進階搜尋


   電子論文尚未授權公開,紙本請查館藏目錄
(※如查詢不到或館藏狀況顯示「閉架不公開」,表示該本論文不在書庫,無法取用。)
系統識別號 U0026-1308202016581700
論文名稱(中文) 應用YOLO模型之車流時空分布特性研究
論文名稱(英文) A Study on Temporal and Spatial Distribution Characteristics of Traffic Flow Based on YOLO Model
校院名稱 成功大學
系所名稱(中) 都市計劃學系
系所名稱(英) Department of Urban Planning
學年度 108
學期 2
出版年 109
研究生(中文) 許致銓
研究生(英文) Chih-Chuan Hsu
學號 P26074096
學位類別 碩士
語文別 中文
論文頁數 90頁
口試委員 口試委員-魏健宏
口試委員-李子璋
口試委員-黃家耀
指導教授-林漢良
中文關鍵字 深度學習  單應性矩陣  交通軌跡  時空特性 
英文關鍵字 Deep Learning  Homography Matrix  Traffic Trajectory  Temporal and Spatial Characteristics 
學科別分類
中文摘要 現今都市人口漸增,隨之使得都市交通行為日益複雜,因此對於都市規劃者而言,如何分析大範圍的車流特性是極為重要的議題。在過往的相關研究中,受到調查規模及方式的限制,致使研究多僅能對於車流量等斷面的巨觀交通特性進行分析。而隨著近年科技進步及電腦軟硬體設備的革新,對於交通數據的蒐集也更加便利,從過去以人工紀錄,或在重要路段上設置線圈偵測器收集交通資料的方式,逐漸改以路側監視器、GPS、空拍等方式來獲取資料,也因調查方式的革新,進而打破過去對於巨量微觀交通數據取得之困境。
為了進一步細究在微觀尺度下的車流時空分布特性,本研究使用分布最為密集且固定的路側監視器影像資料作為研究之資料來源,透過YOLOv3開源的深度學習架構對三種性質不同的運具:小客車、大客車及機車進行自動化地辨識,而後並結合多目標追蹤的演算法DeepSORT,藉此實現TBD(Tracking by Detection)的概念,以提取各路段、長時間的車流量變化及車流軌跡資料。而後關聯空拍影像圖,計算單應性矩陣(Homography Matrix)進行兩座標平面的投影轉換,以此投影於真實世界座標取得其車流的微觀交通特性,如瞬時速度、瞬時加速度、側向偏移距離及變換車道點分布等等。另一方面,藉由空間型構法則(Space Syntax)對於乘載其車流特性之路網結構進行拓樸指標的量化,包括全域相對便捷值(Rn)及地方相對便捷值(R3),及路網選擇度(Choice)等等。
最後,透過車流特性與路網拓樸指標及路寬之關聯性分析,本研究得出了與過往研究中相似的結果,全域相對便捷值及路寬均能有效地預測車流量之分布情形且其車流量時間變化特性會受到路網層級之影響;而後也藉由分析微觀車流的空間分布特性及關聯特性,以此從根本上推論影響都市中車流特性差異之因素。
英文摘要 With the increasing urban population, urban traffic behaviors are becoming increasingly complex. Therefore, for urban planners, how to analyze the characteristics of traffic behaviors is an extremely important issue.
In order to further study on temporal and spatial distribution characteristics of traffic flow in the microscopic scale, this study uses the most densely distributed roadside monitor video as the data source. Then, through the YOLOv3 deep learning framework to automatically detect three kinds of vehicles, and combined with the multiple object tracking algorithm DeepSORT, to extract long-term vehicle flow changes and vehicle trajectories of each road section. Next, correlate with the aerial image, calculate the homography matrix to carry out the projection transformation of the two coordinate system, in order to get the microscopic traffic characteristics in real-world coordinates, such as instantaneous speed, instantaneous acceleration and lateral offset distance, etc. The other part uses space syntax to quantify road network topology indexes, such as global relative integration (Rn), local relative integration (R3) and road network Choice.
Finally, through the correlation analysis, this study obtained similar results as the previous studies. The road width and the global relative integration can effectively predict the distribution of vehicle flow, and the time-varying characteristics of vehicle flow will be affected by the level of the road network; In addition, the spatial distribution and correlation of microscopic traffic characteristics are also used to infer the main factors that affect the differences in urban traffic characteristics.
論文目次 誌謝 VI
目錄 VII
表目錄 VIII
圖目錄 IX
第一章 緒論 1
第一節 研究緣起與目的 1
第二節 研究內容與流程 3
第二章 文獻回顧 6
第一節 車流影像辨識 6
第二節 深度學習架構 9
第三節 座標投影轉換演算 12
第四節 路網結構指標 14
第五節 研究缺口 16
第三章 研究設計 17
第一節 研究方法 17
第二節 研究範疇 22
第三節 研究架構 28
第四節 研究流程 30
第四章 實證研究 35
第一節 車流辨識流程 35
第二節 車流特性分析 39
第五章 結論與建議 78
第一節 研究結論 78
第二節 研究限制 79
第三節 後續研究建議 80
第六章 參考文獻 81
第七章 附錄 84
附錄一 車流量原始數據範例 84
附錄二 微觀車流特性原始數據範例 86

參考文獻 中文文獻
1. 王鈞奕(2018)。利用卷積神經網路對空拍影像中車輛進行偵測與分類。中原大學資訊工程研究所學位論文,1-63。
2. 吳學良(2011)。以影像為基礎之車輛偵測與計數系統。成功大學工程科學系學位論文,1-78。
3. 林宏軒、李肇棠,江滄明(2018)。深度學習的訓練資料準備與平台之演進發展。電腦與通訊,(174),5-21。
4. 柳景瑜(2018)。結合深度學習車流分析的UAV交通監測平台。交通大學網路工程研究所學位論文,1-28。
5. 孫志遠、魯成祥、史忠植,馬剛(2016)。深度學習研究與進展。計算機科學,(2016年02),1-8。
6. 翁珮珊(2016)。卷積神經網路影像辨識系統架構設計。國立臺灣大學電子工程學研究所碩士論文,1-87。
7. 張淑貞、陳美智,何曉萍(2016)。都市人,車流量與街道空間型態之關連性分析-以新竹市為例。建築學報,(98),81-96。
8. 連浩翔(2017)。基於視訊之都市車輛分類。中原大學資訊工程研究所學位論文,1-59。
9. 陳鴻君(2018)。基於空拍影像之車流資料收集。交通大學網路工程研究所學位論文,1-32。
10. 曾家瑜(2017)。應用影像資料分析混合車流下之駕駛行為樣態。交通大學運輸與物流管理學系學位論文,1-68。
11. 劉秉承(2018) 。動線系統之模擬與預測-一種基於空間型構理論動線區段分析之都市空間結構研究。設計學報,23(3)。
12. 劉建偉、劉媛,羅雄麟(2014)。深度學習研究進展。電腦應用研究,31(7),1921-1930。
13. 謝秉勳(2018) 。地面目標物識別及相對定位視覺演算法。成功大學航空太空工程學系學位論文,1-68。
14. 羅湘盈(2017)。圓環的混合車流特性及行為分析。交通大學運輸與物流管理學系學位論文,1-57。
15. 羅聖學(2017)。混合車流及高密度下之車輛影像辨識及軌跡追蹤。交通大學運輸與物流管理學系學位論文,1-58。
16. 蘇智鋒(1999)。空間形態之內在組構邏輯-Space Syntax (空間型構法則分析) 之介紹。建築向度-設計與理論創刊號(43-53)。
外文文獻
1. Baran, P. K., Rodriguez, D. A., & Khattak, A. J. (2008). Space syntax and walking in a new urbanist and suburban neighborhoods. Journal of Urban Design, 13(1), 5-28.
2. Barmpounakis, E. N., Vlahogianni, E. I., & Golias, J. C. (2016). Unmanned Aerial Aircraft Systems for transportation engineering: Current practice and future challenges. International Journal of Transportation Science and Technology, 5(3), 111-122.
3. Hillier, B. (1996). Space is the Machine. Cambridge, UK: Cambridge University Press.
4. Hillier, B., & Hanson, J. (1984). The social logic of space. Cambridge, UK: Cambridge university press..
5. Hinton, G. E., & Salakhutdinov, R. R. (2006). Reducing the dimensionality of data with neural networks. science, 313(5786), 504-507.
6. Kanagaraj, V., Asaithambi, G., Toledo, T., & Lee, T. C. (2015). Trajectory data and flow characteristics of mixed traffic. Transportation Research Record, 2491(1), 1-11.
7. Kim, E. J., Park, H. C., Ham, S. W., Kho, S. Y., & Kim, D. K. (2019). Extracting Vehicle Trajectories Using Unmanned Aerial Vehicles in Congested Traffic Conditions. Journal of Advanced Transportation, 2019.
8. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems (pp. 1097-1105).
9. Newell, A., Shaw, J. C., & Simon, H. A. (1959, June). Report on a general problem solving program. In IFIP congress (Vol. 256, p. 64).
10. Penn, A., & Hiller, B. (1998). Configurationally modeling of urban movement networks. Environment and Planning B, 25(1), 59-84.
11. Redmon, J., & Farhadi, A. (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
12. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1986). Learning representations by back-propagating errors. nature, 323(6088), 533-536.
13. Rumelhart, D. E., Hinton, G. E., & Williams, R. J. (1988). Learning representations by back-propagating errors. Cognitive modeling, 5(3), 1.
14. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556.
15. Wong, K. I., LEE, T. C., & CHEN, Y. Y. (2016). Traffic characteristics of mixed traffic flows in urban arterials. Asian Transport Studies, 4(2), 379-391.
會議論文
1. Bewley, A., Ge, Z., Ott, L., Ramos, F., & Upcroft, B. (2016, September). Simple online and realtime tracking. In 2016 IEEE International Conference on Image Processing (ICIP) (pp. 3464-3468).
2. Dawson, P. C. (2003, June). Analysing the effects of spatial configuration on human movement and social interaction in Canadian Arctic communities. In 4th International Space Syntax Symposium (Vol. 1, pp. 37-1).
3. Luo, J. T., Huang, Y. C., & Wong, K. I. (2014, December). The feasibility of aerial videography using multicopter for traffic surveys. In The 19th International Conference of Hong Kong Society for Transportation Studies (HKSTS) (pp. 13-15).
4. Wojke, N., Bewley, A., & Paulus, D. (2017, September). Simple online and realtime tracking with a deep association metric. In 2017 IEEE International Conference on Image Processing (ICIP) (pp. 3645-3649).
5. Yu, B. S., Tsao, Y., Yang, S. W., Chen, Y. K., & Chien, S. Y. (2018, October). Architecture design of convolutional neural networks for face detection on an fpga platform. In 2018 IEEE International Workshop on Signal Processing Systems (SiPS) (pp. 88-93).

論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2021-09-01起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2022-09-01起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw