賴見輝，王 揚(yáng)，羅甜甜，陳艷艷，劉 帥

(1. 北京工業(yè)大學(xué) 城市交通學(xué)院，北京 100124；2. 北京交通運(yùn)輸職業(yè)學(xué)院，北京 102618)

0 引言

隨著社會(huì)經(jīng)濟(jì)快速的發(fā)展，我國(guó)機(jī)動(dòng)車保有量急劇增長(zhǎng)，截止2020年6月，全國(guó)機(jī)動(dòng)車保有量達(dá)3.6億，隨之也造成很多問(wèn)題，如交通擁堵、空氣污染。交通流量可準(zhǔn)確反映道路交通運(yùn)行狀態(tài)，為科學(xué)的交通管理、政策制定提供依據(jù)，例如長(zhǎng)期固定的流量觀測(cè)數(shù)據(jù)可用于道路規(guī)劃、經(jīng)濟(jì)效益評(píng)估等；而且短期臨時(shí)(若干小時(shí)、天)的流量觀測(cè)數(shù)據(jù)可用于靈活的交通管理、優(yōu)化，交通影響評(píng)價(jià)等。目前，交通流量的獲取方法包括感應(yīng)線圈[1]、紅外[2]、超聲波[3]、視頻[4]等，這些方法精度高，在固定式流量觀測(cè)方面取得較好效果，而針對(duì)臨時(shí)性交通流量觀測(cè)需求，以上方法在使用便利性和經(jīng)濟(jì)性方面不具有優(yōu)勢(shì)，目前用得最多的方法仍然是人工現(xiàn)場(chǎng)統(tǒng)計(jì)觀測(cè)或者現(xiàn)場(chǎng)采集視頻回內(nèi)業(yè)觀測(cè)統(tǒng)計(jì)。

短期臨時(shí)交通流量觀測(cè)通常需求靈活多變，如某個(gè)交叉口、路段在早、晚高峰時(shí)段分車型的交通流量，不可能為這一臨時(shí)需求安裝龍門架，布設(shè)感應(yīng)線圈、激光雷達(dá)等，相比較而言，人工現(xiàn)場(chǎng)觀測(cè)統(tǒng)計(jì)可能更“經(jīng)濟(jì)”。但隨著人工成本的逐年提升，短期臨時(shí)交通流量觀測(cè)需求越來(lái)越難以滿足應(yīng)用要求。

本研究利用視頻識(shí)別技術(shù)，從視頻源采集便利性角度，考慮攝相頭布置在路側(cè)，視角方向與道路存在一定夾角時(shí)的場(chǎng)景采集，如圖1所示，調(diào)查員可利用三腳架等支撐物將攝相頭臨時(shí)固定于一定高度，三腳架放置于人行道上。該方式采集視頻源靈活便利，缺點(diǎn)是視頻源中的車輛可能存在不同程度的相互遮擋，不利于車輛檢測(cè)和跟蹤。本研究以此為突破口，利用基于深度學(xué)習(xí)技術(shù)的YOLO檢測(cè)方法，實(shí)現(xiàn)不同車型目標(biāo)物的采集；利用卡爾曼濾波+匈牙利分配法+透視投影變換法，實(shí)現(xiàn)高精度的車輛跟蹤，以攝相頭在不同角度、高度和車流密度條件下，對(duì)方法的有效性開展測(cè)試。

圖1 側(cè)視視頻采集示意圖Fig.1 Schematic diagram of road-side video collection

1 相關(guān)工作

利用視頻識(shí)別交通流量主要包括兩個(gè)過(guò)程，一是車輛目標(biāo)物檢測(cè)，二是車輛連續(xù)跟蹤。車輛目標(biāo)物檢測(cè)方法通常包括幀間差分法、光流法、背景差分法和近幾年新提出的深度學(xué)習(xí)法。車輛連續(xù)跟蹤包括輪廓追蹤、特征追蹤、貝葉斯濾波等。

1.1 視頻檢測(cè)方法

幀間差分法(Temporal Difference)通過(guò)對(duì)視頻圖像序列中相鄰兩幀作差分運(yùn)算來(lái)獲得運(yùn)動(dòng)目標(biāo)輪廓的方法，對(duì)光線等場(chǎng)景變化不太敏感，能夠適應(yīng)各種動(dòng)態(tài)環(huán)境，穩(wěn)定性較好，缺點(diǎn)是當(dāng)物體運(yùn)動(dòng)速度存在較大差異時(shí)，前后兩幀中容易沒(méi)有重疊或者完全重疊，此外，也不能夠檢測(cè)出靜止的物體[5]。

光流法(Optical Flow Method)根據(jù)圖像序列中像素強(qiáng)度變化值來(lái)判定各自像素位置的“運(yùn)動(dòng)”，即是時(shí)間上的變化與場(chǎng)景物體來(lái)描述共同運(yùn)動(dòng)物體，對(duì)于靜止目標(biāo)的識(shí)別效果較差。如張潤(rùn)初[6]利用光流運(yùn)動(dòng)點(diǎn)的分布和車輛在路面的占有情況之間的聯(lián)系，提出基于交通流理論的車流量統(tǒng)計(jì)方法，在正視角度下測(cè)試了約40輛車，精度為97.56%。

背景差分法(Background Difference Method)易受光線變化影響，背景更新是關(guān)鍵，不適用于靈活多變的路側(cè)場(chǎng)景。如李東[7]利用單高斯背景模型算法識(shí)別車輛，提高了檢測(cè)車輛前景區(qū)域的完整性；劉暢[8]采用統(tǒng)計(jì)平均法進(jìn)行背景建模，通過(guò)將視頻當(dāng)前幀與背景幀作差來(lái)獲取前景目標(biāo)，在正視角度下的測(cè)試精度為96.3%；胡云鷺[9]將背景差分法與幀間差分法相結(jié)合，在不同天氣下不同車道的車速檢測(cè)精度的均值都可達(dá)到 95%以上。

以上3類作為傳統(tǒng)視頻識(shí)別的主要方法，在不同方面應(yīng)用取得較好效果，但仍然存在以下問(wèn)題：

(1)視頻場(chǎng)景要求高，如光線、陰影均易影響交通流量計(jì)數(shù)的精度，而復(fù)雜的路側(cè)交通視頻往往難以完全達(dá)到要求；

(2)算法在交通流量較小的場(chǎng)景下能取得較高精度，但高密度車流時(shí)精度急劇下降；

(3)算法主要針對(duì)道路正上方角度拍攝視頻，車輛間的遮擋小，而側(cè)視角度視頻往往存在相互遮擋。

因此，傳統(tǒng)視頻識(shí)別方法無(wú)法滿足側(cè)視視角的交通流量視頻識(shí)別要求。近年，深度學(xué)習(xí)法(Deep Learning Method)方法在不同領(lǐng)域應(yīng)用取得長(zhǎng)足進(jìn)步[10-12]。它通過(guò)建立具有階層結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)物檢測(cè)，基于目標(biāo)物的位置和類別進(jìn)行跟蹤計(jì)數(shù)。常見的目標(biāo)物檢測(cè)方法有R-CNN (Regions with Convolutional Neural Network)、Fast R-CNN (Fast Regions with Convolutional Neural Network feature)、SSD (Single Shot Detection)、YOLO (You Only Look Once)。R-CNN選用Selective search(選擇性搜索)方法來(lái)生成候選區(qū)域，然后每個(gè)候選區(qū)域送入一個(gè)CNN模型，預(yù)測(cè)出候選區(qū)域中所含物體的屬于每個(gè)類的概率值，該方法檢測(cè)精度高，但計(jì)算效率低。Fast R-CNN[13]主要是為了減少候選區(qū)域使用CNN模型提取特征向量所消耗的時(shí)間，借鑒SPP-net思想，在計(jì)算效率上較RCNN有所提升。SSD采用了回歸方法進(jìn)行目標(biāo)檢測(cè)使得目標(biāo)檢測(cè)速度大大加快，采用archor機(jī)制使得目標(biāo)定位和分類精度有了大幅度提高，如牛嘉郡[14]利用SSD網(wǎng)絡(luò)模型對(duì)視頻中的車輛進(jìn)行檢測(cè)，提出基于重疊率匹配和 SURF 特征提取的運(yùn)動(dòng)車輛目標(biāo)跟蹤與計(jì)數(shù)方法，結(jié)合虛擬線圈技術(shù)，分車道對(duì)跟蹤車輛進(jìn)行計(jì)數(shù)，在擁堵道路上正視角度視頻的測(cè)試結(jié)果表明，該方法精度約85%。

YOLO[15]在識(shí)別精度和效率之間取得平衡，其核心思想是利用整張圖作為網(wǎng)絡(luò)的輸入，直接在輸出層回歸邊界框的位置及其所屬的類別。YOLO代表的深度學(xué)習(xí)技術(shù)在圖像檢測(cè)中的最高水平之一，到目前為止，已經(jīng)發(fā)展到第3代YOLO_V3，它很好地解決了小目標(biāo)、遮擋目標(biāo)識(shí)別精度不高的問(wèn)題，總體而言，它比R-CNN快1 000倍,比Fast R-CNN快100倍。關(guān)于YOLO應(yīng)用，目前有很多學(xué)者在不同領(lǐng)域開展了大量研究，包括用于安全帽佩戴檢測(cè)[16](精度92.13%)、交通標(biāo)識(shí)檢測(cè)[17](精度80.1%)、機(jī)場(chǎng)場(chǎng)面飛機(jī)檢測(cè)[18](精度83.7%)、車輛信息檢測(cè)[19-20]、道路擁堵分析[21](精度80%)等。

本研究在YOLO_V3的基礎(chǔ)上開展側(cè)視頻角度的交通流量計(jì)數(shù)方法研究。

1.2 目標(biāo)跟蹤方法

基于分類的目標(biāo)檢測(cè)之后，在圖像序列中持續(xù)地估計(jì)出車輛運(yùn)動(dòng)所在位置，形成車輛軌跡。目標(biāo)跟蹤分為單目標(biāo)跟蹤和多目標(biāo)跟蹤，單目標(biāo)跟蹤算法而言，存在一個(gè)先驗(yàn)假設(shè)是目標(biāo)總是在視頻范圍內(nèi)；多目標(biāo)跟蹤問(wèn)題跟蹤的對(duì)象位置變化很大，跟蹤對(duì)象從場(chǎng)景進(jìn)入、離開，跟蹤目標(biāo)個(gè)數(shù)不固定。

目標(biāo)跟蹤算法包括基于輪廓的追蹤法、基于區(qū)域的追蹤法、基于模型的追蹤法、基于特征的追蹤法和基于貝葉斯濾波特征的追蹤法[22]。

(1)基于輪廓的追蹤法[23]

以目標(biāo)物的輪廓曲線為對(duì)象，進(jìn)行匹配追蹤，優(yōu)點(diǎn)是匹配速度快，準(zhǔn)確性較高，但存在遮擋時(shí)精度較差。

(2)基于區(qū)域的追蹤法

在事先獲得跟蹤目標(biāo)的區(qū)域，利用跟蹤算法進(jìn)行追蹤，該方法場(chǎng)景固定的視頻具備一定優(yōu)勢(shì)，但無(wú)法適用于靈活多變的視頻。

(3)基于模型的追蹤法[24]

利用目標(biāo)的先驗(yàn)知識(shí)進(jìn)行建模，通過(guò)模式匹配方法進(jìn)行跟蹤，該方法同樣在發(fā)生較大形變、存在遮擋的情況則跟蹤效果不佳。

(4)基于特征的追蹤法[25]

該方法不考慮跟蹤目標(biāo)整體情況，將目標(biāo)物體的特征點(diǎn)作為跟蹤目標(biāo)的方法,只對(duì)從目標(biāo)物體上提取出來(lái)的顯著特征進(jìn)行跟蹤。優(yōu)點(diǎn)是物體的尺度、形狀和光照的變換不敏感，即使存在遮擋，只要有部分特征點(diǎn)可見，也可完成對(duì)目標(biāo)的跟蹤。

(5)基于貝葉斯濾波特征的追蹤法

用系統(tǒng)模型預(yù)測(cè)狀態(tài)的先驗(yàn)概率密度，再使用最近的測(cè)量值進(jìn)行修正，得到后驗(yàn)概率密度。典型的算法包括卡爾曼濾波[26](KalmanFilter)和粒子濾波[27](Partical Filter)。該方法對(duì)線性高斯系統(tǒng)和非線性高斯系統(tǒng)都有對(duì)應(yīng)算法，而粒子濾波需大量樣本才可較好估計(jì)后驗(yàn)概率密，卡爾曼濾波對(duì)遮擋敏感。

傳統(tǒng)上利用圖像識(shí)別方法開展交通流量計(jì)數(shù)，主要考慮目標(biāo)物的特征和運(yùn)動(dòng)過(guò)程中產(chǎn)生的像素變化來(lái)識(shí)別車輛，這些方法對(duì)拍攝視頻的角度和視頻質(zhì)量均有較高要求，如車輛間的遮擋，光照的變化，均可能較大地影響結(jié)果精度。而作為臨時(shí)采集交通流量數(shù)據(jù)，通過(guò)將相機(jī)布置于路側(cè)，難以滿足以上條件。針對(duì)這些問(wèn)題，本研究利用深度學(xué)習(xí)技術(shù)，提出了一種適用于側(cè)視角度拍攝視頻用于交通流量統(tǒng)計(jì)的方法。

2 模型建立

模型的基本假設(shè)：YOLO_V3識(shí)別的車輛在視頻幀中的變化是連續(xù)的，不存在大幅度跳幀現(xiàn)象；不同車輛在圖片中的中心點(diǎn)距離小于相同車輛在相鄰兩幀之間的移動(dòng)距離。

首先利用YOLO_V3對(duì)視頻連續(xù)幀中的目標(biāo)檢測(cè)區(qū)域進(jìn)行目標(biāo)物識(shí)別，識(shí)別信息包括目標(biāo)物的類別、概率值和邊框坐標(biāo)；然后在幀圖片中選擇至少4個(gè)點(diǎn)，將這些點(diǎn)在圖片中的像素坐標(biāo)與現(xiàn)實(shí)環(huán)境中的真實(shí)坐標(biāo)建立對(duì)應(yīng)關(guān)系，建立透視轉(zhuǎn)換模型，將檢測(cè)目標(biāo)物的像素坐標(biāo)以此模型轉(zhuǎn)換為真實(shí)坐標(biāo)；計(jì)算相鄰幀所有檢測(cè)物的歐幾里得距離，用匈牙利匹配算法求解最小費(fèi)用，實(shí)現(xiàn)連續(xù)幀之間車輛的追蹤；最后利用卡爾曼濾波算法實(shí)現(xiàn)車輛連續(xù)軌跡的修正預(yù)測(cè)，統(tǒng)計(jì)某車輛在流量檢測(cè)區(qū)域出行的幀次數(shù)，超過(guò)指定閾值時(shí)，認(rèn)定為一個(gè)有效流量。詳細(xì)流程見圖2。

圖2 算法流程圖Fig.2 Flowchart of algorithm

2.1 目標(biāo)跟蹤

(1)透視轉(zhuǎn)換模型

透視轉(zhuǎn)換的目標(biāo)是將圖像投影到一個(gè)新的視平面，在本應(yīng)用中是將相機(jī)拍攝存在透視角度圖的坐標(biāo)轉(zhuǎn)換成真實(shí)環(huán)境中的坐標(biāo)。其實(shí)現(xiàn)原理見公式(1)，其中[x′y′w′]是真實(shí)環(huán)境的坐標(biāo)，[uvw]是圖片中的像素坐標(biāo)，a矩陣是變換矩陣，本例中僅將路面作為檢測(cè)區(qū)域，僅需要二維空間上的坐標(biāo)轉(zhuǎn)換。

(1)

透視轉(zhuǎn)換效果見圖3，圖3(a)為相機(jī)拍攝視頻原圖，畫對(duì)角線的多邊形框體為車輛檢測(cè)區(qū)域，因相機(jī)架設(shè)于路側(cè)，圖像存在顯著變形，圖3(b)是經(jīng)透視轉(zhuǎn)換模型校正后的效果，道路的橫縱比例關(guān)系與真實(shí)環(huán)境基本完全吻合，因此該校正方法適用。

圖3 透視投影變換效果Fig.3 Perspective projection transformation effect

(2)匈牙利匹配法

前后幀的車輛追蹤問(wèn)題，本研究將其描述為數(shù)學(xué)中的指派問(wèn)題，即上一幀檢測(cè)到n輛車，當(dāng)前幀檢測(cè)到m輛車，將m輛車中的車輛與上一幀的n輛車建立一一對(duì)應(yīng)關(guān)系，目標(biāo)是之間的總費(fèi)用最低。前n與m不相等時(shí)，取最大值，并將不足的行列補(bǔ)0，形成方陣。通用數(shù)學(xué)模型見公式(2)，其中：ci1為前后兩幀間所有檢測(cè)物的歐幾里得距離矩陣，xi1為匹配結(jié)果矩陣，值為0時(shí)表示二者不匹配，為1時(shí)表示二者匹配。

(2)

(3)卡爾曼濾波預(yù)測(cè)法

卡爾曼濾波預(yù)測(cè)法提供了一種高效可計(jì)算的方法來(lái)估計(jì)過(guò)程的狀態(tài)，并使估計(jì)均方誤差最小。其基本思想是：以最小均方誤差為最佳估計(jì)準(zhǔn)則，利用前一時(shí)刻的估計(jì)值和當(dāng)前時(shí)刻的觀測(cè)值來(lái)更新對(duì)狀態(tài)變量的估計(jì)，求出當(dāng)前時(shí)刻的估計(jì)值，算法根據(jù)建立的系統(tǒng)方程和觀測(cè)方程對(duì)需要處理的數(shù)據(jù)做出滿足最小均方誤差的估計(jì)。卡爾曼濾波預(yù)測(cè)法使用時(shí)包括預(yù)測(cè)和校正兩個(gè)過(guò)程。

預(yù)測(cè)過(guò)程如下：

(3)

式中，u為幀坐標(biāo)向量；P為協(xié)方差矩陣；F為狀態(tài)轉(zhuǎn)移矩陣；Q為過(guò)程噪聲矩陣。校正過(guò)程如下：

(4)

式中，u為幀坐標(biāo)向量；A為狀態(tài)轉(zhuǎn)移矩陣；b為當(dāng)前幀坐標(biāo)；P為協(xié)方差矩陣；Q為過(guò)程噪聲矩陣；R為觀測(cè)噪聲矩陣;C為狀態(tài)變量到觀測(cè)量的轉(zhuǎn)換矩陣;K為濾波增益矩陣。

利用卡爾曼濾波預(yù)測(cè)法可以有效減少噪聲干擾數(shù)據(jù)對(duì)軌跡追蹤精度的影響。

2.2 流量統(tǒng)計(jì)

考慮到卡爾曼濾波預(yù)測(cè)穩(wěn)定性收斂需要一定的歷史數(shù)據(jù)，本研究通過(guò)建立車輛檢測(cè)區(qū)域和流量計(jì)數(shù)區(qū)域的二級(jí)檢測(cè)框架提高流量計(jì)數(shù)的精度。如圖4所示，沿車流方向在行車道范圍內(nèi)建立一個(gè)長(zhǎng)約100 m的車輛檢測(cè)區(qū)域(圖中淺灰色區(qū)域)，僅在該區(qū)域出現(xiàn)的車輛作為追蹤對(duì)象，減少無(wú)效干擾車輛影響；在車輛檢測(cè)區(qū)域中的下游處，建立長(zhǎng)度約為25 m的流量計(jì)數(shù)區(qū)域(圖中深灰色區(qū)域)。當(dāng)追蹤車輛經(jīng)過(guò)流量檢測(cè)區(qū)域時(shí)，記錄其出現(xiàn)的幀次數(shù)量，當(dāng)幀次數(shù)量達(dá)到一定閾值時(shí)，認(rèn)為是一次有效的交通計(jì)數(shù)。閾值選擇與流量檢測(cè)區(qū)域大小、車輛平均行駛速度均有關(guān)，流量檢測(cè)區(qū)域越大，車輛通過(guò)需要越長(zhǎng)時(shí)間，可檢測(cè)到的幀數(shù)越多；車輛平均行駛速度越快，通過(guò)流量檢測(cè)區(qū)域時(shí)間越短，可檢測(cè)到的幀數(shù)越少。

圖4 交通流量檢測(cè)示意圖Fig.4 Schematic diagram of traffic volume detection

考慮到不同車型速度差異較大時(shí)，幀次數(shù)量閾值按車輛類型設(shè)置不同的值，如城市道路中，非機(jī)動(dòng)車的速度通常只有機(jī)動(dòng)的1/3～1/2，閾值可稍大于機(jī)動(dòng)車。

依據(jù)實(shí)際數(shù)據(jù)的測(cè)試經(jīng)驗(yàn)表明，各類型的車輛幀次數(shù)量閾值約為其最大可通過(guò)幀次的60%左右時(shí)，流量統(tǒng)計(jì)結(jié)果具有較高的精度。

該方法存在以下優(yōu)點(diǎn)：

(1)采用二級(jí)檢測(cè)框架，僅利用卡爾曼濾波預(yù)測(cè)收斂后的數(shù)據(jù)作為流量計(jì)數(shù)的依據(jù)，有利于提高追蹤的精度。

(2)可以有效避免因車輛檢測(cè)誤差導(dǎo)致的流量誤判，如車輛在連續(xù)幀中出現(xiàn)某幀識(shí)別錯(cuò)誤，導(dǎo)致車輛追蹤時(shí)誤認(rèn)為另一輛新車出現(xiàn)，但該誤檢車輛無(wú)法在流量檢測(cè)區(qū)域達(dá)到閾值時(shí)，誤計(jì)車輛將被舍棄。

3 驗(yàn)證與分析

3.1 試驗(yàn)條件

為保證試驗(yàn)結(jié)果的客觀性，采用YOLO_V3官方提供已訓(xùn)練好的權(quán)重文件。

考慮到側(cè)視角度采集的視頻，流量計(jì)數(shù)結(jié)果精度的高低，不僅與算法設(shè)計(jì)相關(guān)，還與視頻采集的角度、高度以及道路上的車流密度密切相關(guān)。為了驗(yàn)證方法的有效性，選擇不同環(huán)境條件開展測(cè)試，包括3個(gè)主要指標(biāo)：

(1)拍攝相機(jī)與道路相交角度

考慮相機(jī)的廣角形變效果，相機(jī)與道路相交角度會(huì)影響透視變換效果，角度過(guò)大或過(guò)小均不利于視頻識(shí)別，本研究選擇測(cè)試角度分別為30°，45°和60°，記為A_30，A_45，A_60。

(2)拍攝相機(jī)架設(shè)高度

小型車輛一般高1.8 m，大型公交車高一般為3 m，考慮視頻在路側(cè)采集時(shí)布置相機(jī)的可行性，過(guò)低時(shí)存在大量車輛相互遮擋，過(guò)高時(shí)相機(jī)穩(wěn)定性差，因此選擇高度為2 m和3 m進(jìn)行測(cè)試，記為HT_2，HT_3。

(3)道路車流密度

車流密度大小會(huì)影響跟蹤的精度，當(dāng)車流密度高時(shí)，車間距小，容易相互遮擋，極易在跟蹤時(shí)產(chǎn)生誤判。本研究選用交通流量(Veh/h)代表交通流密度，單向3車道，分別測(cè)試低、中、高3類(記為F_L，F(xiàn)_M，F(xiàn)_H)不同條件下的精度，不同類別對(duì)應(yīng)的交通流量見表1。

表1 車流密度分類Tab.1 Classification of traffic densities

3.2 評(píng)估指標(biāo)

統(tǒng)計(jì)不同周期內(nèi)的檢測(cè)的車輛數(shù)量Fi，同時(shí)人工統(tǒng)計(jì)對(duì)應(yīng)的車輛數(shù)Ai，n為樣本數(shù)量，以MAPE和RMSE對(duì)結(jié)果精度分別進(jìn)行評(píng)價(jià)。

(1)平均絕對(duì)百分比誤差MAPE

(5)

(2)均方根誤差RMSE

(6)

(3)運(yùn)行效率

用每秒傳輸幀數(shù)(Frames Per Second，F(xiàn)PS)表示。

3.3 結(jié)果分析

測(cè)試結(jié)果顯示見表2，最小MAPE為2.74%，最大為10.37%，總體而言，隨著夾角增大，MAPE逐漸增大，其主要原因是過(guò)大的夾角下視頻拍攝道路范圍減小，導(dǎo)致算法無(wú)法有效追蹤車輛；相交角度相同時(shí)，相機(jī)架設(shè)越高，MAPE值越低，當(dāng)達(dá)到3 m，夾角為30°時(shí)，MAPE值為2.74%，具有較高的辨識(shí)精度；此外，相交角度相同時(shí)，視頻流量越低，MAPE值越低，精度越高。需要指出的是，在高度為2 m的，角度為30的測(cè)試視頻中，連續(xù)出現(xiàn)大型公交車輛遮擋視野，導(dǎo)致MAPE提高到10.45%。均方根誤差RMSE呈現(xiàn)的趨勢(shì)特征與MAPE基本一致且數(shù)值較低，表明算法具有較高的穩(wěn)定性。

表2 角度與高度對(duì)識(shí)別精度的影響Tab.2 Influence of angle and height on recognition accuracy

當(dāng)相機(jī)與道路夾角相同時(shí)，隨著相機(jī)架設(shè)高度的增加，MAPE呈減小趨勢(shì)，如在角度為30°，高度為2 m時(shí)，MAPE值為10.45%，而高度為3 m時(shí)，降為2.74%，精度大幅提升；如表3所示，在同等高度條件下，交通流量越大MAPE越小，測(cè)試的6組數(shù)據(jù)中，除一組數(shù)據(jù)因公交遮擋在16.5%，其余組主要分布在4%～6%之間，甚至有一組結(jié)果MAPE值為1.3%，RMSE也主要分布在10～20之間，表明具有較高穩(wěn)定性，相機(jī)與道路角度相同時(shí)，交通流量的大小對(duì)精度影響不大，見表4。

表3 車流密度與高度對(duì)識(shí)別精度的影響Tab.3 Influence of traffic density and height on recognition accuracy

表4 角度與車流密度對(duì)識(shí)別精度的影響Tab.4 Influence of angel and traffic density on recognition accuracy

3.4 計(jì)算效率分析

程序運(yùn)行環(huán)境為：windows10 x64操作系統(tǒng)，2080Ti顯卡，64G內(nèi)存，i7-7820XCPU，程序每次運(yùn)行過(guò)程中均無(wú)其他程序運(yùn)行，測(cè)試視頻大小均為1080P，30FPS。

結(jié)果表明相機(jī)架設(shè)角度和高度均對(duì)程序運(yùn)行效率無(wú)顯著影響，而車流密度則影響較大,結(jié)果顯示見表5，在低密度車流下，F(xiàn)PS值約為44，而高密度車流下，F(xiàn)PS值降為33左右，高密度客流下車輛數(shù)增多，卡爾曼濾波和匈牙利分配算法所消耗的時(shí)間均會(huì)顯著增加，但仍然高于常用的視頻流30FPS。表明該方法運(yùn)行效率較高，可用于實(shí)時(shí)視頻流的數(shù)據(jù)采集。

表5 車流密度對(duì)運(yùn)行效率的影響Tab.5 Influence of traffic density and efficiency on recognition accuracy

4 結(jié)論

(1)以YOLO_V3為基礎(chǔ)，對(duì)側(cè)視視角的視頻開展車輛目標(biāo)物檢測(cè)，建立車輛檢測(cè)區(qū)域和流量計(jì)數(shù)區(qū)域的二級(jí)檢測(cè)框架，提出基于卡爾曼濾波+匈牙利分配法+透視投影變換法的車輛追蹤計(jì)數(shù)方法，實(shí)測(cè)結(jié)果顯示，MAPE平均在5%左右，RMSE平均在15左右，表明該方法具有較高的試驗(yàn)精度和穩(wěn)定性。

(2)基于YOLO_V3，利用本研究提出的交通流量統(tǒng)計(jì)方法，在相機(jī)高度為3 m，與路側(cè)夾角為30°的視頻環(huán)境中，流量計(jì)數(shù)的精度在95%，滿足臨時(shí)交通調(diào)查的需求。

(3)依然受大型公交、貨車影響嚴(yán)重，當(dāng)存在大型車輛通過(guò)時(shí)，其他車輛幾乎完全被遮擋，導(dǎo)致流量計(jì)數(shù)出現(xiàn)偏差，盡管如此，精度仍然在90%左右。

(4)測(cè)試采用的18組視頻在識(shí)別結(jié)果上均表現(xiàn)出較高的精度，表明本方法具備較高的魯棒性，適合靈活多變的路側(cè)采集方式。

(5)對(duì)深度學(xué)習(xí)方法YOLO_V3的識(shí)別結(jié)果依賴較強(qiáng)，測(cè)試采用的是官方已訓(xùn)練好的權(quán)重文件，國(guó)內(nèi)車型與國(guó)外車型存在一定差異會(huì)影響精度，如面包車經(jīng)常被識(shí)別成小貨車，而國(guó)內(nèi)通常認(rèn)為面包車小客車。

(6)本方法對(duì)雨雪等惡劣天氣條件下的適用性還需進(jìn)一步驗(yàn)證。