无人机逆向车辆检测数据时效性分析

杜荣义, 彭仲仁

(1. 南宁市公安局交通科学工程研究所,南宁 530022;2. 同济大学 交通运输与工程学院,上海 201804)

无人机逆向车辆检测数据时效性分析

杜荣义*1, 彭仲仁2

(1. 南宁市公安局交通科学工程研究所,南宁 530022;2. 同济大学 交通运输与工程学院,上海 201804)

空中交通检测数据的时效性分析是基于空中检测技术的道路交通参数估算的基础,同时也可为地空交通检测数据的时空配准提供理论基础.本文在对无人机视频检测技术及其检测特性进行分析的基础上,考虑到车辆检测数据的时空分布特性,提出了两个时效性评价指标——绝对有效时间和相对有效时间,采用理论推导的方法,研究了无人机飞行参数设置(速度、高度)及道路交通条件(道路长度、车速)等对逆向车辆检测数据时效性的影响.利用 I-80 全息车辆轨迹数据,采用 Matlab 编程,对研究结论进行了验证.研究表明,本文提出的两个时效性评价指标可以很好地应用于描述或解释无人机的车辆检测能力,即车辆检测数和车辆检测率.

智能交通;无人机;移动视频交通检测;交通信息采集;时效性

1 引 言

空中检测技术在道路交通信息采集应用中具有巨大的潜力.尽管卫星航拍是最早被考虑用于交通监控的空中交通检测技术,但研究表明,由于卫星受限于其运行轨道限制等影响,因而难以用于车流跟踪等需要连续监控车流的交通应用[1,2].另外一方面,有人驾驶飞行器用于交通信息采集则价格昂贵,飞行及养护成本过高,同时,涉及到飞行人员的安全问题[3].

无人机作为一种低成本、低风险(无人)、灵活的“空中之眼”,可装备视频摄像机、定位传感器及通信设备,以获取较为详细的交通数据,从而为交通规划、管理与控制提供一种新的检测手段[4,5].受限于低空飞行管制等方面的因素,当前对无人机在交通应用方面的研究还主要停留在可行性验证方面.在无人机稳定性和车辆跟踪性能测试方面, 2002 年,Research&Technology Transporter 采 用BAT型号的无人机验证了其具有良好的道路沿线飞行能力,并且检测了无人机发送实时通勤列车视频到地面监控系统的能力[6].2003 年,Lee 等人通过模拟和实验测试方法提出了一个考虑车速变化的无人机道路车辆跟踪的路径规划策略[7].在数据传输方面,Latchman 等人利用佛罗里达现有的微波通信塔系统实现了无人机道路交通采集视频数据的实时无线传输[8].在系统集成方面,西密歇根大学的罗等人将无人机集成到了交通监测和应急管理系统中,使得西密歇根交通部可以根据无人机提供的实时交通数据迅速做出决策[9].2005 年,佛罗里达州交通部的无人机资助项目探讨了无人机在交通、事故和应急管理中的应用前景[10].研究结果表明,无人机在交通管理中可以作为 “为选定的不同任务和使命收集和提供所需数据的经济有效的手段”.2008 年,美国警方在佛罗里达州棕榈湾的无人机应用测试表明,无人机在固定交通摄像头无法安装或没有安装的地方是一个非常有用的工具[11].所有这些研究和测试表明,随着无人机性能的提升和动态视频图像处理技术的成熟应用,无人机视频检测技术在路面交通监测中的应用是可行的且具有明显的潜在价值.然而,目前交通研究领域对无人机采集交通数据的研究(如飞行状态下的车辆采集数据的分析和处理)比较欠缺.

由于飞行状态下,无人机是基于一个移动的检测窗口进行车辆信息采集,因而采集到的车辆数据具有时间、空间分布差异性,基于时空差异性对所采集的数据进行时效性分析可以获知交通流数据信息表征的有效时间区间,即进入检测路段/断面的时间.本文将对无人机逆向车辆检测特性进行分析,提出无人机检测数据时效性的评价指标,并重点对逆向飞行状态下无人机的飞行参数设置(速度、高度)及道路交通条件(路段长度、车速)对车辆检测状态的影响进行研究,从而为基于无人机检测数据的道路交通参数提取的分析提供依据,同时也为地空交通检测数据的时空配准提供理论基础.

2 无人机交通检测技术

2.1 无人机视频检测技术

无人机视频检测技术[12],也称无人机航拍技术,是利用集成有 GPS 定位系统、无线通信系统和高分辨率视频摄像系统的高性能无人驾驶飞行器,对地面目标进行摄像、摄影,进而通过获取的图像和视频数据提取所需要信息的检测技术.面向交通信息采集的无人机检测技术,以自动驾驶飞机为飞行平台,以高分辨率数码相机为传感器,以获取高分辨率影像数据为直接目标,以获取道路交通流信息为目的,以视频图像处理技术为数据处理手段,通过 GPS 定位导航技术,并借助先进的无人机飞行控制系统和无线通信系统,可实现无人机与地面交通监控中心的实时数据传输,并从不同高度、多角度、多方位对道路交通流进行实时监控和信息采集.

飞行状态下无人机影射到路面,相当于一个移动的检测域.无人机交通检测技术的时空特性是指无人机交通检测系统沿着设定路线或轨迹飞行时,其检测域随着时间的变化而不断推移,即飞行状态下,无人机交通检测系统是基于移动检测域来获取路段/路网交通信息的,如图1 所示,一般情况下,由于无人机的检测距离小于路段长度,因而无人机仍然无法获取车辆在整个路段的运行轨迹,而是获取部分车辆的部分运行轨迹.

图1 无人机检测域时空变化示意图Fig.1 Time and space variation diagram of UAV detection region

2.2 无人机逆向车辆检测场景分析

当无人机飞行方向与路段交通流方向相反时,根据车辆与无人机检测域在检测路段上的相遇情况顺序,可以分为四种场景,如图2 所示,其中虚线表示无人机在检测路段上的时空运行轨迹,其他实线表示车辆在检测路段上的时空运行轨迹,令 tvi表示车辆进入检测路段的时间,tvo表示车辆离开检测路段的时间,tvi1,tvi2和 tvi3表示车辆进入检测路段的不同时间,tvo1,tvo2和 tvo3表示车辆离开检测路段的不同时间.tui表示无人机检测域前端进入检测路段的时间,tui'表示无人机检测域末端进入检测路段的时间,tuo1表示无人机检测域前端离开检测路段的时间,tuo2表示无人机检测域末端离开检测路段的时间.

图2 逆向飞行状态下无人机交通检测不同场景示意图Fig.2 Time and space variation diagram of UAV detection region

由于无人机在某一检测路段的飞行速度一般被设定为恒值,从而有

定义 Δtu为无人机在检测路段上的检测时间,有

可知,无人机检测域前端或末端在检测路段中的驻留时间为(3)

任一车辆在检测路段上要被无人机检测到,则车辆在某一时刻必须处于无人机检测域内,即要满足条件:式中luf(t0) 为在时刻 t0,无人机检测域前端在检测路段上的移动距离,luf(t)=(t-tui)·Vu;lue(t0)为在时刻 t0,无人机检测域末端在检测路段上的移动距离,lue(t)=luf(t)-Lu=(t-t′ui)·Vu;lv(t0)表示在时刻 t0,车辆在检测路段上的移动距离.假定检测中路段上车辆的运行速度较稳定,设为 Vv,则有 lv(t)=(t-tvi) ·Vv.

可见,在检测路段上的车辆要被无人机检测到,则存在某一时刻,车辆处于无人机检测域内.由上述分析可知,以上四种场景下车辆经过检测路段轨迹被检测情况为:①完全不被检测:场景 1 和场景 4;②能被检测:场景 2 和场景 3.

3 无人机逆向车辆检测数据时效性

3.1 时效性定义和表征指标

由第2节分析可知,飞行状态下无人机在检测路段上检测具有时空分布特点,即无人机是基于移动检测窗口进行车辆信息采样的,从而使得无人机在检测路段上检测到的车辆数据在时间和空间上是分散的,而且被检测车辆的时空分布及车辆轨迹(长短)检测情况除了取决于无人机飞行状态(方向、高度及速度等)外,还直接取决于车辆在路段上的运行状态(如速度、进入路段的时间等).

飞行状态下的无人机检测到的车辆具有时空差异性,即被检测车辆在不同时间不同位置被无人机检测到.为了表征不同检测状态及飞行参数设置(飞行方向、速度、检测距离/飞行高度等)对道路车辆检测的影响,本文引入两个无人机检测车辆数据的时效性指标——绝对有效时间和相对有效时间.无人机检测数据的有效时间(Effective Time),也称绝对有效时间(Absolute Effective Time,AET),是指当无飞机以某一速度飞过某一检测路段时,能被无人机检测到的车辆通过检测路段某个断面的时间区间.而无人机检测数据的相对有效时间(Relative Effective Time,RET) 是指 无人 机在 某检测路段上检测数据的绝对有效时间与其在该路段的检测时间的比值.在本研究中,无人机检测数据的绝对有效时间和相对有效时间是用于衡量不同检测状态下无人机在检测路段上检测车流状态的重要指标,无人机检测数据的绝对有效时间用于表征无人机检测车辆数的多少,而无人机检测数据的相对有效时间用于表征无人机车辆检测率的大小,如图3 所示.显然,绝对有效时间可以表征无人机检测车辆进入检测路段的时间跨度,相对有效时间综合考虑了车辆可被检测的时间区域和无人机在检测路段上的检测时长.下节将分别基于理论推导和实际车辆轨迹数据验证来分析逆向飞行状态下无人机检测数据的时效性,即无人机逆向车辆检测的能力.

图3 无人机时效性指标及其表征意义Fig.3 UAV time effectiveness indices and their symbolical meanings

3.2 无人机逆向车辆检测数据时效性

如图4 所示,在检测路段上,速度为 Vv的逆向车辆要被速度为 Vu的无人机检测到,则必须满足条件:

图4 逆向被检测车辆进入检测路段的时间区间Fig.4 Time intervals entering detected road of detected vehicles in reverse direction

显然,能被检测到的车速为 Vv的车辆进入检测路段的最大时间等于无人机检测域末端离开检测路段的时间,即;当且仅当 tvo=tui时,即车辆离开检测路段的时间等于无人机检测域前端进入检测路段的时间时,能被检测到的车速为 Vv的车辆进入检测路段时间为最小,设为,此时有

可以得到

因此,在检测路段上能被无人机检测到的车速为 Vv的车辆进入检测路段时效区间为

另外,式(8)可表示为

可知 Δtrev为速度 为 Vv的车辆在检测路段上能被速度为 Vu的无人机检测到的进入检测路段的最大绝对有效时间.从而可以得到相对有效时间为

显然有 λrev＞ 1,这是由于逆向飞行状态下无人机检测到的车辆包括两部分:无人机进入检测路段之前已经存在于检测路段上的车辆,以及无人机在检测路段上的整个检测时段内(从进入到完全离开)进入检测路段的车辆.

4 无人机逆向车辆检测数据时效性分析

由 3.2 节分析可知,无人机逆向车辆检测数据时效性的影响因素包括无人机的检测距离、检测路段长度及无人机飞行速度/车辆速度.

4.1 绝对有效时间

由式(8)可知:

②无人机的检测距离 Lu越大,绝对有效时间Δtrev的值越大;

④车辆速度 Vv越小,绝对有效时间 Δtrev的值越大.

4.2 相对有效时间

由式(10)可知:

5 实例分析

本文借助 NGSIM 项目[13]I-80 实测车辆轨迹数据(采样间隔为 0.1 s,数据属性包括车辆 ID、车长、时间、地理坐标、所在车道号等信息,路段行驶车辆的平均速度为 6 ～ 9 m/s),利用 Matlab 编程模拟进行了如下数据验证分析.

(1)飞行速度设置对逆向车辆检测能力的影响

无人机在飞行高度为 88.5 m 上空分别以 3 m/s、5 m/s、10 m/s 和 15 m/s 速度进行车辆检测,检测到的车辆数及车辆检测率如图5所示.

图5 不同无人机速度下对应的逆向车辆检测数和检测率Fig.5 Vehicle detection situation corresponding to various UAV speeds

从图5可以看出,逆向飞行状态下,有:

①无人机速度越小,检测车辆数越大(对应上述理论分析结论:无人机飞行速度越小,绝对有效时间的值越大);

②无人机速度越大,车辆检测率越大(对应上述理论分析结论:无人机速度越大,相对有效时间越大).

(2)飞行高度设置对逆向车辆检测能力的影响.

无人机在速度为 10 m/s 的飞行速度下分别以88.5 m 和 170 m 的飞行高度进行车辆检测,检测到的车辆数及车辆检测率分别如图6所示.

从图6可以看出,逆向飞行状态下,有:

①无人机检测高度越大,检测车辆数越大(对应上述理论分析结论:无人机检测的检测距离越大,绝对有效时间越大);

②无人机检测高度越小,车辆检测率越大(对应上述理论分析结论:无人机检测距离越小,相对有效时间越大).

图6 不同无人机检测距离对应的逆向车辆检测数和检测率Fig.6 Vehicle detection situation corresponding to various UAV detection distances

6 研究结论

本文通过对无人机检测特性的分析,提出了无人机车辆检测数据的两个时效性评价指标,通过检测场景归纳,采用数学推导的方法对无人机飞行参数的设置(高度、速度)及道路交通条件(路段长度、车速)等对逆向检测车辆的时效性的影响进行了研究,并利用 Matlab 编程模拟的方法对研究结论进行了数据验证.研究表明,本文提出的两个时效性评价指标可以很好地应用于描述和解释无人机的车辆检测能力,即车辆检测数和车辆检测率.后续研究将从以下几个方面展开:无人机同向车辆检测数据时效性分析;面向融合的地空交通检测数据的时空配准方法;地空交通检测数据的融合方法.

[1] Gerhardinger A,Ehrlich D,Pesaresi M.Vehicles detection from very high resolution satellite imagery [C].International Archives of Photogrammetry and Remote Sensing,2005,XXXVI(E/W24):83-88.

[2] McCord M R,Yang Y,et al.Estimating AADT from satellite imagery and air photos[J].Transportation Research Record:Journal of Transportation Research Board,2003,1855:136-142.

[3] Coifman B,Beymer D,et al.A real-time computer vision system for vehicle tracking and traffic surveillance[J].Transportation Research Part C: Emerging Technologies,1998,6(4):271-288.

[4] Coifman B,McCord M,et al.Surface transportation surveillance from unmanned aerial vehicles[C]. Presented at 83rd Annual Meeting of Transportation Research Board,Washington,D.C.,2004.

[5] Puri A,Valavanis K,Kontitsis M.Generating traffic statistical profiles using unmanned helicopter-based video data[C].IEEE International Conference on Robotics and Automation,April 2007:870-876.

[6] Research & Technology Transporter. Innovative technology:unmanned aerial vehicle provides new traffic view[R].Federal Highway Administration,2003.

[7] Lee J,Huang R,Vaughn A,et al.Strategies of pathplanning for a UAV to track a ground vehicle[C]. AINS Conference,Menlo Park,CA,2003.

[8] Latchman H,Wong T.Statement of work for airborne traffic surveillance systems-proof of concept study for Florida department of transportation[R].Florida: Florida Department of Transportation,2002.

[9] Ro K,Oh J S,Dong L.Lessons learned:Application of small uav for urban highway traffic monitoring[C]. 45th AIAA Aerospace Sciences Meeting and Exhibit, 2007:2007-596.

[10] Farradine P B.Use of unmanned aerial vehicles in traffic surveillance and traffic management[R]. Technical Memorandum Prepared for: Florida Department of Transportation,2005.

[11] McCormack E D,Trepanier T.The use of small unmanned aircraft by the Washington State Department ofTransportation [R]. No. WA-RD 703.1, Washington State Department of Transportation,2008.

[12] Herwitz S R,Johnson L F,et al.Imaging from an unmanned aerial vehicle:agricultural surveillance and decision support[J].Computers and Electronics in Agriculture,2004,44(1):49-61.

[13] Federal Highway Administration.Traffic analysis tools: Next generation simulation[R/OL].2013-5-16.http:// ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm.

Time Effectiveness Analysis of UAV Vehicle Detection Data in Reverse Direction

DU Rong-yi1,PENG Zhong-ren2
(1.Transportation Science Engineering Institute,Nanning Municipal Public Security Bureau,Nanning 530022,China; 2.School of Transportation Engineering,Tongji University,Shanghai 201804,China)

Time effectiveness analysis of aerial detection data is helpful for road traffic parameter estimation,and provides theoretical basis for space/time registration oriented traffic data fusion of air-ground traffic detections.This paper introduces unmanned aerial vehicles(UAV)video detection technology,and analyzes its detection characteristics.Considering temporal and spatial distribution characteristics of vehicle detection data,two evaluation indices,absolute effective time and relative effective time are proposed and discussed.We further investigates and examines the impact of UAV flying parameter settings(e.g.detection distance and speed),road length,vehicle speed on time effectiveness of UAV vehicle detection data in reverse direction by means of theoretical derivation method.Meanwhile,the analytical results are validated based on the holographic vehicle trajectory data of I-80 by Matlab programming.It is found that the proposed two evaluation indices can be effectively and competently used to examine and identify the UAV detection capability of the vehicles in reverse direction in terms of vehicle number and vehicle detection rate.

intelligent transportation;unmanned aerial vehicles;mobile video traffic detection;traffic information collection;time effectiveness

1009-6744(2014)01-0034-07

U491.2

A

2013-05-17

2013-08-27录用日期:2013-09-23

国家“863 计划”项目(2009AA11Z220).

杜荣义(1984-),男,江西萍乡人,博士. *

:dry1024w@163.com