面向突发交通拥堵的无人机多源传感群智评估方法

本发明涉及无人机在复杂任务背景下自主感知、多源传感融合、群智决策的，具体涉及一种面向突发交通拥堵的无人机多源传感群智评估方法。

背景技术：

1、在现有的交通路段拥堵评估技术中，大多数算法由于时间，空间和时机的随机性，对于路况崎岖，存在多路高架在空间上相互交叉或者在没有监控和存在网络延迟的复杂路段下，面对突发交通路段拥堵，无法快速准确的判断交通路段拥堵程度，统计车辆密度，获取交通拥堵的实时位置，提供实时的监测和评估，对突然交通事件做出快速响应。且监测精度不高，难以全面、准确地把握整个交通网络的拥堵情况。此外，由于数据来源单一、更新速度慢，传统方法往往难以及时发现和预测交通拥堵，影响了应急响应和交通管理的效率。

技术实现思路

1、针对突发交通拥堵，无人机具有快速响应、灵活机动、覆盖范围广的特点，无人机能够提供实时的高空视角，迅速到达现场并获取实时的交通状况数据，全面监测交通状况，消除了传统手段中有限覆盖范围和盲区的问题。其次，通过搭载先进传感技术，无人机能够迅速收集大量交通数据，实现更精准的拥堵分析，有助于及时发现并应对交通问题，无人机具备快速部署和机动性的优势，能够灵活适应多样的交通场景，提高了拥堵监测的效率。综合而言，无人机在交通拥堵评估中的应用不仅提升了数据采集的全面性和实时性，为交通管理提供了更灵活、智能的解决方案，实现对交通拥堵的预测和预警，提高了城市交通运行的效率和可持续性。

2、本发明提出了面向突发交通拥堵的无人机多源传感群智评估方法。无人机通过搭载多种传感器，如高清摄像头、激光雷达、红外线传感器等实现多源数据采集，提供更全面、准确的交通拥堵信息。采用基于改进的yolov5算法对航拍车辆进行目标检测，根据无人机的高度、视角、姿态、位置信息计算车辆的运动状态，通过多源传感融合技术对车辆间的位置、间距、速度等运动信息进行群智评估，对交通路段拥堵做出快速判断。在拥堵状态下基于无人机对地面的视野映射计算拥堵路段距离并采用基于改进的deepsort算法统计拥堵数量，对交通路段拥堵状态进行智能评估。通过面向突发交通拥堵的无人机多源传感群智评估方法，将无人机获取的多源传感数据进行集成和分析，实现对交通拥堵的全方位评估和监测。

3、所述面向突发交通拥堵的无人机多源传感群智评估方法的具体过程如下：

4、步骤1：采用基于改进的yolov5算法对航拍车辆进行目标检测；

5、步骤2：根据无人机的高度、视角、姿态、位置信息计算车辆的运动状态；

6、步骤3：通过多源传感融合技术对车辆间的运动信息进行群智评估，对交通路段是否拥堵做出快速判断；

7、步骤4：采用基于改进的deepsort算法进行拥堵车辆统计；

8、步骤5：在拥堵状态下基于无人机对地面的视野映射计算拥堵路段距离；

9、步骤6：采用基于路段信息的交通拥堵评估方法，根据路段平均速度、车辆间距和交通流密度的交通路段拥堵程度进行智能评估。

10、进一步，上述步骤1中，所述改进的yolov5算法采用k-means聚类的方法，重新对车辆边界框聚类，降低由于预设锚框和目标尺寸差距较大而造成的误检和漏检，在iou、giou损失函数的基础上，为了更为充分地考虑了边界框中心点距离信息以及边界框长宽比尺度信息提出兼容重叠率损失函数lciou，解决回归速度慢，定位精度不高的问题，其公式如下：

11、

12、其中，iou表示交并比，a表示预测框，b表示真实框。ρ2(b,bgt)表示预测框与真实框中心点的直线距离，b表示两框最小外接矩形对角线距离。d为两框中心点距离，c为两框外接矩形对角线距离，a是用于平衡比例的参数，v表示长宽比一致性参数。

13、进一步，上述步骤2中，所述根据无人机的高度、视角、姿态、位置信息计算车辆的运动状态包括如下内容：基于无人机的运动状态特征，计算无人机视角下第i辆车所处的位置其公式如下：

14、

15、其中，为无人机对地面的高度，分别为无人机的偏航角、俯仰角、滚转角，为无人机在地面的投影与第k辆车所构成的角度，为无人机与第k辆车的夹角，为无人机的初始状态位置。

16、进一步，上述步骤3中，所述通过多源传感融合技术对车辆间的运动信息进行群智评估，其步骤如下：

17、步骤3.1：计算t1时刻以及经过δt1的时间的t2时刻的前后车辆间距以及第i辆车的在该时间段的行驶速度以及该车前后车距变化速度

18、步骤3.2：比较和如果则说明前后车辆间的相对车距越来越大且车与车之间保持有一定的距离，说明该时刻第i辆车所在交通路段不拥堵，执行步骤3.4；

19、如果则说明前后车辆间的相对车距越来越小，需要对车辆的速度进行进一步判断，执行步骤3.3；

20、步骤3.3：比较和如果则说明该时间段内第i辆车的行驶速度赶不上前后车距的变化速度，且后车辆间的相对车距越来越小，说明车辆的行驶速度比车距变小的程度要慢，说明第i辆车所在交越路段不拥堵，执行步骤3.4；

21、如果则说明该时间段内第i辆车的行驶速度赶得前后车距的变化速度，且后车辆间的相对车距越来越小，说明车辆的行驶速度比车距变小的程度要快，说明车辆之间的间距越来越小，执行步骤3.3；

22、步骤3.4：反复重复步骤3.1-3.3，计算连续时间段内的多车的前后车辆间距以及每一辆车的在该时间段的行驶速度以及该车前后车距变化速度当某路段前后的所有车辆均满足:

23、

24、说明该时间段前后车距在减小，多车前后行驶速度也都在降低，且前后车距的变化速度越来越慢，即车距变小，车速变慢，路况变密，即基于车辆动力学特征判断此时刻路段拥堵。

25、进一步，上述步骤4中，所述采用基于改进的deepsort算法进行拥堵车辆统计的内容包括：

26、首先，基于时空关联的运动特征匹配；

27、为了实现对运动特征的数据关联匹配，使用当前帧的检测框和上一帧跟踪框之间的马氏距离d1(i,j)来计算目标位置维度的距离相似度，其公式如下：

28、

29、式中i表示跟踪框的序号，j表示检测框的序号，表示第i个nsa卡尔曼滤波器预测出的观测空间的协方差矩阵，dj表示第j个检测框的观测向量，yi表示第i个跟踪框的状态对应向量，t表示向量的转置。

30、其次，引入时空关联匹配得分s1，将目标在时间上的连续性和空间上的一致性考虑进去。

31、目标在前一帧的边界框表示为at-1＝(xt-1,yt-1,wt-1,ht-1,)，在当前帧的位置为at＝(xt,yt,wt,ht,)，匹配得分s为：

32、

33、dt＝δt

34、然后，基于多帧对比的表观特征匹配，计算第i个轨迹和第j个轨迹的最小余弦距离，用于表观特征匹配，其公式如下：

35、

36、式中rj表示从第j个检测框中提取的外观特征，表示第i个跟踪框与第j个检测框之间的表观特征余弦相似度；ri表示表观特征库。

37、接着，引入多帧视觉匹配得分s2，对于前一帧中的每个目标a1,…,an分别与当前帧中的所有目标b1,…,bn，计算它们特征向量的匹配得分，其公式如下：

38、

39、最后，同时引入时空关联匹配得分s1和多帧视觉匹配得分s2，使用线性加权将马氏距离与最小余弦距离度结合，实现数据的整体最优关联匹配，其公式如下：

40、

41、式中，ci,j表示结合时空关联信息和多帧视觉匹配信息后融合马氏距离和最小余弦距离得到的最小距离向量。

42、进一步，上述步骤5中所述在拥堵状态下基于无人机对地面的视野映射计算拥堵路段距离的内容包括：根据无人机的姿态、视角及高度信息进行多源传感数据融合计算拥堵距离，其公式如下：

43、

44、在ti时刻无人机在相对地面运动直线距离后，发现此时视野内交通路段不在拥堵，故继续计算无人机在空中运行到此位置后视野内地面还有多少映射距离未被统计进入，剩余地面映射距离为：

45、

46、进一步，上述步骤6中，所述采用基于路段信息的交通拥堵评估方法，根据路段平均速度、车辆间距和交通流密度的交通路段拥堵程度进行智能评估的内容包括：根据路段平均速度、车辆间距和交通流密度对交通路段拥堵密度进行计算评估，其具体公式如下：

47、

48、本发明具有如下有益效果：

49、1、提出了改进的yolov5航拍车辆检测跟踪算法，对无人机航拍的图像进行基于改进的k-means聚类的车辆边框检测进行数据预处理。

50、2、提出基于改进的efficientmet的特征提取网络，提高检测精度。

51、3、根据无人机的高度、视角、姿态、位置信息计算车辆的运动状态，通过多源传感融合技术对车辆间的位置、间距、速度等运动信息对交通路段拥堵状态做出快速评估。

52、4、在拥堵状态下基于无人机的视野映射计算拥堵路段距离并采用基于改进的deepsort算法统计拥堵数量，对交通路段拥堵状态进行智能评估。实现对突发交通拥堵的全方位评估和监测，为交通管理提供了更灵活、智能的解决方案，提高了城市交通运行的效率。

技术特征：

1.面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，具体操作步骤如下：

2.根据权利要求1所述的面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，所述步骤1中改进的yolov5算法采用k-means聚类的方法，重新对车辆边界框聚类，降低由于预设锚框和目标尺寸差距较大而造成的误检和漏检，在iou、giou损失函数的基础上，为了更为充分地考虑了边界框中心点距离信息以及边界框长宽比尺度信息提出兼容重叠率损失函数lciou，解决回归速度慢，定位精度不高的问题，其公式如下：

3.根据权利要求2所述的面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，所述步骤2中根据无人机的高度、视角、姿态、位置信息计算车辆的运动状态包括如下内容：基于无人机的运动状态特征，计算无人机视角下第i辆车所处的位置其公式如下：

4.根据权利要求1所述的面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，所述步骤3中通过多源传感融合技术对车辆间的位置、间距、速度等运动信息进行群智评估，其具体步骤如下：

5.根据权利要求1所述的面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，所述步骤4中采用基于改进的deepsort算法进行拥堵车辆统计的内容包括：

6.根据权利要求1所述的面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，所述步骤5中在拥堵状态下基于无人机对地面的视野映射计算拥堵路段距离的内容包括：根据无人机的姿态、视角及高度信息进行多源传感数据融合计算拥堵距离，其公式如下：

7.根据权利要求1所述的面向突发交通拥堵的无人机多源传感群智评估方法，其特征在于，所述步骤6中采用基于路段信息的交通拥堵评估方法，根据路段平均速度、车辆间距和交通流密度的交通路段拥堵程度进行智能评估的内容包括：根据路段平均速度、车辆间距和交通流密度对交通路段拥堵密度进行计算评估，其具体公式如下：

技术总结
本发明提出了面向突发交通拥堵的无人机多源传感群智评估方法，其方法包括：首先提出了改进的YOLOv5航拍车辆检测跟踪算法，对无人机航拍的图像进行基于改进的K‑MEANS聚类的车辆边框检测进行数据预处理；然后提出基于改进的EFFICIENTMET的特征提取网络，提高检测精度。其次，根据无人机的高度、视角、姿态、位置信息计算车辆的运动状态，通过多源传感融合技术对车辆间的位置、间距、速度等运动信息对交通路段拥堵状态做出快速评估。在拥堵状态下基于无人机的视野映射计算拥堵路段距离并采用基于改进的DeepSort算法统计拥堵数量，对交通路段拥堵状态进行智能评估。实现对突发交通拥堵的全方位评估和监测，为交通管理提供了更灵活、智能的解决方案，提高了城市交通运行的效率。

技术研发人员：张晖,陈坤
受保护的技术使用者：南京邮电大学
技术研发日：
技术公布日：2024/9/23