陳鵬展，余杰杰

(華東交通大學(xué) 電氣與自動化工程學(xué)院,江西 南昌 330013)

隨著經(jīng)濟的不斷發(fā)展、城市化進(jìn)程的推進(jìn)，交通擁堵問題逐漸突顯出來，關(guān)于交通擁堵的研究也逐漸受到重視。劉夢涵等[1]采用Wald檢驗對行程速度、停車時間、停車次數(shù)、延誤比和出入口密度這5個代表道路運行狀態(tài)的自變量進(jìn)行了篩選，并最終確定以行程速度為自變量，設(shè)計了基于累積Logistic回歸的道路交通擁堵強度評價模型。He等[2]利用由平均行駛速度和最大允許道路行駛速度組成的速度性能指標(biāo)將交通狀況分為4種情況，再引入路段和道路網(wǎng)擁堵指標(biāo)，對北京高速公路在春夏秋冬、工作日和休息日、上午和下午等各個時段的擁堵案例進(jìn)行了分析。Zhang等[3]以城市主干道的交通流量、交通流密度和交通流速度作為基本屬性來判別聚類優(yōu)先級，提出了灰色關(guān)聯(lián)隸屬等級聚類算法，來分析城市交通擁堵情況。Khan等[4]提出了CVT-AI方法，通過將聯(lián)網(wǎng)車輛技術(shù)(Connected Vehicle Technology,CVT)和人工智能(Artificial Intelligence,AI)結(jié)合，計算道路網(wǎng)絡(luò)的交通密度，進(jìn)而評估交通狀況。Wang等[5]首先提出了一種擁堵定義，然后將交通擁堵分析作為回歸問題處理，并構(gòu)建了由20個不同場景構(gòu)成的數(shù)據(jù)集，利用低級紋理特征和核回歸來檢測交通擁堵程度，同時通過局部約束距離度量學(xué)習(xí)來減少不同場景之間的影響。雷斌等[6]設(shè)計了一種基于改進(jìn)的K近鄰(K-Nearest Neighbor,KNN)非參數(shù)和小波神經(jīng)網(wǎng)絡(luò)加權(quán)組合模型，以交通流量、車道占有率和平均車速等作為主要特征參數(shù)，來預(yù)測短時交通流。Kan等[7]提出了一種在彎道處檢測交通擁堵的方法，對出租車的GPS軌跡有效數(shù)據(jù)進(jìn)行分析，將擁堵劃分為了3個等級，通過聚類方法判別各個轉(zhuǎn)彎方向上的擁堵事件，并以武漢道路交叉口為例，對其發(fā)生擁堵的時間和各個轉(zhuǎn)彎方向上的排隊長度進(jìn)行了探索和分析。

文獻(xiàn)[1]～文獻(xiàn)[7]對道路交通擁堵分析做出了極大貢獻(xiàn)，但仍存在以下問題。

① 需要監(jiān)測道路交通流量和平均車速等交通要素，檢測設(shè)備成本較高。

② 研究對象是一段時間內(nèi)的道路交通情況，實時性較差。

③ 從道路段、道路網(wǎng)的角度分析和預(yù)測道路交通情況，對用戶當(dāng)前所處的道路點的交通情況無法做出分析，不能為車輛實時操作(加速、減速等)提供參考依據(jù)。

針對這些問題，本文首先提出用戶當(dāng)前所處道路的擁堵評價指標(biāo)，同時，提出了一種基于用戶視角、車載視頻圖像作為輸入，結(jié)合視頻圖像中車輛車距、車道信息等交通要素和LSTM(Long Short-Term Memory，長短期記憶)網(wǎng)絡(luò)的道路擁堵分析模型。該模型能夠?qū)崟r分析用戶視角的交通要素，實時性較高，檢測成本較低，可以為無人駕駛汽車[8]和車輛駕駛員提供交通要素分析結(jié)果。最后用訓(xùn)練好的模型在多種場景組成的樣本中進(jìn)行了測試，并達(dá)到了較好的效果。

1 道路交通要素分解

1.1 車輛檢測

隨著深度學(xué)習(xí)的不斷發(fā)展，許多目標(biāo)檢測算法相繼被提出，其中YOLO(You Only Look Once)系列[9-11]的性能尤為突出。其網(wǎng)絡(luò)結(jié)構(gòu)比較簡單，具有45～90 f/s的檢測速度，能夠?qū)σ曨l中的車輛目標(biāo)進(jìn)行檢測，符合實時性的基本要求。YOLO是一種基于回歸的目標(biāo)檢測算法，對于一張測試圖片，最終輸出目標(biāo)邊框的5個參數(shù)分別為x、y、w、h、C。目標(biāo)邊框的置信度為C，中心點的橫縱坐標(biāo)為x、y，寬和高分別為w、h。通過輸出的目標(biāo)框參數(shù)可知，車輛底線縱坐標(biāo)為

yb=y+h/2

(1)

本文的車輛檢測模型采用最新的YOLOv3網(wǎng)絡(luò)架構(gòu)，相比于YOLO和YOLOv2，其在保持檢測速度的同時進(jìn)一步提升了目標(biāo)檢測的準(zhǔn)確性。數(shù)據(jù)集為KITTI目標(biāo)檢測數(shù)據(jù)集，首先將其格式轉(zhuǎn)化適合YOLOv3網(wǎng)絡(luò)架構(gòu)的Pascal VOC(Visual Object Classes)數(shù)據(jù)集格式，并對目標(biāo)類別進(jìn)行簡化統(tǒng)一，轉(zhuǎn)換后的數(shù)據(jù)集標(biāo)簽為車、行人和騎自行車的人3類。選取數(shù)據(jù)集中5984張圖片為訓(xùn)練集，749張圖片為測試集；然后設(shè)置配置文件，類別數(shù)改為3，學(xué)習(xí)率為0.01，最大迭代次數(shù)為4000；最后加載預(yù)訓(xùn)練卷積權(quán)重文件進(jìn)行訓(xùn)練，完成訓(xùn)練后測試準(zhǔn)確率為89.96%，基本可以滿足道路上車輛檢測的要求。

1.2 道路車道線檢測

為簡化實驗?zāi)Ｐ?，本文使用一種建立約束區(qū)域的Hough變換方法[12]，根據(jù)攝像頭參數(shù)，選取約束值n，約束區(qū)域即為圖像下方的1/n。Hough變換只在選取的約束區(qū)域內(nèi)進(jìn)行，計算量相對減小、符合實時性基本要求，同時根據(jù)車道車分布的特性，減少了其他非車道線區(qū)域的干擾，提升了準(zhǔn)確率。車道線檢測流程圖如圖1所示。

圖1 車道線檢測流程圖

其中，圖1(a)彩色原圖經(jīng)過濾波降噪得到圖1(b)灰度圖，然后由Canny邊緣檢測區(qū)域選擇得到圖1(c)，約束域選擇結(jié)果如圖1(d)所示，再經(jīng)車道擬合得到圖1(e)，最終車道檢測結(jié)果圖如圖1(f)所示。檢測到的車道線分別以直線方程L1、L2表示，兩直線交點即車道消失點用坐標(biāo)點(xh,yh)表示。

1.3 車距估測及位置判別

由于本文模型在估測車距后會做優(yōu)化處理，因此采用文獻(xiàn)[13]提到的簡易測距方法，攝像頭與前方目標(biāo)車輛幾何位置關(guān)系如圖2所示，從圖2中幾何關(guān)系可求得攝像頭與前車的距離為

圖2 利用針孔攝像機幾何結(jié)構(gòu)估算圖像中車輛位置距離

(2)

式中，F(xiàn)c為攝像頭焦距；Hc為攝像頭高度；θ為攝像頭與水平方向的俯仰角；yb為車輛底線縱坐標(biāo)；yh為車道線消失點的縱坐標(biāo)。當(dāng)攝像頭俯仰角θ較小時，式(2)可化簡為

(3)

而實際情況中車載攝像頭的俯仰角θ非常小，因此在攝像頭Fc和Hc相關(guān)參數(shù)不變的情況下，目標(biāo)車輛距離可以通過車道線消失點的縱坐標(biāo)yh和車輛底線縱坐標(biāo)yb推導(dǎo)得出。目標(biāo)位置中間點(x,y)可以作為車輛等效位置像素點O，結(jié)合車道線L1、L2，點O與L1、L2的相對位置可以通過幾何關(guān)系求得，進(jìn)而判斷出目標(biāo)車輛與車道的位置關(guān)系。

1.4 車距矩陣表示

根據(jù)車輛與車道之間的相對位置關(guān)系，結(jié)合估測的車距，形成車距矩陣。對于車道數(shù)為N的場景，與之對應(yīng)的車距矩陣為N維。假設(shè)20為單車道車輛數(shù)最大值，車輛數(shù)不足20時補零處理，則3行20列的車距矩陣示例為需要說明的是，當(dāng)前車與測試車輛在不同車道時，二者間垂直距離用測得的直線距離代替(垂直距離僅估算即可)，其中非零元素代表前方車輛車距，主車道M0上,測試車與前車車距依次為2.74，7.55，16.93，24.36，25.24 m；側(cè)車道M1上,測試車與前車車距為4.16 m；側(cè)車道M2上,測試車與前車車距為1.76 m。對應(yīng)測試樣本圖如圖3所示。

圖3 測試樣本

圖3中的車輛上方對應(yīng)的數(shù)字是距車載攝像頭的直線距離，在實際的駕駛環(huán)境中，基于當(dāng)前用戶視角下，前方車輛會出現(xiàn)被遮擋的情況，被遮擋的車輛無法被車載攝像頭檢測到。僅通過檢測到的車輛來判斷道路擁堵情況，與實際情況相差較大。因此，本文對車距矩陣進(jìn)行均值優(yōu)化后，再進(jìn)行補零處理。

① 記兩車之間車距的平均值為davg。

② 對于第N行第i個車距值，記d0=0，若di-di-1>2·davg，則在di前面插入數(shù)值(di-1+davg)。

③ 插入數(shù)值后，更新第N行，如果第N行元素個數(shù)少于20，或插入的數(shù)值小于100時，重復(fù)操作②。

④ 完成插值后，元素個數(shù)不足20補零處理，其他行元素優(yōu)化處理同上，直到完成優(yōu)化為止。

上述測試樣本圖3對應(yīng)的車距矩陣經(jīng)過優(yōu)化后，如表1所示。與經(jīng)圖像測得的初始車距矩陣相比，經(jīng)過優(yōu)化的車距矩陣在保留測得的車距信息的同時，更符合實際的道路車輛分布。

表1 優(yōu)化后的車距矩陣 單位：m

2 基于LSTM的擁堵分類模型

2.1 擁堵評價指標(biāo)

當(dāng)前提出的道路擁堵評估模型，沒有統(tǒng)一的評價指標(biāo)。本文提出了基于用戶視角的對當(dāng)前道路場景的擁堵評價指標(biāo)。

2.1.1 車輛間擁堵

根據(jù)查閱的相關(guān)文獻(xiàn)，天氣情況、道路類型、行車速度和加速度等諸多因素都會影響安全車距。為了簡化模型，車輛行駛速度低于40 km/h時，記安全車距為30 m，可認(rèn)為存在一定程度的道路擁堵；對于前方相鄰兩輛車，若二者之間車距小于駕駛舒適車距，則此情況造成一定程度的擁堵，相反則不會影響交通擁堵情況。對于前方相鄰兩車，擁堵指標(biāo)如下：

s=λsd

(4)

(5)

式中，λ為舒適系數(shù)；sd為低速行車時的安全車距，這里取30；s為駕駛舒適車距；cn為前方第n輛車造成的擁堵程度；dn為第n輛車與用戶間距離，當(dāng)n=0時，dn=0。

2.1.2 單車道擁堵指標(biāo)

在前方總計N輛車的單車道上，所有車輛累積所造成道路擁堵計算公式為

(6)

式中，an為車距影響系數(shù)，與車距dn成反比?；诋?dāng)前用戶視角來說，前方車輛距離越遠(yuǎn)，其車輛間擁堵指數(shù)對當(dāng)前用戶使用車道影響作用越小，對應(yīng)的an值也越小。

2.1.3 多車道擁堵

在實際道路行駛中，用戶是否處于擁堵場景，主要取決于同向行駛的車輛分布，因此，本文模型的檢測對象為前方同向行駛的車輛。在多車道場景行駛情況下，當(dāng)前用戶車輛的車道為主車道，其他為次車道，各個車道擁堵指數(shù)同單車道擁堵方式計算，當(dāng)車道數(shù)為m時，當(dāng)前道路擁堵指數(shù)為

(7)

式中，C0、Ci分別為主車道、次車道擁堵指數(shù)；b0、bi分別為對應(yīng)車道的車道影響系數(shù)，且b0>bi，各系數(shù)之和為1，即b0+b1+bi+…+bm-1=1。

假設(shè)最擁堵情況是每條道路20輛車在100 m內(nèi)均勻分布，依據(jù)本文提出得道路擁堵指標(biāo)，可得最大擁堵指數(shù)Cmax。本文將道路擁堵情況分為5個級別，分別是非常暢通、暢通、擁堵、比較擁堵和嚴(yán)重?fù)矶?，如?所示。

表2 擁堵等級劃分

根據(jù)擁堵指數(shù)比值C/Cmax，當(dāng)前道路擁堵情況可分為5個級別；當(dāng)C/Cmax>1，即當(dāng)前道路擁堵指數(shù)C大于最大擁堵指數(shù)Cmax時，屬于嚴(yán)重的道路擁堵情況。

2.2 LSTM網(wǎng)絡(luò)

經(jīng)過多個分類模型的對比實驗分析，本文選擇了效果較好的LSTM 網(wǎng)絡(luò)。LSTM網(wǎng)絡(luò)由Hochreiter等[14]提出，以解決循環(huán)神經(jīng)網(wǎng)絡(luò)長期依賴的問題，LSTM網(wǎng)絡(luò)模塊示意圖如圖4所示。

圖4 LSTM網(wǎng)絡(luò)模塊示意圖

在LSTM網(wǎng)絡(luò)模型中，記憶單元的輸出通過以下公式迭代計算：

ft=σ(Wf·(ht,xt)+bf)

(8)

it=σ(Wi·(ht-1,xt)+bi)

(9)

(10)

(11)

ot=σ(Wo·(ht-1,xt)+bo)

(12)

ht=ot·tanh(Ct)

(13)

本文依據(jù)提出擁堵的指標(biāo)構(gòu)建了單車道、雙車道和三車道三類道路交通場景的矩陣數(shù)據(jù)集，其包含了非常暢通、暢通、擁堵、比較擁堵和嚴(yán)重?fù)矶?種交通情況，其各種交通情況由多類道路交通場景多個矩陣表示，共有矩陣7000個。實驗基于Window 7系統(tǒng)(雙核1.6 GHz CPU，12 GB內(nèi)存)、以Python編程語言完成訓(xùn)練。

2.3 實驗?zāi)Ｐ?/h3>

依據(jù)文中擁堵評價指標(biāo)，道路擁堵情況被分為多個等級，道路擁堵研究由分析問題最終轉(zhuǎn)變成分類問題。本文基于用戶視角，利用LSTM分類網(wǎng)絡(luò)搭建了道路擁堵分析模型，如圖5所示。

圖5 道路擁堵分類流程圖

首先，視頻圖像輸入到訓(xùn)練好的YOLOv3車輛檢測網(wǎng)絡(luò)，同時利用建立約束區(qū)域的Hough變換檢測車道線，可獲得車輛位置、車道線和車道線消失點；然后依據(jù)車距估測方法獲得相關(guān)車距信息，同時根據(jù)車輛、車道線圖像坐標(biāo)關(guān)系可判斷出車輛與車道的位置關(guān)系；接著根據(jù)車距、車輛與車道線位置關(guān)系，可以組合得到車距矩陣；最后將車距矩陣作為訓(xùn)練好的LSTM分類網(wǎng)絡(luò)的輸入，可輸出當(dāng)前道路情況擁堵分類結(jié)果。

3 實驗結(jié)果和分析

為了驗證本文提出的判斷道路交通擁堵的方法，測試樣本選取了12段車道線比較明顯的車載視頻，并且與傳統(tǒng)的KNN算法、SVM分類模型進(jìn)行對比分析。其中，5個道路擁堵等級的待測試樣本各占400份，部分測試樣本如圖6所示。

圖6 部分實驗測試圖片

采用傳統(tǒng)的KNN算法和SVM(Support Vector Machine，支持向量機)分類模型對5類道路擁堵等級進(jìn)行試驗，結(jié)果分別如表3、表4所示。本文提出的基于LSTM道路擁堵分類模型的測試結(jié)果如表5所示，其對5類道路擁堵準(zhǔn)確判斷數(shù)分別為367、323、324、362、384，分類效果較好。

表4 SVM分類模型

表5 LSTM分類模型

根據(jù)傳統(tǒng)的KNN算法和SVM分類模型分類結(jié)果可知，這兩種分類算法對非常暢通和嚴(yán)重?fù)矶路诸愋Ч鄬^好，分類準(zhǔn)確率相對較高；對處于中間擁堵等級的分類，錯誤類別較多，錯誤數(shù)較高，分類效果相對較差。

將表5與表3、表4測試結(jié)果綜合對比可知，本文提出的基于LSTM網(wǎng)絡(luò)的道路擁堵分析模型對各個擁堵等級的分類正確數(shù)都相對較高，并且對處于中間較難區(qū)分的道路擁堵等級也有相對較好的分類效果。匯總KNN算法、SVM分類模型和本文模型對道路擁堵識別率，如表6所示。

表6 擁堵等級識別率匯總

根據(jù)表6可知，在5個擁堵等級的樣本測試結(jié)果中，本文模型識別準(zhǔn)確率均為最高，平均識別率達(dá)到了88%，平均識別率比傳統(tǒng)KNN算法提高了10.35%，比SVM分類模型提高了20.95%。與傳統(tǒng)KNN算法和SVM分類模相比，本文模型對處于中間較難區(qū)分的道路擁堵等級，也有相對較好的識別率。該測試結(jié)果說明，相比于傳統(tǒng)KNN算法和SVM分類模型，基于LSTM分類模型更適合作為道路擁堵分類模型。

4 結(jié)束語

本文提出了基于用戶視角道路擁堵評價指標(biāo)，采用了基于用戶視角分解道路交通要素和LSTM網(wǎng)絡(luò)相結(jié)合的道路擁堵分析模型。本文模型基于用戶視角在當(dāng)前時刻進(jìn)行道路擁堵分析，解決了傳統(tǒng)方法分析一段時間內(nèi)道路網(wǎng)交通要素實時性差的問題。將本文模型在測試樣本圖中進(jìn)行測試，識別率達(dá)到了88%，驗證了基于用戶視角分解道路交通要素和LSTM網(wǎng)絡(luò)相結(jié)合的模型在道路擁堵分析上有較好的效果。在今后的研究中，道路交通要素分解的優(yōu)化將成為筆者研究工作的重點，將盡力從實時視頻中實現(xiàn)用戶視角分析當(dāng)前道路擁堵情況，進(jìn)一步改善實時性的問題。