Videoanalyse giver ny viden om trafikken

Session

Trafik

Resume

Ved anvendelse af avancerede teknologier som Machine Vision, Deep Neural Networking og Parallel Processing kan nu skabes verdens mest præcise trafikdata blot ud fra simple videofilm, eksempelvis optaget ved brug af droner.

I indlægget gennemgås processen fra film til detaljerede data, hvor mere end 5.500 processorkerner genkender og tracker køretøjer, cyklister og fodgængere 25 gange i sekundet, og hvor alle indsamlede data lægges i en database koblet direkte med den bagvedliggende film.

Efterfølgende dataanalyser bygger således på geodata for hvert enkelt objekt, der bevæger sig i et billede. Så at sige kobler softwaren en ultrapræcis GPS-logger til hvert objekt, og de meget detaljerede tids- og positionsdata tillader utallige analyser og visualiseringer af data.

Med den nye teknologi og software kan gennemføres meget detaljerede analyser af alle tænkelige trafikale forhold, eksempelvis kørte hastigheder på strækninger, i kurver og gennem kryds og rundkørsler, accelerationer og opbremsninger, herunder gearskift, tæthed og kollisionsrisiko mellem trafikanter, mellemtider i trafiksignalanlæg, aggressivitet i forbindelse med vigepligt, geografisk risiko for kollisioner i kryds, anvendelse af arealer, herunder både veje og pladser, samt avancerede trafiktællinger med ”O-D”-sammenhænge.

På nuværende tidspunkt har vi gennemført mere end 100 individuelle analyser ved brug af softwaren, og de trackede biler, i mere end 200 timers videofilm, har samlet kørt mere end 10 gange rundt om jorden.

Målgruppe

Oplægget giver viden om mulighederne med videoanalyse. Metoden og databehandlingsprocessen præsenteres, hvorefter der vises en række eksempler på anvendelser.

Abstract

Igennem mange år har video været anvendt som detektor i bl.a. trafiksignalanlæg. Teknologien har været baseret på at "tegne" traditionelle detektorer ind på videobilledet. Når der registreres ændringer i pixelsammensætningen, er der foretaget anmeldelse. Denne type billedgenkendelse tager ikke højde for hvad, der registreres, men blot, at der registreres bevægelse i et billede. Dette gør anvendelsen af video relativt følsom, blandt andet da ændringer i lysniveau eller regn kan forstyrre registreringen. Dette er en medvirkende årsag til, at videodetektorer i stigende grad udfases i trafiksignalanlæg. I stedet lader video til at få en renæssance inden for decideret trafikanalyse, hvor en ny tilgang til brugen af video som dataindsamler, fuldstændigt har ændret på anvendelsesmulighederne.

Den nye videoanalyse er en avanceret videoanalyse, og er for det første baseret på DNN (Deep Neural Networks), hvor der ikke længere ledes efter simple ændringer i et billede, men hvor et lærende stykke software leder efter biler, cyklister, fodgængere, osv. Disses bevægelser følges igennem en videosekvens. For det andet skilles selve videoanalysen fra trafikanalysen, hvilket betyder, at man ved anvendelse af DNN etablerer et overblik over al trafikken. Efterfølgende kan man foretage de analyser, man måtte ønske i et stykke trafikanalysesoftware. Metoden er meget hard- og softwarekrævende, men fungerer.

Idet hvert enkelt køretøj konstant trackes, kan information om dettes position geokodes til faktiske koordinater og tid - gennem en projektering til et plan i 2D. Dette åbner mulighed for at udtrække meget detaljerede data om hastighed, acceleration, nærhed til andre køretøjer, cyklister, fodgængere, mv. Når disse data kobles til hvert enkelt køretøj, kan efterfølgende gennemføres analyser af stort set alt, hvad man kan ønske sig omkring trafikkens bevægelser. Skulle man ønske en anden analyse af data, er det ikke nødvendigt igen at foretage selve videoanalysen med DNN igen. Ændringerne kan foretages i trafikanalyse-softwaren og (relativt) hurtigt kan nye resultater udtrækkes og præsenteres.

Den avancerede videoanalyse giver ny viden om trafikken og helt nye muligheder for at forstå trafikken. Som eksempler kan nævnes detaljeret hastigheds- og accelerationsanalyse, analyse af konflikter ud fra parternes eksakte fysiske reaktioner, samt analyse af afstande mellem køretøjer (sikkerhedsafstand) koblet med den kørte hastighed.

Resultaterne kan således anvendes direkte til forbedring af parametre i et trafiksimuleringsværktøj, VISSIM, hvor der hidtil kun har været begrænsede data til rådighed, da prisen på indsamling af data traditionelt er meget høj. Ved anvendelse af videoanalysen kan der indsamles meget store mængder af data af meget høj kvalitet, relativt billigt.

I indlægget eksemplificeres flere af de resultatmuligheder, som den nye tilgang giver, baseret på vores anvendelse af droner til videooptagelse og efterfølgende avanceret videoanalyse.

Videoanalyse giver ny viden om trafikken
Jonas Hammershøj Olesen
COWI A/S