劉建蓓，單東輝，郭忠印，駱中斌，張志偉

(1. 同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804；2.中交第一公路勘察設(shè)計(jì)研究院有限公司，陜西 西安 710065；3. 交通安全應(yīng)急保障技術(shù)交通運(yùn)輸行業(yè)研發(fā)中心，陜西 西安 710065)

0 引言

交通監(jiān)測(cè)是交通運(yùn)營(yíng)管理的基礎(chǔ)，交通監(jiān)測(cè)主要依賴(lài)于各類(lèi)檢測(cè)設(shè)備，主要分類(lèi)兩類(lèi)：固定型交通檢測(cè)器(如微波、雷達(dá)等)和移動(dòng)型交通檢測(cè)設(shè)備(GPS，浮動(dòng)車(chē)等)。然而，固定型交通檢測(cè)器布設(shè)數(shù)量有限、且僅能獲取斷點(diǎn)數(shù)據(jù)，難以準(zhǔn)確評(píng)估連續(xù)路段的交通狀態(tài)；移動(dòng)型檢測(cè)設(shè)備受抽樣率的影響，在可靠性方面有一定局限性。因此，如何機(jī)動(dòng)靈活、實(shí)時(shí)準(zhǔn)確、高可靠性的獲取目標(biāo)區(qū)域的交通參數(shù)，是智慧交通需要解決的關(guān)鍵性問(wèn)題之一。

無(wú)人機(jī)通過(guò)搭載高清攝像機(jī)和通訊設(shè)備，可實(shí)現(xiàn)定點(diǎn)、巡航等機(jī)動(dòng)、靈活的交通實(shí)時(shí)、連續(xù)監(jiān)測(cè)。無(wú)人機(jī)視頻監(jiān)測(cè)集成了固定型檢測(cè)器和移動(dòng)型檢測(cè)器的特點(diǎn)，根據(jù)應(yīng)用場(chǎng)景需求，可定點(diǎn)、可移動(dòng)，且視頻信息量大、可溯源；無(wú)人機(jī)視頻結(jié)合計(jì)算機(jī)圖像處理技術(shù)，可大范圍獲取交通流量、車(chē)輛軌跡、速度等交通參數(shù)；在交通領(lǐng)域關(guān)注程度日益增加[1-2]。目前，無(wú)人機(jī)在交通領(lǐng)域的實(shí)踐與應(yīng)用主要涉及交通執(zhí)法和交通監(jiān)測(cè)兩個(gè)方面[3-4],交通執(zhí)法如在中國(guó)、美國(guó)、加拿大、俄羅斯等均有應(yīng)用案例[5]；交通監(jiān)測(cè)主要利用無(wú)人機(jī)快捷、便利的特點(diǎn)，進(jìn)行交通預(yù)警和決策研判，如交通事件管理、應(yīng)急救援等[6-7]；近期，有學(xué)者研究利用無(wú)人機(jī)群實(shí)時(shí)監(jiān)測(cè)道路交通運(yùn)行狀態(tài)，從而支撐交通流優(yōu)化控制和擁堵方面的研究[4,8]。

無(wú)人機(jī)監(jiān)測(cè)應(yīng)用的關(guān)鍵在于視頻車(chē)輛檢測(cè)和跟蹤算法，通過(guò)不同時(shí)刻車(chē)輛位置信息提取其速度、軌跡等信息[9]。在車(chē)輛目標(biāo)檢測(cè)方面，主要方法有光流法、背景差異法、梯度比較法及知識(shí)型檢測(cè)法等；近年來(lái)，深度學(xué)習(xí)技術(shù)的快速發(fā)展大大的推動(dòng)了圖像目標(biāo)檢測(cè)的效果，針對(duì)不同的檢測(cè)場(chǎng)景和任務(wù)，國(guó)內(nèi)外研究人員提出了多種目標(biāo)檢測(cè)的神經(jīng)網(wǎng)絡(luò)，如Fast-RCNN、Faster-RCNN、YOLO等[10]。同時(shí)，發(fā)布了通用場(chǎng)景下的目標(biāo)檢測(cè)公開(kāi)數(shù)據(jù)集，用于深度學(xué)習(xí)模型的訓(xùn)練，如ImageNet、COCO、Pascal VOC、KITTI Vision等。在目標(biāo)跟蹤算法方面，主要分為單目標(biāo)跟蹤與多目標(biāo)跟蹤；單目標(biāo)跟蹤是在視頻的第一幀標(biāo)記目標(biāo)的位置和大小，根據(jù)當(dāng)幀目標(biāo)的狀態(tài)，預(yù)測(cè)下幀目標(biāo)的位置和大??；多目標(biāo)跟蹤是每一幀有多個(gè)目標(biāo)，需要在視頻中為不同的目標(biāo)分配標(biāo)簽，預(yù)測(cè)多個(gè)目標(biāo)的位置與大小。Henriques等人提出了KCF算法[11]，KCF算法在當(dāng)前幀目標(biāo)區(qū)域采樣，訓(xùn)練出一個(gè)相關(guān)濾波器，然后在下一幀同一位置附近采樣，根據(jù)上一幀訓(xùn)練出的相關(guān)濾波器，判斷采樣的響應(yīng)程度，響應(yīng)程度最大的區(qū)域則可預(yù)測(cè)為下一幀的目標(biāo)所在位置。Bewley等人提出的Sort算法[12]和Deep-Sort算法[13]是非常強(qiáng)大的多目標(biāo)跟蹤算法，Sort算法利用卡爾曼濾波器和匈牙利算法來(lái)跟蹤目標(biāo)，而Deep-Sort算法則為其加入了目標(biāo)特征信息來(lái)預(yù)測(cè)目標(biāo)和關(guān)聯(lián)數(shù)據(jù)。中科院、牛津等在CVPR 2019提出SiamMask網(wǎng)絡(luò)[14]，可同時(shí)預(yù)測(cè)目標(biāo)的Mask和Bounding box，視頻跟蹤精度較優(yōu)。

綜上所述，利用無(wú)人機(jī)視頻監(jiān)測(cè)提取交通參數(shù)信息已經(jīng)引起了國(guó)內(nèi)外許多學(xué)者的注意，大多應(yīng)用集中在交通流觀測(cè)、應(yīng)急救援、執(zhí)法等中宏觀層面，對(duì)于微觀車(chē)輛參數(shù)提取和驗(yàn)證方面仍處于探索研究階段。基于圖像處理技術(shù)，將每幀的靜態(tài)信息檢測(cè)、跟蹤，轉(zhuǎn)變?yōu)閷?shí)時(shí)動(dòng)態(tài)的微觀交通參數(shù)，目前研究仍存在以下局限[15-17]：(1)無(wú)人機(jī)視頻車(chē)輛檢測(cè)和跟蹤的精度不足，通常小于90%[18-19]；(2)由于交通場(chǎng)景復(fù)雜，無(wú)人機(jī)視頻交通參數(shù)提取精度缺乏有效的實(shí)地驗(yàn)證。針對(duì)上述局限性，本研究提出一種無(wú)人機(jī)視頻交通參數(shù)提取方法，并通過(guò)現(xiàn)場(chǎng)試驗(yàn)交叉驗(yàn)證其可行性和可靠性。

如圖1所示，本研究提出的無(wú)人機(jī)交通參數(shù)提取方法包括外業(yè)和內(nèi)業(yè)部分，外業(yè)主要采集道路特征點(diǎn)世界坐標(biāo)和無(wú)人機(jī)視頻；內(nèi)業(yè)部分主要包括世界坐標(biāo)和圖像坐標(biāo)轉(zhuǎn)換、車(chē)輛檢測(cè)和追蹤、車(chē)輛交通參數(shù)計(jì)算和提取。

圖1 無(wú)人機(jī)視頻交通參數(shù)提取方法及流程

1 圖像參數(shù)轉(zhuǎn)換

1.1 坐標(biāo)系轉(zhuǎn)換

交通參數(shù)的獲取需要將圖像信息轉(zhuǎn)化為真實(shí)的物理信息，即需要將圖像坐標(biāo)轉(zhuǎn)化為真實(shí)坐標(biāo)來(lái)計(jì)算交通參數(shù)，建立圖像坐標(biāo)和世界坐標(biāo)的轉(zhuǎn)換矩陣是交通參數(shù)提取的基礎(chǔ)。

具體方法為：從每個(gè)視頻中挑選一幀圖像作為該視頻的參考幀，記為N0；在參考幀上標(biāo)記若干個(gè)標(biāo)記點(diǎn)，并記錄其圖像坐標(biāo)，同時(shí)獲取相同標(biāo)記點(diǎn)的世界坐標(biāo)，兩個(gè)坐標(biāo)系下的相同的兩個(gè)序列具有對(duì)應(yīng)關(guān)系，通過(guò)數(shù)學(xué)運(yùn)算可計(jì)算出參考幀圖像坐標(biāo)系和世界坐標(biāo)系的透視投影矩陣T，從而利用透視投影矩陣T實(shí)現(xiàn)兩組坐標(biāo)系之間的轉(zhuǎn)換，這個(gè)過(guò)程稱(chēng)為單應(yīng)性變換[20]。坐標(biāo)關(guān)系如下表示：

(1)

式中，[uvp]為世界坐標(biāo)，[x0y0z0]為參考幀N0的圖像坐標(biāo)。由于圖像坐標(biāo)為二維坐標(biāo)，無(wú)人機(jī)飛行高度遠(yuǎn)遠(yuǎn)大于路面坡度差，此時(shí)坐標(biāo)系轉(zhuǎn)化問(wèn)題轉(zhuǎn)化為單平面轉(zhuǎn)換，故三維坐標(biāo)中高程方向的參數(shù)可取1[14]，可用式(2)表示：

(2)

將已知的世界坐標(biāo)以及參考幀的圖像坐標(biāo)代入上述公式中，即可求得透視投影矩陣T。

1.2 圖像匹配

在假設(shè)攝像機(jī)完全固定的前提下，場(chǎng)景內(nèi)所有相同位置的點(diǎn)在視頻圖像中每一幀的圖像坐標(biāo)是不會(huì)變化的，因此，理想狀態(tài)下投影矩陣T適用于整個(gè)視頻。然而，在實(shí)際場(chǎng)景下，攝像機(jī)可能受到外界的干擾(如微風(fēng)、抖動(dòng)等)發(fā)生微小位移、俯仰角變化等。尤其是無(wú)人機(jī)，在采集數(shù)據(jù)的過(guò)程中不可能達(dá)到完全靜止，同一固定點(diǎn)不同幀的圖像坐標(biāo)會(huì)發(fā)生變化。因此，在完成圖像坐標(biāo)與世界坐標(biāo)轉(zhuǎn)換之后，需要旋轉(zhuǎn)位移矩陣W標(biāo)定第n幀與參考幀(N0)之間的對(duì)應(yīng)關(guān)系，這就是圖像匹配過(guò)程[21]。如式(3)表示不同幀之間的圖像匹配過(guò)程：

(3)

式中,(xn,yn)為第n幀圖像坐標(biāo);(x0,y0)為參考幀N0圖像坐標(biāo)，根據(jù)路面標(biāo)記的特征點(diǎn)，可得到多個(gè)方程組，從而求得第n幀與參考幀之間的旋轉(zhuǎn)位移矩陣W。

2 車(chē)輛檢測(cè)與跟蹤算法

2.1 車(chē)輛目標(biāo)檢測(cè)

車(chē)輛目標(biāo)檢測(cè)是交通參數(shù)提取的前提，也是計(jì)算機(jī)視覺(jué)與圖像處理領(lǐng)域最受關(guān)注的任務(wù)之一。

本研究采用YOLO v3車(chē)輛檢測(cè)模型，YOLO v3的核心思想是將每一幀圖像作為網(wǎng)絡(luò)輸入，然后在輸出層直接回歸出目標(biāo)框的位置和屬性類(lèi)別，從而實(shí)現(xiàn)端對(duì)端的直接優(yōu)化。具體過(guò)程為：將輸入圖像分為S×S個(gè)網(wǎng)格，當(dāng)某個(gè)目標(biāo)中心落在這個(gè)網(wǎng)格中，則該網(wǎng)格就負(fù)責(zé)預(yù)測(cè)該目標(biāo)；然后，對(duì)每個(gè)網(wǎng)格預(yù)測(cè)B個(gè)邊框(Bounding Box)，每一個(gè)box包含4個(gè)信息：中心點(diǎn)坐標(biāo)(xc，yc)、高度(h)、寬度(w)及可信度(Confidence)；同時(shí)，在每個(gè)網(wǎng)格中預(yù)測(cè)C個(gè)類(lèi)別概率值；則得到S×S×B個(gè)目標(biāo)預(yù)測(cè)窗口和S×S×B×(5+C)個(gè)預(yù)測(cè)參數(shù)，通過(guò)閾值篩選和非最大抑制(NMS)去除多余窗口；最終得到檢測(cè)目標(biāo)節(jié)點(diǎn)集N={Ni,i=1,2,3,…,n}和軌跡集T={Tj,j=1,2,3,…,m}。

YOLO v3是目前精度較高、速度較快的檢測(cè)算法，在Pascal Titan X上檢測(cè)速度達(dá)到了30幀/s。在mAP相當(dāng)?shù)那闆r下，YOLO v3的速度為SSD的2.8倍，是RetinaNet的4倍，更是FPN FRCN的7.8倍，可見(jiàn)YOLO v3的處理速度優(yōu)勢(shì)明顯[22]。

2.2 多目標(biāo)跟蹤算法

在目標(biāo)檢測(cè)過(guò)程中，可以獲取車(chē)輛在視頻每一幀中的位置、大小等信息。為了將同一個(gè)車(chē)輛的信息在視頻所有幀統(tǒng)一起來(lái)，需要將在不同幀出現(xiàn)的同一車(chē)輛命名同一個(gè)ID，為解決此問(wèn)題，多目標(biāo)跟蹤算法被提出。本研究采用Deep-Sort多目標(biāo)跟蹤算法。其基本思想是基于檢測(cè)的跟蹤方法(Tracking-by-detection)[23]，其算法結(jié)構(gòu)如圖2所示。

圖2 Deep-Sort算法結(jié)構(gòu)

Deep-Sort多目標(biāo)跟蹤算法是通過(guò)卡爾曼濾波在圖像空間跟蹤目標(biāo)數(shù)據(jù)，以及對(duì)跟蹤和檢測(cè)結(jié)果進(jìn)行重疊度評(píng)價(jià)而實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)，從而實(shí)現(xiàn)對(duì)目標(biāo)跟蹤的算法。所花費(fèi)的時(shí)間較短，精度較高的特點(diǎn)。實(shí)現(xiàn)步驟如下：

(1)將當(dāng)前幀目標(biāo)檢測(cè)節(jié)點(diǎn)集N={Ni,i=1,2,3,…,n}和軌跡集T={Tj,j=1,2,3,…,m}為數(shù)據(jù)輸入。

(4)通過(guò)匈牙利指派算法得到IOU最大的唯一匹配，進(jìn)行數(shù)據(jù)關(guān)聯(lián)[24-25]；采用級(jí)聯(lián)匹配的方式，使時(shí)間上臨近幾幀出現(xiàn)的目標(biāo)具有較高的分配權(quán)重，同時(shí)對(duì)于每條軌跡存儲(chǔ)數(shù)值δ,記錄軌跡從上一次成功匹配到此時(shí)的時(shí)間。若δ大于某一個(gè)設(shè)定的閾值，則認(rèn)為該條軌跡終止。

3 車(chē)輛交通參數(shù)提取方法

通過(guò)車(chē)輛目標(biāo)檢測(cè)和跟蹤，能夠產(chǎn)生不同幀同一車(chē)輛的位置信息，通過(guò)單應(yīng)性變換，計(jì)算車(chē)輛相鄰幀之間的真實(shí)移動(dòng)距離，利用相鄰幀之間的時(shí)間差計(jì)算車(chē)輛的位移、瞬時(shí)車(chē)速及加速度。由于相鄰兩幀之間車(chē)輛的位置變化很小，無(wú)法準(zhǔn)確判斷車(chē)輛的位移。本研究以5幀為間隔研究車(chē)輛的位置變化，利用相鄰幀間的時(shí)間及車(chē)輛的真實(shí)位移計(jì)算車(chē)輛在相應(yīng)幀的車(chē)速、加速度車(chē)頭間距等車(chē)輛運(yùn)行參數(shù)。

(1)速度

在圖像中選定檢測(cè)出車(chē)輛并對(duì)其進(jìn)行跟蹤，計(jì)算圖像上車(chē)輛的速度，如式(3)所示：

(3)

式中，lpicture是車(chē)輛中心點(diǎn)i幀的圖像位移；Δt是相鄰兩幀的時(shí)間間隔。

通過(guò)標(biāo)定車(chē)輛位置的變化可獲得車(chē)輛在圖像上的位移lpicture，根據(jù)坐標(biāo)轉(zhuǎn)換關(guān)系即可計(jì)算出車(chē)輛的真實(shí)位移lture，則目標(biāo)車(chē)輛的真實(shí)速度vture如式(4)所示：

(4)

(2)車(chē)道位置

除了人工標(biāo)記點(diǎn)，道路表面的車(chē)道線(xiàn)是車(chē)輛參數(shù)提取的重要參考之一，通過(guò)計(jì)算車(chē)輛和車(chē)道線(xiàn)的位置關(guān)系，可以獲得車(chē)輛行駛的車(chē)道和軌跡信息，進(jìn)而能夠分析車(chē)輛換道、超車(chē)等行為。

標(biāo)定幀中每條車(chē)道線(xiàn)的擬合函數(shù)集F={fi(x)},其中，i為車(chē)道線(xiàn)的數(shù)量。將檢測(cè)框矯正后的中心點(diǎn)的橫坐標(biāo)x′c代入F中，得到集合{ai}={fi(x′c)}，通過(guò)比較y′c和ai，若：

①ai

②ai≥y′c，說(shuō)明第i條車(chē)道線(xiàn)在該中心點(diǎn)的下方。

由此來(lái)判定，該中心點(diǎn)位于哪兩條車(chē)道線(xiàn)之間，從而判定該檢測(cè)框代表的車(chē)輛當(dāng)前處于哪個(gè)車(chē)道。

4 驗(yàn)證試驗(yàn)

4.1 試驗(yàn)過(guò)程

試驗(yàn)共分4個(gè)步驟：試驗(yàn)路段選取、路面特征點(diǎn)測(cè)量、試驗(yàn)車(chē)輛準(zhǔn)備、無(wú)人機(jī)懸停拍攝。

選取西安繞城高速丈八立交出口硬鼻端至上游約1 km范圍為試驗(yàn)路段(如圖3所示)，選用大疆PHANTOM 4 PRO無(wú)人機(jī)進(jìn)行空中俯拍，此無(wú)人機(jī)相機(jī)參數(shù)為：3 840×2 160 24/25/30p@100 Mbps，重量1.375 kg；選取路面標(biāo)線(xiàn)和人工標(biāo)記點(diǎn)為特征點(diǎn)，特征是圖像坐標(biāo)和世界坐標(biāo)轉(zhuǎn)換的紐帶，因此，試驗(yàn)之前在試驗(yàn)路段路面每間隔50 m粘貼方形標(biāo)記塊(50 cm×50 cm)，共增加40個(gè)人工標(biāo)記點(diǎn)(如圖4所示)，道路標(biāo)線(xiàn)端頭作為道路自身標(biāo)記點(diǎn)，共計(jì)386個(gè)道路特征點(diǎn)，并對(duì)特征點(diǎn)進(jìn)行高精度測(cè)量，記錄其世界坐標(biāo)下的經(jīng)緯度坐標(biāo)。

圖3 試驗(yàn)路段及試驗(yàn)車(chē)輛

圖4 路面標(biāo)記點(diǎn)坐標(biāo)測(cè)量

選用天寶Trimble SPS985 GNSS智能一體機(jī)RTK和車(chē)載OBD采集車(chē)輛實(shí)時(shí)運(yùn)動(dòng)參數(shù)。試驗(yàn)車(chē)輛準(zhǔn)備階段，用1 m×1 m方形標(biāo)記塊標(biāo)記兩輛試驗(yàn)車(chē)輛；并在試驗(yàn)車(chē)輛頂部標(biāo)記中心處安裝高精度GNSS差分定位移動(dòng)站，設(shè)定數(shù)據(jù)頻率為20 Hz；調(diào)試車(chē)載OBD通過(guò)藍(lán)牙與手機(jī)APP連接，實(shí)時(shí)記錄車(chē)輛總線(xiàn)數(shù)據(jù)。車(chē)載OBD實(shí)時(shí)輸出車(chē)輛速度、加速度、位置等信息；GNSS通過(guò)差分基站能夠?qū)⒍ㄎ痪忍岣叩嚼迕准?jí)，輸出車(chē)輛實(shí)時(shí)位置、速度等信息[26]；結(jié)合兩種設(shè)備的輸出數(shù)據(jù)，組合驗(yàn)證視頻識(shí)別算法的準(zhǔn)確性和精度。驗(yàn)證試驗(yàn)過(guò)程如圖5所示。

圖5 試驗(yàn)過(guò)程示意

驗(yàn)證試驗(yàn)過(guò)程在2019年4月23日，晴朗、無(wú)風(fēng)天氣進(jìn)行，試驗(yàn)時(shí)間段為上午9：30～下午5：00，無(wú)人機(jī)操作員在進(jìn)行每次飛行監(jiān)測(cè)前監(jiān)測(cè)控制面板和無(wú)人機(jī)終端通信連路、檢測(cè)電池容量；飛行高度共有150，200，210，250，350 m這5種，試驗(yàn)路段試驗(yàn)車(chē)輛行駛速度40～90 km/h之間；單次飛行試驗(yàn)持續(xù)10 min，共進(jìn)行7次不同高度、不同運(yùn)行速度試驗(yàn)設(shè)計(jì)，共拍攝70 min試驗(yàn)路段監(jiān)測(cè)視頻，其中試驗(yàn)車(chē)輛出現(xiàn)時(shí)間共計(jì)210 s，產(chǎn)生5 400幀含試驗(yàn)車(chē)輛的畫(huà)面，共計(jì)1 192個(gè)速度驗(yàn)證信息，如圖6所示。驗(yàn)證試驗(yàn)設(shè)計(jì)如表1所示。

圖6 實(shí)時(shí)記錄的數(shù)據(jù)驗(yàn)證

表1 驗(yàn)證試驗(yàn)信息

4.2 數(shù)據(jù)分析

在上述試驗(yàn)路段、試驗(yàn)車(chē)輛視頻數(shù)據(jù)采集外業(yè)工作完成之后，內(nèi)業(yè)數(shù)據(jù)處理主要集中在車(chē)輛視頻監(jiān)測(cè)算法、跟蹤算法訓(xùn)練和交通參數(shù)對(duì)比分析。

(1) 目標(biāo)檢測(cè)精度

本研究利用YOLO v3神經(jīng)網(wǎng)絡(luò)架構(gòu)模型訓(xùn)練試驗(yàn)路段場(chǎng)景下的視頻數(shù)據(jù)，算法代碼用Python語(yǔ)言編寫(xiě)。訓(xùn)練模型時(shí)，需要對(duì)動(dòng)量(momentum)、衰減(decay)和學(xué)習(xí)率的進(jìn)行設(shè)定；本研究設(shè)定參數(shù)Momentum=0.93、decay=0.005；為了防止過(guò)高的學(xué)習(xí)率導(dǎo)致不穩(wěn)定的梯度下降而使得檢測(cè)模型發(fā)散，學(xué)習(xí)率初始值設(shè)定為 0.000 1；當(dāng)?shù)_(dá)到45 000次時(shí)，損失曲線(xiàn)趨于平穩(wěn)，但平均損失值還沒(méi)有下降到0.1以?xún)?nèi)，繼而設(shè)定在 45 000次時(shí)學(xué)習(xí)率為 0.000 01，繼續(xù)訓(xùn)練；最終迭代至85 000次附近時(shí)趨于平穩(wěn)，得到最后檢測(cè)模型。檢測(cè)結(jié)果如圖7所示，精度如表2所示。

表2 目標(biāo)檢測(cè)結(jié)果

圖7 無(wú)人機(jī)視頻目標(biāo)檢測(cè)

在對(duì)目標(biāo)檢測(cè)模型進(jìn)行訓(xùn)練時(shí)，本研究主要利用兩個(gè)指標(biāo)：精確率(Precision)和召回率(Recall)評(píng)估車(chē)輛檢測(cè)精度[27]。

Precision=TP/(TP+FP),

(5)

Recall=TP/(TP+FN),

(6)

式中，TP(True Positives)為被正確檢測(cè)為運(yùn)動(dòng)車(chē)輛的像素?cái)?shù)量；FP(False Positives)為被錯(cuò)誤檢測(cè)為運(yùn)動(dòng)車(chē)輛的像素?cái)?shù)量；FN(False Negatives)為被錯(cuò)誤檢測(cè)為背景的像素?cái)?shù)量。同時(shí)根據(jù)召回率與精度，可以計(jì)算AP(Average Precision)，AP為在各個(gè)等差召回率下精度的平均值，由此可表征模型的精度。

結(jié)果表明：試驗(yàn)路段試驗(yàn)車(chē)輛目標(biāo)檢測(cè)召回率與精度分別為98.9%，99.9%，平均精度為90.88%。

(2)目標(biāo)追蹤精度

多目標(biāo)跟蹤的精度主要由MOTA ( Multiple Object Tracking Accuracy)和MOTP (Multiple Object Tracking Precision)指標(biāo)評(píng)價(jià)[28]，這兩個(gè)指標(biāo)均是將所有幀中的相關(guān)跟蹤指標(biāo)進(jìn)行加權(quán)計(jì)算后，再取平均值的結(jié)果。

(7)

(8)

式中，F(xiàn)Nt為當(dāng)前幀中未被匹配到的目標(biāo)數(shù)；FPt為跟蹤器預(yù)測(cè)額外的軌跡數(shù)；IDSW(ID Switch)為同一個(gè)目標(biāo)，在跟蹤過(guò)程中，為其分配的ID變化的次數(shù)，其表征的是標(biāo)簽信息發(fā)生的錯(cuò)誤；IOU為預(yù)測(cè)框與對(duì)應(yīng)的檢測(cè)框之間Bonding box的重合比率；Gt則是當(dāng)前幀中目標(biāo)匹配成功的數(shù)目。

MOTA主要衡量的是跟蹤過(guò)程中所有目標(biāo)匹配成功的精度，直觀地顯示目標(biāo)跟蹤器在保持目標(biāo)軌跡的能力，與預(yù)測(cè)目標(biāo)位置的精度無(wú)關(guān)；MOTA越大跟蹤精度越高。MOTP主要衡量的是目標(biāo)檢測(cè)的精度，與位置信息相關(guān)，而與跟蹤匹配的精度無(wú)關(guān)；MOTP越大，預(yù)測(cè)框的位置更加精確。結(jié)果表明，多目標(biāo)跟蹤的準(zhǔn)確率達(dá)98.9%，如圖8和表3所示。

圖8 無(wú)人機(jī)視頻多目標(biāo)跟蹤

表3 多目標(biāo)跟蹤結(jié)果

(3)速度提取精度

車(chē)輛目標(biāo)檢測(cè)和跟蹤能夠輸出車(chē)輛的時(shí)空信息，根據(jù)其坐標(biāo)位置、時(shí)間數(shù)據(jù)，可以計(jì)算視頻算法下車(chē)輛速度、軌跡等信息，進(jìn)而目標(biāo)車(chē)輛的不良交通行為(如變道、超速、蛇形駕駛)可識(shí)別。但是，對(duì)于交通參數(shù)而言，最核心、最基本的參數(shù)是車(chē)輛速度、軌跡信息，其他參數(shù)基本可以通過(guò)速度、位置、時(shí)間數(shù)據(jù)變換而得到。因此，本研究聚焦無(wú)人機(jī)視頻車(chē)輛速度數(shù)據(jù)的提取驗(yàn)證。

由于每?jī)蓭臅r(shí)間間隔過(guò)低，僅僅根據(jù)兩幀間的時(shí)間差來(lái)計(jì)算速度容易造成較大的誤差，故當(dāng)前幀與第前5幀計(jì)算一次速度；由于高精度GNSS定位輸出數(shù)據(jù)設(shè)定為20 Hz、車(chē)載OBD輸出數(shù)據(jù)為5 Hz，為了對(duì)應(yīng)OBD驗(yàn)證數(shù)據(jù)，視頻識(shí)別算法輸出速度數(shù)據(jù)也設(shè)定為5 Hz、高精度GNSS定位輸出數(shù)據(jù)平均至最近的OBD時(shí)間點(diǎn)；如高精度定位GNSS在11:00:06，11:00:09 ， 11:00:12 ，11:00:15 時(shí)間的的平均值對(duì)應(yīng)車(chē)載OBD在11:00:12的速度數(shù)據(jù)。速度準(zhǔn)確性用最大絕對(duì)誤差和平均相對(duì)誤差衡量，結(jié)果如下所示。

如圖9所示，高精度GNSS-RTK定位和車(chē)載OBD輸出數(shù)據(jù)基本重合，以GNSS-RTK和車(chē)載OBD輸出速度的平均值作為參考速度數(shù)據(jù)，衡量視頻識(shí)別算法提取速度數(shù)據(jù)的準(zhǔn)確性。由圖中可看出，視頻算法提取的速度與驗(yàn)證速度偏差最大位置集中在視頻的開(kāi)始和結(jié)束幀段，這是由于在此幀段范圍內(nèi)車(chē)身并未全部出現(xiàn)在圖像畫(huà)面中，造成檢測(cè)中心坐標(biāo)的偏差，進(jìn)而影響速度參數(shù)的誤差。

圖9 驗(yàn)證試驗(yàn)數(shù)據(jù)對(duì)比示例

由表4可以看出，在試驗(yàn)路段進(jìn)行不同飛行高度、不同行駛速度7次試驗(yàn)后，試驗(yàn)車(chē)A、試驗(yàn)車(chē)B分別產(chǎn)生593，599個(gè)速度樣本數(shù)據(jù)，結(jié)果表明：試驗(yàn)車(chē)A、試驗(yàn)車(chē)B最大絕對(duì)誤差分別為2.72，2.99 km/h，相對(duì)誤差分別為0.85%，1.03%；這表明，視頻識(shí)別算法提取的車(chē)輛速度參數(shù)整體絕對(duì)誤差在±3 km/h以?xún)?nèi)、相對(duì)誤差在2%以?xún)?nèi)，整體準(zhǔn)確率達(dá)98%。

表4 驗(yàn)證試驗(yàn)結(jié)果

5 結(jié)論

無(wú)人機(jī)視頻監(jiān)測(cè)不同于傳統(tǒng)固定型檢測(cè)器和移動(dòng)型檢測(cè)器，根據(jù)應(yīng)用場(chǎng)景需求，無(wú)人機(jī)可定點(diǎn)、可移動(dòng)，且視頻信息量大、可溯源，在智能交通領(lǐng)域的應(yīng)用有諸多探索。機(jī)動(dòng)靈活、實(shí)時(shí)準(zhǔn)確、高可靠性的獲取目標(biāo)區(qū)域的微觀交通參數(shù)，是智慧交通需要解決的關(guān)鍵性問(wèn)題之一。針對(duì)無(wú)人機(jī)視頻車(chē)輛參數(shù)提取問(wèn)題，基于圖像視頻識(shí)別技術(shù)，本研究提出視頻車(chē)輛運(yùn)動(dòng)參數(shù)自動(dòng)提取方法和流程，并采用高精度GNSS定位和車(chē)載OBD裝載試驗(yàn)車(chē)輛，在西安繞城丈八出口實(shí)地組合驗(yàn)證視頻識(shí)別算法準(zhǔn)確性。通過(guò)以上研究和試驗(yàn)得出以下結(jié)論：

(1)本研究提出的基于YOLO v3和Deep-Sort無(wú)人機(jī)視頻交通參數(shù)提取方法，在試驗(yàn)場(chǎng)景中檢測(cè)召回率和精度分別達(dá)98.9%，99.9%，平均精度為90.88%；多目標(biāo)跟蹤的準(zhǔn)確率達(dá)98.9%。

(2)利用高精度定位GNSS和車(chē)載OBD加裝的2輛試驗(yàn)車(chē)，共產(chǎn)生5 400幀圖像數(shù)據(jù)、1 192個(gè)驗(yàn)證速度點(diǎn)數(shù)據(jù)，速度參數(shù)對(duì)比結(jié)果表明：車(chē)輛速度參數(shù)整體絕對(duì)誤差在±3 km/h以?xún)?nèi)、相對(duì)誤差在2%以?xún)?nèi)，參數(shù)提取整體準(zhǔn)確率達(dá)98%。

(3)7組不同飛行高度、不同運(yùn)行速度提取的速度參數(shù)誤差變化不大，這表明本研究提出的無(wú)人機(jī)視頻交通參數(shù)提取方法魯棒性較高，這得益于試驗(yàn)之前進(jìn)行了大量的道路特征點(diǎn)采集，使得世界坐標(biāo)和圖像坐標(biāo)轉(zhuǎn)換過(guò)程中誤差較小。

無(wú)人機(jī)空中監(jiān)測(cè)提取車(chē)輛微觀參數(shù)可為智慧交通管控、交通安全研究、交通數(shù)據(jù)采集等提供新的思路。但是，上述方法僅在高速公路出口上游路段場(chǎng)景試驗(yàn)驗(yàn)證，其方法的可交互性和可轉(zhuǎn)移性還有待其他場(chǎng)景試驗(yàn)進(jìn)一步驗(yàn)證。本研究試驗(yàn)過(guò)程無(wú)人機(jī)飛行高度在150～350 m，更高的飛行高度可能會(huì)造成參數(shù)提取誤差較大的結(jié)果。后續(xù)研究將集中在多場(chǎng)景方法驗(yàn)證、不良駕駛行為參數(shù)分析、實(shí)時(shí)主動(dòng)安全預(yù)警等方面。