基于深度学习的无控制交叉口交通冲突检测与分析

摘要

无控制交叉口是一种很普遍的道路交叉口类型，也是交通事故频发地点。但目前运用交通冲突技术对无控制交叉口交通安全分析的研究较少；同时，由于此类交叉口的视频数据获取难度大、交通环境复杂多变，现阶段也缺乏无控制交叉口交通冲突自动检测和分析方法。因此，本文以无控制交叉口交通冲突为切入点，借鉴深度学习技术实现交通冲突自动检测，明晰冲突的位置、时段和冲突严重程度影响因素，简便冲突检测和分析流程，从而为无控制交叉口安全改善提供建议，为交通冲突技术推广奠定基础。　　首先，本文通过人工拍摄7个无控制交叉口建立高空视频数据集，采用YOLOv3和深度关联矩阵的简单在线和实时跟踪算法(DeepSORT)从数据集中分别检测和追踪车辆以获得轨迹数据；选用避撞时间(Time to Collision，TTC)作为冲突定量指标从轨迹数据中提取冲突，从而实现冲突自动检测；并采用传统人工判别法评价交通冲突检测法的效果。结果显示，YOLOv3的车辆检测平均精度均值(Mean Average Precision， mAP)达74.5%，每秒检测帧数(Frames Per Second，FPS)为36；冲突检测法正确率为68.75%，当TTC小于2秒时的正确率达81.21%；判别成功率达71.99%，这证明该方法的合理性和有效性。　　然后，从空间、频数和时间分布等3方面对冲突数据进行可视化分析；并人工采集各交叉口的道路和环境信息，运用广义有序logit模型鉴别出冲突严重程度显著影响因素，且通过边际效应定量计算各影响因素对冲突的影响程度。结果表明，无控制交叉口内冲突主要由非机动车引起并集中在行人过街和进出口区域；严重冲突主要由非机动车-非机动车冲突造成，每发生一次该类冲突将使一般冲突和严重冲突的发生概率分别提高10.7%和7.4%，两车速度之比的增大会使严重冲突发生的概率提高3.8%，而渠化交叉口可使严重和一般冲突分别降低5.8%和8.2%，交叉口内设置机非隔离也可使潜在冲突概率降低6.9%。　　最后，基于Python开发自编库trafficconflict，实现交通冲突检测自动化、冲突分析可视化和冲突严重程度影响因素分析流程化，并完成库的开源与发布，为交通冲突技术的推广创造条件。

目录

声明

第1章 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.2.1 基于视频的交通冲突检测技术

1.2.2 基于深度学习的车辆检测与跟踪

1.2.3 交通冲突判定指标

1.2.4 研究现状总结与分析

1.3.1 研究目标

1.3.2 研究内容

1.3.3 研究方法

1.3.4 技术路线

1.4 本章小结

第2章 基本理论与方法介绍

2.1.1 基础网络结构

2.1.2 Darknet-53 网络

2.1.3 相关预测方法

2.2 多目标跟踪算法

2.2.1 SORT 算法

2.2.2 DeepSORT算法

2.3.1 冲突定量指标选取

2.3.2 TTC值计算方法

2.4 广义有序logit 模型

2.5 本章小结

第3章 交通冲突检测

3.1 高空视频数据集的建立

3.2.1 系统配置

3.2.2 数据集说明

3.3.1 车辆检测

3.3.2 车辆追踪

3.4.1 轨迹预处理

3.4.2 TTC值的求解算法

3.4.3 冲突过滤及结果

3.5 冲突自动检测法效果评价

3.5.1 正确率

3.5.2 判别成功率

3.6 本章小结

第4章 交通冲突分析

4.1 冲突空间分析

4.1.1 单个交叉口冲突空间热力分布

4.1.2 多个交叉口冲突空间热力分布对比

4.2 冲突频数和时间分析

4.2.1 各TTC区间冲突频数分析

4.2.2 交叉口全天冲突频数与流量关系

4.3 冲突严重程度影响因素分析

4.3.1 冲突严重程度等级划分

4.3.2 变量选取

4.3.3 广义有序logit 模型回归

4.3.4 边际效应及结果分析

4.4 本章小结

第5章 应用于冲突检测和分析的Python 库开发

5.1 自编库功能

5.2.1 交通冲突检测

5.2.2 单个交叉口冲突分析

5.2.3 多个交叉口冲突对比分析

5.2.4 交叉口冲突严重程度影响因素分析

5.3 库的搭建与发布

5.4 库功能测试

5.4.1 交通冲突检测功能

5.4.2 单个交叉口冲突分析功能

5.4.3 多个交叉口冲突对比分析功能

5.5 本章小结

结论与展望

结论

展望

致谢

参考文献

附录

攻读硕士学位期间发表的论文及科研成果