基于深度学习的道路交通拥堵检测

方 勇 党 倩 万 剑 王维锋 陈爱伟

中设设计集团股份有限公司，江苏南京 210014

交通拥堵问题的日趋严重，不但给人们的日常生活与工作带来许多不便，而且对城市的经济发展起到了严重的制约作用。交通拥堵问题对城市发展的制约表现在容易造成交通事故、增加交通管理难度、浪费出行人员的出行时间、增加燃油耗损及污染环境等，这些问题都会阻碍城市的正常发展，严重影响广大人民群众的日常生活，因此，改善交通出行条件，解决交通拥堵问题迫在眉睫。

对于交通拥堵，国内外学者针对不同的角度给出了不同的定义。总体来说，交通拥堵就是交通需求超过了交通供给的一种交通运行状况。美国《通行能力手册》（HCM）在对城市干线街道服务水平的等级划分中，将车速低于22km/h的不稳定车流称为拥挤车流；芝加哥交通管理部门将交通拥挤定义为5min车道占有率超过30%的交通状态；在弗吉尼亚州，当饱和度大于0.77、LOS在E档时，交通开始恶化，道路发生交通拥挤[1]。日本道路协会认为，车流以低于40km/h的速度行驶或反复停车、起动的车流排队超过1km，并持续15min以上的状态为高速公路交通拥挤[2]。公安部针对国内的情况，对路口和路段分别给出了交通拥堵的定义：车辆在无信号灯控制的交叉路口外车行道上受阻且排队长度超过250m，或在信号灯控制的交叉路口3次绿灯时未通过路口的车辆所在的路口定义为拥堵路口；拥堵路段则定义为车辆在车行道上受阻且排队长度超过1km的状态[3]。

1 交通拥堵评价指标

在传统交通流研究中认为交通流有3个基本的特征参数：流量、速度和密度，这三者之间存在着密切的关系，它们之间的两两关系模型称为交通流基本参数的关系模型[4]。以往研究经验表明，通过单一的交通流参数进行交通状态判别的方法准确性不高。通过多种参数融合来进行的分析计算，有利于提高交通运行状态识别及交通拥堵判定的准确性。本文提出采用车辆速度、车辆密度及车道数作为参数，建立道路拥堵指数模型，以道路拥堵指数作为交通拥堵的判定指标。

1.1 车辆速度

车辆速度（V）是指在道路上行驶车辆的平均车速，假设道路上行驶的车辆共有n辆，进行车辆检测后，对每辆车进行跟踪可计算每辆车的行驶速度则车辆速度的计算公式为：

1.2 车辆密度

车辆密度（D）是指在道路上行驶车辆的数量与道路长度的比值，假定不考虑车辆体积大小的影响，同时假设共有m条车道，道路长度为L，共行驶n 辆车，则车辆密度的计算公式为：

1.3 拥堵指数

公式（3）中，p，表示参数，经过多次试验数据得出p，取值为0.1时比较合适；道路拥堵指数越大则道路越畅通，道理拥堵指数越小则道路越拥堵。本文根据道路拥堵指数的范围，确定道路拥堵程度如表1所示。

表1 拥堵程度与拥堵指数范围的关系

2 交通拥堵检测判别技术

国内外对于交通拥堵检测判别技术的研究经历了多个阶段，不同的阶段采用的检测技术也不同。总体来说，交通拥堵检测判别包括以下步骤：首先，提取各种交通参数；然后，以各种交通拥堵参数为数据源，构建交通拥堵判别的数学模型；最后，通过模型分析交通拥堵状态，结合检测结果与实际情况对检测模型进行调优。

2.1 交通参数提取技术

根据交通参数提取技术方法的不同，交通拥堵检测可以分为以下几类：基于环形线圈的交通参数提取、基于交通视频的交通参数提取以及基于车辆GPS数据的交通参数提取。

2.1.1 基于环形线圈的交通参数提取

这类检测是通过在道路上的关键点处安装单路或双路环形线圈检测器来检测道路上的通行车辆，并获取交通流量、车辆速度、占有率等道路交通参数，是最先使用且是目前广泛被使用的技术，已有相应的标准，技术成熟、使用简单、测量精度较高、总体成本较低，但由于线圈需要埋设于路面下，安装时需要破坏路面，且由于线圈长时间埋在路面下，不便于维护保养，线圈使用寿命会受较大影响。

2.1.2 基于交通视频的交通参数提取

随着道路交通视频监控的不断完善，当前道路上已安装了大量的视频监控，本技术主要是利用道路视频监控，通过视频图像处理技术，构建基于视频的车辆检测、跟踪算法模型，提取道路上行驶车辆的运动轨迹、运动速度等交通参数。其主要特点在于视频检测安装无须破坏路面、安装简便、施工时不影响交通、易于移动、维护费用低。随着视频处理技术、深度学习、大数据等技术的发展与成熟，这种检测方法也得到了广泛应用。

2.1.3 基于车辆GPS数据的交通参数提取

近年来，GPS技术得到了快速的发展，大部分汽车特别是“两客一危”车辆基本上都安装了智能车载GPS终端，这给采集道路交通参数提供了一种技术途径。文献[5]提出了一种基于GPS数据的拥堵检测方法，通过预处理—聚类—抽样来完成对道路拥堵的检测。其主要特点在于不需要在道路上安装任何设备，对道路交通没有任何影响，实施方便，使用简单，但是需要在每辆车上安装智能车载GPS终端，成本较高，管理难度大。

针对以上几种技术的分析，结合当前视频图像处理技术，本文拟采用基于交通视频的交通参数提取技术，提出了一种基于深度学习的拥堵检测算法。

2.2 交通拥堵判别算法

当道路发生交通拥堵时，车辆的行驶速度急剧降低，在一定时间段内，道路上的车辆行驶缓慢甚至处于静止的状态，同时车辆密度急剧增大。依据道路交通拥堵的这一明显特征，通过视频图像的抓取，进行车辆模型识别，对道路关键节点的车辆速度、车辆密度、时段分布规律等进行分析，综合判断道路的交通拥堵状况以及未来一定时段内相邻道路区段发生拥堵的概率。

本文采用基于深度学习技术的车辆特征识别与跟踪，从而判断道路的车辆速度与车辆密度，根据建立好的交通拥堵模型分析道路的拥堵状况。深度学习算法是一种模拟人脑思维的基于无监督特征学习和特征层次结构的学习方法。它是通过构建多隐层的模型和海量训练数据，来学习更有用的特征，从而最终提升分类或预测的准确性。“深度模型”是手段，“特征学习”是目的。对于机器视觉来讲，抽象的层面越高，存在的可能性猜测或错误概率越少，就越利于提高分类和预测的准确性。深度学习的模型如图1所示。

图1 典型的深度学习模型

本判别算法是以道路视频监控为基础，结合道路实时路况、车辆运动检测、车辆跟踪、基于视频的车辆速度测定、指定时段的车辆密度统计等一系列交通特征参数所构建的。其算法流程如图2所示。

图2 算法流程图

该算法先通过运动目标检测的方法获取视频中的运动车辆；然后，将各运动车辆进行几何校正使其几何位置统一，再进行运动车辆跟踪，以此为基础进行车辆速度测定及指定时段内路段的车辆密度统计；最后，依据前文设计的拥堵评价指标体系，通过以上获取的路段交通特征参数及拥堵模型计算拥堵指数，根据拥堵指数的大小最终判定路段的拥堵级别，为后续的交通拥堵预警系统提供理论上的数据基础。为得到精确的结果，我们采用大数据统计的方式，通过长时间内不同路段的大量车辆统计结合概率预测的方式得到最终的应用模型。该算法充分利用了视频车辆的运动信息、底层图像特征，为检测结果的准确性提供了技术保障。

3 试验分析

3.1 试验系统架构

为了验证上述交通拥堵判别算法的实用性，需要建立一套完整的交通拥堵视频判别试验系统，系统总体上分为3个部分：道路监控视频的获取、道路监控视频的识别处理以及道路交通拥堵的判别，其架构图如图3所示。

图3 试验系统架构图

从图3中可以看出，交通监控视频主要通过在道路上已经大量安装的交通监控摄像头获取。然后，通过交通视频处理服务器对获取的交通监控视频进行分析处理，进而提取相关的交通特征参数如车辆速度、车道数、车辆密度等。最后，依据交通拥堵模型以及提取到的交通特征参数对路段的交通拥堵级别进行判别，并给出建议的拥堵状况。

3.2 测试结果

根据上述的系统和算法模型，选择一段容易发生拥堵的路段进行试验，根据算法模型训练要求，通过多组采集不同时段的视频进行分析，结果如图4、表2所示。

图4 算法模型的检测效果

表2 拥堵情况分析

通过结果所示，算法的检测效果不错。经过统计分析，车辆检测的识别率为94%左右，误检率较低，拥堵模型反应的结果与实际的道路交通状况基本相符合，证明算法具有较好的检测效果。

4 结语

本文针对道路交通拥堵问题，提出了一种从道路交通视频监控中提取的车辆速度、车道数、车辆密度等交通特征参数建立的道路交通拥堵评价指标体系，并根据交通拥堵评价指标体系建立基于深度学习的交通拥堵检测模型，依据此检测模型可进行道路交通拥堵的自动检测。通过试验证明，本文提出的检测方法在交通拥堵的检测方面具有很好的效果，误检率较低。后续通过采集更多的样本训练，可以更进一步提高检测的准确率，为交通出行提供更加准确的拥堵信息。