基于视频识别的互通合流区交通冲突空间分布

赵笑月，汪 攀，朱顺应，蒋若曦，邹 禾

(1.武汉市交通发展战略研究院，湖北 武汉 430017；2.武汉市规划设计有限公司，湖北 武汉 430014;3.武汉理工大学 交通学院，湖北 武汉 430063)

0 引言

目前国内外对交通冲突的空间分布特征没有进行深入研究，但近年交通事故模型中越来越多地考虑空间特征因素[14]，交通冲突同样也可从该角度展开研究，不仅要减少整体交通冲突个数和降低严重性，同时还需要找到交通冲突集中的位置，从而进行针对性改善。在数据采集方面，常用的方法为地点观测法，但是路侧架设相机录像只能记录断面的车辆数据，而无人机视频数据采集则可以同时进行连续多断面数据采集，且精度更高。在视频数据处理方面，人工处理数据的主观性较大，而且数据精度低，采集的冲突数据类型少[15]。范文超等采用自适应混合高斯背景模型，结合帧间差分法，充分发挥其对环境变化的适应能力，检测进入视频拍摄区域的车辆[16]； Zhang K等提出一种基于时空上下文视觉跟踪算法，且该跟踪算法效果很好[17]。

本研究克服数据采集的条件限制，选取典型互通合流区，利用无人机录像采集车辆数据，运用OpenCV视频自动分析系统和Matlab扩展工具，依据帧间差分法和时空上下文视觉跟踪算法原理，进行车辆检测与跟踪，并分析车辆预定轨迹下交通冲突点的位置，运用改进的交通冲突指标TDTC，考虑交通冲突严重性，分析高速公路互通合流区交通冲突的空间分布及其影响因素，以期对合流区安全水平的提高作参考。

1 数据采集与分析

1.1 数据采集

以济青高速公路改扩建安全评价项目为依托，本研究于2019年1月10号至1月25号使用无人机在济青高速的多个路段采集交通冲突数据。本次试验所选的采集地点见表1，共选取3个互通合流区，主线设计速度为100 km/h，施工时限速80 km/h，主线均为单向两车道，匝道为单车道，互通合流区采集现场及合流区示意图如图1、图2所示。

表1 数据采集

图1 济青高速施工区互通合流区数据采集现场Fig.1 Data collection site of interchange merging area in Jinan-Qingdao expressway construction area

图2 济青高速施工区互通合流区几何构造示意Fig.2 Schematic diagram of geometric structure of interchange merging area of Jinan-Qingdao expressway construction area

本次试验设备采用的是无人机可以提供4 k超高清和每秒30帧(fps)视频。该设备可以在高空视野良好的情况下悬停拍摄，相比传统摄像机，不存在拍摄角度和遮挡问题，且拍摄范围较大，优势明显，另外该方法收集车辆数据具有提取数据丰富、成本相对较低等优点[18-19]。该无人机最大飞行高度500 m，最长飞行时间30 min，镜头视频最大录像分辨率：4 K/60 P，可采取GPS定位。试验中无人机采取静止悬停拍摄，飞行高度为350～450 m，基于无人机镜头视角参数计算，拍摄范围为600～700 m(长)/300～350 m(宽)，所拍摄视频精度为 0.2 m，满足精度要求，若拍摄高度更低，精度更高。相比传统的数据采集方式，无人机视频拍摄可以采集某一区域内所有车辆的数据，便于识别车辆轨迹，连续性较好。

1.2 数据描述与分析

本研究使用OpenCV视频识别系统和Matlab扩展工具解析试验拍摄的视频，每7帧输出一次车辆的状态信息，选用TDTC[12](time difference to collision)作为冲突判别指标。TDTC是指在某个时刻，假定车辆的速度和方向保持不变，两辆车通过当前轨迹交叉点(冲突点)的时间差；若两辆车的轨迹在一条直线上，则TDTC和传统的TTC(time to collision)指标计算方法一样。TDTC是一种改进的交通冲突识别指标，可同时识别同车道冲突和异车道冲突，也可对冲突的前期预测分析，很好地弥补了TTC(time to collision)和PET(Post encroachment time)的不足。因为高速公路互通合流区的车辆行为比正常路段更复杂，TDTC的特点使得其作为高速公路合流区的冲突指标具有很好的普适性。

图3 冲突识别模型Fig.3 Conflict identification model

(1)冲突识别模型

(1)

式中，TA为A车以t时刻的速度到达冲突点Q的所需时间；VA为A车在t时刻的瞬时速度；SA为A车t时刻距冲突点Q的距离；TB为B车到达冲突点Q的所需时间；VB为B车t时刻的瞬时速度；SB为B车t时刻到达冲突点Q的距离。

参考国内外文献，TDTC指标大于10 s可记为无冲突。在本研究中若两辆车之间持续存在交通冲突，以持续冲突期间的TDTC最小值作为本次冲突的指标值；若持续无冲突，在3.1节频率统计的过程中，TDTC值记为10 s。

(2)合流区空间结构划分

为深入分析施工区互通合流区的交通冲突空间分布，将每个合流区平均分为10个区段，以便准确找出交通冲突的聚集点。受采集范围的影响，本研究以匝道与主线连接点为合流区的起点，以渐变段与主线的连接点为终点。图4为将全长160 m的互通合流区分为10个区段的示意图。

图4 济青高速施工区互通合流区空间划分示意(K258+260)Fig.4 Schematic diagram of spatial division of interchange merging area of Jinan-Qingdao expressway construction area (K258+260)

2 基于车辆预定轨迹的交通冲突视频识别

目前，国内外基于车辆轨迹的交通冲突视频识别主要是采用一种基于OpenCV(开源计算机视觉，一种现有的开源跟踪工具)的视频数据自动分析系统，该系统包含多种计算机视觉算法，在计算机视觉处理中得到了广泛的应用[20]。本研究在此基础之上，依据帧间差分法和时空上下文视觉跟踪算法原理，使用Matlab扩展工具检测视频中每一帧状态下的车辆信息，分析每一帧车辆预定轨迹下的冲突情况，并计算TDTC指标值。交通冲突识别流程如图5所示。

图5 交通冲突识别流程Fig.5 Traffic conflict identification process

2.1 车辆检测与跟踪

车辆检测主要是采用自适应混合高斯背景模型，结合帧间差分法，充分发挥其对环境变化的适应能力，检测进入视频拍摄区域的车辆[16]。

高速公路路面的高差变化相对于无人机飞行的高度可以忽略不计。无人机在高空采集视频时受到了气流的干扰，会造成画面抖动，使得后续的画面逐渐偏离初始画面，因此需要以第1幅图像为基准，将后面的画面和第1幅图像配准，从而在一个坐标系下进行车辆跟踪，识别车辆连续的运行轨迹。图像配准的方法有很多，本研究引用了基于特征点匹配的方法，虽然速度较慢，但是效果较好，而且该技术现在已经十分成熟[21]。

图像配准之后，选取道路所在的多边形区域及起终点区域，对每一个检测到的车辆BOX进行标号并跟踪，传统车辆跟踪算法有特征点跟踪算法(vision point tracker)、基于直方图的跟踪算法(vision Histogram based Tracker)[22]，但是前者在跟踪过程中车辆BOX数目会不断减少，对象太小特征点太多时不合适，车辆BOX大小会变化；后者跟踪目标太小，车辆BOX大小不固定，会不断变大。再结合采集路段的交通流特征，本研究引用时空上下文视觉跟踪算法[15]，跟踪效果好，可以保持初始车辆BOX大小不变。跟踪效果如图6所示。

图6 车辆跟踪效果Fig. 6 Vehicle tracking effect

2.2 视频识别结果

编写的视频识别程序跟踪每一个进入区域的车辆BOX，每7帧输出一次区域内所有车辆实时连续轨迹坐标(X/Y)、车辆ID、速度(X/Y方向)、TDTC等数据。经过图像配准排除镜头可能存在的抖动影响，确保坐标系一致。车辆识别准确性在98%以上。基于车辆预定轨迹的视频识别结果如表2所示。

表2 视频识别部分结果

3 冲突严重性判别及冲突统计

3.1 冲突严重性判别

交通冲突之间的潜在后果严重性存在很大区别，为增加研究结论的说服力，本研究在数据采集完成后，依据视频识别输出结果，将交通冲突分为严重冲突、中度冲突和一般冲突3类不同的冲突类型。

累积频率曲线法是交通工程中常用的一种方法，如确定道路限速值，通常根据实测的累积频率曲线的速度分布生成道路速度，并选择与限速对应的85%累积频率作为依据(即在正常行驶条件下，85%的车辆不超过车速)[23]。可以引入相似的分析来确定交通冲突的严重程度，本研究通过绘制TDTC的累积频率曲线，使用85%位累积频率和15%位累积频率对应的TDTC值分别作为中度冲突与一般冲突、中度冲突与严重冲突的临界值，绘制频率分布图，由图7可知，严重冲突与中度冲突的阈值为3.1 s，中度冲突与一般冲突的阈值为7.8 s。

图7 识别车辆TDTC频率分布Fig.7 Distribution of TDTC frequencies of identified vehicles

3.2 冲突统计

以30 min为一个数据采集时段，采集包括早、晚高峰和平峰的10个时段的数据，共计8 325帧区域连续的多车辆轨迹数据。对于交通量的统计分为3种车型小型车、中型车、大型车，换算系数分别为1.0，1.5和2.0。大车比例的统计为大型车的车辆数占比，TDTC指标值小于3.1 s记为严重冲突，3.1～7.8 s之间记为一般冲突，7.8～10 s之间记为轻微冲突。各个采集时段内交通量、大车比例及交通冲突数统计如表3所示。

表3 各个采集时段交通量、大车比例及交通冲突数统计

据统计，10个时段内共发生12 047次交通冲突，不同时段的交通量和大车比例波动较大，基本覆盖该区域交通流的全部状况。

4 交通冲突空间分布及其影响因素分析

4.1 互通合流区交通冲突空间分布

视频识别可以输出每一个车辆预定轨迹冲突点Q的坐标位置，通过上节计算的冲突严重性阈值对冲突严重性进行判别，为便于直观准确地得出合流区交通冲突空间分布规律，本研究对比分析3个互通合流区的交通冲突空间分布。各自选用一个小时的观测数据并以匝道右侧与加速车道外边线的交点为原点，绘制互通合流区的交通冲突空间分布图，如图8～图10所示。

图8 高速公路典型合流区交通冲突空间分布(K258+260)Fig. 8 Spatial distribution of traffic conflicts in typical merging area of expressway(K258+260)

图9 高速公路典型合流区交通冲突空间分布(K132+300)Fig.9 Spatial distribution of traffic conflicts in typical merging area of expressway(K132+300)

图10 高速公路典型合流区交通冲突空间分布(K176+500)Fig.10 Spatial distribution of traffic conflicts in typical merging areas of expressway (K176+500)

由图8～图10，将合流区平均分为10个区段，能够直观形象地看出该互通合流区的交通冲突空间分布情况。图8、图9中，在第3，4，9，10区段的交通冲突明显比其他区段集中，且冲突较为严重，说明第3，4，9，10区段是该典型互通合流区的事故易发区域。图10中，在第2，3，9，10区段交通冲突比较集中。分析原因为车辆进入互通合流区存在减速—匀速—加速的行驶过程，并且大小车之间的动力性能存在很大差别，因此在合流区第3，4，9，10区段易发生交通冲突。至于图10与图8、图9中交通冲突分布存在差别，主要原因为图10中的合流区加速车道被严重压缩，整个合流区比较短，导致冲突集中的区域更加接近起始断面。

进一步研究交通冲突在互通合流区的空间分布，量化交通冲突，综合3个合流区的交通冲突数据，统计每个区段的平均交通冲突数和严重交通冲突率(即严重交通冲突数与冲突总数之比)。由图11可知，第3区段的交通冲突数最多，第2区段和第10区段次之，与图8～图10结论一致。严重交通冲突率在第 1～5区段先增加后减少，第7区段之后开始递增，其中第4区段和第10区段的严重交通冲突率约为50%，是该互通合流区交通安全改善的重点区段。

图11 分区段交通冲突数及严重冲突率Fig.11 Sectional number of traffic conflicts and serious conflict rates

由图12车辆行驶轨迹发现，车辆匀速行驶，则车辆的轨迹为一条直线，而在图12中，车辆的行驶轨迹在区段2～4与区段9～10发生了斜率变化，说明车辆在这两个区段速度发生了明显变化，或者发生了变道行为，由此可以解释图8～图10中的结论，合流区的第3～4区段及合流区末端为交通冲突较为集中的区域。

图12 车辆行驶轨迹 Fig.12 Vehicle running track

4.2 交通流对交通冲突空间分布的影响分析

经数据统计发现施工区互通合流区各个时段的车辆速度波动较小，又考虑到主线和匝道的交通流因素比较复杂，本研究单独分析主支线交通量和主支线大车比例对交通冲突空间分布的影响。首先根据数据采集结果，采用等距分组法将交通量和大车比例分为3个级别，分级标准见表4，则每个采集时段的数据可视为不同级别主支线交通量和主支线大车比例的组合，以便于组合分析交通流对交通冲突空间分布的影响。

表4 交通量和大车比例分级标准

(1)交通量对交通冲突空间分布的影响

根据分级标准和采集数据，可以得到主支线不同级别交通量的组合，如表5所示。绘制不同组合下的严重冲突率在空间上的分布情况，如图13所示。

表5 不同级别交通量的组合

图13 不同交通量下合流区各区段的严重冲突率Fig.13 Serious conflict rates of each section of merging area under different traffic volumes

根据图13,在第1～4区段及第9～10区段，严重冲突率随着交通量的增大而明显增大，在第5～8区段，严重冲突率波动较小，且第3～4区段和第9～10 区段的严重冲突率相对较高，是合流区严重交通冲突比较集中的区域。对比组合4，5，6，可以发现组合5，6的主线交通量比组合4大且匝道交通量都比组合4小，而组合5，6的严重冲突率在空间上的每个区段都比组合4大，说明在以上采集得到的交通量范围内，主线交通量比匝道交通量对严重冲突率的空间分布影响更大。

(2)大车比例对交通冲突空间分布的影响

同样的，对主线和匝道的大车比例进行分级，并组合分析大车比例对交通冲突空间分布的影响。

表6 不同级别大车比例组合

在第1～5区段及第9～10区段，严重冲突率随着大车比例的增加而增大，第6～8区段，严重交通冲突率受大车比例的影响较小。组合2与组合3对比，组合2的主线大车比例更高，但是匝道大车比例比组合3低，导致组合2的严重冲突率比组合3低，而且图14中同一级别匝道大车比例的组合在空间区域对应的严重冲突率比较接近。呈现以上规律，说明在以上采集得到的大车比例范围内，匝道大车比例比主线大车比例对严重冲突率的空间分布影响更大。

图14 不同大车比例下合流区各区段的严重冲突率Fig.14 Serious conflict rates of each section of merging area under different large vehicle proportions

综合以上分析结果，在主线交通量554.5～860.5 pcu/(30 min)，匝道交通量143～195 pcu/(30 min)，大车比例8.6%～19.2%范围内，主线交通量比匝道交通量对交通冲突率在合流区的空间分布上的影响更大，匝道大车比例比主线大车比例对交通冲突率在合流区的空间分布上的影响更大，合理控制匝道大车比例和主线交通量能够有效提升互通合流区施工期间的安全水平。

5 结论

利用无人机采集视频数据，在视频自动分析系统(OpenCV)的基础之上，结合Matlab扩展工具可以有效地获取每一帧的车辆信息，将自适应混合高斯背景模型与帧间差分法结合可以有效地进行指定区域的车辆检测，最后基于特征点匹配的方法可以准确地对检测车辆进行跟踪，得到整个区域连续的多车辆轨迹数据，达到交通冲突研究目的，为交通冲突研究提供了可靠的数据采集及处理方法。以交通冲突数据为支撑得到研究结论如下：

(1)利用无人机采集数据，并结合视频自动分析系统(OpenCV)和交通冲突指标TDTC(Time Difference to Collision)，是达到交通冲突研究的一个很好的技术手段。

(2)运用累计频率法，将交通冲突分为严重冲突、中度冲突、一般冲突，得到严重冲突与中度冲突的阈值为3.1 s，中度冲突与一般冲突的阈值为7.8 s。

(3)施工区互通合流区的严重冲突率在空间分布上呈现先增后减再增加的趋势，且靠近合流区匝道出口处及合流区末端是交通冲突比较集中且交通冲突比较严重的区段，是互通合流区安全改善的重点区域，为提高高速公路的安全水平提供参考。

(4)在高速公路互通合流区，主线交通量比匝道交通量对交通冲突率空间分布的影响更大，匝道大车比例比主线大车比例对交通冲突率空间分布的影响更大，合理控制匝道大车比例和主线交通量能够有效改善互通合流区施工期间的安全状况。

本研究仍存在一些缺陷，在冲突研究的过程中，换道冲突和追尾冲突没有单独分析，冲突空间分布影响因素只考虑交通量和交通组成，未来的研究可以定量地考虑更多的因素。