廓提取方法得到空車道輪廓，并求取最小外接矩形得到空車道區(qū)域，如圖3(a)所示.

Step 3基于單車道排隊(duì)檢測(cè)興趣區(qū)域，對(duì)空車道區(qū)域求反，篩去小面積區(qū)域，得到候選排隊(duì)區(qū)域.

Step 4結(jié)合文獻(xiàn)[9]提出的圖像—實(shí)際坐標(biāo)轉(zhuǎn)換方法，將候選排隊(duì)區(qū)域圖像坐標(biāo)轉(zhuǎn)換為實(shí)際坐標(biāo)，合并實(shí)際間距在平均車頭間距內(nèi)，且圖像間距在相鄰最小排隊(duì)區(qū)域圖像長度內(nèi)的相鄰候選排隊(duì)區(qū)域.

Step 5根據(jù)信號(hào)配時(shí)信息及候選排隊(duì)區(qū)域到停止線的距離，以1.5 倍平均車頭間距為閾值，篩選得到最終的排隊(duì)區(qū)域及排隊(duì)長度.

Step 6若當(dāng)前排隊(duì)長度較過去時(shí)刻的排隊(duì)長度下降較多時(shí)，取過去時(shí)刻的檢測(cè)結(jié)果作為當(dāng)前結(jié)果，檢測(cè)效果如圖3(b)所示.

4 排隊(duì)過程感知及預(yù)測(cè)

4.1 排隊(duì)過程劃分

以目標(biāo)車輛中心點(diǎn)與排隊(duì)區(qū)域的位置關(guān)系為依據(jù)，劃分排隊(duì)、積累和消散車輛.定義目標(biāo)車輛中心點(diǎn)坐標(biāo)在排隊(duì)區(qū)域內(nèi)的車輛為排隊(duì)車輛，目標(biāo)車輛中心點(diǎn)不在排隊(duì)區(qū)域，且在停止線上方的車輛為積累車輛；相反，在停止線下方的車輛為消散車輛.

圖3 排隊(duì)檢測(cè)示意圖Fig.3 Sample graphs of queue detection

式中：Sqj,Saj,Sdj分別為車道j的排隊(duì)、積累和消散車輛下標(biāo)集合；i為待分類車輛下標(biāo)；yij為車道j的待分類車輛i的中心點(diǎn)縱坐標(biāo)；DSj,DXj分別為車道j的排隊(duì)區(qū)域縱坐標(biāo)上限和下限；nj為車道j的待分類車輛數(shù).

4.2 車輛行為重構(gòu)及預(yù)測(cè)

不同排隊(duì)狀態(tài)的車輛所必需的時(shí)間和位置信息不同，且在交叉口停止線附近一定距離內(nèi)，禁止車輛換道，意味著絕大部分車輛的排隊(duì)和消散次序不變.因此，分階段提取車輛關(guān)鍵行為信息，結(jié)合各車道的車輛到達(dá)和離去次序?qū)⒉煌抨?duì)階段的車輛信息進(jìn)行匹配，重構(gòu)交叉口每輛車的運(yùn)行過程.

對(duì)于排隊(duì)車輛，停車時(shí)間是關(guān)鍵，通過比對(duì)不同時(shí)刻的排隊(duì)車輛數(shù)得到各排隊(duì)車輛的停車時(shí)間.對(duì)于消散車輛，過車時(shí)間必不可少，通過在停止線附近設(shè)置虛擬線圈檢測(cè)占有率，得到過車數(shù)和過車時(shí)間.對(duì)于積累車輛，需要預(yù)測(cè)排隊(duì)時(shí)間，對(duì)此，通過KCF 跟蹤算法對(duì)積累車輛進(jìn)行跟蹤，得到車輛速度，結(jié)合車輛距排隊(duì)隊(duì)尾的距離和位置信息得到每輛車的預(yù)測(cè)排隊(duì)時(shí)間，即

式中：tj,i為車道j的車輛i的預(yù)測(cè)排隊(duì)時(shí)間；Dj,i為車道j的車輛i距排隊(duì)隊(duì)尾的距離；nj,i為在車道j，車輛i下游的積累車輛數(shù)；vj,i為車輛速度；lm為平均車輛長度.

對(duì)于各階段的車輛，所在車道是關(guān)鍵位置信息，提出一種快速劃分車輛所在車道的車道信息重構(gòu)方法，以獲取車道信息，公式為

式中：k0,k1,…,km-1為各車道線的斜率；b0,b1,…,bm-1為各車道線的截距；y0,y1,…,yn-1為車輛中心點(diǎn)縱坐標(biāo)；x0,x1,…,xn-1為車輛中心點(diǎn)橫坐標(biāo)；Li為車輛i所屬車道.

5 交通流參數(shù)提取

對(duì)于排隊(duì)車輛數(shù)，結(jié)合排隊(duì)階段的車輛檢測(cè)結(jié)果和實(shí)際排隊(duì)長度對(duì)排隊(duì)車輛數(shù)進(jìn)行修正，以得到更為精確的結(jié)果，公式為

對(duì)于未來排隊(duì)車輛數(shù)，基于各車道的排隊(duì)車輛數(shù)及積累車輛的預(yù)測(cè)停車時(shí)間，預(yù)測(cè)未來該車道短時(shí)的排隊(duì)車輛數(shù)，當(dāng)車道j的車輛i的預(yù)測(cè)排隊(duì)時(shí)間為tj,i，在該車下游，有Nj輛排隊(duì)車輛，nj,i輛積累車輛，則在tj,i時(shí)刻，車道j的預(yù)測(cè)排隊(duì)車輛數(shù)為(Nj+nj,i+1).此外，停車延誤是評(píng)價(jià)交叉口運(yùn)行狀態(tài)的一個(gè)重要參數(shù)，結(jié)合車輛軌跡重構(gòu)得到的每輛排隊(duì)車輛的停車時(shí)間和離去時(shí)間檢測(cè)停車延誤.對(duì)于排隊(duì)次數(shù)，基于排隊(duì)階段的最大排隊(duì)車輛數(shù)和消散階段的過車數(shù)來判斷排隊(duì)次數(shù)及相應(yīng)的排隊(duì)車輛數(shù).

6 實(shí)驗(yàn)結(jié)果

為充分驗(yàn)證本文提出的分階段感知再關(guān)聯(lián)的排隊(duì)過程感知方法的有效性，分別從理論和實(shí)際角度出發(fā)，對(duì)方法的有效性進(jìn)行驗(yàn)證.

6.1 數(shù)據(jù)集

主要選取珠海市香洲區(qū)的一個(gè)交叉口的90個(gè)周期的高空視頻作為測(cè)試集，時(shí)段為15：00-21：00，交叉口轉(zhuǎn)向情況如圖4所示.其中，選取60個(gè)周期的視頻作為方法理論效果驗(yàn)證集，30 個(gè)周期的視頻作為方法實(shí)際應(yīng)用效果驗(yàn)證集，如圖5所示.

6.2 評(píng)價(jià)指標(biāo)

用平均絕對(duì)誤差(EMAE)和準(zhǔn)確率(P)來衡量方法效果，公式為

式中：n為總數(shù)據(jù)數(shù)；為第i個(gè)數(shù)據(jù)的真值；yi為第i個(gè)數(shù)據(jù)的檢測(cè)值；NTP為判斷正確的數(shù)據(jù)數(shù)；NFP為錯(cuò)誤判斷的數(shù)據(jù)數(shù).

圖4 交叉口轉(zhuǎn)向Fig.4 Turning at intersection

圖5 實(shí)際應(yīng)用驗(yàn)證數(shù)據(jù)集Fig.5 Dataset for practical applications

6.3 結(jié)果分析

(1)理論效果.

主要基于車輛到達(dá)先后次序關(guān)聯(lián)不同排隊(duì)階段的車輛信息，因此關(guān)聯(lián)效果易受過車檢測(cè)、排隊(duì)車輛檢測(cè)和車輛換道掉頭行為影響.過車和排隊(duì)車輛檢測(cè)是相對(duì)可控的，因此主要探討不可控的車輛換道掉頭行為對(duì)關(guān)聯(lián)方法的影響，用停車延誤的準(zhǔn)確率來衡量關(guān)聯(lián)算法匹配準(zhǔn)確率.本文方法理論效果如表1所示.由表1可看出，由于與不同相位車道相鄰，車道1 和5 的換道，掉頭行為較多，其停車延誤準(zhǔn)確率較低，但仍有92%以上的準(zhǔn)確率，表明絕大部分車輛的運(yùn)行軌跡匹配結(jié)果準(zhǔn)確無誤，不受換道、掉頭行為影響.本文算法得到的平均每輛車的停車延誤誤差在0.79 s，誤差較小.此外，在二次排隊(duì)判斷中，所提方法的平均準(zhǔn)確率可達(dá)94%，平均排隊(duì)車輛數(shù)誤差僅為0.17 veh，表明在排隊(duì)次數(shù)判別中，車輛換道影響不大.

表1 本文方法的理論效果Table1 Theoretical effect of proposed method

此外，鑒于排隊(duì)區(qū)域劃分對(duì)交通流參數(shù)檢測(cè)至關(guān)重要，以排隊(duì)車輛數(shù)檢測(cè)誤差來衡量排隊(duì)區(qū)域的劃分誤差，探討排隊(duì)區(qū)域劃分誤差對(duì)交通流參數(shù)檢測(cè)的影響.由圖6可看出，對(duì)于停車延誤，持續(xù)多檢/漏檢2 veh以內(nèi)的情況下，誤差值在25 s以內(nèi)，是可接受的；對(duì)于二次排隊(duì)判別和排隊(duì)車輛數(shù)預(yù)測(cè)，持續(xù)多檢1 veh 或者漏檢車輛的情況下，判別準(zhǔn)確率和預(yù)測(cè)排隊(duì)車輛數(shù)誤差分別在70%和3 veh以內(nèi)，檢測(cè)效果較好；表明本文方法對(duì)排隊(duì)區(qū)域劃分誤差有一定容忍度.

圖6 敏感性分析結(jié)果Fig.6 Results of sensitivity analysis

(2)實(shí)際應(yīng)用效果.

為驗(yàn)證本文方法的實(shí)際應(yīng)用效果，結(jié)合上述排隊(duì)長度和過車檢測(cè)等方法進(jìn)行排隊(duì)過程感知與預(yù)測(cè)，檢測(cè)效果如下：

①排隊(duì)長度及排隊(duì)車輛數(shù).

為驗(yàn)證本文排隊(duì)長度檢測(cè)算法的效果，這里將本文算法與文獻(xiàn)[10-11]的方法進(jìn)行比較.由表2可看出，本文算法在不同排隊(duì)車輛數(shù)和時(shí)間段下，平均排隊(duì)像素長度誤差均在(23±8)pixel以內(nèi)，相差不大，并且誤差均比其他算法低2 倍以上，說明算法檢測(cè)效果較好，對(duì)車流量和光照變化均比較魯棒.此外，本文算法的平均每車道排隊(duì)長度檢測(cè)誤差約為6 m，排隊(duì)車輛數(shù)誤差均在1.5 veh標(biāo)準(zhǔn)車內(nèi)，可以滿足實(shí)際信號(hào)配時(shí)和交通管控需求.

表2 本文排隊(duì)長度檢測(cè)算法效果及與其他方法對(duì)比Table2 Comparison of queue detection results

②停車延誤及排隊(duì)次數(shù).

由表3可看出，本文算法得到的停車延誤平均絕對(duì)誤差在12.7 s，其誤差主要由排隊(duì)檢測(cè)震蕩導(dǎo)致的車輛排隊(duì)時(shí)間不準(zhǔn)，車輛漏檢導(dǎo)致的車輛誤匹配引起.

對(duì)于二次排隊(duì)判斷，在平均最大排隊(duì)車輛數(shù)和過車數(shù)誤差分別在1.22 veh 和0.73 veh 情況下，本文算法的準(zhǔn)確率可達(dá)71.88%，二次排隊(duì)車輛數(shù)平均誤差約為1 veh，說明本文方法切實(shí)可行且檢測(cè)精度較高.

表3 停車延誤和排隊(duì)次數(shù)檢測(cè)效果Table3 Results of stop delay and queueing times

③短時(shí)排隊(duì)長度.

為驗(yàn)證短時(shí)排隊(duì)長度預(yù)測(cè)方法在實(shí)際應(yīng)用中的有效性，在當(dāng)前排隊(duì)區(qū)域檢測(cè)結(jié)果的基礎(chǔ)上，進(jìn)行短時(shí)排隊(duì)長度預(yù)測(cè).由圖7可以看出，本文算法在0～10 s 內(nèi)的平均預(yù)測(cè)誤差均在1.5 veh 車內(nèi)，短時(shí)預(yù)測(cè)精度較高.

圖7 排隊(duì)預(yù)測(cè)效果Fig.7 Results of queue prediction

7 結(jié) 論

本文提出一種基于視頻、分階段感知再關(guān)聯(lián)的排隊(duì)過程感知及預(yù)測(cè)方法，通過劃分不同排隊(duì)階段，結(jié)合車輛時(shí)空和到達(dá)次序信息分階段提取并關(guān)聯(lián)車輛關(guān)鍵行為信息，重構(gòu)車輛運(yùn)行軌跡，從而檢測(cè)精細(xì)的排隊(duì)車輛數(shù)和排隊(duì)次數(shù)等交通參數(shù).實(shí)驗(yàn)結(jié)果表明，本文方法切實(shí)可行且準(zhǔn)確率較高，對(duì)排隊(duì)區(qū)域劃分誤差有一定容忍度，在不考慮實(shí)際檢測(cè)錯(cuò)誤的情況下，95.7%的排隊(duì)車輛軌跡重構(gòu)結(jié)果是準(zhǔn)確的.同時(shí)，在實(shí)際應(yīng)用過程中，本文方法有很好地檢測(cè)魯棒性和精度，在晚上，排隊(duì)車輛數(shù)較多的情況下，平均排隊(duì)車輛數(shù)檢測(cè)和0～10 s內(nèi)的預(yù)測(cè)誤差仍可在1.5 veh車內(nèi).此外，鑒于排隊(duì)檢測(cè)震蕩和車輛漏檢等問題，實(shí)際停車延誤和排隊(duì)次數(shù)檢測(cè)效果有待提升，未來將著重解決這些問題以進(jìn)一步提升檢測(cè)效果.