选取长沙市中心区4个典型信号交叉口,利用视频轨迹追踪软件,提取右转机动车与直行非机动车的冲突交通流轨迹数据。以减速、换道等避险行为与可能发生碰撞(距离碰撞点时间小于2 s)为依据,采集机非冲突样本;选择距离碰撞最大时间(MTTC)和冲突时间差(TDTC)作为评价指标,提出一种基于交通流运行轨迹的改进型TTC(Time to Collision)法的机非冲突判别方法。选择某实例交叉口,分别采用TTC法、改进型TTC法和后侵入时间(PET)法,评估得到右转机动车与直行非机动车的冲突数,分别为7,24,22次。结果表明,传统的TTC法低估了交叉口的机非冲突水平,改进型TTC法的判别准确率提高了2.14倍,证明了方法的可行性。
道路安全与日常生活、社会稳定和经济发展息息相关。超速驾驶是严重违法驾驶行为,依法查处超速驾驶行为,稽查超速驾驶员,惩处超速驾驶车辆,可营造良好交通道路环境。加大监控超速行驶车辆力度,降低交通事故发生率,保障国民生命安全,建设交通强国。视频感知成本低、安装便捷,适合应用于车辆轨迹跟踪和超速检测。无人机视频覆盖范围广、易获取。使用无人机设备采集视频数据,运用深度学习方法,提取车辆运行轨迹,实现超速检测。
对比分析国内外研究现状,了解车辆轨迹跟踪、超速检测方法。研究对象为无人机视频,目标检测、多目标跟踪为主要技术,基于改进后的YOLOv5s-Deep SORT算法,构建基于无人机视频的车辆轨迹跟踪和超速检测模型。主要研究内容如下:
构建无人机目标检测数据集,简单介绍常用的公开无人机数据集,使用无人机录制交通视频,处理视频数据、扩充特殊天气图像、数据增强处理,挑选公开数据集,自建无人机目标检测数据集。改进车辆目标检测算法,基于YOLOv5s算法,旨在提高检测精度和提升检测速度,完成算法改进。从网络轻量化、注意力机制和损失函数三方面,改进YOLOv5s车辆检测算法。添加Shuffle Net V2网络模型,引入SE注意力机制、替换EIOU损失函数,设计消融实验。实验结果表明:改进后的YOLOv5-Shuffle Net V2-SE-EIOU算法,检测精度提高了2.9%,训练耗时减少了0.015h,参数量减少了23.4%。提出车辆轨迹跟踪算法,基于改进后目标检测算法,结合Deep SORT多目标跟踪算法,实现车辆轨迹跟踪。自建Resnet13和Resnet27卷积神经网络,对比分析模型精度,选择最优模型,提升Deep SORT车辆外观特征提取能力。对比实验结果,得出YOLOv5-Shuffle Net V2-SE-EIOU目标检测模型,添加Resnet13外观提取器算法的目标追踪算法效果最好,MOTA达57.27%,MOTP达62.17%,IDSW为11次。构建基于无人机视频的车辆超速检测模型,结合改进后目标检测与多目标跟踪算法,设计速度检测方法,标定车辆实际行驶距离,设置最高行驶速度,判断车辆超速行为。对比分析视频测速方法与人工测速方法,分析实验结果,证明视频测速方法可行性。
基于无人机视频的车辆轨迹跟踪及超速检测算法,可实时追踪车辆轨迹,检测城市道路超速行为,为信息化、智能化的城市道路建设提供理论支撑。
暂无评论