基于无人机技术的立交交织区交通数据采集

基于无人机技术的立交交织区交通数据采集

陈俊成12，何易非12,黄博亚12

（林同棪国际工程咨询（中国）有限公司，重庆 401121；2. 重庆市山地城市可持续交通工程技术研究中心，重庆 401121）

摘要: 以山地城市互通立交交通拥堵缓解研究为背景，需对互通立交交织区交通状况进行调查和数据采集，并利用交通仿真及评价软件对拟采取的拥堵缓解策略进行分析对比。对比不同交通数据采集方式后，采用

人机技术对早、晚高峰和平峰进行了交通数据视频采集，结合数字图像识别和深度学习技术，对车流量进行智能高效地自动读取和统计，为缓解互通立交交织区交通拥堵研究提供基础数据和决策依据。

关键词：立交交织区；无人机数据采集；图像识别；深度学习

中图分类号：U492                        文献标识码：A

1.交通调查的目的与方法

1.1.调查目的

为了对山地城市互通立交的拥堵缓解研究提供数据基础，确立科学、全面的数据采集标准是至关重要的第一步。获取有效的交织区车辆通过速度、流量与交织率等交通数据，通过数据处理以及后续仿真建模，为研究山地城市互通不同交通拥堵缓解策略下的通行能力与服务水平提供基础数据。

1.2.调查范围

首先，考虑由于山地城市的地理空间局限性，选取匝道净距200-300m的苜蓿叶型立交进行研究。在交通流组成方面，考虑到交通流对交织区影响的多样性，需选取多个地点，以及不同道路等级的交织区进行研究。在此基础上，本研究选取了人和立交、北环立交、大石路立交、柏树堡立交以及重光立交这5个立交作为分析样本，这些立交在地形条件、交通流组成以及交通管理方式等方面具备代表性，能有效展现山地城市交织区的复杂性。

1.3.调查时段

选定的调查时段应选取具有代表性，能反应道路的交通流特性。同时应降低因特殊天气、大型聚集性活动等偶然因素对数据的影响。对于每个立交，本研究选取了早高峰（8:00-10:00），平峰（11:00-13:00），晚高峰（5:00-7:00）三个时段进行。

1.4.数据采集方式

 目前对于交通数据的采集，最常用的就是传统的线圈、雷达与微波等。传统的数据采集方法在在对于互通立交的交织区存在着多方面的局限性[1]。

首先，从成本角度来看，传统的数据采集方法通常需要购置专用的检测器和数据记录设备。这些硬件设备不仅价格昂贵，而且安装和维护也需要专门的技术人员进行操作，进一步增加了人力成本。其次，在设备安装过程中，可能需要临时封闭道路，对区域路网的交通造成影响。综合这些因素，研究团队需考虑成本与对交通的影响，寻找更为合适的数据采集方式。因此，本研究选择了无人机航拍作为数据采集的主要方式。

无人机是一种通过无线电遥控设备或自助程序控制，可执行多种任务并能回收重复使用的无人驾驶飞行器。在交通流量和行为模式的研究领域，使用无人机航拍有以下优势：

（1）无人机可以从垂直方向（俯视角度）进行拍摄，这样能够全面捕捉交织区的交通流动情况，包括车道变更、合并、分流等复杂行为。这种全方位的视角优势使研究人员能够更为精准地观察和分析交通流量和行为模式。

（2）无人机具备优越的图像稳定性。由于无人机可以在空中悬停，拍摄得到的视频或图片具有极低的图像抖动，这在后续的图像识别和数据分析阶段能提供便利。且连续的视频数据对于交织区这种复杂交通环境中的行车行为模式具有重要意义。

（3）无人机数据采集方式在成本和操作方面也相对更为经济和简便。与需求较高的线圈设备成本和人力成本相比，无人机的操作只需要少数专业人员进行遥控操作和数据分析。

1.5.数据采集操作流程

在实际数据采集过程中，本研究设计了一套高效且连续的操作模式。首先，进行现场勘查以明确无人机的飞行路线和高度，然后根据预先设定的时间表，以更换电池的方式使用两架无人机进行交替航拍，确保在实验时间内获得连续的交通数据视频。每完成一段航拍，数据即时传输到地面站，由专门的技术人员进行检查和备份。航拍视频示例如图1所示。

图1 重光立交早高峰无人机航拍视频

本研究运用无人机航拍技术对选取的5个立交交织区收集了30天，每天6小时，共计900小时的交通数据视频。

2.数据图像识别与机器学习

在成功采集到交通数据视频后，本研究选用了基于深度学习的图像识别算法进行车辆的检测和跟踪，并对这些数据进行了深入的分析和处理。

2.1.预处理与特征提取

预处理与特征提取的主要目标是确保视频数据的准确性，从而为后续算法分析提供更加准确和可靠的输入。为了达到这一目的，本研究采用了一系列先进的图像处理技术。

首先，对于去噪问题，使用高斯滤波算法来处理由无人机航拍所产生的原始图像[2]。在实际航拍过程中，光照、大气条件等因素可能导致图像产生噪声[3]，高斯滤波的应用成功地去除了图像中的随机噪声，同时有效地保留了图像的主要特征与细节。其次，在对比度调整方面，采用直方图均衡化方法，通过直方图均衡化而解决图像对比度不均匀的问题，从而增加了图像识别的准确性。最后，采用尺度不变特征变换（SIFT）算法进行特征提取，SIFT算法首先在多个尺度空间中找到图像的极值点，通过高斯函数对这些极值点进行拟合，准确地确定了这些关键点的位置。之后，为每一个关键点分配一个或多个主要方向，确保这些关键点在图像发生旋转时仍能被准确匹配，最终生成关键点的特征描述。

2.2.车辆检测

在特征提取后，运用卷积神经网络（Convolutional Neural Network，CNN）技术进行车辆检测，CNN是一种深度学习模型，具有出色的图像识别和分类任务，适用于复杂的交通视频数据[4]。

深度CNN模型一般会包含多个这样的卷积-激活-池化单元，其目的是从低级到高级逐步提取图像特征。最后一层通常是全连接层（Fully Connected Layer），它将高级特征映射到具体的输出类别，例如不同类型的车辆。全连接层是一个经典的人工神经网络层，通过权重矩阵和激活函数，将前一层的输出转换为最终分类或回归任务的输出。

模型训练阶段，通常使用反向传播（Back propagation）算法和梯度下降（Gradient Descent）方法来优化模型的权重参数。损失函数（如交叉熵损失）用于量化模型预测与实际标签之间的差距，然后通过梯度下降方法来最小化这一损失。同时，CNN模型不仅能够进行车辆的分类，还能定位车辆的具体位置。

综上所述，卷积神经网络通过其复杂的结构和多层次的特征提取能力，能够在交通视频分析中实现高准确度的车辆检测。这不仅提高了数据处理的自动化水平，也为后续的交通流量分析和车辆运行轨迹跟踪提供了精确和可靠的数据基础。

2.3.车辆跟踪

本研究采用了SORT（Simple Online and Realtime Tracking）算法进行车辆跟踪[5]。车辆跟踪是研究交织区交通数据的关键。车辆跟踪用于交通行为的分析，如车道变换、加速度和交织区内的相互影响等。

SORT算法的主要优势在于其简单、高效和实时性。该算法基于贝叶斯滤波器和匈牙利算法（Hungarian Algorithm）来进行目标跟踪。在每一个视频帧中，已检测到的车辆会被赋予一个唯一标识符（ID），然后通过该ID在连续的视频帧中进行跟踪。

算法首先使用卡尔曼滤波（Kalman Filter）来预测车辆在下一帧中的可能位置，然后利用匈牙利算法进行数据关联，即在当前帧和下一帧之间匹配检测到的车辆。此外，SORT算法还考虑了车辆的动态属性，如速度和方向，以增强跟踪的准确性。如果一个车辆在连续几帧中都未被检测到，该算法能够通过前几帧中车辆的运动趋势来继续进行跟踪，直至再次检测到该车辆或达到预设的失踪阈值。

通过综合考虑车辆在连续帧中的位置变化以及速度和方向等因素，SORT算法能在复杂的交织区交通环境中实现高效、准确的车辆跟踪。

2.4.属性识别与分类

在交通流分析中，车辆的属性识别与分类，包括车型、车速、车道选择等，是进一步深化交通行为和模式研究的关键。这些属性信息不仅能为交通管理和规划提供更为精细的数据支持，还有助于更准确地评估交织区内各类型交通流的特性和影响。

为了实现这一目标，本研究进一步扩展了前面提到的卷积神经网络（CNN）模型，引入了多任务学习框架[6]。在这一框架下，网络不仅能检测车辆的位置，还能同时识别和分类车辆的各种属性。具体而言，网络的输出层被设计为多个子模块，每个子模块负责一个特定的任务，如车型识别、车速估计或车道选择。

3.数据提取与处理

3.1.数据提取

将无人机采集的视频数据以五分钟为一个单位进行分割，进行图像识别。在图像识别的阶段，软件根据车辆的形状、大小和运动轨迹，实施对每一辆车的精确定位和识别，生成了详细的轨迹数据，包括每一辆车在交织区内的行驶路径和行为模式。根据图像识别的结果，共计获取约372万条交通数据。根据车辆经过交织区的行驶路径，图像识别自动将交通流分为四种主要类型：主线到主线、主线到匝道、匝道到主线以及匝道到匝道。

每一个五分钟的视频片段被分析后，进行了多项统计工作，以获取交织区内的各种关键参数。首先根据图像识别的结果，对四种交通流的车辆通过数量进行了统计，以获得交通量与交织率，然后通过匝道净距与通行时间对四种交通流在交织区内的平均车速进行了计算。

3.2.数据处理

通过图像识别的数据需要进行异常值的筛除以确保数据的准确性和有效性。首先，我们采取标准偏差（STD）小于3.0作为数据筛选的依据，针对那些可能的异常值进行单独处理[7]。对于那些标准偏差大于3.0的数据点，回溯到无人机拍摄的原始视频（即数据源），通过人工检查对比该数据点的实际情况。我们将视频中的速度读数与数据记录的速度读数进行比对。如果两者基本一致，那么我们就保留这个数据点，认为它是有效的；如果二者不一致，则将此数据点视为误差并进行剔除。这一流程重复执行，确保了我们所处理的数据能够反映真实的交通情况，能够进一步保证我们研究的准确性和可信度。经过两步检验后，有效数据约340万条，图像识别数据有效率达91.4%。数据处理结果示例如表1所示。

表1 人和立交早高峰车辆运行轨迹数据

4.结语

4.1.数据应用

    项目利用无人机视频采集方法对重庆5个互通立交交织区进行了视频采集，交通数据转换整理，后期利用VISSIM软件进行了仿真建模。构建了包括交织区车流量、平均车速和平均延误等指标的评价体系对拥堵缓解方案进行了分析，取得了较好的应用效果。

4.2.结论

无人机视频数据采集具有无需安装维护，角度选取灵活，视频数据连续清晰等优点，能获取高质量、高维度的交通数据。该方法不仅能为后续数据分析和模型建立提供了有力支持，也能为城市交通管理和规划部门提供数据与理论支撑。无人视频数据采集并结合先进图像识别技术在交通数据采集领域有巨大潜力和应用价值，对类似项目有一定的借鉴意义。

参考文献

[1] 邵春福,赵熠,吴戈.道路交通数据采集技术研究展望[J].现代交通技术, 2006, 3(6):66-70.DOI:10.3969/j.issn.1672-9889.2006.06.020.

[2] 赵洁,贾春梅,虞凌宏.高斯滤波算法在缺陷视觉检测中的应用研究[J].宁波工程学院学报, 2014, 26(4):6.DOI:10.3969/j.issn.1008-7109.2014.04.002.

[3]张晨.基于无人机的交通流量检测系统的研究与实现[D].南京航空航天大学[2023-09-18].DOI:CNKI:CDMD:2.1019.800771.

[4] Kattenborn T, Leitloff J, Schiefer F, et al. Review on Convolutional Neural Networks (CNN) in vegetation remote sensing[J]. ISPRS journal of photogrammetry and remote sensing, 2021, 173: 24-49.

[5] Wojke N, Bewley A, Paulus D. Simple online and realtime tracking with a deep association metric[C]//2017 IEEE international conference on image processing (ICIP). IEEE, 2017: 3645-3649.

[6] 卢宏涛,张秦川.深度卷积神经网络在计算机视觉中的应用研究综述[J].数据采集与处理, 2016, 31(1):17.DOI:10.16337/j.1004-9037.2016.01.001.

[7] Şen Z. Model efficiency performance assessment through a standard triangular diagram (STD)[J]. Modeling Earth Systems and Environment, 2021, 7: 1193-1205.