本技術(shù)涉及智能交通領(lǐng)域，具體地，涉及一種基于無人機(jī)視頻的平面交叉口交通調(diào)查方法及系統(tǒng)。

背景技術(shù)：

1、平面交叉口散布在城市各個(gè)角落，作為城市道路各種交通流的匯聚點(diǎn)，承擔(dān)著連通整個(gè)道路網(wǎng)絡(luò)的重要功能，其運(yùn)行效率的高低對(duì)整個(gè)城市的路網(wǎng)運(yùn)行水平至關(guān)重要，故對(duì)平面交叉口進(jìn)行交通調(diào)查對(duì)幫助政府和交通管理部門制定合理的交通規(guī)劃和交通流量控制措施，提高交通效率、減少擁堵和事故發(fā)生率有著重要意義。

2、交通調(diào)查是公路建設(shè)項(xiàng)目可行性研究的重要環(huán)節(jié)；其目的是為了了解項(xiàng)目所在地區(qū)公路交通量的特性和構(gòu)成，掌握公路交通流量、流向及車輛構(gòu)成等數(shù)據(jù)資料，為未來擬建公路交通量預(yù)測(cè)提供基礎(chǔ)數(shù)據(jù)，同時(shí)也為經(jīng)濟(jì)評(píng)價(jià)和公路設(shè)計(jì)提供可靠的依據(jù)。

3、平面交叉口交通調(diào)查方法一般有人工計(jì)數(shù)法，調(diào)查問卷法，視頻觀察法，電子監(jiān)測(cè)法等，主要可分為人工方式和利用各種傳感技術(shù)進(jìn)行檢測(cè)的方式。人工方式誤差大，人力成本高，效率嚴(yán)重受限，而利用傳感器進(jìn)行檢測(cè)的方式都是將傳感器安置于門架或埋設(shè)于路面，根本上是一套傳感器設(shè)備固定調(diào)查一個(gè)平面交叉口，屬于固定式交通調(diào)查方式，靈活性不足，設(shè)備功能單一，設(shè)備資源利用率低下。

4、近幾年使用無人機(jī)視頻作為交通數(shù)據(jù)來源的國內(nèi)外研究證明了無人機(jī)視頻能很好的應(yīng)用在交通領(lǐng)域中，在道路交通監(jiān)控、交通事故檢測(cè)、確定道路服務(wù)水平、車流量及行人流量檢測(cè)等交通領(lǐng)域的研究都在不斷發(fā)展，無人機(jī)在允許條件下可采集平面交叉口交通場(chǎng)景的高清視頻，可從拍攝的視頻中獲取全面、實(shí)時(shí)、高效的平面交叉口交通信息。

5、基于無人機(jī)視頻的車輛軌跡信息提取研究發(fā)展日益成熟，對(duì)無人機(jī)視頻中的車輛目標(biāo)進(jìn)行檢測(cè)跟蹤的效率在不斷提高，但在消除無人機(jī)視頻畫面抖動(dòng)影響下提取車輛軌跡信息的研究方面仍有待補(bǔ)充。目前基于車輛軌跡信息的道路結(jié)構(gòu)信息提取方法大多都面向gps車輛軌跡數(shù)據(jù)，相較于gps車輛軌跡數(shù)據(jù)，從無人機(jī)視頻中提取的車輛軌跡數(shù)據(jù)采集頻率更高，車輛軌跡點(diǎn)更加密集，可以細(xì)分至車道級(jí)別，精度更高，但目前利用無人機(jī)視頻中獲取的高頻車輛軌跡數(shù)據(jù)提取道路信息的研究較少，該方面仍面臨挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)思路

1、為了克服現(xiàn)有技術(shù)中的至少一個(gè)不足，本技術(shù)提供一種基于無人機(jī)視頻的平面交叉口交通調(diào)查方法及系統(tǒng)。

2、第一方面，提供一種基于無人機(jī)視頻的平面交叉口交通調(diào)查方法，包括：

3、步驟s1，獲取無人機(jī)拍攝的平面交叉口視頻序列；

4、步驟s2，對(duì)平面交叉口視頻序列采用計(jì)算機(jī)視覺技術(shù)進(jìn)行處理，提取車輛軌跡信息；

5、步驟s3，利用車輛軌跡信息中包含的空間特征和屬性特征，提取平面交叉口的道路結(jié)構(gòu)信息；道路結(jié)構(gòu)信息包括車道級(jí)別的路網(wǎng)結(jié)構(gòu)、紅燈時(shí)長、待行區(qū)位置信息、交通沖突點(diǎn)信息；

6、步驟s4，根據(jù)車輛軌跡信息和道路結(jié)構(gòu)信息搭建交叉口仿真路網(wǎng)模型，基于交叉口仿真路網(wǎng)模型實(shí)現(xiàn)對(duì)該平面交叉口的交通調(diào)查。

7、在一個(gè)實(shí)施例中，步驟s2中，對(duì)平面交叉口視頻序列采用計(jì)算機(jī)視覺技術(shù)進(jìn)行處理，提取車輛軌跡信息，包括：

8、步驟s21，在平面交叉口視頻序列中選定基準(zhǔn)圖像；

9、步驟s22，將平面交叉口視頻序列中的當(dāng)前幀圖像與基準(zhǔn)圖像進(jìn)行圖像配準(zhǔn)，得到單應(yīng)變換矩陣；

10、步驟s23，利用車輛目標(biāo)檢測(cè)跟蹤算法提取當(dāng)前幀圖像中的車輛軌跡；并利用單應(yīng)變換矩陣對(duì)車輛軌跡進(jìn)行處理，得到處理后的車輛軌跡；

11、步驟s24，重復(fù)步驟s22與步驟s23，直至遍歷完平面交叉口視頻序列，得到最終的車輛軌跡信息。

12、在一個(gè)實(shí)施例中，步驟s3中，利用車輛軌跡信息中包含的空間特征和屬性特征，提取平面交叉口的道路結(jié)構(gòu)信息，包括：

13、步驟s31，對(duì)車輛軌跡信息進(jìn)行預(yù)處理，以刪除異常的車輛軌跡，得到預(yù)處理后的車輛軌跡信息；

14、步驟s32，對(duì)預(yù)處理后的車輛軌跡信息中的每個(gè)車輛軌跡采用分裂型層次聚類方法，確定車輛軌跡的行駛方向；同一行駛方向的車輛軌跡構(gòu)成行駛方向上的車輛軌跡數(shù)據(jù)集，對(duì)每個(gè)行駛方向上的車輛軌跡數(shù)據(jù)集，采用凝聚型層次聚類方法，確定行駛方向上的代表性車輛軌跡集，即車道級(jí)別的路網(wǎng)結(jié)構(gòu)；

15、步驟s33，根據(jù)交叉口停車線處的停車點(diǎn)信息集合，確定停車線處每個(gè)行駛方向上的車輛軌跡；根據(jù)車輛軌跡計(jì)算車輛的行駛速度；對(duì)車輛的行駛速度進(jìn)行分析，確定每個(gè)行駛方向上的紅燈時(shí)長、待行區(qū)位置信息；

16、步驟s34，根據(jù)代表性車輛軌跡集確定每個(gè)行駛方向上的交通沖突點(diǎn)信息。

17、在一個(gè)實(shí)施例中，步驟s31中，異常的車輛軌跡包括冗余的車輛軌跡和長度異常的車輛軌跡；

18、冗余的車輛軌跡為車輛在停留位置處被無人機(jī)重復(fù)采集的次數(shù)大于設(shè)定次數(shù)的軌跡，設(shè)定次數(shù)采用以下公式計(jì)算：

19、cδt＝δt×fps

20、其中，cδt為設(shè)定次數(shù)，δt為采樣間隔，fps為無人機(jī)拍攝得到的視頻幀速率；

21、長度異常的車輛軌跡為軌跡長度在設(shè)定范圍以外的車輛軌跡，設(shè)定范圍采用以下公式計(jì)算：

22、f＝fps×t

23、其中，f為設(shè)定范圍，fps為無人機(jī)拍攝得到的視頻幀速率，t為平面交叉口車輛通行時(shí)長。

24、在一個(gè)實(shí)施例中，步驟s32中，對(duì)預(yù)處理后的車輛軌跡信息中的每個(gè)車輛軌跡采用分裂型層次聚類方法，確定車輛軌跡的行駛方向，包括：

25、計(jì)算車輛軌跡的終端像素橫坐標(biāo)和起點(diǎn)像素橫坐標(biāo)之差△x，終端像素縱坐標(biāo)和起點(diǎn)像素縱坐標(biāo)之差△y；

26、判斷|δx|<χ或|δy|<χ是否成立，χ為閾值，若是，則車輛軌跡為直行方向，再根據(jù)△x或者△y的正負(fù)性確定車輛軌跡的行駛方向，若否，計(jì)算車輛軌跡凹凸性θ，再根據(jù)△x、△y和θ的正負(fù)性確定車輛軌跡的行駛方向。

27、在一個(gè)實(shí)施例中，步驟s32中，對(duì)每個(gè)行駛方向上的車輛軌跡數(shù)據(jù)集，采用凝聚型層次聚類方法，確定行駛方向上的代表性車輛軌跡集，包括：

28、步驟s321，輸入用于存放輸出結(jié)果的空集re；

29、步驟s322：輸入一個(gè)行駛方向上的車輛軌跡數(shù)據(jù)集tr＝{t1,t2，…ti…tn}和空集rs，ti為第i個(gè)車輛軌跡，1≤i≤n，n為車輛軌跡數(shù)據(jù)集中車輛軌跡的個(gè)數(shù)；并計(jì)算任意兩個(gè)車輛軌跡之間的對(duì)稱分段路徑距離d，所有對(duì)稱分段路徑距離d構(gòu)成對(duì)稱分段路徑距離集合d＝(d-2,d-3,…d-n,d23,d24,…d(n-1)n)；

30、步驟s323：輸入車輛軌跡數(shù)據(jù)集tr中的車輛軌跡ti對(duì)應(yīng)的對(duì)稱分段路徑距離集合di，即di＝(d1i,d2i,…d(i-1)i,d(i+1)i…dni)；

31、步驟s324：判斷di中是否存在dvi≤5，其中，v∈[1,n]且v≠i，v表示滿足條件的車輛軌跡的標(biāo)號(hào)集合，v＝(v1,v2,…vm)，m為v中軌跡標(biāo)號(hào)的個(gè)數(shù)，若是，將v1,v2,…vm以及i對(duì)應(yīng)的車輛軌跡合并成新的簇將新簇添加至空集rs中，并刪除tr中的若否，則直接刪除tr中的ti；

32、步驟s325：判斷車輛軌跡數(shù)據(jù)集tr是否為空集，若否，則從tr中選取新的車輛軌跡作為ti，返回至步驟s323；若是，則進(jìn)入步驟s326；

33、步驟s326：判斷re中是否只有一個(gè)簇或?yàn)榭占?，若否，則將re作為新的re，同時(shí)將re作為新的車輛軌跡數(shù)據(jù)集tr，返回至步驟s323；若是，則將當(dāng)前的re作為最終的聚類結(jié)果進(jìn)行輸出，即當(dāng)前的re為該行駛方向上的代表性車輛軌跡集。

34、在一個(gè)實(shí)施例中，步驟s33中，確定每個(gè)行駛方向上的紅燈時(shí)長，包括：

35、步驟s331：輸入交叉口停車線處的停車點(diǎn)信息集合k＝{k1,k2…ki…k8}，ki表示第i個(gè)行駛方向上的停車線處的停車點(diǎn)信息，同時(shí)輸入用于存放結(jié)果的空集r；

36、步驟s332：輸入k中一個(gè)行駛方向上的停車線處的停車點(diǎn)信息ki＝(xi,yi,idi)，(xi,yi)表示停車點(diǎn)位置信息，idi表示第i個(gè)行駛方向的車輛標(biāo)號(hào)；

37、步驟s333：找到idi對(duì)應(yīng)的車輛軌跡t，并計(jì)算車輛的行駛速度v；

38、步驟s334：判斷v＝0對(duì)應(yīng)的停車點(diǎn)位置是否唯一，若是，則表示行駛方向無待行區(qū)，根據(jù)車輛在停車線處的停車時(shí)長計(jì)算對(duì)應(yīng)紅燈時(shí)長ri，若否，則表示行駛方向有待行區(qū)，則需計(jì)算兩次停車時(shí)長之和得到對(duì)應(yīng)的紅燈時(shí)長ri；

39、步驟s335：將紅燈時(shí)長ri添加至r，判斷ki是否遍歷完k，若否，則刪除k中ki，并從k中選擇新的ki作為輸入，返回至步驟s332，若是，則輸出當(dāng)前的r，即包括每個(gè)行駛方向上的紅燈時(shí)長的集合。

40、在一個(gè)實(shí)施例中，步驟s33中，確定每個(gè)行駛方向上的待行區(qū)位置信息，包括：

41、步驟a：輸入交叉口停車線處的停車點(diǎn)信息集合k＝{k1,k2…ki…k8}，ki表示第i個(gè)行駛方向上的停車線處的停車點(diǎn)信息，同時(shí)輸入用于存放結(jié)果的空集w；

42、步驟b：輸入k中一個(gè)行駛方向上的停車線處的停車點(diǎn)信息ko(xi,yi,idi)，(xi,yi)表示停車點(diǎn)位置信息，idi表示第i個(gè)行駛方向的車輛標(biāo)號(hào)；

43、步驟c：找到idi對(duì)應(yīng)的車輛軌跡t，并計(jì)算該車輛的行駛速度v；

44、步驟d：判斷v＝0對(duì)應(yīng)的停車點(diǎn)位置是否唯一，若是，則表示該方向無待行區(qū)，若否，則表示行駛方向有待行區(qū)，則將兩次停車點(diǎn)位置信息(x1,y1)和(x2,y2)添加至第i個(gè)行駛方向上的待行區(qū)位置信息的集合wi，并將wi添加至w；

45、步驟e：判斷ki是否遍歷完k，若否，則刪除k中ki，并從k中選擇新的ki作為輸入，返回至步驟b，若是，則輸出當(dāng)前的w，即包括每個(gè)行駛方向上的待行區(qū)位置信息的集合。

46、在一個(gè)實(shí)施例中，步驟s34中，根據(jù)代表性車輛軌跡集確定每個(gè)行駛方向上的交通沖突點(diǎn)信息，包括：

47、步驟s341：輸入代表性車輛軌跡集re＝{t′1,t′2…t′i…t′g}，t′i為第i個(gè)代表性車輛軌跡，1≤i≤g，g為代表性車輛軌跡數(shù)量，輸入用于存放輸出結(jié)果的空集i；

48、步驟s342：輸入代表性車輛軌跡y′i，計(jì)算獲取t′i的交通沖突點(diǎn)信息集合ii；

49、步驟s343：判斷t′i的行駛方向是否為右轉(zhuǎn)，若是，則直接將ii添加至i中，若否，則先提取與軌跡t′i在時(shí)間上不可能相交的代表性車輛軌跡，記為時(shí)間不相交代表性車輛軌跡，并刪除ii中與時(shí)間不相交代表性車輛軌跡相關(guān)的交通沖突點(diǎn)信息，再將更新后的ii添加至i中；

50、步驟s344：判斷是否遍歷完re中的所有代表性車輛軌跡，若否，則選取未遍歷的代表性車輛軌跡作為新的t′i輸入，返回至步驟s342，若是，則輸出當(dāng)前的i，即包括每個(gè)行駛方向上的交通沖突點(diǎn)信息集合。

51、在一個(gè)實(shí)施例中，步驟s4中，根據(jù)車輛軌跡信息和道路結(jié)構(gòu)信息搭建交叉口仿真路網(wǎng)模型，基于交叉口仿真路網(wǎng)模型實(shí)現(xiàn)對(duì)該平面交叉口的交通調(diào)查，包括：

52、步驟s41，利用道路結(jié)構(gòu)信息自定義設(shè)置平面交叉口仿真模型中的路網(wǎng)；

53、步驟s42，利用車輛軌跡信息自定義設(shè)置平面交叉口仿真模型中的車流；

54、步驟s43，搭建平面交叉口仿真模型，還原實(shí)際道路場(chǎng)景，實(shí)現(xiàn)對(duì)平面交叉口的交通調(diào)查，獲取平面交叉口的交通調(diào)查結(jié)果。

55、第二方面，提供一種基于無人機(jī)視頻的平面交叉口交通調(diào)查系統(tǒng)，包括：

56、視頻序列獲取模塊，用于獲取無人機(jī)拍攝的平面交叉口視頻序列；

57、車輛軌跡信息提取模塊，用于對(duì)平面交叉口視頻序列采用計(jì)算機(jī)視覺技術(shù)進(jìn)行處理，提取車輛軌跡信息；

58、道路結(jié)構(gòu)信息提取模塊，用于利用車輛軌跡信息中包含的空間特征和屬性特征，提取平面交叉口的道路結(jié)構(gòu)信息；道路結(jié)構(gòu)信息包括車道級(jí)別的路網(wǎng)結(jié)構(gòu)、紅燈時(shí)長、待行區(qū)位置信息、交通沖突點(diǎn)信息；

59、交通調(diào)查模塊，用于根據(jù)車輛軌跡信息和道路結(jié)構(gòu)信息搭建交叉口仿真路網(wǎng)模型，基于交叉口仿真路網(wǎng)模型實(shí)現(xiàn)對(duì)該平面交叉口的交通調(diào)查。

60、相對(duì)于現(xiàn)有技術(shù)而言，本技術(shù)具有以下有益效果：

61、1、相較于傳統(tǒng)的人工方式交通調(diào)查與傳感器檢測(cè)方式交通調(diào)查，利用無人機(jī)視頻進(jìn)行交通調(diào)查更為便利，減少了人力成本及設(shè)備維護(hù)成本，靈活性和機(jī)動(dòng)性更強(qiáng)，資源利用率高。

62、2、利用計(jì)算機(jī)視覺技術(shù)中的圖像配準(zhǔn)與車輛目標(biāo)檢測(cè)跟蹤算法從無人機(jī)視頻中提取車輛軌跡信息，能夠消除無人機(jī)視頻畫面抖動(dòng)對(duì)車輛軌跡信息提取的影響，有效糾正因無人機(jī)抖動(dòng)產(chǎn)生的車輛軌跡偏移現(xiàn)象。

63、3、對(duì)無人機(jī)視頻中獲取的可劃分至車道級(jí)別、高頻密集的車輛軌跡信息，利用車輛軌跡信息的空間特征和屬性特征有效提取了平面交叉口的道路結(jié)構(gòu)信息。

64、4、本技術(shù)具有自動(dòng)化、智能化的特點(diǎn)，且靈活性強(qiáng)，人力物力消耗少，有效實(shí)現(xiàn)對(duì)平面交叉口的交通調(diào)查。