基于无人机视频采集的车辆驾驶行为分析实验设计_黄海南.pdf

实 验 技 术 与 管 理 第 40 卷 第 10 期 2023 年 10 月 Experimental Technology and Management Vol.40 No.10 Oct.2023 收稿日期:2023-05-23 基金项目:20222024 年福建省本科高校教育教学改革研究项目（111422118）；福建农林大学 2019 年“课程思政”教育教学改革研究培育项目（SZ1219036）；福建农林大学 2021 年本科教育教学改革研究重点项目（111421030）作者简介:黄海南（1983），男，福建漳州，博士，讲师，硕导，实验室主任，主要研究方向为城乡交通运输规划与管理，。通信作者:徐锦强（1976），男，福建三明，博士，副教授，硕导，系主任，主要研究方向为城市交通管理与控制，。引文格式:黄海南，沈正航，徐锦强，等.基于无人机视频采集的车辆驾驶行为分析实验设计J.实验技术与管理,2023,40(10):85-90.Cite this article:HUANG H N,SHEN Z H,XU J Q,et al.Experimental design of vehicle driving behavior analysis based on drone video captureJ.Experimental Technology and Management,2023,40(10):85-90.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.10.013 基于无人机视频采集的车辆驾驶行为分析实验设计 黄海南，沈正航，徐锦强，陈 诚（福建农林大学 交通与土木工程学院，福建 福州 350108）摘 要：将无人机视频数据采集应用于车辆驾驶行为分析实验设计中。实验设计了无人机性能学习、无人机操作学习、视频数据采集、视频数据处理以及车辆驾驶行为分析等环节。该实验的目的是使学生掌握先进的数据采集和应用工具，深入了解车辆驾驶行为特征，为今后从事驾驶行为研究和智慧交通建设工作奠定基础。关键词：创新实验；无人机；驾驶行为；智慧交通；新工科 中图分类号：U491 文献标识码：A 文章编号：1002-4956(2023)10-0085-06 Experimental design of vehicle driving behavior analysis based on drone video capture HUANG Hainan,SHEN Zhenghang,XU Jinqiang,Chen Cheng(College of Transportation and Civil Engineering,Fujian Agriculture and Forestry University,Fuzhou 350108,China)Abstract:Drone video data collection is applied to experimental design of vehicle driving behavior analysis.The experimental design includes aspects such as drone performance learning,drone operation learning,video data acquisition,video data processing,and vehicle driving behavior analysis.The purpose of this experiment is to enable students to master advanced data collection and application tools,deeply understand the characteristics of vehicle driving behavior,and lay a foundation for future research on driving behavior and intelligent transportation construction work.Key words:innovative experiment;unmanned aerial vehicle(UAV);driving behavior;intelligent transportation;new engineering 随着智能交通和车路协同系统的研究和发展，对车辆驾驶行为及车辆驾驶模型的研究不断深化。当前对驾驶行为的研究主要基于两个角度：一是基于驾驶员状态对驾驶行为的成因进行研究1；二是基于车辆轨迹数据对驾驶行为进行分析、仿真和模型构建2-4。车辆轨迹数据由于具有采集方式便捷、能够直接表征驾驶行为等优点，受到很多研究团队的青睐5-6。车辆轨迹视频数据的采集主要基于三种方式：路侧固定端的静态摄像机7、安装于车辆内部的摄像机8和安装在移动设备（主要指无人机设备）的摄像机9-11。相较于第一种和第二种采集方式，利用无人机航拍采集车辆连续驾驶行为的视频数据，能够从“上帝视角”对车辆进行检测、跟踪，并获取较高质量的图像精度9-11，实现了便捷、高效、经济的数据采集12。目前从视频图像中识别车辆轨迹的方法主要是基于机器视觉的识别方法，包括三帧差分法、二帧差分法、彩色帧间差分法等13，通过算法可以较为简便地实现视频目标检测及轨迹模拟刻画。车辆轨迹识别也可以使用相关轨迹识别软件（如 Tracker 软件）14，通过更多的操作步骤以及可视化的轨迹结果，让学生掌握车辆轨迹识别软件的使用方法，并在车辆轨迹标定中了解车辆驾驶行为的变化趋势。本课题组结合近几年的科研与教学工作，借鉴上述研究成果，设计了本实验。实验旨在引导学生学习86 实 验 技 术 与 管 理 掌握无人机视频数据采集技术，并借助现代图像处理工具和数据分析工具精细化分析车辆驾驶行为特性，最后对实验结果进行总结。1 实验项目总体设计思路 为了精确获取道路上车辆的运动状态以及道路环境情况，实验设计通过操控无人机悬停至道路上空拍摄，从而轻松、全面、高精度地采集研究范围内所有车辆的运动状态以及交通基础设施情况，并用于后续精细化分析车辆的驾驶行为。（1）交通数据采集。借助视频学习常用无人机的类型、特点、用途以及操作步骤，使学生掌握无人机的基本性能和操作方法；在室外试飞无人机，指导学生运用无人机进行航拍，在实践中巩固对不同无人机飞行稳定性、飞行上限的了解；通过对选定研究区域进行实地航拍，采集车辆视频数据。（2）交通数据处理。通过指导学生运用 Tracker视频处理软件处理航拍视频，按照实验要求对车辆驾驶行为进行标定，获取车辆轨迹数据。（3）交通数据分析。对车辆轨迹数据进行分析，获取不同驾驶行为的特性，提升学生车辆轨迹数据分析能力以及获取有效结论的能力。2 实验设计 2.1 实验主要仪器 实验仪器主要为无人机与滚轮式测距仪。无人驾驶飞行器简称无人机，是指无飞行员搭载并利用无线电遥控或自备的操作程序控制的飞行器15。实验室使用的无人机主要为四旋翼无人机，包括 DJ Mini 3、DJ Air 2S、DJ Phantom 4 Pro，如图 1 所示。其优点是可在空中悬停、垂直起降、可操作性强、抗风性能稳定；缺点是续航能力较差、负载能力较弱，若对样本进行长时间拍摄，需多次更换电池。滚轮式测距仪主要用于户外距离测量，本实验中主要用于测量交叉口进口道的宽度，作为处理软件的标准间距基础。图 1 调查设备 2.2 交通数据采集 选定研究区域并利用无人机进行车辆视频数据采集。如果在数据调查期间，研究区域有交通事故和特殊事件发生，在结果分析中应相应增加交通事故车辆驾驶行为分析内容。实验地点。根据实验目的选择适当的交叉口或交叉口群进行数据采集，需要满足的基本条件包括：交叉口车道功能多元，至少包括左转专用车道与直行专用车道；车道周围无高空遮挡情况，具有良好的视野，便于拍摄；其他附加条件可根据不同的实验目的进行添加。调查时间。根据选定研究区域的交通状况特点，避开周末、节假日以及重大的文化活动日期，同时充分考虑天气、温度等情况，确保调查期间能见度高。调查时段选为星期二至星期四上午 7:0010:00 或下午4:007:00，无人机连续调查时间为 90 min。2.3 交通数据处理 交通数据处理的核心是提取车辆行驶轨迹。本实验采用 Tracker 软件进行车辆视频数据处理，该软件可捕捉物体的细小位移，并提供物体追踪功能。Tracker 软件车辆轨迹提取操作界面如图 2 所示，包括操作工具栏、原始数据显示表、运动轨迹显示图等功能区。轨迹数据提取的具体步骤如下。（1）导入无人机视频。高精度拍摄视频占用内存较大，导入需耗费较长时间。为了提高视频数据处理效率，实验要求对视频进行分段裁剪，可依据计算机的处理性能裁剪视频，也可根据信号交叉口的周期长度倍数裁剪视频。（2）建立直角坐标系。建立坐标系是定量分析车辆运动轨迹的基础。本实验以停车线和车道线交点为坐标系中心，车辆行驶方向为 X 方向，人行横道方向是 Y 方向，建立直角坐标系。（3）新建定位杆。通过建立定位杆使视频数据中的道路宽度与真实道路宽度一致。调查前应对道路中的某一标记点进行测量，并将实测数据输入到软件中，以 11 比例还原视频数据。（4）新建质点并追踪。通过创建质点对车辆的显著位置进行标定，开启自动追踪功能对车辆运动位置进行自动标定。无人机拍摄视频质量为 2 K 像素，24 FPS，即 1 s 视频将产生 24 张图片。为加快轨迹数据处理进 黄海南，等：基于无人机视频采集的车辆驾驶行为分析实验设计 87 度，可设定每 2 帧进行自动追踪。复杂车路环境下，车辆的显著标定点可能会出现偏移，此时需要进行人工标定和调整。（5）导出数据。软件界面右下角将显示车辆的实时运动参数，当完成车辆追踪后，可选择需要导出的参数，包括车辆位置、速度、加速度、帧数等。本实验主要导出车辆位置数据、速度数据和加速度数据。图 2 Tracker 车辆轨迹数据分析界面功能示意 2.4 交通数据分析 交通数据分析主要是对车辆轨迹数据的位移、速度和加速度进行分析，得出车辆驾驶行为特性的相关结论。实验中使用的数据分析软件为 Origin，这是一款专业函数绘图软件，具有深度数据分析和科技绘图功能，是公认的简单易学、操作灵活、功能强大的软件。数据分析及可视化的具体步骤如下。（1）导入数据。将 Tracker 软件导出的各参数数据导入 Origin。（2）清洗数据。将停止线到定位杆的距离作为数据筛选下限，剔除不需要的数据。（3）处理数据。首先进行数据运算，统计出各变量的样本数、均值、标准差、最小值、最大值、分布置信区间；再按照一定行车距离间隔将各变量发生的情况统计在网格中。（4）数据制图。运用“工具-图像数字化工具”绘制车道边界，对每一条车道线进行编号，并分别用工具选中边界线；再根据数据分析需要生成数据分析柱状图，以及基于车道边界生成数据统计分布图。3 实验结果与讨论 3.1 数据采集结果 选取福建省福州市国宾大道的平面交叉口作为研究对象。为了保证足够长的拍摄区域以及视频精度，将无人机悬停在进口道上空约 300 m 位置，调整摄像头位置至与路面垂直，并选择 2 K、24 FPS 模式进行录像。调查共获取了 12 段视频数据（平、高峰各 6段），每段视频拍摄时长为 15 min。图 3 调查地点区位图 3.2 数据处理结果 借助软件 Tracker 完成对航拍视频中每辆车相关参数的提取，通过系统标定和人工手动优化，共标定了 1 415 辆车的行驶轨迹，提取了 219 743 条数据，其中换道车辆数为 481 辆，占比为 33.99%。车辆轨迹数据如表 1 所示。表 1 车辆轨迹数据表 绿灯编号车辆ID 横向 坐标/m 纵向 坐标/m 速度/ms1 加速度/ms2 帧号01 1 238.0272.445 12.874 3.595 81201 1 236.9802.338 13.014 0.429 81401 1 235.8662.262 13.011 2.164 81601 1 234.8162.203 13.131 3.067 81801 1 233.6852.083 13.399 1.544 82001 1 232.5961.965 13.192 4.615 82201 1 231.4921.923 13.095 1.034 82401 1 230.4151.867 13.063 3.585 826 3.3 数据分析结果 本实验重点对平、高峰时段车辆的跟驰行为和换道行为相关参数及特性进行分析。由于篇幅有限，且换道行为更具表征度，以下仅对换道行为参数及特性进行分析。1）车辆换道行为参数分析。车辆换道行为参数包括车辆换道持续时间和换道速度。经统计分析，车辆平均换道时间为 4.35 s，最小换道时间为 1.08 s，最大换道时间为 14.83 s，换道时车辆平均速度为 44.37 km/h，最低速度为 4.92 km/h，最高速度为 90.34 km/h，如表 2 所示。换道时间和换道速度条形图呈现中间高两边低的形态，符合高斯正态分布，高斯正态分布拟合曲线效果良好。换道时间拟合曲线比较陡峭，说明换道时间的聚集程度高；换道速度拟合曲线较为扁平，说明车辆换道速度个体差异较大。88 实 验 技 术 与 管 理 表 2 车辆换道行为参数统计结果 统计参数 样本量 均值 标准差 最小值 最大值 分布区间（68%）分布区间（95%）换道时间/s 481 4.35 2.23 1.08 14.83 2.126.58 0.118.81 换道速度/kmh1 481 44.37 15.24 4.92 90.34 2960 1475 图 4 车辆换道行为参数分布图 2）平、高峰车辆换道行为时空特性分析。以车辆的行驶方向为 X 轴，车道的纵向分布为 Y轴，25 m 间隔为一个单元，建立网格坐标系，制作车辆换道时空分布图（见图 5）。图中断面位置 50 m 处为导向车道线末端的位置，即最迟换道位置点；网格颜色表示换道概率，颜色越深，表示在该网格内换道的概率越高；网格内数字代表车辆换道的平均时间，单位为 s。由平峰时段和高峰时段换道时空分布图对比可得出以下结论：（1）无论平峰还是高峰时段，靠近中央分隔带的第 1 车道换道概率最低，第 3 车道和第 4 车道换道概率高于其他车道。（2）换道频繁区域集中于距离停车线 200250 m网格，说明大部分驾驶员有意识地提前变换车道。（3）高峰时段换道区域比平峰时段更接近停车线，说明高峰时段车流密度大，换道自由度降低，车辆换道可选择的时空被压缩。（4）换道平均时间大多在 35 s 之间，越靠近交叉口换道时间越短，表征出当换道自由度降低时，换道的紧迫性增加。（5）平峰时段换道时间比高峰时段更长，换道时间的分布更不均匀，反映了平峰时段换道自由度较高，换道的随意性增加。3）车辆换道行为安全性分析。以个体换道车辆为目标车，以换道后的车道为目标车道，通过提取目标车辆与当前车道前后车、目标车道前后车之间的速度差值、车间距等换道安全参数，对车辆换道行为进行安全分析。图 6 为某车辆换道过程的速度和位移变化情况，横坐标为车辆换道时间，以帧数计。图 6(a)的纵坐标为相对目标车速度，目标车速度为 0，车辆速度高于目标车则为正，反之为负；图 6(b)的纵坐标为相对目标车距离，目标车位移为 0，车辆位于目标车前方为正，反之为负。图 5 平、高峰时段车辆换道行为时空分布图 黄海南，等：基于无人机视频采集的车辆驾驶行为分析实验设计 89 图 6 换道车换道过程中安全参数分析图 从图 6 可知，该换道目标车与当前车道前车相对速度差最大，为 3.9 m/s，换道之初与当前车道前车的距离最小，为 10 m，换道后与目标车道前车距离为 30 m。可见该目标车换道是由于受到当前车道前车的限制，为了寻找更大的驾驶空间和更高的车速，实施了本次换道行为。根据文献报道16-17，安全换道行为的速度差阈值为 4 m/s，距离差阈值为 10 m，该车辆换道行为较为安全，对周边车辆影响较小。基于以上分析，提出如下交叉口交通优化设想：在距离交叉口 200 m 处设置车道行驶方向指示标志，帮助驾驶员提前做好换道准备。4 结语 运用无人机航拍采集车辆视频数据，并对车辆驾驶行为进行精细化分析，在智慧交通和无人驾驶领域具有重要意义和实用价值。本实验基于无人机视频采集，将先进的图像处理软件、数据分析软件引入本科实验教学，以精细化分析车辆驾驶行为为目标，进行创新实验设计，有利于学生提高学习兴趣，培养创新实践能力。参考文献(References)1 赵泽来.基于车联网的驾驶行为评价系统研究D.杭州：浙江科技学院，2023.ZHAO Z L.Research of driving behavior evaluationsystem based on Internet of vehiclesD.Hangzou:Zhejiang University of Science and Technology,2023.(in Chinese)2 胡松，吴仲城，张俊.基于车载手机数据深度特征的驾驶行为识别J.计算机应用与软件，2019,36(1):5966,87.HU S,WU Z C,ZHANG J.Driving behavior recognition based on data depth features of vehicle mobile phoneJ.Computer Applications and Software,2019,36(1):5966,87.(in Chinese)3 王忠民，张瑶，衡霞.SF-CNN 在驾驶行为识别中的应用研究 J.计算机工程与应用，2018,54(11):128132,160.WANG Z M,ZHANG Y,HENG X.Driving behavior recognition based on Sparse Filtering-Convolutional Neural NetworkJ.Computer Engineering and Applications,2018,54(11):128 132,160.(in Chinese)4 盛译萱.基于 BP 神经网络的驾驶员状态识别及行为分析 J.燕山大学学报，2016,40(4):366371.SHENG Y X.Drivers state recognition and behavior analysis based on BP neural network algorithmJ.Journal of Yanshan University,2016,40(4):366371.(in Chinese)5 刘永涛，乔洁，魏朗，等.危险驾驶行为辨识算法研究J.计算机工程与设计，2014,35(4):13221326.LIU Y T,QIAO J,WEI L,et al.Research on identification algorithm of dangerous driving behaviorJ.Computer Engineering and Design,2014,35(4):13221326.(in Chinese)6 徐婷，张香，张亚坤，等.基于 AdaBoost 算法的货车驾驶人安全倾向性分类J.安全与环境学报，2019,19(4):12731281.XU T,ZHANG X,ZHANG Y K,et al.Truck driver safety tendency classification based on the AdaBoost algorithmJ.Journal of Safety and Environment,2019,19(4):12731281.(in Chinese)7 KANUNGO A,SHARMA A,SINGLA C.Smart traffic lights switching and traffic density calculation using video processing C/2014 Recent Advances in Engineering and Computational Sciences(RAECS).IEEE,2014:16.8 刘靖钰.基于行车记录仪视频流的车辆检测与轨迹追踪预测 D.赣州：江西理工大学，2020.LIU J Y.Vehicle detection and trajectory tracking prediction 90 实 验 技 术 与 管 理 based on video recorder of dashcamD.Gangzhou:Jiangxi University of Science and Technology,2020.(in Chinese)9 XU Y,YU G,WU X,et al.An enhanced viola-jones vehicle detection method from unmanned aerial vehicles imageryJ.IEEE Transactions on Intelligent Transportation Systems,2017,18(7):18451856.10 GAO H,KONG S,ZHOU S,et al.Automatic extraction of multi-vehicle trajectory based on traffic videotaping from quadcopter modelJ.Applied Mechanics and Materials,2014,3188(552):232239.11 李永彬.基于无人机平台的车辆检测与跟踪技术研究D.南京：东南大学，2019.LI Y B.Research on vehicle detection and tracking based on UAV PlatformD.Nanjing:Southeast University,2019.(in Chinese)12 费里.无人机航拍视频中高精度车辆轨迹提取图像处理方法研究D.南京：东南大学，2019.FELIPE I.Image processing framework for extracting high resolution vehicle trajectories from UAV videosD.Nanjing:Southeast University,2019.(in Chinese)13 韩赞，祁晋东，张禧龙.基于帧间差分法的视频轨迹模拟J.科学技术创新，2021(33):8587.HAN Z,QI J D,ZHANG X L.Video trajectory simulation based on inter-frame difference methodJ.Scientific and Technological Innovation,2021(33):8587.(in Chinese)14 杨权涛.快速路车辆变道风险分析方法研究D.北京：中国人民公安大学，2022.YANG Q T.Research on the risk analysis methods of vehicle lane-changing on expresswayD.Beijing:Peoples Public Security University of China,2022.(in Chinese)15 侯雨彤.基于无人机航拍视频的车辆轨迹提取方法研究D.重庆：重庆交通大学，2021.HOU Y T.Research on vehicle trajectory extraction method based on UAV aerial videoD.Chongqing:Chongqing Jiaotong University,2021.(in Chinese)16 杨培菲，唐阳山，葛丽娜，等.跟驰状态下最小行车安全距离模型的仿真研究J.黑龙江交通科技，2013,36(9):166168.YANG P F,TANG Y S,GE L N,et al.Simulation study on minimum safe distance model in car-following conditionJ.Heilongjiang Jiaotong Keji,2013,36(9):166168.(in Chinese)17 LEE S,OH C,HONG S.Studies of vehicle lane-changing dynamics and its effect on traffic efficiency,safety and environmental impactJ.Intelligent Transport Systems,2018,12(9):11421147.（编辑：张文杰）（上接第 29 页）7 PULICHARLA R,BRAR S K,ROUISSI T,et al.Degradation of chlortetracycline in wastewater sludge by ultrasonication,Fenton oxidation,and ferro-sonicationJ.Ultrasonics Sonochemistry,2017,34:332342.8 MAROUDAS A,PANDIS P K,CHATZOPOULOU A,et al.Synergetic decolorization of azo dyes using ultrasounds,photocatalysis and photo-Fenton reactionJ.Ultrasonics Sonochemistry,2021,71:105367.9 WENG C,TSAI K.Ultrasound and heat enhanced persulfate oxidation activated with Fe0 aggregate for the decolorization of C.I.Direct Red 23J.Ultrasonics Sonochemistry,2016,29:1118.10 YANG W,WANG Q,LI W,et al.A novel thermal-tuning Fe-based amorphous alloy for automatically recycled methylene blue degradationJ.Materials&Design,2019,161:136146.11 JI L,PENG S Y,ZHENG Z G,et al.The degradation performance of the Fe78Si13B9 and(FeCoNi)78Si13B9 high-entropy amorphous alloy ribbonsJ.Journal of Alloys and Compounds,2020,815:152347.12 LI B Y,LI A C,ZHAO S,et al.Amorphization by mechanical deformationJ.Materials Science and Engineering:R:Reports,2022,149:100673.13 WANG P,WANG J,LI H,et al.Fast decolorization of azo dyes in both alkaline and acidic solutions by Al-based metallic glassesJ.Journal of Alloys and Compounds,2017,701:759 767.14 ELMORSI T M,RIYAD Y M,MOHAMED Z H,et al.Decolorization of Mordant red 73 azo dye in water using H2O2/UV and photo-Fenton treatmentJ.Journal of Hazardous Materials,2010,174(1-3):352358.15 LUCHE J L.Synthetic organic sonochemistryM.New York:New York Plenum Press,1998.16 JIANG Y,PETRIER C,WAITE T D.Sonolysis of 4-chlorophenol in aqueous solution:Effects of substrate concentration,aqueous temperature and ultrasonic frequencyJ.Ultrasonics Sonochemistry,2006,13(5):415422.17 ACISLI O,KHATAEE A,KARACA S,et al.Combination of ultrasonic and Fenton processes in the presence of magnetite nanostructures prepared by high energy planetary ball millJ.Ultrasonics Sonochemistry,2017,34:754762.（编辑：张利芳）