随着我国社会经济的不断发展，机动车保有量不断增加，截至2022年8月，全国机动车保有量已经达到4.08 亿辆。但机动车保有量的不断增加给城市路网造成了巨大的压力。交叉口作为城市道路各种交通流的汇聚点，其运行效率的高低对整个城市路网运行水平至关重要。交通流量是交通基础参数之一，统计分析交通流量数据可以评估交叉口布局的合理性，考查整个城市路网的运输能力[1]。准确获取交叉口流量数据是及时调控信号配时、交叉口改造的重要前提。目前交叉口交通流量的获取主要有三类方法：依靠专业人员实地调查、通过安装可接触式或不可接触式的传感器于路面进行车辆计数或通过VISSIM等仿真软件预测。第一类方法会耗费大量人力，工作人员在长时间计数后会因疲惫造成漏检或重复计数，统计结果具有不可验证性，数据存在主观性偏差。第二类方法安装和维护费用高，容易受恶劣天气影响使检测精度降低。第三类方法基于仿真，结果与实际情况有一定出入。基于视频通过目标检测追踪算法对城市交叉口的交通数据获取逐渐成为交通领域重要应用之一。此类方法主要依赖目标检测及跟踪算法的准确性，能够实时准确地将每帧视频中不同车辆的交通参数信息进行输出，如速度、方向和轨迹等[2]。Zhou等[3]提出一种集计算机视觉和交通建模于一体的综合框架，可从实时监控视频中提取交通量、车辆组成和车辆转弯率三个信息项对交叉口的信号配时进行优化。Ibryaeva等[4]基于YOLOv3和改进的SORT跟踪器对信号交叉口车辆排队长度、交通量等参数进行提取，评估交叉口的通行能力。Guo等[5]提出一种新的YOLOv3-SPP模型，对信号交叉口车辆进行跟踪，检测交通量并评估信号交叉口交通状态。无人机技术发展迅速，应用范围广泛，可以对城市道路各种交通场景进行信息采集。不同于路侧摄像头视角，无人机能够从城市道路垂直上方向下俯拍获取高清视频，获取机动车运行轨迹和关键运动参数。陈飞[6]提出了基于卡尔曼滤波估计和基于金字塔的模板匹配方法，通过航拍视频实现车辆跟踪计数，得到交通流量。邱文城等[7]结合无人机拍摄视频检测技术及图像处理技术，利用无人机拍摄视频检测技术解决交通视频处理系统对交通流的相关参数提取困难、检测精度低等问题。文章基于无人机视频优势，采用改进的YOLOv5l+DeepSort对机动车交通参数进行提取，提出融合目标空间坐标点位移和角度变换的方法，实现交叉口机动车流量的准确检测。1机动车检测追踪机动车检测追踪流程如图1所示。10.19301/j.cnki.zncs.2023.03.034.F001图1机动车检测追踪流程准确检测追踪机动车是实现交叉口流量检测的前提。文章通过改进YOLOv5l+DeepSort的检测追踪算法对机动车的轨迹数据进行提取保存。1.1改进的YOLOv5l算法（1）YOLOv5l模型。文章采用的YOLOv5算法是端到端的单阶段检测算法。算法将目标检测重新定义为回归问题，运用CNN（Convolutional Neural Network）将图像分成网格进行特征提取与融合后，得到检测目标的预测框位置以及类别概率。YOLOv5相较前几代YOLO算法，模型小、部署灵活且拥有更好的检测精度和速度，适合实时目标检测。文章选用了YOLOv5中较复杂的YOLOv5l模型，可以在保证较高精度的情况下拥有更快的速度。YOLOv5模型比较如图2所示。10.19301/j.cnki.zncs.2023.03.034.F002图2YOLOv5模型比较YOLOv5l模型网络架构如图3所示，包括输入端（Input）、骨干网络（Backbone）、颈部网络（Neck）、输出端（Head）[8]。10.19301/j.cnki.zncs.2023.03.034.F003图3YOLOv5l模型网络架构（2）算法改进。增加小目标检测Anchor。无人机位于较高处进行俯拍，机动车目标较小，基础的YOLOv5l模型在检测时依赖于高层细节信息和低层语义信息，特征融合难以大幅提高检测精度，YOLOv5网络骨干网络经过多次采样，会丢失较多细节信息。为此，文章对YOLOv5l的初始Anchor进行了修改，增加了一组新的小物体检测Anchor。文章对初始网络在检测头部进行修改，在第17层后，继续对特征图进行上采样等处理，继续扩大特征图，在第20层时，将获取的160×160特征图与骨干网络中第2层特征图进行Concat融合，获取更大的特征图进行小目标检测。共计使用四层[21,24,27,30]进行检测，相较于初始网络增加了小目标检测层。添加小物体检测Anchor能够有效改善机动车检测效果。改进IoU损失函数。基础的YOLOv5模型在IoU损失函数上选择了CIoU，依赖于边界框回归指标的聚合有考虑到所需真实框与预测框之间不匹配的方向。这种不足导致收敛速度较慢且效率较低，预测框可能在训练过程中位置偏移不定，最终产生更差的模型。针对此类问题，采用SIoU损失函数替换原损失函数。SIoU引入真实框和预测框之间的向量角度，重新定义相关损失函数，提高训练速度和推理的准确性。1.2DeepSort算法DeepSort算法是在Sort目标追踪算法上的改进。DeepSort算法延续了Sort算法使用卡尔曼滤波和匈牙利算法进行目标追踪的总体思路，在此基础上增加了鉴别网络，在流程上增加级联匹配和新轨迹确认两个步骤。DeepSort算法采用递归的卡尔曼滤波和逐帧的数据关联，基于目标的表现特征采用最近邻匹配的方法，实现了遮挡情况下目标的有效追踪，并且针对目标ID变换的问题也有较好的改善，其流程如图4所示。其中Detections是目标检测器得出的结果，有bboxs和分类、置信度。Tracks是在整个跟踪流程中用于流转的一个对象。10.19301/j.cnki.zncs.2023.03.034.F004图4DeepSORT算法示意图[9]2融合目标空间坐标点位移和角度变换2.1基于目标空间坐标点位移的流量检测文章首先基于目标空间坐标点位移的流量检测方法实现交叉口各进口道左转、直行、右转以及掉头的机动车数量的检测，其步骤如图5所示，在YOLOv5l+DeepSort检测追踪算法对输入视频内的机动车进行检测追踪的基础上提取其轨迹参数；确定交叉口各进出口道像素坐标；判断检测到的机动车中心像素坐标的初始位置位于进口道A并标记，机动车消失时中心坐标位于出口道B内并标记；最后根据进口道A和出口道B的相对位置判断该车由进口道A行驶到出口道B属于左转，直行，右转还是掉头并计数；输出各进口道不同行车方向的车辆数。10.19301/j.cnki.zncs.2023.03.034.F005图5基于目标空间坐标点位移的流量检测2.2基于目标角度变换的流量检测在2.1节介绍方法判断的同时，采用基于目标角度变换的流量检测方法实现交叉口各进口道左转、直行、右转以及掉头的机动车数量的检测。其步骤如图6所示。10.19301/j.cnki.zncs.2023.03.034.F006图6基于目标角度变换的流量检测在YOLOv5l+DeepSort检测追踪算法对输入视频内的机动车进行检测追踪的基础上提取其轨迹参数；确定交叉口各进出口道像素坐标；确定机动车在进口道A出现时的中心点a坐标（x1，y1），机动车在进口道A消失时的中心点b坐标（x2，y2）以及机动车在出口道B消失时的中心点c坐标（x3，y3）；以点a、点b连线为y轴正方向建立相对坐标系（如图7所示）；判断（x3，y3），（x2，y2）连线与x轴正方向夹角α，若α∈-45°,45°则该车右转，若α∈45°,135°则该车直行，若α∈135°,225°则该车左转，若α∈225°,315°则该车掉头；输出各进口道不同行车方向的车辆数。10.19301/j.cnki.zncs.2023.03.034.F007图7角度判断坐标系建立对目标空间坐标点位移的流量检测结果V1和基于目标角度变换的流量检测结果V2进行加权获得最终交叉口各进口道不同流向的流量V。计算公式如式（1）所示：V=αV1+βV2 （1）式中：α、β——两种流量检测算法的加权系数，在模型训练后与实际流量进行对比后调控，最终取值分别为0.47和0.53。3实例分析3.1数据提取文章基于YOLOv5l目标检测算法和DeepSort多目标追踪算法对交叉口场景下的机动车进行检测追踪，为了确保交叉口环境下机动车检测的准确性，提高相应精度，在YOLOv5l预训练权重的基础上，使用交叉口航拍视频进一步训练，提高鲁棒性和准确性。为了提高YOLOv5l算法对目标检测对象的准确性，需要构建交叉口航拍场景下的数据集。文章从实地采集的交叉口航拍视频中截取3 000张图片进行数据集构建，并对数据集进行划分，按照训练集：验证集为8∶2的比例对数据集图片进行随机选取。文章使用视频标注软件LabelImg对采集的数据集图片进行标注，标注结果以xml格式的文件进行保存，如图8所示。10.19301/j.cnki.zncs.2023.03.034.F008图8LabelImg数据标注对模型训练300个Epoch，并对Loss进行计算，所得Loss值越小，则表明所使用的检测模型准确率越高。YOLOv5l模型训练损失变化如图9所示，YOLOv5l检测模型在第287轮训练后Loss趋于稳定，模型损失值逐渐收敛保持在2.3左右，mAP@0.5达到0.926。10.19301/j.cnki.zncs.2023.03.034.F009图9YOLOv5l模型训练损失变化基于YOLOv5l的检测结果，使用DeepSort追踪算法对机动车进行追踪，并提取行驶轨迹。考虑到提取到的数据量非常大，为了方便后续的数据处理，将轨迹数据按照frame，id，class，x_center，y_center，v的数据格式保存为Excel表格文件。3.2流量检测结果目标检测与轨迹追踪以及流量检测如图10、图11所示。10.19301/j.cnki.zncs.2023.03.034.F010图10目标检测与轨迹追踪10.19301/j.cnki.zncs.2023.03.034.F011图11流量检测文章选取星火路—学府路交叉口验证本方法的流量检测效果，该交叉口位于南京市江北新区，为信号控制交叉口，信号周期为120 s。通过文章提出算法统计2022年6月30日16∶00该交叉口的流量数据如表1所示。10.19301/j.cnki.zncs.2023.03.034.T001表1机动车流量统计表进口道方向小车/辆大车/辆总计/（PCU/h）实际/（PCU/h）总计/实际/%南进口掉头0000—左转52000—直行2817142344694.8右转33000—北进口掉头100101190.9左转713313714296.5直行4928967069097.1右转3194948102.1东进口掉头0000—左转2012444891.7直行1002414816689.2右转21019248245101.2西进口掉头0000—左转91910811197.3直行1952123724497.1右转1161715016590.9由表1可知，算法检测机动车流量为实际流量的95.3%，与实际情况基本符合，能够实现交叉口流量的准确检测。4结语文章基于无人机视频在分析其车辆检测追踪特点的基础上对YOLOv5l+DeepSort多目标检测追踪算法进行改进，增加了小目标检测层并且将IoU损失函数替换为SIoU，在基于无人机视频的机动车检测追踪过程中取得了较好的效果，mAP@0.5达到了0.926。同时在进口道各流向流量的检测方面融合目标空间坐标点位移检测方法和目标角度变换检测方法，通过模型与实际流量对比确定加权系数输出最终各进口道流量流向。最后在星火路-学府路交叉口对本方面进行了验证，流量检测准确率达到了95.3%。实验结果表明本方法能够有效准确检测交叉口不同流向的流量，并对交叉口运行状态的合理量化，为交通调查分析和改造优化提供技术支持，具有一定的实际意义。但文章研究仍存在一定不足，如没有针对畸形交叉口的流量检测进行研究，在后续研究中将会对此问题做深入探讨。