基于航拍視頻構建風險指數的交織區擁堵識別方法

李熙瑩 ，梁靖茹 ，張偉斌，郝騰龍 ，陳麗娟

(1. 中山大學 智能工程學院，廣東 深圳 518107；2. 廣東省智能交通系統重點實驗室，廣東 深圳 518107；3. 南京理工大學 電子工程與光電技術學院，江蘇 南京 210094)

城市快速路承擔了大量機動車交通需求，其中交織區路段中大量的車輛合流與分流行為導致車輛間互相干擾、頻繁變道，相比較于基本路段更容易形成通行瓶頸，造成匝道或主線車流的交通擁堵及沖突事故，增加交通出行成本和安全風險[1]。如果能獲取完整的微觀交通數據，并基于交織區擁堵形成機理實時識別擁堵特征，則能夠實現預警交織區擁堵，支撐城市重點瓶頸路段的擁堵控制和實時誘導。目前應用最為廣泛的交通數據獲取方法是監控視頻識別[2]，通過監控視頻提取流量、速度等信息以檢測交通流狀態，但受限于其較低的拍攝角度和較小的拍攝范圍，難以提取完整且精細的個體車輛軌跡。相比之下，無人機航拍視頻能夠采集較完整路段范圍內的精細車輛軌跡數據，KE 等[3]提出了基于車輛檢測分類器及交通流理論的無人機視頻交通流參數估計方法，被證實遠遠優于通用監控視頻的估計結果。無人機航拍的大范圍及移動性使得其在交通運行風險的巡邏、監測上有了新的發展空間，KARADUMAN 等[4]利用空中道路視頻數據讓無人機對道路進行學習識別，從而為其規劃路徑以達到監測道路的目的，這表明利用無人機進行交通巡航與風險預警具備很大前景。在常規的路段擁堵識別中，大部分研究利用車流密度[5-6]、平均速度[5,7]、空間占有率[1]等基本交通流參數對交通狀態進行判斷，如RIBEIRO等[5]通過檢測車流密度、流量和速度檢測交通擁堵現象，KE 等[8]將道路占有率加入了常用的道路擁堵檢測模型中。蘇俊杰等[9]選取流量、時間占有率、速度參數進行投影尋蹤聚類分析，判斷交織區交通擁堵狀態。這些方法均通過計算全局或路段的交通流參數識別是否發生擁堵。相比于常規路段，交織區的交通流常呈現高幅的交通振蕩[10]和高頻的變道交織行為，使得其在擁堵形成前受到交織流擾動，呈現出車速波動、局部車道緩行、交織流沖突等不穩定形態。僅采用交通流基本宏觀參數的方法難以表征這種局部不穩定交織流。KUSUMA 等[11]研究表明交織區中30%的交通量都出現至少一次變道行為。陳亮等[12]基于元胞自動機對快速路交織區擁堵仿真重現，結果表明車輛駛出對系統交通流干擾最為嚴重。WAN等 利用無人機捕捉快速路匝道附近瓶頸的擁堵演變，對速度波動和換道影響進行建模量化。從這些研究可知，車流不穩定和相互干擾是造成交織區路段中擁堵形成的重要因素，采用全局宏觀交通流參數度量交織區擁堵風險可能造成無法識別局部擁堵、無法短時預估等問題，還需要結合微觀車輛行為參數研究精準的交織區擁堵風險識別方法。本文基于無人機航拍提取車輛精細軌跡，考慮了造成車流不穩定的速度波動、變道沖突等車輛微觀運動信息，通過建立速度擾動與變道交織擾動的感知模型，構建交織區擁堵風險指數，為采用無人機、高空視頻預警重點路段的短時、局部擁堵提供技術方法。

1 方法

1.1 原理與框架

由于交織區受到匝道紊流影響，交通流之間的干擾對整體交通狀態的影響大大增加[14]。如圖1為某交織區的實際速度、流量數據繪制的散點基本圖，由于交織區車流內部和外部擾動嚴重，擁堵流(-V＞Vm，-V為平均速度，Vm為臨界速度)數據點受擾動影響大、不穩定性高，數據點并不完全按照交通基本圖理論[15]分布。

圖1 某交織區實際數據速度-流量散點基本圖Fig. 1 Basic diagram of speed-flow scatter through actual data in a weaving section

在這種情況下，采用宏觀交通流參數難以準確識別擁堵程度，應當將車流不穩定性考慮其中。因此，本文在平均速度-V的基礎上，建立交織區車流車速擾動和變道交織擾動2類不穩定因素的感知模型，從而形成精準的擁堵識別方法。如圖2為本文方法框架，首先通過無人機航拍視頻識別與跟蹤車輛構建軌跡數據；然后建立多維度的車流擾動計算方法；最后構建具有場景一致性的擁堵風險指數實現交織區擁堵識別。

圖2 方法框架Fig. 2 Method framework

1.2 無人機航拍車輛軌跡提取

基于計算機視覺、深度卷積神經網絡的目標檢測方法，能夠實現對車輛位置及類別的精準識別。YOLO 系列[16]算法將定位與分類網絡一體化，達到實時的檢測速度，是當前實際應用中效果最好的一類目標檢測算法。其中2020 年新公開的YOLOv4 算法[16]進一步優化了網絡結構及輸入策略，在高準確度的同時保持了實時檢測速度。因此，采用YOLOv4 作為航拍視頻中車輛檢測的基礎算法。

航拍視頻中的車輛目標尺寸小、單一俯視角度，與常用車輛數據集外觀相差較大，原始權重的YOLOv4 檢測算法不能很好檢測出車輛目標。為了更好地表達這類小目標特征，采用同樣場景的航拍數據集VisDrone2019[17]進行網絡訓練。該數據集標注目標有機動車、非機動車和行人共10 種類別，包含本文主要關注汽車(car)、公共汽車(bus)和卡車(truck)3 類機動車。經過重新訓練，得到新的小目標檢測網絡權重模型。如表1，在本文的航拍場景中測試結果顯示：1) 3類機動車檢測的mAP(Mean Average Precision，各類別AP 的平均值)值達到86.19%，其中數量最多的car 類型的AP(Average Precision，Precision-Recall 曲線與坐標軸所覆蓋面積)值達到95.49%，目標檢測公開數據集中，MS COCO 數據集排行榜最高mAP 為58.8%，PASCAL VOC2012 數據集排行榜最高mAP 為86.5%，可見本文檢測效果達到較高水平；2) 車輛檢測的誤檢率(誤檢數占檢出正類數的比例)和少檢率(少檢數占真值數的比例)僅為4.54%和4.99%，運算速度達到27 fps(Frame per Second)，完全能夠滿足交通研究中對車輛信息的需求。

表1 車輛檢測測試結果Table 1 Test result of vehicle detection

無人機拍攝可能存在一定的成像抖動以及視場角畸變情況。本研究采用專業人員在100 m 以上高度位置、固定拍攝的穩定視頻數據，以盡量減少這些問題的干擾。當無人機固定拍攝時，其內置的防抖算法能夠保持穩定視角。但為了保證提取到的車輛軌跡精細準確，還布設特征明顯的黑白棋盤格標定物作為微調參照物。利用OpenCV中的模板匹配函數提取所有標定物位置隨時間變化的信息，即可以標定物位置來校正車輛的實時位置。

檢測到車輛目標后，需要進一步跟蹤獲取車輛軌跡。經典的卡爾曼濾波器能夠基于時序上車輛位置觀測值進行未來位置的預測，實時估計車輛軌跡。為了提高該預測的準確性，DeepSORT 算法[18]的運動預測環節加入視覺信息[19]，以區分不同車輛外觀特征減少誤判及車輛ID 跳變。本文采用該算法提取了車輛外觀特征，與運動估計協同度量軌跡與檢測框之間的相似度，最后通過匈牙利匹配輸出帶有時間、位置、大小及類型屬性的精細車輛軌跡。經過跟蹤矯正的車輛位置及ID 檢測結果如圖3 所示，目標的包圍框能夠代表車輛形狀，以支撐進一步的交通精細信息識別。

圖3 航拍車輛識別結果示例Fig. 3 An example of aerial vehicle recognition results

1.3 交織流擾動感知模型

1.3.1 車速擾動計算

車速擾動度量同車道跟馳車隊中的車速不穩定性，為了避免平均值對離散度產生影響，這里采用車輛個體間速度變異系數CV和加減速變異系數CA作為車速擾動指標。

首先，從車輛軌跡中提取車輛i在t時刻的瞬時速度與加速度，并計算交織區平均車速那么t時刻的車輛間速度變異系數CV(t)由每個車道中每個車輛的速度方差與車道平均速度計算得到：

式中：N為該路段車道數；表 示在l車道ID 為i的車輛在t時刻的行駛速度；為t時刻該車道平均行駛速度。

同樣地，t時刻的車輛間加減速度變異系數CA(t)由每個車道中每個車輛的加速度方差與路段平均加速度計算得到：

1.3.2 變道交織擾動計算

變道交織擾動度量在分合流中不同車道交織流間的互相干擾程度，這里建立變道行為與交織沖突的識別方法，采用車輛變道頻率RLC及交織沖突頻率RIC作為變道交織擾動指標。

經典的交通沖突識別方法采用車輛碰撞時間(Time-to-Collision, TTC)進行判斷，該方法更適用于跟馳中的前后車沖突，不適用于交織流的變道或側向沖突。結合已有的一些交通沖突研究[20]，本文采用契合俯拍視頻的車輛安全空間方法識別交織流沖突。安全空間[21]是圍繞車輛的一個緩沖區，空間的邊界大小由周圍車輛對目標車輛的運動影響決定。機動車的安全空間如圖4所示，大約為一個長方形，其長軸安全距離為τCvC，其中τC為車輛平均反應時間，vC為車輛行駛速度；短軸長度為WC+dCy，其中WC為該車輛與其他車輛并排行駛時的橫向間隙，dCx和dCy分別為該車輛沿x和y方向的物理尺寸。依據已有研究經驗值，車輛平均反應時間τC為0.5 s，依據CHEN 等[20]通過大量數據修正的機動車安全間隙WC值為1.4 m。基于此類方法，本文將車輛安全空間在航拍視頻中視作車輛外圍的包圍框當車輛的行駛方向θC不沿主車道方向時，計算該車輛與其他車輛的安全空間交并比及行駛方向角度差滿足條件：1)則判斷該車輛在交織流中與其他車輛發生沖突，其中θ*及Δθ*為閾值，依據實際場景數據決定。

圖4 車輛安全空間示意圖Fig. 4 Sketch map of vehicle safety space

基于以上交通沖突的判斷，定義t時刻的車輛交織沖突頻率RIC(t)量化表征交織流的沖突程度。RIC(t)為路段每百米單車道內因車流變道交織導致的交通沖突數：

式中：Lk為k路段總長度；Nk為k路段的總車道數；CIC(t)為t時刻因車流交織導致的交通沖突數。

車輛變道行為則結合車道線與車輛軌跡信息進行判別。具體地，先根據車道線信息與車輛位置判斷車輛的實時所屬車道，再結合車輛的軌跡方向改變獲取變道行為的發生時間、位置及車輛ID。定義t時刻的變道頻率RLC(t)量化表征交織區的變道行為頻繁程度。RLC(t)為路段每百米單車道內正在變道的車輛數：

式中：nLC(t)為t時刻總變道車輛數。

1.4 交織區擁堵風險指數構建

能夠滿足不同場景、并具有場景一致性的狀態表征方式，對于擁堵識別來說非常必要。本文通過參數歸一化和權值計算，用多維交通參數構建交織區擁堵風險指數，以便于形成不同場景下對擁堵形成風險的一致性描述。對于不同維度的交通參數，需要根據參數計算結果采用不同的歸一化方式。

非穩定流的平均速度擁有上下限值，采用極差法歸一化數據。其上限Vmax可定為道路服務水平[15]中的非穩定流速度上限或交通基本圖中的臨界速度，其下限為0：

速度變異系數CV及加速度變異系數CA本身就是車輛速度與加速度離散程度的歸一化量度，其值在0 至1 之間。因此可以直接使用CV與CA的加權值作為速度擾動：

其中αcv和αca為權值。沖突頻率RLC與變道頻率RIC則沒有指標上限，不能使用線性極差法進行歸一化，因此采用指數歸一化構建變道交織擾動：

將3個維度的歸一化分量賦予權重系數，構建用于表征交織區交通狀態的擁堵風險指數：

式中：w1，w2和w3為權重系數，其和為1。

考慮到不同路段各維度數據分布不同，根據具體數據離散程度，采用熵值法[22]計算權重系數。首先將歸一化的樣本數據定義為Z={zij}，其中zij為第j個維度的第i個樣本值，且i=1，…，n，j=1，2，3；然后計算每一個維度的信息熵ej及信息熵冗余rj；每個維度權重系數的推薦值wj即為信息熵冗余與冗余和的比值，如公式(9)～(11)所示。

其中，pij為第j個維度下第i個樣本值的比值；k=1/In(n)＞0，以滿足ej≥0。

根據以上方法即可構建以秒為時間精度的交織區擁堵風險指數S，該指數表征著由于車流不穩定而形成交織區擁堵的風險大小，由此實現擁堵的精準識別與短時預判。

2 實驗結果與分析

2.1 實驗數據

本文于廣州市廣州大橋交織區(圖5)采集了2個早高峰共4 h 的無人機航拍視頻，以進行實驗分析。該路段為廣州市的交通瓶頸路段，主干道為雙向10 車道，設計車速為60 km/h，所拍攝路段共長約1 100 m，包括2 個出口匝道、2 個入口匝道，還存在5 車道變4 車道、高架分流等交織情況。使用DJI Phantom 4 型號無人機，于早高峰時段7 個路段的120 m 至130 m 高度固定位置進行拍攝，視頻時長共約70 h。

圖5 航拍廣州大橋交織區Fig. 5 UAV video data of the weaving section of Guangzhou bridge

2.2 實驗分析

2.2.1 權重系數計算

廣州大橋場景中快速路設計速度為60 km/h，依據公路服務水平手冊[15]中的非穩定流速度范圍，Vmax設置為45 km/h。隨機抽取所有數據中的4%共1 500 條數據，根據第1.4 節式(9)～(11)計算熵值以確定狀態指標中的權重系數。由場景數據得到的推薦值如表3所示。

表3 案例推薦權重系數Table 3 Recommended weight coefficient for the case

2.2.2 擁堵風險指數可視化對比分析

以路段3(入口匝道1)和路段7(高架橋分流)為例分析對比交織區擁堵風險指數S與平均車速的擁堵識別結果，并以航拍視頻和車道級車輛軌跡為真實對照，如圖6所示。其中各車道車輛軌跡圖橫軸為時間(s)，縱軸為位置(m)。

分析圖6(a)可知：1) 8:55:35時，路段3的平均車速僅有7.247 km/h，S達到最高值0.781，實際中該時段路段上游發生公交事故，導致入口匝道前的車道4 與車道5 被占用，車輛合流受阻而形成嚴重擁堵。2) 2 min 后事故得到處理，8:57:47 時S降至0.434，平均車速雖然不高(14.708 km/h)，但道路運行暢通，車輛軌跡穩定。3) 9:00:07 時，平均車速達到了21.580 km/h，S降至0.367，該時段的車輛軌跡比上一階段更加快速穩定。4) 9:02:34時，車道1 與車道2 出現緩行與排隊，導致平均速度僅有6.931 km/h，S達到0.713，道路形成局部車道擁堵。在路段3的15 min內，擁堵風險指數精準地判斷出道路擁堵的形成，與平均車速的大趨勢一致，但平均車速指標對短時擁堵的變化不夠敏感。

圖6 交織區擁堵風險指數可視化結果Fig. 6 Visualized results of the congestion risk index in weaving section

分析圖6(b)可知：1) 8:54:25 時，快速路平均車速為16.427 km/h，處于較低車速值，而S僅為0.356，實際情況中該時段車速較為穩定且不必要的換道行為很少，車輛軌跡連續穩定，發生擁堵的風險較低。2) 8:59:08 時，S高達0.809，平均速度低至6.232 km/h，實際情況是輔路車道出現部分車道擁堵排隊，強行變道與沖突增加，輔路逐漸形成局部擁堵。3) 約1 min 后，即8:59:55 時，S降至0.5 以下，交通狀態出現了短時緩解，此時局部擁堵開始消散，速度波動幅度減緩，平均速度為9.562 km/h，仍為較低車速。4) 9:04:01時，輔路再次出現局部擁堵，且高架路車道車速穩定性降低，從車輛軌跡上看整個快速路各車道均出現不同程度的擁堵現象，S重新達到0.806。在路段7 的15 min 內，平均車速變化不大，但擁堵風險指數S能夠精細識別交織區交通流穩定性的變化，并預先感知擁堵的形成。

2.2.3 擁堵風險指數多維度分析

進一步以10 min 為分析時間間隔，計算案例中的各交織路段平均速度，平均車速擾動(2)及平均變道交織擾動(3)，對指數各維度進行分析，結果如表4所示。

表4 各交織路段分時段的擁堵風險指數多維度分析Table 4 Multi-dimensional analysis of congestion risk index in different weaving sections by time

對比分析可知：1) 從路段1 到路段7 可以看出，該交織區下游比上游擁堵嚴重，擁堵風險指數大趨勢與平均速度一致，但同時受到2個方面交通流擾動量的影響。各路段的(2)與(3)相差較大，含匝道等特殊道路結構的路段擾動量相對較大(如路段5和路段7)，其上下游也受到影響但相對較小(如路段1和路段4)。2) 指數的最高值在路段5的第1時段，達到0.764。該地點包括了1個入口匝道和1 個出口匝道，高頻的分流與合流導致變道交織擾動較高(第1 時段為0.802)，匝道局部位置易發生多車輛交織沖突而形成擁堵。3) 路段3 在8:55:00 至9:05:00 時段的變道交織擾動指數(0.456)比常態(約0.2～0.3)高出近一半，追溯原因發現該時段其下游發生機動車交通事故，導致2個車道車輛均需要變道繞行。4) 常態時段中，含入口匝道的路段3(約0.2～0.3)比含出口匝道路段2(約0.3～0.4)的擁堵風險指數更低，驗證了出口匝道分流區會比入口匝道合流區引發更高頻的車輛變道和交織沖突。5) 路段7 的車速擾動(2)則相對較高(第1 時段為0.528)，平均車速較低(第2時段為9.240 km/h)，分析可知該地點處在高架橋輔路分流的上游，6 車道快速路在此處分流為3 車道高架路與3 車道輔路，2 個方向上車流量的不平衡導致車輛部分車道緩行或排隊。通過以上分析可以看出，除常見的全局擁堵外，本文方法還能夠針對交織區場景感知到車道擁堵、匝道交通沖突及走走停停等形式的局部擁堵，更全面地表現不同因素誘發的交通擁堵。

2.3 擁堵識別結果

通過設置擁堵風險指數S的閾值，即可直觀地判別擁堵狀態。為了評價擁堵風險指數S應用于交織區擁堵識別的效果，將所采集的視頻切分為30 s的視頻片段并通過人工觀測標注是否擁堵，包括全局擁堵、局部擁堵、部分車道緩行排隊等。最后得到擁堵樣本視頻714 個，非擁堵樣本視頻548個，共1 263 個測試樣本。采用平均速度[7]和車輛密度[6]2 種常用方法與擁堵風險指數進行對比測試，利用遍歷最優的方法取得3種方法的閾值，其中平均速度的閾值為14.1 km/h，車輛密度的閾值為38 pcu/(ln·km)，指數S的閾值為0.43。

采用精準率P，召回率R和F1 指標進行方法評價，其計算方法如下：

式中：TP為被正確識別的正樣本數量；FP為被錯誤識別的正樣本數量；FN為被錯誤識別的負樣本數量。評價結果如表5和表6所示。

表5 交織區擁堵識別結果對比Table 5 Comparison of congestion recognition results in weaving section

表6 不同場路段擁堵識別的F1值對比Table 6 F1 values comparison of congestion recognition in different sections

表5為采用不同方法識別交織區擁堵的測試結果。從表中可以看出，在交織區擁堵識別上本文方法的精準率和召回率均大于95%，且兩者較為平衡，F1值達到97.85%。表6為7個不同路段下的測試效果。從表中可以看出，本文方法在不同路段中的F1值均高于其他方法，且都達到90%以上。在路段1中，通過平均速度和車輛密度識別擁堵的偏差明顯，F1值僅能達到66.67%和78.40%，而本文方法能夠達到90.20%。由于本文從交織區擁堵特征出發，將多種微觀指標結合形成擁堵風險指數，本文方法的綜合效果明顯優于僅使用平均速度或車輛密度這類宏觀參數的識別方法。

為了解析不同指標在交織區擁堵識別的表現，在表7 中分析了部分錯誤識別的測試樣本及其結果。在實際場景測試中，平均車速的錯誤類型包括無法識別車道排隊擁堵、事故擁堵、匝道擁堵和走走停停；車輛密度的錯誤類型包括無法識別車道排隊擁堵、局部擁堵以及非擁堵識別為擁堵。分析原因可知：1) 部分車道排隊或出現局部擁堵時，其他車道或區域的車速較快且車輛較少，導致路段仍然保持著較高的平均車速和較低的車輛密度，從而無法識別擁堵。測試場景中路段1的車道排隊現象較多，因此平均速度與車輛密度的F1值較低，而擁堵風險指數能夠通過車速擾動分量感知到擁堵。2) 在一些車輛較多但行駛穩定通暢的情況下，車輛密度指標容易將非擁堵時段判斷為擁堵。3) 交織區常出現匝道口及其外側車道擁堵的情況，該情況下主路其他車道車速受到影響較少，平均速度指標無法識別擁堵的發生，而擁堵風險指數能夠感知匝道口車速的差異性和向外側車道變道帶來的擾動與沖突，從而識別擁堵。4) 部分區域車輛走走停停時，平均車速對擁堵的敏感度降低，相比之下擁堵風險指數中車速擾動分量大幅升高，實現擁堵的識別。這些結果說明了綜合微觀指標構建擁堵風險指數的策略，能夠更好地適應不同結構、不斷變化的交織區場景，具有極高的擁堵識別準確性和泛化性。

表7 部分測試樣本及識別結果分析Table 7 Analysis for parts of test samples and identification results

3 結論

1) 基于無人機航拍數據構建的車輛軌跡mAP值高達86.19%且完整連續，該數據提取方法能夠支持大量微觀交通研究。

2) 廣州大橋場景實驗分析表明：擁堵風險指數S對交織流的穩定性變化更加敏感，該案例中S超過0.6 的情況下車流不穩定性強、形成交通擁堵瓶頸的概率大；與單一維度的平均速度指標相比，考慮交通流不穩定性的擁堵風險識別方法能夠從S(2)分量識別出局部車道緩行排隊的擁堵形態，從S(3)分量識別出匝道排隊、事故繞行等局部擁堵，在擁堵瓶頸形成之前即感知狀態變化的風險。

3) 在擁堵識別評價中，本文方法在交織區各路段視頻中F1 值均大于90%，擁堵識別精準度和召回率均大于95%，在該任務中的準確性和泛用性均優于平均車速和車輛密度的經典方法，在實際測試中能夠識別出宏觀指標易忽略的車道排隊、匝道擁堵、走走停停等擁堵類型。

4) 基于本文的理論方法，后續研究可面向城市中多條快速路交織區進行數據采集和案例研究，在大量實際數據中進一步完善理論方案并探究交織區擁堵形成機理。