李熙瑩，陳麗娟

（1.中山大學(xué)，智能工程學(xué)院，智能交通研究中心，廣州 510006；2.廣東省智能交通系統(tǒng)重點(diǎn)實(shí)驗(yàn)室，廣州 510006；3.視頻圖像智能分析與應(yīng)用技術(shù)公安部重點(diǎn)實(shí)驗(yàn)室，廣州 510006）

0 引言

慢行交通[1]是相對(duì)于快速和高速交通而言的，有時(shí)亦可稱為非機(jī)動(dòng)化交通（Non-motorized Transportation）。一般情況，慢行交通是指出行速度不大于15 km·h-1的交通方式[2]。

2020年7月24日，交通運(yùn)輸部和國家發(fā)展改革委聯(lián)合印發(fā)了關(guān)于《綠色出行創(chuàng)建行動(dòng)方案》的通知，強(qiáng)調(diào)城市建成區(qū)平均道路網(wǎng)密度和道路面積率需持續(xù)提升，步行和自行車等慢行交通系統(tǒng)、無障礙設(shè)施建設(shè)應(yīng)穩(wěn)步推進(jìn)，到2022年，力爭60%以上創(chuàng)建城市綠色出行的比例達(dá)到70%以上，綠色出行服務(wù)滿意率不低于80%。在這樣的背景下，交通管理者需要通過慢行交通參數(shù)來掌握慢行交通道路狀態(tài)，便于管理和優(yōu)化道路交通。其中，慢行交通速度是最重要的慢行交通參數(shù)之一，高效便捷地獲取慢行交通速度是慢行交通管理中的關(guān)鍵需求。

早期的慢行交通速度獲取方法有人力跟蹤調(diào)查法、抽樣調(diào)查法或通過視頻觀察等。裴玉龍等[3]、馮樹民等[4]通過統(tǒng)計(jì)行人過街時(shí)間得到行人過街步行速度。張惠玲等[5]通過人工獲取行人速度等數(shù)據(jù)對(duì)老年人過街比例與信號(hào)交叉口行人過街速度設(shè)置進(jìn)行研究分析。孫忠勝等[6]用人體運(yùn)動(dòng)雷達(dá)微多普勒可以估計(jì)出單人的平動(dòng)速度，步態(tài)周期。隨著目標(biāo)檢測技術(shù)的發(fā)展，從視頻中提取交通參數(shù)也成為可能。而常用的通過視頻提取交通速度的方法為單一目標(biāo)檢測和多目標(biāo)跟蹤算法串行，提取不同幀的同一目標(biāo)的檢測框的中心點(diǎn)作為目標(biāo)基準(zhǔn)點(diǎn)，用于計(jì)算目標(biāo)速度。許燁豪等[7]通過行人運(yùn)動(dòng)特征跟蹤學(xué)習(xí)檢測、自適應(yīng)融合顏色和梯度方向特征的粒子濾波跟蹤算法得到目標(biāo)框的中心坐標(biāo)計(jì)算行人運(yùn)動(dòng)速度。Ribeiro M.V.L.等[8]通過獲得目標(biāo)檢測框的中心坐標(biāo)計(jì)算交通目標(biāo)速度。以上方法存在一些問題：早期人工參與的方法工作量大不利于大范圍應(yīng)用，而常用的速度計(jì)算方法中易受到目標(biāo)檢測漏檢、檢測框不穩(wěn)定等誤差影響，且后續(xù)的基準(zhǔn)點(diǎn)選取策略缺乏對(duì)速度穩(wěn)定性的考量，直接采用檢測框中心點(diǎn)作為基準(zhǔn)點(diǎn)使得速度值波動(dòng)大，且視頻獲取到的速度無法量化檢測誤差，缺乏評(píng)估指標(biāo)量化速度檢測的準(zhǔn)確程度、穩(wěn)定程度等。就上述問題，本文提出一種基于融合網(wǎng)絡(luò)的慢行交通速度計(jì)算方法，通過融合的目標(biāo)檢測網(wǎng)絡(luò)識(shí)別、跟蹤路側(cè)視頻中慢行交通目標(biāo)，減弱目標(biāo)檢測誤差的影響，提高速度提取算法的魯棒性，同時(shí)采用兩種基準(zhǔn)點(diǎn)選取方法自適應(yīng)計(jì)算目標(biāo)基準(zhǔn)點(diǎn)獲取慢行交通目標(biāo)速度，提高了速度檢測的穩(wěn)定性。本文還提出相應(yīng)的量化評(píng)價(jià)指標(biāo)，對(duì)此方法進(jìn)行量化評(píng)價(jià)。

1 基于融合網(wǎng)絡(luò)的慢行交通速度計(jì)算方法

1.1 目標(biāo)分類方法

本文根據(jù)慢行交通目標(biāo)出行方式的差異，將慢行交通目標(biāo)分為Cyclist與person兩類，Cyclist代表騎行者，person 代表行人。本文目標(biāo)檢測數(shù)據(jù)由COCO[9]數(shù)據(jù)集以及視頻采集的圖像組成，采用VO（Visual Object Classes）格式標(biāo)注圖像。為解決騎行者踩踏動(dòng)作引起的檢測框抖動(dòng)問題，將騎行者的交通工具與人標(biāo)注為一個(gè)整體，目標(biāo)類別如圖1所示。

圖1 慢行交通目標(biāo)類別Fig.1 Non-motorized transportation target category

1.2 融合網(wǎng)絡(luò)檢測跟蹤

1.2.1 YOLOv5網(wǎng)絡(luò)簡介

YOLOv5 是目前YOLO 目標(biāo)檢測算法最先進(jìn)的檢測網(wǎng)絡(luò)之一。相比于R-CNN（Region-CNN）系列算法，YOLO 系列算法的模型訓(xùn)練速度更快，且更利于部署應(yīng)用。YOLOv5借鑒了錨箱的思想，在邊界框的維度上運(yùn)行K-means 聚類獲取更好的先驗(yàn)值，提升對(duì)不同尺度的目標(biāo)檢測準(zhǔn)確性。目前，YOLOv5 一共有4 個(gè)模型，模型間的結(jié)構(gòu)變化主要通過改變網(wǎng)絡(luò)的深度倍數(shù)（Depth Multiple）與寬度倍數(shù)（Width Multiple）實(shí)現(xiàn)[10]，不同模型對(duì)應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1所示。

表1 不同網(wǎng)絡(luò)模型的參數(shù)Table 1 Parameters of different network models

綜合考慮模型的計(jì)算量與準(zhǔn)確率，本文選擇YOLOv5l模型作為融合網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò)。

1.2.2 融合網(wǎng)絡(luò)方法

引言中提及的常用速度計(jì)算方法，大多采用單一目標(biāo)檢測網(wǎng)絡(luò)進(jìn)行，在速度計(jì)算中存在以下問題：（1）單獨(dú)采用慢行交通目標(biāo)檢測存在目標(biāo)基準(zhǔn)點(diǎn)波動(dòng)大的問題。受路側(cè)攝像頭視角固定與目標(biāo)姿態(tài)變化的影響，目標(biāo)在行動(dòng)過程中，目標(biāo)檢測框的變化多樣，導(dǎo)致選取的基準(zhǔn)點(diǎn)的波動(dòng)大。（2）單獨(dú)采用頭部檢測會(huì)出現(xiàn)漏檢多、跟蹤不穩(wěn)定、嚴(yán)重的ID跳變等問題。在圖像中，目標(biāo)頭部信息占比少，易出現(xiàn)漏檢。同時(shí)頭部外觀特征信息少，不利于DeepSort 模型通過外觀特征計(jì)算相似度進(jìn)行目標(biāo)匹配。

本文的融合網(wǎng)絡(luò)汲取兩種檢測網(wǎng)絡(luò)優(yōu)勢，檢測目標(biāo)整體信息用于跟蹤，保證更高的目標(biāo)檢測與目標(biāo)跟蹤的準(zhǔn)確率。人體頭部在運(yùn)動(dòng)過程中具有活動(dòng)范圍小，不易形變的特點(diǎn)，相對(duì)于人體其他部位更穩(wěn)定，本文選擇融合頭部檢測，并引入檢測信息參與基準(zhǔn)點(diǎn)計(jì)算，可以有效減小目標(biāo)基準(zhǔn)點(diǎn)的波動(dòng)。采用YOLOv5s 訓(xùn)練輕量化的頭部檢測模塊，以降低模型的計(jì)算量，同時(shí)結(jié)合目標(biāo)檢測結(jié)果，剔除大量冗余信息，增強(qiáng)圖像中目標(biāo)頭部信息占比，提高識(shí)別準(zhǔn)確率。如圖2所示，融合網(wǎng)絡(luò)方法具體如下：

圖2 融合網(wǎng)絡(luò)檢測跟蹤Fig.2 Fusion network detection and tracking

Step 1 輸入第k幀圖像，進(jìn)行慢行交通目標(biāo)檢測，將檢測框位置、置信度等信息送入DeepSort 模型進(jìn)行目標(biāo)跟蹤，并分配跟蹤ID。

Step 2 根據(jù)檢測框與跟蹤ID信息獲取n個(gè)感興趣區(qū)域信息并保存，以減少非目標(biāo)信息的干擾，整合單幀內(nèi)的目標(biāo)檢測跟蹤信息，并將所有目標(biāo)信息集成于數(shù)列。其中，Di為第i幀圖像上的目標(biāo)分配到的編號(hào)，在視頻跟蹤目標(biāo)無誤的前提下，一個(gè)慢行交通目標(biāo)會(huì)被分配到一個(gè)編號(hào)，便于之后的對(duì)應(yīng)計(jì)算，Xi,1，Xi,2為目標(biāo)在第i幀圖像的目標(biāo)檢測框?qū)?yīng)的橫坐標(biāo)；Yi,1，Yi,2為目標(biāo)在第i幀圖像的目標(biāo)檢測框?qū)?yīng)的縱坐標(biāo)值。

Step 3 頭部檢測模塊對(duì)感興趣區(qū)域進(jìn)行檢測，并輸出頭部檢測結(jié)果與集成數(shù)列信息。

1.3 速度提取

1.3.1 目標(biāo)基準(zhǔn)點(diǎn)選取

Ribeiro M.V.L.等[8]使用的常用方法是在速度提取環(huán)節(jié)選擇目標(biāo)繪制框的中心點(diǎn)（Xi,Yi）作為目標(biāo)基準(zhǔn)點(diǎn)，計(jì)算方法為

式中：Xi為目標(biāo)在第i幀目標(biāo)圖像位置的橫坐標(biāo)；Yi為目標(biāo)在第i幀目標(biāo)圖像位置的縱坐標(biāo)。

上述方法獲取的基準(zhǔn)點(diǎn)受人體姿態(tài)擺動(dòng)影響嚴(yán)重，會(huì)增大獲取的速度偏差，故本文針對(duì)基準(zhǔn)點(diǎn)選取方法進(jìn)行改進(jìn)。

本文根據(jù)融合網(wǎng)絡(luò)的頭部檢測結(jié)果，提供兩種目標(biāo)基準(zhǔn)點(diǎn)選取方法。當(dāng)融合網(wǎng)絡(luò)沒有檢測到頭部時(shí)，通過目標(biāo)檢測信息與基準(zhǔn)點(diǎn)計(jì)算方法獲取基準(zhǔn)點(diǎn)；當(dāng)融合網(wǎng)絡(luò)檢測到頭部時(shí)，通過本文設(shè)置的判定條件，判斷檢測到的頭部是否屬于當(dāng)前目標(biāo)，并根據(jù)判定結(jié)果繪制頭部檢測框。選擇基準(zhǔn)點(diǎn)的計(jì)算方法如圖3所示。

圖3 目標(biāo)基準(zhǔn)點(diǎn)選取Fig.3 Target datum point selection

本文判定條件依據(jù)慢行交通目標(biāo)與其頭部關(guān)系，以及人體頭部特征設(shè)定，即

式中：Xi,3，Xi,4為目標(biāo)在第i幀目標(biāo)圖像的目標(biāo)頭部檢測框?qū)?yīng)的橫坐標(biāo)；Yi,3，Yi,4為目標(biāo)在第i幀目標(biāo)圖像的目標(biāo)頭部檢測框?qū)?yīng)的縱坐標(biāo)值；Ymin為目標(biāo)頭部檢測框的最小縱坐標(biāo)值；A，B，C為根據(jù)目標(biāo)在圖像中的實(shí)際位置設(shè)立的閾值。

式（3）判斷頭部框的長寬比，頭部形態(tài)類似于球體且結(jié)構(gòu)固定，故頭部檢測框的長寬比值在一定范圍內(nèi)。式（4）判斷頭部檢測框與感興趣區(qū)域邊緣的距離，目標(biāo)在行動(dòng)過程中，其頭部處于相對(duì)穩(wěn)定的位置，則檢測框與感興趣區(qū)域邊緣的距離在范圍A內(nèi)。式（5）判斷頭部檢測框大小，受拍攝距離等因素影響，頭部呈現(xiàn)在圖像上的像素大小會(huì)變化，根據(jù)成像情況設(shè)定檢測框的長或?qū)挼姆秶˙,C）。

本文提出的兩種基準(zhǔn)點(diǎn)選取方法如下。

（1）方法1

用于符合檢測到頭部且屬于當(dāng)前目標(biāo)的情況，引入頭部檢測信息計(jì)算目標(biāo)基準(zhǔn)點(diǎn)。

式中：Ymax為目標(biāo)在第i幀圖像的目標(biāo)檢測框?qū)?yīng)的最大縱坐標(biāo)值。

（2）方法2

用于未檢測到頭部或檢測到頭部但不屬于當(dāng)前目標(biāo)的情況，只使用慢行交通目標(biāo)檢測信息計(jì)算目標(biāo)基準(zhǔn)點(diǎn)。

通過上述方法，計(jì)算出慢行交通目標(biāo)基準(zhǔn)點(diǎn)坐標(biāo)為（Xi,Yi），并將基準(zhǔn)點(diǎn)代入平均速度計(jì)算，獲取目標(biāo)速度。

1.3.2 平均速度計(jì)算

正常人行走速度具有波動(dòng)性，單腳支撐轉(zhuǎn)換成雙腳支撐時(shí)速度最小，雙腳支撐轉(zhuǎn)化成單腳支撐的速度最大，不同人只是平均速度、速度變化幅度及頻率不同[11]。一般成人的步態(tài)周期約為1.00～1.32 s。因此，本文計(jì)算速度為目標(biāo)在1.00 s內(nèi)的平均速度，以減少行走波動(dòng)性對(duì)速度的影響。

本文對(duì)目標(biāo)基準(zhǔn)點(diǎn)進(jìn)行映射變換，利用映射變換后的目標(biāo)基準(zhǔn)點(diǎn)（Xi′,Yi′），（Xj′,Yj′）獲取目標(biāo)速度，即

式中：j為視頻幀數(shù)；Xi′，Xj′為第i幀、第j幀的目標(biāo)位置橫坐標(biāo)；Yi′，Yj′為第i幀、第j幀目標(biāo)位置縱坐標(biāo)；NFPS為每秒顯示幀數(shù)；為第個(gè)平均速度。

2 實(shí)驗(yàn)分析

目標(biāo)檢測跟蹤和基準(zhǔn)點(diǎn)選取是影響速度計(jì)算的重要因素。本文設(shè)置目標(biāo)檢測跟蹤和基準(zhǔn)點(diǎn)選取對(duì)比實(shí)驗(yàn)，驗(yàn)證本文方法效果。

2.1 數(shù)據(jù)采集與預(yù)處理

本文在公開數(shù)據(jù)集PETS09-S2L1[12]與TUDStadtmitte[13]上進(jìn)行目標(biāo)跟蹤對(duì)比實(shí)驗(yàn)。對(duì)公開數(shù)據(jù)集共378 幀進(jìn)行頭部標(biāo)注作為檢測跟蹤真值。兩個(gè)數(shù)據(jù)集為路側(cè)視角拍攝，存在部分遮擋、完全遮擋問題，與現(xiàn)實(shí)路側(cè)視角拍攝的成像情況相似度高，如圖4所示。

圖4 公開數(shù)據(jù)集場景圖Fig.4 Scenarios for public datasets

因目前缺乏專用于速度計(jì)算的數(shù)據(jù)集，本文自建了雙視角協(xié)同數(shù)據(jù)集，包含路側(cè)視頻與航拍視頻。部分人工標(biāo)注的路側(cè)視頻用于驗(yàn)證基準(zhǔn)點(diǎn)選取效果，其余路側(cè)視頻用于驗(yàn)證本文方法的使用效果。數(shù)據(jù)集中，共有8 組數(shù)據(jù)，其中步行數(shù)據(jù)4 組，組均3844 幀，騎行數(shù)據(jù)4 組，組均2343 幀，共有可計(jì)算速度數(shù)據(jù)750多條，本文方法獲取有效速度數(shù)據(jù)516 條。本文對(duì)路側(cè)與航拍視頻做時(shí)間對(duì)齊處理，通過航拍視頻獲取樣本參考速度，用于與路側(cè)視頻獲取的速度對(duì)比，以及速度計(jì)算方法的評(píng)價(jià)計(jì)算。

2.2 目標(biāo)檢測跟蹤實(shí)驗(yàn)

本文方法將慢行交通目標(biāo)的檢測結(jié)果用于目標(biāo)跟蹤。在使用單一檢測方法的情況下，若使用慢行交通目標(biāo)檢測，則與本文方法檢測跟蹤效果一致。因此，本文方法與頭部檢測方法在PETS09-S2L1 與TUD-Stadtmitte 這兩個(gè)數(shù)據(jù)集上進(jìn)行多目標(biāo)跟蹤對(duì)比實(shí)驗(yàn)，兩種方法均使用DeepSort以及相同權(quán)重，實(shí)驗(yàn)結(jié)果如表2所示。

表2 檢測跟蹤方法對(duì)比Table 2 Comparison of detection and tracking methods

從表2多目標(biāo)跟蹤評(píng)價(jià)指標(biāo)可以看出：本文方法正確匹配的目標(biāo)數(shù)目（Rcll）達(dá)到83.6%，ID 跳變數(shù)量（IDs）遠(yuǎn)低于其他方法，總漏檢數(shù)量（FN）也遠(yuǎn)低于其他方法，跟蹤準(zhǔn)確度（MOTA）達(dá)到76.6%，比其他方法高出25%以上。本文方法的目標(biāo)檢測跟蹤效果優(yōu)于其他方法，且可獲取的速度數(shù)量更多、更可靠。

2.3 基準(zhǔn)點(diǎn)選取對(duì)比實(shí)驗(yàn)

將本文方法與常用方法的基準(zhǔn)點(diǎn)選取方法進(jìn)行對(duì)比。在采集的路側(cè)數(shù)據(jù)中選擇騎行、步行各一個(gè)樣本進(jìn)行圖像標(biāo)注。兩種基準(zhǔn)點(diǎn)選取方法均使用相同的圖像標(biāo)注信息和映射變換方法計(jì)算速度，將兩種計(jì)算方法的結(jié)果與樣本的參考速度進(jìn)行對(duì)比，結(jié)果如圖5和圖6所示。

從圖5可以看出，對(duì)于騎行和步行兩種交通方式，本文方法選取基準(zhǔn)點(diǎn)計(jì)算的速度比常用方法更加接近參考速度，但兩種方法的速度變化趨勢十分相似，可見，基準(zhǔn)點(diǎn)選取方法的變化對(duì)速度變化趨勢的影響不大。通過實(shí)驗(yàn)可知，在目標(biāo)檢測與跟蹤結(jié)果相同的情況下，不同基準(zhǔn)點(diǎn)選取方法對(duì)后續(xù)速度計(jì)算影響很大，由實(shí)驗(yàn)結(jié)果看出，本文基準(zhǔn)點(diǎn)選取方法有助于獲取到更準(zhǔn)確的速度且效果更優(yōu)。

圖5 速度對(duì)比Fig.5 Speed comparison

3 方法評(píng)價(jià)

從研究回顧可知，慢行交通速度計(jì)算缺乏客觀的驗(yàn)證標(biāo)準(zhǔn)。因此，本文提出準(zhǔn)確度、穩(wěn)定度兩個(gè)評(píng)價(jià)指標(biāo)對(duì)慢行交通目標(biāo)速度計(jì)算方法進(jìn)行評(píng)價(jià)。

3.1 評(píng)價(jià)指標(biāo)定義

計(jì)算速度與參考速度的差值是體現(xiàn)速度計(jì)算方法效果的重要評(píng)估參數(shù)，本文選擇用參考速度與計(jì)算速度的速度差值的絕對(duì)值制定評(píng)價(jià)速度計(jì)算方法的指標(biāo)——準(zhǔn)確度、穩(wěn)定度。

準(zhǔn)確度（MA）：用速度絕對(duì)差值的均值體現(xiàn)計(jì)算速度與參考速度的距離。數(shù)值越高，整體越接近真實(shí)值，表達(dá)速度整體準(zhǔn)確度。

式中：Vk為計(jì)算速度中的第k位計(jì)算速度；Vgk為參考速度中的第k位參考速度；N為計(jì)算速度的數(shù)量；wˉ為速度絕對(duì)差值的均值；MA為速度整體準(zhǔn)確度。

穩(wěn)定度（MS）：用速度絕對(duì)差值標(biāo)準(zhǔn)差體現(xiàn)計(jì)算速度相對(duì)參考速度的距離分布情況。數(shù)值越高，越穩(wěn)定，表達(dá)速度的整體穩(wěn)定度。

式中：s為速度絕對(duì)差值的標(biāo)準(zhǔn)差；MS為速度整體穩(wěn)定度。

3.2 評(píng)價(jià)方法

采用本文方法和常用方法計(jì)算相同步行和騎行樣本的速度，并將計(jì)算結(jié)果與參考速度對(duì)比，結(jié)果如圖6和圖7所示。從圖6和圖7可以看出：采用本文方法計(jì)算的速度比常用方法更接近參考速度，且提取的速度更準(zhǔn)確；兩種方法的速度變化趨勢的相似度高，圖像無法顯著表現(xiàn)速度計(jì)算方法的穩(wěn)定度情況。

采用本文評(píng)價(jià)方法量化對(duì)比兩種速度計(jì)算方法，結(jié)果如表3所示，可以看出，本文方法計(jì)算的速度準(zhǔn)確度達(dá)到81.54%，比常用方法高30%以上，與圖6和圖7整體結(jié)果一致。表3體現(xiàn)出本文方法的穩(wěn)定度比常用方法提高了6%以上，相較于速度對(duì)比圖，評(píng)價(jià)指標(biāo)可以更顯著地表現(xiàn)方法的差異。

圖6 多種方法提取的樣本1速度對(duì)比Fig.6 Comparison of sample 1 speed extracted by multiple methods

圖7 多種方法提取的樣本8速度對(duì)比Fig.7 Comparison of sample 8 speed extracted by multiple methods

表3 速度提取方法對(duì)比Table 3 Comparison of speed extraction methods

3.3 影響計(jì)算速度的因素分析

使用評(píng)價(jià)指標(biāo)對(duì)不同交通方式進(jìn)行評(píng)價(jià)，并通過結(jié)果分析影響速度計(jì)算的重要因素。評(píng)價(jià)指標(biāo)對(duì)不同交通方式評(píng)價(jià)結(jié)果如表4所示。

表4 影響速度計(jì)算因素分析Table 4 Analysis of factors affecting speed calculation

從表4 可以看出，本文方法面對(duì)不同交通方式，其計(jì)算速度的效果表現(xiàn)穩(wěn)定，騎行與步行準(zhǔn)確度相近。通過表4 數(shù)據(jù)分析影響速度計(jì)算因素如下：

（1）騎行過程中，踩踏動(dòng)作引起目標(biāo)檢測框的縱向抖動(dòng)，進(jìn)而引起基準(zhǔn)點(diǎn)位置波動(dòng)，使得速度準(zhǔn)確度低。在將騎行者作為整體識(shí)別時(shí)，克服了踩踏動(dòng)作引起基準(zhǔn)點(diǎn)變動(dòng)大的問題，同時(shí)，以頭部作為基準(zhǔn)點(diǎn)位置參考，克服騎行者整體識(shí)別與多角度拍攝引起基準(zhǔn)點(diǎn)橫向晃動(dòng)的問題，使得準(zhǔn)確度提升更高，且更穩(wěn)定。

（2）在步行與騎行過程中，常用方法獲取的基準(zhǔn)點(diǎn)縱向離地高度更高，增加了投影變換的差異，使得速度差異大。選取基準(zhǔn)點(diǎn)位置趨近地面，可減小投影變換造成的差異。

（3）本文方法的騎行穩(wěn)定度高于步行穩(wěn)定度，是因?yàn)槭苄腥瞬叫羞^程中跨步影響，檢測框會(huì)抖動(dòng)，人的步態(tài)周期各不相同，平均速度計(jì)算方法并不能完全消除跨步動(dòng)作的影響。常用方法中騎行的踩踏動(dòng)作幅度更大，對(duì)檢測框抖動(dòng)更劇烈，故常用方法的步行穩(wěn)定度比騎行更高。

4 結(jié)論

本文提出了一種基于融合網(wǎng)絡(luò)的慢行交通速度計(jì)算方法，在目標(biāo)檢測網(wǎng)絡(luò)中融合頭部檢測網(wǎng)絡(luò)，針對(duì)速度提取提出兩種基準(zhǔn)點(diǎn)計(jì)算方法；同時(shí)，還提出兩個(gè)速度計(jì)算方法評(píng)價(jià)指標(biāo)，以量化方法效果。實(shí)驗(yàn)證明：本文速度計(jì)算方法可以保證目標(biāo)跟蹤更高的準(zhǔn)確率，獲取更多有效速度；在目標(biāo)檢測與跟蹤結(jié)果相同的情況下，本文的基準(zhǔn)點(diǎn)計(jì)算方法比常用方法更優(yōu)，可以獲得更加精確、穩(wěn)定的速度；本文評(píng)價(jià)指標(biāo)能顯著體現(xiàn)不同速度計(jì)算方法的效果，可用于不同速度計(jì)算方法的效果評(píng)估。本文速度計(jì)算方法的準(zhǔn)確度達(dá)到81.54%，穩(wěn)定度達(dá)到85.01%，遠(yuǎn)高于常用方法，且本文方法不需要大量監(jiān)控設(shè)備參數(shù)，下一步可以考慮將本文方法部署應(yīng)用于實(shí)際場景下。同時(shí)，本文通過評(píng)價(jià)指標(biāo)分析影響速度計(jì)算的重要因素，發(fā)現(xiàn)目標(biāo)姿態(tài)和基準(zhǔn)點(diǎn)與地面距離是重要影響因素。本文只針對(duì)目標(biāo)姿態(tài)與基準(zhǔn)點(diǎn)選取方法對(duì)速度計(jì)算方法做出改進(jìn)，映射變換也是提取準(zhǔn)確穩(wěn)定速度的重要環(huán)節(jié)，下一步可以在映射變化方法上進(jìn)行探索、改進(jìn)，進(jìn)一步提高速度計(jì)算的準(zhǔn)確度。