基于YOLOv5车辆识别和北斗定位的城市拥堵解决方案

文章编号： 1006-9798（2024）03-0046-09； DOI： 10.13306/j.1006-9798.2024.03.007

摘要： 为有效缓解城市交通拥堵，基于YOLOv5车辆识别和北斗定位技术构建了城市拥堵解决方案，实现了车辆运行信息实时采集、道路流量预测和智能交通控制等功能。YOLOv5车辆识别技术采集流量、车速等交通运行特征数据结合北斗定位技术采集的车辆运行特征数据，为智能交通控制决策与用户路线规划的数据支撑；智能控制终端分析采集到的数据，预测道路流量；数据传输模块完成采集输入并上传至智能控制终端和预测结果输出至智能交通控制设施，调节潮汐车道，实现智能信控；同时向用户反馈道路拥堵状况、提供路径选择建议。仿真运行结果表明，该解决方案面对两种不同的道路网可以使平均停车延误分别降低了9.0%、6.0%，总行驶时间分别降低了4.5%、6.3%，能够缓解交通拥堵。

关键词： YOLOv5； 车辆识别； 北斗定位； 城市拥堵； 智能交通控制系统

中图分类号： U121文献标识码： A

计算机、互联网、大数据、人工智能等技术快速发展为智慧交通的规划建设提供了强大支撑[1]。目前智能交通控制相关研究大多着眼于交通信号控制优化问题，基于统计学的交通信号控制，如定时控制等[2-3]；基于模型的交通信号控制，如Webster[4]、GreenWave[5]、Maxpressure[6]以及各种配时优化算法如群智能算法[7-8]、遗传算法[9-10]、模糊控制[11-12]、强化学习[13-14]等。目前存在的主要问题有交通信息获取不准确不全面、车辆与智能控制终端交互性不强、区域协调控制能力弱、技术或算法单一等，需从完善系统顶层设计入手进行优化[15]。数据采集是智能交通控制系统的基础环节，从固定式无标识数据，到移动检测数据，再到固定式有标识数据不断发展[16-17]。目前智能交通数据采集主要依赖于车道上的各种传感器和车辆抓拍系统进行单向采集 [18]。车辆识别、检测[19-22]和分类[22]作为道路监控视频中的关键目标，已引起广泛关注。随着计算机视觉技术发展，道路交通信息采集呈现高效化、智能化的特点；同时，北斗卫星的成功在轨运行使得车辆智能识别的精度达到了车道级别。本文利用视觉识别技术对车辆进行识别，实现目标区域内的交通流量信息的预测，形成具备车辆运行信息采集、流量预测、交通智能调节控制等功能的智能交通控制系统。仿真试验表明，智能交通控制基础设施及用户导航服务终端均能做出响应，系统的实时性和交互性良好；验证了解决方案的可行性和有效性。

1关键技术

1.1YOLOv5车辆识别技术

现阶段基于深度学习的目标检测方法主要有2类，一类是二阶段的RCNN[23]、Faster RCNN [24]等，另一类是一阶段的YOLO [25]、SSD [26]系列。其中由Ultralytics LLC公司发布的YOLOv5[27-28]相比于YOLOv4 [29]、Faster RCNN等算法，具有检测推理速度快、训练时间短、检测平均精度损失小等优点[30]。在交通目标检测领域得到了广泛应用，常用于车辆、行人、交通标志等识别[20-30，34]。YOLOv5的检测流程由识别模块的网络架构决定，网络架构如图1所示，包括检测源输入端、基准网络（Backbone）、Neck网络和最终输出。

1）检测源输入端。对输入源的文件进行预处理，在有限的数据集中增大识别目标的特征数据，如对图片尺寸按照规定目标放大或缩小，利用扩展缩放、透视变换、仿射变换等Mosaic数据增强操作以及归一化等方式提取特征数据。

2）基准网络（Backbone）。对数据集进行融合计算，提取图像的特征，在不同输入文件的不同细粒度上聚合形成不同的具有图像特征的卷积神经网络，常用Focus结构和CSP结构。Focus结构（图2）对输入图片的错位像素进行裁切，拆分为具有4组对应关系的多通道图片，获得了原图片4倍的通道。按照像素位置关系对拆分后的图片进行拼接分类，得到12个通道的特征图片，对新的图片进行卷积操作，获得没有丢失特征信息的两倍下采样特征图。CSP结构（图3）是可以增强学习能力的算法，通过减少算法中的重复梯度信息，识别准确性提高了22%，运算速度降低了19%，减少计算量的同时不影响整体计算的准确度 [35]。

3）Neck网络。混合和组合图像特征并传递到预测层。

4）输出端。结合模型对比图像的特征点，绘制物体锚框并预测框选物体类别。图4为不同照明环境下YOLOv5s的识别结果。在日夜不同环境光线的识别中，不同点光源对摄像头的干扰导致日间的识别准确率要略高于夜间，因此对摄像头镜头做防眩目处理或者对所采集的图像信息进行降低高亮区域范围等预处理后再进行计算。

1.2北斗定位技术

北斗卫星导航系统（Beidou Navigation Satellite System， BDS）采用亚米级高精准定位技术，定位精度由5 m ～10 m的道路级别进化到亚米的车道级别，测速精度达到0.2 m/s，能在复杂的道路环境中精准掌握车辆行驶信息。单一的全球导航卫星系统（Global Navigation Satellite System， GNSS）存在定位精度不高、信号易受干扰等问题，5G通讯技术与BDS相结合能弥补传统导航系统定位精度的不足[36-37]。

2智能交通控制系统

智能交通控制系统由数据采集模块、数据传输模块、数据分析模块、数据执行模块5部分组成，如图5所示。系统运作流程如图6所示，包括车机或手机、北斗卫星、视频采集设备、智能控制终端、智能交通控制基础设施5类硬件设施。智能控制终端是智能交通控制系统的“中枢”，通过手机或车机用户端向智能控制终端发送未来短期的预测出行信息。北斗卫星采集车辆实时位置数据发送至智能控制终端，实现定位功能；视频采集设备采用YOLOv5车辆识别技术获取路口车流量信息并发送至智能控制终端，智能控制终端汇总数据，整合各道路时空数据信息预测对应路网区域的拥堵程度。智能信号灯、智能潮汐车道等智能交通控制基础设施响应智能控制终端处理信息。智能交通控制系统基于数据驱动，完成道路交通运行数据的采集、传输、分析、执行等完整流程；基于YOLOv5车辆识别技术的外部视频采集与基于北斗定位技术的车辆自主发送相结合，加强了数据采集，保证数据采集的稳定性和准确性，为智能交通控制和出行路径决策提供实时准确的数据支撑。

2.1数据采集模块

数据采集模块包括车机或用户手机和视频采集设备。其中，车机或手机须安装基于北斗定位的导航APP，具有5G通信功能；视频采集设备集成YOLOv5车辆识别模块的摄像头，一般安装于道路上方桁架。数据采集以YOLOv5技术为主，北斗定位技术为辅。其中，YOLOv5车辆识别模块用于监控识别路段或交叉口的流量、车速等车辆信息，北斗定位技术采集车辆的速度及行驶方向数据信息，通过亚米级精度的定位可识别车辆所在车道信息。二者所提供的信息相互融合、互为补充，可保障数据的完整性、准确性、及时性。

2.2数据传输模块

数据传输模块可以实现车机或用户手机、视频采集设备与智能控制终端间，智能控制终端与智能交通控制设施（智能信号灯、智能潮汐车道标识等）间的信息传输。采用无线数据传输技术和数据压缩技术能提高数据传输速度和稳定性。针对大型城市智能交通控制系统中巨大的数据量（包括视频数据、北斗定位数据等）以及实时传输要求所带来的网络负载问题，系统各模块分别负责其相应的处理项目，数据统一汇总的分布式架构解决方案。从数据分析处理阶段到数据执行阶段，数据传输模块为智能控制终端根据现状和预测交通运行情况做出决策，向智能交通控制设施发出指令，同时向使用者发送路径规划建议。

2.3数据分析处理模块

数据分析由智能控制终端完成数据清洗、关联分析、聚类分析，利用脱敏处理后的路口流量数据预测每天每个时段的各路口流量，结合相邻路口汇入的流量信息进行修正，提高对道路交通流量的预测准确度。

通过负载均衡、缓存机制、高性能硬件和并行计算、优化算法和模型等手段解决智能交通控制系统中数据量巨大及实时处理要求的高计算负载问题，提高系统的数据处理能力和计算效率，实现数据的高效处理和实时响应。

2.4数据执行模块

数据执行模块硬件设施包括车机或用户手机、智能控制终端、智能交通控制设施，实现智能交通控制调节，为用户端提供路线规划建议等，如优化调整潮汐车道、调整信控方案、接收-调整-下放用户导航方案、交通信息公告（如交通广播电台、道路交通情况实时显示屏等）。

3方案实施

3.1实施路径

智能交通控制系统通过启用安装有北斗定位芯片的5G车机设备或使用相关地图导航APP进行路径导航实现，车辆行驶的路径数据以及实时车速等数据通过5G网络上传至智能交通控制系统。智能控制终端结合车辆信息及道路上安装的视频采集设备识别采集到道路交通信息进行数据处理，获得预测结果，对各路段的智能交通基础设施（如信号配时）做出实时调整。图7为基于车辆识别和北斗定位的智能交通控制实时道路仿真情况。

3.2解决方案实现

各路口均有一定的变道缓冲区及智能潮汐车道，当检测到某路段或路口某方向交通压力显著增大时，可以根据用户导航数据，潮汐车道和信控配时，如图8。每一个路口的道路通行方案均可根据实时的路网状况进行实施调控，不同的车道均可利用可变潮汐车道以及可变信号灯进而改变其通行类型，以便缓解道路通行压力，如图9。

当图8中检测到1号路口由西向东方向的交通压力过大，导航数据显示其中有大量车辆需要前往3号路口，用户可以选择1-2-3或1-4-3两种方案，为缓解1-4方向压力，并规避可预见的交通拥堵，智能控制终端发出指令：（1）将1号路口的智能潮汐车道由直行转换为右转，减小1-4方向车流量；（2）提前延长2号路口的信号周期，放行2号路口由北向南车流，预留出足够的空间，避免出现1-2方向排队溢出、延误增加等不良状况；（3）将1-2-3方案通过导航软件反馈给需要前往3号路口的用户；（4）通过导航软件将其他路径替代方案反馈给不需要前往3号路口但当前规划路径途径1-2-3的用户。

该解决方案用于更大区域交通协调控制，实现提前对不同路网区块的道路流量进行梳理，有效提高该区域在高峰时段内相同目的地车辆的通过效率。例如，早高峰期间，大型办公写字楼区域将吸引大量车辆前往，可以提前对车流进行引导，使需要前往同区域的一批车辆汇聚于推荐路线，以便于在推荐路线上实施绿波带控制、潮汐车道调整等措施，提升车辆的通行效率，还可根据具体需求减少路网中紧急车辆（消防车辆、急救车辆等需要疾行的车辆）的通行时间。

3.3仿真结果

在TESSNG软件上进行了仿真试验验证上述方案的可行性和有效性，模拟设置带右转渠化车道的丁字路口、十字路口两种常见道路模型。丁字路口模型和增添智能潮汐车道等方案后得到路网示意图分别如图10和图11所示，路口车道行车信息及车道规划均按照实际情况进行部署。

采集该路网区块在某一时段的车流量数据信息并导入至仿真软件，分别采用“不输入/输入”城市拥堵解决方案，得到路网通行仿真结果，见表1，实际人工操控情况见表2。可知，采用解决方案后各项指标均有所改善，其中，平均停车延误降低了17.5%，总行驶时间降低了30%，说明该方案能够缓解交通路口拥堵。

如图12十字路口组成的交通区块，按照单十字路口模型（图13）的情况分析，按照实际情况采集路口车道行车信息及车道规划部署。将采集路网4个不同区块同一时段的车流量数据信息及实际道路的红绿灯组信息导入至仿真软件，分别设置“不输入/输入”城市拥堵解决方案。对比仿真结果，优化前后结果和实际人工操控情况分别见表3、表4。

仿真结果表明，采用优化解决方案后，各项指标均有所改善，平均停车延误分别降低了9.0%、6.0%，总行驶时间降低了4.5%、6.3%，该方案能够缓解交通区块交通拥堵。

4结论

基于数据驱动，本文提出了一种实现车辆与智能交通基础设施之间信息交互的智能交通控制系统，实现了道路交通运行数据的采集、传输、分析、执行全过程；数据采集模块结合了YOLOv5车辆识别技术和北斗卫星定位技术，互为补充，全面获取车辆的起讫点、行驶方位、车道、平均时速、路口的驶入驶出时间等信息，有效保障数据的完整性、准确性、及时性；决策结果与各类智能交通控制基础设施及用户导航服务终端进行互动。仿真试验结果表明，采用该解决方案后，平均停车延误分别降低了15.1%、12.5%，平均车速分别提高了6.1%、4.2%。目前对于数据采集模块所涉及的基于北斗导航与5G的智能车机和导航APP只进行了宏观分析和初步研究，缺少相应设备搭建和运行试验；车流量数据的复杂性、多样性相对于道路交通实际情况仍有差距，对于智能交通控制方案的实施，需要采用更多实际数据来展开研究，以适应更复杂的实际交通环境。

参考文献

［1］中共中央、国务院. 交通强国建设纲要， 2019， [EB/OL]. [2024-03-27]. https： ∥www.gov. cn/gongbao/content/2019/content_5437132. html.

[2]LI D W， WU J P ， XU M ， et al. Adaptive traffic signal control model on intersections based on deep reinforcement learning[J]. Journal of Advanced Transportation， 2020（4）： 1-14.

[3]VARAIYA P. The maxpressure controller for arbitrary networks of signalized intersections[M]. Springer： Advances in Dynamic Network Modeling in Complex Transportation Systems， 2013.

[4]ALI M E M， DURDU A， CELTEK S A， et al. An adaptive method for traffic signal control based on fuzzy logic with webster and modified webster formula using SUMO traffic simulator[J]. IEEE Access， 2021， 9： 102985-102997.

[5]SHI Y J， LI J J， HAN Q M， et al. A coordination algorithm for signalized multiintersection to maximize green wave band in V2X network[J]. IEEE Access， 2020， 8： 213706-213717.

[6]REN F Y ， WEI D ， ZHAO X D， et al. Twolayer coordinated reinforcement learning for traffic signal control in traffic network[J]. Expert Systems with Applications， 2024， 235： 121111.

[7]吴啸宇， 李慧慧， 林娟娟， 等. 基于人工鱼群算法的交通信号灯配时优化模型[J]. 南京理工大学学报， 2022， 46（1）： 40-47.

[8]李然， 郭谨玮， 黄晓延， 等. 基于多目标粒子群算法的智慧城市信号灯配时优化控制[J]. 中国汽车， 2023（3）： 6. 41-46.

[9]李岩， 过秀成， 陶思然， 等. 基于NSGAⅡ算法的过饱和状态交叉口群交通信号配时优化[J]. 东南大学学报（英文版）， 2013， 29（2）： 211-216.

[10]牟亮， 赵红， 李燕， 等. 基于改进NSGAⅡ的区域交通信号优化控制[J]. 复杂系统与复杂性科学， 2021， 18（3）： 80-87.

[11]陶超， 李超， 赵骞， 等. 基于模糊控制的城市单交叉口信号灯配时优化[J]. 湖州师范学院学报， 2016， 38（2）： 19-23.

[12]刘佳佳， 左兴权. 交叉口交通信号灯的模糊控制及优化研究[J]. 系统仿真学报， 2020， 32（12）： 2401-2408.

[13]YAZDANI M ， SARVI M ， BAGLOEE S A ， et al. Intelligent vehicle pedestrian light （IVPL）： A deep reinforcement learning approach for traffic signal control[J]. Transportation Research， Part C. Emerging technologies， 2023： 103991.

[14]于泽， 宁念文， 郑燕柳， 等. 深度强化学习驱动的智能交通信号控制策略综述[J]. 计算机科学， 2023， 50（4）： 159-171.

[15]非丽琼. 城市交通信号系统现状及优化策略[J]. 运输经理世界， 2023（25）： 76-78.

[16]张立立， 王力， 张玲玉. 城市道路交通控制概述与展望[J]. 科学技术与工程， 2020， 20（16）： 6322-6329.

[17]王殿海， 蔡正义， 曾佳棋， 等. 城市交通控制中的数据采集研究综述[J]. 交通运输系统工程与信息， 2020， 20（3）： 95-1L8VA7bCfGlOOOqneP+YdWxPlmf16Tn1Wb4AMvroJBXc=02.

[18]赵祥模， 马万经， 俞春辉， 等. 道路交通控制系统发展与趋势展望[J]. 前瞻科技， 2023， 2（3）： 58-66.

[19]SHARMA P， SINGH A， SINGH KK， et al. Vehicle identification using modified region based convolution network for intelligent transportation system[J]. Multimedia Tools and Applications， 2022， 81： 34893-34917.

[20]梁华刚， 黄伟浩， 薄颖， 等. 基于多特征融合的隧道场景车辆再识别[J]. 中国公路学报， 2023， 36（8）： 280-291.

[21]HUA J， SHI Y， XIE C J， et al. Pedestrianand vehicledetection algorithm based on improved agEOYANaPEwcW3HF6cIdh0lw0xBNVgF6Qu/N/cm8IcVq8=gregated channel features[J]. IEEE Access， 2021， 9： 25885-25897.

[22]WON M. Intelligent traffic monitoring systems for vehicle classification： A survey[J]. IEEE Access， 2020， 8： 73340-73358.

[23]GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]∥27th IEEE Conference on Computer Vision and Pattern Recognition. New York， 2014： 580-587.

[24]REN S Q， HE K M， GIRSHICK R， et al. Faster RCNN： Towards realtime object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39 （6）： 1137-1149.

[25]REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， realtime object detection [C]∥29th IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， 2016： 779-788.

[26]LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shotMultiBox detector [C]∥14th European Conference on Computer Vision. Cham， 2016： 21-37.

[27]ZHAO Z Y， YANG XX， ZHOU Y C H， et al. Realtime detection of particleboard surface defects based on improved YOLOV5 target detection[J]. Scientific Reports， 2021， 11（1）： 1-15.

[28]FANG Y M， GUO XX， CHEN K， et al. Accurate and automated detection of surface knots on sawn timbers using YOLOV5 model[J]. BioResources， 2021， 16（3）： 5390-5406.

[29]吴军， 石改琴， 卢帅员， 等. 采用无人机视觉的飞机蒙皮损伤智能检测方法[J]. 中国测试， 2021， 47（11）： 119-126.

[30]张青春， 吴峥， 周玲， 等. 基于改进YOLOv5的车辆与行人目标识别方法[J]. 中国测试，2023， 49（7）： 82-88.

[31]王清芳， 胡传平， 李静. 面向交通场景的轻量级行人检测算法[J]. 郑州大学学报（理学版）， 2024， 56（7）： 48-55.

[32]李孟歆， 李易营， 李松昂. 一种改进的YOLOv5小目标交通标志检测方法[J]. 计算机仿真， 2023， 40（10）： 152-156，161.

[33]贾子豪， 王文青， 刘光灿. 改进YOLOv5的轻量化交通标志检测算法[J]. 数据采集与处理， 2023， 38（6）： 1434-1444.

[34]杨祥， 王华彬， 董明刚. 改进YOLOv5的交通标志检测算法[J]. 计算机工程与应用， 2023， 59（13）： 194-204. 1002-8331. 2302-0319.

[35]WANG C Y， LIAO H Y M， WU Y H， et al. CSPNet： A new backbone that can enhance learning capability of CNN[C]∥2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR） Workshops. Long Beach， 2020： 1571-1580.

[36]熊超， 刘宗毅， 卢传芳， 等. 国外卫星导航系统发展现状与趋势[J]. 导航定位学报， 2021， 9（3）： 13-19.

[37]赵鹏， 厉芳婷， 张亮， 等. 5G条件下北斗高精度导航定位技术与应用[J]. 测绘地理信息， 2024， 49（1）： 88-90.

Urban Congestion Solution Based on YOLOv5 Vehicle Recognition and Beidou Positioning

JIANG Quan1， LI Xiaoxuan2， CHEN Xiaoyu3

（1. Shaanxi Transportation Vocational and Technical College，Shaanxi Xi′an 710018， China;

2. Hangzhou City Planning and Design Academy， Zhejiang Hangzhou 310012， China；

3. Xinjiang Zhongtong Bus Co.， Ltd， Xinjiang Urumqi 830063， China）

Abstract：

In order to effectively alleviate urban traffic congestion， a solution for urban congestion was constructed based on YOLOv5 vehicle identification and Beidou positioning， integrating functions such as vehicle operation information collection， traffic flow prediction， and intelligent traffic control. The YOLOv5 vehicle recognition technology collected traffic operation characteristic data such as traffic flow and vehicle speed， combined with the vehicle operation characteristic data collected by Beidou positioning， to provide data support for intelligent traffic control decisionmaking and user route planning; the intelligent control terminal analyzed and processed the collected data to predict road traffic flow; the data transmission module completed the collection input uploaded to the intelligent control terminal， and the prediction results output to the intelligent traffic control facilities， regulating tidal lanes to achieve intelligent signal control; at the same time， it provided feedback on road congestion conditions to users and offered route selection suggestions. The simulation operation results showed that， with respect to two different cases， the present method reduced the average stop delay by 9.0% 、6.0% respectively， and the total travel time by 4.5%，、6.3% respectively， indicating that the solution could alleviate traffic congestion.

Keywords： YOLOv5; vehicle identification; Beidou positioning; urban congestion; intelligent traffic control system

收稿日期： 2024-04-15； 修回日期： 2024-07-30

基金项目： 国家职业教育教师教学创新团队课题资助项目（YB2021090101）

第一作者： 江泉（1986-），男，副教授，主要研究方向为智能汽车和智能交通。Email： 305387420@qq.com