車載相機(jī)和GPS 信息融合的城市道路交通信息檢測(cè)方法

嚴(yán)偉政， 王道斌， 嚴(yán)運(yùn)兵

（武漢科技大學(xué)汽車與交通工程學(xué)院， 武漢 430065）

0 引 言

交通擁堵已經(jīng)成為眾多城市發(fā)展中所面臨的一個(gè)不可忽視的熱點(diǎn)問(wèn)題［1］。 準(zhǔn)確有效的城市道路交通信息檢測(cè)方法對(duì)于交通擁堵的成因分析具有決定性作用，對(duì)于開(kāi)展智能車輛和智能交通相關(guān)領(lǐng)域的研究也有著重要意義［2］。

現(xiàn)有的城市道路交通信息采集技術(shù)一般分為2類：固定式交通信息檢測(cè)方式和移動(dòng)式交通信息檢測(cè)方式［3］。 其中，固定式交通信息檢測(cè)方法通常是在某個(gè)固定的位置布設(shè)傳感器，如環(huán)形線圈、微波雷達(dá)、監(jiān)控視頻等。 這些設(shè)備成本高昂、維護(hù)困難、受環(huán)境影響較大，因此有關(guān)部門(mén)僅在關(guān)鍵路段或者交叉口安裝這些設(shè)備。 為避免檢測(cè)盲區(qū)往往需要提高傳感器的布設(shè)密度，進(jìn)而導(dǎo)致成本增加。 移動(dòng)式交通信息檢測(cè)方法通常是在某個(gè)移動(dòng)平臺(tái)布設(shè)傳感器，如浮動(dòng)車、無(wú)人機(jī)（UAV）、車載相機(jī)等。 與固定式交通信息檢測(cè)方法相比，移動(dòng)式交通檢測(cè)方法經(jīng)濟(jì)高效，并且能有效彌補(bǔ)固定式交通信息檢測(cè)方法中的部分盲區(qū)。

在固定式交通信息檢測(cè)方法中，環(huán)形線圈因其檢測(cè)結(jié)果準(zhǔn)確、工作性能穩(wěn)定、制作成本低等優(yōu)點(diǎn)，廣泛應(yīng)用于交通信息檢測(cè)領(lǐng)域。 環(huán)形線圈通過(guò)感知電磁場(chǎng)的變化來(lái)判斷是否有車輛通過(guò)，葉青等學(xué)者［4］運(yùn)用自適應(yīng)共振神經(jīng)網(wǎng)絡(luò)提供的自聚類能力，將環(huán)形線圈采集的各種車輛波形聚類成不同類別模式，進(jìn)而實(shí)現(xiàn)對(duì)城市道路車輛類型的識(shí)別分類。Cheol 等學(xué)者［5］利用感應(yīng)線圈收集到的信號(hào)估計(jì)跟馳情況下的安全停車距離，并提出一個(gè)量化指標(biāo)衡量追尾的風(fēng)險(xiǎn)。 不同于環(huán)形線圈，微波雷達(dá)通過(guò)計(jì)算發(fā)射波與反射波之間的時(shí)間間隔獲取目標(biāo)與傳感器之間的距離。 曹林等學(xué)者［6］利用微波雷達(dá)回波信號(hào)構(gòu)建數(shù)據(jù)集，并采用改進(jìn)的LeNet-5 卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)城市道路大小車型的分類識(shí)別。 監(jiān)控相機(jī)在固定式交通信息檢測(cè)領(lǐng)域中應(yīng)用也比較廣泛。李永上等學(xué)者提出一種改進(jìn)YOLOv5 結(jié)合Deep-SORT 的車輛檢測(cè)跟蹤方法，實(shí)現(xiàn)了監(jiān)控視角下的交通流量統(tǒng)計(jì)。 Li 等學(xué)者［7］通過(guò)提高YOLOv3 對(duì)密集場(chǎng)景下小目標(biāo)的檢測(cè)能力，進(jìn)而實(shí)現(xiàn)監(jiān)控視角下的城市道路速度、密度和流量等參數(shù)的提取。 但是固定式交通信息檢測(cè)方法中傳感器通常布設(shè)在固定位置，只能獲取特定路段或者交叉口的交通信息，檢測(cè)范圍較窄、不夠靈活，容易受到外界環(huán)境的干擾。

在移動(dòng)式交通信息檢測(cè)方法中，浮動(dòng)車法應(yīng)用較廣。 浮動(dòng)車數(shù)據(jù)主要來(lái)源于車載GPS 設(shè)備的導(dǎo)航系統(tǒng)和手機(jī)地圖APP。 袁向紅［8］借助GPS 浮動(dòng)車數(shù)據(jù)，建立交通流量預(yù)測(cè)模型，并在VISSIM 平臺(tái)進(jìn)行仿真驗(yàn)證，結(jié)果表明所提模型具有良好的預(yù)測(cè)效果。 針對(duì)社會(huì)車輛軌跡難以獲取的問(wèn)題，Kong 等學(xué)者［9］提出一種基于浮動(dòng)車數(shù)據(jù)和車載社交網(wǎng)絡(luò)的社會(huì)車輛軌跡生成方法，實(shí)驗(yàn)表明其軌跡與北京市交管局發(fā)布的實(shí)時(shí)交通狀況基本吻合。 但是浮動(dòng)車法極大程度依賴浮動(dòng)車的數(shù)量和通信質(zhì)量，當(dāng)?shù)缆犯?dòng)車占比不足或者處于信號(hào)較弱地段時(shí)，檢測(cè)結(jié)果的準(zhǔn)確性會(huì)大打折扣。 深度學(xué)習(xí)的興起，使得從視頻中提取特征信息變得更為方便，因此利用相機(jī)進(jìn)行移動(dòng)式交通信息檢測(cè)也得到了越來(lái)越多的關(guān)注。 UAV 成本低且具有較高的靈活性，Shan 等學(xué)者［10］利用YOLOv3 算法從UAV 采集視頻中檢測(cè)車輛信息，提取相關(guān)交通流參數(shù)，但由于禁飛區(qū)的存在，使得UAV 無(wú)法充分發(fā)揮其靈活性，同時(shí)高空較快的風(fēng)速也容易造成UAV 的漂移和抖動(dòng)。 車載相機(jī)檢測(cè)范圍廣、機(jī)動(dòng)性高，關(guān)闖等學(xué)者［11］利用車道線消隱點(diǎn)的坐標(biāo)計(jì)算出車載相機(jī)的外參，再利用相機(jī)的光學(xué)特性進(jìn)而獲得與前車之間的距離。 另一些學(xué)者則側(cè)重于視頻信息的避障以及交通場(chǎng)景的理解，如Godha［12］利用車載相機(jī)檢測(cè)道路障礙物以達(dá)到輔助駕駛的功能。 車載相機(jī)不僅能夠獲取每一幀圖像上的直接信息，還能夠獲取目標(biāo)的相對(duì)速度和相對(duì)位置等信息。 但是，如果要獲取目標(biāo)的絕對(duì)速度和絕對(duì)位置，還需要其它傳感器提供一些額外信息。

因此本文結(jié)合車載相機(jī)檢測(cè)范圍廣、靈活性高的特點(diǎn)，以及浮動(dòng)車具有自身定位能力的優(yōu)點(diǎn)提出一種移動(dòng)式交通信息檢測(cè)方法。 該方法主要包括2 個(gè)部分。 第一部分為城市道路目標(biāo)車輛的檢測(cè)與跟蹤，主要包括YOLOv5（you-only-look-once）［13］算法的目標(biāo)車輛檢測(cè)，以及Deep-SORT［14］算法的目標(biāo)車輛跟蹤。第二部分為城市道路交通信息參數(shù)提取，主要包括目標(biāo)車輛縱向間距、縱向速度的計(jì)算，以及城市道路通行速度、交通流密度和交通流量的獲取。

1 城市道路目標(biāo)車輛的檢測(cè)

考慮到移動(dòng)式交通信息檢測(cè)對(duì)檢測(cè)精度和速度的需求，本文采用最新一代YOLOv5 算法進(jìn)行城市道路目標(biāo)車輛的檢測(cè)。 該方法在保證檢測(cè)精度的同時(shí)還能極大提高檢測(cè)效率，其主要結(jié)構(gòu)包括Input層、Backbone 層、Neck 層和Prediction 層，網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖1 所示。

圖1 YOLOv5 模型結(jié)構(gòu)圖Fig. 1 YOLOv5 model structure

由圖1 可看到，Input 輸入層主要用于輸入數(shù)據(jù)的預(yù)處理，包含Mosaic 數(shù)據(jù)增強(qiáng)、自適應(yīng)圖像填充和自適應(yīng)錨框計(jì)算。 Mosaic 數(shù)據(jù)增強(qiáng)用于豐富背景，增加小目標(biāo)數(shù)量，提高GPU 利用效率，自適應(yīng)填充降低信息冗余以提高計(jì)算速度，自適應(yīng)錨框能在更換數(shù)據(jù)集時(shí)，自動(dòng)計(jì)算初始錨框大小。 Backbone層主要通過(guò)卷積操作，從不同層次提取圖像中的特征參數(shù)。 Backbone 層由Focus、CSP （Cross Stage Partial Network）以及SPP（Spatial Pyramid Pooling）三個(gè)部分構(gòu)成。 Focus 主要對(duì)輸入圖片進(jìn)行切片操作以降低計(jì)算量。 CSP 在加強(qiáng)骨干網(wǎng)絡(luò)的學(xué)習(xí)能力的同時(shí)還能提高網(wǎng)絡(luò)的推理速度。 SPP 則用于擴(kuò)大感知視野，分離上下文特征。 Neck 層包括FPN（ Feature Pyramid Networks ） 和 PAN （ Path Aggregation Network）兩個(gè)部分，F(xiàn)PN 向下傳遞強(qiáng)語(yǔ)義特征，PAN 向上傳遞強(qiáng)定位特征，將Backbone 層提取的特征從不同層面進(jìn)行融合，進(jìn)一步提升檢測(cè)能力。 Prediction 層分別從大、中、小三個(gè)尺度檢測(cè)車輛，并通過(guò)NMS（non maximum suppression）非極大值抑制去除重復(fù)和多余的框，最終輸出目標(biāo)車輛的類型、坐標(biāo)和置信度等檢測(cè)結(jié)果。

2 城市道路目標(biāo)車輛的跟蹤

為防止檢測(cè)算法的誤檢與漏檢，提高檢測(cè)算法的穩(wěn)定性，利用Deep-SORT 算法對(duì)測(cè)得目標(biāo)做進(jìn)一步的預(yù)測(cè)跟蹤，流程如圖2 所示。

圖2 Deep-SORT 流程圖Fig. 2 Flow chart of Deep-SORT

2.1 城市道路目標(biāo)車輛的跟蹤

Deep-SORT 算法利用線性卡爾曼濾波器對(duì)目標(biāo)進(jìn)行預(yù)測(cè)，使用八維狀態(tài)向量（x，y，r，h，vx，vy，vr，vh） 來(lái)表示目標(biāo)的位置以及運(yùn)動(dòng)狀態(tài)，其中x，y為檢測(cè)框中心點(diǎn)坐標(biāo)，r為檢測(cè)框的寬高比，h為檢測(cè)框的高度，余下4 個(gè)變量分別表示對(duì)應(yīng)變量的圖像坐標(biāo)系中的增量。 已知t- 1 時(shí)刻跟蹤目標(biāo)的具體狀態(tài)，則t時(shí)刻預(yù)測(cè)狀態(tài)為：

其中，Xt-1｜t-1為跟蹤目標(biāo)在t-1 時(shí)刻的最優(yōu)估計(jì)；F為狀態(tài)轉(zhuǎn)移矩陣；Xt｜t-1為t- 1 時(shí)刻對(duì)t時(shí)刻的狀態(tài)預(yù)測(cè)值，狀態(tài)轉(zhuǎn)移矩陣見(jiàn)式（2）：

協(xié)方差矩陣根據(jù)式（3）進(jìn)行計(jì)算：

其中，Pt-1｜t-1為跟蹤目標(biāo)在t-1 時(shí)刻最優(yōu)估計(jì)值；Pt｜t-1為t- 1 對(duì)t時(shí)刻協(xié)方差矩陣的預(yù)測(cè)值；Q為系統(tǒng)噪聲。

進(jìn)而根據(jù)t-1 時(shí)刻的狀態(tài)預(yù)測(cè)值來(lái)更新t時(shí)刻的最優(yōu)估計(jì)值，同時(shí)更新卡爾曼增益，具體過(guò)程如式（4）和（5）所示：

其中，Xt｜t為t時(shí)刻的最優(yōu)估計(jì)；Zt為t時(shí)刻的觀測(cè)值，由傳感器獲得；H為觀測(cè)矩陣；R為系統(tǒng)的觀測(cè)噪聲。

最后，根據(jù)式（6）更新t時(shí)刻的協(xié)方差矩陣：

2.2 匈牙利分配

Deep-SORT 利用匈牙利算法對(duì)已有的檢測(cè)框和預(yù)測(cè)框進(jìn)行分配。 使用馬氏距離來(lái)表征對(duì)象的運(yùn)動(dòng)信息，具體公式如下：

其中，dj和yi分別表示第j個(gè)檢測(cè)結(jié)果和第i個(gè)預(yù)測(cè)結(jié)果的狀態(tài)向量，Si表示檢測(cè)結(jié)果和平均結(jié)果之間的協(xié)方差矩陣。

當(dāng)物體被遮擋或者鏡頭抖動(dòng)時(shí)，馬氏距離不再適合作為兩者關(guān)聯(lián)的標(biāo)準(zhǔn)，因此引入最小余弦距離表示物體的外觀特征信息，公式如下：

其中，rj為檢測(cè)框dj所對(duì)應(yīng)的外觀特征描述信息，且＝1，Ri為特征倉(cāng)庫(kù)，用于保存每一個(gè)跟蹤軌跡k最近100 條成功關(guān)聯(lián)的特征描述符。 式（8）表示第i個(gè)跟蹤框和第j個(gè)檢測(cè)框的最小余弦距離。

最后，將運(yùn)動(dòng)特征和外觀特征進(jìn)行加權(quán)融合，得到最終的度量指標(biāo)：

2.3 特征提取網(wǎng)絡(luò)重訓(xùn)練

Deep-SORT 的特征提取網(wǎng)絡(luò)在設(shè)計(jì)時(shí)主要用于提取行人的外觀特征，為提高神經(jīng)網(wǎng)絡(luò)對(duì)車輛的外觀提取能力，在大規(guī)模的車輛ReID 數(shù)據(jù)集上重新進(jìn)行訓(xùn)練，數(shù)據(jù)集包含576 輛車、共12 347 張從不同角度拍攝的圖片，將圖片裁剪至126*135 大小后放入網(wǎng)絡(luò)進(jìn)行訓(xùn)練。 訓(xùn)練效果如圖3 所示。

圖3 特征提取網(wǎng)絡(luò)訓(xùn)練效果Fig. 3 Training effect of feature extraction network

當(dāng)訓(xùn)練次數(shù)達(dá)到200 輪后，損失函數(shù)基本趨向于平衡，訓(xùn)練完成后該網(wǎng)絡(luò)即可用于提取車輛外觀特征。

3 道路交通參數(shù)提取

3.1 縱向間距

利用單目相機(jī)光學(xué)特性進(jìn)行前方車輛距離檢測(cè)，首先需要獲取相機(jī)的內(nèi)參矩陣，內(nèi)參矩陣如下所示：

其中，（fx，fy） 表示相機(jī)的焦距長(zhǎng)度， （u0，v0） 表示相機(jī)光軸投影到成像平面的坐標(biāo)，由于廠商工藝等因素，（u0，v0） 往往不在成像平面的中心點(diǎn)。

單目相機(jī)成像過(guò)程是將三維空間中的場(chǎng)景投影到二維平面上，這一過(guò)程可以用小孔成像來(lái)描述，如圖4 所示。

圖4 小孔成像示意圖Fig. 4 Schematic diagram of small hole imaging

利用小孔成像原理，根據(jù)式（11）估算試驗(yàn)車與前車的縱向間距：

其中，d0表示相機(jī)到目標(biāo)車輛的縱向間距；fy表示相機(jī)y軸方向的焦距，由標(biāo)定獲得；w0表示目標(biāo)車輛的真實(shí)寬度，小汽車為1.8 m，貨車為2.6 m；wi為車輛成像后的像素寬度。

3.2 縱向速度

前車相對(duì)于試驗(yàn)車的速度可以根據(jù)式（12）進(jìn)行計(jì)算：

其中，d0(t) 和d0(t- 1) 分別為相鄰兩幀圖像中目標(biāo)車輛與試驗(yàn)車之間的縱向間距，Δt為兩幀圖像之間的時(shí)間間隔。 當(dāng)vrela ＜0 時(shí)，說(shuō)明目標(biāo)車輛的速度相對(duì)于試驗(yàn)車較慢；當(dāng)vrela ＞0 時(shí)，說(shuō)明目標(biāo)車輛的速度相對(duì)于試驗(yàn)車較快；當(dāng)vrela＝0 時(shí)，說(shuō)明目標(biāo)車輛與試驗(yàn)車速度相同。

根據(jù)GPS 信息獲取試驗(yàn)車的實(shí)時(shí)通行速度，并將試驗(yàn)車的通行速度視作基準(zhǔn)車速vbas， 則目標(biāo)車輛通行速度可以根據(jù)式（13）進(jìn)行計(jì)算：

路側(cè)停靠車輛如圖5 所示，這類車輛通常具有以下2 個(gè)特征：

圖5 路側(cè)停靠車輛Fig. 5 Parked vehicles on the side of the road

（1）位于圖像右側(cè)邊緣。

（2）絕對(duì)速度為0 km/h。

因此，根據(jù)這2 個(gè)特征可以對(duì)路側(cè)停靠車輛進(jìn)行識(shí)別。 如果目標(biāo)車輛位于圖像右側(cè)邊緣，且其通行速度小于設(shè)定的閾值α（α大于但接近于0 km/h），則將該目標(biāo)車輛視作路側(cè)停靠車輛。 綜合考慮GPS 和車載相機(jī)的數(shù)據(jù)精度，本文將α的值定為5。

3.3 交通參數(shù)提取

剔除路側(cè)停靠車輛，對(duì)視野內(nèi)同向移動(dòng)車輛保持檢測(cè)和跟蹤，以獲得每幀圖像中的有效車輛。 假定每輛有效車輛相對(duì)于試驗(yàn)車的縱向車間距檢測(cè)值為do，進(jìn)而根據(jù)式（14）計(jì)算每幀圖像中單位長(zhǎng)度內(nèi)的車輛數(shù)目，即交通流密度：

其中，i為有效車輛的編號(hào)；N為有效車輛的個(gè)數(shù)。

假定第j幀圖像獲取的實(shí)時(shí)交通流密度為ρ（j），則路段的交通流密度ρseg可根據(jù)式（15）進(jìn)行估算：

其中，Nseg為路段拍攝視頻的總幀數(shù)。

假定圖像中每臺(tái)有效車輛的絕對(duì)速度檢測(cè)值為vabs，進(jìn)而根據(jù)式（16）計(jì)算道路的平均通行速度vave：

其中，i為有效車輛的編號(hào)；N為有效車輛的數(shù)目。

與交通流密度檢測(cè)類似，假定第j幀圖像獲取的實(shí)時(shí)通行速度為vave（j）， 則待測(cè)路段的通行速度vseg可根據(jù)式（17）進(jìn)行估計(jì)：

獲得每幀圖像的交通流密度ρ以及道路平均通行速度后，進(jìn)而根據(jù)式（18）估計(jì)當(dāng)前位置單位時(shí)間內(nèi)通過(guò)車輛的個(gè)數(shù)，即交通流量：

與交通流密度檢測(cè)類似，假定第j幀圖像獲取的實(shí)時(shí)交通流量為vol（j） ，則待測(cè)路段的交通流量volseg可根據(jù)式（19）進(jìn)行估計(jì)：

4 實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)集

車載相機(jī)檢測(cè)視野較寬，往往會(huì)采集到對(duì)向車道的車輛信息，進(jìn)而影響檢測(cè)結(jié)果的準(zhǔn)確性，因此需排除對(duì)向車道車輛對(duì)檢測(cè)結(jié)果的影響。 同時(shí)常規(guī)的目標(biāo)檢測(cè)算法會(huì)將整輛車框檢出，不利于車輛縱向間距的測(cè)量。 為區(qū)分目標(biāo)車輛，進(jìn)一步提高距離檢測(cè)精度，本文搭建道路車輛分類數(shù)據(jù)集，將車載視頻采集到的10 段視頻分解成8 244 張圖片，同時(shí)將圖片中的車輛歸為car_front、car_side、car_back、truck_front、truck_side、truck_back 六個(gè)類別，具體分類標(biāo)準(zhǔn)如圖6 所示。

圖6 道路車輛分類Fig. 6 Classification of road vehicles

由圖6（b）可見(jiàn)，在視野內(nèi)若能觀察到前方車輛頭部或尾部，則將該車輛歸類為car_front 或car_back，否則定義為car_side，參見(jiàn)圖6（a），貨車分類同樣以此類推。 特別地，為了保證測(cè)距精度，car_back 這一類別僅標(biāo)記車輛尾部區(qū)域。

4.2 縱向間距檢測(cè)

準(zhǔn)確的縱向車間距檢測(cè)是道路交通參數(shù)提取的前提，本次實(shí)驗(yàn)采用分辨率為1 920×1 200 像素的CMOS 相機(jī)，相機(jī)內(nèi)部參數(shù)的標(biāo)定結(jié)果見(jiàn)表1。

表1 相機(jī)標(biāo)定結(jié)果Tab. 1 Camera calibration result

由于實(shí)驗(yàn)條件限制，本文未進(jìn)行跟車行駛條件下的動(dòng)態(tài)測(cè)量，僅在靜止環(huán)境中完成了縱向間距的測(cè)量。 共分為5、10、15、20、25、30、40、50 m 八組實(shí)驗(yàn)，每組實(shí)驗(yàn)分別在前車后方偏左1 m、前車正后方、前車后方偏右1 m 處拍攝10 張圖片，取均值作為每組實(shí)驗(yàn)的檢測(cè)值，同真實(shí)值進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果見(jiàn)表2。

表2 縱向距離檢測(cè)結(jié)果Tab. 2 Longitudinal distance detection results

由表2 中的數(shù)據(jù)可知，檢測(cè)值與真實(shí)值之間最大誤差為6.2%，最小誤差為0.1%，具備了較高的檢測(cè)精度，能夠滿足道路信息檢測(cè)的需求。 圖7 表示在不同橫向距離檢測(cè)結(jié)果圖。 圖7 中，橫坐標(biāo)表示真實(shí)距離，縱坐標(biāo)為檢測(cè)距離，從圖7 中可看出檢測(cè)距離越遠(yuǎn)，測(cè)量結(jié)果越離散。

圖7 測(cè)距散點(diǎn)圖Fig. 7 Scatter plot of ranging

4.3 道路交通信息檢測(cè)

通過(guò)實(shí)車實(shí)驗(yàn)一共收集了2 個(gè)路段的道路視頻作為實(shí)驗(yàn)對(duì)象。 路段A為三環(huán)線青菱立交起至北太子湖共11 km 長(zhǎng)度，于2022 年3 月29 號(hào)16：06 采集。 路段B選取黃家湖大道葉家墩起南至何家湖小區(qū)2 期共4.5 km 長(zhǎng)度，于2022 年3 月29 號(hào)15：25 采集。 GPS 數(shù)據(jù)由安裝在試驗(yàn)車上的智能手機(jī)提供，用于同步收集試驗(yàn)車的自身速度、位置等信息。

實(shí)驗(yàn)結(jié)果如圖8 所示。 圖8 中，檢測(cè)框所標(biāo)記的信息主要包括：類別、id、 縱向間距以及縱向速度，同時(shí)顯示當(dāng)前時(shí)刻的平均通行速度、交通流密度和交通流量等參數(shù)。

圖8 實(shí)驗(yàn)圖Fig. 8 Experimental figure

圖8（b）中，部分車輛被檢測(cè)出來(lái)但并未參與計(jì)算，其原因在于前車距離過(guò)遠(yuǎn)時(shí)，檢測(cè)框的抖動(dòng)會(huì)使得檢測(cè)結(jié)果出現(xiàn)較大偏差。 為保證結(jié)果的穩(wěn)定性和可靠性，經(jīng)過(guò)多次實(shí)驗(yàn)，本文將檢測(cè)的最遠(yuǎn)距離設(shè)定在80 m。

實(shí)驗(yàn)路段道路交通信息檢測(cè)結(jié)果如圖9 所示。圖9 中，橫坐標(biāo)為時(shí)間，縱坐標(biāo)分別表示根據(jù)當(dāng)前時(shí)間對(duì)應(yīng)幀計(jì)算的平均通行速度、交通流密度和交通流量，利用式（15）、（17）、（19）最終得到實(shí)驗(yàn)路段的通行速度、交通流密度和交通流量，計(jì)算結(jié)果見(jiàn)表3。 表3 中，數(shù)據(jù)按照2.5 的換算系數(shù)將貨車換算成標(biāo)準(zhǔn)車輛。

表3 檢測(cè)結(jié)果Tab. 3 Detection results

圖9 道路檢測(cè)結(jié)果Fig. 9 Road inspection results

圖9 （a）為城市快速路路段檢測(cè)結(jié)果，在220 s和280 s 處，道路通行速度顯著下降，并伴隨交通流密度和交通流量的上升，這是由于該路段擁堵使得車輛行駛緩慢，進(jìn)而造成交通流密度和交通流量的增大，在結(jié)尾處密度和流量的跌落則是由于試驗(yàn)車駛離快速路段造成。 圖9（b）為城市主干路段檢測(cè)結(jié)果，該路段平均通行速度在實(shí)驗(yàn)過(guò)程中出現(xiàn)了明顯的波動(dòng)，是因?yàn)樵囼?yàn)車在24 s、150 s、220 s 時(shí)在交叉口處遇到紅燈所導(dǎo)致。 當(dāng)試驗(yàn)車跟隨車流于交叉口制動(dòng)以及啟動(dòng)時(shí)，由于視線的遮擋，會(huì)導(dǎo)致檢測(cè)的車輛縱向間距較低，進(jìn)而造成該時(shí)刻路段交通流密度的上升，因此在24 s 和150 s 處均出現(xiàn)了密度上升的現(xiàn)象。 但在220 s 處卻并未出現(xiàn)上述狀況，是因?yàn)樵囼?yàn)車駛至該交叉口時(shí)，檢測(cè)視野比較開(kāi)闊，對(duì)車輛的縱向間距的檢測(cè)影響較小，因此此刻交通流密度不會(huì)出現(xiàn)明顯上升趨勢(shì)。 后期交通流密度的波動(dòng)則是由于部分目標(biāo)車輛出現(xiàn)或者離開(kāi)檢測(cè)范圍造成的。

實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)路段A的平均通行速度為52.55 km/h，略低于城市快速路段60 km/h 的設(shè)計(jì)通行速度，較快的通行速度和較高的密度使得該路段具有較大的流量。 試驗(yàn)車在收集路段B的道路交通信息時(shí)，車流連續(xù)遭遇3 次紅燈，導(dǎo)致路段通行速度始終維持在較低水平，僅有30.04 km/h 的通行速度。

4.4 仿真實(shí)驗(yàn)驗(yàn)證

為驗(yàn)證所提城市道路交通流量檢測(cè)框架，利用PreScan 仿真軟件搭建測(cè)試場(chǎng)景，建立一條長(zhǎng)1 km、平均通行速度72 km/h、三車道城市快速道路，隨機(jī)生成道路車輛，計(jì)算獲取路段交通流密度和交通流量，實(shí)驗(yàn)路段和實(shí)驗(yàn)過(guò)程圖如圖10、圖11 所示。

圖11 實(shí)驗(yàn)過(guò)程圖Fig. 11 Experimental process diagram

檢測(cè)結(jié)果見(jiàn)表4。

表4 檢測(cè)結(jié)果對(duì)比Tab. 4 Comparison of detection results

由表4 可知，在穩(wěn)定交通流條件下，通行速度、交通流密度和交通流量誤差分別在10.6%、7.8%以及7.4%，均具有較高的檢測(cè)精度。 受到實(shí)驗(yàn)條件的限制，本文并未獲得實(shí)驗(yàn)路段的真實(shí)交通流量數(shù)據(jù)，但是通過(guò)交通信息檢測(cè)結(jié)果對(duì)比與分析可知，本文所提方法的檢測(cè)結(jié)果能較好地反映城市道路交通運(yùn)行狀況。

5 結(jié)束語(yǔ)

本文提出了一種基于車載相機(jī)和GPS 信息融合的城市道路交通檢測(cè)方法，通過(guò)對(duì)目標(biāo)車輛的檢測(cè)跟蹤，計(jì)算城市道路車輛的縱向間距和縱向速度，再結(jié)合GPS 信息獲得目標(biāo)車輛的絕對(duì)速度，最終獲取待測(cè)路段的通行速度、交通流密度和交通流量參數(shù)。 實(shí)驗(yàn)結(jié)果與分析表明，本文所提的移動(dòng)式交通信息檢測(cè)方法能為智能車輛或智能交通系統(tǒng)提供可靠的數(shù)據(jù)支撐。 由于城市道路交通運(yùn)行環(huán)境比較復(fù)雜，實(shí)驗(yàn)中發(fā)現(xiàn)車輛遮擋問(wèn)題會(huì)對(duì)檢測(cè)結(jié)果造成一定的影響，未來(lái)研究將重點(diǎn)關(guān)注車輛遮擋問(wèn)題對(duì)城市道路交通信息檢測(cè)結(jié)果的影響。 此外，本文假設(shè)試驗(yàn)車在采集數(shù)據(jù)過(guò)程中，路段的交通流特性沒(méi)有變化，試驗(yàn)車以一條掃描線的形式對(duì)實(shí)驗(yàn)道路進(jìn)行檢測(cè)。 因此，本文所述方法比較適用于交通流特性比較穩(wěn)定的路段，如果路段的交通流特性出現(xiàn)較大波動(dòng)，檢測(cè)誤差可能會(huì)相應(yīng)增大。