详情

原文传递高空视觉下车辆运动轨迹特征识别方法与实现

论文题名：	高空视觉下车辆运动轨迹特征识别方法与实现
关键词：	交通安全;航拍视频;目标检测;车辆轨迹;特征识别
摘要：	城市人口和汽车保有量逐年递增，道路事故、车辆拥堵等交通安全问题依旧严峻。城市交通拥挤指数逐年上升，交通拥堵状态下，交通事故发生的可能性增大。城市道路交通流特性和车辆运动特征信息丰富，采集真实可靠的城市道路车辆轨迹数据对道路路段的交通安全和交通流理论研究有重要作用。随着近些年机器视觉和深度学习技术的迅速发展，如何更高效、精确地识别车辆轨迹和交通流特征数据成为了研究热点和技术难点。　　现有的车辆轨迹数据采集方案大多是使用固定安装摄像头采集视频信息，这种方案采集的视频数据由于拍摄视角、位置等限制，提取的车辆轨迹数据精度有限，而无人航拍设备能以高空视角采集车辆行驶画面数据，基于此数据提取的车辆轨迹能极大提升精确性。本文首先使用无人机采集了高空视角道路车辆行驶视频，然后基于视频稳像、深度学习目标检测和多目标跟踪技术提取了道路车辆初始轨迹数据，包含车辆的各种运动特征数据，如：车辆速度、加速度、车道号、前车ID、后车ID、车头空距、车头时距和TTC八个车辆运动特征数据，它们对驾驶行为和交通流理论的研究具有重要的支撑作用，可应用于道路交通安全和交通流理论相关研究。本文的主要内容如下：　　（1）使用无人航拍设备对城市道路不同路段车辆行驶画面展开拍摄，分别采集了直行路段、弯曲路段、合流路段三种典型路段的车辆行驶视频数据。为了消除视频拍摄画面中存在的抖动问题，基于SURF特征点检测算法提取图像特征点特征向量，并利用RANSAC匹配算法对基准图像和待匹配图像进行匹配，实现航拍视频的稳像处理。　　（2）使用深度学习目标检测和多目标跟踪技术，对航拍视频中的车辆目标进行识别与跟踪。在VisDrone图像数据集基础上，使用本文拍摄视频帧图像制作高空图像训练集，对YOLOv5模型进行训练。结果显示，训练完成后模型的识别精度mAP@0.5指标为99.1%，相较于未增加自制图像集的模型识别精度提高了49.1%。进而，基于卡尔曼滤波和匈牙利匹配算法对视频连续帧图像中的车辆目标进行匹配关联，获得视频连续帧的车辆初始运动轨迹数据。　　（3）对不同路段的车辆初始轨迹数据进行预处理，降低系统误差。提取不同路段场景下车辆速度、加速度、车道号、前车ID、后车ID、车头空距、车头时距和TTC运动特征数据。提出的车道号自动检测算法的可提取车辆车道号数据，经验证，直行路段车道线位置检测精度为94.94%，弯曲路段车道线位置检测精度为90.25%。然后，基于车辆运动特征数据对不同路段交通流数据进行了统计，分析了不同路段的车辆换道和跟驰行为特性。最后，本文将采集的车辆行驶轨迹数据与现有的车辆轨迹数据进行了对比，结果表明，基于本文算法的车辆轨迹数据具有更高的精度。　　综上，本文开展的城市道路车辆轨迹数据采集和运动特征数据提取研究，能够为道路交通安全和交通流理论等研究提供数据基础，对于研究城市道路交通车辆通行特性和解决城市道路交通问题有重要的现实意义。
作者：	曹博
专业：	交通运输工程
导师：	贺宜
授予学位：	硕士
授予学位单位：	武汉理工大学
学位年度：	2022